哈密瓜坚实度的高光谱无损检测技术

提出利用高光谱对哈密瓜坚实度进行检测的方法,对比分析了不同波段范围、不同预处理法、不同光程校正法和不同定量校正算法对哈密瓜坚实度预测模型准确度的影响.实验结果表明,在500～820 nm波段光谱区域,采用偏最小二乘法对经过标准正则变换校正的一阶微分处理的光谱建模效果较优,其校正集相关系数为0.873,校正均方根误差为4.18N,预测集相关系数为0.646,预测均方根误差为6.40N.研究表明,应用高光谱对哈密瓜坚实度的无损检测研究具有可行性.     

瓜类刺盘孢诱导物对哈密瓜糖类及其相关酶的诱导

用瓜类刺盘孢(Colletotrichum lagenarium)孢子悬液及其液体培养滤液提取物(简称El)和菌丝壁提取物(简称Ew)分别对哈密瓜黄化苗进行诱导处理,其可溶性总糖、蔗糖、果糖、淀粉含量及其相关的蔗糖酶和淀粉酶都有不同程度的变化,并且绿原酸在诱导处理一定时间后也有明显积累。其诱导效果用孢子悬液显著高于用El和Ew处理。     

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。     

基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究

利用高光谱成像系统获得网纹类哈密瓜糖度漫反射光谱信息,选择有效波段500～820 nm进行哈密瓜糖度检测建模回归分析。对比了多元散射信号修正和标准正则变换校正方法,原始光谱、一阶微分、二阶微分光谱预处理方法对建模精度的影响;采用偏最小二乘法、逐步多元线性回归和主成分回归方法对比分析了带皮哈密瓜和去皮哈密瓜糖度检测模型效果。结果表明,对原始光谱经过MSC和一阶微分光谱处理后,采用PLS和SMLR方法均可取得很好的建模效果,应用PLS法检测带皮哈密瓜糖度是可行的,其校正集相关系数(R_c)为0.861,RMSEC为0.627,预测集相关系数(R_p)为0.706,RMSEP为0.873;应用SMLR法检测去皮哈密瓜糖度效果最佳,校正集相关系数(R_c)为0.928,RMSEC为0.458,预测集相关系数(R_p)为0.818,RMSEP为0.727。研究表明,应用高光谱成像技术检测哈密瓜糖度具有可行性。     

SiPLS-CARS与GA-ELM对哈密瓜冠层叶片含水率的反演估测

传统的叶片含水率检测方法效率低、操作繁琐且是有损的检测,不利于大田哈密瓜叶片含水率的快速获取。为实现对大田哈密瓜生长期进行更精细的田间灌水管理,利用光谱技术分别获取了哈密瓜植株在成长期（M₁）、开花期（M₂）、结果期（M₃）、成熟期（M₄）四个时期内的冠层叶片样本,采用烘干法测得叶片样本的含水率。为提高预测模型的精度和稳定性,首先开展并讨论极限学习机（ELM）模型中的核函数与隐含层神经元个数的选择对ELM模型精度的影响。随后分别利用联合子区间偏最小二乘法（SiPLS）及其与竞争性自适应重加权采样法（CARS）、遗传算法（GA）、连续投影算法（SPA）的组合算法对全波段光谱数据中与叶片含水率相关性高的特征波长进行筛选提取。再分别使用GA与粒子群算法（PSO ）对已经确定最佳核函数与隐含层神经元个数的ELM模型中的输入层与隐含层间的连接权值（W）和隐含层神经元阈值（B）进行优化选择,获取最优且稳定的W与B值,进一步提高模型的稳定性和预测精度。最后将四种特征波长提取算法优选出的特征波长分别进行ELM,GA-ELM,PSO-ELM建模分析,以校正集和预测集的相关系数R_c与R_p为模型评价指标,经过对比分析优选出能准确预测哈密瓜冠层叶片含水率的反演估测模型。采用SiPLS及其与CARS,GA和SPA的组合算法提取特征波长,筛选出的变量数分别为273,20,32和6,占全光谱变量的15.6%,1.2%,1.9%和0.03%。进一步将筛选出的特征波长作为自变量,叶片的含水率作为因变量,建立了ELM的预测模型,最佳预测精度R_p值为0.845 0,预测精度不是很理想。故引入GA与PSO对ELM中随机产生的W与B值进行优化选择。最终,经过研究发现,利用GA优化后的ELM模型结合SiPLS-CARS筛选出的特征波长建立的哈密瓜冠层叶片含水率预测精度最优,故反演叶片含水率的最优建模方式为SiPLS-CARS-GA-ELM,R_c值为0.928 9,R_p值为0.903 2,所建模型精度较高,可为大田哈密瓜冠层叶片的含水率进行快速检测,为田间灌溉管理提供科学依据。     

瓜类疫霉菌毒素对哈密瓜愈伤组织的诱导作用

以瓜类疫霉菌素为诱导物，诱导处理哈密瓜愈伤组织，探明组织内与抗性相关的两种酶及膜透性的变化，哈密瓜愈伤组织经毒素处理后，苯丙氨酸解氨酶（ＰＡＬ）和多酚氧化酶（ＰＰＯ）的活性增强，且这种特性在愈伤组织继代培养４代后，仍然存在：愈伤组织的膜透性在继代培养初期显著减少，但随着培养代数的增加，膜透性变化趋于平稳。     

基于GADF变换和多尺度CNN的哈密瓜表面农药残留可见-近红外光谱判别方法

针对哈密瓜表面农药残留化学检测方法成本高且具有破坏性等问题,探索了可见-近红外（Vis-NIR）光谱技术对农药残留定性判别的可行性。以哈密瓜为载体,百菌清和吡虫啉农药为研究对象,采集哈密瓜表面无残留、百菌清和吡虫啉残留的可见-近红外漫反射光谱,利用格拉姆角场（GAF）将一维光谱数据转换为二维彩色图像,构建GAF图像数据集。设计一种包含Inception结构的多尺度卷积神经网络模型用于哈密瓜表面农药残留种类判别,包括1层输入层、3层卷积层、1层融合层、1层平坦层、2层全连接层和1层输出层。模型测试混淆矩阵结果表明,格拉姆角差场（GADF）变换对哈密瓜表面农药残留的可见-近红外光谱表达能力较强。此外,构建AlexNet、VGG-16卷积神经网络（CNN）模型和支持向量机（SVM）、极限学习机（ELM）机器学习模型与提出的多尺度CNN模型进行性能对比。结果表明,3种CNN模型对哈密瓜表面有无农药残留的判别效果较好,综合判别准确率均高于SVM和ELM模型。对比3种CNN模型性能,多尺度CNN模型的性能最佳,训练耗时为14 s,综合判别准确率为98.33%。多尺度CNN模型结构利用多种小尺寸滤波器组合（1×1,3×3和5×5）和并行卷积模块,能够捕获不同层次和尺度的特征,通过级联融合模式进行深度特征融合,提高了模型的特征提取能力。与传统深度CNN模型相比,在保证计算复杂度不变的情况下,多尺度CNN模型的精度得到了有效提高。实验结果表明,GADF变换结合多尺度CNN模型可以有效进行光谱数据解析,利用可见-近红外光谱技术可以实现哈密瓜表面农药残留的定性判别。研究结果为大型瓜果表面农药残留的快速无损检测技术的研发提供了理论参考。