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。     

小麦霉菌污染支持向量机判别模型的建立

为建立一种快速判别小麦霉菌污染的方法,该研究采用近红外光谱技术结合化学计量学方法,以126份小麦样品为研究对象,通过剔除异常样品、光谱降维和预处理,采用支持向量机分类（support vector machine classification,SVM）方法建立判别模型。结果表明：运用基于马氏距离的主成分分析方法剔除异常样品5个,将原始光谱数据进行降维处理得到8个主成分,能够代表原始样本的98.80%。输入变量的最佳预处理方式为标准正态变量变换,最佳核函数为linear,核函数参数C值为10,SVM判别模型的训练集判别正确率为100%,交叉验证判别正确率为98.89%。用未参与建立判别模型的外部验证集样品对SVM判别模型进行验证,结果表明：SVM判别模型对外部验证集样品的判别正确率为100%。该研究所建立的SVM判别模型可以用于小麦霉菌污染的快速检测。     

基于高光谱技术的黑果腺肋花楸成熟度判别及多酚含量检测模型构建

为了无损检测黑果腺肋花楸（Aronia melanocarpa，简称黑果）果实成熟度和多酚含量，本研究构建了基于高光谱成像技术的黑果成熟度判别模型以及多酚含量检测模型。采用高光谱成像技术采集不同成熟度的富康源1号黑果图像信息，福林酚法测定其多酚含量。通过蒙特卡洛法剔除异常值；滑动平均、中值滤波、归一化、基线校准、多元散射校正、消除趋势和标准正态变量变换对原始图像信息进行预处理；光谱-理化值共生距法进行样本划分；竞争性自适应重加权算法和无信息变量消除法提取特征波长，分别建立偏最小二乘模型（PLS）和支持向量机（SVM）模型并进行比较。结果表明，本研究建立的判别模型中效果最好的模型为经多元散射校正预处理后的UVE-SVM模型，综合识别率94.62%,Rc2=0.9712，根据该模型判别的准确度为100%。多酚含量检测效果最好的模型为中值滤波预处理后的CARSSVM模型，Rc2=0.8331。此外，本研究还证明了黑果多酚含量的可视化是可行的。本研究为高光谱成像技术在浆果领域的应用提供了理论基础。     

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。     

基于FT-NIR光谱技术结合KPCA-MD-SVM对白酒基酒的快速判别

为保证在摘酒过程中基酒分段的准确,研究通过利用傅里叶变换近红外设备对整个摘酒过程中的基酒样品进行光谱采集,使用支持向量机（SVM）对最优预处理的基酒光谱建立基酒分段模型,其模型训练集的正确率为93.02%,测试集判别率为90.08%。为减少建模时间和提高模型的可靠性,使用核主成分分析（KPCA）对基酒光谱数据降维,并对此建立基酒分段模型。其训练集正确率为94.81%,测试集判别率为90.75%,相比无KPCA分析时的分段模型训练集高1.79%,测试集高0.67%。为进一步提高模型的判别能力,使用马氏距离（MD）剔除了降维后的异常数据样品,创建的基酒分段模型训练集对基酒段数的正确率为98.72%,测试集正确率为98.75%。剔除异常样品后的分段模型的训练集正确率提高了3.91%,测试集判别率提高了8%。以上研究表明了KPCA+MD+ SVM基酒分段模型能对基酒进行快速判别,为近红外光谱在自动化摘酒方面提供了一种理论可能。     

不同成熟度茄衣烟叶高光谱特征分析及分类模型构建

为掌握不同成熟度茄衣烟叶的高光谱特征，本研究利用便携式高光谱相机采集3种成熟度[尚熟（SS）、成熟（CS）以及完熟（WS）]茄衣烟叶的高光谱图像并提取光谱数据，通过多元统计分析研究了不同成熟度茄衣烟叶高光谱特征，并构建了支持向量机（SVM）模型用于茄衣烟叶成熟度的分类判别。茄衣烟叶高光谱在400～680 nm、730～1000 nm各自区域内以及400～430 nm与730～1000 nm两个区域之间具有很强的正相关性，在460～730 nm与760～940 nm之间相关性较弱；3个特征值大于1的主成分（PC1～PC3）几乎包含了所有的光谱信息；主成分方差分析结果表明，不同成熟度茄衣烟叶的高光谱反射特征在可见光、红边以及近红外区域均存在统计学差异；SVM对3种成熟度茄衣烟叶的分类准确率达到98%以上，对CS茄衣烟叶的精确率、召回率和F1分数均为100%，对SS和WS茄衣烟叶均达到94%以上。茄衣烟叶高光谱存在多重共线性，具有很好的降维效果，不同成熟度茄衣烟叶的光谱反射特征差异明显，SVM在茄衣烟叶成熟度分类判别方面表现优异，可辅助用于茄衣烟叶适熟采收。     

基于高光谱图像技术的油桃早期冷害无损检测

研究了应用高光谱图像技术检测"秦光2"号油桃早期冷害的方法。首先通过分析桃果实采后贮存期出汁率变化,确定冷害发生的初始时间。构建反射高光谱采集系统,获取初始发生冷害果及未冷害果在400~1000nm波段的高光谱图像,选择感兴趣区域(ROI)进行分析后,得到冷害发生后桃果实的高光谱特性。进而分别对发生冷害及未冷害桃果实的高光谱反射图像,应用独立主成分分析方法(ICA)降维后优选出特征波长,分别为:冷害果为672nm,未冷害果为656、678、700nm。通过提取以上4个波长下的反射光谱平均值作为Fisher判别方法建模的特征集,对油桃早期冷害判别正确率为98.9%。结果表明,高光谱技术可以检测桃果实早期冷害。     

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LDA_SVM的小麦质地检测方法研究

研究基于透射光图像的小麦质地检测方法,使用工业相机采集14种小麦种子的透射光图像,通过图像处理技术获取整粒小麦、胚乳和种胚代表性区域,并提取对应区域的颜色特征数据。分别运用PCA和LDA进行数据降维,并将降维前后的数据与支持向量机(SVM)、K近邻算法(KNN)和决策树模型(DT)3种分类器相结合建立分类模型,对不同品种小麦质地进行分类识别研究。结果表明：利用图像处理技术提取透射光全部特征,建立的LDA＿SVM模型分类正确率可以达到97%以上,证明透射光图像下通过机器学习对不同质地小麦快速分类鉴别是可行的。     

基于决策融合的苹果分级检测关键技术研究

提出了一种判别树和改进支持向量机决策融合的苹果分级方法。采用判别树分类方法根据果径、缺陷区域、色泽等进行分类,采用粒子群对支持向量机分类模型进行优化,根据果形、纹理和成熟度等高维特征进行分类,使用核主成分分析法降低维度,并引入决策融合的概念,结合单一特征对样本等级进行综合评估。结果表明,该方法是切实可行的,其分类准确性为98%以上,可用于苹果的有效分级。     

Identification of Lycium barbarum varieties based on hyperspectral imaging technique and competitive adaptive reweighted sampling-whale optimization algorithm-support vector machine

In order to distinguish different varieties of Lycium barbarum effectively, a fast nondestructive detection method based on hyperspectral imaging technology was proposed. Six varieties of L. barbarum were selected as the research objects to obtain hyperspectral images. With the whole L. barbarum taken as the object, the region of interest was obtained by threshold segmentation, and the average spectra value of the image points of a single L. barbarum was extracted as the spectral data of the sample. Initially, standard normalized variate was used to preprocess the original spectral data. Furthermore, compared with other methods, competitive adaptive reweighted sampling (CARS) was chosen to extract the characteristic wavelengths. Additionally, the model of support vector machine (SVM) was set. The results showed that the SVM model based on CARS had the best classification effect. The training set accuracy was 100%, and the prediction set accuracy was 85%. Finally, in order to improve the classification accuracy, the whale optimization algorithm (WOA) was introduced. The accuracy of training set and prediction set obtained by WOA-SVM model were 89.44 and 88.33% respectively. Therefore, it was feasible to use hyperspectral imaging technology combined with CARS-WOA-SVM model to identify different varieties of L. barbarum.     

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。     

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祁门红茶等级无损检测

为实现快速无损的茶叶产品等级评估,应用近红外（900~1700 nm）高光谱成像技术对6个等级的祁门红茶进行分类。首先利用线性和非线性降维方法对高光谱数据进行可视化处理,可视化算法包括线性方法的主成分分析（Principal Component Analysis,PCA）、多维尺度变换（Multi-Dimensional Scaling,MDS）,和非线性方法的t分布随机邻域嵌入（t-Distributed Stochastic Neighbour Embedding,t-SNE）、Sammon非线性映射。其次利用支持向量机（Support Vector Machine,SVM）和极限学习机（Extreme Learning Machine,ELM）建立分类模型来鉴定祁门红茶的不同等级。最后利用SVM和ELM分类模型对高光谱图像每个像素点进行识别,得到预测图。结果表明,t-SNE可以将6个等级的祁门红茶分在六个不同的簇,SVM和ELM的预测集准确率分别为100%和96.35%。t-SNE可视化效果最佳,SVM的检测模型能够有效地对祁门红茶六个等级进行识别。本文为茶叶产品等级的快速、无损检测提供了一种有效的方法,对茶叶产品的质量控制、真伪检测和掺假检测具有重要意义。     

融合光谱与纹理特征的龙井茶等级无损识别

龙井茶等级快速无损识别具有重要意义。本研究以六个等级龙井茶为实验对象,应用高光谱成像技术,分别建立基于光谱特征、纹理特征及融合特征的支持向量机(Support Vector Machine,SVM)识别模型。首先采用标准正态变量变换(Standard Normal Variate,SNV)对光谱进行归一化处理,提取光谱特征,建立SVM光谱模型;然后通过T分布和随机近邻嵌入(T-Distributed Stochastic Neighbour Embedding,T-SNE)算法将高维高光谱数据映射到低维空间,选取特征图像。应用灰度共生矩阵(Gray-Level Co-Occurrence Matrix,GLCM),提取纹理特征,建立SVM图像模型;最后将光谱特征和纹理特征进行数据级融合,建立SVM混合模型。数据显示,光谱模型预测集识别率为91.11%,图像模型预测集识别率为75.42%,混合模型预测集识别率为95.14%。结果表明,与仅使用光谱或纹理信息建模相比,结合光谱和纹理特征可以提高模型识别的准确率。为进一步提高混合模型精度,引入人工蜂群(Artificial Bee Colony,ABC)算法,迭代优化SVM模型的惩罚因子C和核函数宽度g,得到最优模型,预测集准确率可达98.61%。本研究为改进龙井茶叶快速无损评估技术提供了一种可靠的方法。     

Identification of <Emphasis Type="Italic">Staphylococcus</Emphasis> species with hyperspectral microscope imaging and classification algorithms

Hyperspectral microscope imaging method was presented as a rapid and efficient tool to classify gram-positive bacteria species. The datacube (1024 × 1024 × 89) were obtained by hyperspectral microscope imaging system, which provided cell images between 450 and 800 nm wavelengths with 4-nm resolution, resulting in 89 contiguous spectral images that were acquired with an acousto-optic tunable filters (AOTF) hyperspectral imaging platform. Spectral information of bacteria were extracted from region-of-interest (ROI) in the cell, which were approximately between 140 and 380 pixels depending on the size of the cells. Using a Mahalanobis distance algorithm, the outliers beyond 99 % confidence of data were eliminated and classified five species with classification methods including partial least square discriminant analysis (PLS-DA) and support vector machine (SVM) for linear and non-linear classification algorithms to differentiate Staphylococcus species. PLS-DA classified five species with 89.8 % accuracy and 0.87 kappa coefficient; whereas, SVM had much higher classification accuracy of 97.8 % with 0.97 kappa coefficient. To reduce the number of wavelengths for fast data processing, thirty-one spectral bands out of 89 contiguous bands were selected using the correlation of each band. When SVM classification method with selected bands were used, the classification accuracy and kappa coefficient were 93.9 % and 0.92, respectively.     

基于高光谱技术的铁观音茶叶等级判别

应用高光谱技术结合支持向量机分类理论对不同等级的铁观音茶叶进行判别分析。采集铁观音各等级茶样的高光谱数据,提取红边幅值、蓝边位置、黄边面积、红谷反射率、归一化植被指数等共20 个光谱特征参数,以其作为输入量带入以径向基函数作为核函数的支持向量机分类模型,探讨惩罚参数C和核参数g的最佳取值,构建判别模型,并对其进行验证和评价。结果显示,当惩罚参数C和核参数g分别为106和0.007 5时,所建模型对未知等级的铁观音样品正确判别率可达92.86%,表明应用高光谱技术进行铁观音茶叶等级的快速无损准确鉴别是可行的。