高光谱成像的土壤剖面水分含量反演及制图

传统土壤水分的获取方法仅可获得离散的土壤水分点位数据,难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱（882～1 709 nm）成像反演剖面土壤水分含量（SMC）,并实现精细制图的可行性。研究剖面位于江苏省东台市,我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测,共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值（DN）校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后,提取各采样点的平均光谱反射率。提取光谱（Raw）经吸光度[LOG₁₀(1/R)],Savitzky-Golay平滑（SG）、一阶微分（FD）、二阶微分（SD）、多元散射校正（MSC）和标准正态变量（SNV）转换后,采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）方法建立SMC预测模型,并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明,光谱反射率随SMC增加逐渐降低,不同光谱预处理方法的预测精度有所差异,除MSC方法外,同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型,并且基于LOG₁₀(1/R)光谱的LS-SVM模型对SMC预测精度最高,其建模集的决定系数（R2_c）和均方根误差（RMSE_c）分别为0.96和0.65%,预测集的决定系数（R2_p）、均方根误差（RMSE_p）和相对分析误差（RPD_p）分别为0.88,1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图,通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高（R2: 0.85～0.95, RMSE: 0.94%～1.02%）,且两者在剖面中的变化趋势基本一致,说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息,也可反映出同一位置处不同天数间的含量差异。因此,利用近红外高光谱成像结合优化的预测模型,能够实现土壤剖面SMC的定量预测及精细制图,有助于快速、有效监测田间剖面土壤水分状况。     

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。     

近红外光谱的水稻抗性淀粉含量测定研究

用化学法测定水稻抗性淀粉含量耗时长、成本高,为此,探索了基于近红外光谱技术(NIRS)的水稻抗性淀粉含量测定新途径。首先,采集了62份抗性淀粉含量差异较大的水稻的光谱数据,将光谱数据和已测定的化学值数据导入化学计量学软件,采用偏最小二乘法(PLS)建立了抗性淀粉含量的近红外定标模型,对不同预处理得到的预测模型进行了内部验证和外部验证。结果如下：内部交叉验证方面,未处理、MSC+1thD预处理、1thD +SNV预处理的决定系数(R2)分别为0.920 2,0.967 0,0.976 7,预测均方根误差(RMSEP)分别为1.533 7,1.011 2,0.837 1。外部验证方面,未处理、MSC+1thD预处理和1thD +SNV预处理的决定系数(R2)分别为0.805,0.976,0.992,绝对误差平均值分别为1.456,0.818,0.515,预测值和化学值之间没有显著差异(Turkey法多重比较),说明以近红外光谱分析法代替化学测定法是有可能的。在不同预处理方法之中,1thD+SNV的预处理方法无论内部验证还是外部验证都具有较高的决定系数和较低的误差值,定标模型精度更高,误差更小。     

多元散射校正预处理波段对近红外光谱定标模型的影响

利用近红外光谱对非均匀样品进行分析时,所得样品光谱中包含由光散射导致的干扰信息,通常需要借助多元散射校正算法(multiple scattering correction, MSC)对光谱进行预处理。由于不同波段光谱中所包含的散射信息、噪声水平、基线漂移程度等存在差异,利用MSC方法对光谱进行预处理时,基于不同波段的光谱数据会得到不同的校正结果,进而影响所得定标模型的可靠性。以60个全麦粉样品为研究对象,确定定标区间后,对包含定标区间的不同波段的原始光谱分别进行MSC处理,并利用固定区间内的光谱数据结合偏最小二乘回归(partial least square regression, PLSR)方法建立分析样品中蛋白质含量的定标模型,研究了MSC光谱预处理波段对定标模型的影响,并对MSC光谱预处理波段进行了优化,使定标模型的相关系数由0.96提高到0.98,交互验证均方根误差(root mean squares error of cross validation, RMSECV)由0.37%降低到0.32%。结果表明：利用MSC方法对样品光谱预处理时,光谱预处理波段会影响多元散射校正对光谱中非化学吸收信息的校正能力,确定合适的预处理波段是获得可靠分析结果的一个前提条件。     

近红外光谱检测蜂蜜中可溶性固形物含量和水分的应用研究

提出了一种利用近红外光谱技术定量分析蜂蜜中可溶性同形物含量(SSC)的新方法,同时对蜂蜜中的水分也进行了研究.在不同光谱范围内,通过对原始光谱的不同预处理,用偏最小二乘法分别建立了SSC和水分的近红外透反射光谱校正模型,所有模型都有高的的预测精度和水分的最优模型都为在全谱范围内,光谱预处理采用Norris平滑+一阶微分+多元信号校正,SSC模型的交互验证决定系数(RCV2)、交互验证误差均方根(RMSECV)、验证集决定系数(RP2)、验证误差均方根(RMSEP).SSC模型分别为0.998 6,0.190,0.998 5和0.127,水分模型分别为0.998 4,0.187.0.998 6和0.125.近红外光谱能实现蜂蜜中SSC和水分的准确测定.水分模型预测结果略好于相关文献的报道.     

基于BP-ANN和PLS的近红外光谱无损检测李果实品质的研究

可溶性固形物（SSC）和可滴定总酸（TA）含量是影响李果实品质的重要指标,经典的破坏性检测方法不适用于果实按品质分级,近红外光谱(NIRS)检测方法具有速度快、操作简便、可无损检测果实品质。为实现NIRS无损快速检测安哥诺李果实可溶性固形物和可滴定总酸含量,利用NIRS采集李果实的漫反射光谱,同时采用糖度计测定安哥诺李果实的SSC,采用滴定法测定了李果实TA含量,使用杠杆值和F概率值剔除异常样品,采用软件优化结合人工筛选光谱波段,使用了消除常数偏移量、减去一条直线、矢量归一化（SNV）、最大-最小归一化、多元散射校正（MSC）、一阶和二阶导数结合平滑处理、一阶导数结合减去一条直线和平滑处理、以及一阶导数结合SNV或MSC校正等光谱预处理方法,分别采用偏最小二乘法（PLS）和主成分分析结合反向传播人工神经网络（BP-ANN）建立李果实SSC、TA的定量分析模型。结果表明,李果实SSC和TA的最佳PLS建模效果波段范围分别为4 000～8 852和4 605～6 523 cm-1。SSC的PLS模型的最佳光谱预处理方法为MSC校正,最佳模型校正相关系数（R_c）为0.914 4,预测相关系数（R_p）为0.878 5,校正均方根误差（RMSEC）为0.91,预测均方根误差（RMSEP）为1.00。经一阶微分结合SNV和9点平滑的方法预处理后,TA的PLS模型效果最佳,R_c,R_p,RMSEC,RMSEP分别为0.860 3,0.819 6,0.80和0.86。提取了李果实SSC和TA光谱数据的主成分,并基于前10个主成分得分建立了李果实SSC和TA最佳BP-ANN定量分析模型,其R_c,R_p,RMSEC和RMSEP分别为0.976 7,0.889 7,0.75和0.99;TA的BP-ANN模型的相应参数值依次为0.974 3,0.897 7,0.62和0.83,与采用PLS算法建立的定量模型相比较,BP-ANN模型具有较高的R_c,R_p和较低的RMSEC,RMSEP,因此BP-ANN模型对SSC和TA指标的定量分析结果更佳。     

赤霞珠酿酒葡萄总酚含量的近红外光谱定量分析

酿酒葡萄中的总酚含量是影响葡萄品质的重要指标,也是影响葡萄酒质量的关键因素。为了快速准确地检测赤霞珠葡萄的总酚含量,利用近红外光谱技术结合GA-ELM预测模型对赤霞珠葡萄总酚含量进行预测研究。试验采用5个收获期（每期采集40串,每串取10个）的赤霞珠葡萄,采集200组葡萄的12 500~4 000 cm-1波段范围内的近红外光谱。基于福林酚比色法原理对赤霞珠葡萄的总酚含量进行测定,使用SPXY算法将样品按照3∶1比例分为校正集和预测集,共计150个校正集和50个预测集。分别采用多元散射（MSC）、标准正态变换（SNV）、数据中心化（MC）、移动窗口平滑（MA）和一阶导数+SG方法对原始光谱进行预处理,优选出最佳的预处理方法为MSC。并进一步采用竞争性自适应重加权算法（CARS）、遗传算法（GA）、联合区间偏最小二乘算法（si-PLS）和连续投影算法（SPA）分别对光谱波段进行提取,经对比分析发现CARS提取的69个特征波长数据能有效提高模型的稳定性和预测结果。在MSC预处理和特征波长提取的基础上,引入极限学习机（ELM）算法,建立赤霞珠葡萄总酚含量的预测模型,在总酚含量预测过程中,采用遗传算法（GA）对ELM模型进行优化,并探究了不同的激活函数和隐含层神经元个数对GA-ELM模型预测能力的影响,确定最优的激活函数为Sigmoidal,最优的神经元个数为50个。最后,将ELM和GA-ELM模型的预测能力进行对比,结果显示GA-ELM模型的预测能力高于ELM模型的预测能力,其中MSC+CARS+GA-ELM模型预测能力最好,校正相关系数（R_c）为0.901 7,预测相关系数（R_p）为0.901 3,校正均方根误差（RMSEC）为2.112 4,预测均方根误差（RMSEP）为1.686 8,剩余预测偏差（RPD）为2.308 0。研究结果表明：利用近红外光谱技术结合变量优选建立的GA-ELM模型可实现对赤霞珠葡萄的总酚含量的预测,为赤霞珠葡萄品质的检测奠定了理论基础。     

基于CARS-CNN的高光谱柑橘叶片含水率可视化研究

柑橘叶片水分亏缺是影响柑橘生长发育的重要因素之一,为研究水分胁迫对柑橘含水率的影响,利用高光谱快速无损检测柑橘叶片含水率,并应用伪彩色处理实现含水率可视化。收集100片柑橘叶片,使用烘干法得到鲜叶和烘干叶片一共500个不同梯度含水率的数据样本,将样本按7∶3的比例划分为训练集（350个样本）和测试集（150个样本）,使用决定系数(R2)和均方根误差(RMSE)来评估模型预测的好坏。采用卷积神经网络（CNN）对高光谱数据进行预测,CNN模型使用一维卷积核,一共三层卷积池化层,使用RELU激活函数激活,输出层采用linear激活函数回归预测,使用nadam算法对模型进行优化更新,迭代次数为1 000次;将原始光谱数据和SG,MSC和SNV三种预处理后的光谱数据,与全波段、CARS筛选的特征波段、PCA提取的特征波段组合,导入CNN模型,确定最佳模型为原始光谱数据的CARS-CNN,训练集的R2_c和RMSEC分别为0.967 9和0.016 3,测试集的R2_v和RMSEV分别为0.947 0和0.021 4;原始光谱数据的全波段CNN模型效果其次,训练集的R2_c和RMSEC分别为0.934 3和0.024 9,测试集的R2_v和RMSEV分别为0.915 9和0.028 6。对比了不同预处理方式和特征波长选择的支持向量机回归模型(SVR)、偏最小二乘法回归模型（PLSR）、随机森林模型(RF)组合的最佳结果,将最佳组合模型（原始光谱数据+CARS+PLSR,SNV+PCA+RF,SNV+PCA+SVR）与原始光谱数据的CARS-CNN对比,结果表明,依然是原始光谱数据的CARS-CNN模型预测效果最佳。相较于其他的模型,CARS-CNN模型经过CARS筛选特征波段和卷积核进一步提取特征后,预测精度远高于SVR,PLSR和RF模型。选择训练好的CARS-CNN模型,将高光谱图片导入到模型中,计算每个像素点的含水率,得到伪彩色图像,能够可视化叶片的含水率分布情况。研究结果为柑橘叶片水分含量提供了更快速、更直观、更全面的评估,为研究柑橘叶片水分胁迫提供了依据,为智能灌溉决策的优化提供了参考。     

近红外特征光谱的羊肉TVB-N浓度预测模型

为提高生鲜羊肉储存期内（4,8和20 ℃环境）挥发性盐基氮（TVB-N）的近红外光谱（NIR）检测的稳定性和准确性,选取特征光谱和预测模型是关键步骤。以121个羊肉样品为实验对象,采集生鲜羊肉680~2 600 nm波段的近红外光谱。以多元散射校正（MSC）、标准正态变换（SNV）等散射校正方法,Savitzky-Golay卷积平滑（SGS）、移动平均平滑（MAS）等平滑处理方法,以及归一化（Normalization）、中心化（Centering）、标准化（Autoscaling）等尺度缩放方法分别预处理光谱数据后建立偏最小二乘法（PLS）预测模型。比较发现SGS处理的光谱建模效果最好。利用蒙特卡洛采样（MCS）法及马氏距离法（MD）消除了羊肉光谱的5个异常数据。运用光谱-理化值共生距离（SPXY）算法划分总样本的75%（87个）为校正集样本,剩余29个为验证集样本,利用竞争性自适应重加权法（CARS）、无信息变量消除法（UVE）、改进的无信息变量消除法（IUVE）和连续投影算法（SPA）提取特征光谱得到的波长个数分别为14,713,144和15。将全光谱和4种方法提取的特征波长作为输入变量建立预测模型,CARS提取的波长所建立模型的性能优于UVE、IUVE和SPA提取的波长所建立模型的性能,表明CARS方法可以有效简化输入变量并提高预测模型的性能。改进后得到的IUVE法相比于UVE法,筛选出的波长数更少且模型性能有所提升。以提取的特征波长建立PLS,支持向量机（SVM）和最小二乘支持向量机（LS-SVM）预测模型,SVM模型得到最优的校正集预测结果,其中CARS-SVM预测模型的校正决定系数（R2_C）和校正均方根误差（RMSEC）分别为0.939 1和1.426 7,最优的验证集预测效果为LS-SVM预测模型得到,其中IUVE-LS-SVM预测模型的验证决定系数（R2_V）和验证均方根误差（RMSEV）分别为0.856 8和1.886 2。基于近红外特征光谱建立简化、优化的生鲜羊肉储存期TVB-N预测模型,为实现快速无损检测生鲜羊肉中的TVB-N浓度提供技术支持。     

傅里叶变换近红外技术在乳制品微生物鉴别中的应用研究

乳制品的质量安全问题受到广泛的关注。为快速、准确判定乳制品污染源,利用傅里叶变换近红外光谱技术采集被阪崎肠杆菌、金葡萄球菌、大肠杆菌三种致病菌污染的牛奶样品的近红外透射光谱(NP),使用一阶求导(FD),标准正态变量变换(SNV),多元散射校正(MSC)对光谱进行预处理,结合偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)对三种细菌判别的可行性进行探究。研究表明,利用FD与SNV预处理方法得到PLS-DA模型判别结果均比NP差,而利用MSC预处理后准确率与NP一致达到了100%,且预测集相关系数(Rp)比NP高,预测均方根误差(RMSEP)更小,表明模型在经过MSC预处理后预测性能更理想。阐明利用FT-NIR技术结合化学计量学方法经过合适预处理方法后能有效用于乳制品中微生物类别的鉴别。     

羊肉挥发性盐基氮的高光谱图像快速检测研究

挥发性盐基氮(TVB-N)通常被作为评价羊肉新鲜度的理化参考指标。为了揭示高光谱图像技术(HSI)快速检测羊肉新鲜度的可行性,采集了71个新鲜度具有代表性的羊肉样品的漫反射高光谱图像(400～1 000 nm),并利用半微量定氮法测定了其挥发性盐基氮(TVB-N)的化学值。选择感兴趣区域(ROIs)提取样品的代表性光谱,采用含量梯度法划分校正集和预测集,比较不同的光谱预处理方法,比较逐步多元线性回归(SMLR)、偏最小二乘(PLSR)和主成分分析(PCR)建模方法,建立并验证了TVB-N的校正模型。结果表明,利用多元散射校正(MSC)、一阶导数、Savitzky-Golay(S-G)平滑及中心化处理结合的预处理方法,PLSR和PCR模型都可以实现对羊肉TVB-N的定量检测。对于建立的PLSR模型,采用的预处理方法为MSC、15点2次S-G平滑、1阶导数和中心化相结合的方法,选择的潜变量因子数为11,获得的校正集的相关系数(R)和校正均方根误差(RMSEC)分别为0.92和3.00 mg·(100 g)-1,预测集的相关系数(r)、预测均方根误差(RMSEP)和相对分析误差(RPD)分别为0.92,3.46 mg·(100 g)-1和2.35。研究表明,高光谱图像技术可用于准确快速地检测分析羊肉中新鲜度关键指标TVB-N的含量。该研究为采用高光谱图像技术进一步分析羊肉新鲜度其他指标、改善TVB-N的建模效果及在实际生产中应用该技术提供了基础。     

光谱重构油菜叶绿素含量快速检测方法及设备研制

为了实现油菜叶片中叶绿素含量的快速无损检测,开发了手持式多光谱成像系统用于采集油菜叶片在460,520,660,740,840和940 nm 六个波段的光谱图像。将一台能够采集可见光/近红外（380～1 023 nm）512个波段光谱图像但是价格高昂且体积大的室内高光谱成像系统作为参考仪器,将手持式多光谱成像系统作为目标仪器后,采用伪逆法（pseudo-inverse method）求得高光谱成像系统和多光谱成像系统两台仪器之间的转换矩阵F,从而实现6个波段的多光谱图像向512个波段的高光谱图像的重构,提高了手持式设备的光谱分辨率。运用偏最小二乘回归算法（PLSR）建立了重构的光谱与油菜叶片的叶绿素含量之间的关系模型。结果表明,重构的可见光范围内的光谱反射率与叶绿素浓度之间具有很强的相关性,PLSR回归模型建模集的决定系数R2_c为0.82,建模集均方根误差RMESC为1.98,预测集的决定系数R2_p为0.78,预测集均方根误差RMESP为1.50,RPD为2.14。虽然应用本文开发的手持式成像系统结合PLSR模型实现油菜叶绿素含量快速无损预测的精度低于基于室内高光谱成像系统获得的高光谱图像建立的PLSR模型（R2_c,RMESC,R2_p,RMESP和RPD分别为0.90,1.41,0.82,1.36和2.37）,但是明显优于基于原始多光谱成像系统4个波段（460,520,660和740 nm）反射率建立的PLSR模型得到的结果（R2_c,RMESC,R2_p,RMESP和RPD分别为0.78,2.06,0.72,1.85和1.88）。表明光谱重构技术可提高多光谱成像预测油菜叶绿素含量的精度,并且与室内高光谱成像系统相比,开发的手持式设备具有体积小、成本低廉和操作简便等优点,可为田间油菜叶片的生理状态和养分检测及可视化表达提供技术支持。     

基于高光谱成像技术的长枣不同保藏温度的可溶性固形物含量检测方法

应用高光谱成像技术对不同保藏温度的灵武长枣的可溶性固形物含量进行预测模型建立。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,利用连续投影法(SPA)选择特征波长,对4℃冷藏光谱提取13个特征波段(421,426,512,598,641,670,675,723,814,906,944,978,982 nm),对常温保藏光谱提取12个特征波段(425,507,555,598,673,680,685,718,809,910,954,978 nm)。对于MSC处理、MSC+SPA处理、Savitzky-Golay平滑处理和SNV 4种预处理方法,筛选出的最优预处理方法是冷藏采用MSC处理、常温采用MSC+SPA处理。对应这两种最优预处理方法,分别建立偏最小二乘法(PLSR)、支持向量机(SVM)、主成分回归(PCR)3种预测模型。在以上获得的6个预测模型中,得出冷藏、常温保藏的最优模型分别为MSCPLSR模型(R2C:0.852,RMSEC:0.940;R2P:0.857,RMSEP:0.894)和MSC+SPA-PLSR模型(R2C:0.872,RMSEC:0.866;R2P:0.787,RMSEP:1.007)。结果表明:利用高光谱成像技术,结合多种预测模型建立,能够测定不同保藏温度下的灵武长枣可溶性固形物含量,实现对灵武长枣准确快速的无损检测。     

Active hyperspectral imaging with a supercontinuum laser source in the dark

An active hyperspectral imaging(HSI) system was built with a supercontinuum(SC) laser illuminator and a visible/near-infrared hyperspectral camera, which was used for object spectrum detection in the dark. It was demonstrated that the Gaussian-like distribution of the SC illuminator can still be used for accurate reflectance spectrum measurement once the illuminator was characterized in advance. The validity of active HSI results was demonstrated by comparison with passive results. Then, the active HSI system was used to acquire reflectance spectra of different objects in just one pushbroom measurement successfully. With algorithms of principal component analysis clustering and unsupervised K-means spectral classification, this active HSI system with high spectral and spatial resolutions was demonstrated to be efficient and applicable for specific spectrum detections.     

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。     

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.     

顾及粗糙度的土壤有机碳成像高光谱估测模型

可见近红外非成像光谱分析技术已被广泛用于土壤有机碳（SOC）含量估测,然而该技术的使用受土壤粗糙度的影响,对样本的前处理要求较高,导致模型的实用性受限。针对这一问题,以美国爱荷华州农田土壤为研究对象,使用成像及非成像光谱仪获取土壤样本研磨前后的可见近红外反射光谱,采用去包络线（CR）、吸光度变换（AB）、S-G平滑（SG）、标准正态变换（SNV）、多元散射校正（MSC）5种光谱预处理手段,利用偏最小二乘回归（PLSR）和支持向量回归（SVR）算法构建并对比土壤SOC光谱估算模型,探究利用成像光谱数据估测高粗糙度样本SOC含量的可行性。实验结果表明,使用成像光谱数据能够实现高粗糙度样本的SOC含量估算,而使用非成像光谱数据则无法估算高粗糙度样本的SOC含量;基于成像光谱数据建立的高粗糙度SOC最优PLSR估算模型R2能够达到0.739以及最优SVR估算模型R2为0.712,而基于非成像光谱数据建立的高粗糙度SOC最优PLSR和SVR估算模型R2仅仅分别为0.344和0.311。基于AB,SG,SNV和MSC这4种预处理手段之后的成像光谱数据建立的土壤样本研磨前的PLSR模型性能优于样本研磨之后建立的PLSR模型,而SVR模型性能正好相反。而对于非成像光谱数据来说,土壤样本研磨后建立PLSR和SVR模型精度总是强于样本研磨前建立的模型精度。对于这两种光谱数据和两个估算模型而言,不同的光谱预处理方法提高模型估算精度的能力不同。土壤样本研磨前后,基于成像光谱数据建立的PLSR和SVR模型性能均优于非成像光谱数据所构建的模型。成像光谱技术能够增强高粗糙度土壤样本可见近红外光谱与SOC的相关性,从而提高模型估算精度;能够克服土壤粗糙度的影响;为野外大尺度估测SOC含量提供了新的手段。     

植物叶片可见与近红外光谱反射率数据库的建立与主成分分析

可见与近红外波段光谱反射率数据库是颜色科学与技术和遥感目标地物分类识别领域等研究与应用的基础数据。主成分分析(PCA)在光谱数据分析、光谱重建、高光谱数据降维以及遥感图像分类等方面有广泛应用。测量并建立了云南公园常见绿化植物柳树、樟、红花檵木、蓝花楹等48种植物150条叶片从可见光到近红外波段光谱反射率数据库,波长范围400～1 000 nm、间隔4 nm。并且分别对可见与可见到近红外两种波段范围进行PCA研究。结果表明：不同植物叶片按照红、绿、黄相同色相的光谱反射率曲线基本相似;但对于同一种植物,在可见光波段400～700 nm,因为体内叶绿素、叶黄素、叶红素和花青苷含量的不同,光谱反射率曲线有较大的差异;在近红外波段700～1 000 nm,所有植物叶片光谱反射率仅仅是大小不同,而同一植物光谱反射率基本不随波长变化。PCA分析表明：在可见光和可见与近红外波段前三个主成分的累积贡献率分别达到98.62%和94.97%。数据库及其PCA分析结果将为自然物体光谱重建、多光谱成像技术和遥感目标地物分类识别等领域应用提供支撑。     

基于光谱波段自相关的水稻信息提取波段选择

通过大田试验,使用ASD光谱仪测量水稻不同生育期的冠层光谱,将光谱以10 nm为步长进行合并,再将不同日期光谱的所有波段组合计算相关系数平方（R2）,生成R2矩阵,并绘制R2分布图。根据R2越大,光谱波段之间冗余信息越多,R2越小,水稻光谱波段信息含量越多的原则,在所有测量日期中选择出前100个R2最小值对应的波段,将这些波段进行统计分析。结果表明,可见光区域各个波段之间和红外（近红外和短波红外）区域各个波段之间都含有大量冗余信息。水稻信息量丰富的波段主要集中在可见光的长波波段,红边波段,近红外第一和第二峰值波段,以及短波近红外第一峰前区（1 530 nm附近）和第二峰值区（2 215 nm附近）。比较水稻与其他植被对于最优波段的选择,400～410,630～650和1 520～1 540 nm三个波段区间表现为水稻信息提取较为独特的波段。