香梨表面低浓度农药残留高光谱检测研究

以喷洒不同浓度杜邦万灵的香梨作为研究对象,探讨了应用高光谱成像技术检测香梨表面农药残留的方法。运用376~1051nm高光谱成像系统采集200个香梨的高光谱图像,其中120个香梨为建模集,80个香梨为预测集。运用多元散射校正(MSC)对光谱数据进行预处理,然后采用连续投影算法(SPA)提取了11个特征波长。基于处理后的光谱数据,分别运用多元线性回归法(MLR)和主成分回归法(PCR)两种算法分别建立农药残留检测的模型,比较两种模型的结果。通过比较,采用MLR建立的农药残留检测模型效果较优,其校正集相关系数(Rc)为0.973,校正均方根误差(RMSEC)为0.260,预测的正确率可以达到91.7%,对较低浓度残留的预测正确率达到80%。研究表明,应用高光谱成像技术可以成功地检测香梨表面农药残留,并且对低浓度检测也有很好的效果。     

正常、缺素和黄龙病柑桔叶片高光谱成像快速诊断

应用高光谱成像技术,结合峰值比判别法和偏最小二乘判别法,探讨快速无损诊断正常、缺素和黄龙病柑桔叶片的可行性。在374.28~1 016.89nm可见近红外光谱范围内,采集了正常、缺素和黄龙病柑桔叶片的高光谱数据。以主叶脉为轴线,两侧各选一个长约60像素、宽约30像素的椭圆形感兴趣区域。提取两个感兴趣区域的平均反射率光谱,经相关分析,筛选出502.79和374.28nm一对特征波长,建立了正常叶片的峰值比判别模型,模型误判率为1.7%,但该模型无法区分缺素和黄龙病叶片。采用二阶导数结合平滑光谱预处理方法,处理反射率光谱,建立了缺素和黄龙病叶片偏最小二乘判别模型。采用留一法交互验证确定最佳主成分因子数为17,建模相关系数为0.96,建模标准差为0.13,模型对两类叶片分类正确率都达到了100%。在此基础上,提出了峰值比判别模型和偏最小二乘判别模型相结合的不同类别叶片二步快速诊断法。采用未参与建模的正常、缺素和黄龙病叶片各10片,评价模型的分类能力,模型分类正确率达到了96.7%。实验结果表明:应用高光谱成像技术,结合由峰值比判别模型和偏最小二乘判别模型构成的二步判别法,快速识别正常、缺素和黄龙病柑桔叶片是可行的。     

蔬菜表面农药残留可见-近红外光谱探测与分类识别研究

利用在600～1 100nm波段范围内可见-近红外反射光谱分析技术,对常见的高残留农药在绿色植物活体上的无损检测进行了研究。首先将采集到的漫反射光谱数据进行小波变换提取光谱特征,然后再利用主成分分析方法进一步对光谱特征进行分析,最后把这些光谱的前两个主成分得分作为神经网络的输入信息,建立了多神经元的神经网络感知器。对农药残留检测的结果表明,该方法可有效甄别农药残留和种类,识别得到较好的分类效果。总之,该研究为蔬菜和瓜果表面的农药残留快速无损检测和识别提供了一条新途径。     

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。     

高光谱成像技术无损检测赣南脐橙表面农药残留研究

高光谱成像技术具备图像和光谱的双重优势,作为一种快速无损检测分析技术,检测过程无损、无污染和无接触。高光谱成像数据包括样本的图像信息和光谱信息,采集样本高光谱成像数据时,样本的每个像素点都有一条光谱与之对应,样本的每个波长都有一幅灰度图像与之对应。研究采用高光谱成像技术无损检测不同稀释浓度的农药在赣南脐橙样品表面残留随时间变化的关系。用蒸馏水把农药分别配置成1∶20, 1∶100和1∶1 000倍的溶液。然后把不同浓度的溶液滴到30个洗净的脐橙表面, 将涂有农药的脐橙分别放置0,4和20 d,然后采集在900～1 700 nm波长范围的高光谱成像原始数据。通过主成分分析获取930,980,1 100,1 210,1 300,1 400,1 620和1 680 nm共8个特征波长,基于这些特征波长做第二次主成分分析,应用PC-2图像并经过适当的图像处理方法对不同浓度及放置不同天数的农药残留进行无损检测。采用高光谱成像技术检测三个时间段较高稀释浓度的果面农药残留都比较明显。高光谱成像技术作为一种检测方法,可用于评价各个时间段较高浓度的农药残留。     

荧光光谱成像技术结合主成分分析与Fisher判别快速鉴别肉苁蓉

为探究一种快速、可靠的肉苁蓉属中药材检测方法,实验采用荧光光谱成像技术结合模式识别方法对肉苁蓉属三种中药材：荒漠肉苁蓉、管花肉苁蓉和沙苁蓉进行鉴别研究。实验中发现肉苁蓉样品存在较显著的荧光特性,采集来自不同产地、不同批次以及不同超市购买的三种肉苁蓉属药材的40个样品的荧光光谱图像,对图像进行去噪、二值化处理后,根据光谱立方体绘制每个样本的光谱曲线,将所得450～680 nm波段范围内的光谱数据作为鉴别分析的研究对象,应用主成分分析法(PCA)对三种肉苁蓉的光谱数据进行降维处理,再结合Fisher判别方法对三种肉苁蓉进行鉴别。分别比较多元散射校正(MSC)、标准正态变量校正变换(SNV)以及一阶微分(FD)三种数据预处理方法对鉴别模型的影响,并根据主成分的累积贡献率和主成分因子数对判别模型效果的影响对主成分因子数进行优化。分析结果表明：一阶微分预处理后提取前四个主成分进行Fisher判别的鉴别效果最佳,PCA结合Fisher判别建立肉苁蓉属三种药材的判别模型原始判别的准确率达到100%,交叉验证的准确率达到95%。由此可见,利用荧光光谱成像技术结合主成分分析及Fisher判别对肉苁蓉属三种药材的鉴别分析是可行的,而且具有操作简便、快速、可靠等优点。     

高光谱成像的水稻螟虫蛀入检测方法

为了控制水稻螟虫预警和喷洒农药用量,实现对水稻螟虫虫害的无损检测,提出了基于主成分分析特征波段检测方法和基于迭代阈值的最优波段检测方法,确定了水稻茎秆螟虫检测的特征波段和最优波段,提取出单波段和组合波段的图像来分割虫孔,从而实现水稻螟虫的精准的无损检测。首先通过高光谱得到的120个样品反射率信息分析确定了光谱区域为450～1 000 nm。基于主成分分析特征波段检测方法,对高光谱图像进行主成分分析,通过前五个主成分图像比较确定第三主成分图像为最佳,然后根据第三主成分图像中各个波段的贡献率来选取特征波长（668.8和750 nm）,最后结合全局阈值分割和图像掩膜等图像处理方法实现对虫孔区域的判别。而利用基于迭代阈值的最优波段检测方法,在可见光波段450～750 nm范围和近红外波段750～1 000 nm范围内应用混合距离挑选最佳的单波段,通过单波段来确定组合波段,对单波段和组合波段进行迭代阈值分割,其中753.5 nm波长分割效果最好,故确定753.5 nm为最优波长,然后提取该波长的图像采用一种基于迭代阈值虫孔提取方法和形态学处理,最后能对水稻茎秆虫孔区域进行判别来实现水稻茎秆虫害是否存在。对60个虫害水稻茎秆和60个正常水稻茎秆进行检测,应用基于主成分分析特征波段检测方法在668.8和750 nm波长处检测率分别为95.8%和93.3%,而应用基于迭代阈值的最优波长检测方法在753.5 nm波长处检测率高达96.7%。说明利用基于迭代阈值的最优波长检测方法对水稻螟虫的检测更加精确,也说明所获取的特征波段和最优波段为以后水稻螟虫虫害的多光谱成像技术提供了理论参考。     

基于高光谱图像和判别分析的草地早熟禾品种识别研究

利用高光谱成像技术(550～1 000nm),采集了6个草地早熟禾品种新鲜叶片的高光谱图像,提取了叶片的光谱信息,运用Wilks’Lambda逐步判别分析法,从94个波段中选择了9个特征波段,根据特征波段的光谱信息,采用Fisher线性判别法,构建草地早熟禾品种的判别分析模型。结果表明,选择3个、6个和9个波段组合,对120个训练样本的识别正确率分别为98.3%,100%和100%,对60个测试样本的识别正确率分别为83.3%,96.7%和100%,说明以9个特征波段的光谱信息构建的草地早熟禾品种判别模型是合适的,利用高光谱成像技术结合判别分析法,为快速识别草地早熟禾品种提供了一种新的方法。     

高光谱技术的羊肉品种多波段识别研究

利用可见/近红外(400～1 000 nm)及近红外(900～1 700 nm)高光谱成像技术对宁夏地区滩寒杂交、盐池滩羊、小尾寒羊三个品种羊肉进行识别研究。针对不同波段光谱特点,分别优选出Baseline及SG卷积平滑光谱预处理方法,并运用连续投影算法(SPA)提取特征波长,结合线性判别分析(LDA)及径向基核函数支持向量机(RBFSVM)模型进行全波段及特征波长识别分析。结果表明不同波段高光谱对羊肉品种识别均获得较好效果,其中400～1 000 nm波段采用Baseline-Fullwave-RBFSVM及12个特征波长下准确率为100%与98.75%,900～1 700 nm波段采用Baseline-Fullwave-RBFSVM及7个特征波长下准确率为96.25%与87.80%;RBFSVM非线性分类准确率高于LDA线性判别结果,400～1 000 nm波段识别准确率优于900～1 700 nm波段,说明三种羊肉在色泽纹理上差异比成分含量显著,利用高光谱成像技术结合RBFSVM方法能够获得较优的羊肉品种识别效果。     

番茄碰伤和可溶性固形物近红外光谱同时在线检测

可溶性固形物和碰伤是影响番茄品质的两个主要因素。研究的目的是探索可见近红外漫透射光谱同时在线检测番茄碰伤和可溶性固形物的可行性。在单通道送果速度5个每秒条件下,采集番茄近红外漫透射光谱。对比分析碰伤与正常番茄样品的近红外漫透射光谱特性,结果表明,碰伤与正常番茄样品的近红外漫透射光谱在光强上存在明显差异,碰伤果光强要强于正常果,其原因可能是碰伤后果肉变软,透光性变强;在650和675 nm处碰伤果比正常果要多两个吸收峰,可能是碰伤后,番茄表皮颜色发生变化所致。选取贡献率占比最多的前三个主成数,对正常果与碰伤果近红外漫透射光谱主成分定性分析,正常果与碰伤果不能有效聚类,故近红外漫透射光谱主成分定性分析效果不明显,需选择建立高维近红外漫透射光谱定性判别模型。故建立了碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型,误判率为0%,能正确判别碰伤果,故选用碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型作为番茄碰伤果在线剔除分选模型。通过对未参与建模的样品进行验证,能正确识别出碰伤果。经近红外漫透射光谱偏最小二乘定性判别模型剔除碰伤果后,按照可溶性固形物指标进行分级。分别使用全部波段和606～850 nm的波段进行建模预处理,且对全部波段和606～850 nm波段光谱进行2阶导数预处理,前后平滑设为9,利用连续投影算法与遗传算法优选可溶性固形物的光谱建模变量,对比发现,利用未经算法筛选过的606～850 nm波段光谱变量进行建模,效果最好,建立了可溶性固形物在线检测模型,预测集均方根误差为0.43 Brix°。采用未参与建模的样品进行碰伤和可溶性固形物同时在线检测验证,碰伤样品的分选准确率达96%,可溶性固形物样品的分选准确率达91%。表明：番茄碰伤和可溶性固形物近红外漫透射光谱同时在线检测是可行的。     

高光谱和卷积神经网络的大白菜农残检测

针对大白菜农药残留传统化学检测手段存在前期处理过程繁琐、检测周期长等不足,提出了一种快速无损识别大白菜农药残留种类的方法。以1组无农药残留和4组含有均匀喷洒农药（毒死蜱、乐果、灭多威和氯氰菊酯）的大白菜样本为研究对象（药液浓度配比分别为0.10,1.00,0.20和2.00 mg·kg-1）,经12小时自然吸收后,利用高光谱成像系统获取400～1 000 nm高光谱图像,并选取ROI感兴趣区域后经多元散射校正（MSC）预处理;分别采用竞争性自适应重加权算法（CARS）、主成分分析算法（PCA）和离散小波变换（DWT）降维（分别基于db1,sym2,coif1,bior2.2和rbio1.5小波基函数）;最后,将降维后的高光谱数据分别输入卷积神经网络（CNN）、多层感知机（MLP）、K最邻近算法（KNN）和支持向量机（SVM）建立模型并比较。结果显示,CNN,MLP,KNN和SVM算法均在降维算法DWT（小波基函数及变换层数分别为coif1-2,coif1-4,bior2.2-2和sym2-2）取得最优总体精度分别为91.20%,83.20%,66.40%和90.40%,Kappa系数分别为0.89,0.79,0.58和0.88,预测集用时分别为86.01,63.23,20.02和14.03 ms,总体精度和Kappa指标均优于基于CARS和PCA降维算法建模结果。可见,高光谱与离散小波变换和卷积神经网络相融合显著提高分类识别精度,改善“休斯”现象,为实现无损和快速检测识别大白菜农残提供一个新的方法。     

基于高光谱成像技术的鲜枣裂纹的识别研究

裂纹是衡量鲜枣品质的重要指标之一,果皮裂纹加速鲜枣的腐烂,导致鲜枣货架期的缩短,严重降低鲜枣的经济价值。采用高光谱成像技术在380～1 030 nm波段范围内对鲜枣裂纹的位置及大小信息特征进行快速识别。选用偏最小二乘回归(PLSR)、连续投影法(SPA)和全波段图像主成分分析(PCA),得到鲜枣裂纹相关的敏感波段。然后利用选取的鲜枣裂纹的敏感波段对建模集的132个样本建立最小二乘支持向量机(LS-SVM)判别模型,并对预测集的44个样本进行判别。对PLSR-LS-SVM,SPA-LS-SVM和PCA-LS-SVM判别模型采用ROC曲线进行评判,得出PLSR-LS-SVM模型对鲜枣裂纹定性判别的结果(area=1,std=0)最佳。选取PLSR回归系数挑选出的5条鲜枣裂纹敏感波段(467,544,639,673和682 nm)对应的单波段图像进行主成分分析,其中将主成分PC4的图像结合图像处理技术,最终识别出鲜枣裂纹的位置、大小信息。结果表明,采用高光谱成像技术结合光谱图像处理可以实现鲜枣裂纹定性判别和定量识别的研究,为进一步开发相关仪器的研究提供理论方法和依据。     

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。     

基于高光谱图像技术的水果表面农药残留检测试验研究

以脐橙为研究对象,初步探讨了应用高光谱图像技术检测水果表面农药残留的方法.用蒸馏水把农药分别配置成1:20,1:100和1:1000倍的溶液.然后把同种不同浓度的溶液滴到10个洗净的脐橙表面,溶液量约为120 μL,200μL和400μL,脐橙表面形成一个3×3的矩阵形状.将水果放置到通风阴凉处放168 h后,拍摄图像.采集脐橙在625～725 nm范围的高光谱图像,应用主成分分析方法(PCA)获得特征波长的图像,应用第三主成分图像(PC-3)并经过适当的图像处理方法对脐橙表面的农药残留进行检测.检测结果表明,高光谱技术对检测较高浓度农药残留非常明显.     

近地高光谱成像技术对黑豆品种无损鉴别

基于近地高光谱成像技术结合化学计量学方法,实现了黑豆品种的鉴别。实验以三种不同颜色豆芯的黑豆为研究对象,采用高光谱成像系统采集380～1 030 nm波段范围的高光谱图像,提取高光谱图像中的样本感兴趣区域平均光谱信息作为样本的光谱进行分析,建立黑豆品种的判别分析模型。共采集180个黑豆样本的180条平均光谱曲线。剔除明显噪声部分之后以440～943 nm范围光谱为黑豆样本的光谱,采用多元散射校正(multiplicative scatter correction,MSC)对光谱曲线进行预处理。分别以全部光谱数据、主成分分析(principal component analysis,PCA)提取的光谱特征信息、小波分析(wavelet transform,WT)提取的光谱特征信息建立了偏最小二乘判别分析法(partial least squares discriminant analysis,PLS-DA),簇类独立模式识别法(soft independent modeling of class analogy,SIMCA),最邻近节点算法(K-nearest neighbor algorithm,KNN),支持向量机(support vector machine,SVM), 极限学习机(extreme learning machine,ELM)等判别分析模型。以全谱的判别分析模型中,ELM模型效果最优;以PCA提取的光谱特征信息建立的模型中,ELM模型也取得了最优的效果;以WT提取的光谱特征信息建立的模型中,ELM模型结识别效果最好,建模集和预测集识别正确率达到100%。在所有的判别分析模型中,WT-ELM模型取得了最优的识别效果。实验结果表明以高光谱成像技术对黑豆品种进行无损鉴别是可行的,且WT用于提取光谱特征信息以及ELM模型用于判别黑豆品种能取得较好的效果。     

高光谱成像与图像结合进行油菜角果蚜虫侵染的定位识别

油菜蚜虫可造成油菜籽的严重减产,及早进行油菜蚜虫判别以及其侵染定位识别有助于精准喷药。采用可见-近红外高光谱成像技术结合图像分析对185个蚜虫侵染以及138个健康油菜角果进行判别,并进行蚜虫的定位分析。首先采用主成分分析法(PCA)对两类样本的平均光谱进行聚类分析,并基于X-loading得出737nm波段可作为判断蚜虫的重要波段,采用Boxplot进行两类样本间单波段处的统计分析,同时得出基于737nm波段判断蚜虫侵染油菜角果的线性公式为y=2.917 6-3.345 7x(x为样本在737nm处的光谱值,y为样本的分类预测值)。采用此公式对实验样本进行判别分析,可以发现角果蚜虫识别率为99.0%。同时基于737nm处的油菜角果单波段灰度图进行蚜虫的定位识别,可以得到蚜虫的识别率为81.1%。结果表明,采用737nm处的单波段光谱信息以及图像信息可进行油菜角果蚜虫侵染的定位识别,为进一步开发便携仪检测仪以及精准喷药提供理论和方法依据。     

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。     

蜂蜜中乐果农药残留的表面增强拉曼光谱定量分析

应用表面增强拉曼光谱(surface-enhanced Raman spectroscopy, SERS)技术,结合线性回归算法,开展蜂蜜乐果中农药残留快速定量分析方法研究。含乐果农药残留的益母草蜂蜜样品30个作为被测对象,划分成建模集(20个)和预测集(10个)。采用具有规则倒四角锥体结构的Klarite基底作为增强基底,提高特征拉曼位移峰的相对强度。通过含乐果农药残留蜂蜜样品的SERS光谱与乐果标准品的常规拉曼光谱间的对比分析,找到了蜂蜜中乐果农药残留对应的四个特征拉曼位移峰867,1 065,1 317和1 453 cm-1。采用线性回归方法,建立了蜂蜜中乐果农药残留对应的四个特征拉曼位移峰强与乐果浓度间的线性回归模型。10个未参与建模的预测集样品,评价了模型的预测能力。经比较,采用867 cm-1处特征拉曼位移峰强建立的线性回归模型预测结果最优,模型预测相关系数为0.984,预测均方根误差为0.663 ppm。检测限达到2 ppm,接近我国农药残留最大限量标准的检测限。实验结果表明采用表面增强拉曼光谱技术结合线性回归算法实现蜂蜜中乐果农药残留的快速定量分析是可行的。可为其他农产品的农药残留快速定量分析提供参考依据。