改进特征波段选取和混合集成建模的东北粳稻叶绿素含量估算

利用光谱信息快速、无损和准确的检测水稻冠层叶片叶绿素含量,对水稻的长势评估、精准施肥、科学管理都具有非常重要的现实意义。以东北粳稻为研究对象,以小区试验为基础,获取关键生长期的水稻冠层高光谱数据。首先采用标准正态变量校正法（SNV）对光谱数据进行预处理,针对处理后光谱数据,以随机蛙跳（RF）算法为基础,结合相关系数分析法（CC）和续投影算法（SPA）,提出一种融合两种初选波段的改进型随机蛙跳算法（fpb-RF）筛选叶绿素含量的特征波段,并分别与标准RF,CC 和SPA方法进行对比。以提取的特征波段作为输入,结合线性模型和非线性模型各自优势,提出一种高斯过程回归（GPR）补偿偏最小二乘（PLSR）的叶绿素含量混合预测模型（GPR-P）：利用PLSR法对水稻叶绿素含量初步预测,得到叶绿素含量的线性趋势,然后利用具有较好非线性逼近能力的GPR对PLSR模型偏差进行预测,两者叠加得到最终预测值。为了验证所提方法优越性,以不同方法提取的特征波段作为输入,分别建立PLSR、最小二乘支持向量机（LSSVM）、BP神经网络预测模型。结果表明：相同预测模型条件下,改进fpb-RF算法提取特征波段作为输入可较好的降低模型复杂性、提高模型预测性能,各模型测试集的决定系数（R2_P）和训练集的决定系数（R2_C）均高于0.704 7。另外,在各算法提取特征波段进行建模时,GPR-P模型的R2_C和R2_P均高于0.755 3,其中,采用fpb-RF方法提取的特征波段作为输入建立的GPR-P模型预测精度最高,R2_C和R2_P分别为 0.781 5和0.779 6,RMSEC和RMSEP分别为0.904 1和0.928 3 mg·L-1,可为东北粳稻叶绿素含量的检测与评估提供有价值的参考和借鉴作用。     

基于特征波段的高光谱技术检测水体中毒死蜱浓度的实验研究

为了探究反射光谱检测水体中毒死蜱农药的可行性,使用由ASD公司的FieldSpecPro地物波谱仪构成的高光谱采集系统在室内、室外环境获取两种不同浓度区间的毒死蜱样品的光谱数据。基于偏最小二乘(PLS)和主成分分析(PCA)算法分别对毒死蜱样品光谱数据建立全波段定量模型,结果两种模型的预测能力均较高。通过相关性分析(CA)计算相关系数来选择毒死蜱样品光谱的特征波长,其中浓度区间为5~75 mg·L-1的室内、室外实验光谱的特征波长为388,1 080,1 276 nm和356,1 322,1 693 nm,浓度区间为0.1~100 mg·L-1的室内外实验样品光谱的特征波长为367,1 070,1 276,1 708 nm和383,1 081,1 250,1 663 nm。结合PLS算法建立样品特征波长光谱数据的定量模型,结果与全波段模型相比,浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波长模型的校正集决定系数R2_C分别提高至0.987 5和0.999 2,预测集决定系数R2_P分别提高至0.989 4和0.994 4,校正集均方根误差RMSEC分别降低为2.841和0.714,预测集均方根误差RMSEP分别降低为1.715和1.244;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波长PLS模型的校正集决定系数R2_C分别提高至0.998 3和0.998 8,预测集决定系数R2_P分别提高至0.998 4和0.999 0,校正集均方根误差RMSEC分别降低为1.383和1.186,预测集均方根误差RMSEP分别降低为1.510和1.229,验证集标准差与预测均方根误差的比值(RPD)有所增加,尤其是针对浓度区间为0.1~100 mg·L-1的实验,RPD值显著增加至21.7,说明基于特征波长建立的毒死蜱样品定量模型具有较高精度的预测能力,但是通过不同浓度区间范围的对比实验发现,ASD地物光谱仪对低浓度的毒死蜱溶液预测的相对误差偏大,存在客观上的检测下限。为了保证不同试验条件下的毒死蜱农药的特征波长都得到分析,增强模型使用的普适性与鲁棒性,根据特征波长选择出4个波段,即351~393,1 065~1 086,1 245~1 281和1 658~1 713 nm作为特征波段。特征波段模型的波长变量个数共38个,相比于全波段模型的432个波长变量,模型变量精简了91.2%,其中浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波段模型的R2_C分别为0.993 7和0.987 8,R2_P分别为0.979 8和0.998 2,RMSEC分别为1.690和2.516,RMSEP分别为1.987和0.659;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波段PLS模型的R2_C分别为0.9882和0.9807,R2_P分别为0.9391和0.9936,RMSEC分别为3.345和3.942,RMSEP分别为8.996和2.663,且四种实验情况下的模型RPD值均大于2.5,满足定量分析条件。因此采用高光谱采集系统对室内和室外环境中毒死蜱农药的快速检测具有一定的可行性,此研究结果对有机磷农药等面源污染物快速检测有实际的应用价值,可为农田水体有机磷农药快速检测仪器的开发提供理论基础。     

变量优选补正算法的鲜枣可溶性固形物检测模型传递方法研究

在水果的品质检测和分级分选中,存在不同仪器所建检测模型难以共享的难题。为此,以壶瓶枣为研究对象,利用可见/近红外光谱技术探讨仪器间可溶性固形物含量（SSC）检测模型的传递方法。首先,采用美国ASD（Analytical Spectral Device）公司生产的两台仪器采集样本的光谱信息,采用最小二乘支持向量机（LS-SVM）建立原始光谱、Savitzky-Golay一阶导数处理、标准正态变量变换后的SSC检测模型,预测不同仪器采集的光谱时3种方法的预测能力均较差。预测同一台仪器的光谱时,基于原始光谱的主仪器所建模型最优,预测集的决定系数（R2_p）和均方根误差（RMSEP）分别为0.73和1.36%。在此基础上,采用Kennard/Stone算法选取标样,利用专利算法（Shenk’s）、直接标准化（DS）、斜率/偏差算法（S/B）进行模型传递。然后,根据回归系数提取主仪器（24个）和从仪器（28个）的特征波长,优选出单一变量（SV）24个、共性变量（CV）23个、融合变量（FV）29个,均涵盖了SSC的主要吸收谱带。利用优选的变量分别建立主仪器的LS-SVM检测模型,采用主仪器的预测结果（R2_p=0.78~0.80,RMSEP=1.07%~1.13%）明显好于全波段所建模型,但预测从仪器时RMSEP为6.62%~7.88%,模型失效。最后,基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正（CV-MC）、单一变量优选结合差值补正、融合变量优选结合差值补正、共性变量优选结合波长补正算法（CV-WC）进行模型传递,并与SV-Shenk’s,CV-Shenk’s,FV-Shenk’s,SV-DS,CV-DS,FV-DS,SV-S/B,CV-S/B和FV-S/B进行对比分析。结果表明,基于全波段进行模型传递时,预测结果均较差（R2_p=0.03~0.34,RMSEP=2.44%~4.67%）;基于优选变量所建模型经SV-Shenk’s,CV-Shenk’s,FV-Shenk’s传递后的结果较差,经其他算法传递后的结果（R2_p=0.47~0.73,RMSEP=1.30%~1.90%）好于全波段;基于共性变量传递后的结果好于单一变量和融合变量,CV-MC结果最佳（R2_p=0.73,RMSEP=1.30%）,CV-WC传递后的预测结果（RMSEP=1.62%）与CV-DS和CV-S/B相近。研究表明,CV-MC和CV-WC均是一种有效模型传递算法,对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。     

基于分数阶微分算法的大豆冠层氮素含量估测研究

氮素与作物的生长发育、产量和品质密切相关。作物冠层氮素含量的快速、准确、无损检测对于作物营养诊断和长势评估具有重要意义。传统的氮素检测方法检测周期长、操作复杂,同时具有破坏性,无法实现作物氮素含量在时间和空间上的连续动态监测。基于光谱遥感技术快速、无损地获取作物氮素含量是近年来作物组分快速检测研究的热点。当前的研究大多基于原始光谱或整数阶微分(一阶、二阶)预处理后的光谱进行氮素含量预测,原始光谱或整数阶微分预处理后的光谱会忽略光谱曲线间的渐变信息,影响氮素含量的预测准确度。与原始光谱和整数阶微分方法相比,分数阶微分算法在背景噪声去除、有效信息提取等方面较有优势。为研究分数阶微分预处理算法在作物氮素检测中的应用,本文以不同施肥处理下的盆栽大豆作物为研究对象,获取大豆苗期、花期、结荚期和鼓粒期四个生育期共256组冠层高光谱及对应的大豆冠层氮素含量(CNC)数据,运用分数阶微分算法对光谱数据进行0～2阶微分预处理,微分间隔为0.1,分别采用归一化光谱植被指数NDSI、比值光谱指数RSI对预处理后的光谱数据和大豆冠层氮素含量数据进行相关性分析,得到各阶微分预处理下NDSIα(α代表分数阶微分阶数)与大豆CNC,RSIα与大豆CNC相关系数绝对值的最大值及其对应的波段组合--最优波段组合NDSIα(opt)和RSIα(opt),采用线性回归方法,建立各阶微分下NDSIα(opt)与CNC,RSIα(opt)与CNC的预测模型,并与常用植被指数(VOGII, MTCI, DCNI, NDRE)建立的氮素含量预测模型进行比较,研究分数阶微分算法对大豆作物冠层氮素含量预测模型的效果。结果表明：(1)在0～2阶微分范围内,最优波段组合NDSIα(opt),RSIα(opt)与大豆CNC的相关系数随阶数增加呈现先升高后下降趋势。其中,0.8阶微分下NDSI_0.8(R₇₂₅, R₇₆₉)与大豆CNC的相关系数最大,为0.875 9;0.7阶微分下RSI_0.7(R₅₄₈, R₇₆₇)与大豆CNC的相关系数最大,为0.865 1;(2)分数阶微分预处理能够细化光谱数据中的有效信息,增强光谱数据对冠层氮素含量的敏感性,尤其是增强红边平台波段与氮素含量的正相关性及绿波段与氮含量的负相关性;(3)与整数阶微分、常用植被指数相比,分数阶微分能够提高大豆CNC预测模型的准确性。其中,基于0.7阶微分RSI_0.7(R₅₄₈, R₇₆₇)建立的大豆CNC预测模型与0阶微分RSI₀(R₇₂₅, R₇₆₉)相比建模集决定系数(R2_C)和预测集决定系数(R2_P)分别提高了0.061 9和0.016 6,建模集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别降低了0.552 5和0.180 9,预测相对偏差(RPD)提高了0.110 4。基于0.7阶微分RSI_0.7(R₅₄₈, R₇₆₇)建立的大豆CNC预测模型与VOG II相比R2_C和R2_P分别提高了0.086 6和0.025 5,RMSEC和RMSEP分别降低了0.757 5和0.248 3,RPD提高了0.146 88;(4)基于0.7阶微分比值光谱指数RSI(R₅₄₈, R₇₆₇)建立的大豆LNC预测模型较优,其R2_C为0.748 4,R2_P为0.800 3,RMSEC为4.752 9,RMSEP为3.511 1,RPD为2.253 7,能够较好的估测大豆冠层氮素含量。研究表明分数阶微分算法在大豆冠层氮素含量的定量预测中具有一定的优势,为光谱遥感技术在作物氮营养检测中的应用开拓了新的思路。     

高光谱成像技术的三文鱼多品质指标的预测与分布可视化研究

采用颜色、剪切力和K值评价冰鲜与冻融三文鱼的品质,利用高光谱成像技术结合化学计量学方法对三个品质指标进行预测,并讨论了不同波长选择算法所建模型的预测效果。准备不同冻融次数三文鱼样本,进行高光谱数据采集和品质指标真实值的测定。采用六种预处理方法减少光谱数据中暗电流以及噪声的干扰,采用竞争性自适应重加权算法（CARS）、区间变量迭代空间收缩法(iVISSA), iVISSA-CARS筛选出与待测指标相关的变量,通过比较三种波长选择算法筛选的特征变量所建偏最小二乘(PLS)模型的预测结果,优选出三个品质指标最佳的变量选择方法。结果表明1st Der-CARS-PLS模型对颜色中的a*预测效果最好,筛选出的51个变量建立模型的R_c和R_p分别为0.931 6和0.929 7,RMSECV和RMSEP分别为0.716和0.735;2nd Der-CARS-PLS模型对剪切力的预测效果最好,筛选出的61个特征变量建立模型的R_c和R_p分别为0.892 1和0.887 3,RMSECV和RMSEP分别为0.67 N和0.80 N;模型N-CARS-PLS取得了K值最好的预测效果,筛选出的51个特征变量所建模型的R_c,R_p,RMSECV和RMSEP分别为0.951 4, 0.950 0, 1.33, 1.53。说明CARS变量筛选方法能够有效提取与特征指标相关的变量,提高模型的预测性能。除此之外,特征变量筛选联合算法iVISSA-CARS-PLS对三个指标的预测也取得了较好的结果,对三个指标测试集的R_p分别为CARS-PLS预测模型的97.48%,97.02%,98.98%,而所用变量数仅为CARS-PLS的60.78%,62.29%,60.78%,说明变量筛选组合算法极大的减少了建立模型所用的数据量。三个指标的CARS-PLS以及iVISSA-CARS-PLS模型取得的预测效果均高于iVISSA-PLS,说明对于三文鱼三个品质指标的预测,CARS波长点筛选策略优于iVISSA波段选择策略。将优选出来的PLS模型分别用于构建三个品质指标的可视化分布图,清楚的展示了不同冻融次数三个品质指标的大小以及空间分布。因此,高光谱成像技术结合化学计量学方法可以较好的表征三文鱼的品质指标,为三文鱼多品质指标的同时快速检测提供了部分理论参考。     

高光谱成像技术对鲜枣内外部品质检测的研究

外部缺陷以及内部可溶性固形物的含量对提升鲜枣的采后附加值和鲜枣后续生产加工具有重要的意义,因此,为了实现同时对鲜枣内外部品质进行快速、准确识别,利用高光谱成像技术(450-1,000 nm)对壶瓶枣的“自然损伤”和可溶性固形物含量同时进行检测研究。首先,对光谱数据进行主成分分析(PCA)得到前7个主成分光谱值,对图像数据采用灰度共生矩阵(GLCM)提取到7项图像纹理指标(对比度、相关性、能量、同质性、方差、均值、熵)。然后,分别使用光谱主成分值、图像纹理特征值、以及主成分与纹理特征融合值建立偏最小二乘支持向量机(LS-SVM)模型对壶瓶枣的外部缺陷(“自然损伤”)和内部品质(可溶性固形物含量)进行检测研究。结果表明：使用主成分与纹理特征融合值建立的LS-SVM模型可作为通用模型同时对壶瓶枣内外部品质进行检测研究,其“自然损伤”判别正确率为92.5%,可溶性固形物预测集的预测相关系数(R_p)和预测均方根误差(RMSEP)分别达到了0.944和0.495。表明,采用高光谱成像技术可以建立通用模型同时对壶瓶枣的内外部品质进行检测,该研究为壶瓶枣的无损检测提供了理论参考。     

基于二维相关光谱的壶瓶枣室温贮藏硬度动力学模型研究

为了实现鲜枣常温贮藏期的硬度实时监测并对贮藏时间进行预测,建立了室温下壶瓶枣贮藏期的近红外光谱硬度动力学模型。基于二维相关光谱技术,分析综合浓度影响下的壶瓶枣敏感波段,优选的敏感波段为904,980,1 072,1 200,1 630,1 941和2 215 nm。分析不同贮藏天数的壶瓶枣果肉平均硬度,并拟合出零级反应方程,模型的相关系数为0.991 3,标准误差为6.116×10-4。鲜枣的贮藏过程中,由于复杂的生理化学反应,主要物质的含量发生变化,并通过宏观的信息光谱特征和硬度得以体现。将敏感波段下的光谱信息和贮藏期的硬度指标进行信息耦合,建立壶瓶枣果肉硬度的偏最小二乘模型(partial least square, PLS),模型的预测精度R_P为0.942 7,RMSEP为0.021 0。进而以敏感波段的吸光度为自变量,壶瓶枣果肉硬度指标为应变量,进行多元回归定量分析,建立近红外光谱硬度动力学模型,模型的拟合优度即相关系数为0.983 9,标准误差为0.024 9,并在此基础上建立壶瓶枣贮藏时间与近红外光谱的线性回归关系。研究表明,基于二维相关光谱的硬度动力学模型可以实现对壶瓶枣果肉硬度指标的快速、无损检测并实现其贮藏时间的预测。     

多模式可调节光学机构的苹果可溶性固形物近红外光谱检测

利用多模式可调节的光学机构采集了苹果漫透射、全透射和漫反射三种检测方式的光谱,研究在不同的检测方式下苹果的光谱特征并采用PLS建立苹果可溶性固形物含量SSC预测的模型。首先分别采集每个样品赤道上四点的漫透射、全透射和漫反射光谱,然后分别使用多元散射校正MSC、基线偏移校正BOC、归一化Normalize和高斯滤波平滑GFS等方法对平均后的120个光谱做预处理,并结合竞争性自适应权重取样CARS法对漫反射光谱进行特征波长筛选,最后采用偏最小二乘法PLS回归建立预测苹果SSC的模型,并另购30个苹果验证模型性能。结果表明,苹果在三种检测方式下采集的光谱吸收峰和波谷所处的波段大致相同,但光谱强度有差异。三种光谱经3点高斯滤波平滑GFS预处理后建立预测苹果SSC含量的模型均取得很好的结果。漫透射的模型性能为R_cal=0.972,R_pre=0.967和RMSEC=0.436%,RMSEP=0.507%;全透射的模型性能为R_cal=0.964、R_pre=0.957和RMSEC=0.5%,RMSEP=0.574%;漫反射的模型性能为R_cal=0.963,R_pre=0.949和RMSEC=0.522%,RMSEP=0.536%;三种光谱经归一化预处理后融合建模的模型性能为R_cal=0.894,R_pre=0.857和RMSEC=0.836%,RMSEP=0.966%。进一步将漫反射光谱结合CARS算法筛选特征波长,使用119个变量建立模型的性能为R_cal=0.986,R_pre=0.977和RMSEC=0.323%,RMSEP=0.362%。最后将该模型导入新型多模式可调节的水果检测系统中,使用30个未参与建模的冰糖心苹果检验该模型预测苹果SSC的性能。结果显示30个外部验证集的相关系数为0.906,验证均方根误差为0.707%。进一步表明使用多模式可调节的水果内部品质检测系统采集的漫反射光谱结合光谱预处理、波段筛选算法和偏最小二乘回归方法可以建立较好的模型预测苹果可溶性固形物SSC含量。本研究为苹果的品质检测提供新的技术支持。     

青饲大豆主要品质参数的近红外光谱快速分析

饲料是畜牧生产的物质基础,饲草原料和饲料产品营养价值的检测与评估是饲料生产中的重要环节,面对饲草资源中粗蛋白含量低和大量依靠进口饲料的局面,大豆作为优质的高蛋白豆科饲草是畜牧业生产利用的重要资源。不同青饲大豆及其不同刈割期的饲用品质参数可以评价青饲大豆的饲用性能,但目前主要以化学方法进行检测,过程繁琐,试验周期长、易造成人为操作误差,且青饲大豆主要饲用品质指标的光谱快速检测尚属空白,亟待开发和利用。鉴于近红外光谱快速分析技术在检测领域及饲料分析中的广泛应用,利用近红外光谱分析技术在950～1 650 nm范围内收集不同大豆品种不同刈割时期的全株样品光谱,对样品的主要饲用品质参数粗蛋白（CP）含量、中性洗涤纤维（NDF）含量和酸性洗涤纤维（ADF）含量三个指标按国家标准或行业标准的化学方法进行检测,得到的150份样品的品质数据按3∶2分为校准集和验证集。通过一阶求导（NW1st）、二阶求导（NW2nd）、标准正态变量变换方法（SNV）、去趋势算法（DE-trending）4种不同光谱预处理方法中的一种或多种处理的组合,结合偏最小二乘（PLS）回归算法建立了青饲大豆三个主要品质参数CP,NDF和ADF含量的预测模型。通过比较回归模型中的校准集和验证集中决定系数（R2）和均方根误差（RMSE）得出,NW1st+DE-trending+SNV+PLS处理后所建立的模型效果最好,青饲大豆CP含量模型中的校准集的R2_C和验证集的R2_P分别为0.96和0.95,NDF含量模型中的R2_C和R2_P分别为0.90和0.89,ADF含量模型中的R2_C和R2_P分别为0.94和0.93。通过验证集对预测模型的检验分析进一步证实了该模型的准确性和稳定性,形成了一种便于青饲大豆品质检测的近红外光谱(NIRS)快速分析法。随着青饲大豆品质参数数据量的增加,将不断完善青饲大豆品质检测模型,该方法不但扩大了近红外光谱仪对饲草资源品质的检测类别与范围,而且准确高效,有利于高蛋白优质饲草资源的开发和有效利用。     

中红外光谱技术在浓香型白酒原酒关键指标分析中的应用

基于中红外光谱分析技术对浓香型白酒原酒中总酸及己酸乙酯的关键指标含量进行检测分析，采用标准正态变换（SNV）方法对数据进行预处理，结合组合间隔偏最小二乘波段选择法（SiPLS）及遗传算法（GA）对各指标的特征吸收波长进行筛选，最终采用偏最小二乘法（PLS）建立分析模型，通过决定系数R2、预测标准偏差（RMSEP）、性能和标准差之比（RPD）以及实际生产的独立测试样品对所建模型效果进行评价，探索中红外光谱分析技术结合波段筛选用于白酒原酒关键指标的定量分析效果。结果表明：采用中红外全光谱397~4 000 cm-1波段所建模型效果并不理想，总酸及己酸乙酯模型的RMSEP值分别达到0.156及0.981，R2仅有0.666及0.453，RPD值为1.731及1.213，代表模型整体的相关拟合效果并不理想，预测误差较大，无法应用于实际生产。而采用GA在SiPLS波段优化基础上进一步进行特征变量筛选后，所建模型效果有了非常显著的提升，总酸及己酸乙酯两项指标的GA-SiPLS模型均体现出了较高的预测精度，R2分别提升到了0.993及0.997，RMSEP值分别降低到0.023及0.077，RPD值提升至11.739及15.455，变量数也分别从935个降低到55及40个，在保留关键信息变量，体现原酒中总酸及己酸乙酯指标特征吸收的同时，有效减轻了模型的复杂程度，同时提高了模型运算速度及预测效果，充分体现了波段筛选对于中红外光谱分析技术应用于白酒原酒关键指标定量分析的重要性，也说明了中红外光谱技术结合波段筛选在白酒品质控制及原酒成分分析中的巨大潜力。考虑到白酒成分复杂，大部分关键品质指标含量相对较低，而中红外吸收区域的基频吸收强度具有比倍频、合频吸收强数十倍的特点，中红外光谱可能比其余光谱技术更适用于白酒液体样品的快速分析，为白酒酿造过程的品质控制提供技术借鉴，同时为酒类品质的快速分析方法开拓提供新的思路。     

不同贮藏期水蜜桃硬度及糖度的检测研究

糖度和硬度作为水蜜桃的两个重要指标,决定其内部品质。在运输或售卖期间,水蜜桃果内水分流失,表面开始松软进而腐烂,内部品质发生变化。研究旨在探讨可见/近红外光谱预测水蜜桃不同贮藏期糖度和硬度的可行性,进一步预测水蜜桃的最佳贮藏期。采用漫透射和漫反射方式采集4个贮藏阶段的水蜜桃光谱,并测量糖度和硬度。分析了4个阶段水蜜桃的平均光谱,光谱强度随着贮藏天数增加而不断提高,且在650～680 nm区域内受果皮颜色及色素的变化产生波峰偏移。同时,分析了糖度和硬度的变化,糖度在贮藏期间逐渐提高,硬度在贮藏期间快速下降,最终糖度增加了3.31%,硬度下降了58.8%。采用多元散射校正、S-G卷积平滑、归一化处理及基线校正等预处理方法来减少噪声和误差对光谱的影响,并使用无信息变量消除(UVE)和连续投影算法(SPA)筛选特征波长,最后利用偏最小二乘回归(PLS)分别建立糖度和硬度的预测模型。分析糖度、硬度的PLS回归系数与平均光谱的波形发现,糖度的高回归系数分布在光谱多处,而硬度的该系数均在波峰波谷附近。SPA和UVE筛选的特征波长建立的糖度模型效果不佳,而硬度模型效果良好。结果表明,漫透射和漫反射检测方式下,糖度的最佳预测相关系数(R_p)及预测均方根误差(RMSEP)分别为0. 886,0.727和0.820,1.003,预处理方法分别是多元散射校正、平滑窗口宽度为3的S-G卷积平滑。此外,漫透射建立的硬度SPA-PLS模型,选用15个光谱变量,得到的R_p和RMSEP为0.798和0.976;而漫反射建立的UVE-PLS模型,选用113个光谱变量,得到的R_p和RMSEP为0.841和0.829。可以看出,漫透射方式预测水蜜桃贮藏期间的糖度更佳,而漫反射预测硬度更佳。利用可见/近红外光谱所建立的糖度和硬度预测模型,能够可靠地预测水蜜桃贮藏期内糖度和硬度的变化,对指导采摘、售卖时间和减少腐烂具有一定的参考价值。     

高光谱技术结合特征波长筛选和支持向量机的哈密瓜成熟度判别研究

可溶性固形物含量(SSC)和硬度是哈密瓜划分等级的重要指标,同时也是其成熟度的表征因子。因此,为满足哈密瓜自动化分级和适宜采摘,采用高光谱技术结合特征波长筛选的方法,同时对哈密瓜的可溶性固形物含量、硬度及成熟度进行了无损检测研究。对多元散射校正(MSC)处理后的光谱分别利用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)和CARS-SPA方法筛选了哈密瓜可溶性固形物和硬度的特征波长,并将原始光谱、MSC预处理后的光谱和所筛选的特征波长作为输入变量分别建立哈密瓜可溶性固形物和硬度的支持向量机(SVM)预测模型及成熟度判别模型。结果显示,MSC-CARS-SPA方法所建立的可溶性固形物和硬度SVM预测模型最优,其R_pre, RMSEP和RPD分别为0.940 4, 0.402 7, 2.94 1和0.825 3, 35.22, 1.771。同时对哈密瓜成熟度进行了判别分析,并分别建立了基于全光谱、单一的可溶性固形物或硬度特征波长和主成分分析(PCA)特征融合的哈密瓜成熟度SVM判别模型。结果显示,CARS-PCA-SVM模型的判别结果与全光谱SNV-SVM模型相同,其校正集和预测集判别正确率分别为95%和94%。研究表明,利用高光谱技术结合特征波长筛选方法可实现同时对哈密瓜可溶性固形物和硬度的定量预测及成熟度判别。     

不同颜色冬枣可溶性固形物可见-近红外光谱分析模型构建

冬枣品质受其品种和生长环境等因素的影响,引起采后化转红指数不同,导致果实的颜色差异较大,从而影响其可溶性固形物（SSC）检测模型的分析精度。采用可见-近红外（Vis-NIR）光谱结合Norris-Williams平滑（NWS）、连续小波导数（CWD）、多元散射校正（MSC）、标准正态变量变换（SNV）和NWS-MSC五种光谱预处理方法构建不同颜色（红绿相间MJ,绿色GJ和红色RJ）冬枣SSC的偏最小二乘（PLS）定量分析模型,分别采用MJ,GJ,RJ,MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型,并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价;以不同建模样品集（校正集）的校正相关系数（R_c）和交互验证均方根误差（RMSECV）作为构建最优模型的评价指标;测试集的预测相关系数（R_p）和预测均方根误差（RMSEP）用于模型预测精度的评价。研究结果表明：分别采用MJ,GJ和RJ的独立样品集进行建模时,模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测;分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时,MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果,其RMSECV,R_c,RMSEP,R_p分别为1.108,0.698,0.980,0.724和1.108,0.698,0.983,0.822,而对RJ样品的预测误差较大,模型的RMSECV,R_c,RMSEP,R_p为1.108,0.698,1.928,0.597;而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果：MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.077,0.668;对GJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,0.881,0.861;对RJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.140,0.841;采用蒙特卡罗无信息变量消除（MCUVE）方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后,模型的R_c和R_p分别由原来的0.796和0.864提高到0.884和0.922,模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721,模型具有较好的分析精度。采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时,当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时,模型具有更好的通用性。     

南疆冬枣偏振参量模型户外光照条件适应性研究

农业遥感检测时,晴朗的天气是采集光谱的必要条件。本研究主要目的是：（1）通过高光谱偏振探测技术,探究不同天气（晴天、阴天、多云）对不同波长下南疆冬枣二向反射分布函数（BRDF）的偏振参量（S₀,ε₀,f₀₀）、线偏振度（Dolp）与理化值模型的影响;（2）对比不同天气条件下的实验结果,为户外红枣品质的遥感探测提供一定的环境适应性参考和前景应用性参考。利用统计分析方法,分析了南疆冬枣水分与其光谱偏振特性的统计关系,分别建立了不同天气条件下S₀,ε₀,f₀₀, Dolp的一阶导数光谱形式与南疆冬枣水分含量的统计方程,选用相关系数R、校正集样本的标准差（RMSEC）、预测集样本的标准差（RMSEP）共3个指标对模型的性能和预测能力进行评价。相关性分析结果表明：户外晴天、阴天、多云三种天气条件检测南疆冬枣品质时,水分含量与高光谱偏振数据之间具有较好的相关性,但多云天气条件下偏振参量、线偏振度与水分含量的相关性要优于晴天和阴天条件下的相关性,前者模型的相关系数最大,其r值分别为：0.913和0.914,且最接近暗箱光谱与水分含量模型的相关系数R的值：0.926。模型的可行性分析结果表明：三种天气条件下偏振参量、线偏振度与水分含量模型的校正集样本的标准差最大值分别为0.009 71和0.008 73,RMSEC的值越小,表明模型回归的越好。模型对外部样本的预测能力分析结果表明：三种天气条件下偏振参量、线偏振度与水分含量模型的预测集样本的标准差最大值分别为0.012 3和0.011 7,RMSEP的值越小,表明模型的预测能力越强,结果越准确。不同天气实验结果表明：因偏振有“强光弱化,弱光强化”的作用,通过对比晴天、阴天、多云实验结果,该方法有较好的环境适应性,在户外红枣品质遥感探测方面有广泛应用前景。     

以高光谱数据有效预测苹果可溶性固形物含量

从高光谱数据中选取能够有效进行内部品质检测的特征波长,是利用高光谱成像技术进行水果品质定量分析的关键。本文采用遗传算法(GA)、连续投影算法(SPA)和GA-SPA算法分别从400～1 000 nm的苹果高光谱图像中提取特征波长,利用偏最小二乘法(PLS)、最小二乘支撑向量机(LS-SVM)和多元线性回归(MLR)建模进行苹果可溶性固形物含量(SSC)的定量分析并进行了综合比较。160个样品中,120个用于建模,40个用于预测。比较发现SPA-MLR模型获得了最好的结果,R2_p,RMSEP和RPD分别为0.950 1,0.308 7和4.476 6。结果表明：SPA能够有效地用于高光谱数据的变量选择,利用SPA-MLR可建立稳健的苹果SSC预测模型,较少的有效变量和MLR模型的易解释性表明该模型在在线检测和便携式仪器开发中具有较大的应用潜力。     

基于高光谱漫透射成像可视化检测脐橙可溶性固形物

厚皮类瓜果内部品质的无损检测是目前水果产业的检测技术瓶颈。本文采用高光谱漫透射技术对脐橙可溶性固形物(SSC)含量进行可视化分析研究。通过基线校正(Baseline)预处理结合连续投影算法(SPA)优选9个特征波长,建立SSC偏最小二乘回归(PLSR)模型,校正集相关系数r_(cal)为0.891,校正集均方根误差RSMEC为0.612°Brix,预测集相关系数r_(pre)为0.889,预测集均方根误差RMSEP为0.630°Brix。最后,计算各个像素点的SSC值结合图像处理技术得出SSC的可视化分布图,直观判断脐橙SSC含量高低。     

新鲜苹果汁可溶性固形物含量的傅里叶变换近红外光谱检测

用傅里叶变换近红外(FTNIR)光谱透射方式对新鲜苹果汁溶性固形物含量(SSC)进行了快速定量分析。实验共测定了60个果汁样品的SSC,并采集了样品的近红外光谱数据。42个样品用来建模,剩下的18个用来验证模型的性能。对实验室测得的SSC与FTNIR光谱数据进行相关性分析,以TQ 6.2.1定量分析软件中集成的主成分回归法(PCR)和偏最小二乘回归法(PLS)建立了检测模型。该研究对比了不同光谱范围内建立的检测模型的性能。根据预测平方根误差(RMSEP)和相关系数(r2)进行不同模型的预测性能,最好的新鲜苹果汁SSC预测模型的RMSEP＝0.603 0Brix,r2＝0.997。结果表明FT-NIR可以作为一种可靠、准确、快速的无损检测方法来评价新鲜果汁的可溶性固形物含量。     

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。     

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。