基于Stacking集成学习的近红外光谱油页岩含油率预测

为了克服单一模型预测精度很难进一步提高的不足,利用近红外光谱分析结合基于Stacking框架的异构集成学习模型实现对油页岩含油率的检测。以松辽盆地某区块所取230个油页岩岩芯样本为研究对象,使用低温干馏法测量油页岩样本的含油率,同时扫描每个样本对应的近红外光谱数据。样本使用蒙特卡洛算法进行异常样本剔除,将剔除异常样本后的213个数据按照3∶1的比例随机划分为训练集和预测集。利用去趋势加基线校正方法进行预处理消除光谱数据中噪声和基线漂移,利用随机森林算法进行波长重要性排序并保留重要波长,在此基础上采用CARS算法进行特征波长提取,进一步降低数据维度。最后,构建以PLS, SVM, RF和GBDT为初级学习器,PLS回归模型为次级学习器的Stacking集成学习模型,各初级学习器模型参数使用网格搜索进行寻优。使用决定系数和预测均方根误差作为各模型的评价指标,探究单一模型和集成学习模型对油页岩含油率预测的准确性。研究结果表明,RF-CARS方法能够有效筛选重要波长,进而提高模型效率。基于Stacking的异构集成学习模型与单一模型(SVM和PLS)和同构集成学习模型(RF和GBDT)相比有更...     

近红外特征光谱的羊肉TVB-N浓度预测模型

为提高生鲜羊肉储存期内（4,8和20 ℃环境）挥发性盐基氮（TVB-N）的近红外光谱（NIR）检测的稳定性和准确性,选取特征光谱和预测模型是关键步骤。以121个羊肉样品为实验对象,采集生鲜羊肉680~2 600 nm波段的近红外光谱。以多元散射校正（MSC）、标准正态变换（SNV）等散射校正方法,Savitzky-Golay卷积平滑（SGS）、移动平均平滑（MAS）等平滑处理方法,以及归一化（Normalization）、中心化（Centering）、标准化（Autoscaling）等尺度缩放方法分别预处理光谱数据后建立偏最小二乘法（PLS）预测模型。比较发现SGS处理的光谱建模效果最好。利用蒙特卡洛采样（MCS）法及马氏距离法（MD）消除了羊肉光谱的5个异常数据。运用光谱-理化值共生距离（SPXY）算法划分总样本的75%（87个）为校正集样本,剩余29个为验证集样本,利用竞争性自适应重加权法（CARS）、无信息变量消除法（UVE）、改进的无信息变量消除法（IUVE）和连续投影算法（SPA）提取特征光谱得到的波长个数分别为14,713,144和15。将全光谱和4种方法提取的特征波长作为输入变量建立预测模型,CARS提取的波长所建立模型的性能优于UVE、IUVE和SPA提取的波长所建立模型的性能,表明CARS方法可以有效简化输入变量并提高预测模型的性能。改进后得到的IUVE法相比于UVE法,筛选出的波长数更少且模型性能有所提升。以提取的特征波长建立PLS,支持向量机（SVM）和最小二乘支持向量机（LS-SVM）预测模型,SVM模型得到最优的校正集预测结果,其中CARS-SVM预测模型的校正决定系数（R2_C）和校正均方根误差（RMSEC）分别为0.939 1和1.426 7,最优的验证集预测效果为LS-SVM预测模型得到,其中IUVE-LS-SVM预测模型的验证决定系数（R2_V）和验证均方根误差（RMSEV）分别为0.856 8和1.886 2。基于近红外特征光谱建立简化、优化的生鲜羊肉储存期TVB-N预测模型,为实现快速无损检测生鲜羊肉中的TVB-N浓度提供技术支持。     

近红外光谱的玉米种子穗腐病特征提取与判别模型研究

玉米种子穗腐病是危害玉米产量的主要病害之一。利用近红外光谱开展了玉米种子穗腐病判别模型研究。246粒玉米种子由吉林省农业科学院海南育种基地提供,其中96粒玉米种子为穗腐病染病样本,其他150粒玉米种子为同种玉米正常样本。利用MATRIX-Ⅰ型傅里叶近红外光谱仪采集了样本800～2 500 nm范围的近红外光谱信息,并对样本近红外光谱数据利用多元散射校正（MSC）进行预处理。结合玉米内部有机物质的近红外光谱的敏感波段和样本近红外光谱吸收峰挑选了4个优选区间,并采用相关系数法(CA)、连续投影算法（SPA）和竞争性自适应重加权算法（CARS）三种不同原理的特征波长提取算法分别提取了4（1 362,1 760,2 143和2 311 nm）、5（1 227,1 310,1 382,1 450和1 728 nm）和10（1 232,1 233,1 257,1 279,1 313,1 688,1 703,1 705,2 302和2 323 nm）个特征波长。以提取得到的特征波长作为玉米种子穗腐病判别模型输入变量,用0-1（染病-正常）表示样本染病状况作为输出真实值建立支持向量机（SVM）模型,使用网格搜索法结合十折交叉验证法对模型参数进行优化。结果表明,CA-SVM,SPA-SVM和CARS-SVM三种判别模型中训练集和测试集建模准确率均在90%以上。该研究成果为玉米种子病害诊断装置提供了模型基础,且针对优选区间进行特征波长选择的方式也可以为建立其他种子病害判别模型提供参考。     

可见-近红外光谱的潮间带沉积物有机碳含量的几种模型预测方法

可见-近红外光谱已被证明是一种快速、有效的有机碳(TOC)含量预测方法。但是,当前利用光谱预测TOC含量的研究对象主要为土壤或湖泊沉积物,还未见潮间带海洋沉积物的研究报道。为了快速准确预测潮间带沉积物TOC含量,通过异常样本剔除、光谱特征变换、特征波长提取相结合,构建TOC预测模型,即,采集潮间带沉积物样品光谱,采用马氏距离、标准杠杆值和学生残差联合分析的方法剔除异常样本,利用多元散射校正(MSC)、平滑+微分进行光谱变换,利用遗传算法(GA)提取特征波长,采用偏最小二乘法(PLS)、最小二乘支持向量机(LSSVM)和BP神经网络(BPNN)对沉积物TOC含量进行建模和预测,通过决定系数(R~2)和剩余估计偏差(PRD)来评价模型精度。结果表明,剔除异常样本有助于提升模型精度, BPNN模型的检验R~2和PRD分别提升了28%和39%。MSC光谱变换效果优于平滑+微分,基于MSC光谱变换的PLS, LSSVM和BPNN模型检验R~2分别为0.81, 0.86和0.78, PRD分别为2.25, 2.59和2.07,比平滑+微分提升了9%～20%(R~2)和11%～22%(PRD),意味着MSC具有较强的TOC信息提取能力。GA不利于增加预测模型精度,基于GA特征波长的模型预测R~2降低了9%～36%, PRD降低了18%～33%,可能与GA提取的特征波长数量偏少有关。BPNN模型的预测精度最低,可能与其容易陷入局部极小点有关。PLS模型精度较高,可以很好的预测潮间带沉积物TOC含量。基于异常样本剔除和MSC光谱变换, PLS模型的建模R~2为0.98,检验R~2为0.81, RPD为2.25。LSSVM模型精度更优于PLS, LSSVM模型建模R~2为0.99,检验R~2和RPD分别为0.86和2.59,显示极好的TOC定量预测能力。总之,针对潮间带沉积物TOC含量预测,可以将剔除异常样本、 MSC光谱变换、 LSSVM建模结合起来,以获得可靠、稳定的预测模型。     

多种光谱变量筛选算法在红参提取近红外建模中的应用

红参中提取出的有效活性成分人参皂苷含量对后续产品的质量有重要的影响。传统的红参提取质量控制化学检测方法成本高,具有滞后性。已有的研究表明快速无损的近红外检测方法用于红参提取过程具有可行性,但现有方法依赖仪器自带数据处理软件,无法满足生产实际的精度和速度需求。为实现红参提取过程的快速、精确监测,提出将多种智能光谱筛选算法应用在近红外光谱建模中,并对比不同光谱筛选算法的性能和稳健性。以红参提取液中含量高的人参皂苷Rg1和含量较低的人参皂苷Rc为目标,采集了三个不同批次前两次红参提取液样本128份,在线获取1 000～2 499 nm波段近红外原始光谱吸光度数据,并同时采用国标方法高效液相色谱法测定目标人参皂苷含量,首先采用竞争适应性重加权采样法(CARS)、无信息变量消除法(UVE)、随机蛙跳算法(RF)和连续投影算法(SPA)四种波长筛选算法进行波长降维处理,然后使用筛选后的波长建立线性偏最小二乘(PLS)定量模型,并通过模型的均方根误差(RMSE)、决定系数（R2）和预测相对分析误差(RPD)等来评估模型的性能。从四种波长优选算法PLS建模结果可知,经RF优选后,建模特征波长变量下降为原来的0.67%,红参提取液中人参皂苷Rg1和Rc含量的R2都达到了0.94以上, 预测均方误差分别为0.024 6和0.013 5,预测集相对分析误差达到了4.84以上,降低了建模的难度,提高了建模的精度;将RF和CARS在原始光谱、全光谱、SNV预处理后的全光谱上建模对比,RF波长筛选算法建模模型的性能整体较好,不同的光谱范围和预处理方法下性能影响较小,稳健性好。综上表明RF是红参提取液建模相对理想的波长筛选算法,基于RF的PLS算法实现了对红参两次提取液的一次建模,可用于提取液中人参皂苷成分含量的快速检测,为药物的在线提取控制提供理论支撑。     

高光谱无损识别野生和种植黑枸杞

高光谱图像技术在农产品检测及识别方面有广阔的应用前景。野生黑枸杞经济效益显著,经常被种植黑枸杞冒充。提出一种利用高光谱图像对野生黑枸杞无损快速识别的方法。主要内容和结果如下：（1）共采集256份（野生、种植各128份）黑枸杞在900～1 700 nm范围的高光谱反射光谱,每份平均光谱作为此样品的光谱;（2）采用标准正态变换（SNV）对采集的光谱预处理;基于Kennard-Stone法,按照校正集和预测集比例为2∶1对样品划分,用连续投影算法（SPA）对光谱进行降维处理,提取特征波长30个;分别将全光谱和SPA 提取的30个特征波长作为模型输入,建立支持向量机（SVM）、极限学习机（ELM）和随机森林（RF）识别模型。（3）结果表明,在识别野生黑枸杞模型中,基于全光谱和SPA建立的SVM,ELM和RF模型校正集识别率均高于98.8%,基于全光谱和SPA建立的SVM,ELM和RF模型预测集识别率均高于97.7%。基于全光谱（FS）建立的三种识别模型略优于基于SPA建立的三种识别模型。但从简化模型方面,SPA提取的特征波常数仅为全光谱的11.8%,大大降低了模型运算量。三种模型中,基于随机森林模型无损识别野生黑枸杞效果最好,均达到100%。研究表明,利用高光谱图像技术结合分类模型可快速识别野生黑枸杞。     

基于深度信念网络与混合波长选择方法的蓝莓糖度近红外检测模型优化

利用近红外光谱技术结合组合区间偏最小二乘（SiPLS）、竞争性自适应重加权（CARS）、连续投影算法（SPA）、无信息变量消除（UVE）特征提取方法,运用深度信念网络（DBN）建立蓝莓糖度的通用检测模型,实现蓝莓糖度在线无损快速检测。采集了“蓝丰”和“瑞卡”共280个蓝莓样本的近红外光谱,采用手持折光仪测定其糖度;首先利用联合X-Y的异常样本识别方法（ODXY）检测到蓝丰和瑞卡蓝莓分别有2个和4个样本呈现异常,剔除该6个异常样本,对其余274个样本利用光谱-理化值共生距离算法（SPXY）以3∶1的比例划分出训练集和测试集;其次,对比分析卷积平滑（S-G平滑）、中心化、多元散射校正等预处理对蓝莓原始光谱的改善效果,运用SiPLS对光谱降维,筛选特征波段,利用CARS,UVE和SPA方法对特征波段进行二次筛选,以最优的特征波长建立DBN和偏最小二乘回归（PLSR）模型。结果表明,蓝莓糖度近红外检测模型的最优预处理方法为S-G平滑,SiPLS方法挑选的蓝莓糖度最优波段为593~765和1 458~1 630 nm,UVE算法从SiPLS筛选的346个变量中优选出159个最佳波长。建立蓝莓糖度DBN模型时,分析了不同隐含层数对检测模型的影响,并以交互验证均方根误差（RMSECV）作为适应度函数,利用粒子群算法（PSO）对各隐含层神经元个数在[1,100]之间寻优,发现隐含层为3层且隐含层节点数为67-43-25时,DBN模型的RMSECV达到最小,为0.397 7。无论是以全光谱还是特征波长建模,蓝莓糖度近红外DBN模型均优于常规PLSR方法;尤其以UVE方法二次筛选的特征波长建立的模型大大减少了建模变量,且模型精度更高,蓝莓糖度最优的PLSR模型测试集相关系数（R_P）为0.887 5,均方根误差（RMSEP）为0.395 9,最优DBN模型R_P为0.954 2,RMSEP为0.310 5。研究表明,利用SiPLS-UVE进行特征提取,结合深度信念网络方法建立的蓝莓糖度检测模型可以更好地完成蓝莓糖度在线精准分析,该方法有望应用于蓝莓及其他果蔬内部品质检测。     

基于可见/近红外光谱的鹅鸭混合绒定量检测研究

鹅绒和鸭绒的外观相似但在品质上鹅绒优于鸭绒,各国羽绒毛标准对鹅绒毛中的鸭绒毛含量都有最高限定。传统检测方法为高倍显微镜目测法,该方法劳动强度大,且不适宜大批量样本的分析及现场快速检测。利用可见/近红外光谱结合连续投影算法(SPA)特征波长选择的建模方法对鹅绒中混有鸭绒含量进行了定量检测。在450～930nm范围内,通过SPA选择的8个特征波长建立多元线性回归模型,取得了较好的预测结果,相关系数为0.983,校正均方根误差(RMSEC)为5.44%,预测均方根误差(RMSEP)为5.75%,有望用于羽绒毛品质的快速检测。     

KF光谱优选的木材抗弯强度预测方法

木材抗弯强度是评价木材力学性质的重要指标,其快速准确预测具有工程应用价值和科学意义。重点研究了使用近红外光谱分析光谱特征优选的卡尔曼滤波(KF)方法进行PLS建模,完成木材抗弯强度的预测。试验用126个蒙古栎无疵试样,依据国家标准《木材物理力学性质试验方法》测量抗弯强度得到力学真值;在900～1 700 nm波段进行近红外光谱采集,一阶导数与S-G卷积结合进行光谱预处理;然后,将光谱及抗弯力学样本视为动态系统,光谱冗余波长视为噪声信号,通过KF迭代得到系数矩阵和标准方差,并运用二者比值实现特征优选;最后建立蒙古栎的偏最小二乘(PLS)抗弯强度近红外模型。结果表明,经过KF优选后,光谱变量数由117减小到18个,预测模型的相关系数ｒ=0.81、预测误差均方根RMSEP=6.59;为了进一步验证方法有效性,与无信息变量消除法(UVE)、连续投影方法(SPA)特征选择方法进行了对比,KF特征优选后的预测相关系数r分别提高了0.05和0.16,预测误差均方根RMSEP降低了2.33和7.66,采用KF特征选择建立的模型预测结果最佳。KF作为特征方法可有效选择近红外光谱特征波长,降低模型维度,提高模型的适用性与准确性。     

潜变量机器学习方法在咖啡NIR定量分析中的应用

采用近红外（NIR）光谱快检技术实现对咖啡蛋白质的定量检测,研究支持向量机（SVM）和极限学习机（ELM）等机器学习方法在建模分析中的实用性。结合潜变量分析技术,建立潜变量SVM（LV-SVM）模型和潜变量ELM（LV-ELM）模型,通过调试潜变量个数和机器学习关键参数的联合优选,实现数据降维和机器学习关键参数的同过程优化。运用定标-验证-测试机制,利用定标集样本建立咖啡蛋白质的NIR分析模型,随参数变动形成三维随动优选结构的建模预测结果,结合验证集样本对模型进行联合优选,然后将优化模型应用于测试集样本进行模型评价。LV-SVM建模优选的验证集预测均方根误差为6.797,对应的测试集预测均方根误差为8.384。LV-ELM建模优选的验证集预测均方根误差为6.118,对应的测试集预测均方根误差为7.837。与常规偏最小二乘（PLS）方法相比较,LV-SVM和LV-ELM方法均取得更好的预测结果,验证了潜变量机器学习方法在近红外定量分析中的应用优势,该方法有望应用于不同类型的咖啡各成分含量检测。     

近红外光谱法分析油页岩含油率中波长选择方法的研究

波长选择是光谱建模分析的重要步骤。研究了近红外光谱法分析油页岩含油率过程中的波长选择方法,用以剔除光谱数据中的冗余信息和干扰信息,提高分析模型的建模效率和预测能力。分别采用相关系数法(CC)、移动窗口偏最小二乘法(MWPLS)和无信息变量消除法（UVE）对油页岩近红外漫反射光谱数据的波长区间进行了选择,研究了不同阈值、窗口宽度和噪声矩阵对上述方法的影响,建立了所选择波长处的反射率数据和样品含油率标准值间的偏最小二乘（PLS）分析模型,比较了上述方法的选择效果。结果表明：与使用全谱数据建模相比,采用上述方法筛选过的光谱数据均能提高模型的建模效率和预测能力,其中经UVE法筛选后的光谱数据仅占全谱数据总数的22.8%,模型的RMSECV却降低了9.3%,RMSEP降低了4.5%。     

基于高光谱成像技术的土壤水分机理研究及模型建立

为了研究宁夏地区土壤的水分迁移机理以及对土壤水分快速无损检测,利用高光谱成像(光谱范围900~1 700 nm)技术对土壤的含水率进行了研究。通过高光谱成像系统采集了208个土样,比较了不同天数下土壤含水率与光谱的变化、不同质量含水量光谱的差异。对采集到的土样进行PLSR模型建立,对比分析不同光谱预处理方法、不同方法提取特征波长(UVE、CARS、β系数、SPA)、不同建模方法(MLR、PCR、PLSR)建立的模型,优选出最佳模型。结果表明:在一定的土壤含水量范围内,光谱曲线的反射率与土壤含水率成反比;当增大到超过田间持水率时,光谱曲线的反射率与土壤含水率成正比。对比分析了不同预处理方法,优选出单位向量归一化预处理方法。对比不同的模型,优选出SPA提取的特征波长的MLR模型。最优的特征波长为987,1 386,1 466,1 568,1 636,1 645 nm,最优模型的预测相关系数Rp=0.984,预测均方根误差RMSEP为0.631。因此,今后可采用不同波段对土壤含水率进行定量分析。     

灵武长枣VC含量的高光谱快速检测研究

采用可见-近红外高光谱成像技术结合化学计量学方法检测灵武长枣维生素C(VC)含量，探究一种全新的水果内部成分的快速无损检测方法。采用高效液相色谱法(HPLC)测得长枣的VC含量化学值，可见-近红外高光谱成像系统采集164个灵武长枣400～1 000 nm的高光谱图像，利用ENVI4.8软件提取图像的感兴趣区域(region of interest，ROI)，计算其平均光谱，获得光谱值，将化学值与光谱值通过The UnsecramblerX 10.4软件建立模型。利用蒙特卡洛交叉验证法剔除异常值，采用光谱理化值共生距离法(sample set partitioning based on joint x-y distance，SPXY)进行样本划分以提高模型的预测性能；对光谱采用移动平滑(moving average)、中值滤波(median filter)、归一化(normalize)、基线校准(baseline)、多元散射校正(multiple scattering correction，MSC)、去趋势(detrending)和标准正态变量变换(standard normal variate，SNV)等7种方法进行预处理；为进一步减少数据量，降低维度，提高运算速度，使用竞争性自适应加权算法(competitive adaptive reweighted sampling，CARS)、无信息变量消除算法(uninformative variable elimination ，UVE)和连续投影算法(successive projections algorithm，SPA)提取特征波长，以期实现以少数波段代替全波段；将全波段光谱(full spectrum，FS)以及CARS, UVE和SPA三种方法提取的特征波长分别建立偏最小二乘(partial least squares wavelength regression，PLSR)和支持向量机(support vector machine，SVM)模型，从而确定最优的建模模型。利用蒙特卡洛交叉验证法共剔除7个异常样本，采用SPXY法将剔除异常样本后的157个数据区分为校正集和预测集，校正集中样本个数为117，预测集中样本个数为40。将未经光谱预处理的建模结果与分别经过七种光谱预处理的建模结果相比，选择未经光谱预处理的数据进行后续分析；将未经光谱预处理的光谱值采用CARS，UVE，SPA方法进行提取特征波长，CARS共优选出406，415，487，631，636，655，660，665，670，684，689，694，723，732，747和881 nm下的光谱变量16个，利用CARS提取出的特征波长占总波长的12.8%；UVE共优选出406，415，627，631，636，651，655，660，665，670，675，679，684，689，694，699，703，708，742，747，751，756，761，766，771，775，780，785，790，795，919和924 nm下的32个特征波长，利用UVE提取出的特征波长占总波长的25.6%；SPA共优选出401，665，684 nm三个特征波长，利用SPA提取出的特征波长占总波长的2.4%。将全波段光谱与提取出的特征波长建立PLSR模型和SVM模型，对比模型结果显示UVE-SVM模型最优，其R2_c为0.847 1，R2_p为0.714 9，说明UVE有效地对光谱进行降维，简化了数据处理过程。本研究对高光谱成像技术在水果领域的应用进行了有益探索，探究了一种全新的灵武长枣VC含量的无损检测方法，相应建立的可见-近红外高光谱模型为其他水果成分的快速检测提供了理论基础。     

油页岩含油率近红外光谱原位分析方法研究

为实现油页岩含油率的原位检测,采用便携式近红外光谱分析技术,针对吉林扶余油页岩基地2号钻井的66个岩芯样品开展了原位检测的分析建模方法研究。采用自制便携式近红外光谱仪器获得反射率、吸光度、K-M函数三种数据形式光谱数据,结合主成分-马氏距离(PCA-MD)剔除异常样品、无信息变量消除法(UVE)波长筛选及二者组合的四种建模数据优化方法,采用相同的数据预处理方法进行偏最小二乘(PLS)和反向传播神经网络(BPANN)两种方法的建模分析研究,确定最佳分析模型及方法。结果表明(1)不论是否采用四种不同的数据优化方法,两种建模方法所用建模数据库适合采用反射率或K-M函数的光谱数据形式;(2)两种建模方法,采用四种不同的数据优化方法,对相同数据库建模精度的影响不同：采用PLS建模方法、以PCA-MD和UVE+ PCA-MD两种方法进行数据优化、可以提高K-M函数光谱数据形式数据库的建模分析精度,采用BPANN建模方法、以UVE、PCA-MD 与UVE组合的 三种方法进行数据优化、对三种数据形式数据库的建模精度均有所提高;(3)除以反射率光谱数据并进行PCA-MD数据优化外,采用BPANN方法的建模精度好于PLS法。其中采用反射率光谱数据形式、只进行UVE数据优化外的BPANN建模精度最高,预测相关系数为0.92、标准偏差为0.69%。     

可见/近红外漫透射光谱结合CARS变量优选预测脐橙可溶性固形物

可溶性固形物(SSC)是脐橙重要内部品质之一。采用QualitySpec型光谱仪在350～1000 nm波段范围采集脐橙的可见/近红外漫透射光谱,采用CARS(competitive adaptive reweighted sampling)变量选择方法筛选出与脐橙SSC相关的重要变量,并与无信息变量消除(UVE)及连续投影算法(SPA)比较。最后,对选择的38个重要波长变量应用偏最小二乘(PLS)回归建立脐橙SSC预测模型,并对未参与建模的75个样品进行预测。研究结果表明,CARS方法优于UVE及SPA变量选择方法,能有效地筛选出重要波长变量。CARS-PLS建立的SSC预测模型优于全光谱的PLS模型,其校正集及预测集的相关系数分别为0.948和0.917,均方根误差分别为0.347%和0.394%。因此,可见/近红外漫透射光谱结合CARS方法可以预测脐橙可溶性固形物,CARS变量选择方法能有效简化预测模型和提高模型的预测精度。     

支持向量机复合核函数的高光谱显微成像木材树种分类

采用体视显微高光谱成像方法,构建木材树种分类识别模型。利用SOC710VP体视显微高光谱图像采集系统获取可见光/近红外（372.53～1 038.57 nm）波段内的木材高光谱图像。首先,采用ENVI软件提取木材样本感兴趣区域（ROI）的平均光谱,分别采用连续投影算法（SPA）和竞争性自适应重加权算法(CARS)对光谱数据进行降维。再利用支持向量机（SVM）分别建立木材样本采集波段和特征波长下的分类模型。然后,在空间维采用第一主成分图像,计算基于灰度共生矩阵（GLCM）的木材纹理特征。在0°,45°,90°和135°四个方向计算能量、熵、惯性矩、相关性等16个特征参数后输入SVM进行木材树种分类处理。最后,采用四个复合核函数SVM进行光谱维和空间维的特征融合及分类识别。20个树种的分类实验结果表明,CARS的特征波长选择效果和运行速度较好一些,采用普通SVM进行木材光谱维特征分类处理时,测试集分类准确率达到了92.166 7%。采用基于GLCM的木材空间维纹理特征时,采用普通SVM的测试集分类准确率是60.333 0%,具有较低的分类精度。在将光谱维和空间维纹理特征进行数据融合及分类处理时,采用复合核函数SVM分类具有更好的效果。采用第二个复合核函数的SVM分类精度最高,测试集分类正确率是94.166 7%,运行时间为0.254 7 s。另外,采用第一个和第三个复合核函数的SVM的测试集分类准确率分别是93.333 3%和92.610 0%,运行时间分别为0.180 0和0.260 2 s。可以看出,采用这3种复合核函数的SVM进行木材树种分类,分类精度都高于采用普通SVM的光谱维或者空间维的分类识别精度。因此,利用体视显微高光谱成像和复合核函数SVM可以提高木材树种分类精度,为木材树种快速分类提供了参考。     

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。