基于遗传算法与线性鉴别的近红外光谱玉米品种鉴别研究

结合遗传算法与线性签别分析(LDA)提出了一种玉米品种的快速鉴别方法.该方法是一种基于近红外光谱的新方法,通过采集玉米种子(实验共37个种类)的近红外光谱数据,使用遗传算法进行特征光谱波段的选择,使用线性鉴别分析的方法提取光谱特征并分类.结果表明,遗传算法能有效地剔除光谱噪声波段,并提高 LDA 的泛化能力.同时,为简化运算,剔除了大量冗余数据,结合遗传算法选择的特征谱区,使参与鉴别的数据维数从2 075降到了233.对测试集1的300个样本的平均正确识别率与平均正确拒识率均达到99.30%,其中73.33%的玉米品种的正确识别率达到了100%;对测试集2(均为未参加训练品种的样本)的175个样本的平均正确拒识率达到99.65%.与常用的 PCA 等方法相比,运算时间更短,正确率更高.     

基于近红外光谱和仿生模式识别玉米品种快速鉴别方法

文章提出了一种采用近红外光谱快速鉴别玉米品种的新方法,并对不同品种的玉米种子建立了相应的鉴别模型。对7个玉米品种共140个样本,通过近红外光谱仪扫描获得4 000～12 000 cm-1波段范围内的光谱数据。为了消除噪声、提高数据处理效率,对原始数据进行了归一化预处理,采用固定尺寸移动窗口渐进因子法(fix-sized moving window evolving factor analysis)寻找特征波段,使用主成分分析(PCA)方法得到能反映玉米种子99.96%光谱信息的5个主成分,进而利用仿生模式识别(biomimetic pattern recognition)方法建立玉米品种的鉴别模型。对于每个品种中的20个样本,随机挑选10个样本作为训练样本,其余10个样本作为第一测试集,其他品种共120个样本作为第二测试集。在对第二测试集平均正确拒识率达到99.1%的情况下,对第一测试集中的样本取得了94.3%的平均正确识别率。该方法具有较高的鉴别准确度,可以作为一种快速无损的玉米品种鉴别方法。     

基于仿生模式识别和近红外光谱的转基因小麦快速鉴别方法

提出了一种采用近红外光谱快速鉴别转基因小麦种子的方法,对不同品种的9个转基因小麦样品种子分别建立了鉴别模型。对9个小麦样品共225个样本,通过近红外光谱仪扫描获得从4 000～12 000 cm-1波段范围的光谱数据。为了消除噪声,对原始数据先进行了归一化预处理;然后使用主成分分析(PCA)方法得到能反映小麦种子97.28%光谱信息的前10个主成分,提高了数据处理效率;最后利用仿生模式识别(biomimetic pattern recognition, BPR)方法建立小麦品种的鉴别模型。对于每个样品中的25个样本,随机挑选15个样本作为训练样本,其余10个样本作为第一测试集,其他品种共200个样本作为第二测试集。在对第二测试集平均正确拒识率达到96.7%的情况下,对第一测试集中的样本取得了95.6%的平均正确识别率。实验结果表明,该方法具有较高的鉴别准确度,可以作为一种快速无损的转基因小麦种子鉴别方法。     

鉴别玉米杂交种纯度的近红外光谱分析技术研究

以不同产地和年份的农华101(NH101)玉米杂交种和母本种子为对象,研究了鉴别玉米杂交种子纯度的近红外光谱分析方法。 光谱采集时间跨度达10个月,运用傅里叶变换(FT)近红外光谱仪器,在不同季节用23天(分五个时间段)采集了这些样品共920条玉米单子粒近红外漫反射光谱。 全部原始光谱用移动窗口平均、 一阶差分导数和矢量归一化进行预处理,使用主成分分析(PCA)方法和线性判别分析(LDA)方法降维,采用仿生模式识别(BPR)方法建立模型。 通过对光谱预处理校正光谱失真,使样品光谱集在特征空间分布的范围收缩,相对距离增大了近70倍,实现了母本和杂交种子的鉴别。 通过代表性样品的选择,提高了模型对光谱采集时间、 地点、 环境等条件变动的应变能力,也提高了模型对样品种子制种时间与地点变动的应变能力,增强了模型的稳健性,使测试集玉米单子粒杂交种和母本种子的平均正确识别率达到95%以上,而平均正确拒识率也达到85%以上。     

基于近红外光谱的商品玉米品种快速鉴别方法

现有的玉米种子品种鉴别方法检测时间长,费用高,不易大批量快速鉴别。提出了一种基于近红外光谱数据快速鉴别商品玉米品种的新方法。先使用傅里叶变换近红外光谱仪获得从4 000到12 000 cm-1波段范围的37个商品玉米品种籽粒的漫反射光谱数据。对原始光谱进行矢量归一化预处理以消除噪声干扰,为了找到玉米品种籽粒的光谱特征波段,提出一种基于标准差的方法,进而对寻找到的玉米籽粒特征波段光谱做主成分分析(PCA),取能反映玉米品种 99.98％ 光谱信息的前10个主成分。最后使用仿生模式识别 (BPR)方法建立了37个玉米品种鉴别模型,对于每个品种的25个样本,随机挑选15个样本作为训练样本,其余10个样本作为第一测试集,其他品种共900个样本作为第二测试集。该鉴别模型对于37个玉米品种的平均正确识别率为94.3%。该方法的进一步研究有利于建立以近红外光谱为基础的物理指纹品种鉴别技术。     

近红外光谱漫反射和漫透射测量方法在玉米品种真实性鉴定中的应用研究

研究了适合进行玉米群体样品品种真实性鉴定的光谱测量方法。分别用近红外光谱仪的全波漫反射和短波漫透射测量方法采集8个玉米品种的光谱数据,对预处理后的数据做偏最小二乘分析(PLS-DA),建立8个玉米品种的仿生模式识别模型。分别统计用两种方法所测数据建立的品种识别模型对本类样品的平均正确识别率和对异类样品的平均正确拒识率,漫反射方法达到94.5%和96.71%,漫透射方法达到98.50%和98.00%,均满足玉米品种初筛所要求的精度,其中短波漫透射方法建立的模型对测试样本的平均正确识别率和拒识率分别比全波漫反射方法高出4%和1.3%。     

实用化商品玉米籽粒的近红外光谱品种判别方法研究

近年来利用近红外光谱进行农作物品种判别成为农产品检测的一个新兴方向.该文提出一种基于近红外光谱的新的实用化商品玉米品种判别系统,此系统既能对系统学习过的品种做出准确判别也能对未学习过的品种做出准确拒识.首先采用一阶导数法对原始光谱进行预处理,光谱数据经主成分分析后,根据仿生模式识别理论建立判别模型.在建市模型时文章使用了基于二维单形的Ψ-3神经元作为覆盖单元,并提出了包含指数的概念以辅助判定样品的唯一归属.测试结果表明,该系统对参与建模的品种有较强的判别能力,即使建模品种达到34个时系统平均正确判别率仍达到91.8%.同时对于未参与建模的品种也有较强的拒识能力,平均正确拒识率达到95%以上.     

PCA和SPA的近红外光谱识别白菜种子品种研究

为了实现对不同品种白菜种子的快速无损鉴别,应用近红外光谱技术获取白菜种子的光谱反射率,首先采用变量标准化校正和多元散射校正对原始光谱进行预处理;其次,采用主成分分析法(PCA)对光谱数据进行聚类分析,从定性分析的角度得到三种不同白菜种子的特征差异,并采用连续投影算法(SPA)选取特征波长;最后,分别基于全波段光谱、PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长,建立了最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型进行白菜种子不同品种的鉴别。从主成分PC1、PC2得分图中可以看出,主成分1和2对不同种类白菜种子具有很好的聚类作用。基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型,其中基于特征波长建立的LS-SVM模型识别效果最优,建模集和预测集的品种识别率均达到100%。结果表明,通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息,提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果,为白菜种子品种的识别提供了一种新方法。     

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。     

栽培和野生中药材灯盏花的近红外光谱鉴别模型

分别在2台傅里叶变换近红外光谱仪上采集了43个栽培和野生中药材灯盏花样品的近红外漫反射光谱,提取光谱信息的15个主成分,方差贡献率达到99%以上。以20个灯盏花样品作为建模集,15个主成分作为网络学习输入层的15个节点,在2台仪器上用2套光谱分别建立了识别栽培和野生灯盏花样品的BP-神经网络模型,并对预测集的23个样品用于实际鉴别分析。两台仪器上的建模集样品模型回代正确识别率均为100%,预测集样品的正确识别率分别为100%和95.7%,结果表明,利用近红外光谱法进行栽培和野生中药材灯盏花的快速鉴别是可行的。     

基于近红外光谱技术和人工神经网络的玉米品种鉴别方法研究

提出了一种采用近红外光谱技术结合人工神经网络对玉米品种进行鉴别的方法。在3 800～10 000 cm-1(波长1 000～2 632 nm)范围内采集四种玉米单粒完整籽粒的近红外漫反射光谱,经Savitky-Golay平滑和多重散 射校正预处理后,对数据进行主成分分析,再结合人工神经网络技术进行品种鉴别。主成分分析表明,前8个主成分的累积贡献率达到99.602%。以前8个主成分作为网络输入,品种类型作为输出,建立三层LMBP神经网络模型。每个品种 各取30粒共120个样本用于建模,10粒共40个样本用于预测。模型对建模集120个样本鉴别率为100%,对预测集40个样本的鉴别率为95%。实验结果说明该方法能快速无损地鉴别玉米品种,为玉米的品种鉴别提供了一种新方法。     

一种用于玉米品种鉴别的近红外光谱频率选择方法

提出了一种近红外光谱的频率选择方法用于玉米品种鉴别。首先确定一种衡量特征鉴别能力的准则函数,然后根据该准则函数逐步选出适合于分类的特征频率,并通过去除各频率特征之间的相关性使得优选出的频率特征包含尽可能多的品种类间差异信息,优先选择方差较大的频率特征以减弱噪声的影响。实验结果表明,频率选择大幅度地改善了识别效果,仅使用30维频率特征即可达到94.16%的识别率。随机模拟实验显示,优选出的频率特征的识别效果对频率的小幅随机扰动不敏感,验证了本方法的鲁棒性。     

花生种子品质的可见-近红外光谱分析

利用600～1 100 nm波段研究花生品种的可见-近红外反射光谱,对选取的三种具有代表性的花生种子进行实验。使用近红外光纤光谱仪采集光谱数据,对原始光谱进行小波分析以提取光谱特征,再用主成分分析方法进行聚类分析,最后把每一个样品的前4个主成分得分作为识别模型的输入,品种类别作为模型的输出,以马氏距离作为判别函数,建立了线性判别分析模型。对于每个品种的50个样品,随机挑选30个样本作为训练集,剩余的20个样本作为预测集。该识别模型对3个花生品种的平均正确识别率为95%。表明该方法能有效的识别花生种子,得到较好的分类效果,为花生种子品质的区分和鉴别提供了一种新方法。     

基于DPLS特征提取的LDA方法在玉米近红外光谱定性分析中的应用

提出了一种基于DPLS+LDA的玉米近红外光谱定性分析新方法.该方法在训练时,首先用包含30个玉米品种每个品种20个近红外光谱样本的训练集进行DPLS回归,确定最佳DPLS主成分数为28;然后对训练集光谱进行DPLS特征提取后再进行LDA分析,确定最佳LDA主成分数为26,并提取LDA特征.识别时,测试样本经过DPLS...