TLBO-ELM模型的番茄灰霉病高光谱潜育期诊断

番茄叶片在感染病害后首先发生的是内在生理反应,肉眼无法观察到。叶片从被感染到出现肉眼可见病斑期间,称为叶片病害潜育期。为了实现番茄叶片表面未见明显病斑的灰霉病潜育期诊断,对接种样本进行叶片编码、跟踪、采集所有编码叶片样本1～8 d连续高光谱图像数据,建立番茄叶片样本时序高光谱数据集。采用跟踪的叶片样本出现肉眼可见病斑前几天同一位置区域的高光谱数据作为潜育期感兴趣区域进行检测分析。为了建立番茄叶片灰霉病潜育期诊断和不同病斑等级分类模型,采用基于教学优化算法(TLBO)优化极限学习机(ELM)的分类模型进行建模。通过TLBO算法优化ELM的输入权值和隐藏层的偏差,提高模型分类性能。利用高光谱成像系统在近红外高光谱波段388～1 006 nm波段获取五个等级的感兴趣区域进行数据建模,共采样213个高光谱数据,其中,健康类(56个)、潜育期类(42个)、小病斑类(43个)、大病斑类(39个)和严重类(33个)。通过对比不同的光谱预处理方法,采用效果最好的小波滤波变换(DWT)对样本数据中每类数据分别滤波。DWT滤波后,在610～840 nm波段间五个等级光谱曲线能区分明显,共包含91个波长,波...     

基于近红外光谱技术的小麦条锈病菌潜伏侵染的检测

为实现对受到小麦条锈病菌侵染而尚未表现明显症状的小麦叶片进行早期检测,利用近红外光谱技术结合定性偏最小二乘法建立了小麦条锈病潜育期叶片定性识别模型。获取健康叶片30片、条锈病潜育期叶片330片(每天取30片,共11天)和发病叶片30片,扫描获得其近红外光谱曲线。采用内部交叉验证法建模,研究了不同谱区、建模比(建模集∶检验集)、光谱预处理方法和主成分数对建模识别效果的影响。在5 400~6 600和7 600~8 900cm-1组合谱区内,建模比为4∶1、预处理方法为"散射校正"和主成分数为14时,所建模型识别效果较理想,建模集的识别准确率、错误率和混淆率分别为95.51%,1.28%和3.21%;检验集的识别准确率、错误率和混淆率分别为100.00%,0.00%和0.00%。结果表明,利用近红外光谱技术可在接种1天后(即提前11天)识别出健康小麦叶片和受到条锈病菌侵染的小麦叶片,并且可以识别不同潜育期天数的叶片。因此,利用近红外光谱技术对条锈病菌潜伏侵染检测是可行的,为该病早期诊断提供了一种新途径。     

近红外光谱的马铃薯环腐病SIMCA模式识别

中国是马铃薯生产和消费大国,伴随马铃薯主粮化战略推进,马铃薯对中国农业结构和消费者饮食结构的影响与日俱增。环腐病是制约马铃薯产业发展的常见病害,对种薯会造成死苗死株,对加工原料会降低加工效率和成品质量,严重可达30%~60%。传统检测马铃薯病害的主要方法是目测、机器视觉以及高光谱成像等方法,目测或机器视觉方式鉴别环腐病需要对样品进行破坏;高光谱成像技术成本高昂,存在一定的应用局限性。因环腐病会造成整薯内部品质变化,利用近红外光谱技术探测整薯内部品质变化,从而将环腐病马铃薯从健康薯中区别开来,具有可行性和实用价值。创新地尝试利用近红外光谱结合SIMCA模式方法来区分马铃薯环腐病及健康薯。研究结果表明,基于主成分分析的SIMCA模式识别能有效判别马铃薯环腐病样品,模型校正集中环腐病和健康薯的识别率、拒绝率均为100%;模型验证集中环腐病的识别率、拒绝率分别为99.00%和100%,健康薯的识别率、拒绝率分别为94.12%和100%,所建模型精度较高。利用独立的18个样品进行模型外部验证,环腐病样品识别率为87.50%,健康薯识别率为80.00%,均没有错判。表明所建SIMCA二值识别模型效果良好,可满足实际应用,但模型精度需进一步提高。马铃薯环腐病发病部位接近表皮0.5 cm左右,近红外光谱对马铃薯样品有一定的透射和漫反射。可考虑采集马铃薯接近表皮部分的果肉组织内部光谱信息,结合马铃薯环腐病的发病机理及近红外漫反射光谱的特性,利用近红外识别模型进行环腐病判别,具有一定的创新性和应用性。     

透射和反射高光谱成像的马铃薯损伤检测比较研究

针对马铃薯损伤部位随机放置会影响检测精度的问题,提出从正对相机、背对相机及侧对相机三个方向,应用透射和反射高光谱成像技术采集马铃薯图像,进行透射和反射高光谱成像的马铃薯损伤检测比较研究。对透射和反射高光谱图像进行独立成分(IC)分析和特征提取,利用所得特征对反射图像进行二次IC分析,对透射和反射光谱进行变量选择,最终分别建立基于反射图像、反射光谱、透射光谱的马铃薯损伤定性识别模型;对识别准确率高的模型做进一步优化,采用子窗口排列分析(SPA)算法对透射光谱的特征做二次选择得到3个光谱变量,并建立任意放置的马铃薯损伤识别最优模型。试验结果表明,基于反射图像、反射光谱建立的模型识别准确率较低,其中基于反射图像的马铃薯碰伤,侧对相机识别准确率最低为43.10%;基于透射光谱信息建立的模型识别准确率较高,损伤部位正对、背对相机的识别准确率均为100%,侧对相机为99.53%;马铃薯损伤识别最优模型对任意放置的损伤识别准确率为97.39%。应用透射高光谱成像技术可以检测任意放置方向下的马铃薯损伤,该研究可为马铃薯综合品质的在线检测提供技术支持。     

高光谱和集成学习的鸭梨黑斑病潜育期快速识别方法

鸭梨黑斑病在感染早期阶段引起感染区域外观的变化很微小,肉眼难以观察,因此对其早期识别仍然是困难的。结合高光谱成像技术和Stacking集成学习算法,实现了鸭梨黑斑病的潜育期识别检测。首先,获取健康和不同腐败程度黑斑病鸭梨样品的原始高光谱图像,基于图像选取感兴趣区域(ROI),然后对提取的平均光谱数据进行一阶导数(FD)、二阶导数(SD)、标准正态变量变换(SNVT)及组合SNV-FD和SNV-SD预处理后,采用竞争性自适应权重取样法(CARS)提取特征波长的光谱信息。最后基于筛选出的特征信息分别建立最小二乘支持向量机(LS-SVM)、 K最邻近法(KNN)、随机森林(RF)和线性判别分析(LDA)分类模型。其中,预测效果最好的组合为SNV-FD-LSSVM,SNV-KNN和SNV-FD-RF,准确率分别达到94%, 88%和88%。四种算法建立的模型中,测试集准确率不低于85.00%的个数分别为5、 3、 2和0,因此优选出LS-SVM、 KNN和RF三个分类器用于后续的集成学习。为提高模型准确率,以优选出的LS-SVM、 KNN和RF三种模型作为基分类器构建Stacking学习框架,...     

基于叶绿素荧光光谱技术的茶叶藻斑病模型研究

茶叶是我国重要的经济作物,对茶叶病害的及早发现与诊断,有利于农业生产者及时采取有效的防护措施。为了实现对茶叶病害的准确判别,采用叶绿素荧光光谱对茶叶的光谱特性展开研究。实验采集了健康茶叶样本90片,藻斑病轻度病害叶片90片,藻斑病重度病害叶片90片,并根据Kennard-Stone算法将样本数按3∶1划分训练集和预测集样本数,其中校正集为200个、验证集为70个。采用叶绿素荧光光谱采集系统对茶叶藻斑病、正常叶片进行光谱采集,其中采集参数设置为：积分时间20 ms,激光功率40 mW。分别分析了患病叶片和正常叶片的光谱响应特性,总体上看,三种叶片光谱主要存在吸收强度差异,光谱走势基本一致。在685和740 nm附近存在叶绿素的荧光峰,其差异主要表现在正常叶片光谱较另外两种叶片光谱吸收强度较高,而重度病害强度最低。然后使用多项式平滑（Savitzky-Golay）对原始光谱进行平滑和降噪处理,建立了偏最小二乘判别模型（PLS-DA）,在PLS-DA建模集模型中,误判样品数为3个,误判率为3%;PLS-DA预测集模型中,误判样品个数为5个,误判率为7.1%。然后建立4种不同核函数的支持向量机模型进行比较得到,由RBF作为核函数,经主成分分析法(PCA)降维后的变量建立的SVM模型误判率最低,准确率达到95.72%,最后采用PCA结合线性判别分析方法（LDA）建立的模型效果最好,准确率达到98.9%。其中最优主成分数的选取由留一验证法取得,选用前10个主成分进行建模时,交叉验证准确率最高,达98%。通过模型对比得到PLS-DA建模集和预测集精度都达到90%以上,以四种核函数建立的支持向量机模型中,径向基核函数模型效果较优,达到95.72%。经主成分分析后建立的LDA效果最好,识别率为98.9%。该研究采用叶绿素荧光光谱结合化学计量学对茶叶病害进行识别,为茶叶病害的快速、准确预测提供一种新方法。     

刚竹毒蛾危害下的毛竹叶片光谱特征及虫害等级检测研究

探讨刚竹毒蛾危害下的毛竹叶片光谱特征可为建立竹林生态安全监测体系提供重要的理论指导。相比于传统的多光谱数据,高光谱遥感能够准确探测不同刚竹毒蛾危害等级间寄主光谱的细微变化。然而,当前有关此方面的研究甚少,其寄主的光谱变化机理还有待进一步总结。为此,基于实测的552条竹叶光谱,分析了健康、受刚竹毒蛾危害、小年叶片之间的光谱差异,选择可反映其健康状况的特征变量,并利用XGBoost模型建立了叶片尺度的刚竹毒蛾危害检测模型。研究结果显示：（1）随着虫害等级的上升,受害叶片在可见光范围内的反射率逐渐出现“绿低红高”的特征,其近红外波段的反射率则不断降低,而短波红外的反射率则明显高于健康叶片,尤其在两个水汽吸收波段（1 450和1 940 nm）的差异最为明显;（2）小年叶片于可见光-近红外波段的反射率显著高于健康、受害叶片;（3）根据不同受害类型叶片的光谱特征可知,较之健康叶片,缺刻型叶片的光谱并未出现太大的变化,红褐色病斑型叶片在红光波段的反射率出现了一定程度的上升,灰白色病斑型叶片则已经完全失去了植被的基本光谱特征;（4）根据XGBoost模型给出的变量重要性排序可知,各特征变量的贡献度依次为PRI（光化学反射率指数）＞FDVI_{576, 717}（植被健康程度评估指数）＞NPCI（归一化色素叶绿素指数）＞DSWI（疾病水胁迫指数）＞VOG 1（红边指数1）＞RVSI（红边植被胁迫指数）＞NDWI（归一化差值水分指数）;（5）模型对刚竹毒蛾危害识别的总平均精度为74.39%,其中健康叶片的识别精度达到了94.55%,轻度危害叶片为74.93%,重度危害为84.12%,小年叶片则为71.10%,而中度危害叶片的识别精度较差,仅为33.48%。     

基于红外与近红外光谱的烟叶部位识别

以烟叶样品的红外及近红外光谱为基础,采用基于主成分分析的马氏距离判别模型,研究了不同类型仪器、建模区间、模型参数及光谱预处理方式对烟叶部位识别准确率的影响。结果表明根据红外和近红外光谱均可对烟叶部位进行良好识别,近红外光谱因包含的样品信息更为丰富,可以得到比红外光谱更好的识别效果。其中仪器A的二阶导数光谱给出的烟叶部位识别准确率最高,可达94.11%;仪器B的一阶导数及SNV光谱给出的烟叶部位识别准确率次之,为88.24%;Nicolet公司的Antaris360傅里叶红外仪的一阶导数光谱给出的烟叶部位识别准确率为82.35%。对于同一仪器,最佳建模区间及主成分个数随样本情况及光谱预处理方式而变。     

基于高光谱成像技术应用光谱及纹理特征识别柑橘黄龙病

讨论了基于高光谱成像技术光谱及纹理特征在识别早期柑橘黄龙病中的应用。使用一套近地高光谱成像系统采集了176枚柑橘叶片的高光谱图像作为实验样品,其中健康叶片60枚,黄龙病叶片60枚,缺锌叶片56枚。手工选取每幅叶片高光谱图像的病斑位置作为样品感兴趣区域(regions of interest, ROI),计算其平均光谱反射率,并以此作为样品的反射光谱,光谱范围为396～1 010 nm。样品光谱分别经过主成分分析(PCA)及连续投影算法(SPA)进行数据降维,再结合最小二乘支持向量机(LS-SVM)分类器建立分类模型。相比原始光谱,由PCA选取的前四个主成分及SPA选取的一组最佳波长组合(630.4,679.4,749.4和899.9 nm)建立的模型拥有更好的分类识别能力,其对三类柑橘叶片平均预测准确率分别为89.7%和87.4%。同时,从被选四个波长的每幅灰度图像中提取6个灰度直方图的纹理特征以及9个灰度共生矩阵的纹理特征再次构建分类模型。经SPA优选的10个纹理特征值进一步提高了分类效果,对三类柑橘叶片的识别正确率达到了100%,93.3%和92.9%。实验结果表明,同时包含光谱信息及空间纹理信息的高光谱图像在柑橘黄龙病的识别中显示了很大的潜力。     

基于高光谱成像的小麦白粉病与条锈病识别(英文)

小麦白粉病和条锈病是我国两种最普遍、最具破坏性的小麦病害,且田间常常混合发生。由于病源和发病机理不同,有必要对这两种病害进行准确区分和识别,以采取不同的防治措施。基于ImSpector V10E高光谱成像系统采集的条锈菌侵染叶片、白粉菌侵染叶片和健康叶片(共计320个)在375～1 017nm范围内的高光谱图像,利用高斯平滑等预处理方法得到三种小麦叶片的平均光谱曲线,发现小麦白粉病和条锈病的敏感波段均集中在550～680nm的色素强吸收位置,且趋势基本一致。针对两种病害的响应波段交叉重叠的问题,通过主成分分析-载荷法(PCA)、连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对小麦叶片的光谱信息进行有效降维,分别优选出3、6、30个敏感波段和特征波长;在此基础上,采用最小二乘-支持向量机和极限学习机两种分类算法分别基于全波段、PCA、SPA和CARS的优选波段,建立白粉病、条锈病和健康叶片的判别模型。结果表明,8种模型的准确识别率均在94.58%以上。其中,主成分分析-载荷法结合极限学习机模型最优,训练集与校正集的正确识别率分别为99.18%和100%,且结构简单,仅含有三个变量(占全波段的1.1%)。最后,通过对小麦白粉病、条锈病以及健康叶片的显微结构分析,发现病菌入侵叶片,破环细胞结构,导致叶绿素含量减少,光合作用效能降低,进而使得小麦在可见光波段光吸收程度减弱,反射率增大。可见,利用作物的高光谱图像信息能够准确地识别不同类型的小麦病害,为研发作物病害在线识别的多光谱系统提供重要的理论依据。     

基于高光谱成像的小麦白粉病与条锈病识别

小麦白粉病和条锈病是我国两种最普遍、最具破坏性的小麦病害,且田间常常混合发生。由于病源和发病机理不同,有必要对这两种病害进行准确区分和识别,以采取不同的防治措施。基于ImSpector V10E高光谱成像系统采集的条锈菌侵染叶片、白粉菌侵染叶片和健康叶片(共计320个)在375～1 017 nm范围内的高光谱图像,利用高斯平滑等预处理方法得到三种小麦叶片的平均光谱曲线,发现小麦白粉病和条锈病的敏感波段均集中在550～680 nm的色素强吸收位置,且趋势基本一致。针对两种病害的响应波段交叉重叠的问题,通过主成分分析-载荷法(PCA)、连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对小麦叶片的光谱信息进行有效降维,分别优选出3、6、30个敏感波段和特征波长;在此基础上,采用最小二乘-支持向量机和极限学习机两种分类算法分别基于全波段、PCA、SPA和CARS的优选波段,建立白粉病、条锈病和健康叶片的判别模型。结果表明,8种模型的准确识别率均在94.58%以上。其中,主成分分析-载荷法结合极限学习机模型最优,训练集与校正集的正确识别率分别为99.18%和100%,且结构简单,仅含有三个变量(占全波段的1.1%)。最后,通过对小麦白粉病、条锈病以及健康叶片的显微结构分析,发现病菌入侵叶片,破环细胞结构,导致叶绿素含量减少,光合作用效能降低,进而使得小麦在可见光波段光吸收程度减弱,反射率增大。可见,利用作物的高光谱图像信息能够准确地识别不同类型的小麦病害,为研发作物病害在线识别的多光谱系统提供重要的理论依据。     

半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究

针对马铃薯空心病的难以检测问题,提出了一种基于半透射高光谱成像技术结合支持向量机(support vector machine,SVM)的马铃薯空心病无损检测方法。选取224个马铃薯样本(合格149个,空心75个)作为研究对象,搭建了马铃薯半透射高光谱图像采集系统,采集了马铃薯样本半透射高光谱图像(390~1 040 nm),对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化(normalize)对原始光谱进行光谱预处理,建立了全波段的SVM判别模型,模型对测试集样本的识别准确率仅为87.5%。为了提高模型性能,采用竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS)结合连续投影算法(successive projection algorithm, SPA)对光谱全波段520个变量进行变量选择,最终确定了8个光谱特征变量(454,601,639,664,748,827,874和936 nm),所选8个光谱变量建立的SVM模型对马铃薯测试集的识别率为94.64%。分别采用人工鱼群算法(artificial fish swarm algorithm,AFSA)、遗传算法(genetic algorithm,GA)和网格搜索法(grid search algorithm)对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析,确定AFSA为最优优化算法,最优模型参数为c=10.659 1,g=0.349 7,确定AFSA-SVM模型为马铃薯空心病的最优识别模型,该模型总体识别率达到100%。试验结果表明：基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测,也为马铃薯空心病的快速无损检测提供技术支持。     

基于高光谱成像技术应用光谱及纹理特征识别柑橘黄龙病（英文）

讨论了基于高光谱成像技术光谱及纹理特征在识别早期柑橘黄龙病中的应用。使用一套近地高光谱成像系统采集了176枚柑橘叶片的高光谱图像作为实验样品,其中健康叶片60枚,黄龙病叶片60枚,缺锌叶片56枚。手工选取每幅叶片高光谱图像的病斑位置作为样品感兴趣区域(regions of interest,ROI),计算其平均光谱反射率,并以此作为样品的反射光谱,光谱范围为396~1 010nm。样品光谱分别经过主成分分析(PXA)及连续投影算法(SPA)进行数据降维,再结合最小二乘支持向量机(LS-SVM)分类器建立分类模型。相比原始光谱,由PCA选取的前四个主成分及SPA选取的一组最佳波长组合(630.4,679.4,749.4和899.9 nm)建立的模型拥有更好的分类识别能力,其对三类柑橘叶片平均预测准确率分别为89.7%和87.4%。同时,从被选四个波长的每幅灰度图像中提取6个灰度直方图的纹理特征以及9个灰度共生矩阵的纹理特征再次构建分类模型。经SPA优选的10个纹理特征值进一步提高了分类效果,对三类柑橘叶片的识别正确率达到了100%,93.3%和92.9%。实验结果表明,同时包含光谱信息及空间纹理信息的高光谱图像在柑橘黄龙病的识别中显示了很大的潜力。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法,实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象,对其进行纹枯病病菌侵染,获得染病植株,采集358～1 021 nm波段范围的高光谱图像,三次实验共240个样本,包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维,对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI）,利用感兴趣区域的光谱数据,对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理,建立线性判别分析（LDA）和支持向量机（SVM）分类模型,结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能,正确识别率在建模集达98.3%,在预测集达95%;利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取,然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型,其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能,其正确识别率在建模集达97.8%,在预测集达95%,而且基于载荷系数法建立的模型性能与全波段相当,可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别;根据高光谱图像的图像维,研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法,利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型,其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能,建模集准确识别率达90.6%,预测集的准确识别率达83.3%;根据高光谱图像光谱维和图像维的最优模型,特将叶绿素含量作为建模的另一个特征,分别与光谱特征、图像特征组合,建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型,提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式,其中,光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升,而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能,其准确识别率在建模集达100%,在预测集达96.7%。以上研究表明,基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的,为水稻病害的早期识别提供了一种新方法。     

病斑、病斑附近烟叶和正常烟叶的FTIR研究

用傅里叶变换红外光谱法研究了赤星病、角斑病和气候型斑点病3组病斑、病斑附近烟叶和正常烟叶,发现3组烟叶样品红外光谱的吸光度比A1631/A1025呈现相同的变化趋势,有正常烟叶病斑附近烟叶病斑的规律。对3组烟叶样品整个光谱区的原始光谱和二阶导数光谱进行距离分析,结果显示,病斑附近烟叶与正常烟叶的Pearson相关系数大于病斑与正常烟叶的Pearson相关系数,即与病斑相比,病斑附近烟叶与正常烟叶具有更紧密的关系。吸光度比A1631/A1025和Pearson相关系数的这种变化趋势表明病斑附近烟叶的化学成分在逐渐改变,即病斑附近烟叶处于正常和病变的过渡状态。研究结果表明,傅里叶变换红外光谱有望成为诊断烟草潜育期病害的方法。     

基于小波压缩的马铃薯全粉还原糖近红外光谱检测研究

为探讨小波压缩算法结合近红外光谱技术在马铃薯全粉还原糖含量检测中的可行性,采用傅里叶变换近红外光谱仪采集了250份马铃薯全粉样品的近红外光谱。分别优化了消失矩、小波系数和主成分因子数,优化结果为10,100和20。基于db小波函数将1 501个马铃薯全粉的近红外光谱变量压缩成100个小波系数。分别以1 501个光谱变量和100个小波系数为变量分别建立了偏最小二乘(PLS)校正模型。以62个未参与建模的样品作为预测集,考察模型的预测能力。经比较,小波压缩结合PLS的校正模型预测结果最优,模型预测相关系数为0.98,预测均方根误差为0.181%。实验结果表明小波压缩算法结合近红外光谱技术有效地保留了有效光谱信息,实现了光谱数据降维,简化了马铃薯全粉还原糖PLS校正模型,提高了模型的预测能力。     

半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究

针对马铃薯空心病的难以检测问题, 提出了一种基于半透射高光谱成像技术结合支持向量机(support vector machine, SVM)的马铃薯空心病无损检测方法。选取224个马铃薯样本(合格149个, 空心75个)作为研究对象, 搭建了马铃薯半透射高光谱图像采集系统, 采集了马铃薯样本半透射高光谱图像(390~1 040 nm), 对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化(normalize)对原始光谱进行光谱预处理, 建立了全波段的SVM判别模型, 模型对测试集样本的识别准确率仅为87.5%。为了提高模型性能, 采用竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS)结合连续投影算法(successive projection algorithm, SPA)对光谱全波段520个变量进行变量选择, 最终确定了8个光谱特征变量(454, 601, 639, 664, 748, 827, 874和936 nm), 所选8个光谱变量建立的SVM模型对马铃薯测试集的识别率为94.64%。分别采用人工鱼群算法(artificial fish swarm algorithm, AFSA)、遗传算法(genetic algorithm, GA)和网格搜索法(grid search algorithm)对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析, 确定AFSA为最优优化算法, 最优模型参数为c=10.659 1, g=0.349 7, 确定AFSA-SVM模型为马铃薯空心病的最优识别模型, 该模型总体识别率达到100%。试验结果表明: 基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测, 也为马铃薯空心病的快速无损检测提供技术支持。     

高光谱技术诊断马铃薯叶片晚疫病的研究

鉴于晚疫病可对马铃薯造成毁灭性灾害,对受晚疫病胁迫的马铃薯叶片进行了高光谱图像特征研究。旨在探索马铃薯叶片的高光谱图象特征与晚疫病害程度的关联,以实现准确、快速、无损的晚疫病诊断。采用60片马铃薯叶片,对其中48片采用离体方式接种晚疫病菌,所剩12片作为对照,染病前后连续观测7天,得到染病和健康样本。健康和染病样本按照染病时间和染病程度不同采用374～1 018 nm波段范围的可成像高光谱仪分别采样,基于ENVI软件处理平台提取图像中感兴趣区的光谱信息,并采用移动平均平滑、导数处理、光谱变换、基线变换等预处理方法提高信噪比,建立了最小二乘支持向量机（LS-SVM）的识别模型。9个模型中,基于原始光谱(不预处理)和光谱变换预处理后的数据所建立的模型预测效果最好,识别率均达到了94.87%。表明基于高光谱成像技术可以实现晚疫病胁迫下马铃薯病害程度的有效区分。     

基于高光谱成像的纸质文物“狐斑”检测方法研究

受保存条件影响,很多纸质文物表面会形成狐斑（foxing）,如果不能进行有效监测和科学判断,会进而影响纸质文物安全。纸质文物狐斑病害检测存在滞后性、主观性等问题,对于书画藏品被墨色、颜料及印章等覆盖的区域更是难以通过肉眼进行识别,因此,基于文物的预防性保护理念,亟待开发对于狐斑高效、精确识别的无损检测技术。可见光-近红外高光谱图像结合了光谱和图像,包含丰富的空间信息与光谱信息,可以实现无损批量地平面采集样本光谱信息。该研究提出一种基于高光谱成像技术检测纸质文物狐斑的快速识别方法,获取模拟纸质文物在360～970 nm的高光谱图像,因360～450 nm受噪声影响过大,所以选择剔除这部分光谱数据;选取感兴趣区域并获取相应的平均光谱反射率,比较健康区域与被狐斑感染区域,发现两者的光谱曲线存在差异;在450～600 nm附近,受狐斑影响区域比健康区域的光谱反射率偏高,并在600 nm附近出现波峰形态;而在600～900 nm范围内,被感染区域与健康区域的光谱都趋于平稳,两者之间差异逐渐减小。选取从特征波长对应的图像中提取的特征信息建立图像识别模型,运用波段运算观察狐斑图像特征,狐斑的大小和分布情况都能清晰地显示,但与印章和墨迹重叠部分,狐斑被印章和墨迹遮盖,难以识别;利用最小噪声分离,虽然不同部分有重叠,但能发现仅凭肉眼难以识别的隐藏的狐斑;180条高光谱数据（450～970 nm）建立狐斑判别模型,随机地分为120条数据为训练集,60条数据为测试集,应用K-近邻法与BP神经网络建立纸质文物狐斑光谱判别模型,总体上两种方法对狐斑判别率分别达到73.3%和85%;BP神经网络相较于K-近邻模型,总体判别率更高,识别效果也更好。结果表明,利用高光谱成像可高效准确识别纸质文物狐斑,为后续研究狐斑分布发展提供可靠的技术手段,也为博物馆馆藏文物的保存提供指导意见。     

手持式LIBS结合随机森林用于鱼产品的快速鉴别分析

中国是水产品生产和消费大国。由于不同鱼产品的品质和价格差距悬殊,近缘鱼类外观质地相似等特点,鱼产品掺假和错贴标签的现象频发,直接损害了消费者的消费和健康权益,因此实现鱼产品品种品质的快速检测具有重要的现实意义。激光诱导击穿光谱（LIBS）技术采用脉冲激光烧蚀样品表面产生激光诱导等离子体,通过探测等离子体的发射光谱实现待测样品元素组分的定性和定量分析,具有无需（或少量）样品预处理、多元素同时检测,分析速度快的优势,在食品快速检测分析方面具有很大的应用潜力。将LIBS技术结合随机森林（RF）算法用于不同种类鱼产品快速鉴别分析。首先对6种鱼肉样品进行压片处理,采用手持式LIBS分析仪采集其光谱数据,可探测到清晰的C、Mg、CN、Ca、Na、H、K、O等元素组分的特征谱线。将原始光谱数据进行归一化预处理,采用主成分分析方法（PCA）进行聚类,发现海水鱼和淡水鱼样品可以区分,而不同海水鱼之间和不同淡水鱼之间的样品则难以有效区分,说明PCA方法对鱼肉LIBS光谱分类能力有限。之后采用非线性的随机森林算法建立分类模型,经过优化RF模型的决策树个数与决策深度,得到鱼肉样品的整体识别正确率为90%。为进一步提高模型识别精度和分析效率,通过RF模型输出的变量重要性进行光谱特征提取,识别正确率提高到94.44%,且模型输入变量由23 431个减少到597个,模型运算时间显著降低。表明RF模型结合变量重要性提取可以很好地将LIBS光谱中变量重要性高、对分类贡献大的弱信号提取出来,有效剔除了谱线噪声、背景、以及其他不相关变量的干扰,提高模型的识别精度和分析效率。也验证了手持式LIBS设备结合机器学习方法用于市场鱼产品快速鉴别分析的可行性。