高光谱成像技术的油菜叶片氮含量及分布快速检测

应用高光谱成像技术实现了油菜苗-花-角果整个生命期叶片氮含量的快速检测和氮素水平分布的可视化。采集三个生长时期共计420个叶片样本的高光谱图像信息(380～1 030 nm),提取图像中感兴趣区域的平均光谱数据,经过不同光谱预处理后,利用连续投影算法(SPA)选择特征波长,将提取的12个特征波长(467,557,665,686,706,752,874,879,886,900,978和995 nm)作为自变量,叶片氮含量作为因变量,分别建立偏最小二乘法(PLS)和最小二乘-支持向量机(LS-SVM)模型。SPA-PLS和SPA-LS-SVM模型对叶片氮含量的预测相关系数R_P分别为0.807和0.836,预测均方根误差RMSEP分别为0.387和0.358。高光谱图像中的每一个像素点都有对应的光谱反射值,利用结构简单、更易提取回归系数的SPA-PLS模型,快速计算出12个特征波长下高光谱图像中每个像素点对应的氮含量预测值,结合像素点的空间位置生成氮素浓度的叶面分布图。可视化分布图详细且直观的反应出同一叶片内部或不同叶片之间氮含量的差异。结果表明,应用高光谱成像技术分析整个油菜生长期的叶片氮含量及其可视化分布是可行的。     

应用可见/近红外光谱技术快速检测果珍中二氧化钛的含量

为了实现快速检测果珍中的二氧化钛含量,提出了应用近红外光谱技术结合化学计量学的快速检测方法。研究采用了320份果珍样本进行光谱特性的检测,其中200个样本用来建模,120个样本进行预测。首先比较了标准正态变量校正(SNV)、变量标准化(Normalize)、多元散射校正(MSC)等6种不同的数据预处理方法对偏最小二乘法(PLS)建模预测效果的影响。然后将PLS模型与应用主成分(PC)建立的主成分-神经网络校正(PC-ANN)模型进行比较。结果表明,MSC预处理的效果最好,PLS模型的最佳主成分数为7,预测值与标准值的相关系数R2达0.900 8,预测标准误差RMSEP为0.05。PC-ANN模型预测值与标准值的R2为0.868 4,RMSEP为0.04。说明PLS模型比PC-ANN模型的预测效果好。同时本研究也说明能够应用可见/近红外技术对二氧化钛进行快速定量测定。     

基于波谱技术的茶树生长与茶叶品质信息快速检测研究进展

波谱技术快速获取茶树生长和茶叶品质信息对提高茶叶生产信息化、产业化水平,保障茶叶品质和安全具有重要意义。阐述了波谱技术在茶树生长和茶叶品质信息快速检测的研究进展和发展趋势。重点介绍了红外光谱,荧光光谱、拉曼光谱、质谱等在茶树生长信息获取(氮、叶绿素、病虫害信息等)、茶叶品种分类、茶叶分级、茶叶内部品质检测(茶多酚、儿茶素、咖啡碱、氨基酸、农药残留等)、茶饮料和加工品的品质检测以及相关检测设备等方面的研究进展和应用情况,简述了茶树生长信息获取方法、传感仪器和产业化应用的研究和发展趋势。选择合适的预处理和化学计量学方法能有效增加模型效果,减少冗余数据,为基于波谱技术便携式仪器的开发提供可能。基于波谱技术便携式仪器和在线检测仪器开发仍是今后实现该技术应用和推广的重点。首次介绍了波谱技术在茶叶生产加工领域的应用成果和研究进展,涵盖茶树生长、茶叶加工、茶叶和茶加工品品质安全等多方面内容,并论述波谱技术在茶叶产业应用存在问题和将来发展趋势。     

基于高光谱成像技术的番茄茎秆灰霉病早期诊断研究

共采集了112个番茄茎秆高光谱数据（光谱范围400～1 030 nm）,结合图像处理和化学计量学方法建立了番茄茎秆灰霉病早期诊断模型。应用偏最小二乘法（PLS）模型的隐含变量载荷分布选取了七个特征波长（EW）,并建立了番茄茎秆灰霉病早期诊断的最小二乘支持向量机（LS-SVM）模型。结果表明,经过变量标准化（SNV）及多元散射校正（MSC）预处理所建立的EW-LS-SVM模型获得了满意的判别效果,且优于全波段的PLS模型。说明高光谱成像技术进行番茄茎秆灰霉病的早期诊断是可行的,为番茄病害早期诊断和预警提供了新的方法。     

基于光谱技术的杨梅汁品种快速鉴别方法的研究

为了实现杨梅汁品种的快速无损鉴别,提出了一种用可见和近红外光谱技术快速鉴别杨梅汁品种的新方法。首先采用偏最小二乘法进行模式特征分析,经过交互验证法判别,确定最佳主成分数为9。完成特征提取后,将这9个主成分作为神经网络的输入变量,建立了三层BP神经网络,实现类别预测的同时也完成了数学建模与优化分析工作。3个品种的杨梅汁样本数均为20,共计60个样本。在神经网络学习中,将其分成训练集样本51个和预测集样本9个。对9个未知样本进行预测,准确率为100％。说明本文提出的基于光谱技术和模式识别的方法具有很好的分类和鉴别能力。     

基于独立组分分析和BP神经网络的可见/近红外光谱蜂蜜品牌的鉴别

提出了一种基于独立组分分析的可见/近红外光谱透射技术快速鉴别蜂蜜品牌的新方法。用独立组分分析方法获取蜂蜜的可见/近红外光谱载荷图,将载荷图中相关性最大的波段,作为人工神经网络的输入建立蜂蜜品牌的鉴别模型。建立了一个三层的BP神经网络模型,各层传递函数采用S型(Sigmoid)函数,并设置网络输入层节点数为9,隐含层节点数为10,输出层节点数为3。每个品牌25个样本,3个品牌共75个样本,用来建立BP神经网络模型,剩余的3个品牌各５个样本用于预测,鉴别准确率达100%,模型的拟合残差为8.245 365×10-5。说明基于独立组分分析的方法具有很好的鉴别效果,为蜂蜜的品牌鉴别提供了一种新方法。     

竞争性自适应重加权算法和相关系数法提取特征波长检测番茄叶片真菌病害

基于竞争性自适应重加权算法(CARS)和相关系数法(CA)特征波长选择方法,提出了利用可见-近红外高光谱成像技术检测番茄叶片灰霉病的方法。首先获取380～1 023 nm波段范围内80个染病和80个健康番茄叶片的高光谱图像,然后提取染病和健康叶片感兴趣区域(ROI)的光谱反射率值,作为番茄叶片灰霉病鉴别模型的输入来建立支持向量机(SVM)鉴别模型,训练集和验证集的鉴别率都是100%。研究进一步通过CARS和CA提取特征波长,分别得到5个(554, 694, 696, 738和880 nm)和4个(527, 555, 571和633 nm)特征波长,然后分别建立CARS-SVM和CA-SVM鉴别模型。结果显示,CARS-SVM模型中训练集和验证集的鉴别率都是100%,CA-SVM模型中训练集和验证集的鉴别率分别是91.59%和92.45%。以上结果说明了从可见-近红外高光谱图像中提取的光谱反射率值用于检测番茄叶片的灰霉病是可行的。     

土壤的光谱特征及氮含量的预测研究

应用近红外光谱分析技术(NIR)测定土壤参数具有快速、方便的特点.文章分析了不同含水率、不同颗粒大小的土壤样本在不同测试角、不同测试高度对土壤光谱的影响,并得到了不同含水率和不同粒径土壤的含氮量预测模型.研究了这些因素对含氮率测量的影响,分析了NIR技术在田间实地应用预测的可能性.研究表明,光谱仪在距土壤高度为100 mm,测试角为45°时,具有最大的吸光度.土壤粒径和含水率这2个参数明显影响,当粒径在0.5～5 mm变化时,含氮量预测相关系数r为0.81左右,当土壤粒径在＜0.25和＞5 mm模型的预测能力变差.当土壤样品呈天然潮湿状态时,氮的预测结果较差.而样品干燥以后,预测相关系数较高.为土壤原位光谱测试提供了依据.     

近红外高光谱成像技术用于转基因大豆快速无损鉴别研究

以近红外高光谱成像技术,结合化学计量学方法,研究了转基因大豆的快速、无损检测方法。实验以3种不同非转基因亲本(HC6, JACK, TL1)及其转基因大豆作为研究对象。采用高光谱成像系统采集874~1 734 nm波长范围的256个波段范围的高光谱图像,提取大豆的光谱信息,剔除明显噪声部分后,采用Moving Average(MA)平滑预处理的941~1 646 nm范围光谱数据进行分析。采用偏最小二乘判别分析算法(partial least squares-discriminant analysis, PLS-DA),对3种非转基因亲本大豆建立模型进行判别分析,其相应的建模集和预测集的判别正确率分别为97.50%和100%,100%和100%,96.25%和92.50%,结果表明,高光谱成像技术可用于非转基因大豆的识别。对非转基因亲本及其转基因大豆进行判别分析,基于全谱,3种的建模集和预测集的判别正确率分别为99.17%和99.17%,87.19%和81.25%,99.17%和98.33%;以x-loading weights提取非转基因亲本及其转基因大豆判别分析的特征波长并建立PLS-DA模型,3种的建模集和预测集的判别正确率分别为72.50%和80%,80.63%和79.38%,85%和85%,该结果表明非转基因亲本与转基因品种的判别分析是可行的,特征波长的选择也可用于非转基因亲本与转基因品种的判别分析。研究表明采用近红外高光谱成像技术对非转基因大豆、非转基因亲本及其转基因大豆进行鉴别是可行的,为转基因大豆的快速无损准确鉴别提供了一种新方法。     

利用光谱数据快速检测土壤含水量的方法研究

应用美国ASD公司的FieldSpec HandHeld型可见/近红外光谱仪获得了52份不同含水量土壤的可见/近红外漫反射光谱数据,并通过实验测定了各土壤样本的含水量值,运用相关系数法寻找出了光谱对于土壤水分的敏感波段,然后利用单一敏感波段处的光谱数据建立了一元回归模型, 并检测了土壤含水量。实验结果表明, 该模型对土壤水分的检测效果比较好,模型的预测相关系数r为0.966 5,预测均方根误差RMSEP为0.012 1,为快速、准确检测土壤含水量提供了一条新的途径。