基于高光谱成像的羊肉掺假可视化无损定量检测

目的：快速、准确检测羊肉掺假。方法：利用可见—近红外(400~1 000 nm)和短波近红外(900~1 700 nm)高光谱成像仪对羊肉中掺假不同比例的鸭肉进行数据采集,比较两个波段范围内不同光谱预处理方法的偏最小二乘法(PLS)建模效果,最终在可见—近红外波段选择归一化预处理方法,在短波近红外波段选择标准正态变量变换(SNV)预处理方法。分别对两个波段的光谱数据进行最优的预处理后,采用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)、区间随机蛙跳算法(iRF)和组合区间偏最小二乘法(SiPLS)对特征波长进行选取。结果：在短波近红外(900~1 700 nm)波段采用SNV-SPA-PLS模型的羊肉掺假预测效果最好,预测集决定系数为0.968 4,预测标准偏差为0.058 2,预测集相对分析误差为5.625 4,并得到较好的图像反演结果。结论：利用不同波段的高光谱成像技术可实现对羊肉掺假的快速无损定量检测。     

基于神经网络的塑料打包带高光谱模式识别

目的 建立一种快速、准确、无损的塑料打包带的检验及分类方法。方法 利用高光谱在波长为350～990 nm的条件下采集52个不同来源的塑料打包带样品的高光谱数据,并对样品进行Savitzky-Golay平滑处理,同时结合主成分分析对样品进行降维。将提取到的主成分进行K-Means聚类,以聚类结果为依据建立径向基函数神经网络（RBFNN）与BP神经网络模型（BPNN）。结果 打包带样品的高光谱谱图在400～500 nm、600～700 nm处有较大区别。实验共提取了5个初始特征值大于1的主成分,可以解释96.633%的原始数据。通过K-means聚类将塑料打包带样品分为6类,Calinski-Harabasz指数为28.76,RBFNN分类准确率为86.7%;BPNN分类准确率为98.1%,BPNN的分类效果更好。结论 研究表明神经网络在高光谱谱图分类处理上具有较高的准确度,同时也验证了高光谱在区分检验塑料打包带类物证的可行性与科学性,为公安机关提供了一种新的检验方法。     

基于无人机高光谱成像技术的河湖水质参数反演

以云南星云湖和深圳茅洲河为例,利用无人机高光谱成像仪获取研究区高光谱影像的同时对地面水质参数进行采样,构建水质参数的最佳双波段监测模型。结果表明：叶绿素a的模型精度最高（R2=0.99,RPD=7.55）,其次是悬浮物（R2=0.95,RPD=4.86）,总氮（R2=0.88,RPD=2.04）和总磷（R2=0.86,RPD=1.93）,最低是浊度（R2=0.60,RPD=1.65）。无人机高光谱成像技术为城市河流、湖泊的水质监测提供了全新的数据来源和技术手段,同时也为湖泊、河流的水环境保护及治理提供了依据。