高光谱结合主成分分析的苎麻品种识别

苎麻（Boehmeiria nivea L）是我国的特产,作为一种传统的纤维作物,一直有着较高的经济地位。开发一种基于高光谱的、新型高效的苎麻品种识别方法,有利于苎麻栽种、种质资源开发利用,为实现苎麻高产优质及麻田精准管理提供关键技术支撑,对提高苎麻产量和品质有重要意义。为了将高光谱技术应用于苎麻品种识别,采集了9个不同基因型苎麻品种,利用地物光谱仪测定苎麻叶片高光谱反射率,共1 458个叶片高光谱数据,利用主成分分析(PCA)对高光谱数据进行降维,探讨PCA最佳主因子个数的确定方法,比较不同主因子个数与不同判别分析(DA)方法--即线性判别分析(LDA)、二次判别分析(QDA)和马氏距离判别分析(MD-DA)组合,在建立基于叶片高光谱的苎麻品种识别模型中效果。对全波段的数据样本进行主成分分析之后,以2～20个主成分作为特征变量,分别建立LDA,QDA和MD-DA三种品种判别模型进行预测,以预测集正确率为评价标准,比较各种组合的效果。结果表明,若以累积贡献率≥85%为标准,选择2个主成分时,LDA,QDA和MD-DA三种判别模型预测集正确率分别为32.92%,38.48%和33.54%;以特征值≥1为标准,选择11个主成分时,三种判别模型预测集正确率分别为68.72%,87.04%和83.54%;若以预测集正确率为优先考虑标准,将主成分个数增加至20个时,三种判别模型正确率有较大提高,分别为84.98%,95.68%和95.27%。由此,得到如下结论：①利用PCA组合DA方法建立基于苎麻叶片高光谱的品种识别模型是可行的,但因子数不同、DA判别标准不同、组合方法不同效果差异非常大;②主因子个数对识别结果的影响较为明显,适当增加主成分个数可以显著提高模型判别正确率,因此不应局限于PCA特征值和方差累积贡献率的选择方法;③主因子个数相同时,三种判别标准中,QDA效果最好,LDA效果最差;④最佳组合是20个主成分+QDA方法,其数据维度大大降低（由全波段的2 031维降低20维）,而预测集正确率为95.68%。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358～1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）,利用感兴趣区域的光谱数据,对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理,建立线性判别分析（LDA）和支持向量机（SVM）分类模型,结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型,其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。     

高光谱成像的柑橘病虫害叶片识别方法

为监测柑橘生长状况,实现病虫害无损识别,利用高光谱成像技术和机器学习方法进行柑橘病叶分类研究。使用高光谱成像仪采集46片柑橘正常叶、46片溃疡病叶、80片除草剂危害叶、51片红蜘蛛叶和98片煤烟病叶的高光谱图像,在478～900 nm光谱范围内对每个叶片一个或多个发病区提取5×5的感兴趣区域（ROI）,将ROI内每个像素的反射率值作为光谱信息,则一个ROI得到25个光谱信息样本,最终五类叶片共得到13250个光谱样本。利用随机法将全部样本划分为9 938个训练集和3 312个测试集。分别采用一阶求导（1stDer）、多元散射校正（MSC）和标准正态变换（SNV）三种方法对原始光谱信息进行预处理,对不同预处理方法后的数据采用主成分分析法（PCA）提取特征波长。1st Der预处理后得到7个特征波长,分别是520.2,689.0,704.8,715.4,731.2,741.8和757.6 nm;MSC和SNV预处理后得到7个相同的特征波长,分别是551.9,678.5,704.8,710.1,725.9,731.2和757.6 nm;原始光谱得到7个特征波长,分别是525.5,678.5,710.1,720.7,725.9,757.6和762.9 nm。分析PCA后的样本分布散点图可知,正常叶片、溃疡病叶片和红蜘蛛叶片样本有一定程度聚类,除草剂叶片和煤烟病叶片样本有大量重叠,仅依据PCA不能完成病虫害叶片的识别。对全波段（FS）和PCA特征波长数据在不同预处理方法下进行支持向量机（SVM）和随机森林（RF）建模,结果表明：数据在1stDer预处理方法下识别效果最佳,1st Der-FS-SVM模型总分类精度（OA）为95.98%,Kappa系数为0.948 2,1st Der-FS-RF模型OA为91.42%,Kappa系数为0.889 2,1stDer-PCA-SVM模型OA为90.82%,Kappa系数为0.881 6,1stDer-PCA-RF模型的OA为91.79%,Kappa系数为0.894;对PCA选择的特征波长数据建模,SVM和RF模型下识别率均达到84%,全波段下模型识别率在88%以上,FS数据建模效果优于PCA特征波长。研究结果表明,高光谱成像技术结合机器学习方法进行柑橘叶片分类是可行且有效的,为柑橘病虫害的无损准确识别提供理论根据。     

主成分分析结合支持向量机辅助激光诱导击穿光谱对塑料快速分类识别

大量废弃的塑料制品给生态环境造成严重破坏,当务之急是要对塑料进行分类回收。传统的分类方法普遍存在成本高,效率低,操作复杂等问题,不能满足工业生产的需要。激光诱导击穿光谱技术由于具备简单灵活,快速灵敏等优点,在物质鉴别领域有广泛应用。采用激光诱导击穿光谱技术结合主成分分析（PCA）和支持向量机（SVM）算法对20种塑料进行分类识别研究。由于目前有关塑料分类识别速率的研究报道较少,该实验在保证识别准确率的前提下,进一步研究和分析实验过程耗费的时间,满足工业生产中快速分类的要求。每种塑料采集100组光谱数据,随机选取50组数据作为训练集建立模型,余下50组作为测试集测试模型的分类识别效果,所以训练集和测试集各有1 000组光谱数据。将训练集的数据不加处理地输入SVM中进行训练,并采用5折交叉验证建立最佳模型,此时测试集的识别准确率为99.90%,建模时间为1小时58分41.13秒,预测时间为11.96 s。由此可见,单纯使用SVM算法可以得到很高的准确率,但是需要耗费大量时间。为了提高实验效率,引入主成分分析算法,将原来的高维数据变换成低维数据,并用降维后的数据训练模型。针对不同的主成分个数,均采用随机训练十次再取平均值的方法获得相关数值。实验表明,当选取主成分个数为13时,得到相应的识别准确率为99.80%,而PCA处理时间为1.44 s,建模时间为12.16 s,预测时间仅为0.02 s。虽然PCA算法结合SVM算法在对20种塑料进行分类识别时准确率有轻微下降,但是大大减少了模型训练的时间,实验效率得到很大程度的提高。结果表明,结合两种算法辅助激光诱导击穿光谱可以对塑料进行快速准确的分类识别。     

基于LIBS技术和主成分分析的快速分类方法研究

将激光诱导击穿光谱（LIBS）技术与主成分分析（PCA）法相结合用于铝合金分类研究,对Al—Cu系、Al—Si系、Al—Mg—Si系、Al—Zn系四类13种铝合金标准样品进行了分类实验,实验结果证明LIBS-PCA方法可以实现铝合金的快速分类。通过使用LIBS技术激发130个铝合金标准样品得到130个光谱样本,再用主成分分析方法进行降维分析,计算出贡献率最大的三个主成分并计算各光谱的主成分得分绘制在三维空间中,发现光谱样本点按照铝合金的种类发生了明显的汇聚现象,由此确定了三个主成分和铝合金类型区域。用20个不同类型的铝合金进行实验对所得铝合金类型区域的准确性进行验证,发现所得20个光谱样本点全部落在其对应的标准样品类型区域内, 在一定程度上证明所得的铝合金标准样品类型区域的正确性,在此基础上可以进行未知类型铝合金的鉴别。实验结果表明基于LIBS光谱的PCA方法分类精度达到97.14%以上,能够有效的完成不同模式的区分,相比于常用的化学方法,LIBS技术可以原位快速地对待测样品进行检测,样品预处理简单,因此将激光诱导击穿光谱（LIBS）技术与主成分分析（PCA）法相结合用于质量检测和在线工业控制等领域,可以节约大量的时间及成本,提高检测效率。     

近红外透射光谱结合判别分析方法在汽车制动液品牌与新旧鉴别中的应用研究

采用近红外透射光谱研究了汽车制动液品牌及新旧的鉴别。采集宝马(BMW),丰田(Toyota),沃尔沃(Volvo)以及嘉实多(Castrol)四种品牌的汽车制动液全新样本以及用过的样本的透射光谱。分别对每一种品牌下全新与用过汽车制动液样本的光谱数据进行主成分分析(PCA),主成分得分图表明不同品牌制动液以及该品牌下全新样本以及用过的样本能够被较好的区分,其光谱特性存在差异。基于主成分载荷(Loadings)进行特征波数选择,偏最小二乘判别分析(PLS-DA),线性判别分析(LDA),簇类独立软模式法(SIMCA),k最邻近分类算法(KNN),随机森林(RF),误差反向传播人工神经网络(BPNN),径向基神经网络(RBFNN),极限学习机(ELM),支持向量机(SVM),最小二乘支持向量机(LS-SVM)等判别分析方法用于建立基于特征波数的判别分析模型,判别模型的建模集和预测集判别正确率均略低于或达到了100%。与其他三种品牌汽车制动液相比,嘉实多全新样本与用过样本的差异较小,KNN与LS-SVM模型的建模集正确率均低于100%。结果表明,近红外透射光谱结合特征波长选择以及判别分析模型对不同品牌制动液以及同一品牌下全新样本以及用过的样本进行识别是可行的,为开发在线或便携式仪器提供理论支持。     

基于LIBS技术结合PCA-SVM机器学习对猪肉部位的识别研究

近年来,激光诱导击穿光谱（LIBS）与算法相结合分类、识别生物组织逐渐兴起。由于猪肉各部位组织光谱特性相似,仅通过分析光谱信息很难达到准确识别的效果,采用来自于同一个体、四个不同部位的猪肉进行研究,并将其进行切片、压平,应用LIBS技术对4种部位的组织（里脊,梅花,前腿,五花）进行了样品光谱的采集,每种样品采集100幅光谱进行分析,选取Ca,Na,K等6条谱线进行了初步光谱分析,观测谱线发现除脂肪含量较多的五花组织C-N以及C含量较其他组织高以外,其他组织很难区分,进一步对这6个成分进行主成分分析（PCA）,得到PC1,PC2,PC3累计贡献率达到95%,通过特征分数作为支持向量机（SVM）模型输入源,建立SVM分类模型,得到几种部位样品的混淆矩阵图,通过观察混淆矩阵可以清楚分辨出每个种类样品的分类整准确率,发现四种样品准确率分别为96%,98%,97%,100%,平均准确率达到了97%以上。研究证明LIBS结合PCA-SVM可作为一种快速鉴别猪肉不同组织部位的检测方法。     

基于共焦LIBS技术结合机器学习的矿石分类识别方法

矿物分类与识别是地质研究领域的重要内容,对地质勘探和环境演化的研究具有重要意义。然而,传统的矿石分类识别方法依靠专业人员通过矿石的外形及物理性质进行人工鉴定,主观性强,准确率低,激光诱导击穿光谱技术(LIBS)由于其元素“指纹”特性、灵敏度高以及快速在线检测的特点,非常适合用于地质研究领域。利用共焦激光诱导击穿光谱技术与机器学习结合,提高了矿石分类识别的精准度,利用共焦LIBS系统获得8种天然矿石样品(金矿、铜矿、银辉矿、赤铁矿、铝矿、方铅石、磷灰石以及闪锌矿)的光谱数据,采用主成分分析方法(PCA)对数据进行降维处理,并对降维后的数据采用线性判别分析(LDA)、最邻近规则(KNN)以及支持向量机(SVM)三种方法进行特征谱线的高精准分类识别。首先,采用标准铜片作为样品,对比了非共焦LIBS系统和共焦LIBS系统的稳定性及其对PCA主成分累计贡献率的影响,结果表明与非共焦LIBS系统相比,共焦LIBS系统的稳定性提升了63.75%,主成分累计贡献率提高了17.81%;然后,采用共焦LIBS系统获取上述8种矿石样品的光谱信息,并进行去噪等预处理,采用PCA对矿石特征数据进行提取,并保留累...     

基于广义判别分析的光谱分类

提出了基于广义判别分析(generalized discriminant analysis, GDA)方法对恒星(Star)、星系(Galaxy)和类星体(Quasars)的光谱进行分类。广义判别分析将核技巧与Fisher判别分析结合起来,通过非线性映射将样本集映射到高维特征空间F,在F空间中进行线性判别分析。实验对比了LDA, GDA, PCA, KPCA算法对于恒星、星系和类星体的光谱分类性能。结果表明基于GDA的算法对于这3种类型光谱的分类正确率最高,LDA次之;尽管KPCA也是一种基于核的方法,但是选择主成分个数较少时效果较差,甚至低于LDA;基于PCA的分类效果最差。     

KNN结合PCA在激光诱导荧光光谱识别矿井突水中的应用

矿井突水的迅速识别与分类对于井下水灾防治工作有着重要的意义。提出一种KNN结合PCA运用在激光诱导荧光光谱快速识别矿井突水水源中的新方法。利用激光器发射激光通过可浸入式探头射入水样,得到四种突水水样共80组荧光光谱数据,再分别对每组数据进行预处理,处理后的数据中每种水样取15组数据作为训练集,共60组,其余20组作为预测集。利用主成分分析(PCA)对数据进行处理,之后在主成分分析的基础上利用KNN算法进行分类识别。实验过程中,各预处理方法在主成分个数为2的情况下,进行KNN算法分类的正确率都达到100%。     

基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究

研究了人工神经网络在激光诱导击穿光谱(LIBS)塑料分类识别方面的应用。选用七种常见的塑料作为实验样品,获得每种样品的170组LIBS光谱数据,利用主成分分析获得前五个主成分的得分矩阵。用每种塑料样品的130组光谱数据的主成分得分矩阵作为训练集,建立反向传播(BP)人工神经网络模型。将其余40组主成分得分作为测试数据输入训练好的模型进行分类识别,其识别准确度达到97.5%。实验结果表明,通过采用主成分分析与BP人工神经网络相结合的方法,可以很好地进行塑料激光诱导击穿光谱的分类识别,对塑料的回收利用有重要价值。     

基于可见光光谱分析的黄瓜白粉病识别研究

白粉病是黄瓜常见病害之一,传播速度极快,严重时可造成黄瓜大量减产,对其进行快速准确识别,对黄瓜白粉病诊断和防治具有重要意义,应用可见光谱技术,结合主成分分析和支持向量机算法,实现对黄瓜白粉病的快速识别。配制白粉病菌孢子悬浮液,并人工接种于科研温室内的黄瓜叶片上,以诱发黄瓜白粉病,待白粉病有一定面积暴发后,利用海洋光学USB2000+型便携式光谱仪对黄瓜叶片光谱信息进行采集,利用五点取样法采集样本,在5个检查点,每点选取2株黄瓜进行调查,每株选取4枚感病叶片,每枚叶片随机选取5个感病区域进行光谱采集,共计采集200个感病叶片光谱样本,同样采集200个健康叶片样本作为对照。通过Ocean Optics Spectra-Suite软件采集漫反射标准白板信息和光谱仪暗电流实现光谱仪校正,调节积分时间、扫描次数以及平滑度等参数来实现光谱曲线平滑处理,以有效抑制光谱噪声,对光谱特征进行分类识别,去掉首尾噪声较大的波段,保留光谱的可见光波段进行研究,最终选取450~780 nm波段范围作为研究对象。利用主成分分析对所研究波段范围内的高维光谱数据（947维）进行降维处理,根据主成分的累计贡献率,选取前5个主成分作为分类模型的输入,以白粉病和健康叶片的判别结果作为输出,利用支持向量机算法,通过对样本的分类学习训练构建黄瓜白粉病和健康叶片的分类识别模型,随机选取120个样本作为训练集用于分类模型构建,其余80个样本作为测试集用于模型检验,并通过选取不同的核函数来获得最优模型。利用混淆矩阵对分类识别模型的准确率进行评价,当选取径向基核函数时,分类识别模型对黄瓜健康叶片和白粉病叶片的识别准确率最高,分别为100%和96.25%,总准确率为98.125%,具有较高的准确率。结果表明,利用可见光光谱信息并结合主成分分析和支持向量机算法,可以实现对黄瓜白粉病的快速准确识别,为黄瓜病害诊断提供了方法和参考依据。     

激光诱导击穿光谱技术用于抹茶和绿茶粉的快速鉴别

研究利用激光诱导击穿光谱技术结合化学计量学方法快速鉴别抹茶和绿茶粉的可行性。抹茶与绿茶粉的主要区别在于茶树品种、栽培管理、生长时间和加工工艺。通过采集不同厂家生产的抹茶和不同杀青方式制成的绿茶粉在230～880nm的激光诱导击穿光谱并进行归一化预处理后,选用主成分分析(PCA),依据X-variables loadings获取用于鉴别抹茶和绿茶粉的特征波长,并基于特征波长建立线性判别式分析(LDA)模型。结果表明：基于特征波长建立的LDA模型能快速鉴别抹茶和绿茶粉,4个特征波长分别属于C(Ⅰ) 247.94 nm,Mg(Ⅱ) 279.60 nm,Ca(Ⅱ) 393.45 nm和Fe(Ⅱ) 766.68 nm;建模集和预测集的判别正确率均达到100%。采用激光诱导击穿光谱技术可以准确鉴别不同厂家生产的抹茶和不同杀青方式制成的绿茶粉。     

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。     

甜瓜尾孢叶斑病的高光谱成像检测

农作物生长发育过程中经常会遭到病虫害等外界因素侵染,如果不能实施有效的监测诊断和科学的防治,极易引起农药喷洒不当或过量,不仅会影响作物的产量和种植户的经济效益,还会造成严重的环境污染。近年在广西大棚厚皮甜瓜上发生了一种严重的由瓜类尾孢（Cercospora citrullina）引起的甜瓜叶斑病,导致甜瓜减产和种植户的经济损失。故此应用高光谱成像开展甜瓜叶片的尾孢叶斑病检测,获取健康甜瓜叶片和受瓜类尾孢感染的具有不同病变程度的甜瓜叶片在380~1 000和900~1 700 nm的高光谱图像,选取感兴趣区域并获取相应的平均光谱反射率,比较发现健康叶片和不同病变程度叶片染病区域的平均反射率差异显著。在540 nm处附近,健康叶片和病变程度轻微的叶片的光谱具备波峰形态,随着病变程度增加,波峰逐渐消失;在700~750 nm处附近,叶片反射率曲线急剧上升,出现绿色植物光谱曲线显著的“红边效应”特征;750~900 nm范围,健康叶片与轻微病变区域的光谱反射率变化趋于平稳,而其他病变区域的反射率呈上升趋势,且健康叶片的反射率高于病变区域,反射率随病变程度增加而下降,这一变化规律一直持续到近红外波段的900~1 350 nm范围。运用主成分分析、最小噪声分离法观察叶片早期病变的特征,经主成分分析和最小噪声分离法处理后,特别是对于早期病变,样本受感染后发病的区域更为明显。基于高光谱图像提取的前三个主成分得分绘制三维散点图,虽然不同病变程度的部分样本有重叠,但病变样本与健康样本的分布区分明显。应用K-近邻法和支持向量机方法建立叶片病变判别模型,结果显示：KNN模型对健康样本测试集判别率为98.7%,病变样本的判别率随病变程度加重而逐渐升高;对病变程度较轻样本,支持向量机模型相比于KNN模型而言,判别正确率更高、分类效果更好;总体上,高光谱图像对健康样本的判别率较高（>97%）,可用于健康样本与病变样本的识别,但对不同病变程度的区分效果欠佳。研究结果表明,高光谱成像可用于甜瓜尾孢叶斑病的检测,对不同病变程度的区分效果仍有待提高。     

塑料激光诱导击穿光谱技术快速分类应用研究

在大气环境中,采用激光诱导击穿光谱技术与支持向量机算法相结合,对来自不同厂家不同颜色的20种工业塑料进行分类研究。首先对分类结果有影响的实验参数进行优化,在最佳的实验参数条件下进行光谱采集,采用6条非金属元素特征谱线,有效缩短了训练支持向量机分类模型所需时间,从而提高了塑料的分类效率。实验结果表明,利用碳、氢、氧、氮等主量非金属元素对这些工业塑料样品进行分类,测试集1 000个光谱数据中有996个识别正确,算术平均识别精度达到99.6%。在选取较少的主量非金属特征谱线的情况下,结合采用支持向量机算法,可以实现激光诱导击穿光谱技术对更多类型的塑料制品快速、高精度分类,为激光诱导击穿光谱技术在实现塑料分类方面提供了数据参考。     

基于叶绿素荧光光谱技术的茶叶藻斑病模型研究

茶叶是我国重要的经济作物,对茶叶病害的及早发现与诊断,有利于农业生产者及时采取有效的防护措施。为了实现对茶叶病害的准确判别,采用叶绿素荧光光谱对茶叶的光谱特性展开研究。实验采集了健康茶叶样本90片,藻斑病轻度病害叶片90片,藻斑病重度病害叶片90片,并根据Kennard-Stone算法将样本数按3∶1划分训练集和预测集样本数,其中校正集为200个、验证集为70个。采用叶绿素荧光光谱采集系统对茶叶藻斑病、正常叶片进行光谱采集,其中采集参数设置为：积分时间20 ms,激光功率40 mW。分别分析了患病叶片和正常叶片的光谱响应特性,总体上看,三种叶片光谱主要存在吸收强度差异,光谱走势基本一致。在685和740 nm附近存在叶绿素的荧光峰,其差异主要表现在正常叶片光谱较另外两种叶片光谱吸收强度较高,而重度病害强度最低。然后使用多项式平滑（Savitzky-Golay）对原始光谱进行平滑和降噪处理,建立了偏最小二乘判别模型（PLS-DA）,在PLS-DA建模集模型中,误判样品数为3个,误判率为3%;PLS-DA预测集模型中,误判样品个数为5个,误判率为7.1%。然后建立4种不同核函数的支持向量机模型进行比较得到,由RBF作为核函数,经主成分分析法(PCA)降维后的变量建立的SVM模型误判率最低,准确率达到95.72%,最后采用PCA结合线性判别分析方法（LDA）建立的模型效果最好,准确率达到98.9%。其中最优主成分数的选取由留一验证法取得,选用前10个主成分进行建模时,交叉验证准确率最高,达98%。通过模型对比得到PLS-DA建模集和预测集精度都达到90%以上,以四种核函数建立的支持向量机模型中,径向基核函数模型效果较优,达到95.72%。经主成分分析后建立的LDA效果最好,识别率为98.9%。该研究采用叶绿素荧光光谱结合化学计量学对茶叶病害进行识别,为茶叶病害的快速、准确预测提供一种新方法。