应用近红外光谱快速鉴别酸奶品种的研究

提出了一种用近红外光谱技术快速鉴别酸奶品种的新方法。首先应用光谱仪获得5种典型酸奶品种的光谱曲线,用主成分分析法对5种酸奶品种进行聚类分析,再结合人工神经网络技术建立模型进行品种鉴别。主成分分析表明,主成分1和主成分2的累积可信度已达98.96%,前7个主成分的累积可信度达到99.97%。以每一个样品的前7个主成分作为神经网络的输入,品种类型作为神经网络的输出,建立三层BP人工神经网络模型。每个品种各27个样本,5个品种共135个样本用来建立神经网络模型,余下每个品种各5个共25个用于预测。建模品种的拟合率和预测品种的识别率均为100%。说明该方法能快速无损的检测酸奶品种,为酸奶的品种鉴别提供了一种新方法。     

基于近红外光谱和仿生模式识别玉米品种快速鉴别方法

文章提出了一种采用近红外光谱快速鉴别玉米品种的新方法,并对不同品种的玉米种子建立了相应的鉴别模型。对7个玉米品种共140个样本,通过近红外光谱仪扫描获得4 000～12 000 cm-1波段范围内的光谱数据。为了消除噪声、提高数据处理效率,对原始数据进行了归一化预处理,采用固定尺寸移动窗口渐进因子法(fix-sized moving window evolving factor analysis)寻找特征波段,使用主成分分析(PCA)方法得到能反映玉米种子99.96%光谱信息的5个主成分,进而利用仿生模式识别(biomimetic pattern recognition)方法建立玉米品种的鉴别模型。对于每个品种中的20个样本,随机挑选10个样本作为训练样本,其余10个样本作为第一测试集,其他品种共120个样本作为第二测试集。在对第二测试集平均正确拒识率达到99.1%的情况下,对第一测试集中的样本取得了94.3%的平均正确识别率。该方法具有较高的鉴别准确度,可以作为一种快速无损的玉米品种鉴别方法。     

基于近红外光谱的商品玉米品种快速鉴别方法

现有的玉米种子品种鉴别方法检测时间长,费用高,不易大批量快速鉴别。提出了一种基于近红外光谱数据快速鉴别商品玉米品种的新方法。先使用傅里叶变换近红外光谱仪获得从4 000到12 000 cm-1波段范围的37个商品玉米品种籽粒的漫反射光谱数据。对原始光谱进行矢量归一化预处理以消除噪声干扰,为了找到玉米品种籽粒的光谱特征波段,提出一种基于标准差的方法,进而对寻找到的玉米籽粒特征波段光谱做主成分分析(PCA),取能反映玉米品种 99.98％ 光谱信息的前10个主成分。最后使用仿生模式识别 (BPR)方法建立了37个玉米品种鉴别模型,对于每个品种的25个样本,随机挑选15个样本作为训练样本,其余10个样本作为第一测试集,其他品种共900个样本作为第二测试集。该鉴别模型对于37个玉米品种的平均正确识别率为94.3%。该方法的进一步研究有利于建立以近红外光谱为基础的物理指纹品种鉴别技术。     

基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究

提出了一种用近红外光谱技术快速鉴别苹果品种的新方法,首先用主成分分析法对苹果品种进行聚类分析并获取苹果的近红外指纹图谱,再结合人工神经网络技术进行品种鉴别。主成分分析表明,主成分1和主成分2的累积可信度已达98％,以主成分1和2对所有建模样本的得分值做出的得分图,对不同种类苹果具有很好的聚类作用。利用主成分分析得到的载荷图可以得到对于苹果品种敏感的特征波段,用特征波段图谱作为神经网络的输入建立三层BP人工神经网络模型。每个品种各25个苹果共75个用来建立神经网络模型,余下的共15个用于预测。对未知的15个样本进行预测,品种识别准确率达到100%。说明文章提出的方法具有很好的分类和鉴别作用,为苹果的品种鉴别提供了一种新方法。     

一种基于可见-近红外光谱快速鉴别茶叶品种的新方法

提出了一种用可见-近红外光谱技术快速无损鉴别茶叶品种的新方法。应用可见-近红外光谱仪测定5个品种茶叶的光谱曲线,用主成分分析法对不同品种茶叶进行聚类分析并获得茶叶的可见-近红外光谱数据的主成分,再结合人工神经网络技术建立模型进行品种鉴别。主成分分析表明,以主成分1和2对所有建模样本的得分值做出的得分图,对不同种类茶叶具有较好的聚类作用,可以定性分析茶叶种类。把主成分分析得到的前6个主成分作为神经网络的输入,茶叶品种值作为神经网络的输出,通过5个茶叶品种共125个样本的训练和学习,建立了茶叶品种鉴别的3层BP人工神经网络模型,对未知的25个样本进行鉴别,品种识别准确率达到100%。说明本文提出的方法具有很好的分类和鉴别作用,为茶叶的品种快速鉴别提供了一种新方法。     

应用可见-近红外光谱快速识别沙棘汁品牌

为了实现沙棘汁品牌的快速无损鉴别,提出了采用可见-近红外光谱分析技术(NIR)鉴别沙棘汁品牌的方法。采用FieldSpec3光谱仪对三种沙棘汁进行光谱分析,各获取40个样本数据。采用平均平滑法和多元散射校正(MSC)方法对样本数据进行预处理,再用主成分法(PCA)对光谱数据进行聚类分析并获得各主成分数据。将120个沙棘汁样本随机分成90个建模样本和30个预测样本,把基于累计可信度选择的建模样本的8个主成分(PCs)数据作为BP网络的输入变量,沙棘汁品牌作为输出变量,建立三层反向传播(BP)神经网络鉴别模型,并对30个预测样本进行预测。结果表明,在阈值设定为±0.1的情况下,该模型对预测集样本品牌鉴别准确率达到了100%。所以应用近红外光谱技术结合主成分分析和BP神经网络算法识别沙棘汁品牌是一种有效的方法。     

基于可见/近红外光谱的水稻品种快速鉴别研究

提出了一种应用可见/近红外光谱技术与化学计量学相结合的快速、无损鉴别稻谷品种的新方法。收集了5个品种水稻共150个样本作为实验样本,通过可见/近红外光谱仪扫描这些样本获得了从350 nm到1 075 nm波长范围的光谱信息。将样本的光谱信息进行小波分解以消除高频噪声。将去噪声后的光谱数据经主成分分析压缩成数目较少的新变量(主成分),压缩得到的前4个主成分能够解释99.891%的原始光谱信息。将前4个主成分作为BP神经网络的输入,不同水稻品种值的二进制代码值作为BP神经网络的输出,建立稻谷品种的模式识别模型。模型的预测误差阈值是0.2,模型是3层网络结构,各层的节点分别是4,9和3。150个样本被随机的分成包含100个样本的建模集和50个样本的预测集。结果表明,预测未知的50个样本的正确率达到96%。说明该方法具有较高的鉴别准确度,为稻谷品种的快速无损鉴别提供了一种新的方法。     

应用近红外光谱技术快速检别酱油品牌的研究

提出了一种采用近红外光谱快速鉴别酱油品牌的新方法,对不同品牌的酱油建立相应的指纹模型。对市场上8种典型品牌的酱油,通过近红外透射获取光谱曲线,选择了其中噪声较小的7 625～3 684 cm-1共3 942个波段作为建模分析数据。为了减少原始数据量,提高数据处理效率,对原始数据进行了多项式平滑拟合等预处理,采取主成分分析法,得到能反映酱油99.99%光谱信息的8个主成分。由这8个主成分得到的得分图,可以区分其中某几个品牌,但是不能做到区分全部品种,因此选取了人工神经网络进行了进一步信息提取与种类判别。将8个主成分作为人工神经网络的输入,对应的酱油品牌作为输出,通过不断调整参数,建立了最优的BP神经网络。8个品牌共242个样本作为建模学习样本,每个品牌各10个共80个样本作为检验样本。结果表明,在0.98的置信区间里取得了98.75%的识别正确率,为不同等级和品牌的酱油鉴别提供了一种新的方法。     

基于光谱技术鉴别机油品种的新方法

提出了一种用可见-近红外透射光谱技术快速鉴别机油品种的新方法,应用可见-近红外光谱仪测定三种机油的光谱曲线,然后用主成分分析法对不同品种的机油样本进行聚类分析,并获取机油可见-近红外光谱的特征信息,再结合多类判别分析技术建立机油占占种鉴别的模型.对经过预处理的光谱数据进行主成分分析.结果表明,以样本在第一主成分和第二主成分卜的得分做出的二维散点图,对不同种类机油具有很好的聚类,能定性区分不同种类机油;经过主成分分析得到的前8个主成分的累积可信度已达95.38%,说明这8个变量能够代表绝大部分原始光谱的信息.从180个样本中随机抽取150个样本用于建立多类判别分析品种鉴别模型,余下的30个样本用于验证.对未知的30个样本进行品种预测,准确率为100%.证明本方法具有明显的分类和鉴别作用,为不同品种的机油鉴别提供了一种新方法.     

基于仿生模式识别和近红外光谱的转基因小麦快速鉴别方法

提出了一种采用近红外光谱快速鉴别转基因小麦种子的方法,对不同品种的9个转基因小麦样品种子分别建立了鉴别模型。对9个小麦样品共225个样本,通过近红外光谱仪扫描获得从4 000～12 000 cm-1波段范围的光谱数据。为了消除噪声,对原始数据先进行了归一化预处理;然后使用主成分分析(PCA)方法得到能反映小麦种子97.28%光谱信息的前10个主成分,提高了数据处理效率;最后利用仿生模式识别(biomimetic pattern recognition, BPR)方法建立小麦品种的鉴别模型。对于每个样品中的25个样本,随机挑选15个样本作为训练样本,其余10个样本作为第一测试集,其他品种共200个样本作为第二测试集。在对第二测试集平均正确拒识率达到96.7%的情况下,对第一测试集中的样本取得了95.6%的平均正确识别率。实验结果表明,该方法具有较高的鉴别准确度,可以作为一种快速无损的转基因小麦种子鉴别方法。     

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。     

基于可见/近红外光谱技术的番茄叶片灰霉病检测研究

利用可见/近红外光谱技术对感染灰霉病的番茄叶片感染程度进行了检测。提出了主成分分析结合BP神经网络的数据处理方法。采用主成分分析进行数据的降维,减少了计算量,提高了建模精度。通过主成分分析中的载荷值,定性地分析了不同波段对病害程度检测的重要性。将得到的最主要的几个主成分输入BP神经网络进行建模,预测结果显示,当主成分数为8,隐含层结点数为11的时候,病害程度的检测模型对未知样本预测的相关系数达到0.930,SEP为0.068 7,模型具有良好的检测效果。说明基于光谱技术和化学计量学方法的灰霉病检测模型具有很好的检测能力,为光谱技术应用于病害检测提供了新的方法。     

近紫外-可见-短波近红外多光谱成像数据的糯玉米种子热损伤粒的无损快速鉴别

为对糯玉米种子热损伤粒进行无损快速鉴别并探索热损伤过程对糯玉米种子的影响,以糯玉米种子“京科糯2000”为例,用Videometer近紫外-可见-短波近红外多光谱成像仪分别以胚面向上和胚面向下方式采集糯玉米种子对照组及热损伤组多光谱成像数据,分别提取胚面向上胚部、胚面向上胚乳部、胚面向下胚乳部单点多光谱数据,并对胚面向上胚部和胚面向上胚乳部多光谱数据做初级融合;对多光谱数据进行基线校正预处理后计算各光谱数据样本标准差,进而通过光谱数据样本标准差的变化分析热损伤对糯玉米种子各部位的影响;基于多光谱数据采用偏最小二乘-判别分析算法建立糯玉米种子热损伤粒无损鉴别模型,对所建模型进行全交互验证,并与近红外光谱数据模型比较。结果表明,热损伤对糯玉米种子胚、胚乳有不同的影响,多光谱数据和近红外光谱数据表现出一致的变化趋势。采用多光谱数据建立热损伤粒鉴别模型,各模型前3主成分得分3D散点图中,对照组和热损伤组样品表现出一定的分离趋势,校正数据正确率在96%~100%之间,交互验证数据正确率在92%~100%之间,其中,糯玉米种子胚面向上胚部光谱和胚乳部光谱初级融合数据建模效果最好,校正数据正确率100%,交互验证数据正确率在98%~100%之间。作为对比,采用近红外光谱数据建立糯玉米种子热损伤粒偏最小二乘-判别分析模型,胚面向上、胚面向下以及二者初级融合数据模型的前3主成分得分3D散点图中,对照组和热损伤组样品表现出较好的分离趋势,各模型校正数据、交互验证数据正确率皆为100%。本研究表明,采用近紫外-可见-短波近红外多光谱成像对糯玉米种子的热损伤粒进行无损快速识别具有较好的可行性,多光谱成像数据各变量样本标准差和近红外光谱数据各变量样本标准差呈现一致的规律;采用胚和胚乳融合多光谱数据所建模型在各模型中具有更高的正确率。     

实用化商品玉米籽粒的近红外光谱品种判别方法研究

近年来利用近红外光谱进行农作物品种判别成为农产品检测的一个新兴方向.该文提出一种基于近红外光谱的新的实用化商品玉米品种判别系统,此系统既能对系统学习过的品种做出准确判别也能对未学习过的品种做出准确拒识.首先采用一阶导数法对原始光谱进行预处理,光谱数据经主成分分析后,根据仿生模式识别理论建立判别模型.在建市模型时文章使用了基于二维单形的Ψ-3神经元作为覆盖单元,并提出了包含指数的概念以辅助判定样品的唯一归属.测试结果表明,该系统对参与建模的品种有较强的判别能力,即使建模品种达到34个时系统平均正确判别率仍达到91.8%.同时对于未参与建模的品种也有较强的拒识能力,平均正确拒识率达到95%以上.     

高光谱成像技术检测玉米种子成熟度

成熟度是影响种子活力的重要因素之一,是种子质量的重要指标。种子分级时将成熟种子和未成熟种子区分开来可提高种子批活力,使种子批活力具有一致性。采用400~1 000 nm波段范围的高光谱成像技术研究成熟和未成熟玉米种子,找出二者区分度最高的特征波段图像,通过图像处理方法进行种子分类。选用主成分分析(PCA)法分析高光谱图像,分析差异最明显的PC2主成分图像的各波段权重系数并提取出特征波段(501 nm)。从70粒成熟度较低玉米种子样本高光谱图像上选取成熟和未成熟两类感兴趣区域,采用偏最小二乘回归(PLSR)法分析两类感兴趣区域的平均光谱,选取与成熟度相关的敏感波段(518 nm)。采用波段比运算并结合KW检验,分析两类感兴趣区域的平均光谱,找出差异最大的最优波段比(640 nm/525 nm)。以864粒玉米种子为研究对象,提取特征波段对应的单波段图像和最优波段比对应的波段比图像,采用图像处理技术分析图像并判别。结果表明：采用单波段灰度图像分割容易将玉米种子冠部的浅色部分误识别为种子成熟度较低的区域,识别准确率低;而采用640 nm/525 nm的波段比图像可以减轻这种不利影响,平均正确识别率为93.9%。该方法可以有效识别未成熟的玉米种子,为进一步开发在线分级装备提供了依据。     

基于光谱技术的杨梅汁品种快速鉴别方法的研究

为了实现杨梅汁品种的快速无损鉴别,提出了一种用可见和近红外光谱技术快速鉴别杨梅汁品种的新方法。首先采用偏最小二乘法进行模式特征分析,经过交互验证法判别,确定最佳主成分数为9。完成特征提取后,将这9个主成分作为神经网络的输入变量,建立了三层BP神经网络,实现类别预测的同时也完成了数学建模与优化分析工作。3个品种的杨梅汁样本数均为20,共计60个样本。在神经网络学习中,将其分成训练集样本51个和预测集样本9个。对9个未知样本进行预测,准确率为100％。说明本文提出的基于光谱技术和模式识别的方法具有很好的分类和鉴别能力。     

花生种子品质的可见-近红外光谱分析

利用600～1 100 nm波段研究花生品种的可见-近红外反射光谱,对选取的三种具有代表性的花生种子进行实验。使用近红外光纤光谱仪采集光谱数据,对原始光谱进行小波分析以提取光谱特征,再用主成分分析方法进行聚类分析,最后把每一个样品的前4个主成分得分作为识别模型的输入,品种类别作为模型的输出,以马氏距离作为判别函数,建立了线性判别分析模型。对于每个品种的50个样品,随机挑选30个样本作为训练集,剩余的20个样本作为预测集。该识别模型对3个花生品种的平均正确识别率为95%。表明该方法能有效的识别花生种子,得到较好的分类效果,为花生种子品质的区分和鉴别提供了一种新方法。     

基于高光谱成像技术结合SPA和GA算法测定甜玉米种子电导率

种子活力对于农业发展至关重要,而甜玉米种子普遍存在活力较低且不耐贮藏的问题。因此,及时准确地对甜玉米种子活力进行检测尤为重要。电导率测定法作为一种传统的种子活力检测方法,存在对种子有一定破坏性、耗时较长、重复性不佳等缺点。针这些问题,尝试利用可见-近红外（VIS-NIR）高光谱成像系统结合化学计量学算法建立甜玉米种子电导率快速、无损且精确的检测方法。以高温高湿老化的绿色超人甜玉米种子为试验材料,先通过可见-近红外高光谱成像系统采集种子的高光谱图像和进行电导率测定试验,随后对高光谱图像进行黑白板校正、提取感兴趣区域,获取光谱反射率数据。利用多种预处理方法分别为标准正态变量变换（SNV）、二阶导（SD）、一阶导（FD）、和多元散射校正（MSC）建立甜玉米种子电导率的偏最小二乘回归（PLSR）模型,比较分析并筛选出最适预处理方法。再通过连续投影算法(SPA)及遗传算法（GA）对MSC预处理后的高光谱波段进行筛选提取,基于选出的特征波段建立PLSR模型,并与全波段（Full）PLSR模型进行对比分析,得到与甜玉米种子电导率相关性最高的高光谱波段组合,最终确立一种能够预测甜玉米种子电导率的方法体系。实验结果显示：不同预处理方法（SNV,FD,SD和MSC）建立的PLSR模型性能有所差异,其中MSC-PLSR模型的表现最优秀,其校正决定系数和预测决定系数分别为0.983和0.974,相应的校正均方根误差和预测均方根误差分别为0.165和0.226。进一步分析MSC-Full-PLSR,MSC-SPA-PLSR和MSC-GA-PLSR模型,发现GA能够将全光谱的853个波段压缩至25个有效波段,所建立的MSC-GA-PLSR模型仍表现优秀,其校正决定系数和预测决定系数分别为0.976和0.973,相应的校正均方根误差和预测均方根误差分别为0.194和0.212。实验结果表明：基于可见-近红外（VIS-NIR）高光谱成像系统结合化学计量学算法实现对甜玉米种子电导率的预测存在一定的可行性。该研究为甜玉米种子电导率的快速、无损且精确的检测提供一定的理论支持。     

玉米品种近红外光谱的特征分析与鉴别方法

以玉米种子的4 000~12 000 cm-1波段的漫反射近红外光谱为研究对象,提出了一种鉴别玉米品种的新方法。采用主成分分析法(PCA)来研究数据特征,发现近红外光谱在特征空间中具有显著的长条状分布特征,为此我们研究了改变样本点在PCA空间中的分布对品种鉴别的影响,并提出了归一化主成分分析(NPCA)的特征提取算法,同时还根据近红外光谱的数据分布特点提出了一种主方向仿生模式识别的分类算法,进一步提高了鉴别正确率。鉴别模型对第一测试集的平均正确识别率达到了97.67%,平均正确拒识率达到了98.40%,30个品种中的13个达到了100%的正确识别率;对第二测试集的平均正确拒识率达到了98.90%,有11个品种达到了100%的正确拒识率,具有较高的鉴别准确度。     

基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究

研究了人工神经网络在激光诱导击穿光谱(LIBS)塑料分类识别方面的应用。选用七种常见的塑料作为实验样品,获得每种样品的170组LIBS光谱数据,利用主成分分析获得前五个主成分的得分矩阵。用每种塑料样品的130组光谱数据的主成分得分矩阵作为训练集,建立反向传播(BP)人工神经网络模型。将其余40组主成分得分作为测试数据输入训练好的模型进行分类识别,其识别准确度达到97.5%。实验结果表明,通过采用主成分分析与BP人工神经网络相结合的方法,可以很好地进行塑料激光诱导击穿光谱的分类识别,对塑料的回收利用有重要价值。