高光谱数据对损伤长枣的检测判别

灵武长枣作为宁夏优势特色枣果,具有重要的经济社会价值和科学研究意义。利用可见近红外(Vis/NIR)高光谱成像系统采集60颗完整长枣光谱图像,然后利用损伤装置对60颗完整长枣进行损伤实验,最终得到60颗损伤（内部瘀伤）长枣,高光谱成像系统采集损伤后五个时间段（损伤后2,4,8,12和24 h）长枣的光谱图像。对采集的长枣光谱图像用ENVI软件提取感兴趣（ROI）区域,并计算完整长枣和每个时间段长枣的平均光谱值。原始光谱利用Savitzky-Golay平滑的一阶导数（SG-1）和二阶导数（SG-2）、标准正态变换（SNV）和去趋势（Detrending）、以及SNV-SG-1、SNV-SG-2、Detrending-SG-1、Detrending-SG-2算法进行预处理,原始光谱和预处理光谱建立偏最小二乘判别分析（PLS-DA）分类模型。选择最优的预处理光谱数据,利用连续投影算法（SPA）、间隔随机蛙跳（IRF）、无信息消除变量（UVE）、变量组合集群分析法（VCPA）、区间变量迭代空间收缩法（IVISSA）和IRF-SPA、UVE-SPA、IVISSA-SPA等算法进行特征变量选择,对选择的特征变量建立PLS-DA、线性判别分析（LDA）和支持向量机（SVM）分类判别模型。结果表明,在原始光谱建立的PLS-DA模型中,模型校正集和预测集准确率分别为82.96%和90%。光谱经过预处理后得到SNV-SG-2-PLS-DA为最优分类判别模型,模型校正集和预测集准确率分别为91.11%和96.67%。在特征变量建立的分类模型中,SNV-SG-2-UVE-PLS-DA模型校正集和预测集准确率分别为86.3%和94.44%;SNV-SG-2-SPA-LDA模型校正集和预测集准确率分别为86.3%和83.33%;SNV-SG-2-UVE-SVM模型校正集和预测集准确率分别为77.78%和71.11%。对于分类模型来说线性分类模型（PLS-DA、LDA）分类结果优于非线性分类模型（SVM）分类结果,在线性分类模型结果中PLS-DA优于LDA分类结果,PLS-DA可以更好的提供分类效果。研究表明,利用高光谱结合偏最小二乘判别分析分类模型,可以有效的实现灵武长枣损伤后随时间变化的快速检测,为灵武长枣在线检测提供理论依据。     

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。     

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。     

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。     

近红外光谱信息筛选在玛咖产地鉴别中的应用

食药植物玛咖富含多种营养成分,极具药用价值。采用近红外漫反射光谱,对采自秘鲁及云南共139份玛咖样品进行产地鉴别。采用多元信号校正结合二阶导数和Norris平滑预处理光谱,利用光谱标准偏差初步选择光谱波段（7 500～4 061 cm-1）,结合主成分-马氏距离（principal component analysis-mahalanobis distance,PCA-MD）筛选出适宜的主成分数为5。基于所筛选的光谱波段及主成分数,利用“模群迭代奇异样本诊断”方法剔除2个异常样品后,分别采用竞争自适应重加权法（competitive adaptive reweighted sampling,CARS）、蒙特卡洛-无信息变量消除法（monte carlo-uninformative variable elimination,MC-UVE）、遗传算法（genetic algorithm,GA）和子窗口重排（subwindow permutation analysis,SPA）四种方法筛选光谱变量信息,利用模型集群分析（model population analysis,MPA）思想对所筛选的光谱变量信息进行评价。结果显示,RMSECV（SPA）>RMSECV（CARS）>RMSECV（MC-UVE）>RMSECV（GA）,分别为2.14,2.05,2.02,1.98,光谱变量数分别为250,240,250和70。采用偏最小二乘判别分析法（partial least squares discriminant analysis,PLS-DA）对四种方法筛选的光谱变量建立判别模型,随机选择97份样品作为建模集,其余40份样品作为验证集。通过R2,RMSEC和RMSEP分析可知,R2： GA>MC-UVE>CARS>SPA,RMSEC和RMSEP： GA相似文献   

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。     

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。     

近红外光谱快速鉴别不同产地药用植物重楼的方法研究

重楼属植物极具药用价值,野生资源主要分布在我国西南省区。应用近红外漫反射光谱,以贵州、广西和云南三个不同产区的70份野生药用植物重楼为研究对象进行产地鉴别。采用多元信号校正、标准正态变量、一阶导数、二阶导数、Norris平滑和Savitzky-Golay滤波六种方法,对训练集(50份样品)原始光谱进行优化处理。结果表明,多元信号校正结合二阶导数和Norris平滑预处理光谱效果最好。采用光谱标准偏差选择光谱波段(7 450~4 050cm-1),结合主成分-马氏距离(principal component analysis-mahalanobis distance,PCA-MD)建立分类模型,前三个主成分累计贡献率、R2、RMSEC和RMSEP分别为89.44%,97.58%,0.179 6,0.266 4,预测正确率90%;采用变量重要性图选择光谱波段(7 135.33~4 007.35cm-1),结合偏最小二乘判别分析法(partial least square discrimination analysis,PLS-DA)建立判别模型,前三个主成分累计贡献率、R2、RMSEC和RMSEP分别为89.28%,95.88%,0.234 8,0.348 2,预测正确率为100%。比较两种方法的结果可知:采用变量重要性图方法选择光谱波段结合偏最小二乘判别分析法建立的判别模型能更准确地鉴别不同产区的重楼,该方法的建立为中药材真伪和品质评价奠定基础。     

基于水稻种子近红外特征光谱的品种鉴别方法研究

本文用MPA傅立叶变换近红外光谱仪研究了单粒水稻种子的漫反射光谱特征,发现颖壳对光谱扫描有影响,为了尽量消除这种影响,保证光谱的代表性,应对其上下表面分别进行多次光谱采集,取它们的平均光谱。本文利用种子品种特有的光谱特性,结合不同光谱预处理方法建立了多个聚类分析模型,比较它们对杂交F1代种子"03S/0412"和其父本种子"0412"的鉴别效果。结果显示:选择4000⁸900cm-1光谱范围,通过"无预处理"、"矢量归一化"、"二阶导数(25点平滑)"和"二阶导数(25点平滑)+矢量归一化"建立的模型校正集正确率分别为52.4%、65.2%、75.2%和100%,可见,相比无预处理,经过各种预处理后正确率都有提高,其中"二阶导数(25点平滑)+矢量归一化"建立的模型最好,用该模型对预测集预测,分类正确率也为100%,具有很好的预测性能。这说明近红外光谱技术可用于单粒水稻种子品种真伪性鉴别。     

苹果霉心病光谱在线检测的摆放姿态及建模方法优化研究

苹果营养丰富、口味酸甜,是深受大众喜爱的一种水果。苹果霉心病是一种真菌侵染果实病害,隐蔽性极强,一般在近成熟期果实内部发生霉变,肉眼从外观观察难以分辨,市面上大多数品种的苹果都受其影响。霉心病病果重量变轻、口感变差,严重的甚至不能食用,对经济效益的影响巨大。采用可见近红外光谱分析技术,使用微型光谱仪在线无损检测苹果霉心病,针对4种苹果在线输送时摆放姿态（竖放柄朝上、竖放柄朝下、横放柄朝输送方向和横放柄垂直输送方向）的判别效果进行了优化分析。首先使用主成分分析对600～900 nm波段的透射光谱提取主成分后分别建立线性判别分析（LDA）、马氏距离（MD）和K近邻法（KNN）模型并对校正集和预测集的判别准确率进行对比;其次对600～900 nm波段中心化预处理后建立偏最小二乘判别分析（PLS-DA）模型并给出4种摆放姿态的判别效果;最后使用两种机器学习算法极限学习机（ELM）和支持向量机（SVM）分别建立霉心病判别模型进行预测。对比上述所有6种判别模型,通过观察4种摆放姿态整体的判别效果得到最佳的建模方法为PLS-DA,其中竖放柄朝上和竖放柄朝下摆放的判别准确率都为93.75%,其他2种摆放姿态的判别准确率也都超过85%,再根据PLS-DA模型波段变量投影重要性指标得分值分布提取特征波段690～720 nm重新建立模型,对比4种摆放姿态效果最好的是竖放柄朝上摆放,其预测集的判别准确率达到93.75%,并且对病果的判别效果最佳。研究结果表明PLS-DA可以作为判别苹果霉心病一种有效方法,竖放柄朝上摆放可以作为苹果霉心病在线检测时一种有效姿态。     

High speed measurement of corn seed viability using hyperspectral imaging

Corn is one of the most cultivated crops all over world as food for humans as well as animals. Optimized agronomic practices and improved technological interventions during planting, harvesting and post-harvest handling are critical to improving the quantity and quality of corn production. Seed germination and vigor are the primary determinants of high yield notwithstanding any other factors that may play during the growth period. Seed viability may be lost during storage due to unfavorable conditions e.g. moisture content and temperatures, or physical damage during mechanical processing e.g. shelling, or over heating during drying. It is therefore vital for seed companies and farmers to test and ascertain seed viability to avoid losses of any kind. This study aimed at investigating the possibility of using hyperspectral imaging (HSI) technique to discriminate viable and nonviable corn seeds. A group of corn samples were heat treated by using microwave process while a group of seeds were kept as control group (untreated). The hyperspectral images of corn seeds of both groups were captured between 400 and 2500 nm wave range. Partial least squares discriminant analysis (PLS-DA) was built for the classification of aged (heat treated) and normal (untreated) corn seeds. The model showed highest classification accuracy of 97.6% (calibration) and 95.6% (prediction) in the SWIR region of the HSI. Furthermore, the PLS-DA and binary images were capable to provide the visual information of treated and untreated corn seeds. The overall results suggest that HSI technique is accurate for classification of viable and non-viable seeds with non-destructive manner.     

基于高光谱散射图像技术的UVE-LLE苹果粉质化分类

利用高光谱散射图像技术研究了苹果的粉质化无损检测.提出了一种无信息变量消除法和局部线性嵌入相结合的苹果粉质化分类的新方法.经无信息变量消除法筛选后的波段降为全谱的23.5%.将波段选择后的原始图像数据用局部线性嵌入降维作为偏最小二乘判别分析的输入变量并建模.无信息变量消除法与局部线性嵌入相结合算法和局部线性嵌入降维方法得到的粉质化分类测试准确度分别是79.0%和79.0%|无信息变量消除法与平均反射法相结合和平均反射法特征提取得到的是77.4%和75.8%.结果表明,无信息变量消除法与局部线性嵌入想结合的方法可以大大地降低高光谱散射图像的数据量,同时保证了分类准确度,为在线检测、分类和高光谱数据的存储提供了一种实时、有效的方法.     

结合高光谱成像和机器学习的棉种年份鉴别

棉花精量播种技术目前已经在新疆兵团全面推广,该技术能精确实现一穴一粒的农艺技术指标,但是也对高质量棉种的筛选提出了更高的要求。为了避免播种往年活力不足的棉种而导致发芽率降低的问题,结合机器学习和近红外（NIR）高光谱成像技术（HSI）进行棉种年份精确鉴别,实现棉种的快速无损筛选。采集2016年—2019年近四年外观无明显差异的棉种各360粒,共1 440粒棉种（按照3∶1∶1划分训练集、验证集和测试集）作为样本,按照每批60粒采集915~1 698 nm范围的棉种高光谱图像,去除首尾两端噪声大的光谱,保留1 002~1 602 nm范围的光谱为原始数据。利用Savitzky-Golay（SG）平滑算法对光谱进行预处理,采用主成分载荷方法（PCA-loading）选取13个特征波段,基于全部光谱数据和特征波段（±10 nm）数据建立逻辑回归（LR）、偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、循环神经网络（RNN）、长短记忆网络（LSTM）和卷积神经网络（CNN）六种分类模型。使用全光谱数据建模时,六种分类模型在测试集上的鉴别准确率分别为96.27%,98.98%,99.32%,96.95%,97.63%和100%,其中CNN和SVM模型取得了较好的结果;使用特征光谱数据建模时,六种分类模型在测试集上的鉴别精度分别为93.56%,97.29%,98.30%,95.25%,94.24%和99.66%,其中CNN和SVM模型仍有较好的分类结果。结果表明,使用全光谱数据建模时,六种分类模型都可以实现较高精度的棉种年份鉴别,使用特征光谱数据建模时CNN和SVM模型的鉴别精度仍可达到98%;其中深度学习方法优于传统机器学习方法,但是传统机器学习方法仍能保持较好的鉴别准确率。因此,结合近红外高光谱成像技术和机器学习方法能够实现棉种年份的高精度鉴别,为棉花精量播种过程中的优质棉种选种技术提供理论依据和方法。     

基于联合偏度的高光谱图像波段选择对玉米种子分类研究

高光谱图像技术是在种子识别领域广泛应用的农产品品质无损检测方法。特征信息的充分提取和最优波段的选择是影响高光谱图像技术种子鉴选在线应用的关键因素。目的在于利用联合偏度算法选择高光谱图像的最优波段,用于开发在线的种子分级系统。论文利用高光谱图像采集系统获取10类共960粒玉米种子在438～1 000 nm(共219个波段)波段范围内的高光谱图像,并提取了种子高光谱图像的平均光谱、图像熵特征。利用联合偏度算法选择了高光谱图像的最优波段,分别建立了基于平均光谱、图像熵、平均光谱和图像熵联合特征条件下的支持向量机种子分类模型,比较不同特征下分类模型的识别精度。实验结果表明：无论是全波段分类模型,还是建立在最优波段基础上的分类模型,利用平均光谱和图像熵联合特征获得的分类精度均高于平均光谱和图像熵两种单一特征模型。在10个最优波段条件下,联合特征分类模型的识别精度达到了96.28%,比光谱均值和图像熵的识别精度分别提高了4.30%和20.38%,也高于全波段联合特征识别模型的93.47%。利用联合特征建立玉米种子分类模型时,基于联合偏度的波段选择算法的分类精度要高于无信息变量消除法、连续投影算法和竞争性自适应重加权算法。该研究为种子高光谱图像识别技术的在线运用提供了可行的途径。     

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。     

近红外高光谱的脐橙粒化检测研究

脐橙粒化影响消费者食用口感,降低品质,受到广大果农和消费者的关注。脐橙粒化的检测是一项具有挑战性的任务,对品质分级具有重大意义。以不同粒化程度的赣南脐橙为研究对象,探究利用高光谱检测实现对赣南脐橙粒化程度定性判别的可行性。肉眼是无法判断脐橙粒化程度的,因此对脐橙样本做好序号标记后先测光谱再切开判断粒化程度,按照粒化程度分为无粒化（粒化面积为0%）、轻度粒化（粒化面积小于25%）、中度粒化（粒化面积25%～50%）,每类各58个脐橙样品。在这三类脐橙底部均匀取3个点,每类174个样本,共计522个样本数据用作构建原始光谱矩阵。利用近红外高光谱成像系统采集样本397.5～1 014 nm波段内的高光谱图像信息,再利用ENVI4.5软件通过选择感兴趣区域（ROI）提取样本的平均光谱信息。采用主成分分析（PCA）、连续投影算法（SPA）、无信息变量消除（UVE）三种降维方法对光谱数据进行降维处理,消除无关变量,提取有用信息。原始光谱176个波长,PCA挑选出6个主成分因子,SPA挑选17个特征波长,UVE挑选54个特征波长。以全谱数据和三种降维方法挑选出来的变量作为输入分别建立偏最小二乘判别分析（PLS-DA）和最小二乘支持向量机（LS-SVM）模型。建立的PLS-DA建模方法,PCA-PLS-DA误判率最高为25.58%,UVE-PLS-DA误判率最低为5.38%。基于RBF-Kernel和LIN-Kernel两种核函数下的LS-SVM建模方法,整体上RBF-Kernel建模效果优于LIN-Kernel,UVE波长筛选后建立的模型效果优于其他降维方法且降低了模型的误判率。基于RBF-Kernel的UVE-LS-SVM模型效果最佳,检测精度最高,分类总误判率为0.78%,达到最佳效果。该研究结果表明建立的模型能很好地对不同粒化程度的脐橙进行判别,该模型仅采用30.68%的数据,在降低光谱空间维度的同时还降低了误判率,对促进脐橙产业的品质分级发展具有一定的现实意义。     

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。