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。     

不同年份和产地美味牛肝菌的红外光谱鉴别研究

采用傅里叶变换红外光谱技术结合多元统计分析建立快速鉴别不同年份、不同产地美味牛肝菌的方法。采集2011年一2014年云南26个不同地区152个美味牛肝菌样品的红外光谱,使用正交信号校正(orthogonal signal correction,OSC)、微波压缩(wavelet compression)方法对原始光谱进行优化处理,OSCW校正前后的光谱数据进行偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA),比较光谱预处理前后PLS-DA的分类效果。将152个美味牛肝菌随机分为训练集(120个)和验证集(32个),建立OS--CW校正前后的PLS分类预测模型。结果显示,经OSCW处理后的PLS-DA分类效果明显优于处理前的结果,主成分得分图能准确区分不同年份、不同产地美味牛肝菌样品,表明OSCW处理能有效滤除光谱中的噪音及与因变量无关的干扰信息,提高光谱分析的准确性和计算速率。OSCW处理前PLS模型训练集的R~2和RMSEE分别为0.790 1和21.246 5,验证集的R~2和RMSEP分别为0.922 5和14.429 2;OSCW预处理后训练集的R~2和RMSEE分别为0.852 3和17.238 1,验证集的R~2和RMSEP分别为0.845 4和20.87,表明OSCW预处理提高了训练集的预测效果,但OSCW-PLS出现了过拟合现象降低验证集的预测能力,因此,OSCW不适宜与PLS结合建立模型。OSCW结合PLS-DA能滤除光谱中大量的干扰信息,准确区分不同年份、不同产地美味牛肝菌样品,为野生食用菌的鉴别分类提供可靠依据。     

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。     

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。     

贮藏期内灵武长枣果糖含量的高光谱预测

高光谱成像可将图像和光谱相结合,同时获得目标对象的图像和光谱信息,已在农产品定性和定量分析检测方面得到广泛利用。利用可见-近红外高光谱成像结合化学计量学方法对贮藏期内灵武长枣果糖含量进行无损检测。采用高效液相色谱测量长枣果糖含量的化学值,可见-近红外高光谱系统采集长枣的高光谱图像,提取每个样本感兴趣区域的平均光谱;建立长枣贮藏期的径向基核函数支持向量机（radial basis kernel function support vector machine,RBF-SVM）模型;分别选用正交信号校正法（orthogonal signal correction,OSC）、多元散射校正（multiplicative scatter correction,MSC）、中值滤波（median-filter,MF）、卷积平滑（savitzky-golay,SG）、归一化（normalization,Nor）、高斯滤波（gaussian-filter,GF）和标准正态变换（standard normalized variate,SNV）等方法对原始光谱进行预处理;为减少数据量,降低维度,提高运算速度,采用反向区间偏最小二乘法（backward interval partial least squares,BiPLS）、间隔随机蛙跳算法（interval random frog,IRF）和竞争性自适应加权算法（competitive adaptive reweighted sampling,CARS）对光谱数据提取特征变量;建立全波段和特征波段的偏最小二乘回归（partial least squares regression,PLSR）和主成分回归（principle component regression,PCR）长枣果糖含量预测模型。结果表明：RBF-SVM判别模型校正集准确率为98.04%,预测集准确率为97.14%,能很好地预测长枣的贮藏期;利用BiPLS, IRF及CARS进行降维处理,提取特征波长个数为100, 63和23,占原光谱数据的80%,50.4%和18.4%;为简化模型运算过程并提高模型精度,采用CARS算法对BiPLS及IRF算法所选取的特征波长进行二次筛选,分别优选出18和15个特征波长,占原光谱数据的14.4%和12%,显著减少特征波长数;将全波段光谱与提取出的特征波长分别建立长枣果糖含量的PLSR及PCR预测模型,优选出CARS提取特征波长建立的PLSR模型效果最优,其中校正集的相关系数R_c=0.854 4,均方根误差RMSEC=0.005 3,预测集的相关系数R_p=0.830 3,均方根误差RMSEP=0.005 7,说明CARS有效地对光谱进行降维,简化了数据处理过程。研究表明,利用可见-近红外高光谱成像结合化学计量学方法及计算机编程,可以有效的实现灵武长枣果糖含量的快速无损分析,为灵武长枣内部品质的检测提供理论依据。     

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。     

分数阶微分预处理及PCA-SRDA的多模型融合对红富士苹果产地溯源

苹果产地溯源具有重要的应用价值和现实意义。为了探寻苹果产地溯源新方法,以红富士品种为研究对象,以新疆阿克苏、山东烟台、陕西洛川三个产地671个红富士苹果样本为试材,分别采集其590~1 250 nm的近红外透射光谱,然后基于分数阶微分（FD）及主成分分析（PCA）-谱回归判别分析（SRDA）进行多模型融合,构建红富士苹果产地溯源的集成学习模型。首先,将经过光谱校正后的光谱数据划分为训练集和测试集,并利用分数阶微分预处理训练集光谱,获取不同阶次（取0～2阶,步长为0.1）的分数阶微分光谱;结合不同阶次的分数阶微分光谱及PCA-SRDA算法构建基学习器,将基学习器预测结果构成一个新训练集,并通过决策树算法完成模型融合,得到最终分类预测模型;随后,采用对应阶次的分数阶微分预处理测试集光谱,并基于已建立的基学习器,获得测试集相应的预测结果;最后,将预测结果构成一个新测试集,并基于已建立的分类预测模型,输出最终的预测结果。按7∶3比例随机划分样本集,并进行200次重复实验。结果表明,结合不同阶次的分数阶微分预处理及线性判别分析（LDA）、SRDA、PCA-LDA、PCA-SRDA算法建立多模型融合集成学习模型,具有较好的鉴别效果和较强的鲁棒性,其中,FD-PCA-SRDA多模型融合集成学习模型为最优,其训练集的平均精度为97.33%,标准差为0.49%,测试集的平均精度为94.84%,标准差为1.48%。故,分数阶微分技术及PCA-SRDA算法结合近红外透射光谱可成功、有效地实现苹果产地溯源。     

高光谱结合二维相关光谱检测灵武长枣中半纤维素的含量

利用高光谱成像技术与二维相关光谱（2D-COS）结合化学计量学检测灵武长枣半纤维素含量。采用定量瘀伤装置获得0,Ⅰ,Ⅱ,Ⅲ,Ⅳ级瘀伤长枣模型,通过高光谱和分光光度计分别获得样品高光谱图像和半纤维素含量。蒙特卡洛异常值检测法剔除异常样本后,分别用随机划分法（RS）,Kennard-Stone法（KS）、光谱-理化值共生距离法（SPXY）和3∶1比例法对样本集划分校正预测。采用基线校准（Baseline）、去趋势（De-trending）和标准化（Normalize）对长枣原始光谱预处理后建立偏最小二乘回归模型（PLSR）,优选最佳样本集划分及预处理方法。利用2D-COS将光谱信号扩展到第2维,在全光谱范围内寻找与半纤维素含量相关的敏感波段区间。采用竞争性自适应加权算法（CARS）、引导软收缩（BOSS）、区间变量迭代空间收缩方法（iVISSA）、变量组合集群分析法（VCPA）以及iVISSA+BOSS,iVISSA+CARS和iVISSA+VCPA方法在2D-COS敏感波段区间进行特征波长提取,并建立基于特征波长的PLSR模型。结果表明,样本集经3∶1划分和Baseline预处理后建立的基于全波段的PLSR模型最优,故最佳样本集划分方法为3∶1,预处理方法为Baseline,用于后续特征波长提取。通过2D-COS分析发现3个与半纤维素相关的自相关峰（401,641和752 nm）;在2D-COS敏感区域（401～752 nm范围内）,采用BOSS,CARS,iVISSA,VCPA,iVISS+BOSS,iVISS+CARS,iVISS+VCPA分别提取了14,26,39,12,15,22和11个对应的特征波长,占总波长的18.9%,35.1%,52.7%,16.2%,20.2%,29.7%和14.8%。对比2D-COS和特征波建立的PLSR模型,2D-COS+iVISSA-PLSR模型效果较好,其R2_C=0.747 9,R2_P=0.604 7,RMSEC=0.043 8,RMSEP=0.060 3。研究表明,利用高光谱成像技术结合2D-COS可实现灵武长枣半纤维素含量的快速检测。     

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。     

基于ELM和可见/近红外光谱的鲜枣动态分类检测

枣营养丰富且品种繁多,不同品种的内外部品质与市场价格均存在差异,为了实现鲜枣品种分类的快速无损检测,以产自同一地区的板枣、鸡心枣和相枣为研究对象,动态采集光谱数据。采用移动平滑(moving smoothing)与多元散射校正(multiplicative scatter correction, MSC)相结合的方法预处理光谱数据,对预处理后的光谱数据采用连续投影算法(successive projections algorithm, SPA)提取出11个特征波长分别为：980, 1 860, 1 341, 1 386, 2 096, 1 831, 1 910, 1 628, 441, 768, 601 nm,其重要程度依次递减。以所提取的特征波长作为输入变量,建立极限学习机(extreme learning machine,ELM)分类模型,进行预测判别,并与偏最小二乘判别分析(partial least squares discriminant analysis, PLS-DA)和最小二乘支持向量机(least squares support vector machines, LS-SVM)方法进行比较。结果表明：SPA-ELM方法所建校正模型的决定系数R2=0.972 38,校正均方根误差RMESC=0.018 724,SPA-ELM方法与SPA-PLS-DA和SPA-LS-SVM方法判别准确率均为100%,说明ELM是一种有效的分类判别方法。该研究为鲜枣品种分类检测提供了新的理论基础。     

基于近红外高光谱成像技术的干制红枣品种鉴别

为实现干制红枣的快速鉴别,提出了一种基于近红外高光谱成像技术的鉴别方法。采集四个品种共240个样本干制红枣的近红外高光谱图像(1 000～1 600 nm)。通过主成分分析法(principal component analysis,PCA)、载荷系数法(x-Loading Weights,x-LW)和连续投影算法(successive projections algorithm,SPA)分别提取7个、8个和10个特征波长;基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)提取第一主成分图像的纹理特征。分别以光谱特征、纹理特征、光谱和纹理融合特征作为输入,建立偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、反向传播神经网络(back-propagation neural network,BPNN)和最小二乘支持向量机(least squares support vector machines,LS-SVM)模型。结果显示,基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率;基于融合特征的BPNN模型的结果最优,对预测集样本鉴别正确率为100%。说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。     

基于高光谱技术融合图像信息的脱绒棉种品种分类检测研究

开展种子品种的识别研究是保证种子质量的重要手段。利用高光谱图像技术融合图像特征信息对脱绒棉种的品种进行判别分析。采集4个品种共240粒脱绒棉种样本的高光谱图像数据(400～1 000 nm),提取样本的光谱信息及长、宽、面积、圆形度、等12个形态特征。采用连续投影算法(SPA)选出11个特征波段作为输入结合偏最小二乘判别分析法(PLS-DA)、软独立模式识别法(SIMCA)、最邻近节点算法(KNN)、主成分分析结合线性判别(PCA-LDA)及二次判别(PCA-QDA)进行建模分析,得出PLS-DA建模集和预测集的总体识别率分别为93%和90%。利用图像信息进行建模分析,模型整体的识别率均不高,说明单独使用高光谱图像的形态特征进行分类效果不佳。将特征波段的光谱和形态特征信息进行融合作为输入,建立基于PLS-DA,SIMCA,KNN,PCA-LDA及PCA-QDA的信息融合模型,其精度均比基于光谱或形态信息模型高,其中PLS-DA模型识别效果最好,建模集和预测集总体识别率分别为98%和97%。表明融合高光谱图像的光谱与图像信息可以在少量波段情况下有效的提高脱绒棉种品种的分类检测精度。     

基于NIR高光谱成像技术的长枣虫眼无损检测

为了研究快速识别虫眼枣与正常枣的有效方法,利用特征波长主成分分析法结合波段比算法进行虫眼枣识别。首先,利用NIR高光谱成像系统采集130个长枣(50个正常、80个虫眼枣)图像,提取并分析不同类型长枣特征区域的平均光谱曲线,对970~1 670 nm范围内的光谱数据进行主成分分析,确定7个特征波长(990,1 028,1 109,1 160,1 231,1 285,1 464 nm)。然后,对长枣图像做主成分分析,选择PC2图像进行虫眼识别,虫眼与正常枣的识别率分别为67.5%、100%。为了进一步提高虫眼枣的识别率,采用波段比(R1231/R1109)对未识别的虫眼枣进行再次识别,识别率提高到90%。结果表明,基于NIR高光谱成像技术的检测方法对虫眼枣识别是可行的,同时也为多光谱成像技术应用于在线检测长枣品质提供了理论依据。     

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。