柳河大米产地环境及其矿物元素分布特征的典范对应分析

为筛选稳定可靠的柳河大米产地确证元素,通过2 次典范对应分析研究影响吉林省柳河大米采样点分布的环境因子,分析大米产地确证元素在区域尺度内的影响关系及其稳定性。典范对应分析结果表明,2 个环境梯度轴分别解释大米矿物元素含量总方差的17.3%和23.4%,柳河大米矿物元素含量和环境变量之间存在较强的空间相关性,受产地环境变量影响最大的为Se元素,Ca、Zn、Mg含量受其影响最小,Mg、Ca、Na、Mn、Zn具有较好的稳定性和空间代表性,可作为柳河大米产地确证的指标元素。研究结果为建立柳河大米确证模型提供有效的理论依据。     

基于高光谱成像的大米中蛋白质含量的可视化研究

为了研究大米蛋白质含量在品种和产地之间的差异,将采集的大米按照品种、产地进行分类。将提取的感兴趣区域光谱信息与化学方法测定的蛋白质含量相结合,建立全波长预测模型,通过对比确定最优的模型为偏最小二乘回归(partial least-squares regression,PLSR)。连续投影算法(successive projection algorithm,SPA)筛选特征波段,建立PLSR的特征波长模型,其性能与全波长模型相当。提取特征波长下的高光谱图像,将提取的特征图像上的所有像素点的光谱数据导入已建好的SPA-PLSR模型,预测各像素点的蛋白质含量,并把高光谱灰度图像进行伪彩色处理,得到不同品种产地大米的蛋白质含量分布图。结果表明,利用高光谱成像技术对大米中蛋白质含量分布进行可视化研究具有可行性,为后期筛分大米的产地和品种提供依据。     

近红外光谱技术快速鉴别查哈阳大米

查哈阳大米为黑龙江特色品牌大米,为保护查哈阳大米品牌,实现查哈阳大米原产地快速真伪鉴别。通过构建不同地域和品种水稻试验田,收获期内对试验田大米的近红外光谱进行全波长扫描,筛选与产地相关特征波段。在特征波段处对来自查哈阳地区及非查哈阳地区的233份大米进行定性分析及定量分析。结果表明,与产地因素主要相关的波长为5 136~5 501 cm~(-1),利用此波段采用因子化法建立定性分析模型对查哈阳大米正确鉴别率为100%,采用偏最小二乘法建立的定量分析模型对查哈阳大米正确判别率为95.83%。     

基于近红外光谱技术对多年际建三江、五常大米产地溯源

研究多年际地理标志大米产地溯源判别技术,保护地理标志大米的品牌效益。利用近红外漫反射光谱技术对试验田样品进行与产地有关的特征波段筛选,并在其范围内对2013—2015年来自建三江地区及五常地区的291?份大米样品进行产地溯源研究。结果表明,试验田样品在波段为5?136～5?501?cm－1范围内产地因素差异显著。在此范围内利用因子化法建立的定性分析模型及聚类分析模型对建三江大米及五常大米的正确判别率均高于97.00%。利用偏最小二乘法建立的定量分析模对两地区大米的正确判别率分别为95.83%、94.00%。因此,应用该技术对多年份大米的产地溯源进行判别具有一定的可行性。     

基于AlexNet卷积神经网络的大米产地高光谱快速判别

采集我国东北和非东北10个产地、4个品种共计1000份单粒大米样本在波长950～1700 nm区间的高光谱图像,按照单粒大米轮廓提取感兴趣区域并计算平均光谱,采用主成分分析从样本集光谱矩阵提取累计贡献率大于99％的第一、二主成分,根据载荷矩阵系数最大值筛选与第一、二主成分相关性最强的特征波长1396.67 nm和146...     

基于Fisher判别法对黑龙江大米产地溯源

为了探索大米产地鉴别可行性,维护市场秩序和消费者的合法权益,该研究采用Fisher判别法(Fisher discriminant method,费希尔判别法)进行建模并结合近红外光谱技术,对2015年黑龙江5个水稻主产区(五常、佳木斯、齐齐哈尔、双鸭山、牡丹江)的118份大米粉末样品进行近红外光谱的扫描,光谱预处理方法为9点二阶求导结合5点平滑,建模波长为全波长。对模型采用留一交叉验证和预测样本集进行验证,5个地域的验证结果分别为94.4%、94.4%、91.7%、91.7%、94.4%和87.5%、87.5%、87.5%、100%、100%。预测结果达到80%以上,初步认定近红外光谱指纹分析技术可用于黑龙江大米产地溯源。     

基于机器学习方法的吉林大米产地确证模型研究

吉林地理标志大米因其品质优,口感好,营养价值高,在市场上享有较高的声誉,研究地理标志大米产地确证技术具有重要意义。以吉林省柳河县和辉南县为研究区域,分别采集柳河地理标志大米样本62个,辉南地理标志大米样本58个,共120个样本。通过检测大米样本中矿物质元素[铜(Cu)、锌(Zn)、铁(Fe)、锰(Mn)、钾(K)、钙(Ca)、钠(Na)、镁(Mg)、铅(Pb)、镉(Cd)],利用反向传播人工神经网络(BackPropagation Artificial Neural Network,BP-ANN)、随机森林(Random Forest,RF)和支持向量机(Support Vector Machines,SVM)三种机器学习方法建立确证模型,并通过F评分(F-score)方法对矿物质元素进行特征提取,采用10次10折交叉验证和混淆矩阵对研究区域建立的产地确证模型进行评估比较。结果表明:单个Cu元素可作为代表该地区空间特征的典型变量。三种机器学习方法建立的产地确证模型均达到了良好的预测性能,其中BP-ANN方法使用Cu元素和Zn元素建立的分类模型准确率为99. 7%; SVM方法使用Cu元素、Zn元素和Pb元素建立的分类模型准确率为100%; RF方法使用Cu、Zn、Pb、Ca、Cd、K 6种元素建立的分类准确率为100%。RF模型和SVM模型整体分类效果优于BP-ANN模型,模型更稳定,更适合建立研究区域的产地确证模型。     

基于PLS-DA判别法对黑龙江大米产地溯源的研究

为了开发更方便、准确、快速的大米产地溯源方法,更好地维护市场秩序,保护消费者的合法权益,研究运用近红外光谱技术并结合PLS-DA法(Partial least squares discriminant analysis,偏最小二乘判别分析)进行建模,对2012年黑龙江5个水稻主产区(五常、佳木斯、齐齐哈尔、双鸭山和牡丹江)的118份大米粉末样品进行近红外光谱的扫描,确定光谱预处理方法为9点二阶求导结合7点平滑,建模波长为全波长。主成分分析提取3个有效主成分。用预测样本集进行模型的验证,5个地域的预测正确率分别为87.5%,87.5%,100%,100%和100%。初步认定可用于2012年黑龙江大米产地溯源模型的建立。     

大米理化指标指纹在产地溯源的探究

为了比较不同地域来源大米理化指标含量差异,分析各理化指标对大米产地的判别效果,探讨理化指标指纹分析技术对大米产地鉴别的可行性。通过对来自查哈阳、建三江和五常3个产区89份大米样品的蛋白质、直链淀粉、脂肪和灰分的含量进行测定,对数据进行单因素方差分析、多重比较分析和判别分析。结果表明:不同产地大米的理化指标有显著差异。建三江大米样品的蛋白质含量最高,直链淀粉和脂肪含量最低;五常大米样品的脂肪含量最高,蛋白质和灰分含量最低;查哈阳大米样品的各指标含量均处于中间状态。进一步利用蛋白质、直链淀粉、脂肪和灰分的含量对大米产地进行判别分析,交叉检验正确判别率为95.5%,说明不同地域来源的大米有其独特的品质特征,理化指标指纹分析是鉴别大米产地的一种潜在技术。     

基于高光谱成像技术的大米溯源研究

利用高光谱成像技术提取大米的光谱信息进行大米产地溯源研究。采用X-Y距离样本集算法（SPXY）进行训练集和测试集的划分,将1 000颗大米样本中800个为训练集,剩下200个为测试集。并采用主成分分析（PCA）法提取相关性较强的主成分光谱信息,进行数据降维。基于主成分分析法提取前4个主成分,并在贡献率最高的第4主成分基础上,结合支持向量机算法（SVM）建立大米产地溯源预测模型。研究得出训练集准确率可达96%,测试集平均准确率为79%。通过训练集和测试集的实验结果表明,高光谱成像技术可以对大米产地进行溯源,为大米产地快速、无损检测提供了一定思路和参考。     

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。     

基于高光谱信息特征选择的玉米霉变程度Fisher鉴别方法

为了提高高光谱鉴别玉米霉变程度的正确率,分别对全波长和特征波长下霉变玉米进行鉴别分析。利用高光谱图像采集系统获得250个霉变玉米样本的高光谱数据,并用标准正态变量变换(standard normal variate,SNV)和多元散射校正(Multiplicative scatter correction,MSC)2种方法对原始数据进行预处理,再对未预处理和预处理后的原始数据进行判别,优选出多元散射校正的预处理方法;运用偏最小二乘回归系数选择了9个特征波长;运用Fisher判别分析(Fisher discriminant analysis,FDA)分别对全波长和特征波长下的训练集进行判别分析,并用对应的测试集进行检验。FDA结果表明,全波长下判别模型的训练集和测试集的准确率分别为97.71%,97.33%,9个特征波长下训练集和测试集的准确率分别为100.00%,98.67%。研究结果表明,利用特征光谱能够较好地表征玉米的霉变程度,有利于提高玉米霉变程度的鉴别正确率。     

Classification of Black Beans Using Visible and Near Infrared Hyperspectral Imaging

A rapid and non-destructive method based on the visible and near infrared hyperspectral imaging technique in the wavelength range of 390–1050 nm was investigated for discriminating the varieties of black beans. In total, 300 samples of three varieties were scanned by the visible and near infrared hyperspectral imaging system, and hyperspectral data were analyzed by spectral and image processing technique respectively. A successive projection algorithm was used to obtain 13 characteristic wavelengths (504, 507, 512, 516, 522, 529, 692, 733, 766, 815, 933, 998, and 1000 nm) for spectral analysis. After the processing of successive projection algorithm, optimal image selection was carried out by principal component analysis based on the characteristic wavelengths. The first principal component image was used for the image analysis, whose contribution rate was over 98.34%. Gray level co-occurrence matrix analysis from first principal component image was applied to extract image features including 16 textural features and six morphological features. In this study, partial least squares-discriminate analysis, support vector machine, and K-nearest neighbors were used for model establishments, respectively, based on spectral feature, image feature, and the combination of spectral and image features. The results show that the best correct discrimination rate of 98.33% was achieved by applying combined spectral and image features. The study demonstrated that visible and near infrared hyperspectral imaging technique was potential for rapid classification of black beans, and the performance of the classification model can be improved by the feature combination.     

近红外光谱法对松原不同品种大米的确证探究

该文提出一种对松原不同品种大米进行判别的方法,对来自松原的稻花香、小高粱、通系926、吉粳515、农大521,5个品种共368个大米样品,利用波数范围为12000 cm^-1~4000 cm^-1的傅里叶近红外光谱仪获取光谱数据并对数据进行6种方法的预处理。结果表明,一阶导数结合SG9点平滑为最佳预处理方法,并用偏最小二乘判别(partial least squares discrimination analysis,PLS-DA)方法对校正样本建立判别分析模型,用验证集对模型进行验证,模型对验证集中稻花香、小高粱、通系926、吉粳515、农大521共5个品种的识别率均为100%;且优于主成分分析的结果。用来自柳河和梅河的稻花香样本与松原的稻花香样本进行产地判别,结果显示,此模型可以将松原样本与非松原样本进行判别。     

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。     

Near-infrared hyperspectral imaging for grading and classification of pork

In this study, a hyperspectral imaging technique was developed to achieve fast, accurate, and objective determination of pork quality grades. Hyperspectral images were acquired in the near-infrared (NIR) range from 900 to 1700 nm for 75 pork cuts of longissimus dorsi muscle from three quality grades (PSE, RFN and DFD). Spectral information was extracted from each sample and six significant wavelengths that explain most of the variation among pork classes were identified from 2nd derivative spectra. There were obvious reflectance differences among the three quality grades mainly at wavelengths 960, 1074, 1124, 1147, 1207 and 1341 nm. Principal component analysis (PCA) was carried out using these particular wavelengths and the results indicated that pork classes could be precisely discriminated with overall accuracy of 96%. Algorithm was developed to produce classification maps of the tested samples based on score images resulting from PCA and the results were compared with the ordinary classification method. Investigation of the misclassified samples was performed and showed that hyperspectral based classification can aid in class determination by showing spatial location of classes within the samples.     

基于高光谱图像的玉米种子产地与年份鉴别

提出了一种利用高光谱图像技术对玉米种子产地和年份的鉴别方法。首先采用高光谱成像系统采集不同产地和年份的玉米种子高光谱图像,利用主动轮廓模型对玉米种子高光谱图像进行轮廓提取,得到每粒玉米在400~1 000 nm共233个波段范围内的4个光谱特征,利用不同的特征及预处理方式结合偏最小二乘判别分析建立玉米种子的产地和年份鉴别模型。结果显示,利用最佳特征及预处理方式建立的玉米种子产地和年份鉴别模型中,训练集和测试集精度分别为99.11%和98.39%。研究结果表明,利用高光谱图像技术对玉米种子的产地和年份进行无损鉴别是可行的。     

Quality classification of cooked, sliced turkey hams using NIR hyperspectral imaging system

This study was carried out to develop a hyperspectral imaging system in the near infrared (NIR) region (900-1700 nm) to assess the quality of cooked turkey hams of different ingredients and processing parameters. Hyperspectral images were acquired for ham slices originated from each quality grade and then their spectral data were extracted. Spectral data were analyzed using principal component analysis (PCA) to reduce the high dimensionality of the data and for selecting some important wavelengths. Out of 241 wavelengths, only eight wavelengths (980, 1061, 1141, 1174, 1215, 1325, 1436 and 1641 nm) were selected as the optimum wavelengths for the classification and characterization of turkey hams. The data analysis showed that it is possible to separate different quality turkey hams with few numbers of wavelengths on the basis of their chemical composition. The results revealed the potentiality of NIR hyperspectral imaging as an objective and non-destructive method for the authentication and classification of cooked turkey ham slices.     

基于信息熵的枸杞分级高光谱图像特征波长选择方法

为获得适合枸杞分级的最佳高光谱特征波长图像,实验提出一种基于信息熵的高光谱图像特征波长选择方法。通过计算在不同波长条件下每一个枸杞样本的自信息,得到每一类枸杞高光谱图像的平均自信息;通过计算对应任意2?个不同类别的枸杞样本的互信息,得到任意2?类枸杞高光谱图像的平均互信息。最终获得枸杞高光谱图像在某一波长条件下的平均互信息与各自平均自信息和的比值,定义为A。A值可以作为枸杞分级高光谱图像特征波长选择的量化指标。结果显示,枸杞分级的最优波长为950?nm。最后,提取特定波长条件下所有枸杞图像的纹理特征,并采用Fisher判别分析对6?类枸杞进行分类验证。基于信息熵的枸杞分级高光谱图像特征波长选择方法是可行的。