基于最小二乘支持向量机的国公酒中橙皮苷含量测定

应用近红外光谱技术结合最小二乘支持向量机建立了国公酒中橙皮苷含量的模型。利用Kernard-Stone法对训练集样本进行划分,对光谱数据预处理方法进行了选择,比较了平滑、范围标度化、自标度化、一阶微分、二阶微分以及这几种预处理相互结合的六种方法,确定了以平滑、一阶微分,范围标度化作为国公酒近红外光谱的数据预处理方法,采用组合的间隔偏最小二乘法筛选出有效波段8 211～8 312 cm-1及9 712～9 808 cm-1。应用最小二乘支持向量机建立模型,所建模型的交叉验证误差均方根为0.000 1,预测误差均方根为0.004,预测集的相对偏差小于5%。与组合的间隔偏最小二乘法、径向基-人工神经网络和支持向量机进行了比较。该方法快速、无损且可靠,可作为国公酒中橙皮苷含量快速测定的手段。     

应用近红外高光谱成像预测三文鱼肉的水分含量

应用近红外高光谱成像技术实现三文鱼肉水分含量的快速无损检测。采集来自不同部位的三文鱼肉共90个样本的高光谱图像, 提取样本感兴趣区域(ROI)的平均光谱。随机取60个样本作为建模集, 其余30个样本作为预测集。分别采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)对全波段和水分含量建立相关性模型, 并对预测集样本的水分含量进行预测。再用一种新的变量提取方法random frog选择特征波长, 并基于特征波长分别建立水分检测的PLSR和LS-SVM模型。特征波长模型的预测精度虽然稍逊于全波段模型, 但是仅用12个变量代替了全波段的151个变量, 大大简化了模型, 更便于实际应用。PLSR和LS-SVM特征波长模型的预测相关系数(Rp)分别为0.92和0.93, 预测均方根误差(RMSEP)分别为1.31%和1.18%, 取得了满意的结果。研究表明, 近红外高光谱成像与化学计量学方法结合可以准确预测三文鱼肉的水分含量, 为鱼肉品质的快速监测提供重要的参考。     

应用近红外高光谱成像预测三文鱼肉的水分含量

应用近红外高光谱成像技术实现三文鱼肉水分含量的快速无损检测。采集来自不同部位的三文鱼肉共90个样本的高光谱图像,提取样本感兴趣区域(ROI)的平均光谱。随机取60个样本作为建模集,其余30个样本作为预测集。分别采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)对全波段和水分含量建立相关性模型,并对预测集样本的水分含量进行预测。再用一种新的变量提取方法random frog选择特征波长,并基于特征波长分别建立水分检测的PLSR和LS-SVM模型。特征波长模型的预测精度虽然稍逊于全波段模型,但是仅用12个变量代替了全波段的151个变量,大大简化了模型,更便于实际应用。PLSR和LS-SVM特征波长模型的预测相关系数(R_p)分别为0.92和0.93,预测均方根误差(RMSEP)分别为1.31%和1.18%,取得了满意的结果。研究表明,近红外高光谱成像与化学计量学方法结合可以准确预测三文鱼肉的水分含量,为鱼肉品质的快速监测提供重要的参考。     

近红外漫反射光谱检测赣南脐橙可溶性固形物的研究

研究了应用可见-近红外漫反射光谱技术快速检测赣南脐橙可溶性固形物的方法。以40个赣南脐橙为标准样本,利用漫反射光谱测定法获取完整赣南脐橙的可见-近红外光光谱(350～2 500 nm),采用多种光谱校正算法,选取不同的光谱波段范围对水果样本的漫反射二阶光谱进行有效信息的提取和分析,并结合偏最小二乘法和主成分回归等定量校正方法,建立了赣南脐橙可溶性固形物的定量数学模型。实验结果为: 在361～2 488 nm波段范围内,偏最小二乘法校正模型的预测精度最好,校正模型的相关系数为0.929,校正标准偏差和预测标准偏差分别为0.517,0.592,其预测集样本的预测值与真实值的相关系数为0.791。实验结果表明：应用近红外漫反射技术对赣南脐橙可溶性固形物的快速无损检测具有可行性。     

铁皮石斛多糖含量的高光谱反演研究

铁皮石斛是我国传统的中草药,多糖含量是衡量其品质优劣的一个重要指标。主要研究铁皮石斛多糖含量与光谱间的关系,旨在寻找铁皮石斛多糖含量的无损检测方法。研究方法:实验材料选自不同处理铁皮石斛组培苗和不同生长阶段的驯化苗。其中36个样本作为建模样本建立模型,11个样本作为检验样本对模型进行检验。分别采用偏最小二乘回归法和因子分析法建立样本光谱与多糖含量间的关系。结果表明:(1)光谱一阶微分与多糖含量的相关性优于光谱反射率,其中对多糖含量较敏感的波段主要集中在可见光区域。(2)偏最小二乘回归法的模型决定系数最高,但其预测能力较差。因子分析法模型具有较好预测能力,基于光谱反射率因子分析模型和基于光谱一阶微分因子分析模型的相对分析误差分别为2.269和2.305。     

农产品品质光谱成像的空间预测规律

由于受到化学检测手段限制,无法获取光谱图像中的农产品品质在各像素位置处的参考值,因此无法直接验证基于光谱图像得到的农产品品质空间预测结果。为探索基于光谱图像的农产品空间品质检测规律,本文采用计算机生成已知空间品质样本,并分别以固定曝光和变曝光方式采集不同灰度等级标准板的光谱图像。定量分析采集系统误差,借助样本区域光谱与区域指标之间的全波段偏最小二乘（ALL-PLS）和遗传特征波长偏最小二乘（GA-PLS）预测函数,研究出区域指标预测准确时样本空间品质指标的预测精度规律,建立光谱成像空间预测准确度模型。实验结果表明：变曝光方式下的数据采集可以提高光谱图像信噪比,在波段两侧极限处尤为明显;应用区域品质数据预测空间品质分布,空间预测误差主要受光谱图像采集噪声影响：即使区域预测准确,空间预测可能已完全失真。通过衡量数据采集系统误差,可以间接评价农产品品质空间预测的准确度。只有在数据采集系统误差在允许范围内时,光谱成像技术才可准确预测农产品品质的空间分布。     

水果坚实度的近红外光谱检测分析试验研究

应用傅里叶漫反射近红外光谱技术探讨了水果坚实度无损检测的方法。利用偏最小二乘法建立了坚实度与漫反射光谱的无损检测数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行了对比分析。结果表明：利用傅里叶变换光谱仪采集的原始光谱的平滑预处理对结果并没有太大影响;原始光谱在800～2 500 nm范围的模型得到了最好的预测结果：校正集样本的相关系数r为0.869,校正均方根误差RMSEC为3.88 N;预测集样本的相关系数r为0.840,预测均方根误差RMSEP为4.26 N。 通过本研究得出：应用近红外漫反射光谱检测水果坚实度是可行的,为今后快速无损评价水果成熟度提供了理论依据。     

近地高光谱成像技术对黑豆品种无损鉴别

基于近地高光谱成像技术结合化学计量学方法,实现了黑豆品种的鉴别。实验以三种不同颜色豆芯的黑豆为研究对象,采用高光谱成像系统采集380～1 030 nm波段范围的高光谱图像,提取高光谱图像中的样本感兴趣区域平均光谱信息作为样本的光谱进行分析,建立黑豆品种的判别分析模型。共采集180个黑豆样本的180条平均光谱曲线。剔除明显噪声部分之后以440～943 nm范围光谱为黑豆样本的光谱,采用多元散射校正(multiplicative scatter correction,MSC)对光谱曲线进行预处理。分别以全部光谱数据、主成分分析(principal component analysis,PCA)提取的光谱特征信息、小波分析(wavelet transform,WT)提取的光谱特征信息建立了偏最小二乘判别分析法(partial least squares discriminant analysis,PLS-DA),簇类独立模式识别法(soft independent modeling of class analogy,SIMCA),最邻近节点算法(K-nearest neighbor algorithm,KNN),支持向量机(support vector machine,SVM), 极限学习机(extreme learning machine,ELM)等判别分析模型。以全谱的判别分析模型中,ELM模型效果最优;以PCA提取的光谱特征信息建立的模型中,ELM模型也取得了最优的效果;以WT提取的光谱特征信息建立的模型中,ELM模型结识别效果最好,建模集和预测集识别正确率达到100%。在所有的判别分析模型中,WT-ELM模型取得了最优的识别效果。实验结果表明以高光谱成像技术对黑豆品种进行无损鉴别是可行的,且WT用于提取光谱特征信息以及ELM模型用于判别黑豆品种能取得较好的效果。     

固化条件对太阳电池EVA胶膜交联度的影响

介绍了EVA胶膜对太阳电池组件的影响以及EVA胶膜交联度的测试方法.通过测试交联度来优化设定太阳电池组件层压的层压时间、温度等影响因素,使得太阳电池组件转化效率最大化,并保证可靠的使用寿命.通过对不同位置的EVA胶膜交联度测试,来检测层压机表面各个区域温控的工作情况,以保证太阳电池组件批量生产的合格率.     

利用反射光谱及模拟多光谱数据定量反演北方潮土有机质含量

基于北京市52个潮土样本的高光谱数据和Landsat TM、环境减灾卫星(HJ)影像的波段响应函数,生成宽波段多光谱模拟数据,对比分析了室内实测光谱数据、宽波段模拟数据与土壤有机质含量的相关性,筛选敏感波段,利用偏最小二乘法构建北方潮土有机质含量预测模型。研究表明：在宽波段模拟数据建立的模型中,由Landsat TM模拟数据的差值土壤指数(DSI)、比值土壤指数(RSI)、归一化土壤指数(NDSI)及其第3波段共同构建的模型最优,其决定系数与均方根误差分别为0.586和0.280;与实测光谱数据相比,模拟数据的最佳预测模型,均优于除一阶微分、弓曲差以外的其他10种高光谱模型。因此,利用多光谱数据预测潮土有机质含量是可行的。     

基于高光谱成像技术的多宝鱼肉冷藏时间的可视化研究

提出了一种应用可见-近红外高光谱成像技术快速无损检测多宝鱼肉冷藏时间并实现其可视化的新方法。采集8种不同冷藏时间的共160个鱼肉样本的高光谱图像,并提取样本感兴趣区域(ROI)的平均光谱。取120个建模集样本的光谱数据与其相应的冷藏时间建立偏最小二乘回归(PLSR)模型,对40个预测集样本的冷藏时间进行预测,预测决定系数(R2)为0.966 2,预测均方根误差(RMSEP)为0.679 9 d,获得了满意的预测精度。最后,用所建模型对预测集图像上每个像素点的冷藏时间加以预测,采用IDL图像编程技术将不同的时间用不同的颜色表示,最终以伪彩图的形式实现多宝鱼肉冷藏时间的可视化。结果表明,高光谱成像技术与化学计量学结合可以准确预测鱼肉的冷藏时间,与图像处理方法结合可以实现预测时间的可视化,能形象、直观地展示出鱼肉的新鲜度状态和分布情况,为实现水产品加工的自动化奠定了基础。     

贮藏期内灵武长枣果糖含量的高光谱预测

高光谱成像可将图像和光谱相结合,同时获得目标对象的图像和光谱信息,已在农产品定性和定量分析检测方面得到广泛利用。利用可见-近红外高光谱成像结合化学计量学方法对贮藏期内灵武长枣果糖含量进行无损检测。采用高效液相色谱测量长枣果糖含量的化学值,可见-近红外高光谱系统采集长枣的高光谱图像,提取每个样本感兴趣区域的平均光谱;建立长枣贮藏期的径向基核函数支持向量机（radial basis kernel function support vector machine,RBF-SVM）模型;分别选用正交信号校正法（orthogonal signal correction,OSC）、多元散射校正（multiplicative scatter correction,MSC）、中值滤波（median-filter,MF）、卷积平滑（savitzky-golay,SG）、归一化（normalization,Nor）、高斯滤波（gaussian-filter,GF）和标准正态变换（standard normalized variate,SNV）等方法对原始光谱进行预处理;为减少数据量,降低维度,提高运算速度,采用反向区间偏最小二乘法（backward interval partial least squares,BiPLS）、间隔随机蛙跳算法（interval random frog,IRF）和竞争性自适应加权算法（competitive adaptive reweighted sampling,CARS）对光谱数据提取特征变量;建立全波段和特征波段的偏最小二乘回归（partial least squares regression,PLSR）和主成分回归（principle component regression,PCR）长枣果糖含量预测模型。结果表明：RBF-SVM判别模型校正集准确率为98.04%,预测集准确率为97.14%,能很好地预测长枣的贮藏期;利用BiPLS, IRF及CARS进行降维处理,提取特征波长个数为100, 63和23,占原光谱数据的80%,50.4%和18.4%;为简化模型运算过程并提高模型精度,采用CARS算法对BiPLS及IRF算法所选取的特征波长进行二次筛选,分别优选出18和15个特征波长,占原光谱数据的14.4%和12%,显著减少特征波长数;将全波段光谱与提取出的特征波长分别建立长枣果糖含量的PLSR及PCR预测模型,优选出CARS提取特征波长建立的PLSR模型效果最优,其中校正集的相关系数R_c=0.854 4,均方根误差RMSEC=0.005 3,预测集的相关系数R_p=0.830 3,均方根误差RMSEP=0.005 7,说明CARS有效地对光谱进行降维,简化了数据处理过程。研究表明,利用可见-近红外高光谱成像结合化学计量学方法及计算机编程,可以有效的实现灵武长枣果糖含量的快速无损分析,为灵武长枣内部品质的检测提供理论依据。     

基于高光谱技术的灰霉病胁迫下番茄叶片SPAD值检测方法研究

对灰霉病胁迫下番茄叶片中叶绿素含量(SPAD)的高光谱图像信息进行了研究。首先获取380～1 030 nm波段范围内健康和染病番茄叶片的高光谱图像,然后基于ENVI软件处理平台提取高光谱图像中感兴趣区域的光谱信息,经平滑(Smoothing)、标准化(Normalize)等预处理后,建立了基于Normalize预处理的偏最小二乘回归(PLSR)和主成分回归(PCR)模型。再基于PLSR获得的4个变量建立反向传播神经网络(BPNN)和最小二乘-支持向量机(LS-SVM)模型。4个模型中,LS-SVM的预测效果最好,其决定系数R2为0.901 8,预测集均方根误差RMSEP为2.599 2。结果表明,基于健康和染病番茄叶片的高光谱图像响应特性检测叶绿素含量(SPAD)是可行的。     

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。     

不同贮藏温度下滩羊肉pH值的近红外高光谱动力学模型建立

为了比较4℃、15℃两种贮藏温度下滩羊肉pH值的变化,优选出滩羊肉贮藏期间的最优模型,采用pH酸度计测量样本pH值,建立两种贮藏温度下传统动力学的零级和一级模型;应用近红外(900～1 700 nm)高光谱成像采集两种贮藏温度下滩羊肉的光谱数据,剔除异常值后进行光谱预处理;使用连续投影算法(SPA)提取特征波长,建立全波段和特征波长的偏最小二乘(PLSR)预测模型;对比分析得到的最优光谱模型与动力学模型相结合,确定滩羊肉光谱动力学模型。结果表明,4℃和15℃的传统动力学模型的相关系数分别为0.502和0.912;4℃下原始光谱经PLSR建模后效果最优,相关系数R_c为0.821,R_p为0.863,15℃经SG-S(3,7)+De-trending(4)预处理后经PLSR建模效果最优,相关系数R_c为0.876,R_p为0.819。因此,高光谱结合传统动力学的模型检测羊肉pH值的方法是可行的,该模型可以预测15℃下滩羊肉的贮藏期。     

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。     

小米米粉碱消值的高光谱快速预测

小米米粉的主要成分是淀粉,其食味品质决定小米米粉的市场价值。糊化特性是小米米粉的重要物理特性,而碱消值是能够直接反应其糊化特性的主要特征指标。通过小米米粉碱消值的差异,可以间接反映直链淀粉含量,当碱消值降低时,相反,糊化温度和直链淀粉含量却很高,而小米米粉口感粘糯性越差。采用高光谱技术结合化学计量学方法,建立快速检测小米米粉碱消值预测模型,旨在探索一种快速、无损、低成本预测小米米粉碱消值的方法。实验采集小米米粉高光谱数据,在被测样品感兴趣区域(ROI)按像素点逐一选择,提取高光谱数据矩阵,并进行均值运算,得到每个样品在各个光谱波段的平均光谱值。利用粘度测定仪(RVA)测定小米米粉碱消值指标。光谱数据采用全波段、竞争性自适应重加权采样法(CARS)及随机蛙跳(RF)法选择特征波段处理,建立偏最小二乘回归(PLSR)模型;全波段建立预测模型R_p值最高为0.77,说明能够利用小米米粉高光谱反射率反演小米米粉的碱消值,而采用其他两种计算方法所得R_p值分别为0.72和0.7,与前者较为接近,也反映了采用CARS和RF建立的回归模型具有可行性。为提高预测精度,采用Savitzky-Golay(S-G)法、多元散射校正(MSC)和S-G+MSC对数据预处理。可以看出采用MSC预处理光谱数据建立PLSR模型性能较好(R_p=0.83)。对MSC预处理后的数据再次CARS和RF法选择特征波段,建立PLSR模型,与未进行预处理的回归模型相比,R_p值变化不大,这也说明CARS和RF具有一定的稳定性,可以作为小米米粉高光谱反射率预测碱消值的参考方法。结果表明：为实现对小米米粉碱消值的快速、无损检测,通过运用高光谱技术能够利用小米米粉高光谱反射率预测碱消值,进而为小米米粉品质评级、加工及碱消值传感器的开发提供参考依据和数据支撑。     

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。