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。     

可见/近红外联合UVE-PLS-LDA鉴别压榨和浸出山茶油

山茶油是我国特有的优质食用油,而压榨山茶油营养品质优于浸出山茶油。采用可见/近红外光谱技术对压榨和浸出山茶油进行鉴别研究。在350～1 800 nm波段范围内采集压榨和浸出山茶油样本的透射光谱,利用无信息变量消除(UVE)方法进行波长变量优选,剔除无用波长变量,并应用偏最小二乘-线性判别分析(PLS-LDA)建立鉴别分类模型。最后,利用鉴别分类模型对未参与建模的26个预测集样本进行鉴别。研究结果表明,UVE-PLS-LDA是一种有效的鉴别分类方法,所建立的鉴别分类模型能较好地对压榨和浸出山茶油进行鉴别,校正集和预测集样本的鉴别正确率均为100%。因此,可见/近红外光谱联合UVE-PLS-LDA方法鉴别压榨和浸出山茶油是可行的。     

灵武长枣VC含量的高光谱快速检测研究

采用可见-近红外高光谱成像技术结合化学计量学方法检测灵武长枣维生素C(VC)含量，探究一种全新的水果内部成分的快速无损检测方法。采用高效液相色谱法(HPLC)测得长枣的VC含量化学值，可见-近红外高光谱成像系统采集164个灵武长枣400～1 000 nm的高光谱图像，利用ENVI4.8软件提取图像的感兴趣区域(region of interest，ROI)，计算其平均光谱，获得光谱值，将化学值与光谱值通过The UnsecramblerX 10.4软件建立模型。利用蒙特卡洛交叉验证法剔除异常值，采用光谱理化值共生距离法(sample set partitioning based on joint x-y distance，SPXY)进行样本划分以提高模型的预测性能；对光谱采用移动平滑(moving average)、中值滤波(median filter)、归一化(normalize)、基线校准(baseline)、多元散射校正(multiple scattering correction，MSC)、去趋势(detrending)和标准正态变量变换(standard normal variate，SNV)等7种方法进行预处理；为进一步减少数据量，降低维度，提高运算速度，使用竞争性自适应加权算法(competitive adaptive reweighted sampling，CARS)、无信息变量消除算法(uninformative variable elimination ，UVE)和连续投影算法(successive projections algorithm，SPA)提取特征波长，以期实现以少数波段代替全波段；将全波段光谱(full spectrum，FS)以及CARS, UVE和SPA三种方法提取的特征波长分别建立偏最小二乘(partial least squares wavelength regression，PLSR)和支持向量机(support vector machine，SVM)模型，从而确定最优的建模模型。利用蒙特卡洛交叉验证法共剔除7个异常样本，采用SPXY法将剔除异常样本后的157个数据区分为校正集和预测集，校正集中样本个数为117，预测集中样本个数为40。将未经光谱预处理的建模结果与分别经过七种光谱预处理的建模结果相比，选择未经光谱预处理的数据进行后续分析；将未经光谱预处理的光谱值采用CARS，UVE，SPA方法进行提取特征波长，CARS共优选出406，415，487，631，636，655，660，665，670，684，689，694，723，732，747和881 nm下的光谱变量16个，利用CARS提取出的特征波长占总波长的12.8%；UVE共优选出406，415，627，631，636，651，655，660，665，670，675，679，684，689，694，699，703，708，742，747，751，756，761，766，771，775，780，785，790，795，919和924 nm下的32个特征波长，利用UVE提取出的特征波长占总波长的25.6%；SPA共优选出401，665，684 nm三个特征波长，利用SPA提取出的特征波长占总波长的2.4%。将全波段光谱与提取出的特征波长建立PLSR模型和SVM模型，对比模型结果显示UVE-SVM模型最优，其R2_c为0.847 1，R2_p为0.714 9，说明UVE有效地对光谱进行降维，简化了数据处理过程。本研究对高光谱成像技术在水果领域的应用进行了有益探索，探究了一种全新的灵武长枣VC含量的无损检测方法，相应建立的可见-近红外高光谱模型为其他水果成分的快速检测提供了理论基础。     

砂壤潮土有机质含量可见-近红外光谱预测

土壤有机质（SOM）是影响播量的土壤关键参数,根据SOM信息对播量进行实时调控,投入最优化的种子量,充分利用地力资源挖掘产量潜力,节约良种,实现种植收益最大化,是目前播种领域最前沿的研究方向。以玉米主产区之一的华北平原为研究区域,对该区域砂壤潮土进行了可见-近红外（300～2 500 nm）光谱采集。采用蒙特卡罗交叉验证剔除了异常样本,结合Savitzky-Golay卷积平滑法对光谱数据进行平滑去噪处理。分别通过竞争性自适应重加权算法（CARS）、连续投影算法（SPA）、竞争性自适应重加权-连续投影（CARS-SPA）、无信息变量消除（UVE）及变量组合集群分析法（VCPA）等波长筛选方法提取有效变量,并结合偏最小二乘回归（PLSR）分别建立了全波长和特征波长的SOM含量预测模型。结果表明,不同方法筛选的波长数目及波长位置存在显著差异,CARS和SPA算法选择的光谱特征在整个光谱范围都有分布,UVE和VCPA筛选的波段较为集中,且基于CARS-SPA方法可以进一步优选特征变量,其特征波长仅为全波长数量的15%。通过对比不同模型的建模及预测效果,除UVE和VCPA算法外,其余算法构建的模型均能实现SOM含量的有效预测,其RPD值均大于2.0。基于CARS-SPA构建的PLSR模型效果最好,其R2_P和RPD分别0.901和3.188,均高于其他方法,不仅降低了无效信息对预测效果的干扰,且模型的运算效率得到了明显的提高,可以很好地实现该地区SOM含量的可靠预测。该研究可以为SOM含量快速预测及仪器设计提供方法参考。     

基于卷积神经网络和近红外光谱的酒醅酸度分析方法研究

快速、准确检测酒醅酸度,可显著提高白酒出酒率和成品酒品质。近红外光谱(NIR)提供了分子的倍频和合频,即有机物中含氢基团(C—H、 N—H、 O—H)的振动信息,通常用于样品中含氢化合物的定性和定量分析。采用NIR能简单、迅速的测定酒醅酸度,克服了传统化学分析方法检测周期长、试剂消耗大、人为误差等不足。由于NIR是一种间接分析技术,如何建立校正模型是准确检测酒醅酸度的关键。作为深度学习中的典型模型,卷积神经网络(CNN)具有局部区域连接,分享权值等优点,不仅能从复杂的光谱数据中提取关键特征,还能减少网络模型的复杂度。因此,提出基于CNN和NIR的酒醅酸度定量分析方法,以某酒企生产线中采集的545个酒醅样本光谱数据作为研究对象,采用标准正态变换(SNV)、 Savitzky-Golay (SG)滤波和一阶求导(1^stD)三种算法相结合对原始光谱进行预处理;利用无信息变量消除法(UVE)选择光谱数据的特征波长;使用CNN建立酒醅酸度模型。结果表明：(1)对光谱数据进行预处理后,消除了原始光谱中的基线偏移,噪声等问题;经过预处理后的光谱数据模型相较于原始光谱建模,预测集...     

基于近红外光谱和子窗口重排分析的山茶油掺假检测

为打击山茶油掺假,保障消费者的合法利益,利用近红外光谱和子窗口重排分析(SPA)对山茶油的复杂掺假(掺入大豆油、菜籽油、花生油及混合油)进行检测。采集85个纯山茶油和315个掺假山茶油样本的近红外光谱,利用SPA变量选择方法对样本光谱的波长变量进行筛选,再由偏最小二乘-线性判别分析(PLS-LDA)建立山茶油掺假检测模型,并与竞争性自适应重加权算法(CARS)和无信息变量消除(UVE)变量选择方法的结果进行比较。研究结果表明,近红外光谱联合SPA方法可以用于山茶油的复杂掺假检测,预测集样本的分类错误率、灵敏度及特异性分别为0、1和1。SPA方法优于UVE方法,与CARS方法相当,是一种有效的变量选择方法,能简化模型并提高模型的预测精度和稳定性。     

激光诱导击穿光谱联合UVE变量优选检测大豆油中的铬含量

利用激光诱导击穿光谱(LIBS)技术对大豆油中的重金属Cr进行检测研究。以松木木片对重金属Cr进行富集,采用AvaSpec双通道高精度光谱仪在206.28~481.77 nm波段范围内采集松木木片样本的LIBS光谱,利用无信息变量消除(UVE)方法筛选与重金属Cr相关的波长变量,应用偏最小二乘(PLS)回归建立大豆油中重金属Cr的定标模型,并与单变量及全波段PLS定标模型进行比较。结果表明,相比单变量及全波段PLS定标模型,UVE-PLS定标模型的性能更优,其相关系数、校正均方根误差、交互验证均方根误差及预测均方根误差分别为0.990,0.045,0.050及0.054 mg·g-1。经UVE变量筛选后,UVE-PLS定标模型所用的波长变量数仅为全波段PLS的2%。由此可见,UVE是一种有效的波长变量筛选方法,能有效筛选出与重金属Cr相关的波长变量。     

高光谱成像用于定量判断茶树叶片受冻程度

低温冻害是茶园中最常见的自然灾害之一。茶树叶片低温胁迫的定量监测对于评估茶园冻害程度和及时采取措施具有重要意义。茶树低温胁迫的传统检测方法,主要是通过人工观察和理化指标的测定,存在精度低、效率低和主观性强等问题,严重影响了灾害后期的茶树管理。该研究提出了一种基于高光谱成像的茶树冻害程度定量判断方法。首先,利用高光谱成像设备采集自然环境中茶树叶片在无冻害发生、冻害初期和冻害后期三个阶段的光谱数据,提取叶片的平均反射率;测定相应叶片中的相对电导率(REC)、叶绿素(SPAD)和丙二醛(MDA)等生理生化指标。其次,利用多元散射校正(MSC)、一阶导数(1-D)和平滑滤波(S-G)算法对采集的原始高光谱数据进行预处理,并利用无信息变量消除(UVE)和竞争性自适应重加权(SPA)算法筛选预处理后高光谱数据的特征波段。最后,利用卷积神经网络(CNN)、支持向量机(SVM)和偏最小二乘法(PLS)建立REC、 SPAD和MDA含量的定量预测模型。结果表明：(1)经MSC+1-D+S-G算法预处理的光谱曲线比原始光谱曲线的波峰和波谷更加突出,提高了光谱的分辨率和灵敏度,有利于提高后期回归模型的精度;...     

近红外光谱技术结合变量选择方法定性检测食用植物油中的腐霉利

利用近红外光谱技术对食用植物油中的腐霉利进行定性检测研究。以国家标准规定的腐霉利最大残留限量为界线,将不同腐霉利含量的食用植物油样本分为合格组和不合格组。采用QualitySpec台式近红外光谱仪采集两类样本的光谱,利用无信息变量消除 (UVE)和子窗口重排分析(SPA)方法进行波长变量筛选,并应用线性判别分析(LDA)、偏最小二乘-线性判别分析(PLS-LDA)及判别偏最小二乘(DPLS)方法建立两类样本的分类模型。结果表明,近红外光谱技术可以对两类样本进行分类。UVE方法可以有效筛选有用波长变量,提高分类模型的性能。UVE-DPLS所建立的分类模型性能最优,其预测集样本的分类正确率、灵敏度及特异性分别为98.7%,95.0%和100.0%。     

基于可见/近红外光谱和深度学习的早期鸭胚雌雄信息无损检测

胚蛋雌雄识别一直是家禽业发展的瓶颈问题,在禽肉生产过程中倾向于养殖雄性个体,而禽蛋生产产业倾向于养殖雌性家禽。若能在孵化过程中较早鉴别出种蛋的雌雄,不仅能够降低家禽孵化产业的成本,还能够提高禽蛋和禽肉生产行业的经济效益。该文以种鸭蛋为研究对象,为了在种鸭蛋孵化早期实现对种蛋的雌雄识别,构建了可见/近红外透射光谱信息采集系统,在200～1 100 nm的波长范围内采集了345枚孵化了0~8 d的种鸭蛋光谱数据。搭建了适用于种鸭蛋光谱信息的6层卷积神经网络（convolutional neural network, CNN）,其中包括输入层、3个卷积层、全连接层与输出分类层。卷积层可以提取光谱中的有效信息,全连接层通过对卷积层提取的局部特征进行整合供输出层分类决策。另外在卷积神经网络中引入局部响应归一化和dropout操作能够加快网络的收敛速度。利用该卷积神经网络构建鸭胚雌雄信息识别网络,通过对比与分析不同孵化天数的识别效果,发现孵化7d的识别效果最佳。随后将孵化7 d的种鸭蛋原始光谱数据进行噪声去除,选取500~900 nm波段用于后续的特征波长选取和建模。分别运用了竞争性自适应重加权算法(CARS)、连续投影算法( SPA)与遗传算法(GA)选择能够区分鸭胚性别的波长点,将选取的特征波长转换为二维的光谱信息矩阵,二维光谱信息矩阵保留了一维光谱的有效信息,同时极大地方便了与卷积神经网络的结合。利用二维光谱信息矩阵和卷积神经网络相结合,实现孵化早期阶段鸭胚的雌雄识别。经检验,基于 SPA算法和CNN网络建立的模型效果较佳,其中训练集、开发集及测试集的准确率分别为93.36%,93.12%和93.83%;基于GA算法和CNN网络建立的模型效果次之,训练集、开发集及测试集的准确率分别为90.87%,93.12%和86.42%;基于CARS算法和CNN网络建立的模型的训练集、开发集及测试集的准确率分别为84.65%,83.75%和77.78%。研究结果表明基于可见/近红外光谱技术和卷积神经网络可以实现孵化早期鸭胚胎雌雄的无损鉴别,为后续相关自动化检测装置的研发提供了技术支撑。     

LS-SVM的梨可溶性固形物近红外光谱检测的特征波长筛选

为提高梨可溶性固形物含量(soluble solids content,SSC)的近红外光谱模型的精度和稳定性,以160个梨样品为实验对象,分别对原始光谱、多元散射校正(MSC)和标准正态变量变换(SNV)处理后的光谱,经无信息变量消除算法(UVE)挑选后,再结合遗传算法(GA)和连续投影算法(SPA),筛选梨可溶性固形物的近红外光谱特征波长。将筛选后的波长作为输入变量建立梨可溶性固形物的最小二乘支持向量机(LS-SVM)模型。结果表明经过SNV-UVE-GA-SPA从全波段3112个波长中筛选出的30个特征波长建立的梨可溶性固形物LS-SVM模型效果最好,该模型的预测集相关系数(R_p)和预测均方根误差(RMSEP)分别为0.956和0.271。该模型简单可靠,预测效果好,能满足梨的可溶性固形物含量的快速检测,为在线检测和便携式设备开发提供了理论基础。     

特征变量优选在苹果可溶性固形物近红外便携式检测中的应用

为实现苹果可溶性固形物(SSC)的便携式快速检测,利用环形光纤探头和微型光谱仪搭建便携式苹果可溶性固形物光谱采集系统,结合无信息变量消除(UVE)、遗传算法(GA)、竞争性自适应加权(CARS)算法筛选基于偏最小二乘(PLS)的苹果可溶性固形物的近红外光谱特征波长。另外,采用反向区间最小二乘支持向量机(BiLS-SVM)和GA算法优选基于LS-SVM的特征波长变量,分别建立所选特征波长和全波段的PLS模型和LS-SVM模型。试验结果表明,经过GA-CARS算法从全波段1 512个波长中筛选出的50个特征波长建立的PLS模型效果最好,其预测相关系数和预测均方根误差分别为0.962和0.403°Brix。利用该检测装置结合GA-CARS筛选的特征波长,可有效简化苹果可溶性固形物近红外便携式检测模型并提高模型的预测精度,为进一步构建便携式苹果可溶性固形物检测设备奠定了基础。     

基于高光谱技术的三七不同部位粉末的无损鉴别

三七是一种传统的中药材，具有较高的药用价值。目前市场上中药售假的现象屡见不鲜，许多不法商贩将三七支根或剪口粉末假冒主根粉末销售，严重损害了消费者的利益。利用高光谱技术结合多元分析方法实现三七不同部位粉末的快速无损鉴别。通过高光谱成像系统分别采集了三七剪口、须根和主根粉末在400～1 000 nm范围内的高光谱图像，共300个样本。采用Savitzky-Golay(SG)平滑结合标准变量变换(SNV)的方法对高光谱数据进行去噪和消除因散射引起的光谱差异。为了移除光谱变量中的重迭和冗余信息，利用竞争自适应重加权采样(CARS)算法和本文提出的一种考虑了变量间交互作用的二进制竞争自适应重加权采样(BCARS)算法进行特征波长选择。最后分别建立了基于全光谱、 CARS和BCARS特征波长的支持向量机(SVM)和极端梯度提升(XGBoost)分类模型。结果表明，BCARS-XGBoost模型的分类效果最优，训练集和测试集的分类准确率分别为100%和99.33%。与CARS相比，BCARS所选择的特征波长数量较少，有助于多光谱系统和便携式仪器的开发。利用高光谱技术结合BCARS-XGBoost模型...     

高光谱成像的图谱特征与卷积神经网络的名优大米无损鉴别

名优大米含有更多的营养价值与更高的经济价值,不法商家为赚取更多利益,对优质大米掺假甚至以次充好,损害了消费者利益和大米贸易,打击了生产者的生产积极性。希望发展一种基于高光谱成像的图谱特征与深度学习网络的名优大米无损鉴别方法。首先,采集了全国具有代表性的七种名优大米400～1 000 nm范围高光谱图像,并提取了每种大米的光谱、纹理与形态特征。使用多元散射校正算法做光谱预处理消除光谱散射。连续投影算法(SPA)、竞争自适应重加权算法(CARS)以及两者级联方法(CARS-SPA)被用来选取光谱特征的重要波长;用SPA选择形态、纹理特征的重要变量。最后,使用深度学习网络-卷积神经网络(CNN)融合各类特征构建大米种类识别模型,而K-近邻(KNN)、随机森林(RF)用于与CNN模型相对比。实验结果显示,根据全光谱构建的模型的分类准确度达到80%以上;其中, KNN建模效果最差; RF的效果较好; CNN网络的模型性能最优,训练集的分类准确度(ACC_T)为92.96%,预测集的分类准确度(ACC_P)为89.71%。而重要波长光谱与全光谱相比,分类准确度相差较多。为进一步提升大米种类鉴别的准确度,选用纹理、形态两种图像特征与光谱特征进行融合,最优结果来自光谱与形态特征重要变量所构建的模型。其中, KNN的ACC_T和ACC_P分别为69%和67%; RF模型的ACC_T=99.98%和ACC_P=89.10%; CNN模型的效果最佳, ACC_T和ACC_P为97.19%和94.55%。此外,光谱与纹理融合的分类效果差于光谱,说明纹理特征弱化了分类结果。对于分类模型来说, CNN的性能明显优于两种机器学习方法,可以提供更好的分类效果。总而言之, CNN融合光谱与形态特征重要变量可实现对名优大米种类的准确鉴别,这种方法有望拓展到其他农产品的分级,种类区分和产地鉴别。     

应用近红外高光谱成像技术预测甘蔗可溶性固形物含量

为了探究应用近红外高光谱成像技术对甘蔗内部可溶性固形物（SSC）预测的可行性,试验样本选择三种不同品种中的240个甘蔗节作为研究对象。通过高光谱成像系统获取甘蔗节的近红外光谱信息和图像信息,并分别探讨了光谱信息和图像纹理信息对甘蔗可溶性固形物预测的可行性。采用最小二乘回归（PLSR）,最小二乘支持向量机（LS-SVM）及主成分回归（PCR）建模方法构建甘蔗可溶性固形物的预测模型。比较了连续投影算法（SPA）、无信息变量消除算法（UVE）及区间偏最小二乘（iPLS）特征提取方法对预测结果的影响。实验结果表明：基于甘蔗的光谱信息能实现可溶性固形物的预测,其中偏最小二乘回归模型的建模集和预测集的相关系数分别为0.879和0.843,均方根误差分别为0.644和0.742。通过UVE算法提取105个有效波长所建立的PLSR模型的建模集及预测集相关系数分别为0.860和0.813,均方根误差分别为0.693和0.810。     

光谱数据预处理对潮间带沉积物氮LSSVM模型的影响研究

光谱数据变换和光谱特征波长提取是二种重要的光谱预处理方法,对消除环境等干扰具有重要的作用。以往文献主要对比研究不同的光谱数据变换方法,光谱特征波长提取方法的对比研究以及二者的组合研究较少。为了获取适宜的光谱预处理方法,提高潮间带沉积物氮的最小二乘支持向量机(LSSVM)模型精度,研究了4种光谱变换方法与3种特征波长提取方法组合对沉积物氮LSSVM模型精度的影响,以期实现潮间带沉积物氮的精确预测。研究结果表明,多元散射校正(MSC)或标准正态变换(SVN)光谱变换方法提高了光谱与氮含量的相关性,最高相关系数分别达到0.69和0.71;并且提高了LSSVM模型的预测精度,模型的预测R~2和RPD分别为0.88, 0.87和2.78, 2.69。无信息变量消除(UVE)特征波长提取方法也提高了LSSVM模型的预测精度,模型预测R~2和RPD分别0.89和2.70。但是, UVE提取的特征波长并不都与氮含量具有高相关性。此外,组合运用UVE特征波长提取方法和MSC或SVN光谱变换方法,也提高了模型预测精度,但并不优于单独运用UVE特征波长提取方法或单独运用MSC及SVN光谱变换方法。研究结果可为潮间带沉积物氮估算和光谱数据预处理提供技术参考。     

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。     

近红外光谱法分析油页岩含油率中波长选择方法的研究

波长选择是光谱建模分析的重要步骤。研究了近红外光谱法分析油页岩含油率过程中的波长选择方法,用以剔除光谱数据中的冗余信息和干扰信息,提高分析模型的建模效率和预测能力。分别采用相关系数法(CC)、移动窗口偏最小二乘法(MWPLS)和无信息变量消除法（UVE）对油页岩近红外漫反射光谱数据的波长区间进行了选择,研究了不同阈值、窗口宽度和噪声矩阵对上述方法的影响,建立了所选择波长处的反射率数据和样品含油率标准值间的偏最小二乘（PLS）分析模型,比较了上述方法的选择效果。结果表明：与使用全谱数据建模相比,采用上述方法筛选过的光谱数据均能提高模型的建模效率和预测能力,其中经UVE法筛选后的光谱数据仅占全谱数据总数的22.8%,模型的RMSECV却降低了9.3%,RMSEP降低了4.5%。     

基于最小角回归与GA-PLS的NIR光谱变量选择方法

近红外(NIR)光谱一般具有较多的波长变量数,对其直接或间接地进行变量选择是提高模型稳定性能及预测性能的关键。最小角回归(LAR)是一种相对较新和有效的机器学习算法,常用于进行回归分析和变量选择。面向光谱建模应用,提出一种LAR结合遗传偏最小二乘法(GA-PLS)的变量选择方法,可有效筛选出少数特征波长点。首先在全光谱区利用LAR消除变量间的共线性得到初筛波长点,然后用GA-PLS对LAR筛选出的波长点进一步优选从而得到最终建模用的特征波长点。为验证本文方法的有效性,以药片和汽油的近红外光谱回归分析作为应用案例,对原光谱进行预处理后,采用该方法进行变量筛选,然后分别建模其中的活性成分含量和C10含量。结果显示,在这两个应用中,最终优化得到的特征波长点数均只需七个,而两者的预测决定系数R2_p分别达到0.933 9和0.951 9,与全光谱、无信息变量消除法(UVE)和连续投影算法(SPA)等方法相比,特征波长点更少,同时R2_p和预测均方根误差RMSEP值更优。因此,LAR结合GA-PLS,能有效地从近红外光谱中选择出信息变量从而减少建模波数,提高预测精度,拥有较好的模型解释性。该方法可为特定领域的专用光谱仪设计提供有效的波长筛选工具。     

基于光谱的春季育苗移栽期番茄苗健壮度量化检测

为了筛选影响春季育苗移栽期番茄穴盘苗健壮程度的关键指标,并实现其快速无损检测,测定了5项秧苗指标,经向量归一化预处理并采用独立性权系数法确定各指标权重,并根据权重结果挑选出包含信息较全面,影响较大的两个指标：叶绿素和干质量。两项指标所组成的简化秧苗评价值可以近似表示综合评价值,相关系数r为0.92,大大减少了品质检测所需的指标量,并可以很好的表征春季育苗移栽期番茄苗的健壮度。提取了各穴盘苗的可见-近红外光谱数据,经去噪和多元散射矫正（MSC）预处理,消除了由光散射等带来的光谱干扰信息,相较原始光谱信息更具可利用性。随后采用光谱-理化值共生距离（SPXY）算法对样本集进行划分,利用波段值和评价值两种变量同时计算样本间距离,以最大化表征样本分布,提高样本差异性和代表性。采用竞争性自适应重加权算法（CARS）和无信息变量消除连续投影算法（UVE-SPA）优选光谱特征波数,降低光谱数据维度,得到了更能体现光谱特征的简化光谱信息,减少了冗余信息对建立模型精准度和分析速度的影响。最后应用偏最小二乘支持向量机（LS-SVM）和基于U-Net模型改造的卷积神经网络(CNN),以预处理后的光谱数据和提取特征波长后的光谱数据分别作为模型的输入,建立了光谱数据与综合评价值的非线性映射模型,并进行对比选优。结果显示：应用UVE-SPA预处理方法筛选出的波段,光谱信息更加丰富有效;两种预处理后的优选波段所建模型回归效果整体优于全波段建立的模型;CNN模型的建模效果整体优于LS-SVM模型,且UVE-SPA-CNN模型对光谱数据和秧苗评价值的回归分析效果最好,其建模集和预测集的相关系数r分别为0.988和0.946,均方根误差RMSE分别为0.085和0.025,为直接利用光谱数据获取融合了多种因素的番茄秧苗评价值,从而判别秧苗健壮度提供了理论依据。