基于高光谱与纹理融合的烤烟分类方法研究

  目的  为提高烤烟的分类正确率。  方法  利用高光谱成像系统采集烤烟样本,采用Savitzky-Golay卷积平滑法（SG）、多元散射校正（MSC）、一阶导数法（FD）的组合方法对数据进行预处理。通过连续投影算法（SPA）选择特征波长,利用灰度共生矩阵（GLCM）选择烤烟的纹理特征,将纹理特征与光谱特征归一化处理后进行融合,利用邻近算法(KNN)、随机森林(RF)、支持向量机(SVM)、朴素贝叶斯（NB）验证烤烟分类效果。  结果  预处理后的全波长数据分类正确率较预处理前有所提升;利用SPA选择特征波段进行分类,正确率下降;高光谱融合纹理特征后进行分类,分类效果显著提升。  结论  基于高光谱与纹理融合可准确、有效地对烤烟进行无损分类,为量化烤烟分类提供了可行方法。      

基于高光谱成像技术的烟叶田间成熟度判别模型

为探索基于高光谱技术的烟叶田间成熟度判别方法,使用高光谱成像仪采集不同田间成熟度档次烟叶的高光谱信息,比较5种数据预处理方法[一阶导数（1stD）、多元散射校正（MSC）、标准正态变量变换（SNV）、Savitzky-Golay（SG）平滑、一阶导数+SG平滑]和两种建模算法[支持向量机（SVM）和BP神经网络（BPNN）]在建立烟叶田间成熟度判别模型中的适用性,并利用遗传算法（GA）优选出反映鲜烟叶成熟差异的最佳特征变量用于建立判别模型。结果表明:①不同田间成熟度烟叶的高光谱反射率差异明显,且在550 ~ 675 nm波长范围内最突出,其反射率随烟叶田间成熟度的增加而增大;②在10种光谱数据预处理方法与建模算法的组合中,SNV+SVM组合的预测性能最佳;③使用GA在400 ~ 1 000 nm间优选出了可反映烟叶田间成熟度差异的19个特征光谱波段,其中大多与烟叶质体色素的特征光谱有关;④以特征波段为输入变量建立了烟叶田间成熟度的SVM判别模型,预测准确率达95%,F1分数达0.95,平均精确率、召回率也均大于95%。高光谱信息可敏锐地反映烟叶田间成熟度的差异,采用SNV数据预处理方法与SVM算法组合可建立性能优异的烟叶田间成熟度判别模型。      

基于高光谱成像技术的高粱农药残留种类检测研究

高粱作为粮食作物，其中残留的农药对人体危害巨大。本文基于高光谱成像（Hyperspectral Imaging，HSI）技术研究了高粱中农药残留种类的快速鉴别。采用不同预处理方法对高光谱数据进行预处理，通过建立的支持向量机（Support Vector Machine，SVM）模型发现标准正态变换（Standard Normal Variate，SNV）为最佳的预处理方法。使用类型提升算法（Type Boosting Algorithm，CatBoost）、梯度提升树（Gradient Boosting Decision Tree，GBDT）、竞争性自适应重加权采样法（Competitive Adaptive Reweighted Sampling，CARS）和主成分分析法（Principal Component Analysis，PCA）选择特征波长，对比特征波长建立的SVM模型结果发现CatBoost所选择的特征波长建模效果更好。分别建立了基于特征波长的BP神经网络自适应增强算法（Backpropagation Neural Network with Adaptive Boosting，BP-AdaBoost）、轻量梯度提升机（Light Gradient Boosting Algorithm, LGBM）、极度梯度提升（eXtreme Gradient Boosting，XGBoost）、SVM高粱农药残留分类模型，其中，BP-AdaBoost为最佳的分类模型，测试集平均分类正确率为95.17%。研究表明，高光谱成像技术结合BP-AdaBoost算法可以识别出高粱中农药残留的种类，为检测高粱农药残留类别提供了一种新的方法。     

基于高光谱成像技术的金银花与山银花快速鉴别

利用高光谱成像技术,研究一种快速、准确、无损的鉴别金银花与山银花的方法。通过对比3种预处理方法对偏最小二乘算法(Partial Least Squares,PLS)建模效果的影响,得到SNV为建模最优预处理方法。使用回归系数法(Regression Coefficient,RC)和连续投影算法(Successive Projection Algorithm,SPA)选择经预处理后光谱的特征波长,并分别建立极限学习机(Extreme learning machine,ELM)和最小二乘支持向量机(Last Squares Support Vector Machine,LSSVM)的判别分析模型。结果表明,光谱经SNV预处理后,应用SPA提取特征波长并建立LS-SVM判别分析模型为金银花和山银花最优判别模型,其建模集与预测集识别率均达到了100.00%。因此,利用高光谱成像技术能够无损、有效地鉴别金银花与山银花,并且在全光谱和特征波长下均能实现金银花与山银花的快速判别分析。     

基于可见/近红外高光谱成像技术的牛肉品种鉴别

利用可见/近红外高光谱成像技术实现荷斯坦奶牛、秦川牛、西门塔尔牛三个品种牛肉的快速无损鉴别。首先,对原始光谱进行预处理并对样本集进行划分;应用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)对预处理后的光谱数据提取特征波长;结合偏最小二乘判别模型(PLS-DA)、K最近邻(KNN)模型及支持向量机(SVM)模型进行全波段及特征波段鉴别分析。结果表明,一阶导数(FD)法为最优预处理方法,利用光谱-理化值共生距离法(SPXY)法划分后的样本模型预测性能最好;利用CARS、SPA和UVE分别选出24、17和19个特征波长;基于CARS法提取的特征波长所建的RBF-SVM模型的校正集与预测集正确率分别为100%、98.82%。由此可见,基于高光谱成像技术能够获得较好的牛肉品种鉴别效果。该研究可为牛肉品种的快速无损鉴别提供参考。     

鲜烟叶高光谱特征与颜色分析及其关系研究

  目的  明确各部位不同颜色鲜烟叶的高光谱特征及其与颜色参数的关系,为科学判定烟叶成熟度提供参考。  方法  研究了各部位烟叶颜色参数和高光谱特征的变化规律,对颜色参数和高光谱特征参数进行了相关分析和回归分析,基于高光谱特征参数建立了颜色参数回归模型,并对其进行检验。  结果  随着落黄程度的提高,颜色参数L、b、C呈不断增大的趋势,a值呈先减小后增大的趋势,H°呈不断减小的趋势;高光谱特征参数随烟叶颜色的改变呈现规律性的变化;高光谱特征参数与各颜色参数有显著或极显著相关性,基于高光谱特征参数建立的颜色参数回归模型预测效果较好。  结论  利用高光谱技术对鲜烟叶颜色参数进行分析是可行的。      

基于可见-近红外高光谱技术对鸡种蛋性别鉴定的研究

目的 为实现鸡种蛋胚胎性别的无损检测,提出了基于可见-近红外高光谱检测海兰褐鸡种蛋胚胎性别的方法。方法 通过分析种蛋0~14 d大头部位的400~1000 nm波段下的光谱,建立基于偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）的种蛋性别判别模型,比较不同孵育天数下的模型判别率,优选出最佳的检测天数;通过分析四种不同的预处理算法,选出最佳的鸡种蛋胚胎高光谱预处理方法,最后构建基于全波段和特征波段光谱信息的判别模型,并对结果进行比较。结果 基于PLS-DA和SVM的模型在第9 d的预测集结果达到最高,分别为80%和82.5%。主成分分析（PCA）结果表明,雄雌种蛋光谱信息可以进行区分;变量标准化（SNV）为最佳预处理方法;全波段相对于连续投影算法（SPA）、竞争性自适应重加权算法（CARS）选择特征波长的模型更优,建模集、预测集准确率分别为90%和85%。结论 研究结果表明可见-近红外高光谱技术可以快速、较准确、无损检测海兰褐种蛋胚胎性别,该技术为褐壳种蛋胚胎性别鉴定实现在线检测提供了一定的理论基础。     

高光谱成像技术结合优化算法窖泥总氮含量的预测

窖泥的总氮含量是窖泥质量评价的指标之一,其常规检测方法周期长且具有破坏性。为实现窖泥总氮含量的快速无损检测,提出了高光谱成像技术（HSI）结合优化算法的窖泥总氮含量的检测方法。首先,使用不同的预处理方法对可见光（Vis）光谱数据进行处理,并建立偏最小二乘回归（PLSR）模型,通过比较模型性能确定了最佳预处理。其次,综合比较了采用全光谱波长、竞争性自适应重加权采样（CARS）算法、连续投影算法（SPA）和CARS与SPA(CARS-SPA)联用策略方法优选特征波长,并作为PLSR和最小二乘支持向量机（LS-SVM）模型输入变量,研究对各模型性能的影响。最后,基于最优模型实现了窖泥样本的总氮含量可视化,直观反映不同层级的总氮含量差异。结果表明,标准正态变量变换（SNV）方法预处理后建立的PLSR模型预测总氮含量最好;CARS-SPA联用策略方法优选特征波长较其他两种方法好,且其建立的LS-SVM模型的预测性能最佳（预测集决定系数Rp2=0.987 6、预测均方根误差（RMSEP）=0.013 8 g/100 g）。高光谱成像技术结合优化算法可以快速、无损检测窖泥总氮含量,为窖泥中总氮含量检...     

荧光光谱技术结合机器学习算法检测大白菜中吡虫啉含量

目的 基于荧光光谱技术结合机器学习算法实现对大白菜中吡虫啉含量的检测。方法 采集400 nm激发下的130个农残光谱数据, 经过数据预处理、光谱特征筛选,构建基于支持向量机（Support vector machine, SVM）的吡虫啉残留含量预测模型,并利用麻雀搜索算法（Sparrow search algorithm, SSA）对SVM的参数进行寻优。结果 卷积平滑（Savitzky-Golay smooth,S-G）与标准正态变量校正(Standard normal variable, SNV)联用的预处理效果最好; 利用连续投影算法(Successive projections algorithm, SPA)对遗传算法(Genetic algorithm, GA)提取的特征波长进行二次特征降维能获得最优特征波段;SSA寻优后构建的SVM模型精度最佳,测试集决定系数为0.9234, 均方根误差为0.4129。结论 荧光光谱技术可以实现白菜中吡虫啉含量的检测,为蔬菜中农残快速检测提供了新的思路。     

基于可见/近红外光谱技术的红提成熟度判别模

成熟度是水果评价的重要标准,直接影响水果的品质和经济价值。针对红提采摘成熟度评判困难,果肉营养价值参差不齐、产品竞争力低等问题,建立基于可见/近红外光谱技术的红提成熟度判别模型。该研究选取红提生长过程的4个阶段（分别为：未成熟、半成熟、成熟、过熟）的样本并进行光谱信息采集。选择550 nm~1 000 nm的光谱波段建模,分别将经过预处理的光谱用竞争性自适应加权算法（Competitive Adaptive Reweighted Sampling,CARS）、无信息变量消除算法（Uniformative Variable Elimination,UVE）和连续投影算法（Successive Projection Algorithm,SPA）进行特征波长提取,建立支持向量机（Support Vector Machines,SVM）、极限学习机（Extreme Learning Machine,ELM）和偏最小二乘判别分析（Partial Least Squares Discriminant Analysis,PLS-DA）的判别模型,最终建立可见/近红外光谱技术的红提成熟度的最佳判别分类模型。研究结果表明,在Savitzky-Golay（SG）卷积平滑处理算法光谱预处理后运用SPA算法进行特征波段提取建立的ELM模型成熟度判别分类效果最佳,SVM模型次之,PLS-DA模型最差。因此,红提成熟度的最佳判别分类模型为SG-SPA-ELM,该模型的训练集和测试集的准确率分别为97.50%和96.67%。利用可见/近红外光谱技术对红提成熟度进行判别是可行的,该研究为红提成熟度的判别找到了一种新的无损检测方法。     

基于高光谱技术的马铃薯外部品质检测

为了快速无损检测马铃薯外部品质,研究采用高光谱成像技术对马铃薯外部品质分级。选取合格、发芽、绿皮、孔洞4种马铃薯外部特征,获取光谱数据,采用不同预处理方法对光谱数据进行处理,并分别建立偏最小二乘判别模型,结果显示采用标准正态变量变换法(SNV)获得的模型效果最优。对预处理后的光谱数据利用连续投影算法(SPA)及加权权重法(WWM)分别优选出了13个和9个特征波段,对两种不同方法得出的特征波段分别建立了支持向量机判别模型,结果显示两种方法对预测集的判别准确率均达到了100%,WWM-SVM判别模型对校正集的交叉验证率为99.5%,高于SPA-SVM判别模型的交叉验证率。利用高光谱成像技术结合SPA-SVM和WWM-SVM对马铃薯外部品质进行分级具有可行性。     

基于高光谱成像技术无损检测芒果轻微损伤

目的 使用高光谱成像技术实现对芒果轻微损伤的无损识别。方法 在可见光-近红外波长范围内采集完好芒果和损伤芒果的高光谱图像, 并提取相应的感兴趣区域(regions of interest, ROI)获得样本高光谱数据。经过多种预处理方法比较, 选择光谱预处理方法。使用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)分别对预处理后的光谱提取特征波长, 并分别建立了多元线型回归(multiple linear regression, MLR)模型和偏最小二乘回归(partial least squares regression, PLSR)模型。结果 选择多元散射校正(multiplicative scatter correction, MSC)作为光谱预处理方法。针对芒果轻微损伤识别, CARS-MLR模型识别效果最好, 其校正集相关系数为0.881, 预测集相关系数为0.821, 校正集均方根误差(calibration set root mean square error, RMSEC)为0.146, 预测集均方根误差(prediction set root mean square error, RMSEP)为0.236, 准确率为97.14%。结论 利用高光谱成像技术可以实现对芒果表面轻微损伤进行有效鉴别。     

Identifying CPPU-Treated Kiwifruits Using Near-Infrared Hyperspectral Imaging Technology

The application of forchlorfenuron (N-(2-chloro-4-pyridyl)-N′-phenylurea), short form CPPU, on kiwifruits has become an important factor that influences kiwifruit economic efficiency and the health development of kiwifruit industry. This study aims to investigate the feasibility of using hyperspectral imaging technology to identify kiwifruits treated with CPPU (named as treated kiwifruits) from kiwifruits without CPPU treatment (named as untreated kiwifruits), and to investigate which model, developed for a single variety or for two varieties together, has better identification performance. Two hundred and forty “Xixuan” kiwifruits and 240 “Huayou” kiwifruits (120 treated kiwifruits and 120 untreated kiwifruits for each variety) were used to obtain hyperspectral from 865.11 to 1711.71 nm. The samples were divided into calibration set and prediction set based on Kennard–Stone method as the ratio of 3:1. Standard normal variate transformation was used to preprocess obtained spectra. Successive projections algorithm (SPA) was applied to extract the characteristic wavelengths from full spectra (FS). Support vector machine (SVM) and extreme learning machine (ELM) modeling methods were used to establish identification models of treated kiwifruits based on FS, characteristic wavelengths extracted by SPA, and universal wavelengths (UWs) extracted from characteristic wavelengths selected by SPA for “Xixuan,” “Huayou,” and two varieties together, respectively. The results showed that the number of characteristic wavelengths selected by SPA were 18, 18, and 21 for “Xixuan,” “Huayou,” and two varieties together, respectively. Five UWs were found for the three different samples. The best model was SPA-ELM for both “Xixuan” (99.8 % accuracy rate for predication set) and “Huayou” (100.0 % accuracy rate for predication set). Models of SPA-SVM and SPA-ELM, whose accuracy rate reached 100 % for both calibration and predication sets, had the best performance when the two varieties were used together. The performances of models built for two varieties together were better than that for “Xixuan,” but they were worse than that for “Huayou.”.The study indicates that NIR hyperspectral imaging technique can be used as a noninvasive method for identifying CPPU-treated kiwifruits from untreated ones, and it is potential to develop a model based on multi-varieties together.     

基于高光谱成像技术的青花椒产地识别研究

目的 基于高光谱成像技术结合机器学习建立一种青花椒产地的快速识别方法,可实现四川、贵州、云南、重庆等10个青花椒主要产地样品的快速无损鉴别。方法 本研究利用“全平皿法”、“五点平均法”和“中心点法”等3种不同的兴趣区域(region of interest,ROI)提取方式,获得平行光谱数据,分别采用五种预处理方法消除数据噪声提升模型性能,并比较了偏最小二乘判别分析(Partial least square-discriminant analysis,PLS-DA)、随机森林(Random Forests,RF)和支持向量机(Support vector machine,SVM)三种模型的产地识别效果。结果 采用“全平皿法”提取兴趣区域,通过二阶导(Second derivative,D2)预处理后建立的RF模型分类效果最佳,训练集和测试集的准确率均可达到100%。进一步采用连续投影算法(Successive projections algorithm,SPA)选择27个特征波长建模,结果表明多元散射校正(Multiplicative scatter correction,MSC)-RF模型判别效果最优,训练集准确率为98.8%,测试集准确率达到98.3%。结论 本研究建立的方法可实现不同青花椒主要产地样品的快速无损鉴别,为高光谱成像技术在食品和药品领域的推广应用及专属小型化仪器装备系统的开发提供了理论依据。     

基于THz-ATR技术的水稻品种快速无损识别研究

水稻的品质和产量与自身品种密切相关,本研究应用太赫兹衰减全反射式（THz-ATR）技术采集8个品种水稻种子0~359.97 cm-1光谱,并通过光学参数计算得到样本集的折射率谱和吸收谱。采用3点移动窗口平滑预处理和支持向量机分别优化及建立基于折射率和吸收系数的8个水稻品种识别模型,其中基于吸收系数的SVM模型预测准确率98.5 %,基于折射率谱的SVM模型预测准确率89 %;实验结果表明:将THz-ATR技术用于水稻品种识别具有初步可行性,有望为水稻品种快速鉴定提供参考。     

近红外光谱技术结合宽度学习系统识别国外奶粉产地

目的 利用近红外光谱技术对国外奶粉进行产地识别。方法 采集荷兰、新西兰、澳大利亚、德国、法国、英国和爱尔兰7个国家55个奶粉样品的近红外光谱,经过数据预处理、主成分分析降低数据维度和特征筛选,构建基于宽度学习系统（Broad Learning System,BLS）的奶粉产地快速识别模型。结果 采用多元散射校正加Savitzky-Golay滤波的预处理效果最好,与未做预处理相比,准确率提高14.55 %,主成分特征数大于38,识别效果最稳定,实验中还研究BLS主要参数对识别准确率的影响,可以指导参数选择。对荷兰、新西兰、澳大利亚和欧洲其它产地4类产地识别,测试准确率达到100.0 %,对样本做7类产地识别,准确率达到81.18 %。相同条件下,与支持向量机方法对比,4类产地识别,BLS方法准确率比支持向量机方法高9.10 %,7类产地识别,两者准确率相同。结论 本文提出的基于BLS的方法可以较好实现国外奶粉产地识别,为奶粉产地快速识别提供了新思路。     

基于高光谱成像技术的酿酒高粱品种分类

针对不同品种酿酒高粱分类难、分类精度有待提高等问题,提出了一种结合光谱和图像信息的高光谱成像技术从而对酿酒高粱进行分类的方法。通过采集11类共550个高粱样本的高光谱数据,运用连续投影算法从多元散射校正预处理后光谱中筛选出48个特征波长,再提取图像的灰度共生矩阵作为图像特征,利用纹理特征、全光谱、特征光谱及其结合图像特征分别建立支持向量机、偏最小二乘判别和极限学习机分类模型,最后再采集220个未参与建模样本对所建模型进行外部验证。结果表明,基于特征光谱结合纹理特征建立的支持向量机模型效果最佳,训练集和测试集的识别率分别为96%和95.3%,验证集的识别率达到91.8%,高于单一光谱数据建模效果,说明光谱和图像信息结合可以提高酿酒高粱的分类识别率。该方法为高粱品种的高精度分类和不同酿酒原料的快速无损检测提供了可行的方法。