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。     

傅里叶变换红外光谱和紫外光谱数据融合对牛肝菌种类的鉴别

采集5?种共272?份牛肝菌样品的傅里叶变换红外光谱和紫外光谱,结合多光谱信息融合策略,建立牛肝菌种类快速鉴别的方法。多元散射校正（multiplicative signal correction,MSC）及二阶导数（second derivative,2D）等预处理方法对原始光谱进行优化,比较优化处理对区分不同种类牛肝菌影响;利用优化处理后的光谱数据及融合数据建立偏最小二乘判别分析（partial least squares discriminant analysis,PLS-DA）模型和支持向量机（support vector machine,SVM）判别模型。结果显示：1）经过2D和MSC预处理后,不同种类牛肝菌的PLS-DA鉴别效果优于未优化模型,表明2D＋MSC预处理优化了光谱信息并提高了分类准确度;2）基于傅里叶变换红外光谱、紫外光谱、低级融合和中级融合数据分别建立PLS-DA模型,预测正确率为86.87%、66.67%、78.89%和95.56%;建立SVM判别模型,预测正确率分别为88.89%、74.44%、91.11%和100.00%,表明中级融合技术对不同种类牛肝菌鉴别效果显著,优于其他技术;3）中级融合技术在PLS-DA模型和SVM判别模型中对样品的预测正确率分别为95.56%和100.00%,表明SVM判别模型对牛肝菌种类区分效果优于PLS-DA模型。采用中级融合技术建立SVM判别模型,快速鉴别牛肝菌种类,为牛肝菌种类鉴别和质量控制提供可靠、稳定的方法。     

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。      

振动胁迫下双孢蘑菇高光谱成像品质检测

为快速有效识别双孢蘑菇轻微损伤,以不同振动时间后不同损伤程度的双孢蘑菇为研究对象,采集400～1 000 nm的完好无损、振动60 s和振动120 s双孢蘑菇的近红外高光谱图像,发现3 种类型的双孢蘑菇在450～750 nm的光谱曲线有明显差异。比较标准正态变量变换、SG（Savitzky-Golay）平滑和多元散射校正等预处理方法,确定SG平滑为最优预处理方法。并将处理后的数据采用连续投影算法和竞争性自适应重加权算法提取不同损伤程度的特征波段;基于灰度共生矩阵提取500 nm波长特征图像感兴趣区域的纹理特征,分别将光谱信息和纹理特征信息作为输入,建立偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）、BP（back propagation）神经网络和极限学习机损伤程度识别模型。结果表明,两种特征集建模,PLS-DA模型均表现出最好的识别效果,PLS-DA模型训练集和测试集平均识别准确率为93.33%、91.11%和88.89%、86.67%。最后基于光谱-纹理融合信息建立PLS-DA模型,训练集和测试集总体识别正确率分别为97.78%、95.56%。结果表明,光谱-纹理融合信息建模预测效果优于单一特征信息建立的判别模型。因此,采用高光谱融合信息建模可以提高不同损伤程度的双孢蘑菇检测精度,为双孢蘑菇贮藏、分类提供理论支撑。     

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。     

基于近红外光谱的褐变板栗识别建模方法研究

为了实现褐变板栗的快速无损分选,研究了基于近红外光谱技术的褐变板栗栗仁检测方法。试验在1000~2500 nm波段范围内采集板栗栗仁的反射光谱,通过标准正态变量变换预处理后,采用K-最近邻法(KNN)、簇类独立软模式法(SIMCA)、主成分回归-线性判别分析法(PCA-LDA)、偏最小二乘回归-线性判别分析法(PLS-LDA)以及最小二乘-支持向量机判别分析法(LS-SVM)分别建立褐变板栗识别模型并进行比较分析。偏最小二乘结合最小二乘-支持向量机所建PLS-LS-SVM模型性能最优,该模型对测试集的敏感性、特异性和识别正确率分别为1.00%、0.92%和95.00%。结果表明:近红外光谱结合PLS-LS-SVM可用于褐变板栗的快速无损检测。     

多光谱数据融合技术对绒柄牛肝菌产地的鉴别

采集5?个产地96?份绒柄牛肝菌样品的红外光谱和紫外光谱,结合多光谱信息融合策略,建立快速、有效鉴别绒柄牛肝菌产地的方法。运用多元散射校正、标准正态变量、二阶导数等预处理方法对原始光谱数据进行优化处理,减少噪音干扰。选取具有指纹特性的光谱信息进行初级数据融合;通过偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）筛选光谱数据中变量在投影方向重要程度大于1的波段,进行中级数据融合。利用优化处理后的单一光谱数据及多光谱融合数据建立PLS-DA模型和支持向量机（support vector machine,SVM）判别模型,比较两种判别模型对绒柄牛肝菌产地的鉴别效果。结果显示,通过红外光谱、紫外光谱、初级融合和中级融合数据分别建立PLS-DA模型,对绒柄牛肝菌产地的预测正确率为56.25%、56.25%、62.50%和81.25%;建立SVM判别模型,产地预测正确率分别为90.63%、65.63%、87.50%和96.88%,表明中级融合技术对绒柄牛肝菌产地鉴别效果显著,优于其他技术;并且SVM判别模型对牛肝菌产地区分效果优于PLS-DA模型。采用中级融合技术建立SVM判别模型,能够快速、有效鉴别不同产地绒柄牛肝菌,同时为食品质量监控提供有效方法和理论基础。     

郎枣轻微损伤可见/近红外光谱分波段动态判别研究

为了实现轻微损伤郎枣的快速无损检测,以完好和轻微损伤郎枣为研究对象,动态采集其可见/近红外光谱数据。依据光谱波段定义将采集的光谱数据分为可见光(Vis)、短波近红外(SW-NIR)、长波近红外(LW-NIR)、可见/短波近红外(Vis/SW-NIR)、近红外(NIR)和可见/近红外(Vis/NIR)等6个波段,分别选取各波段最佳预处理方法。采用连续投影法(SPA)和主成分分析法(PCA)分别对各波段光谱数据降维,以全波长、SPA提取的特征波长和PCA提取的主成分作为输入,分别建立偏最小二乘回归法(PLSR)和最小二乘支持向量机(LS-SVM)模型,通过比较预测集的判别准确率,确定最佳建模方法。结果表明,PLSR模型优于LS-SVM模型,SW-NIR波段较其余5个波段有更好的判别能力,所建SW-NIR-SNV-SPA-PLSR模型判别准确率为93.3%,为最佳模型。本实验为轻微损伤郎枣的快速无损检测和相关仪器的开发提供了理论基础。     

基于CUVE-PLS-DA的鸡蛋新鲜度在线检测分级

针对目前鸡蛋新鲜度检测技术方法存在劳动强度大、检测精度低、分级效率不足等缺陷,本研究在4 800 枚/h的禽蛋传输机上搭建了可见-近红外透射光谱（501～1 000 nm）在线检测装置,动态采集鸡蛋透射光谱数据,并建立光谱信息与鸡蛋哈夫值等级的偏最小二乘判别模型。采用3∶1原则对鸡蛋样本进行随机划分,其中校正集169 个,验证集57 个,通过比较多种光谱预处理方法以及两种特征波长选择方法,得出标准正态变换预处理方法和多模式共识方法能够有效地提高模型的正确率、运算效率和预测能力,优化模型后的校正集和验证集准确率分别为92.31%、91.23%。结果表明本实验建立的可见-近红外光谱透射光谱检测方法能够对鸡蛋的新鲜度进行无损、智能、在线检测分级。     

近红外高光谱成像技术对鸡蛋种类的鉴别

为探讨近红外高光谱成像技术对鸡蛋种类判别的可行性,采用近红外高光谱(900~1700 nm)成像技术,以223个鸡蛋样本为研究对象,其中富硒鸡蛋74枚、无公害鸡蛋72枚、普通鸡蛋77枚,富硒鸡蛋和无公害鸡蛋为海兰褐鸡蛋,普通鸡蛋为洋鸡蛋。对比S-G卷积平滑、基线校准(Baseline)、标准正态变量变换(SNV)、标准化(Normalize),优选出S-G卷积平滑光谱预处理方法;连续投影算法(SPA)、无信息变量消除法(UVE)、后向间隔偏最小二乘波段选择法(BiPLS)算法提取的特征波长数分别为8、107和155,分别建立全光谱、SPA、UVE、BiPLS的PLS-DA判别模型,结果显示在4种模型中BiPLS-PLS-DA的识别性能要优于FS-PLS-DA、UVE-PLS-DA和SPA-PLS-DA,其校正集正确识别率为95.24%,预测集识别率为78.18%。近红外高光谱成像技术作为一种快速、高效的种类判别技术对鸡蛋种类的判别具有可行性。     

基于高光谱成像技术快速检测鸡蛋中二十二碳六烯酸与虾青素含量

目的：本研究利用高光谱成像技术结合机器学习研发一种快速检测鸡蛋中DHA与虾青素含量的技术。方法：利用高光谱成像仪采集全蛋、去壳鸡蛋和蛋黄在400-1000nm波长下的光谱数据,并使用高效液相色谱及气相色谱测定鸡蛋的DHA与虾青素含量。将样本集划分为训练集和预测集,分别采用Savitzky-Golay求导法、傅里叶变换法及小波变换法对原始光谱进行降噪处理。通过遗传算法对原始光谱及降噪后的光谱提取特征波长,分别建立特征波长与全蛋、去壳鸡蛋和蛋黄中DHA、虾青素的偏最小二乘法、支持向量机、bp人工神经网络预测模型。结果：在预测鸡蛋中DHA含量模型中,基于蛋黄特征光谱的模型预测能力最强。其中,一阶导数的差分步长为5的偏最小二乘法模型预测效果最好,其训练集、预测集的决定系数分别为0.999与0.985。在预测鸡蛋中虾青素含量的模型中,基于蛋黄特征光谱的预测能力最强。其中,二阶导数的差分步长为8的支持向量机模型预测效果最好,其中训练集、预测集的决定系数分别为0.942与0.960。结论：利用高光谱成像技术, 可以实现蛋黄中DHA和AST的快速检测。     

Detecting Fertility and Early Embryo Development of Chicken Eggs Using Near-Infrared Hyperspectral Imaging

Early detection of infertile and non-hatchable eggs would benefit hatcheries and poultry breeding farms by saving space, handling costs, and preventing contamination from exploder eggs. Therefore, it would be advantageous to the hatchery industry of developing a non-destructive, rapid, and accurate method to detect the fertility and embryo development of eggs. For this purpose, a near-infrared hyperspectral imaging system was developed to detect fertility and early embryo development. A total of 174 white-shell chicken eggs including 156 fertile eggs and 18 infertile eggs were used in this study and all eggs were incubated in a commercial incubator for 4 days. Hyperspectral images were captured for all eggs on each day of incubation. After imaging on each day, developing embryos in randomly selected eggs were stopped by injecting sodium azide (NaN₃). All the eggs were divided into two classes, fertile eggs and non-fertile eggs (including infertile eggs and dead embryos), and the data set of each class varied with day of incubation. The region of interest (ROI) of each hyperspectral image was segmented and the image texture information was extracted from the ROI of spectral images using Gabor filters. Two types of spectral transmission characteristics termed MS and MG, were obtained by averaging the spectral information of ROI and Gabor-filtered ROI, respectively. The dimensionality of the spectral transmission characteristics were reduced by PCA. The first three PCs were used for K-means clustering, as well as the first three bands with maximum responses of each spectral transmission characteristic. The best classification results were 100 % at day 0, 78.8 % at day 1, 74.1 % at day 2, 81.8 % at day 3, and 84.1 % at day 4. A perfect detection of fertility prior to incubation was obtained using only the first three bands of maximum responses of MS. The classification results suggested the usefulness of the image texture information for detection of early embryo development. Promising results were also obtained when only the first three bands with maximum response of spectral transmission characteristics were used, which indicated the potential in applying hyperspectral imaging techniques to develop a real-time system for detecting fertility and early embryo development of chicken eggs.     

基于近红外高光谱成像技术的地方鸡品种鉴别

我国拥有丰富的地方鸡遗传资源,不同品种的地方鸡在营养、口感和风味上表现出显著区别。该研究利用近红外高光谱成像技术研究地方鸡品种的鉴别方法。以龙游麻鸡、江山乌骨鸡和丝羽乌骨鸡为研究对象,采集3个品种鸡肉在900~1 700 nm波段的高光谱图像并提取光谱数据。对光谱数据进行预处理后选取特征波长,建立PLS和SVM鉴别模型。结果显示,Detrending-SNV为最优预处理方法,ACCc、ACCp和ACCt 分别为94.17%、95%和94.59%。基于MCUVE-SPA算法选取的16个特征波长建立的PLS鉴别模型为最优模型,ACCc、ACCp和ACCt分别为95.83%、100%和97.92%,与全光谱模型相比分别提高了1.76%、5.26%和3.52%。研究结果表明,利用近红外高光谱成像技术鉴别地方鸡品种具有一定的可行性。     

高光谱成像的非烟物质分类识别研究

  目的  利用高光谱成像技术和机器学习方法对烟叶中的非烟物质进行分类识别。  方法  使用可见—近红外高光谱成像技术,采用归一化（Normalization）、标准正态变化（SNV）、多元散射校正（MSC）、一阶导数（FD）、卷积平滑（SG）对光谱数据进行预处理,通过连续投影变换（SPA）和主成分载荷（PCA loadings）进行特征波长选择,并应用随机森林（RF）、Softmax和支持向量机（SVM）建立分类模型。  结果  SNV为最佳光谱预处理方法,SPA选择特征波长建立的SVM模型为最优模型,训练集和测试集正确率分别为99.82%和99.47%。  结论  高光谱成像技术结合SPA-SVM模型可以有效分类识别烟叶中的非烟物质。      

高光谱图像对白萝卜糠心的无损检测

为实现白萝卜异常品质糠心的无损检测,构建高光谱图像技术检测白萝卜糠心的检测系统。获取了光源透射、反射和半透射模式下白萝卜的高光谱图像信息,结合偏最小二乘分析（partial least squares discriminantanalysis,PLS-DA）、支持向量机（support vector machine,SVM）、人工神经网络（artificial neural network,ANN）3 种算法分别建立白萝卜糠心的识别模型。结果表明：3 种检测模式中,基于透射模式的高光谱图像系统检测准确率最高;3 种预测模型中,ANN模型优于PLS-DA和SVM模型。其中,基于透射模式的ANN模型,高光谱图像对萝卜糠心的检测总体准确率达94.3%,效果最好。因此,采用透射模式的高光谱图像技术对白萝卜糠心的检测是可行的。     

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...     

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,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5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) 3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...     

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。