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。     

近红外光谱的玉米种子穗腐病特征提取与判别模型研究

玉米种子穗腐病是危害玉米产量的主要病害之一。利用近红外光谱开展了玉米种子穗腐病判别模型研究。246粒玉米种子由吉林省农业科学院海南育种基地提供,其中96粒玉米种子为穗腐病染病样本,其他150粒玉米种子为同种玉米正常样本。利用MATRIX-Ⅰ型傅里叶近红外光谱仪采集了样本800～2 500 nm范围的近红外光谱信息,并对样本近红外光谱数据利用多元散射校正（MSC）进行预处理。结合玉米内部有机物质的近红外光谱的敏感波段和样本近红外光谱吸收峰挑选了4个优选区间,并采用相关系数法(CA)、连续投影算法（SPA）和竞争性自适应重加权算法（CARS）三种不同原理的特征波长提取算法分别提取了4（1 362,1 760,2 143和2 311 nm）、5（1 227,1 310,1 382,1 450和1 728 nm）和10（1 232,1 233,1 257,1 279,1 313,1 688,1 703,1 705,2 302和2 323 nm）个特征波长。以提取得到的特征波长作为玉米种子穗腐病判别模型输入变量,用0-1（染病-正常）表示样本染病状况作为输出真实值建立支持向量机（SVM）模型,使用网格搜索法结合十折交叉验证法对模型参数进行优化。结果表明,CA-SVM,SPA-SVM和CARS-SVM三种判别模型中训练集和测试集建模准确率均在90%以上。该研究成果为玉米种子病害诊断装置提供了模型基础,且针对优选区间进行特征波长选择的方式也可以为建立其他种子病害判别模型提供参考。     

可见/近红外高光谱成像技术对鸡蛋种类无损判别

利用高光谱技术对鸡蛋种类判别进行研究,为鸡蛋种类无损判别提供科学方法。本研究利用400~1 000 nm高光谱系统采集3种鸡蛋样本的高光谱图像,对原始光谱进行预处理;应用CARS、GAPLS和IRF对预处理后的光谱数据提取特征波长;分别建立基于全光谱和特征波长的KNN和PLS-DA鸡蛋判别模型。结果表明:Detrend法为最优预处理方法;利用CARS、GAPLS和IRF分别选出31、52和71个特征波长;基于IRF提取的特征波长的PLS-DA模型最优,校正集正确率97.02%,预测集正确率85.71%。表明基于高光谱成像技术采集的鸡蛋反射光谱对种类无损判别是可行的。     

近红外光谱和特征光谱的山茶油掺假鉴别方法研究

山茶油素有"东方橄榄油"美誉,实现掺假山茶油的鉴别具有重要实用价值,采用近红外光谱技术对掺有葵花油的山茶油进行检测。分别以1%,5%,10%为梯度制备掺假比例不同的山茶油样品,并根据掺假比例将其分为A组(0%~5%)和B组(6%~10%)共11个样品,C组(15%~40%)6个和D组(50%~100%)6个样品。将每个掺假样品充分混匀后再分为9份,依次采集其1 000~2 500nm范围的吸收光谱,共获得207条光谱曲线。每组样品的光谱数据按2∶1随机分为训练集与验证集。经去除首尾噪声后,通过主成分分析法(principal component analysis,PCA)降维,并利用前四个主成分建立了鉴别山茶油不同掺假等级的主成分-支持向量机判别模型,训练集与验证集的总体判别准确率分别达96.38%和94.20%;进一步,通过对前四个主成分的载荷系数的分析,并结合原始光谱,提取建模过程中权重较大的波长并解析其化学含义,最终确定出五个特征波长:1 212,1 705,1 826,1 905及2 148nm,以此波长重新建立近红外特征光谱山茶油掺假等级判别模型,对训练集与验证集的总体判别准确率也达到了94.20%和92.75%。研究结果表明,利用近红外光谱和特征光谱均能够较好实现山茶油掺假等级的鉴别,同时所建立的近红外特征光谱模型也为设计相应的掺假山茶油实用便携式检测仪器提供了理论基础。     

高光谱成像技术结合特征波长优化对苍术颗粒剂生产厂家的可视化判别研究

为了给苍术颗粒剂基于高光谱成像的可视化区分提供理论指导,选用竞争性自适应重加权采样法(CARS)和相关性分析(CA)进行两次特征波长选择,提出了利用近红外高光谱成像技术对苍术颗粒剂产品溯源的新方法。874～1 734 nm波段范围内采集150个来自三个生产厂家的苍术颗粒剂高光谱图像,提取感兴趣区域(ROI)的光谱反射率值作为鉴别模型的输入变量,采用邻近算法(KNN)、误差反向传输神经网络(BPNN)、偏最小二乘法判别分析(PLS-DA)、最小二乘支持向量机(LS-SVM)建立四种算法(分类器)的判别模型。通过对模型效果的评价标准(预测集总体判别率以及kappa系数)来判别三个不同厂家苍术颗粒剂的区分效果。除KNN模型外,预测集的判别率都是100%, kappa系数均为1。为了加快运算速度,研究通过CARS、随机蛙跳算法(RF)、连续投影算法(SPA)和序列前向选择(SFS)算法初步选择特征波长;采用CARS, RF, SFS和SPA结合CA算法取得了4组最优波长。分别得到4个(975, 1 220, 1 419, 1 476 nm)、 2个(1 005, 1 442 nm)、 4个(924, 1 005, 1 419, 1 584 nm)和3个(948, 1 146, 1 412 nm)最优波长,并分别建立了KNN, BPNN, PLS-DA和LS-SVM判别模型。在筛选三种最优算法的情况下,能够以较少的特征波长个数获得的最好建模效果为:CARS-CA-LS-SVM模型中预测集总体判别率是100%, kappa系数为1。将CARS-CA筛选出波长变量的每个像素点光谱数据输入到LS-SVM模型中,将判别结果用不同颜色直观显示。该研究为快速无损进行苍术颗粒剂产品溯源提供了思路,为今后开发相关机构的快速监管提供了技术支持。     

荧光光谱成像技术结合主成分分析与Fisher判别快速鉴别肉苁蓉

为探究一种快速、可靠的肉苁蓉属中药材检测方法,实验采用荧光光谱成像技术结合模式识别方法对肉苁蓉属三种中药材：荒漠肉苁蓉、管花肉苁蓉和沙苁蓉进行鉴别研究。实验中发现肉苁蓉样品存在较显著的荧光特性,采集来自不同产地、不同批次以及不同超市购买的三种肉苁蓉属药材的40个样品的荧光光谱图像,对图像进行去噪、二值化处理后,根据光谱立方体绘制每个样本的光谱曲线,将所得450～680 nm波段范围内的光谱数据作为鉴别分析的研究对象,应用主成分分析法(PCA)对三种肉苁蓉的光谱数据进行降维处理,再结合Fisher判别方法对三种肉苁蓉进行鉴别。分别比较多元散射校正(MSC)、标准正态变量校正变换(SNV)以及一阶微分(FD)三种数据预处理方法对鉴别模型的影响,并根据主成分的累积贡献率和主成分因子数对判别模型效果的影响对主成分因子数进行优化。分析结果表明：一阶微分预处理后提取前四个主成分进行Fisher判别的鉴别效果最佳,PCA结合Fisher判别建立肉苁蓉属三种药材的判别模型原始判别的准确率达到100%,交叉验证的准确率达到95%。由此可见,利用荧光光谱成像技术结合主成分分析及Fisher判别对肉苁蓉属三种药材的鉴别分析是可行的,而且具有操作简便、快速、可靠等优点。     

荧光高光谱结合特征波长筛选的脐橙表面农药残留快速检测

采用荧光高光谱成像技术对脐橙表面不同浓度毒死蜱和多菌灵进行判别。实验通过由氙灯光源激发的高光谱成像系统（392～998.2 nm）分别采集浓度为0,0.5,1,2 mg·kg-1的毒死蜱和0,1,3,5 mg·kg-1多菌灵的高光谱图像。使用ENVI软件获取样本的感兴趣区域（ROI）;对原始光谱数据采用卷积平滑（SG）、标准正态标量变换（SNV）及一阶导数（FD）方法进行预处理;采用区间变量迭代空间收缩法（iVISSA）、无信息变量消除算法（UVE）和竞争性自适应加权算法（CARS）进行一次提取特征波长,二维相关光谱（2D-COS）方法进行二次提取特征波长。最后采用主成分分析与线性判别分析相结合算法（PCA-LDA）和偏最小二乘算法（PLS-DA）建立基于两次提取特征波长脐橙表面不同浓度毒死蜱和多菌灵残留的判别模型。将原始光谱数据与经过预处理的3种光谱数据进行建模分析,结果发现毒死蜱和多菌灵的光谱数据经过SG处理后模型效果最优。对经SG预处理后的毒死蜱光谱数据和多菌灵光谱数据进行特征波长一次提取,最佳特征波长分别为iVISSA法和CARS法,分别提取出26个和30个特征波长;再采用二维相关光谱（2D-COS）算法对这26个和30个特征波长进行二次提取,分别得到10个和12个特征波长。对一次提取特征波长和二次提取特征波长后的光谱数据分别建模。结果表明,对于不同浓度的毒死蜱,基于iVISSA-2D-COS建立的PCA-LDA模型判别效果最佳,其校正集与预测集判别正确率分别为98.61%和95.83%;对于不同浓度的多菌灵,基于CARS-2D-COS建立的PCA-LDA模型判别效果最佳,其校正集与预测集判别正确率分别为97.22%和95.83%,均高于全波段光谱数据模型和一次提取特征波长模型判别正确率,说明2D-COS可以捕捉可用的荧光光谱信息。该研究采用2D-COS对一次提取最优特征波长进行二次提取后建模,研究结果为脐橙表面不同浓度农药残留的快速无损判别提供了一定的参考。     

高光谱数据的刚竹毒蛾虫害程度检测

刚竹毒蛾虫害检测对毛竹的生长和竹业的发展起着至关重要的作用。根据高光谱冠层光谱信息与刚竹毒蛾虫害程度之间的关系,提取冠层光谱中与虫害紧密相关的特征波长、指数以及光谱参数等,利用Fisher判别分析法建立刚竹毒蛾虫害程度检测模型。分别以原始光谱的400～508,586～693和724～900 nm处的波长、包络线去除光谱的400～756 nm之间的特征波长、9种冠层光谱植被指数和7种冠层特征光谱参数作为Fisher判别函数自变量,构建判别函数。收集300组毛竹叶片虫害样本数据,随机划分为210组建模集与90组验证集,根据检测精度、Kappa系数以及判定系数R2作为检验标准,对建立的判别函数进行效果评价与对比。结果表明,以原始光谱、去包络线光谱、冠层指数、光谱参数为自变量建立的Fisher判别函数的检验精度分别为：84.4%,81.1%,79.7%,78.7%;Kappa系数分别为：0.79,0.74,0.74,0.76;R2分别为：0.89,0.88,0.88和0.85。由此可知,Fisher判别分析模型建立的函数具备很好的刚竹毒蛾虫害程度检测能力,而且基于冠层原始光谱建立的判别函数检测效果最佳。根据高光谱数据的冠层原始光谱建立的判别函数对福建省顺昌县大干镇武坊村的洋门和土垅村的上湖竹林进行刚竹毒蛾虫害程度检测。检测结果为：上湖两个样区的竹林以健康为主。洋门两个样区虫害程度以中度和重度为主。因此基于无人机高光谱遥感对于刚竹毒蛾虫害的大面积检测具有可行性,该方法可为虫害检测的探究提供参考,为基于冠层遥感虫害检测贡献理论支撑。     

荧光光谱法结合Fisher判别分析在西洋参鉴别中的应用

旨在建立可靠的Fisher判别模型,以实现西洋参及其常见伪品饮片的快速、客观、准确鉴别,采用自组的凝视式光谱成像仪,对90份不同市售来源的中药材饮片(西洋参、人参、桔梗各30份)进行了荧光光谱成像实验,波长范围为400~720 nm,成像间隔为5nm。采用标准正态变量(SNV)变换对原的光谱数据进行预处理,以减少光谱数据中的噪声干扰。比较了主成分分析(PCA)与逐步判别分析(SDA)的原理特点及对模型的优化效果,联合这两种分析方法,首先,应用PCA对预处理后的光谱数据进行处理,使光谱数据中的主要信息集中分布在前面的主成分中,然后应用SDA从65个主成分中筛选出判别能力较强的12个主成分建立Fisher判别模型。由所建模型的两个判别函数作样品得分散点图,各类样品在图中表现出良好的聚类现象。以待判样品点与各种类中心点之间的欧氏距离作为依据,得出模型的准确判别结果。结果显示,所建Fisher判别模型在训练集和预测集中的判别正确率分别为98.33%和 96.67%,具有较高的可信度与准确度,因此,荧光光谱法结合Fisher判别分析可用于快速鉴别西洋参及其伪品饮片。     

FTIR结合化学计量学对三七产地鉴别及皂苷含量预测研究

不同产地对中药次生代谢产物有显著影响,产地鉴别有助于中药的科学合理利用;其次,有效成分含量检测是评价中药质量的主要手段。通过傅里叶变换红外光谱结合化学计量学建立快速鉴别三七产地及测定三七中四种主要皂苷的方法,为三七的科学、合理、规范使用以及对三七质量进行快速评价提供依据。采集5个区域12个产地117个三七样本的红外光谱。产地鉴别预处理数据采用离散小波变换除去噪音造成的部分高频信号,偏最小二乘判别对产地判别贡献率大于1的数据进行筛选,kennard-stone算法将117个个体分为70%训练集与30%预测集。训练集数据用于建立支持向量机判别模型,交叉验证法用于筛选支持向量机最优参数,预测集数据对支持向量机判别模型结果进行验证。皂苷含量预测预处理数据采用标准正态变量变换、离散小波变换处理;处理的红外数据设为X变量,三七样品中通过高效液相色谱法测得的四种皂苷总量设为Y变量,采用正交信号校正去除红外光谱中与四种皂苷总量无关的干扰数据。个体数据分为80%训练集与20%预测集,训练集建立偏最小二乘回归模型,预测集数据对偏最小二乘回归模型的预测结果进行验证。结果显示： (1)交叉验证法得到支持向量机判别模型的最优参数为c=2.828 43,g=0.062 5,训练集的产地判别最优正确率为91.463 4%;(2)支持向量机判别模型参数设置为最优参数,代入预测集数据,预测集的产地判别正确率为94.285 7%,判别正确率较高;(3)训练集建立偏最小二乘回归模型的相关系数R2=0.941 8,校正均方差RMSEE=4.530 7;(4)代入预测集数据,预测集的相关系数R2=0.962 3,外部检验均方差RMSEP=3.855 9,皂苷预测值与高效液相检测值接近,预测效果良好。傅里叶变换红外光谱结合支持向量机能对三七进行产地鉴别,正交信号校正结合偏最小二乘回归能对三七中四种主要皂苷总量进行准确预测,为三七质量控制提供一种快速简便、无损、高灵敏度的检测方法。     

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。     

高光谱成像技术的柚类品种鉴别研究

柚类种质和品种资源繁多,现有的柚类品种鉴别方法检测时间长,费用高。旨在利用高光谱成像技术探索主要柚类品种快速识别的可行性。试验选用4个具有代表性的柚类品种,利用高光谱成像技术,采集240个叶片样本(60个/品种)上表面和下表面的高光谱图像。高光谱图像标定后,提取样本感兴趣区域平均光谱信息作为样本的光谱进行分析。利用Kennard-Stone法将样本划分为校正集(192个)和验证集(48个)。采用多元散射校正(MSC)和标准正态变量变换(SNV)对原始光谱曲线进行预处理后,分别采用主成分分析 (PCA)和连续投影算法 (SPA )提取最佳主成分和有效波长,并将其作为最小二乘支持向量机(LS-SVM)的输入变量,建立基于叶片上表面和下表面光谱信息的PCA-LS-SVM和SPA-LS-SVM 模型。结果显示,基于叶片上表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM 模型对建模集样本的识别正确率分别为99.46%和98.44%,对预测集样本的识别正确率均为95.83%。基于叶片下表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM模型对建模集样本和预测集样本的识别正确率皆为100%。表明,利用高光谱成像技术结合PCA-LS-SVM和SPA-LS-SVM可实现柚类品种的快速鉴别,叶片下表面光谱信息鉴别效果优于叶片上表面。该研究为柚类的品种快速鉴别提供了一种新方法。     

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。     

高光谱成像技术鉴别菠菜叶片农药残留种类

利用高光谱成像技术无损鉴别菠菜叶片农药残留种类。采用高光谱成像仪采集900~1 700 nm波段内的光谱数据,采用多元散射校正对光谱数据进行预处理。利用主成分分析对不同种类菠菜样品的光谱数据进行分析,结果表明主成分分析能在可视化层面对不同种类的农药残留菠菜样品进行有效判别。另外,将卡方检验特征选择算法分别与支持向量机、朴素贝叶斯、决策树和线性判别分析算法结合,并采用10-fold交叉验证评价方法,筛选出最佳波段和最优判别模型（线性判别模型）。筛选出的8个特征波长为1 439.3,1 442.5,1 445.8,1 449,1 452.3,1 455.5,1 458.7,1 462 nm,模型的预测准确率达到0.993且10次交叉验证的标准差为0.009。结果表明,基于高光谱成像技术能准确地识别菠菜叶片上的农药残留种类。     

基于可见光光谱高效鉴别玉米单倍体籽粒

单倍体技术已发展成为玉米遗传研究及现代玉米育种的重要技术之一,单倍体籽粒的鉴别筛选是其中的重要环节。目前单倍体籽粒主要是依赖于籽粒的R1-nj遗传标记通过人工肉眼观察颜色的有或无进行鉴别,费时费工。而且部分材料由于标记颜色很难从籽粒外部观察到,导致人工筛选准确率较低。基于可见光光谱分析建立玉米单倍体籽粒鉴别方法,探索利用可见光光谱鉴别玉米单倍体籽粒的可行性。同时,由于每季用于诱导单倍体的育种材料不尽相同,模型须能够鉴别未参加建模的材料的单倍体。本研究以9个遗传背景的单倍体和杂交籽粒共284粒作为试验材料,利用便携式紫外-可见光光纤光谱仪采集单个玉米籽粒的可见光漫透射光谱。光谱数据经平滑、矢量归一化预处理和主成分分析,基于支持向量机方法建立单倍体和杂交籽粒判别模型。每次选择1个背景的样本作为测试集,其余背景的样本作为建模集对模型进行交叉验证。模型交叉验证平均正确判别率达到92.06%。其中8次测试正确判别率在85%以上。结果表明利用可见光光谱分析建立玉米单倍体籽粒鉴别方法,并使模型可鉴别未参与建模材料的单倍体具有可行性。并且基于该方法有望建立玉米单倍体籽粒的自动化快速筛选系统,提高玉米单倍体育种效率。     

低温冷冻和机械损伤条件下马铃薯高光谱图像特征响应特性研究

开展了低温冷冻和机械损伤条件下马铃薯高光谱图像特征响应特性研究。采用卓立汉光公司Image~λ“谱像”系列高光谱相机获取完好的、低温冷冻和机械损伤条件下的光谱波段范围为387～1 035 nm的马铃薯高光谱图像;截取校正后的像素尺寸大小为60×60的马铃薯高光谱中部完好的图像并计算该区域平均反射率值;冻伤的马铃薯样本的反射光谱曲线在440,560和680 nm附近有明显吸收峰;机械损伤样本在560和680 nm附近有明显吸收峰,在680 nm附近吸收峰谷值明显低于冻伤样本;完好的马铃薯样本反射光谱曲线相对较为平滑,在560和680 nm附近未见明显吸收峰;撞伤样本在440,560和680 nm附近存在吸收峰,而在410 nm附近有一个明显的反射峰。四类马铃薯样本的反射光谱曲线特征峰值表现出一定的指纹特性,因而可以被用于后续品质特征检测分析使用。由于仪器或检测环境、光照强弱等因素影响,光谱数据中掺杂噪声,因此采用化学计量学预处理方法消除噪声的影响;随机选取70%的马铃薯四类样本的反射光谱作为训练数据,剩余的30%作为测试集;接着,利用极端梯度提升算法、类型提升算法和轻量梯度提升机算法来获取马铃薯高光谱图像的有效特征波谱,减少高维海量高光谱数据对后续品质分类模型的影响;最后,将提取到的有效特征波长构建马铃薯品质判别模型。在建立的分类模型中,使用的轻量梯度提升机+逻辑斯蒂回归达到最高的判别精度98.86%。该研究为将来高光谱图像成像技术在现代农业生产加工过程中马铃薯品质有效监测与控制提供理论基础和技术支撑。     

高光谱成像的煤与矸石分类

煤与矸石分选是煤矿生产的必要工序,现有的人工分选与机械分选,存在效率低,易造成资源浪费以及环境污染等问题.鉴于可见/近红外高光谱成像具有分析速度快、样品无需预处理、无污染等诸多优势,旨在探讨基于可见/近红外高光谱成像对黑色背景下块状煤与矸石准确分类的可行性,并基于特征波长筛选算法简化模型,为构建多光谱煤与矸石分选系统提...     

基于近红外高光谱成像技术的小麦不完善粒检测方法研究

小麦作为主要的粮食作物在我国农业生产、运输、食品加工等方面占有重要地位。不完善籽粒严重影响了小麦质量与粮食安全。不完善籽粒主要在生产、存储、包装等过程中产生，目前我国小麦质量检测多以人工分选为主，但存在人主观性较强，肉眼易疲劳，且费时费力等问题，因此，如何快速准确鉴别小麦不完善粒是现阶段提高生产率和保证粮食安全的重要问题。运用高光谱成像技术和特征波段选取方法提出一种快速有效的小麦不完善粒鉴别方法。利用近红外高光谱成像系统获得1 000粒小麦样本在862.9～1 704.2 nm共256个波段的高光谱反射图像，其中包括健康粒、生芽粒、霉变粒和赤霉粒各250粒，提取每个样本感兴趣区域的平均反射率光谱作为分类特征。本文首先对提取的全波段光谱信息进行窗口平滑、一阶导数差分、矢量归一化等数据预处理，将原始光谱数据的隐藏信号放大并消除随机误差；在预处理的基础上运用伪偏最小二乘(DPLS)和正交化线性判别分析(OLDA)对光谱进行特征提取，降低数据的冗余度；最后采用仿生模式识别(BPR)建立四类小麦的鉴别模型。实验结果表明，采用全波段光谱信息建立的小麦不完善粒鉴别模型的平均识别精度达到97.8%，分析结果可知，利用近红外高光谱成像技术的全波段光谱信息对小麦不完善粒鉴别是可行的。尽管全波段光谱信息取得了较好的鉴别效果，但高光谱成像设备较为昂贵，获取高光谱全波段光谱信息数据量较大，无法满足对现场设备运算速度的高要求，因此，采用连续投影算法(SPA)对全波段光谱数据进行特征波段的选择，使波段数量由256维降低到10维，从而提高系统的可行性和运算速度。采用选取的10个特征波段建立小麦不完善粒鉴别模型，实验结果表明10个特征波段的平均识别精度仅为83.2%，分析结果可知，尽管采用10个特征波段提高了系统实时性，但鉴别准确性较差。为达到与全波段特征基本相当的鉴别效果，利用光谱特征与图像特征结合的方法建立小麦不完善粒鉴别模型，将上述选取的10个特征波段的形态信息、纹理信息和光谱信息进行结合，实验结果表明，10个特征波段的光谱信息与图像信息结合使鉴别的平均识别精度达到94.2%，此识别效果与利用全波段光谱数据的识别效果基本相当。利用高光谱成像系统探索了小麦不完善粒鉴别的可行性，通过分析以上实验可知，基于近红外高光谱成像技术对小麦不完善粒检测具有良好的效果，在有效的提高运算速度的同时也保证了系统的鉴别精度，为后期小麦不完善粒快速检测设备的开发提供了有效的研究方向。     

高光谱成像技术的油菜叶片氮含量及分布快速检测

应用高光谱成像技术实现了油菜苗-花-角果整个生命期叶片氮含量的快速检测和氮素水平分布的可视化。采集三个生长时期共计420个叶片样本的高光谱图像信息(380～1 030 nm),提取图像中感兴趣区域的平均光谱数据,经过不同光谱预处理后,利用连续投影算法(SPA)选择特征波长,将提取的12个特征波长(467,557,665,686,706,752,874,879,886,900,978和995 nm)作为自变量,叶片氮含量作为因变量,分别建立偏最小二乘法(PLS)和最小二乘-支持向量机(LS-SVM)模型。SPA-PLS和SPA-LS-SVM模型对叶片氮含量的预测相关系数R_P分别为0.807和0.836,预测均方根误差RMSEP分别为0.387和0.358。高光谱图像中的每一个像素点都有对应的光谱反射值,利用结构简单、更易提取回归系数的SPA-PLS模型,快速计算出12个特征波长下高光谱图像中每个像素点对应的氮含量预测值,结合像素点的空间位置生成氮素浓度的叶面分布图。可视化分布图详细且直观的反应出同一叶片内部或不同叶片之间氮含量的差异。结果表明,应用高光谱成像技术分析整个油菜生长期的叶片氮含量及其可视化分布是可行的。