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。     

傅里叶变换红外光谱结合化学计量学鉴别预包装纯菠萝汁中外源糖

为了快速、准确鉴别预包装纯菠萝汁是否掺有外源性糖,采用傅里叶变换衰减全反射中红外光谱技术采集900～1 500 cm-1范围内不同批次的预包装纯菠萝汁样品和掺入甜菜糖浆、大米糖浆、木薯糖浆的菠萝汁掺假样品的中红外光谱共计234例,以线性判别分析和支持向量机分析为掺假鉴别模型的建模方法,比较了全波段谱图与通过主成分载荷系数分析选取特征波长图谱的两种掺假鉴别模型。研究表明,全波段图谱的线性判别分析和支持向量机分类模型对验证集的判断正确率均高于88%;选取8个特征波长之后,线性判别分析模型验证集判断正确率提高至96.15%,支持向量机模型验证集判断正确率提高至94.87%,且模型输入变量由312个减少到8个。利用傅里叶变换衰减全反射中红外光谱技术结合化学计量学方法选取特征波长后建立的模型可以较好的应用于预包装纯菠萝汁外源糖的鉴别。     

高光谱成像的三七粉质量等级无损鉴别

三七粉是三七的主要消费和商品形式,市场上存在以次充好、甚至是掺假的现象,由于是粉状物料,难以用肉眼判别,为了实现对不同质量等级的三七粉进行无损鉴别。将30头、40头、60头和80头的三七主根研磨成粉,制备样本。采用可见近红外高光谱成像系统（400.68～1 001.61 nm）采集4种不同头数三七粉,共计384个样品的高光谱图像,提取高光谱图像感兴趣区域(ROI)的平均光谱值作为样本原始光谱。将384个三七粉样本按2∶1的比例划分训练集和测试集。采用卷积平滑（SG）、多元散射校正（MSC）和标准正态变量变换（SNV）3种预处理方法对三七粉样本光谱信息进行预处理并建立支持向量机(SVM)分类模型,通过比较基于3种预处理方法的SVM模型测试集分类准确率,确定SNV为最优预处理方法。采用迭代保留信息变量（IRIV）、变量组合集群分析（VCPA）和变量组合集群分析混合迭代保留信息变量（VCPA-IRIV）3种特征选择方法提取SNV预处理后光谱的特征波长并建立基于特征光谱和原始光谱的SVM分类模型,通过比较基于3种特征选择方法得到的特征波长建立的SVM模型测试集分类准确率,发现将VCPA与IRIV相结合的VCPA-IRIV为最优特征选择方法。VCPA-IRIV提取了18个特征波长代替全光谱数据参与建模,该算法在降低模型复杂度的同时保持了模型的分类精度。为了提高模型的分类精度,采用引力搜索算法（GSA）对SVM模型中惩罚因子c和核参数g进行寻优,并与网格搜索（GS）的结果进行比较,结果表明,VCPA-IRIV-GSA-SVM模型分类效果最好,测试集分类准确率达到100%。可见,利用可见近红外高光谱成像对三七粉进行质量等级无损鉴别是可行的,为市场上三七粉的质量等级鉴别提供了参考。     

可见近红外高光谱成像对灵武长枣定量损伤等级判别

利用可见近红外（Vis-NIR）高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。采用定量损伤装置得到损伤Ⅰ,Ⅱ,Ⅲ,Ⅳ和Ⅴ级的灵武长枣,借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。提取感兴趣区域（region of interest,ROI）并计算样本平均光谱值。利用光谱-理化值共生距离算法（SPXY）将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。灵武长枣原始光谱建立偏最小二乘判别分析（PLS-DA）分类模型,得到校正集和预测集准确率分别为72.70%和86.67%;灵武长枣原始光谱数据采用移动平均（MA）、卷积平滑（SG）、多元散射校正（MSC）、正交信号修正（OSC）、基线校准（baseline）和去趋势（de-trending）等方法进行光谱预处理并建立PLS-DA分类判别模型。通过分析比较,得到MSC-PLS-DA为最优分类判别模型,校正集准确率为76.19%,预测集准确率为86.67%,其中校正集比原始光谱建模准确率提高了3.49%,预测集准确率较原始光谱建模结果未提高;为了提高建模效果,对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法（SPA）、无信息变量消除（UVE）、竞争性自适应加权抽样（CARS）和区间变量迭代空间收缩法（iVISSA）等算法提取特征波长,建立PLS-DA分类判别模型,结果表明,MSC-CARS-PLS-DA为最优模型组合,校正集准确率为77.14%,预测集准确率为89.52%,建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。结果表明,Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。     

电击死与死后电击的心脏组织光谱模式识别

在司法鉴定领域,涉及电击死亡的案件多发,鉴别死者是生前还是死后受到电击仍是法医病理学鉴定的难点问题之一。为此通过傅里叶变换红外光谱融合机器学习模型对心脏组织视角下的电击死和死后电击两种情况开展分类识别研究。将30只大鼠进行电击死、死后电击和对照处理,通过光谱仪扫描得到其心脏组织光谱,采用竞争性自适应重加权算法共提取到70个光谱特征波长,建立随机森林模型对特征波长提取前后的心脏组织光谱进行模式识别;结果表明,特征波长提取前后模型分类识别的准确率分别为34.9%和73.7%,验证了特征波长提取方法的有效性和必要性。同时建立偏最小二乘模型、传统支持向量机以及粒子群算法和灰狼算法优化的支持向量机模型进行分类识别,结果表明,模型分类识别的准确率分别为61.07%、 34.48%、 100%和98.46%,对比发现经特征提取后的粒子群优化支持向量机模型分类识别效果最好。为排除“生物学死亡期”的干扰,又取60只大鼠按同种方式对其处理,每组又分死后0.5 h和死后1 h 2个亚组,再次通过傅里叶变换红外光谱仪扫描得到光谱数据,数据预处理后将其与之前得到的数据进行一并处理并结合粒子群优化支持向量机模型分...     

应用ATR红外光谱法识别不同陈酿方式的红葡萄酒

以三种不同陈酿方式的96个干红葡萄酒样品为试验对象,用傅里叶变换中红外光谱仪外加衰减全反射(attenuated total reflectance,ATR)附件扫描其光谱,然后分别用定性偏最小二乘法和支持向量机法建立三种不同陈酿方式葡萄酒的判别模型,10次随机划分建模集与预测集后建模,不同模式识别方法所建模型的建模集、预测集的判别准确率均高于90%。结果表明,采用中红外ATR光谱技术结合模式识别方法对不同陈酿方式红葡萄酒进行快速识别是可行的。     

傅里叶变换中红外光谱的牛奶品质无损检测分级

市场上普遍存在“高蛋白”,“高乳脂”等特色牛奶。为了实现对特优优质奶、高蛋白特色奶、高乳脂特色奶和普通奶的无损快速分级,收集了河北省10个牧场不同月份（1月、3月—10月）的5 121份牛奶样本并采集中红外光谱数据,分别测定牛奶中的乳蛋白、乳脂和体细胞数,构建了牛奶品质分级模型。首先,分析牛奶光谱并去除冗余波段,最终选择925~1 597和1 712~3 024 cm-1的敏感波段组合作为全光谱用于建立模型。为了提高模型的性能,采用标准正态变量变换（SNV）,多元散射校正（MSC）,一阶导数,二阶导数,一阶差分和二阶差分6种算法对光谱进行预处理并建立朴素贝叶斯模型（NB）和随机森林模型（RF）,确定二阶差分为最佳预处理方法,其测试集准确率分别为92.11%和96.87%。为了简化模型,利用无信息变量消除法（UVE）、竞争性自适应重加权算法（CARS）与稳定性竞争性自适应重加权采样算法（SCARS）以及UVE-CARS算法和UVE-SCARS算法对二阶差分后的光谱数据提取特征变量。然后,分别基于全光谱和所选特征变量数据,建立NB模型和RF模型。结果表明,SCARS算法为NB模型的最佳特征提取算法,模型的训练集准确率与测试集准确率分别为94.45%,93.94%;UVE-SCARS算法为RF模型的最佳特征提取算法,模型的训练集准确率与测试集准确率分别为99.86%,96.48%。综上,基于傅里叶变换中红外光谱技术建立的二阶差分-UVE-SCARS-RF模型,可以实现特优优质奶、高蛋白特色奶、高乳脂特色奶和普通奶的无损快速分级,通过建立中红外光谱模型,首次将乳蛋白、乳脂含量和体细胞数直接结合进行分级鉴定,这是以往未曾有过的。模型应用方便,只需将获得的牛奶红外光谱数据输入模型即可输出预测类别,在牛奶产业中具有实际应用价值。     

红外光谱的随机森林算法与数据融合策略对绒柄牛肝菌产地鉴别

绒柄牛肝菌(Boletus tomentipes Earle)是一种健康食品,受广大消费者的青睐,其子实体营养物质积累量受生长环境(海拔、气候等)影响,不同产地间营养物质含量差异显著,为去劣存优,急需建立一种准确、快速、廉价的产地鉴别技术。采用数据融合策略结合随机森林算法(RF)对绒柄牛肝菌的产地进行鉴别,比较了多种特征值提取方法对RF模型分类效果的影响。扫描来自4个产地(北亚热带、北温带、南亚热带、中亚热带)87个样品不同部位的傅里叶变换近红外光谱和傅里叶变换中红外光谱,分析其光谱特征。通过Kennard-Stone算法将所有样品划分为2/3的训练集(58)和1/3的验证集(29),基于4种红外光谱(近红外的菌柄(N-b)、近红外的菌盖(N-g)、中红外的菌柄(M-b)、中红外的菌盖(M-g))与三种数据融合策略(低级融合、中级融合、高级融合)的数据,结合RF建立产地鉴别模型,比较了不同方法提取的特征值(投影重要性指标值、 Boruta、潜在变量)对模型分类效果的影响。其中,根据袋外错误率(oob)选择最优ntree和mtry;以特异性、灵敏度、训练集正确率和验证集正确率评价模型分类性能,综合多种评价指标,找出绒柄牛肝菌产地鉴别的最佳方法。结果表明:(1)近红外和中红外光谱均能反映不同产地绒柄牛肝菌间存在的细微差异。(2)单一光谱结合RF建立判别模型效果不理想。(3)三种融合策略均可提高绒柄牛肝菌的产地鉴定效果,产地鉴别效果优劣依次为高级融合、中级融合、低级融合。通过扫描绒柄牛肝菌近红外和中红外光谱,采用基于特征值LV的高级融合策略,结合RF建立不同产地绒柄牛肝菌鉴别模型,有高验证集正确率(99.6%),高灵敏度(0.969),高特异性(0.986),实现了绒柄牛肝菌产地的准确、快速、廉价鉴别,可以作为绒柄牛肝菌产地溯源的一种可靠方法。     

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。     

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。     

近红外光谱的通用聚苯乙烯牌号在线识别方法

在聚合物加工过程中,如果在同一生产线上混用不同牌号的原材料,可能会影响产品性能,降低产品合格率。然而采用传统方法识别相同类型不同牌号的聚合物往往耗时长且具有滞后性,目前还缺乏一种快速实时的牌号识别方法。因此,以5种不同牌号的通用聚苯乙烯(GPPS)为研究对象,利用自主开发的安装于挤出机上的在线近红外光谱测量系统,将近红外光谱与化学计量学、机器学习算法相结合,实现对挤出过程中GPPS牌号的快速在线识别。首先利用在线近红外光谱测量系统实时采集5种不同牌号GPPS熔体的在线近红外光谱,波长范围为900~1 700 nm。经过谱图分析后,利用主成分分析结合K均值聚类算法验证在线近红外光谱数据对于不同牌号的可分性。最后采用偏最小二乘判别分析和随机森林两种算法分别建立GPPS牌号识别模型并进行对比。结果表明：①经过基线校正、最大最小归一化、7点移动平均平滑预处理后,在线近红外光谱在1 207,1 388,1 407和1 429 nm处的特征峰峰值会随着牌号的变化呈阶梯状改变,以前3个主成分得分作为K均值聚类的输入变量得到聚类正确率为88%,说明了不同牌号GPPS在线近红外光谱数据的可分性;②所建立的两种预测模型均能够对GPPS牌号有效识别,最佳主因子数为3的偏最小二乘判别分析模型对验证集的分类正确率为90.4%,以前5个主成分得分作为输入变量建立的随机森林模型对验证集的分类正确率达95.6%,所以随机森林模型的牌号识别性能更好。因此,在线近红外光谱测量系统结合化学计量学、机器学习算法可以实现GPPS牌号的快速在线识别,为在生产线上利用近红外光谱识别同种聚合物的不同牌号提供参考。     

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。     

小麦呕吐毒素污染可见/近红外光谱快速筛查方法研究

小麦不仅是我国主要的粮食品种,也是一种重要的饲料和工业原料。小麦易受赤霉病感染从而产生呕吐毒素,学名脱氧雪腐镰刀菌烯醇（DON）,具有一定致癌性,对人畜健康构成严重威胁。尤其近年来极端异常气候频发,小麦DON污染风险呈不断上升趋势,已成为影响其产品质量安全的主要因素。然而,传统DON检测方法过程繁琐、耗时费力,因此发展一种快速、低成本且适用于在线的检测方法对小麦安全生产及加工具有重要意义。首先从江苏各地收集不同赤霉病感染程度的小麦样品200份,磨粉后利用超高效液相色谱-串联质谱联用法（UPLC-MS/MS）测定小麦中DON含量,再利用光谱仪在线采集小麦的可见/近红外光谱。数据处理步骤为：采用多元散射校正以及二阶导数对光谱进行预处理,同时根据竞争性自适应权重取样算法提取特征波长,最后利用线性判别分析（LDA）与偏最小二乘判别分析法（PLS-DA）建立小麦粉样品的定性分析模型（以国家标准1 000 μg·kg-1为界限）,根据偏最小二乘回归（PLSR）建立小麦粉样品DON含量定量分析模型。UPLC-MS/MS结果表明小麦DON污染风险较高,所测样品超标率约为50%。可见/近红外光谱分析表明不同DON含量小麦样品光谱特征具有一定的差异,原始光谱和二阶导数谱图可看出1 420 nm处DON含量越高,吸光度越低。由于DON绝对含量低而光谱仪的检测限有限,通过主成分分析未能发现明显的聚类趋势,但根据全光谱以及特征光谱所构建的LDA与PLS-DA判别模型均能够对超标和未超标样品进行快速识别与筛查,最佳识别率达87.69%。从定量分析结果来看,所构建的小麦样品DON含量的PLSR模型结果不太理想,最优模型结果：预测集相关系数（r_p）为0.688,均方根误差（RMSEP）为727 μg·kg-1,相对分析偏差（RPD）值为1.38,模型精度和稳健性有待进一步提升。利用可见/近红外光谱和化学计量学方法,实现小麦DON含量超标与否的在线判别与筛查,为我国小麦产品质量安全快速检测提供了技术参考。但对DON含量的定量分析还需要进一步研究,探究外部因素对模型的影响,并拟扩大样品量,收集不同地区、不同品种的小麦样品,提高模型的精度及普适性。     

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。     

高光谱成像的马铃薯叶片含水率分布可视化

为了快速检测马铃薯叶片的水分含量,并探究受到干旱胁迫时叶片含水率变化情况,利用高光谱成像对马铃薯叶片含水率进行检测和可视化研究。采集71个叶片,用烘干法对叶片水分梯度进行控制,共得到355个样本。使用高光谱分选仪器采集叶片862.9~1 704.2 nm(256个波长)的光谱成像数据,采用称重法测量含水率。利用Sample set partitioning based on joint X-Y distance(SPXY)算法将总样本按照2∶1的比例划分为建模集(240个样本)和验证集(115个样本)。对采集的数据进行光谱特征分析,本文分别用CA和RF两种算法,各筛选得到15个特征波长。基于CA筛选出相关系数高于0.96的15个波长分别为1 406.82,1 410.12,1 403.62,1 413.32,1 416.62,1 419.82,1 400.32,1 423.12,1 426.32,1 429.62,1 432.82,1 436.12,1 439.32,1 442.52和1 445.8 nm。基于RF算法筛选被选概率高于0.3的15个特征波长,按照被选择概率值从大到小排列,分别为1 071.62,1 041.12,1 222.52,1 465.22,1 397.02,1 449.02,1 034.32,1 523.22,976.42,1 172.52,979.82,1 165.82,1 037.72,1 426.32和869.8 nm。用CA和RF算法筛选到的特征波长建立PLSR模型,分别记为CA-PLSR模型和RF-PLSR模型。利用高精度模型检测结果,对马铃薯叶片含水率进行可视化分析,首先计算马铃薯叶片图像每个像素点的含水率,得到灰度图像,然后对灰度图像进行伪彩色变换,绘制出叶片含水率可视化彩色图像。为了体现马铃薯叶片烘干处理中含水率变化进程,用HSV彩色模型对样本叶片的伪彩色图像进行分割,获得分割图像结果,显示出在某含水率区间的叶片面积比例。结果显示,CA算法选取的15个波长均在1 400.3~1 450.0 nm范围内,CA-PLSR模型的建模精度(R2_c)为0.975 5、建模集均方根误差(RMSEC)为2.81%,验证集精度(R2_v)为0.933 2、验证集均方根误差(RMSEV)为2.31%。RF算法选取的特征波长分布范围较CA法选取范围广,具有局部“峰谷”特性,且RF-PLSR模型的建模集精度(R2_c)为0.983 2、RMSEC为2.32%,验证集精度(R2_v)为0.947 1、RMSEV为2.15%。选取RF-PLS模型计算马铃薯每个像素点的含水率,得到伪彩色变换图像,观察可知随着烘干时间的增加含水率逐渐下降;并能够从叶片结构角度看到,随着水分胁迫的加强,叶片从边缘开始失水,逐渐向叶片中间蔓延,其中叶茎和叶脉的含水率较其他部位高。计算得到叶片伪彩色图像中含水率大于90%,80%和70%的像素点占整个叶片图像的比例。利用高光谱成像技术可以实现马铃薯叶片的含水率检测与分布可视化表达,为监测马铃薯生长状况以及叶片含水率分析提供新的理论根据。     

可见-近红外透射光谱检测活体甘蔗蔗糖分的方法

蔗糖分是衡量甘蔗品质的重要指标,基于光谱学原理的活体甘蔗蔗糖分无损检测的方法具有重要意义。探究了不同光谱测量方式对预测结果的影响,改进了特征提取方法,建立了甘蔗蔗糖分预测模型。采用自行搭建的甘蔗透射光谱采集平台,在光源与探测器夹角为120°,150°和180°的条件下,按照甘蔗表皮蜡质去除与否,获取了123个甘蔗样本在6类不同采集方式下的甘蔗透射光谱数据集。首先采用了偏最小二乘回归（PLS）的建模精度评价了Savitzky-Golay平滑处理（S-G平滑）、标准正态变化（SNV）、多元散射校正（MSC）、一阶微分（FD）等多种光谱预处理方法对模型性能的影响,选取了综合效果最好的SNV进行预处理。接着分析了不同光谱测量方式对蔗糖分建模的影响。结果发现：(1) 对于蜡质覆盖的影响而言,去蜡后的光谱透过率更高、单样本不同采集位点的光谱差异更低、与蔗糖分的相关性也更高;(2) 对于光谱采集角度的影响而言,在一定范围内光谱透过率随角度的增大而降低;(3) 在获取的6类数据集中,去蜡且采集角度为120°的测量方式下获取的透射光谱建模效果最好,预测集相关系数为0.790 6,预测集均方根误差为0.898 6。最后,使用了间隔偏最小二乘法（i-PLS）、遗传算法（GA）、蚁群算法（ACO）和提出的基于全波段PLS建模回归系数的改进蚁群算法（VRC-ACO）筛选特征波长。VRC-ACO挑选得到的特征波长数量最少（10个）,且建模效果最好,预测集相关系数达到0.861 6,比全波段建模结果提高9.0%,预测均方根误差降低到0.746 6,比全波段建模结果降低20.0%。该研究为甘蔗蔗糖分无损检测及相应传感器的研发提供了理论支持。     

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。     

高光谱技术无损检测单粒小麦种子生活力的特征波段筛选方法研究

种子活力是种子质量的一项重要指标,高活力的种子具有较强的抗逆性、生长优势及生产潜力。而种子活力在种子生理成熟时最高,随后随着贮藏时间的延长而发生着自然不可逆的降低。因此,在播种前及时、准确地对种子活力进行检测和筛选具有重要的实践意义。针对传统种子活力检测方法存在的操作过程复杂繁琐、耗时长、重复性差且对种子有破坏性等缺点,研究尝试利用高光谱成像技术建立单粒小麦种子生活力快速、无损、精确的检测方法。以高温高湿老化后的190粒小麦种子（发芽128粒,不发芽62粒）作为研究样本,先利用可见-近红外(Vis-NIR)高光谱成像系统采集样本种子的光谱图像和进行标准发芽试验,并确保光谱采集试验和标准发芽试验的小麦种子一一对应。随后提取种子光谱图像的感兴趣区域并对其光谱数据进行平均和特征分析。分别采用一阶导数（FD）、均值中心化（MC）、正交信号校正(OSC)和多元散射校正（MSC）对原始光谱数据进行预处理,结合偏最小二乘辨别分析（PLS-DA）建立全波段PLS-DA模型,比较分析,并筛选出最适预处理方法。分别利用无信息变量消除算法（UVE）、竞争性自适应重加权算法(CARS)、连续投影算法(SPA)及耦合不同变量筛选方法对特征波段进行筛选提取,再分别基于所提取出的特征波段建立PLS-DA定性判别模型,对比分析,最终确立提取与单粒小麦种子生活力相关性最高的高光谱特征波段方法体系。结果表明：不同光谱预处理建立的模型其表现有所差异,在MC,FD,OSC和MSC中,采用MC对原始高光谱数据进行预处理,建立的全波段MC-PLS-DA判别模型,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为82.5%和83.0%,优于原始及其他预处理后建立的全波段PLS-DA判别模型,其校正集和预测集对小麦种子活种子鉴别正确率分别为94.8%和90.6%。进一步对比3种单特征波段提取方法及其耦合分析建模中,发现3种变量筛选方法耦合（UVE-CARS-SPA）的方式能够将光谱全波段的688个变量压缩至8个变量（473,492,811,829,875,880,947和969 nm）,利用所筛选出的8个变量建立的MC-UVE-CARS-SPA-PLS-DA模型获得了最优秀的鉴别效果,其校正集和预测集对小麦种子生活力的整体鉴别正确率分别为86.7%和85.1%,较全波段模型（MC-Full-PLS-DA）分别提升了4.2%和2.1%,活种子的鉴别正确率分别为93.8%和84.4%,经过此优秀模型筛选后,种子批最终发芽率可达到93.1%。实验结果表明,基于高光谱成像技术结合UVE-CARS-SPA-PLS-DA模型能够实现对单粒小麦种子生活力的定性判别。研究工作为小麦种子活力的快速、精确且无损的检测提供理论支持。