基于近红外高光谱成像技术的宁夏羊肉产地鉴别

使用900~1700 nm高光谱成像系统采集宁夏银川、固原、盐池三个不同产地的绵羊后腿样本的近红外高光谱数据,对光谱采用面积归一化方法预处理,利用SPA、CARS、UVE算法对预处理后的光谱数据提取特征波长分别为17、40、121个;结合PLS-DA及KNN建立特征波段下的判别模型。结果表明KNN判别模型效果较差,3种特征波长中利用CARS提取的特征波长建模效果最佳,代替全光谱建立PLS-DA判别模型是可行的;综合对比模型效果,CARS-PLS-DA为最优模型,校正集正确率90.48%,预测集正确率84.21%。证明利用近红外高光谱成像技术对羊肉产地鉴别是可行的。     

基于高光谱成像技术的小麦籽粒品种鉴别方法研究

为了更精确地鉴别小麦品种,实现小麦品种快速、无损、有效、稳定的鉴别。利用高光谱成像系统采集6个小麦品种籽粒光谱和图像信息,提取小麦籽粒胚、胚乳、胚和胚乳混合部位的光谱,采用不同的预处理方法对原始光谱进行处理,利用竞争性自适应重加权算法(CARS)和连续投影算法(SPA)提取特征波长,基于全波长和特征波长建立线性判别分析(LDA)、支持向量机(SVM)和K最邻近(KNN)模型,筛选出最佳的籽粒部位光谱、预处理方法和特征波长提取方法;在此基础上,分析光谱信息、形态特征及二者结合信息对小麦品种的鉴别效果。结果表明,基于34个特征波长光谱信息结合形态特征建立的LDA模型效果最佳,其训练集和预测集的正确判别率分别为91.3%和86.0%。基于高光谱成像技术进行小麦品种鉴别是可行和有效的。     

高光谱成像技术对灵武长枣果皮强度的无损检测

利用高光谱技术对灵武长枣果皮强度检测进行研究,为灵武长枣外部品质无损检测提供科学方法。采集120个灵武长枣的400~1000 nm的高光谱图像,对光谱数据进行预处理;应用连续投影算法(SPA)、正自适应加权算法(CARS)和无信息变量消除法(UVE)对原始光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)果皮强度预测模型。结果表明:采用标准正态变换(SNV)预处理算法效果最优,其PLSR模型的交叉验证相关系数(Rcv)为0.8207,交叉验证均方根误差(RMSECV)为9.9630;利用SPA、CARS和UVE法从全光谱的125个波长中分别选取出29个、31个和31个特征波长;而基于全光谱建立的LS-SVM模型效果最优,其预测相关系数(Rp)为0.9555,预测均方根误差(RMSEP)为3.8282;研究结果表明基于高光谱成像技术采集的灵武长枣漫反射光谱进行果皮强度无损检测具有可行性。     

基于高光谱成像技术的金银花霉变检测模型

利用高光谱成像技术,研究一种快速、准确、无损检测金银花霉变程度的方法。通过比较Savitzky-Golay(SG)卷积平滑、多元散射校正(MSC)和SG-MSC 3种预处理方法对偏最小二乘算法(PLS)建模效果的影响,得到SG-MSC为建模最优预处理方法。使用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)选择经预处理后光谱的特征波长,并分别建立偏最小二乘判别(PLS-DA)和最小二乘支持向量机(LS-SVM)的判别分析模型。结果表明,光谱经SG-MSC预处理后,应用CARS提取特征波长并建立LS-SVM判别分析模型为金银花不同霉变程度最优判别模型,其训练集与验证集的正确率均达到100%。利用高光谱成像技术能够快速无损、有效地鉴别金银花霉变程度,并且在特征波长下能实现金银花霉变程度的快速判别分析。     

不同月龄乌珠穆沁羊肌纤维类型与肉品质的变化分析

利用可见/近红外高光谱(400 nm～1 000 nm)成像技术实现对荷斯坦奶牛、秦川牛、西门塔尔牛、安格斯牛、力木赞牛5个品种牛肉进行快速无损判别。首先对原始光谱进行预处理,并利用光谱-理化值共生距离法(sample set partitioning based on joint X-Y distance,SPXY)法划分样本集;结合偏最小二乘判别模型(partial least squaresdiscrimination analysis,PLS-DA),K最近邻(K-nearest neighbor,KNN)模型和径向基函数-支持向量机(radial basis function-support vector machine,RBF-SVM)模型进行全波段及特征波段判别分析。结果表明,一阶导数(first derivative,FD)法为最优预处理方法;基于RBF-SVM法所建模型的校正集与预测集准确率分别为100%、99%。可见,基于高光谱成像技术能够获得较好的牛肉品种判别效果。     

灵武长枣蔗糖含量的高光谱无损检测

利用高效液相色谱法检测蔗糖含量,同时运用高光谱成像技术结合化学计量方法建立蔗糖预测模型;通过竞争性自适应加权（competitive adaptive reweighted sampling,CARS）算法、连续投影算法（successive projection algorithm,SPA）和无信息消除变量（uninformative variable elimination,UVE）降维处理,建立特征波段和全波段的主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）和多元线性回归（multivariable linear regression,MLR）模型。结果表明,采用蒙特卡洛方法剔除异常样本后,相关系数由0.611增大到0.846;正交信号校正法预处理效果最佳,RC和RP分别为0.853和0.794;利用SPA、UVE、CARS、CARS＋SPA和CARS＋UVE五种方法提取了5、21、17、10、18 个特征变量,其中CARS-PCR模型最好,校正集、预测集的相关系数为0.861、0.843,校正集、预测集的均方根误差为0.013 mg/g和0.014 mg/g。综上,高光谱成像技术可以实现长枣蔗糖含量的预测,为更深一步探讨枣的内部品质提供参考。     

基于近红外光谱的腌制期咸鸭蛋理化指标无损检测

以高邮麻鸭蛋为研究对象,采集整个腌制期咸鸭蛋近红外光谱数据,对比测定其理化指标值,建立咸鸭蛋关键品质指标（蛋黄含水率、蛋黄氯化钠浓度和咸蛋黄指数）的无损快速检测模型。为尽可能削弱外部其他因素对样本光谱采集过程的影响,使用多元散射校正、归一化等预处理方法,结合竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、连续投影算法（successive projections algorithm,SPA）和非信息变量剔除（uninformative variables elimination,UVE）3种特征选择算法建立偏最小二乘回归模型,并在一次特征波段选取基础上提取二次特征波长,再建立偏最小二乘回归模型。结果表明,蛋黄含水率、蛋黄氯化钠浓度和咸蛋黄指数的最优波长选择方法均是二次特征波段提取法UVE+SPA,发现二次特征波段选择综合表现最优。经对比分析,蛋黄含水率、蛋黄氯化钠浓度、咸蛋黄指数最优模型结构分别是标准化-UVE+SPA-PLSR、卷积平滑-UVE+SPA-PLSR、均值中心化-UVE+SPA-PLSR,训练集相关系数...     

宁夏赤霞珠葡萄水分含量的高光谱无损检测研究

利用可见近红外高光谱成像技术对宁夏赤霞珠葡萄含水量的无损检测进行了初步探讨。通过高光谱成像系统(400~1000 nm)采集了136幅赤霞珠葡萄图像,对原始光谱、平均平滑、高斯滤波、中值滤波、卷积平滑、归一化、多元散射校正、标准正态化、基线校准、去趋势化等预处理的偏最小二乘回归(PLSR)模型进行对比分析;采用主成分分析(PCA)、偏最小二乘回归(PLSR)、连续投影算法(SPA)、竞争性自适应重加权(CARS)方法选择特征波长,建立4种特征波长下的PLSR的葡萄含水量预测模型,优选CARS提取特征波长的方法。在此基础上,对比分析了全波段与特征波长下的MLR、PCR、PLSR的葡萄含水量预测模型。结果表明:采用多元散射校正(MSC)光谱建立的PLSR模型优于原始光谱和其他预处理光谱的PLSR模型;CARS提取特征波长建立的PLSR模型优于多元线性回归(MLR)、主成分回归(PCR)模型,预测集的相关系数(R)和预测均方根误差(RMSEP)分别为0.806、0.144。因此,利用可见近红外高光谱成像技术提取特征波长进行宁夏赤霞珠葡萄含水量的检测是可行的。     

基于高光谱技术的不同霉变程度籼稻快速鉴别

为解决快速、无损鉴别籼稻霉变程度问题。该文利用高光谱技术采集正常、轻度霉变、中度霉变和重度霉变共4类籼稻样本的光谱数据,经不同预处理后,通过连续投影算法(SPA)提取特征波长,采用多元线性回归判别分析(MLR-DA)建立籼稻霉变程度鉴别模型。同时,通过竞争性自适应重加权算法(CARS)筛选特征变量,采用偏最小二乘法回归判别分析(PLS-DA)建立鉴别模型。研究结果表明,SG-SPA-MLRDA和RAW-CARS-PLS-DA模型的验证集相关系数RP均大于0.950。其中,RAW-CARS-PLS-DA模型的预测效果最优,其验证集相关系数RP为0.969,均方根误差RMSEP为0.269,对未知籼稻样本的总体分类准确率为93.33%。该模型对不同霉变程度籼稻具有较强的鉴别能力,故该方法可为快速、无损鉴别籼稻霉变程度提供技术支持。     

盐池滩羊肉脂肪含量的高光谱预测模型构建

本文利用可见-近红外高光谱成像技术预测冷鲜滩羊肉脂肪含量,优选最佳预测模型。测定90个滩羊背最长肌的脂肪含量并采集其光谱图像,对原始光谱进行不同种预处理后,构建了全波段下的偏最小二乘回归(PLSR)和主成分回归(PCR)的光谱预测模型。为减少模型运算次数,在预处理效果最优的全波段模型上采用连续投影算法(SPA)、应用竞争性自适应重加权(CARS)、变量组合集群分析(VCPA)和波长空间迭代收缩(IVISSA)方法提取特征波长,构建脂肪含量的光谱预测模型。结果表明:采用归一化(Normlize)预处理后光谱构建的PLSR全波段模型效果最好,校正集模型相关系数(Rc)达到0.921;采用多元散射校正(MSC)预处理后光谱构建的PCR全波段模型效果最好,其校正集模型相关系数(Rc)达到0.850;在4种提取特征波长过程中,IVISSA算法所提取特征波长的交互验证均方根误差(RMSECV)最低,为0.0072;Normlize-IVISSA-PLSR模型较其他3种算法所构建的PLSR模型效果最优,其校正集相关系数(Rc)和预测集相关系数(Rp)值分别为0.931和0.754,表明利用高光谱技术对盐池滩羊肉脂肪含量进行预测是可行的。研究成果为冷鲜滩羊肉品质在线光谱快速无损检测系统开发提供理论依据。     

鸡蛋新鲜度、pH值及黏度的高光谱检测模型

利用高光谱成像仪采集鸡蛋的高光谱透射图像,并利用游标卡尺、pH计、黏度计测定鸡蛋的新鲜度、酸碱度与黏度,用竞争性自适应重加权（competitive adaptive reweighed sampling,CARS）算法与连续投影算法（successive projections algorithm,SPA）选取特征波长分别建立鸡蛋品质与其高光谱特征的简单多元线性回归（multiple linear regression,MLR）模型,并在CARS提取的特征波长基础上用SPA进行了二次波段提取,建立相应的MLR模型,对比一次波长提取与二次波长提取选择的特征波长建立的模型性能。结果表明,CARS与SPA建立的MLR模型的验证集相关系数均在0.9以上。二次特征波段建立MLR模型的验证集相关系数比一次特征波段提取建立的MLR相关系数高,且均方根误差（root mean square error,RMSE）均有所减小,选取的特征波段比单独使用CARS或SPA选取的波段要少。建立的鸡蛋新鲜度、酸碱度（pH值）、黏度MLR模型的相关系数R分别为0.94、0.95、0.95,RMSE分别为6.36、0.17、149。即CARS、SPA提取特征波长可以优化模型,二次特征波段提取能更进一步的优化模型,提高了模型的稳定性,该模型能完好无损预测鸡蛋品质。     

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。     

基于特征波长提取的激光近红外光谱快速鉴别食用植物油种类

提出了基于CARS、SPA和CARS-SPA特征波长提取的激光近红外光谱技术快速鉴别食用植物油种类的方法。应用光谱仪采集127个食用植物油样本的光谱数据,采用标准正态变量变换算法(SNV)、标准正态变量变换和去趋势技术联用算法(SNV-DT)对其进行预处理,采用CARS、SPA和CARS-SPA 3种方法对经过预处理的光谱数据进行特征波长提取,应用支持向量机分类方法(SVC)建立食用植物油种类定性分类校正模型,选择网格搜索算法对模型参数组合(C,g)进行寻优,确定最优参数组合。结果表明,CARS-SVC、SPA-SVC和CARS-SPA-SVC模型预测集准确率均达到96.77%,预测效果理想,其中SNV-DT-SPA-SVC模型预测效果最优,预测集准确率达到100%。综上基于特征波长提取的激光近红外光谱分析技术能够快速准确鉴别食用植物油种类,为便携式现场检测设备开发提供了理论基础。     

寒地粳稻种子的拉曼光谱鉴别方法研究

针对水稻种子的品种鉴别存在检验周期长、种类少等实际问题,本研究提出一种高效、快捷、准确鉴别水稻种子的方法。以拉曼光谱技术为基础、寒地粳稻种子为研究对象,进行快速、准确鉴别。首先,利用Savitzky-Golay(SG)、一阶导(1-Der)、二阶导(2-Der)、迭代自适应加权惩罚最小二乘(AIRPLS)和均值中心化(MC)预处理方法及其组合对原始光谱进行预处理,研究不同预处理方法及组合的偏最小二乘判别(PLSDA)和支持向量机(SVM)模型判别效果;其次,应用光谱-理化共生距离(SPXY)法对预处理数据进行样本划分;最后,通过连续投影算法(SPA)、逐步回归(SR)和竞争自适应重加权采样法(CARS)对特征波段进行提取,对比分析不同预处理下的特征波段与全波段建模效果和检测时间差异。结果表明：在13种预处理方法中,AIRPLS+1-Der组合预处理效果较好,在PLSDA和SVM模型中测试集准确率均达到95.45%以上;在3种特征提取方法中,基于 CARS 方法的特征波段在两种鉴别模型中准确率达到96.97%,而且模型运行速度较快,这说明基于拉曼光谱技术对寒地粳稻种子进行快速、准确鉴别是可行的。     

基于高光谱的茄子外部缺陷检测

利用高光谱(900～1700nm)对完好、木栓化和烂果茄子进行识别研究。共采摘了252个茄子样本,包含完好茄子170个,木栓化茄子60个和烂果茄子22个,利用高光谱成像系统采集完好、木栓化和烂果3种区域一共252个样本的高光谱图像,然后提取合理的感兴趣区域(ROI)获得样本光谱数据。采用多种预处理方法进行光谱预处理,建立偏最小二乘(partial least squares method,PLS)判别分析模型,结果表明,经normalize预处理后模型的预测效果最好,因此选择normalize作为预处理方法。基于预处理后的光谱数据,采用连续投影法(SPA)、回归系数法(RC)和竞争性自适应重加权算法(CARS)提取特征波长,并分别建立偏最小二乘(PLS)和多元线性回归(MLR)判别模型进行研究。结果表明:CARS-MLR模型对3种类型样本鉴别效果最佳,其校正集决定系数Rc2为0.94,预测集决定系数Rp2为0.90,RMSEC和RMSEP分别为0.19和0.21,预测集判别准确率达到96.82%。本研究采用高光谱可以对完好、木栓化和烂果茄子进行有效鉴别,为茄子的缺陷无损检测提供了理论参考。     

高光谱技术结合CARS-ELM的油桃品种判别研究

基于高光谱技术研究竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)结合极限学习机(Extreme learning machine,ELM)对油桃品种判别的可行性。本文利用高光谱成像技术选取油桃420~1000 nm的高光谱图像数据,经卷积平滑法(Savitzky-Golay smoothing,SG)、附加散射校正算法(Multiplicative Scatter correction,MSC)、基线校正(Baseline)、变量标准化算法(Standard Normalized Varite,SNV)等预处理方法处理原始数据,通过PLSR模型确定Baseline为最佳预处理方法。采用主成分分析法(Principal Component Analysis,PCA)、连续投影算法(Successive Projections Algorithm,SPA)与竞争性自适应重加权算法等提取的特征波长,建立偏最小二乘(Partial Least Square,PLS)和极限学习机鉴别模型进行比较研究。结果显示:基于CARS算法提取的特征波长构建的CARS-ELM和CARS-PLS模型性能最优。CARS-PLS预测集相关系数(RP)和均方根误差(RMSEP)分别为0.942和0.205;CARS-ELM的RP和RMSEP分别为0.931和0.119。说明CARS是一种有效的提取特征波长的方法,且ELM与PLS对模型的预测能力相当,可见利用高光谱图像技术结合CARS-ELM对油桃的品种判别是可行的。     

紫外/可见光谱技术无损检测李子可溶性固形物含量

利用光谱技术结合化学计量学对李子可溶性固形物含量检测进行研究,为李子品质无损检测提供科学方法。通过反射式光谱采集系统获取了"红"李子和"青"李子的平均光谱,并对原始光谱数据进行预处理;应用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对预处理后的光谱数据提取特征波长;分别建立基于全光谱和特征波长的预测李子可溶性固形物含量的误差反向传播(BP)网络模型。结果表明:利用SPA和CARS算法分别从全光谱的1024个波长中选取出31和104个特征波长;而基于特征波长建立的CARS-BP网络模型效果最优,其相关系数r_c为0.998,r_p为0.887,均方根误差RMSEC为0.026,RMSEP为1.767。这表明光谱技术结合化学计量学进行李子可溶性固形物含量的无损检测具有可行性。     

基于近红外光谱技术检测苹果气调贮藏期可溶性固形物含量

目的 基于近红外光谱技术结合偏最小二乘（Partial least square, PLS）法和最小二乘支持向量机回归（Least square-support vector regression, LS-SVR）法建立苹果气调贮藏期可溶性固形物（Soluble solids contents, SSC）含量预测模型。方法 在分析了气调贮藏期苹果细胞结构和SSC变化的基础上,采集了可见-近红外（Visible-near infrared, Vis-NIR）波段和长波近红外（Long wave near infrared, LWIR）波段下不同贮藏时间的苹果漫反射光谱信息,利用主成分分析方法（Principal component analysis,PCA）分析不同贮藏期苹果光谱信息分布特征,使用Kennard-Stone（K-S）算法以3:1比例对样本集进行划分,使用多元散射校正（Multiplicative scatter correction, MSC）和SG（Savitzky-Golay）平滑对光谱进行预处理,利用连续投影算法（Successive projections algorithm, SPA）和竞争自适应重加权采样（Competitive adaptive reweighted sampling, CARS）法对光谱进行特征波长提取,并建立SSC预测模型。结果 在LWIR波段下,经MSC预处理和CARS提取特征波长后建立的PLS模型取得了较好的预测精度,模型相关系数为0.900,均方根误差为0.478;经MSC、SG平滑预处理和CARS提取特征波长后建立的LS-SVR模型取得了更好的预测精度,模型相关系数为0.927,均方根误差为0.507。结论 构建的基于可见/近红外光谱无损预测模型可实现对气调贮藏期苹果SSC的准确预测,为高效贮藏技术提供了理论基础。     

基于可见/近红外高光谱成像技术的鸡蛋新鲜度无损检测

以400~1 000nm高光谱系统获得鸡蛋样本的高光谱图像,利用蒙特卡洛法检测异常样本,采用不同预处理方法处理原始光谱;应用竞争性正自适应加权算法(Competitive Adaptive Reweighted Sampling,CARS)、遗传偏最小二乘法(Genetic Algorithms PLS,GAPLS)和间隔蛙跳法(Interval Random Frog,IRF)对预处理后光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘回归(Partial Least Squares Regression,PLSR)和最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)鸡蛋新鲜度预测模型。结果表明:标准正态变量变换(Standardized Normal Variate,SNV)法为最优预处理方法;利用CARS、GAPLS和IRF分别选出8,35,74个特征波长;基于GAPLS提取的特征波长的LS-SVM模型最优,其校正相关系数(Rc)为0.899,预测相关系数(Rp)为0.832。表明基于高光谱成像技术的鸡蛋新鲜度无损检测是可行的。