半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究

针对马铃薯空心病的难以检测问题, 提出了一种基于半透射高光谱成像技术结合支持向量机(support vector machine, SVM)的马铃薯空心病无损检测方法。选取224个马铃薯样本(合格149个, 空心75个)作为研究对象, 搭建了马铃薯半透射高光谱图像采集系统, 采集了马铃薯样本半透射高光谱图像(390~1 040 nm), 对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化(normalize)对原始光谱进行光谱预处理, 建立了全波段的SVM判别模型, 模型对测试集样本的识别准确率仅为87.5%。为了提高模型性能, 采用竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS)结合连续投影算法(successive projection algorithm, SPA)对光谱全波段520个变量进行变量选择, 最终确定了8个光谱特征变量(454, 601, 639, 664, 748, 827, 874和936 nm), 所选8个光谱变量建立的SVM模型对马铃薯测试集的识别率为94.64%。分别采用人工鱼群算法(artificial fish swarm algorithm, AFSA)、遗传算法(genetic algorithm, GA)和网格搜索法(grid search algorithm)对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析, 确定AFSA为最优优化算法, 最优模型参数为c=10.659 1, g=0.349 7, 确定AFSA-SVM模型为马铃薯空心病的最优识别模型, 该模型总体识别率达到100%。试验结果表明: 基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测, 也为马铃薯空心病的快速无损检测提供技术支持。     

半透射高光谱结合流形学习算法同时识别马铃薯内外部缺陷多项指标

针对马铃薯内外部缺陷多项指标难以同时识别的问题,提出了一种半透射高光谱成像技术采用流形学习降维算法与最小二乘支持向量机(LSSVM)相结合的方法,该方法可同时识别马铃薯内外部缺陷的多项指标。试验以315个马铃薯样本为研究对象,分别采集合格、外部缺陷(发芽和绿皮)和内部缺陷(空心)马铃薯样本的半透射高光谱图像,同时为了符合生产实际,将外部缺陷马铃薯的缺陷部位以正对、侧对和背对采集探头的随机放置方式进行高光谱图像采集。提取马铃薯样本高光谱图像的平均光谱(390~1 040 nm)进行光谱预处理,然后分别采用有监督局部线性嵌入(SLLE)、局部线性嵌入(LLE)和等距映射(Isomap)三种流形学习算法对预处理光谱进行降维,并分别建立基于纠错输出编码的最小二乘支持向量机(ECOC-LSSVM)多分类模型。通过分析和比较建模结果,确定SLLE为最优降维算法,SLLE-LSSVM为最优马铃薯内外部缺陷识别模型,该方法对测试集合格、发芽、绿皮和空心马铃薯样本的识别率分别达到96.83%,86.96%,86.96%和95%,混合识别率达到93.02%。试验结果表明：基于半透射高光谱成像技术结合SLLE-LSSVM的定性分析方法能够同时识别马铃薯内外部缺陷的多项指标,为马铃薯内外部缺陷的快速在线无损检测提供了技术参考。     

高光谱成像技术检测高温障碍胁迫下番茄叶片色差的研究

提出了利用可见/近红外高光谱成像技术检测高温障碍胁迫下番茄叶片色差的方法。首先采集380~1 023 nm波段范围内60个高温障碍胁迫和60个健康番茄叶片的高光谱图像,同时获取全部叶片的色差值(L*, a*和b*),然后提取所有样本的高光谱图像中感兴趣区域(region of interest, ROI)的光谱反射率值。基于不同预处理方法建立偏最小二乘(partial least squares, PLS)预测模型,再利用连续投影算法(successive projections algorithm, SPA)提取特征波长并建立SPA-PLS预测模型。最后分别基于全波段和特征波段建立偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)模型。结果显示,全波段中基于原始光谱信息建立的模型效果最好,3个色差值的预测集决定系数(determination coefficient, R2)分别是0.818,0.109和0.896;基于特征波长建立的模型预测集R2分别是0.591,0.244和0.673;所有模型预测集的总体识别率均大于77.50%。结果表明,可见/近红外高光谱成像技术检测番茄叶片色差值(L*和b*)和识别高温障碍样本是可行的。     

基于近红外光谱的淡水鱼新鲜度在线检测方法研究

新鲜度是反映鱼类品质以及可否食用的重要指标,在线检测直接关系到食品质量与安全的实施应用,因此对淡水鱼新鲜度进行在线无损检测具有重要意义。应用近红外光谱对淡水鱼新鲜度进行在线检测,试验装置采用自行搭建的淡水鱼近红外光谱在线采集装置,试验时样品在输送链上以0.5 m·s-1的速度运动,采集其近红外漫反射光谱(900～2 500 nm),并用支持向量机(support vector machine, SVM)建立淡水鱼新鲜度在线检测模型。采用光谱理化值共生距离(sample set partitioning based on joint X-Y distance algorithm, SPXY)算法对样本集进行划分,其中校正集111条(新鲜57条,变质54条)、测试集37条(新鲜19条,变质18条),通过对比不同的光谱预处理方法对预测结果的影响,明确了一阶导结合标准化预处理为最优光谱预处理方法,经过该方法预处理后所建模型对校正集的正确识别率为97.96%,对测试集的识别率为95.92%。为了提高模型运行速度对建模所用光谱变量进行优化,分别采用遗传算法(genetic algorithm, GA)、连续投影算法(successive projection algorithm, SPA)和竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS) 三种不同的特征变量选择方法对特征波长进行筛选,通过建模比较分析确定CARS为最优波长选择方法,以所选的10个特征波长建立淡水鱼新鲜度支持向量机检测模型,模型对校正集的正确识别率为100%,对测试集的识别率为93.88%。该研究可为近红外光谱用于淡水鱼新鲜度在线检测提供技术支持。     

透射和反射高光谱成像的马铃薯损伤检测比较研究

针对马铃薯损伤部位随机放置会影响检测精度的问题,提出从正对相机、背对相机及侧对相机三个方向,应用透射和反射高光谱成像技术采集马铃薯图像,进行透射和反射高光谱成像的马铃薯损伤检测比较研究。对透射和反射高光谱图像进行独立成分(IC)分析和特征提取,利用所得特征对反射图像进行二次IC分析,对透射和反射光谱进行变量选择,最终分别建立基于反射图像、反射光谱、透射光谱的马铃薯损伤定性识别模型;对识别准确率高的模型做进一步优化,采用子窗口排列分析(SPA)算法对透射光谱的特征做二次选择得到3个光谱变量,并建立任意放置的马铃薯损伤识别最优模型。试验结果表明,基于反射图像、反射光谱建立的模型识别准确率较低,其中基于反射图像的马铃薯碰伤,侧对相机识别准确率最低为43.10%;基于透射光谱信息建立的模型识别准确率较高,损伤部位正对、背对相机的识别准确率均为100%,侧对相机为99.53%;马铃薯损伤识别最优模型对任意放置的损伤识别准确率为97.39%。应用透射高光谱成像技术可以检测任意放置方向下的马铃薯损伤,该研究可为马铃薯综合品质的在线检测提供技术支持。     

小波变换和连续投影算法在火龙果总酸无损检测中的应用

应用可见/近红外光谱技术、小波变换(WT)和连续投影算法(SPA),对火龙果总酸含量(TA)进行精确、快速的无损检测,为火龙果内部品质无损检测提供科学依据。利用Maya2000光纤光谱仪采集380～1 099 nm范围的火龙果漫反射光谱数据,通过WT消噪、SPA优选波长和偏最小二乘回归(PLSR)分析方法,建立了火龙果总酸的定量预测模型。试验结果表明：经过WT消噪联合SPA优选波长压缩光谱变量后建立的WT-SPA-PLSR模型,预测精度都高于全谱PLSR模型。由全部样本的原始光谱变量作为输入变量建立PLSR模型的预测相关系数(R_p)为0.851 394, 预测均方根误差(RMSEP)为0.086 848;全部样本的原始光谱数据使用dbN(N=2,3,…,10)小波进行分解消噪,其中消噪效果最优的是db4小波2层分解(db4-2),WT-PLSR模型的R_p为0.915 635,RMSEP为0.066 752,小波变换消噪后的光谱预测模型精度明显提高;原始光谱经过db10-3小波消噪联合SPA算法,从570个光谱变量中优选出530,545,604,626,648,676,685,695,730,897,972,1 016 nm共12个变量作为输入变量,建立WT-SPA-PLSR预测模型,模型的R_P为0.882 83, RMSEP为0.077 39。SPA算法适合火龙果TA模型的光谱变量选择,能够有效提取与总酸相关度高的波长变量,增加了预测模型的精度和稳定性。研究结果表明小波变换技术联合连续投影算法的漫反射近红外光谱无损检测火龙果总酸含量具有可行性。     

基于高光谱的工夫红茶发酵品质程度判别方法（英文）

发酵作为影响红茶品质形成的重要流程,发酵品质程度的判断主要基于人工经验,难以实现准确客观的评价。该研究主要针对于工夫红茶发酵工序,以不同发酵时序下的样品为对象,利用高光谱检测技术并结合化学计量学方法,对制备的不同发酵程度的样本进行无损检测和智能判别。首先利用高光谱成像仪(400～1 000nm)采集工夫红茶发酵样品的高光谱数据,并根据气温、茶叶嫩度、萎凋情况、揉捻过程、发酵叶颜色及香气等现场生产信息,将6个不同发酵时序下的样本,根据发酵程度依次划分为3类(轻度发酵、适度发酵、过度发酵)。为了降低采集高光谱信息时因培养皿中发酵叶的不平整而产生的散射现象对光谱数据的影响,选取标准正态变量变换算法(standard normal variate,SNV)与多元散射校正算法(multiplicative scatter correction,MSC)对全波段光谱进行预处理,将预处理后的光谱数据进行主成分分析(principal components analysis,PCA),分别得到前3个主成分的三维载荷图,根据样本在图中的空间分布特征,因而选择效果较好的SNV预处理方法。以全波段光谱最优主成分作为模型输入量,建立邻近算法(K-nearest neighbor,KNN)、随机森林(random forests,RF)、极限学习机(extreme learning machine,ELM)判别模型,识别率分别为63.89%,94.44%和86.11%,结果表明,非线性模型(RF、ELM)识别率较高,其中RF模型性能优于ELM模型。为比较基于全波段与特征波长建立的工夫红茶发酵品质程度模型判别效果,采用连续投影算法(successive projections algorithm,SPA)提取31个特征波长进行PCA降维处理,以特征波长最优主成分作为模型输入量,构建SPA-KNN,SPA-RF和SPA-ELM判别模型,识别率分别为83.33%,91.67%和91.67%。通过SPA对变量筛选后,SPA-KNN和SPA-ELM模型性能明显提高,SPA-RF模型识别准确度略有下降。与特征波长建立的模型相比,全波段建立的RF模型性能最佳,对工夫红茶轻度发酵、适度发酵、过度发酵的判别率分别达到了100%,83.33%和83.33%。研究结果为推进红茶智能化、数字化加工的实现,提供了理论基础和科学依据。     

PLS-DA优化模型的马铃薯黑心病可见近红外透射光谱检测

马铃薯黑心病是一种马铃薯主要内部缺陷,严重损害薯条、薯片、全粉等加工制品的质量和产率。目前对马铃薯的分级主要侧重于外部品质检测,针对内部缺陷检测的研究很少。旨在开发一种马铃薯黑心病的快速无损检测技术,为此搭建了马铃薯可见近红外透射光谱分析平台,分析健康与黑心病马铃薯的透射光谱特性并优化光谱判别模型参数。基于现有马铃薯分级线和复享PG2000高速光谱仪,采用左右透射方式（光源与光纤探头位于分级线果盘左右两侧）,采集470个马铃薯（其中健康薯234个、黑心薯236个）的透射光谱图,建立偏最小二乘判别模型（PLS-DA）,并利用主成分分析（PCA）与光谱形态特征相结合的方法选择特征波长,优化模型。分析发现,健康薯与黑心薯的可见近红外透射光谱在吸光度值和光谱形态特征方面均存在明显区别。黑心薯的平均光谱吸光度值高于健康薯（650～900 nm范围内）,但黑心薯的平均光谱曲线较为平缓,无明显吸收峰,而健康薯平均光谱曲线在665,732和839 nm附近有明显吸收峰,并且健康薯与黑心薯的平均光谱差值在705 nm处达到最大值。基于PLS-DA法建立了马铃薯黑心病判别模型,对黑心病的判别效果显著,分类器特性曲线（ROC）下面积（AUC）值为0.994 2,黑心薯识别总正确率能够达到97.16%,RMSE_CV和RMSE_P分别为0.28和0.26。此外,成功利用PCA与光谱形态特征相结合的方法对模型进行简化,最终得到由6个波长（658,705,716,800,816和839 nm）组成的特征波长组合,简化后的模型总正确率能够达到96.73%,接近全波段模型判别水平。研究表明,左右透射的方式能够准确识别黑心马铃薯,实现对马铃薯内部缺陷的快速无损检测。对我国马铃薯产业的发展起到一定的促进作用,为马铃薯内部缺陷在线检测技术的提高提供了重要的理论基础和实践依据。     

近地高光谱成像技术对黑豆品种无损鉴别

基于近地高光谱成像技术结合化学计量学方法,实现了黑豆品种的鉴别。实验以三种不同颜色豆芯的黑豆为研究对象,采用高光谱成像系统采集380～1 030 nm波段范围的高光谱图像,提取高光谱图像中的样本感兴趣区域平均光谱信息作为样本的光谱进行分析,建立黑豆品种的判别分析模型。共采集180个黑豆样本的180条平均光谱曲线。剔除明显噪声部分之后以440～943 nm范围光谱为黑豆样本的光谱,采用多元散射校正(multiplicative scatter correction,MSC)对光谱曲线进行预处理。分别以全部光谱数据、主成分分析(principal component analysis,PCA)提取的光谱特征信息、小波分析(wavelet transform,WT)提取的光谱特征信息建立了偏最小二乘判别分析法(partial least squares discriminant analysis,PLS-DA),簇类独立模式识别法(soft independent modeling of class analogy,SIMCA),最邻近节点算法(K-nearest neighbor algorithm,KNN),支持向量机(support vector machine,SVM), 极限学习机(extreme learning machine,ELM)等判别分析模型。以全谱的判别分析模型中,ELM模型效果最优;以PCA提取的光谱特征信息建立的模型中,ELM模型也取得了最优的效果;以WT提取的光谱特征信息建立的模型中,ELM模型结识别效果最好,建模集和预测集识别正确率达到100%。在所有的判别分析模型中,WT-ELM模型取得了最优的识别效果。实验结果表明以高光谱成像技术对黑豆品种进行无损鉴别是可行的,且WT用于提取光谱特征信息以及ELM模型用于判别黑豆品种能取得较好的效果。     

应用近红外高光谱成像预测三文鱼肉的水分含量

应用近红外高光谱成像技术实现三文鱼肉水分含量的快速无损检测。采集来自不同部位的三文鱼肉共90个样本的高光谱图像,提取样本感兴趣区域(ROI)的平均光谱。随机取60个样本作为建模集,其余30个样本作为预测集。分别采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)对全波段和水分含量建立相关性模型,并对预测集样本的水分含量进行预测。再用一种新的变量提取方法random frog选择特征波长,并基于特征波长分别建立水分检测的PLSR和LS-SVM模型。特征波长模型的预测精度虽然稍逊于全波段模型,但是仅用12个变量代替了全波段的151个变量,大大简化了模型,更便于实际应用。PLSR和LS-SVM特征波长模型的预测相关系数(R_p)分别为0.92和0.93,预测均方根误差(RMSEP)分别为1.31%和1.18%,取得了满意的结果。研究表明,近红外高光谱成像与化学计量学方法结合可以准确预测三文鱼肉的水分含量,为鱼肉品质的快速监测提供重要的参考。     

基于克隆选择支持向量机高光谱遥感影像分类技术

作为支持向量机(support vector machine, SVM)高光谱影像分类的一个重要环节,参数设置的效率和精度直接影响到SVM模型训练效率和最终分类精度。本文首先建立一个SVM高光谱影像分类器,提出了利用免疫克隆选择算法优化的交叉验证进行核函数参数和惩罚因子C的优化选择的方法,得到了一种基于克隆选择优化的支持向量机(clonal selection SVM, CSSVM)高光谱影像分类器。然后将CSSVM与传统的基于网格搜索交叉验证的支持向量机（gird search SVM, GSSVM）分类器进行了对比评价,评价指标包括模型训练时间和分类精度等。最后基于AVIRIS高光谱遥感影像进行了两算法分类对比试验,结果表明：提出的CSSVM测试样本总分类精度超过85.1%和Kappa系数超过0.821 3,影像总分类精度超过81.58%和Kappa系数超过0.772 8,CSSVM与GSSVM的分类精度差别在0.08%以内,Kappa系数差别在0.001以内;CSSVM的模型训练时间是GSSVM的1/6至1/10,得到显著缩短;CSSVM方法在保持传统GSSVM优良分类精度的基础上,极大提高了模型的训练效率。     

高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定量测定

由于高光谱数据量大、维数高,光谱噪声明显、散射严重等特征导致光谱建模时关键变量提取较为困难,同时,高光谱图像的获取会受非单色光、杂散光、温度等多种因素的影响,从而使高光谱数据与待测性质之间有一定非线性关系。为此,提出采用正自适应加权算法(CARS)对可见-近红外高光谱高维数据进行关键变量筛选,并与全光谱和经典变量提取方法SPA,MC-UVE,GA和GA-SPA方法进行比较。以200个库尔勒香梨为研究对象,采用SPXY方法将样本划分为校正集和预测集,校正集和预测集分别包含150个和50个样本。基于不同方法筛选的变量,分别建立线性PLS模型及非线性LS-SVM模型,r2,RMSEP和RPD用于模型性能的评估。综合比较发现,GA,GA-SPA和CARS变量筛选方法能够有效地筛选出原始高光谱数据中具有强信息且对外界影响因素不敏感的变量,适用于高光谱数据关键变量的提取,其中CARS变量筛选效果最佳,基于CARS获取的关键变量构建的非线性LS-SVM库尔勒香梨SSC含量预测模型获得了最优的预测结果,r2_pre,RMSEP和RPD分别为0.851 2,0.291 3和2.592 4。研究表明,CARS方法是一种有效的高光谱关键变量筛选方法,利用高光谱数据,非线性LS-SVM模型比线性PLS模型更适合于香梨品质的定量预测。     

利用同步荧光光谱快速鉴别潲水油

为快速鉴别潲水油,采用三维同步荧光光谱结合平行因子法解析潲水油的特征波长差(Δλ),并利用支持向量机建立潲水油鉴别模型。结果表明,潲水油的特征Δλ为60 nm;特征Δλ下的样品原始同步荧光光谱经过主成分分析提取5个主成分,以径向基函数(RBF)为核函数,利用网格搜索和6-fold交叉验证优化建模参数,得到惩罚因子C=512、核参数g=0.5,该条件下建立的模型对训练集和预测集的判别率均达到100%。采用同步荧光光谱可以快速、准确地鉴别潲水油。     

高光谱数据处理算法的小麦赤霉病籽粒识别

赤霉病是小麦的一种主要病害,它会导致小麦减产甚至绝收,严重影响小麦种子质量,此外小麦受侵染分泌的真菌毒素危害人类身体健康。因此,小麦赤霉病籽粒的识别具有非常重要的意义。起初普遍采用色谱法和酶联免疫法进行赤霉病检测,这些方法设备昂贵、检测速度慢、准确性低。近年来,高光谱成像技术被广泛应用于农作物的识别与检测中,但是在小麦赤霉病检测的应用研究中,大多采用抽样检测的方法,图像采集完成后需要通过ENVI软件手动选取感兴趣区域。前期准备工作冗杂,而且容易发生漏检,漏检的小麦籽粒在存储运输过程中向周边籽粒快速侵染,难以保障小麦安全健康。鉴于此,利用高光谱成像系统结合机器学习提出了一种用于对大量小麦赤霉病籽粒样本快速可视化识别的算法,以降低漏检率并提升检测效率。实验分别采集健康小麦和染病小麦469～1 082 nm波段的高光谱图像,通过直方图线性拉伸结合图像分割的方法获取小麦样本的掩膜图像信息。利用Savitzky-Golay平滑去噪法与标准正态变量变换法（SNV）进行数据预处理,通过主成分分析法（PCA）和连续投影法（SPA）进行特征变量提取,筛选特征变量个数分别为4个和8个。在掩膜图像位置采集健康小麦样本与染病小麦样本各400份,其中75%用于建模集,25%用于测试集。采用十折交叉验证法结合线性判别分析法(LDA) 、K-近邻算法（KNN）、支持向量机（SVM）分别建立分类模型,测试集准确率都达到90%以上。随后比较了网格法（GRID）、粒子群算法（PSO）、遗传算法（GA）三种核参数寻优方法对SVM模型的影响,其中,SG-SPA-SVM（PSO）模型分类效果最优,建模集准确率为95.5%,均方根误差为0.212 1,测试集准确率为98%,均方根误差为0.141 4。基于样本点预测的基础之上,对掩膜获得所有小麦样本的光谱曲线进行预测并将识别结果反馈回掩膜中再进行伪彩色显示,实现染病籽粒可视化识别。结果表明,高光谱成像结合SG-SPA-SVM（PSO）算法建立的分类模型可以高效快速、准确无损、可视化的实现小麦赤霉病籽粒识别,为研制小麦赤霉病自动识别设备提供了算法基础。     

等温节流过程积耗散最小化

对一类普适传质规律等温节流过程进行了研究, 应用最优控制理论导出了对应于过程质量积耗散最小时最优性条件, 然后基于普适优化结果导出了传质规律[g∝(Δ p)^m]和线性传质规律[g∝Δ(μ)] 等各种特例下的优化结果, 并与熵产生最小、压力之比为常数和压力之差为常数等各种传质策略下的结果进行了比较, 给出了[g∝(Δp)^1/2], [g∝Δ(p)]和[g∝Δ(μ)] 等各种特例下的数值算例. 本文的研究结果对于实际节流过程 和设备的最优设计与运行具有一定的理论指导意义. 关键词： 等温节流 质量积耗散 最优控制 有限时间热力学     

拉曼光谱结合模式识别方法用于大豆原油掺伪的快速判别

大豆原油是我国的战略储备物资,然而目前储油市场上频繁出现大豆原油掺混的现象严重影响了食用油储备安全。基于此,通过大豆原油与部分植物精炼油拉曼谱图的特征差异,并结合主成分分析-支持向量机(PCA-SVM)模式识别建立了大豆原油是否掺伪的快速判别方法。以28个大豆原油、46个精炼油、110个掺伪油的拉曼谱图为模型样本;选择位于780～1 800 cm-1波段的谱图,预处理方法同时采用Y轴强度校正、基线校正和谱图归一化法;在此基础上应用PCA法提取特征变量,即以贡献率最高前7个主成分为变量进行SVM分析。SVM校正模型的建立是以随机选取的20个大豆原油和75个掺伪油样组成校正集,以8个大豆原油和35个掺伪油样组成验证集,分别运用并比较四种核函数算法建立的大豆原油SVM分类模型,并采用网格搜索法(grid-search)优化模型的参数,以四种模型的分类性能作为评判标准。结果表明：应用线性核函数算法构建的SVM分类模型可以很好地完成掺伪大豆原油的判别,校正集识别准确率达到100%,预测结果的误判率为0,判别下限为2.5%。结果表明应用拉曼光谱结合化学计量学能够用于大豆原油掺伪的快速鉴别。拉曼光谱简便、快速、无损、几乎没有试剂消耗,适合现场检测,从而为大豆原油的掺伪分析提供了一种新的备选方法。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358～1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）,利用感兴趣区域的光谱数据,对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理,建立线性判别分析（LDA）和支持向量机（SVM）分类模型,结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型,其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。     

近红外高光谱图像结合CARS算法对鸭梨SSC含量定量测定

高光谱数据量大、 维数高且原始光谱噪声明显、 散射严重等特征导致光谱建模时关键波长变量提取困难。 基于此,提出采用竞争性自适应重加权算法(CARS)对近红外高光谱数据进行关键变量选择。 鸭梨作为研究对象。 采用决定系数r2、 预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。 基于选择的关键变量建立PLS模型(CARS-PLS)与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果,r2_pre,RMSEP和RPD分别为0.908 2,0.312 0和3.300 5。 进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法(GA)获得的特征变量建立的PLS模型比较发现,CARS不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,该方法能够有效地用于高光谱数据变量的选择。 结果表明,近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。 从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。