基于连续偏振光谱技术与嵌入型灰色神经网络的稻种发芽率检测方法研究

针对稻种发芽率传统检测方法周期长,近红外光谱检测技术等无损检测方法受稻种自然颜色及含水量影响大的问题,通过连续偏振光谱结合嵌入型灰色神经网络(IGNN)的方法建立稻种发芽率预测模型。对检测连续偏振光谱运用经典模式分解(EMD)和小波包变换进行去噪处理,根据去噪效果选择EMD去噪。利用主成分分析(PCA)提取去噪后的连续偏振光谱特征,结合偏最小二乘法回归(PLSR)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和IGNN分别构建稻种发芽率预测模型,建模结果显示10 min检测时间点IGNN预测模型精度最高,预测集相关系数RP=0.985,预测集均方根误差(RMSEP)为0.771。研究结果表明基于连续偏振光谱技术结合嵌入型灰色神经网络的方法实现稻种发芽率快速无损检测是可行的且精度较高。     

基于红外热成像技术和广义回归神经网络的稻种发芽率检测方法研究（英文）

基于稻种老化时间不同时的物理学和生理学差异,提出一种基于红外热成像技术及广义回归神经网络的快速、无损检测稻种发芽率的检测方法,解决传统稻种发芽率检测方法操作复杂、实验周期长等问题。在温度为45℃、湿度为90%的条件下,将水稻种子依次老化0,1,2,3,4,5,6和7 d,得到不同发芽率的种子;采集稻种红外热图像,然后提取稻种胚芽部位数据,总计144份,随机分为校正集和预测集,其中校正集96份,预测集48份;分析和比较不同老化天数稻种红外热差异,从物理学和生理学方面揭示稻种发芽率与红外热图像间的关系,结合偏最小二乘算法(partial least squares,PLS)、BP(back propagation,BP)人工神经网络和广义回归神经网络(general regression neural network,GRNN),建立稻种发芽率的红外热模型。结果表明,利用GRNN建立的发芽率预测模型效果最优,其中校正集的Rc(相关系数)和SEC(标准偏差)分别为0.932 0和2.056 0,预测集RP(相关系数)和SEP(标准偏差)分别为0.900 3和4.101 2,相关性均达到较高水平且校正集与预测集的标准偏差均较小。实验结果表明,采用红外热成像技术结合广义回归神经网络研究稻种发芽率是可行的,且所建模型在稻种发芽率快速测定方面有较高的精度。     

基于红外热成像技术和广义回归神经网络的稻种发芽率检测方法研究

基于稻种老化时间不同时的物理学和生理学差异,提出一种基于红外热成像技术及广义回归神经网络的快速、无损检测稻种发芽率的检测方法,解决传统稻种发芽率检测方法操作复杂、实验周期长等问题。在温度为45 ℃、湿度为90%的条件下,将水稻种子依次老化0,1,2,3,4,5,6和7 d,得到不同发芽率的种子;采集稻种红外热图像,然后提取稻种胚芽部位数据,总计144份,随机分为校正集和预测集,其中校正集96份,预测集48份;分析和比较不同老化天数稻种红外热差异,从物理学和生理学方面揭示稻种发芽率与红外热图像间的关系,结合偏最小二乘算法(partial least squares, PLS)、BP(back propagation, BP)人工神经网络和广义回归神经网络(general regression neural network, GRNN),建立稻种发芽率的红外热模型。结果表明,利用GRNN建立的发芽率预测模型效果最优,其中校正集的R_C(相关系数)和SEC(标准偏差)分别为0.932 0和2.056 0,预测集R_P(相关系数)和SEP(标准偏差)分别为0.900 3和4.101 2,相关性均达到较高水平且校正集与预测集的标准偏差均较小。实验结果表明,采用红外热成像技术结合广义回归神经网络研究稻种发芽率是可行的,且所建模型在稻种发芽率快速测定方面有较高的精度。     

基于荧光光谱法与深度信念网络的稻种发芽率检测方法研究

针对传统稻种发芽率检测效率低、精度差、专业化要求高等问题,通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。首先,将连粳7号和武运粳均分别老化0~7 d后,以5 min为间隔在纯净水中分别浸泡5~30 min。然后用荧光光谱仪检测浸泡液的荧光光谱,光谱数据经中心化后用集合经验模态分解(EEMD)去噪,并通过主成分分析法提取441.5 nm的特征荧光波长。最后,利用偏最小二乘回归(PLSR),反向传播神经网络(BPNN),径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。比较后得出,DBN模型在少数据、弱信号情况下的预测精度最高,预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。同时,通过分析混合稻种荧光数据R_p的变化趋势,得到最佳浸泡时间为22.1 min,实际上,精确度超过0.95(R_p)需要5 min左右。研究结果表明,结合荧光光谱法和EEMD-DBN模型,非破坏性地预测水稻种子发芽率具有可行性和高准确性,并且适用于不同颜色和污染水平的水稻种子的检测。     

基于荧光光谱法与深度信念网络的稻种发芽率检测方法研究（英文）

针对传统稻种发芽率检测效率低、精度差、专业化要求高等问题,通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。首先,将连粳7号和武运粳均分别老化0~7d后,以5min为间隔在纯净水中分别浸泡5~30min。然后用荧光光谱仪检测浸泡液的荧光光谱,光谱数据经中心化后用集合经验模态分解(EEMD)去噪,并通过主成分分析法提取441.5nm的特征荧光波长。最后,利用偏最小二乘回归(PLSR),反向传播神经网络(BPNN),径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。比较后得出,DBN模型在少数据、弱信号情况下的预测精度最高,预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。同时,通过分析混合稻种荧光数据Rp的变化趋势,得到最佳浸泡时间为22.1min,实际上,精确度超过0.95(Rp)需要5min左右。研究结果表明,结合荧光光谱法和EEMD-DBN模型,非破坏性地预测水稻种子发芽率具有可行性和高准确性,并且适用于不同颜色和污染水平的水稻种子的检测。     

基于多尺度小波变换和灰色神经网络的稻种发芽率红外热预测模型的研究

基于老化不同时间的稻种的生理学和物理学特性,提出一种基于多尺度小波变换和灰色神经网络的稻种发芽率红外热预测模型,实现稻种发芽率的快速、无损检测,解决传统发芽实验法实验周期长、操作复杂等问题。从不同发芽率稻种的胚芽部位提取144组数据,通过多尺度小波变换,分析逼近信号和细节信号,得出第3层细节信号(d3)贡献最大。以第3层细节信号作为模型的输入,随机分为校正集和预测集,校正集96组,预测集48组。分析和比较老化不同时间的稻种的红外热差异,通过偏最小二乘算法(PLS)、BP神经网络、径向基神经网络(RBFNN)和灰色神经网络(GNN),建立稻种发芽率红外热预测模型。结果表明,GNN建立的稻种发芽率模型预测效果最优,其中校正集相关系数(RC)和标准偏差(SEC)分别为0.9619、2.5013,预测集相关系数(RP)和标准偏差(SEP)分别为0.9554、2.4172,相关性达到较高水平且误差较小。研究表明采用小波分解和灰色神经网络建立稻种发芽率红外热预测模型的方法是可行的。     

一种高精度偏振遥感探测方式的精度分析

检偏器的角度误差是影响偏振遥感探测精度的重要因素之一,是许多高精度定量化偏振遥感需要考虑的一个问题。在检偏器(0°,60°,120°)放置的测量系统中,当入射光偏振角接近于0°或180°时偏振测量易产生最大误差值,而偏振角接近30°,90°和150°时,偏振度的测量具有很高的精度;在检偏器(0°,45°,90°)放置方式中,偏振角接近45°的光束测量易具有最大误差值,而偏振角接近于0°,90°和135°时,角度误差对偏振度测量精度的影响很小。除了个别偏振角外,对高偏振度入射光束的偏振测量通常具有较大的偏振测量误差。因此,引进线偏振光的平均偏振度测量精度描述偏振测量装置的优劣,结果表明检偏器(0°,60°,120°)放置方式优于检偏器(0°,45°,90°)放置方式。     

偏振显示及椭圆偏振光测量实验

以单束正交线偏振光为光源,利用角向偏振显示器,采用CCD摄像机进行图像采集,利用Matlab软件进行图像处理,设计了一种由He-Ne激光器、角向偏振显示器组成的偏振光偏振方向显示系统,并研究了其角度特性.实验结果表明:系统在起偏器的起偏角分别为0°、90°、180°、270°、360°时,角向偏振显示器偏振显示角度的测量准确度分别为0.480°、0.168°、0.528°、0.421°、0.340°,测量精确度分别为0.208°、0.576°、0.660°、0.603°、0.466°,测量数据拟合曲线的线性相关系数为0.999.结合1/4波片,检偏器和分光比为50:50的分束器,构建了椭圆偏振光测量系统,完成了椭圆偏振光测量实验,椭圆率为0.198.     

温室番茄缺素叶片偏振反射特征分析

为提高番茄植株营养胁迫定量分析模型的精度,探究偏振检测在植物单叶尺度进行无损检测的优势,利用自行研制的偏振反射光谱系统检测不同生长期温室番茄缺素叶片偏振反射特征。对影响番茄单叶偏振反射的主要因素：方位角、入射天顶角、探测天顶角、光源偏振片起偏角度、探测器偏振片起偏角度进行了讨论,通过正交试验的极差分析获取光谱仪各测量角度参数的优水平,并通过实验进一步验证,最终分析得到偏振光谱系统检测番茄缺素叶片的角度组合及主次排序为：入射天顶角60°、光源起偏角度0°、探测器起偏角度45°、探测天顶角45°、方位角180°,在此基础上对不同生长期的缺氮、缺磷、缺钾叶片以及不同缺素程度的叶片进行分析比较,结果显示偏振反射比随番茄叶片的生长周期呈现正相关关系,缺素和营养过量均能导致偏振反射比的下降,偏振反射比在结果期和采收期的降幅较为明显。对于偏振反射光谱在植物单叶尺度营养快速检测的深入研究具有一定的理论和实践意义。     

偏振光谱的土壤湿度遥感方法实验研究

偏振探测作为一种新型遥感技术,是对传统光谱遥感探测的有益补充,为目标遥感探测提供更丰富的信息。用地物偏振光谱仪实验测量,分析土壤湿度与偏振光谱的相关性,同时研究不同观测角下的土壤表面反射光偏振光谱特性。结果表明：在土壤湿度较高的情况下,偏振光谱与土壤湿度具有一定的相关性,尤其在500～700 nm波段,湿度与偏振度呈正比关系;低湿度的情况下,偏振光谱与土壤湿度相关性不明显;此外,不同观测角对偏振光谱也有影响,如入射角固定为50°,观测角在20°～60°区间测量时,偏振度随观测角增大而增大,且观测角愈大,偏振度随湿度的变化愈显著。     

基于近红外光谱的杂交水稻种子发芽率测试研究

现阶段水稻种子发芽率测试仍然按照传统的农作物种子发芽技术规定进行发芽试验,此方法存在试验周期长、成本高、专业性要求高等缺点,本研究提出一种基于近红外光谱技术的快速、无损测试杂交水稻种子发芽率的新方法。采用人工老化方法在温度45 ℃、湿度100%的条件下分别老化处理2个品种杂交水稻种子0,24,48,72,96,120,144 h;用近红外光谱仪分别采集2个品种不同老化时间段杂交水稻种子光谱数据共280份,随机分成校正集(168份)和检验集(112份);测试不同老化时间段的水稻种子发芽率;以偏最小二乘算法(PLS)建立了回归模型,分析不同光谱波段和比较不同光谱预处理方法对模型精度的影响。2个品种的水稻种子光谱数据采用全波段和标准化＋正交信号校正预处理时模型最优,模型校正集决定系数(R_C)与验证集相关系数(R_P)分别为0.965和0.931,校正标准误差(SEC)与预测标准误差(SEP)分别为1.929和2.899,验证集预测值与真实值之间的相对误差在4.2%以内。研究结果表明利用近红外光谱分析技术进行杂交水稻种子发芽率的快速无损检测是可行的。     

基于近红外光谱分析的高丹草种子发芽率检测研究

高丹草中粗蛋白质以及碳水化合物的含量丰富,适合青贮处理.优质的高丹草种子是发展畜牧业十分重要的前提,发芽率是检验种子质量最常规的指标之一,播前种子发芽率检测与筛选十分必要.现阶段采用发芽试验法进行种子发芽率的检测,周期长、成本高.基于此,提出利用近红外光谱对高丹草种子进行发芽率的快速、无损检测.选择适量的高丹草种子样品...     

一种测量动脉血氧饱和度的新方法

在传统的血氧饱和度测量方法中,首先计算对数光电容积脉搏波交、真流成分的比值(R值),然后通过实验建立血氧饱和度值与R值的线性回归模型,旨在消除光程的影响,将个体差异的影响降至最小化,是一种基于Lambert-Beer定律的降维处理。当考虑散射时,这种以交、直流成分的比值作为自变量的降维处理方式损失了信息量,引入了系统误差,限制了测量的精度。为了减小这种影响,从透射光电脉搏波所含信息量的角度,提出了使用双波长对数光电容积脉搏波的峰值和谷值作为自变量与血氧饱和度值建立线性回归模型的新方法。从23名健康志愿者中获得133例光电脉搏波及血氧饱和度参考值样本,从中随机抽取90例作为建模集,另外43例作为预测集,对比了新方法和R值法的建模和预测结果。随机抽取建模集并预测10次,新方法和R值法的平均预测相关系数分别为0.890 6和0.846 8,平均预测均方根误差分别为0.889 6%和1.037 3%,结果表明新方法的预测效果优于传统R值法,使用四个特征量建立血氧饱和度预测模型,能够提高测量的稳定性和精度,对基于有限波长光谱数据建模测量人体血液生理参数有指导意义。     

可见-近红外多光谱数据对水稻种子成活率的判定

种子活性受到存储条件的影响很大。收集了真实情况下受到不同存储条件影响的种子,通过发芽实验验证了其成活率存在差异。再从中选择适量的种子样本,采集其单颗种子的可见-近红外反射光谱,运用不同的光谱预处理技术,结合不同的机器学习建模手段,以区分不同成活率的种子。比较了不同的光谱预处理方法,比如标准反射光谱校正、多元散射校正等。从识别准确度的角度,认为标准反射光谱校正的方法,能够很大程度上提升不同存活率种子的光谱差异性,从而经过机器学习判断达到更高的识别准确度。同时比较了支持向量机、 K邻近和距离判别分析等机器监督学习建模方法,发现利用标准反射光谱校正的方法结合距离判别分析,能够对种子样本实现完全准确的判定。更进一步,为了满足实际运用中快速识别的要求,将高分辨率的光谱数据压缩成为低分辨率多通道带通光谱数据,这样可以大大降低的光谱数据长度,节约各种机器学习器在训练和判断中所用的时间。使用简化过后的多通道带通光谱数据判定种子存活率,其识别准确度仍然接近90%。充分说明了,利用多通道宽带光谱数据,并选择合适的机器学习建模方式,足以满足实际选种产业的一般性需求,有潜力作为未来粮种成活率快速鉴别的技术手段。还采用了多种带通宽度以简化光谱,分析比较不同带通宽度对识别精度的影响。总体来说由于带宽增大,数据量减少,识别速度更快,但是识别精度降低。从10~50 nm改变光谱带宽,标准反射校正后的简化光谱的识别精度从87.50%下降到58.75%。在实际运用中,需要权衡识别速率和预期识别精度,合理的选择带宽。验证了根据简化后的可见近红外反射光谱,能够较快速且准确的识别水稻种子存活率,为以后的基于带通滤波片的快速种子存活率识别奠定了基础。     

Research on a Rice Counting Algorithm Based on an Improved MCNN and a Density Map

The thousand grain weight is an index of size, fullness and quality in crop seed detection and is an important basis for field yield prediction. To detect the thousand grain weight of rice requires the accurate counting of rice. We collected a total of 5670 images of three different types of rice seeds with different qualities to construct a model. Considering the different shapes of different types of rice, this study used an adaptive Gaussian kernel to convolve with the rice coordinate function to obtain a more accurate density map, which was used as an important basis for determining the results of subsequent experiments. A Multi-Column Convolutional Neural Network was used to extract the features of different sizes of rice, and the features were fused by the fusion network to learn the mapping relationship from the original map features to the density map features. An advanced prior step was added to the original algorithm to estimate the density level of the image, which weakened the effect of the rice adhesion condition on the counting results. Extensive comparison experiments show that the proposed method is more accurate than the original MCNN algorithm.     

近红外高光谱成像的微破损棉种可视化识别

优质棉种是全面推广棉花精量播种技术的基础。采用近红外高光谱成像技术实现微破损棉种可视化识别,为棉种精选设备的研制奠定理论基础。以未破损和微破损两类棉种各540粒作为样本(其中405粒作为建模集,135粒棉种作为预测集),分批采集874~1 734 nm范围的样本高光谱图像,提取光谱数据并去除首尾两端明显噪声保留955~1 659 nm范围内光谱为棉种样本的光谱。首先使用Kennard-Stone(KS)算法进行样本划分,并通过平滑算法Savitsky-Golay(SG)对光谱进行预处理。采用二阶导数光谱(2nd spectra)方法、连续投影算法(SPA)和主成分载荷(PCA-loading)方法分别选取10,14和11个特征波长。基于全部光谱数据和特征波长建立偏最小二乘判别分析(PLS-DA)模型、K最邻近(KNN)模型和支持向量机(SVM)模型,SPA-PLS-DA模型取得了较好的结果,建模集和预测集的鉴别率分别为91.50％和90.33％。基于SPA-PLS-DA模型分别对未破损样本和微破损样本及其混合样本图像进行识别,取得了较好的识别结果,微破损棉种的识别率达90%以上。结果表明,结合近红外高光谱成像和图像处理技术,能够实现微破损棉种的可视化识别。     

基于卷积神经网络与投票机制的蒲黄炮制品近红外判别方法

蒲黄炭是由香蒲花粉炮制而成,具有止血、化瘀、通淋等多种功效,被广泛应用于临床抗血栓,创面和出血。然而蒲黄炭在炒炭过程中,常常会出现炭化过轻或者炭化过重的现象,从而出现不同炭化程度的蒲黄炭药品,主要为轻度炭化、标准炭化与重度炭化三种不同的蒲黄炭药品。由于炭化程度不同,蒲黄炭的凝血效果优劣不等,其中标准炭化的蒲黄炭药品药效最优。目前,鉴别蒲黄炭药品的方法多为人工凭借肉眼与经验进行判别。基于人工的蒲黄炭药品判别方法判别效率低,受主观因素影响大,判别结果不稳定,难以区分出标准炭化的蒲黄炭。为有效地对不同炭化程度的蒲黄炭进行识别,提出一种基于卷积神经网络与投票机制的蒲黄炮制品近红外判别方法。该方法创新性地结合深度学习与机器学习算法,有效利用卷积神经网络强大表征提取能力的同时通过投票决策提升算法模型的泛化能力与鲁棒性。首先通过近红外光谱技术获取蒲黄炭的近红外光谱,并通过卷积神经网络分别提取样本经过四种预处理方法所得到光谱图的高阶特征,并计算预测结果。按照样本准确率与损失值为四种预处理方法分配相应权重得到蒲黄炮制品预测模型。该模型将所得到的四种预测结果结合权重共同投票出样本的最终结果,从而鉴别出蒲黄炭的炭化程度。实验结果表明所提方法可以有效判别蒲黄炮制品的炭化程度。当训练集所占样本比例为80%时,预测准确率达到95.4%。所提方法与传统卷积神经网络方法、线性判别分析方法以及标准正太变量变换-线性判别分析方法相比预测准确率分别提高8.6%,4.3%和2.6%。同时,所提方法具有一定的稳定性,当训练集所占样本比例大于70%时,测试准确率高于90%;当训练集比例仅占10%时,预测准确性仍然能够达到约80%。     

人工神经网络法鉴别红外光谱

本文将反向传播人工神经网络（ＢＰ－ＡＮＮ）用于ＦＴＩＲ,鉴别未知化合物。结果表明,当训练集样本不含噪声时,纯光谱的预测结果很好。而当训练集样本有少量噪声干扰时,预测结果随预测集样本的不同,而得到不同的改善。