基于高光谱成像技术应用光谱及纹理特征识别柑橘黄龙病（英文）

讨论了基于高光谱成像技术光谱及纹理特征在识别早期柑橘黄龙病中的应用。使用一套近地高光谱成像系统采集了176枚柑橘叶片的高光谱图像作为实验样品,其中健康叶片60枚,黄龙病叶片60枚,缺锌叶片56枚。手工选取每幅叶片高光谱图像的病斑位置作为样品感兴趣区域(regions of interest,ROI),计算其平均光谱反射率,并以此作为样品的反射光谱,光谱范围为396~1 010nm。样品光谱分别经过主成分分析(PXA)及连续投影算法(SPA)进行数据降维,再结合最小二乘支持向量机(LS-SVM)分类器建立分类模型。相比原始光谱,由PCA选取的前四个主成分及SPA选取的一组最佳波长组合(630.4,679.4,749.4和899.9 nm)建立的模型拥有更好的分类识别能力,其对三类柑橘叶片平均预测准确率分别为89.7%和87.4%。同时,从被选四个波长的每幅灰度图像中提取6个灰度直方图的纹理特征以及9个灰度共生矩阵的纹理特征再次构建分类模型。经SPA优选的10个纹理特征值进一步提高了分类效果,对三类柑橘叶片的识别正确率达到了100%,93.3%和92.9%。实验结果表明,同时包含光谱信息及空间纹理信息的高光谱图像在柑橘黄龙病的识别中显示了很大的潜力。     

应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究

提出了应用光谱和纹理特征的高光谱成像技术早期检测番茄叶片早疫病的方法。利用高光谱图像采集系统获取380～1 030 nm范围内71个染病和88个健康番茄叶片的高光谱图像,同时采用主成分分析法(PCA)对高光谱图像进行处理。选取染病和健康叶片感兴趣区域(region of interest, ROI)的光谱反射率值,同时分别从前8个主成分的每幅主成分图像的ROI中提取对比度(Contrast)、 相关性(Correlation)、 熵(Entropy)和同质性(Homogeneity)4个灰度共生矩阵的纹理特征值,再通过PCA和连续投影算法(SPA)结合最小二乘支持向量机(LS-SVM)构建番茄叶片早疫病的早期鉴别模型。建立的6个模型中,采用光谱反射率值的LS-SVM模型对番茄叶片早疫病的识别率最高,达到100%。结果表明,应用高光谱成像技术检测番茄叶片早疫病是可行的。     

高光谱成像的柑橘病虫害叶片识别方法

为监测柑橘生长状况,实现病虫害无损识别,利用高光谱成像技术和机器学习方法进行柑橘病叶分类研究。使用高光谱成像仪采集46片柑橘正常叶、46片溃疡病叶、80片除草剂危害叶、51片红蜘蛛叶和98片煤烟病叶的高光谱图像,在478～900 nm光谱范围内对每个叶片一个或多个发病区提取5×5的感兴趣区域（ROI）,将ROI内每个像素的反射率值作为光谱信息,则一个ROI得到25个光谱信息样本,最终五类叶片共得到13250个光谱样本。利用随机法将全部样本划分为9 938个训练集和3 312个测试集。分别采用一阶求导（1stDer）、多元散射校正（MSC）和标准正态变换（SNV）三种方法对原始光谱信息进行预处理,对不同预处理方法后的数据采用主成分分析法（PCA）提取特征波长。1st Der预处理后得到7个特征波长,分别是520.2,689.0,704.8,715.4,731.2,741.8和757.6 nm;MSC和SNV预处理后得到7个相同的特征波长,分别是551.9,678.5,704.8,710.1,725.9,731.2和757.6 nm;原始光谱得到7个特征波长,分别是525.5,678.5,710.1,720.7,725.9,757.6和762.9 nm。分析PCA后的样本分布散点图可知,正常叶片、溃疡病叶片和红蜘蛛叶片样本有一定程度聚类,除草剂叶片和煤烟病叶片样本有大量重叠,仅依据PCA不能完成病虫害叶片的识别。对全波段（FS）和PCA特征波长数据在不同预处理方法下进行支持向量机（SVM）和随机森林（RF）建模,结果表明：数据在1stDer预处理方法下识别效果最佳,1st Der-FS-SVM模型总分类精度（OA）为95.98%,Kappa系数为0.948 2,1st Der-FS-RF模型OA为91.42%,Kappa系数为0.889 2,1stDer-PCA-SVM模型OA为90.82%,Kappa系数为0.881 6,1stDer-PCA-RF模型的OA为91.79%,Kappa系数为0.894;对PCA选择的特征波长数据建模,SVM和RF模型下识别率均达到84%,全波段下模型识别率在88%以上,FS数据建模效果优于PCA特征波长。研究结果表明,高光谱成像技术结合机器学习方法进行柑橘叶片分类是可行且有效的,为柑橘病虫害的无损准确识别提供理论根据。     

基于荧光透射谱和高光谱图像纹理的茶叶病害预测研究

为了实现对茶叶病害的准确预测,避免病害特征提取过程中对茶叶的二次破坏,利用荧光透射技术对茶叶赤叶病叶片的荧光透射光谱特性展开研究。实验采集了健康茶叶叶片样本45个、赤叶病初期叶片样本60个及赤叶病中期叶片样本60个,并按照2∶1的比例划分成训练集和预测集样本数,通过荧光透射手段利用高光谱仪器采集这些叶片的原始荧光透射光谱。通过对这3组叶片样本平均光谱强度曲线的分析,证实了利用荧光透射光谱信息对这3种病害类型叶片进行分类的可行性。然后使用多项式平滑（savitzky-golay, S-G）方法对原始光谱进行平滑和降噪处理。最后采用竞争性自适应重加权抽样法（competitive adaptive reweighted sampling, CARS）对预处理后的光谱数据进行特征波长的选取。经过50次加权采样后,最终选取出4个特征波长,分别为：463,512,586和613 nm。为了最大化提取样本的病害特征信息,强化分类器输入病害特征值的典型性,使用高光谱反射技术,采集4个特征波长下的高光谱图像,分别使用2种不同的纹理提取算法提取病害叶片图像的纹理信息进行对比分析。首先利用灰度共生矩阵（GLCM）提取4幅图像的纹理信息,分别计算4个方向的灰度共生矩阵(0°,45°,90°及135°),然后计算5个共生矩阵的均值和方差。为了提高鲁棒性,取4幅图像纹理信息的平均值作为该叶片的纹理特征值,最终得到10个特征值。利用LBP（local binary patterns）算法获取特征波长下高光谱图像的纹理信息,并使用Uniform模式对LBP模型进行降维,最终每幅图像得到944个维度的LBP特征值,同样取4幅图像的平均值作为该叶片的LBP纹理特征值。最后通过极限学习机（ELM）分别建立特征光谱联合灰度共生矩阵纹理信息及LBP算子纹理信息的预测模型,由于模型的输入特征值不在一个量纲,首先对输入特征值进行归一化处理,然后再定义模型的输出标签,即健康叶片的预测模型输出为1,赤叶病早期为2,中期为3。实验测得基于CARS-GLCM-ELM模型的预测准确率为81.82%,基于CARS-LBP-ELM模型的预测准确率为85.45%,说明利用荧光透射光谱联合LBP算子纹理信息预测效果更好。由于没有达到预期效果,利用Softplus函数对ELM的隐含层激活函数进行了优化,替换掉原来的Sigmod函数,优化后的模型预测分类正确率达到92.73%,基本达到了预期效果。该研究将病害叶片的荧光光谱信息和对应特征波长下高光谱图像的纹理信息进行了融合,研究结果可为茶叶病害的快速、准确预测提供一定的参考价值。     

基于近红外高光谱成像技术的干制红枣品种鉴别

为实现干制红枣的快速鉴别,提出了一种基于近红外高光谱成像技术的鉴别方法。采集四个品种共240个样本干制红枣的近红外高光谱图像(1 000～1 600 nm)。通过主成分分析法(principal component analysis,PCA)、载荷系数法(x-Loading Weights,x-LW)和连续投影算法(successive projections algorithm,SPA)分别提取7个、8个和10个特征波长;基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)提取第一主成分图像的纹理特征。分别以光谱特征、纹理特征、光谱和纹理融合特征作为输入,建立偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、反向传播神经网络(back-propagation neural network,BPNN)和最小二乘支持向量机(least squares support vector machines,LS-SVM)模型。结果显示,基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率;基于融合特征的BPNN模型的结果最优,对预测集样本鉴别正确率为100%。说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。     

基于主成分分析和BP神经网络的柑橘黄龙病诊断技术

柑橘黄龙病的传统诊断方法主要依赖于人眼经验及生化技术,前者凭经验,诊断快,但准确性低;后者准确性高,但效率低和成本高.本文采用高光谱成像技术,获取5种症状柑橘叶片的高光谱图像,采用基于主成分分析和BP神经网络相结合的方法,对370~988nm波段范围内的柑橘叶片高光谱图像进行了病状的无损检测.研究结果表明,柑橘叶片的高光谱图像存在很大冗余,前四个主成分累积方差贡献率达到97.42%.数据建模分类得表明:BP神经网络的分类准确率达85%以上,经主成分后再利用BP神经网络的分类准确率绝大部分达到90%以上.因此,利用高光谱成像技术进行柑橘黄龙病的早期诊断具有较高的可行性.     

基于高光谱成像技术识别番茄干旱胁迫

番茄果实营养丰富备受人们喜爱。番茄生长周期长,需水量大,水分含量是影响番茄植株生长发育的主要因素;快速发现番茄植株水分亏缺状态,对于科学有效地进行番茄的灌溉管理,保障和提高番茄的产量和品质具有重要意义。利用高光谱成像技术,实时识别番茄叶片干旱胁迫程度,提出了一种基于高光谱成像技术的番茄叶片干旱胁迫的识别方法。首先,选取红樱桃番茄为实验品种,在室内培养12盆番茄幼苗。在保证其他管理措施相同的基础上,通过控制施水量来控制番茄的胁迫状态,干旱胁迫程度设计3个处理(适宜水分、中度和重度胁迫)。分批次采集不同干旱程度番茄幼苗嫩叶在400～1 000 nm范围的高光谱图像,并提取了每个样本的光谱和纹理特征。使用标准化(Norm)、多元散射校正(MSC)、一阶导数(1st)和标准正态变量变换(SNV)四种预处理方法对光谱数据进行预处理去除光谱中的噪声。使用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)以及竞争性自适应重加权算法结合连续投影算法(CARS-SPA)选取光谱重要特征波段,用灰度梯度共生矩阵(GLGCM)提取番茄叶片的纹理特征,用SPA选择纹理特征的重要变量。融合重要光谱特征与...     

基于高光谱图像波段融合的猕猴桃软腐病早期分类检测

软腐病是猕猴桃采后贮藏和销售过程中危害最严重的真菌病害,其潜伏期长,在染病早期还未表现出明显病状时,依靠人工筛选很难将其分类。为此应用高光谱成像技术(470～900 nm)对软腐病的早期分类检测展开研究。采集了健康猕猴桃以及感染软腐病的早期和晚期猕猴桃共295个高光谱图像,并采用Kennard-Stone算法将样本按照7∶3划分为训练集和测试集样本。首先对样本进行感兴趣区域的选择,然后取该区域的平均光谱作为样本的原始光谱曲线。对原始光谱曲线采用主成分分析(PCA)、连续投影算法(SPA)和竞争性自适应重加权算法(CARS)进行光谱特征的提取。与此同时,对SPA求解过程中的8个特征波段使用非下采样轮廓波变换(NSCT)进行波段融合获得融合图像,然后使用灰度共生矩阵法(GLCM)提取融合图像的纹理特征。最后将光谱特征和纹理特征进行融合并分别建立最近邻算法(KNN)、随机森林(RF)以及支持向量机(SVM)分类模型进行猕猴桃软腐病的早期分类检测。此外,还与其他文献中使用主成分图像或特征波段提取的纹理特征进行了对比。该研究主要创新点为：使用NSCT对特征波段图像进行融合后再提取其纹理特征,既降...     

基于Vis-NIR光谱的柑橘叶片黄龙病检测及其光谱特性研究

黄龙病作为柑橘类水果最具毁灭性的疾病之一,目前尚无有效的治愈手段,因此疾病预防成为已知的唯一有效方法。基于四种柑橘叶片(健康叶片、黄龙病叶片、铁缺乏叶片及氮缺乏叶片)VIS-NIR的反射光谱详细讨论了黄龙病的辨别方法以及在判别模型中光谱特征值的提取方法。在两类判别分析的特征值提取方法中,判别值(discriminability)运算的引入,为特征值提取提供了一个可靠依据,判别值越大表明光谱差异性越大。以被选特征值建立的Fisher线性判别分析模型,黄龙病与健康、铁缺乏、氮缺乏叶片的分类判别预测准确率分别都超过了90%,分类效果符合预期。最后,又讨论了分类树(classificationTree)在多类判别中的应用。通过对柑橘叶片原始反射谱,一阶导数谱及被选特征值分别建立分类模型,四种柑橘叶片平均预测准确度都超过88%,尤其是基于特征值的分类结果更是超过94%,验证了在多类判别中检测柑橘黄龙病的可行性及特征值提取的重要性。结合传统分类方法(k-NN, Bayesian)的结果分析,特征值作为输入变量的分类结果明显要优于原始光谱,证实了特征值选取的正确性,并为将来基于光谱特征值开发多光谱成像技术检测黄龙病打下坚实的基础。     

支持向量机复合核函数的高光谱显微成像木材树种分类

采用体视显微高光谱成像方法,构建木材树种分类识别模型。利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外（372.53～1 038.57 nm）波段内的木材高光谱图像。首先,采用ENVI软件提取木材样本感兴趣区域（ROI）的平均光谱,分别采用连续投影算法（SPA）和竞争性自适应重加权算法(CARS)对光谱数据进行降维。再利用支持向量机（SVM）分别建立木材样本采集波段和特征波长下的分类模型。然后,在空间维采用第一主成分图像,计算基于灰度共生矩阵（GLCM）的木材纹理特征。在0°,45°,90°和135°四个方向计算能量、熵、惯性矩、相关性等16个特征参数后输入SVM进行木材树种分类处理。最后,采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。20个树种的分类实验结果表明,CARS的特征波长选择效果和运行速度较好一些,采用普通SVM进行木材光谱维特征分类处理时,测试集分类准确率达到了92.166 7%。采用基于GLCM的木材空间维纹理特征时,采用普通SVM的测试集分类准确率是60.333 0%,具有较低的分类精度。在将光谱维和空间维纹理特征进行数据融合及分类处理时,采用复合核函数SVM分类具有更好的效果。采用第二个复合核函数的SVM分类精度最高,测试集分类正确率是94.166 7%,运行时间为0.254 7 s。另外,采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3%和92.610 0%,运行时间分别为0.180 0和0.260 2 s。可以看出,采用这3种复合核函数的SVM进行木材树种分类,分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。因此,利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度,为木材树种快速分类提供了参考。     

高光谱成像技术结合特征提取方法的草莓可溶性固形物检测研究

采用高光谱成像技术结合不同的特征提取方法,实现了对草莓可溶性固形物含量的检测。通过提取154颗成熟无损伤草莓的高光谱图像的874～1 734 nm范围光谱信息,对941～1 612 nm光谱采用移动平均法(moving average,MA)进行预处理。基于残差法剔除19个异常样本后将剩余135个样本分为建模集(n=90)和预测集(n=45)。采用连续投影算法(successive projections algorithm, SPA),遗传偏最小二乘算法(genetic algorithm-partial least squares, GAPLS)结合连续投影算法(GAPLS-SPA),加权回归系数(weighted regression coefficient, Bw)以及CARS法(competitive adaptive reweighted sampling)选择特征波长分别提取14,17,24与25个特征波长,并采用主成分分析(principal component analysis, PCA)与小波变换(wavelet transform, WT)分别提取20与58个特征信息。分别基于全波段光谱、特征波长与特征信息建立PLS模型。所有模型都取得了较好的效果,基于全波段光谱的PLS模型与基于WT提取的特征信息的PLS模型的效果最优,建模集相关系数(r_c)与预测集相关系数(r_p)均高于0.9。结果表明高光谱成像技术结合特征提取方法可用于草莓可溶性固形物含量的检测。     

高光谱图谱融合检测羊肉中饱和脂肪酸含量

为探究高光谱成像(400~1000 nm)对羊肉中饱和脂肪酸(SFA)含量检测的可行性,提出一种基于特征光谱信息和图像纹理特征融合的SFA含量预测模型,实现对羊肉中SFA含量的快速检测及分布可视化。利用分段阈值法构建掩膜图像,获取羊肉样本感兴趣区域(ROI),结合SPXY法对样本集进行划分并对相关光谱信息进行预处理,分别采用连续投影算法(SPA)、变量组合集群分析法(VCPA)和β权重系数法提取特征光谱;通过获取羊肉样本主成分图像,结合灰度共生矩阵(GLCM)算法提取图像纹理信息;分别对特征光谱、图像信息及图谱融合信息建立的偏最小二乘回归(PLSR)与最小二乘支持向量机(LS-SVM)预测模型进行对比分析。利用5种不同对原始光谱数据进行预处理,经SNV法预处理后的光谱其校正集与预测集相关系数分别为0.921和0.875,较原始光谱分别增加了0.001和0.04,均方根误差模型分别为0.244和0.268,较原始光谱模型分别减少了0.003和0.06;对SNV法预处理后的光谱数据进行特征波长提取,SPA法、VCPA法及β权重系数法分别提取出12,10和9个特征波长;获取羊肉样本的前5个主成分图像,选择所含信息量最多的第一主成分图像进行纹理特征提取,依次提取0,45°,90°和135°方向下的能量、熵、同质性和相关性共4个主要纹理特征。利用SPA法提取的特征波长建立的PLSR与LS-SVM模型性能较好,PLSR模型校正集与预测集相关系数分别为0.8849和0.8807,均方根误差分别为0.3001和0.2606;LS-SVM模型校正集与预测集相关系数分别为0.8987和0.8926,均方根误差分别为0.2767和0.2476;图谱信息融合模型中,PLSR模型校正集与预测集相关系数分别为0.9071和0.9078,较特征光谱模型分别增加了0.02和0.03,均方根误差分别为0.3269和0.2992,较特征光谱模型分别增加了0.03和0.04;LS-SVM模型校正集与预测集相关系数分别为0.9206和0.8946,较特征光谱模型分别增加了0.02和0.002,均方根误差分别为0.2519和0.2458,较特征光谱模型分别减少了0.02和0.002。光谱预处理中经SNV法处理后的光谱所建模型性能优于其他预处理方法;采用SPA法提取的12个特征波长简化了光谱模型,提高了模型性能,特征光谱建模的最优方法为SPA-LS-SVM;图谱信息融合模型较特征光谱模型,模型相关系数增加较少,表明图像纹理信息虽携带了部分有效信息,但这些信息与羊肉中SFA含量之间的相关性有待进一步研究。基于图谱信息融合模型的预测性能最优,其次为光谱信息模型。择优选取SPA-PLSR模型计算羊肉样本中每个像素点的SFA含量,利用伪彩色图直观表示了羊肉样本中SFA的含量分布。实现对羊肉样本SFA含量的无损检测及分布可视化表达。     

PCA和SPA的近红外光谱识别白菜种子品种研究

为了实现对不同品种白菜种子的快速无损鉴别,应用近红外光谱技术获取白菜种子的光谱反射率,首先采用变量标准化校正和多元散射校正对原始光谱进行预处理;其次,采用主成分分析法(PCA)对光谱数据进行聚类分析,从定性分析的角度得到三种不同白菜种子的特征差异,并采用连续投影算法(SPA)选取特征波长;最后,分别基于全波段光谱、PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长,建立了最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型进行白菜种子不同品种的鉴别。从主成分PC1、PC2得分图中可以看出,主成分1和2对不同种类白菜种子具有很好的聚类作用。基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型,其中基于特征波长建立的LS-SVM模型识别效果最优,建模集和预测集的品种识别率均达到100%。结果表明,通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息,提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果,为白菜种子品种的识别提供了一种新方法。     

大豆水分含量的高光谱无损检测及可视化研究

采用近红外高光谱成像技术对大豆水分含量进行快速无损检测,实现大豆水分含量可视化。采集了96个不同品种大豆样本在900～2 500 nm的高光谱图像,采用直接干燥法测量每个大豆样品的水分含量。利用系统自带的HSI Analyzer软件提取图像感兴趣区域（ROI）的平均光谱信息,代表样品的光谱信息。利用SPXY算法划分样品校正集和预测集,并保留938～2 215 nm波段范围内的光谱数据。采用移动平滑（moving average）、S-G平滑、基线校正（baseline）、归一化（normalize）、标准正态变量变换（standard normal variate,SNV）、多元散射校正（multiple scattering correction,MSC）、去趋势（detrending）共7种光谱预处理方法,发现Normalize方法处理后的PLSR模型效果较好。为了去除光谱冗余信息,简化预测模型,采用连续投影算法（SPA）、竞争性自适应加权算法（CARS）、无信息消除变量法（UVE）提取特征波长,其中SPA,CARS和UVE三种算法优选出14,16和29个波长,分别占总波长的6.5%,7.4%和13.4%。分别对938～2 215 nm波段光谱和特征波长建立预测模型,并将效果较优的模型与Normalize方法结合。建立的14种预测模型效果相比较,发现SPA算法筛选的特征波长建模预测效果较好,并优选出Normalize-SPA-PCR模型,模型的R２_C和Ｒ２_P值较高,分别为0.974 6和0.977 8,RMSEP和RMSECV值较低,分别为0.238和0.313,模型的稳定性和预测性较好,可以对大豆水分含量进行准确预测。将Normalize-SPA-PCR模型作为大豆水分含量可视化预测模型,计算高光谱图像每个像素点的水分含量,得到灰度图像,对灰度图像进行伪彩色变换,得到大豆水分含量可视化彩色图像。对预测集的24个大豆品种进行可视化处理,发现不同水分含量大豆的可视化图像颜色不同,水分含量变化对应的颜色变化较为明显。结果表明,高光谱成像技术结合化学计量学可以准确快速无损预测大豆水分含量,实现大豆水分含量可视化,为大豆收获、贮藏加工过程中水分含量检测提供了技术支持。     

基于可见与近红外光谱联用的柑桔黄龙病快速无损检测研究

黄龙病是柑桔果树的毁灭性病害,对柑桔产业危害巨大。基于模型平均理论,探讨联用可见与近红外光谱技术,提高柑桔黄龙病快速无损检测精度的可行性。采集记录柑桔叶片的可见与近红外光谱,经实时荧光定量PCR鉴别黄龙病叶片为轻度、中度和重度三类,缺素和正常样品也经PCR鉴定,共五类叶片。基于光谱直接拼接、光谱归一化拼接和模型平均三种不同策略,结合偏最小二乘判别分析(PLS-DA)和多元线性回归(MLR)方法,分别建立了柑桔黄龙病可见与近红外光谱联用无损检测模型。经比较发现,光谱联用模型的检测精度均高于可见或近红外单一检测模型,且经导数处理后的光谱直接拼接PLS-DA模型检测精度最高,模型预测相关系数为0.97,预测均方根误差为0.67,模型总误判率为3%,其原因是导数消除了光谱的基线漂移。光谱归一化拼接的PLS-DA模型检测精度次之,模型总误判率为7%。可见与近红外模型平均的检测精度最低,模型总误判率为7.2%。实验结果表明,联用可见与近红外光谱,结合光谱拼接方法,提高了柑桔黄龙病无损检测模型的检测精度,研究可为其他领域的光谱联用提供参考依据。     

基于光谱技术的双孢蘑菇新鲜度量化检测技术研究

双孢蘑菇质地柔嫩、营养丰富,具有很好的降血压、降血脂、消炎护肝等多种保健价值,其新鲜度是反映内外部品质的重要指标之一。目前双孢蘑菇新鲜度鉴别大多依据其外观品质变化（褐变）,缺乏精准的量化评价指标与方法,因此提出了以贮藏天数为新鲜度检测的量化指标,并利用近红外光谱技术对双孢蘑菇新鲜度进行检测分析。依据存储天数不同,将双孢蘑菇样本分为1~5组,每组40个样本,依次采集每组双孢蘑菇的近红外光谱数据。针对采集的原始光谱数据,首先选用卷积平滑滤波（SG）与多元散射校正（MSC）消除原始光谱噪声、基线平移以及光散射的影响,并选取399.81~999.81 nm的光谱波段作为数据处理范围;然后分别使用主成分分析（PCA）和连续投影算法（SPA）进行光谱降维和特征波长选择,继而建立极限学习机（ELM）分类模型;同时考虑到ELM模型中初始值对分类准确率影响较大,分别选用粒子群优化算法（PSO）、海鸥优化算法（SOA）对ELM中初始权值及阈值进行寻优,形成PSO-ELM,SOA-ELM优化组合分类模型;最后分别将全光谱、提取主成分以及所选的特征波长｛556.87,445.51,481.15,885.10,802.25,720.90,861.34,909.79,924.44,873.17 nm｝输入到分类模型中,建立不同输入、不同分类模型的双孢菇新鲜度检测模型。最终试验结果表明,当ELM为分类模型,以全光谱、主成分以及特征波长为输入时的预测精度分别为75%,95%,88%;以SPA优选特征波长作为输入的PSO-ELM、SOA-ELM分类模型训练集精度为96.25%,93.25%,预测集精度为92.5%,94%。可知,SPA波长选择算法可以有效降低光谱信息中存在的冗余信息,加快建模效率,同时海鸥优化算法能较好的优化ELM分类模型的初始参数,分类精度较ELM模型提高了6.8%,同时不产生过拟合现象。因此,利用光谱特征可以快速、准确无损的识别双孢蘑菇的新鲜度,研究结果为便携式双孢蘑菇新鲜度快速无损检测设备的开发提供了理论依据。     

光谱特征波长的SPA选取和基于SVM的玉米颗粒霉变程度定性判别

利用波长范围在833～2 500 nm的傅里叶变换近红外光谱(Fourier transform near infrared spectroscopy, FT-NIR)对不同霉变程度的玉米颗粒进行检测区分。首先,为避免光谱数据首尾噪声影响,对比四种常见的预处理方法,最终选择移动平均平滑法对原始光谱数据进行预处理;然后为选出合适的样本集划分方法以提高模型预测性能,对常见的四种方法进行对比,最终利用SPXY(sample set partitioning based on joint x-y distance)法进行样本集划分;进一步为减少数据量,降低维度,使用连续投影算法(successive projections algorithm, SPA)提取出7个特征波长,分别为833,927,1 208,1 337,1 454,1 861和2 280 nm;最后,将七个特征波长数据作为输入,选取径向基函数(radial basis function, RBF)作为支持向量机(support vector machine, SVM)核函数,取参数C=7 760 469,γ=0.017 003建立判别模型。SVM模型对训练集和测试集的预测准确率分别达到97.78%和93.33%。另取不同品种的玉米颗粒,以同样的标准挑选样品组成独立验证集,所建立的判别模型对独立验证集的预测准确率达到91.11%。结果表明基于SPA和SVM能有效地对玉米颗粒霉变程度进行判别,所选取的7个特征波长为实现在线霉变玉米颗粒近红外检测提供了理论依据。     

便携式短波近红外光谱仪器检测土壤总氮含量研究

基于便携式短波近红外光谱技术检测了土壤总氮含量。采集浙江省文城地区农田土壤样本243个,将土壤样本分为三组,一组未经过粉碎、过筛等处理,一组做过2 mm筛处理,一组过0.5 mm筛过处理,采用usb4000便携式光谱获取土壤光谱数据,结合(savitzky-golay, SG)平滑算法,波长压缩算法和小波变换对原始数据进行预处理,然后采用竞争性自适应重加权、随机青蛙和连续投影算法进行特征波长选择。基于全光谱建立了偏最小二乘回归和基于特征波长建立了极限学习机和LS-SVM模型。结果表明过筛处理后的样本模型结果优于未过筛的样本模型结果,过0.5 mm筛处理的土壤样本模型预测结果略优于过2 mm筛处理的土壤样本模型预测结果,最优预测集的决定系数为0.63,预测均方根误差为0.007 9,剩余预测偏差为1.58。表明便携式仪器检测土壤总氮含量,经过过筛处理的土壤样品检测结果优于未过筛土壤样品检测结果,建议土壤样品检测总氮含量时需经过过筛处理,这样得到的结果较为理想,在此基础上采用性能较好的光谱仪器采集数据,以减小原始光谱噪声。