基于紫外‐可见透射光谱技术和极限学习机的早期鸡胚雌雄识别

为了对鸡种蛋胚胎进行雌雄识别,探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性,搭建了鸡种蛋透射光谱检测系统,采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱,光谱范围为360~1 000 nm。构建极限学习机（ELM）鸡胚雌雄识别模型,通过比较不同放置方式和孵化天数下模型的识别准确率,发现竖向放置且孵化第7 d的识别效果最好;将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、可见光（380~780 nm）、近红外（780~1 000 nm）、紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析,预测集准确率分别为82.86%,77.14%,75.71%,84.29%和81.43%,筛选出360~780 nm的紫外-可见光波段为有效波段;在紫外-可见光（360~780 nm）波段,采用多元散射校正（MSC）去噪,并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维,建立不经筛选特征波长、CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。其中不经筛选特征波长的ELM模型识别效果最好,但输入变量最多,隐含层神经元为680且激活函数为sig时,预测集准确率为84.29%。SPA筛选特征波长的ELM模型识别效果次之,输入变量有9个,隐含层神经元为840且激活函数为hardlim时,预测集准确率为81.43%。CARS筛选特征波长的ELM模型识别效果最差,输入变量有27个,隐含层神经元为100且激活函数为sig时,预测集准确率为78.57%;用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值,不经筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,SPA筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,CARS筛选特征波长建立的GA-ELM模型,预测集准确率为81.43%。紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同,表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息,SPA使用的变量数仅占紫外-可见光波段的2.14%,因此,雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型,预测集准确率为87.14%,其中,雌性识别率为88.57%,雄性识别率为85.71%,单个样本平均判别时间0.080 ms。结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。     

高光谱成像技术鉴别鱼新鲜度

采用高光谱成像技术对鱼新鲜度进行检测研究。首先,提取鱼样本感兴趣区域(region of interest, ROI)光谱,分别采用竞争性自适应重加权算法(CARS),连续投影算法(SPA)和遗传算法(GA)提取特征波长,三种算法分别得到57,31和66个特征变量,采用最小二乘支持向量机和SIMCA作为分类模型,将57,31和66个特征变量作为LS-SVM和SIMCA模型的输入变量建立分类模型,基于SPA-LS-SVM和CARS-LS-SVM模型预测集识别率分别达到了98%和96%,而采用SIMCA建立的模型取得了较差的预测结果,GA-SIMCA, SPA-SIMCA和CARS-SIMCA模型预测集识别率都只是达到了52%。结果表明,LS-SVM作为分类模型优于SIMCA模型,SPA和CARS选择的特征波长,不但可以简化模型,还可以提高模型的预测精度,采用高光谱成像技术可以有效检测鱼的新鲜度,并能准确检测出鱼不同冻融次数和冷冻时间。     

SiPLS-CARS与GA-ELM对哈密瓜冠层叶片含水率的反演估测

传统的叶片含水率检测方法效率低、操作繁琐且是有损的检测,不利于大田哈密瓜叶片含水率的快速获取。为实现对大田哈密瓜生长期进行更精细的田间灌水管理,利用光谱技术分别获取了哈密瓜植株在成长期（M₁）、开花期（M₂）、结果期（M₃）、成熟期（M₄）四个时期内的冠层叶片样本,采用烘干法测得叶片样本的含水率。为提高预测模型的精度和稳定性,首先开展并讨论极限学习机（ELM）模型中的核函数与隐含层神经元个数的选择对ELM模型精度的影响。随后分别利用联合子区间偏最小二乘法（SiPLS）及其与竞争性自适应重加权采样法（CARS）、遗传算法（GA）、连续投影算法（SPA）的组合算法对全波段光谱数据中与叶片含水率相关性高的特征波长进行筛选提取。再分别使用GA与粒子群算法（PSO ）对已经确定最佳核函数与隐含层神经元个数的ELM模型中的输入层与隐含层间的连接权值（W）和隐含层神经元阈值（B）进行优化选择,获取最优且稳定的W与B值,进一步提高模型的稳定性和预测精度。最后将四种特征波长提取算法优选出的特征波长分别进行ELM,GA-ELM,PSO-ELM建模分析,以校正集和预测集的相关系数R_c与R_p为模型评价指标,经过对比分析优选出能准确预测哈密瓜冠层叶片含水率的反演估测模型。采用SiPLS及其与CARS,GA和SPA的组合算法提取特征波长,筛选出的变量数分别为273,20,32和6,占全光谱变量的15.6%,1.2%,1.9%和0.03%。进一步将筛选出的特征波长作为自变量,叶片的含水率作为因变量,建立了ELM的预测模型,最佳预测精度R_p值为0.845 0,预测精度不是很理想。故引入GA与PSO对ELM中随机产生的W与B值进行优化选择。最终,经过研究发现,利用GA优化后的ELM模型结合SiPLS-CARS筛选出的特征波长建立的哈密瓜冠层叶片含水率预测精度最优,故反演叶片含水率的最优建模方式为SiPLS-CARS-GA-ELM,R_c值为0.928 9,R_p值为0.903 2,所建模型精度较高,可为大田哈密瓜冠层叶片的含水率进行快速检测,为田间灌溉管理提供科学依据。     

高光谱成像的油菜和杂草分类方法

利用高光谱成像技术结合化学计量学方法对油菜中的杂草进行分类识别。采用近红外高光谱技术,通过正态变量变换(SNV)、去趋势化(De-trending)、多元散射校正(MSC)、移动平均平滑法(MA)、多项式卷积平滑法(SG)、基线校正(baseline)及归一化(normalize)算法对光谱数据进行预处理,采用主成分载荷(PCA loadings)、载荷系数法(x-LW)、回归系数法(RC)、连续投影算法(SPA)分别进行特征波长提取,采用偏最小二乘判别分析(PLS-DA)、极限学习机(ELM)和支持向量机(SVM)建立分类模型。结果表明,基于De-trending 预处理,通过PCA loadings,x-loading weights及SPA特征波长提取方法,基于极限学习机ELM算法建立的模型取得了最优的分类效果,建模集和预测集的分类精度均达到100%,另引入平均分类精度的指标,发现不同试验时间下,模型分类精度变化不大,表明应用近红外高光谱成像技术对油菜和杂草进行分类是可行的。     

应用高光谱鉴别黑枸杞和唐古特白刺果

黑枸杞含有花青素、多糖、氨基酸和微量元素等多种营养成分,具有极高的经济和医药价值,其市场价格很高。唐古特白刺果外观和黑枸杞极为相似,其价格较低,经常被用于冒充黑枸杞。高光谱图像技术结合图像和光谱于一体, 常用于食品检测和识别等领域。结合高光谱图像技术,无损识别黑枸杞和唐古特白刺果。采集黑枸杞（180份）和唐古特白刺果（180份）的高光谱图像,利用掩膜提取光谱,光谱范围为900～1 700 nm,共254个波段,去除前22个异常波段。采用Kennard-Stone法划分样品,校正集∶预测集=2∶1;采用连续投影算法（SPA）法对光谱进行降维,设定提取特征波长范围为0～30,最终提取特征波长为20个;分别将全光谱（FS）和SPA提取的20个特征波长作为模型输入,建立支持向量机（SVM）和极限学习机（ELM）识别模型。结果表明,基于FS和SPA建立的SVM模型识别率为100%;基于FS和SPA建立的ELM模型识别率为100%;SPA法在不降低模型识别精度的情况下,能减少模型输入,输入仅为FS的8.62%,大大降低模型运算量。此研究为识别黑枸杞和唐古特白刺果提供了参数。     

高光谱无损识别野生和种植黑枸杞

高光谱图像技术在农产品检测及识别方面有广阔的应用前景。野生黑枸杞经济效益显著,经常被种植黑枸杞冒充。提出一种利用高光谱图像对野生黑枸杞无损快速识别的方法。主要内容和结果如下：（1）共采集256份（野生、种植各128份）黑枸杞在900～1 700 nm范围的高光谱反射光谱,每份平均光谱作为此样品的光谱;（2）采用标准正态变换（SNV）对采集的光谱预处理;基于Kennard-Stone法,按照校正集和预测集比例为2∶1对样品划分,用连续投影算法（SPA）对光谱进行降维处理,提取特征波长30个;分别将全光谱和SPA 提取的30个特征波长作为模型输入,建立支持向量机（SVM）、极限学习机（ELM）和随机森林（RF）识别模型。（3）结果表明,在识别野生黑枸杞模型中,基于全光谱和SPA建立的SVM,ELM和RF模型校正集识别率均高于98.8%,基于全光谱和SPA建立的SVM,ELM和RF模型预测集识别率均高于97.7%。基于全光谱（FS）建立的三种识别模型略优于基于SPA建立的三种识别模型。但从简化模型方面,SPA提取的特征波常数仅为全光谱的11.8%,大大降低了模型运算量。三种模型中,基于随机森林模型无损识别野生黑枸杞效果最好,均达到100%。研究表明,利用高光谱图像技术结合分类模型可快速识别野生黑枸杞。     

基于近红外光谱的安胎丸生产年份预测方法

随着中药制剂存储时间的延长,其有效成分含量逐渐降低。化学检测手段损耗样品、检测时间长、成本高,利用近红外光谱对不同年份的经典名方安胎丸进行年份鉴别。为探讨这种无损、快速质量控制方式的可行性,采集了三年的105粒样本在1 000～1 799 nm波段近红外光谱吸光度数据,随机选择80个作为训练集, 25个作为测试集。首先采用连续投影算法(SPA),消除原始光谱数据中的冗余信息,对输入全光谱进行优化降维,根据测试集的内部交叉验证均方根误差值,从输入的800个波长中提取出11个特征波长,分别是:(1 692, 1 714, 1 405, 1 001, 1 114, 1 478, 1 514, 1 788, 1 202, 1 014, 1 164) nm;然后建立支持向量机(SVM)分类模型,由于SVM模型中的参数选取对分类正确率影响很大,利用粒子群优化(PSO)算法,对SVM模型中惩罚参数C和核函数参数进行寻优,形成PSOSVM分类模型;最后将SPA降维后的特征波长输入到PSOSVM分类算法中。用Matlab软件进行仿真测试,分别构建SVM, SPA-SVM和本文的SPA-PSOSVM三种方法分类模型,分类测试正确率分别达到了76%, 92%和100%。从仿真结果可以看出, SPA波长优选可有效地降低光谱信息中存在的冗余信息,减少建模所需的时间,结合PSOSVM分类模型降低了模型的复杂度,提高分类精度。结果证实,依照所建立的利用近红外算法,可以准确无损区分中药制剂安胎丸生产的年份,该研究可为中药制剂年份间差异评价提供一种思路。     

EMD和SPA算法在光谱法检测面粉过氧化苯甲酰添加量中的应用

将经验模态分解(EMD)和连续投影算法(SPA)结合用于面粉过氧化苯甲酰(BPO)添加量的近红外光谱检测分析中。在波长898～1 725 nm范围内采集添加了BPO的面粉样本光谱,先通过EMD分解法对其进行噪声预处理,然后利用SPA算法提取光谱特征波长。EMD处理后的光谱建模精度比原始光谱建模精度大大提高,通过SPA算法从512个波长中提取了7个特征波长,基于特征波长建立的模型,与EMD处理后全波长建模结果相比,建模波长个数大幅缩减,但是模型精度与全谱建模相当,结果表明：EMD和SPA结合可有效用于面粉BPO检测的光谱去噪和特征波长提取,该结果为开发便携式面粉BPO检测仪提供了参考和依据。     

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。     

高光谱与机器学习相结合的大白菜种子品种鉴别研究

提出了基于高光谱信息的大白菜种子品种分类识别方法。利用近红外高光谱图像采集系统采集了八种共239个大白菜种子样本;提取15 pixel×15 pixel感兴趣区域平均光谱反射率信息作为样本信息;采用多元散射校正预处理方法对光谱进行消噪;验证了Ada-Boost 算法、极限学习机(extreme learning machine, ELM)、随机森林(random forest, RF)和支持向量机(support vector machine, SVM)四种分类算法的分类判别效果。为了简化输入变量,通过载荷系数分析选取了10个大白菜种子品种分类判别的特征波长。实验结果表明,四种分类算法基于全波段的分类识别对81个预测样本的正确区分率均超过90%,最优的分类判别模型为ELM和RF,识别正确率达到了100%;以10个特征波长的分类判别精度略有下降,但输入变量大幅减少,提高了信息处理效率,其中最优分类判别模型为EW-ELM模型,判别正确率为100%,因此以载荷系数选取的特征波长是有效的。利用高光谱结合机器学习对大白菜种子品种进行快速、无损分类识别是可行的,为大白菜种子批量化在线检测提供了一种新的方法。     

基于ELM和可见/近红外光谱的鲜枣动态分类检测

枣营养丰富且品种繁多,不同品种的内外部品质与市场价格均存在差异,为了实现鲜枣品种分类的快速无损检测,以产自同一地区的板枣、鸡心枣和相枣为研究对象,动态采集光谱数据。采用移动平滑(moving smoothing)与多元散射校正(multiplicative scatter correction, MSC)相结合的方法预处理光谱数据,对预处理后的光谱数据采用连续投影算法(successive projections algorithm, SPA)提取出11个特征波长分别为：980, 1 860, 1 341, 1 386, 2 096, 1 831, 1 910, 1 628, 441, 768, 601 nm,其重要程度依次递减。以所提取的特征波长作为输入变量,建立极限学习机(extreme learning machine,ELM)分类模型,进行预测判别,并与偏最小二乘判别分析(partial least squares discriminant analysis, PLS-DA)和最小二乘支持向量机(least squares support vector machines, LS-SVM)方法进行比较。结果表明：SPA-ELM方法所建校正模型的决定系数R2=0.972 38,校正均方根误差RMESC=0.018 724,SPA-ELM方法与SPA-PLS-DA和SPA-LS-SVM方法判别准确率均为100%,说明ELM是一种有效的分类判别方法。该研究为鲜枣品种分类检测提供了新的理论基础。     

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

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396～1 010 nm。样品光谱分别经过主成分分析(PCA)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。     

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。     

随机森林结合CatBoost的近红外光谱药品鉴别

药品质量关乎人民健康和国家命脉,随着社会经济的飞速发展对药品质量的快速、有效鉴别具有极其重要的作用。光谱分析技术具有较高的准确性、较快的分析速度且对样品不存在污染等突出优点,广泛应用在化工、石油以及医药等重要的领域。为了解决传统药品鉴别模型存在的鉴别精度低、鉴别速度不能满足实际需求且鉴别模型稳定性差的问题,采用光谱仪采集药品的近红外光谱数据达到对药品无污染鉴别的目的。结合随机森林和CatBoost对药品进行分类鉴别,以实现快速且准确的鉴别。首先采用随机森林（RF）对光谱仪采集的光谱数据进行有效特征波长的筛选,从而将药品光谱数据中的无关波长去除、筛选出最能表征样品属性的特征波长,然后以极限学习机（ELM）作为CatBoost的弱分类器分析筛选的特征波长对药品的属性鉴别。由于ELM仅只含有一个隐含层且无需多次迭代寻优保证了鉴别模型运行速度更快,CatBoost通过集成弱分类器以改善模型鉴别准确性。为对所提出的药品鉴别模型性能进行有效评估,采用随机抽取训练集的方式构造不同规模药品光谱数据并分别上进行独立实验且以10次运行结果的均值作为其最终结果,并通过与CatBoost、持向量机（SVM）、反向传播网络（BP）、ELM、波形叠加极限学习机（SWELM）和Boosting进行对比,进一步对模型的性能进行评估。从不同规模训练集的分类结果可看出,随着训练集样本的增加分类精度最高为100%且预测标准偏差趋于0。实验结果表明,所建立RF-CatBoost鉴别模型在不同规模的药品数据集上较对比方法具有更高的分类准确率、更快的速度且其鲁棒性更强,能够广泛应用于药品类别的准确鉴别,从而实现药品质量的有效监督。     

最小角回归结合竞争性自适应重加权采样的近红外光谱波长选择

近红外光谱分析技术对检测样品无损伤且检测速度快、精度高,因此被广泛应用在了药品检测、石油化工等领域,尤其近年来机器学习和深度学习建模方法的深入应用使其具备了更准确的检测性能。然而,样品的近红外光谱数据具有比较高的维度且存在谱间重合、共线性和噪声等问题,对近红外光谱模型的性能产生消极影响,此时样品有效特征波长的筛选极为重要。为了提高近红外光谱定量和定性分析模型的准确性和可靠性,提出了一种近红外光谱变量选择方法,其结合了最小角回归（LAR）和竞争性自适应重加权采样（CARS）的优点,具有更优的性能。该方法利用LAR初步筛选样品全谱区的特征波长,接着利用CARS对筛选出来的特征波长进一步选择,从而有效去除无关特征波长。为验证该方法的有效性,从定量和定性分析两个方面评价该方法。在定量分析实验中,以FULL,LAR,CARS,SPA和UVE作为对比方法,以药品样品数据集为实例建立PLS回归分析模型,经LAR-CARS筛选出的变量建立的PLS模型在药品数据集表现出较高的预测决定系数和较低的预测标准偏差。在定性分析实验中,以SVM,ELM,SWELM和BP作为对比方法、不同比例训练集的药品数据集为实例建立分类模型,经LAR-CARS筛选出的变量建立的SVM分类模型精度最高达100%。从实验结果可见,LAR-CARS可有效的筛选出表征样品特征的波长,利用其筛选出的波长建立的定量、定性分析模型具有更好的鲁棒性,可用于样品光谱的特征波长筛选。