近红外光谱技术快速鉴别蜂胶品种的可行性研究

不同植物源的蜂胶物质组成不同,其生理和药理活性也存在着一定的差异。目前主要是根据蜂胶中物质组成及其含量的不同来鉴别蜂胶植物源,存在着一些局限性。因此,建立一种快速、准确鉴别蜂胶植物源的方法具有重要的意义。以三种不同植物源的蜂胶(杨树型蜂胶、桦树型蜂胶和橡树型蜂胶)为研究对象,利用傅里叶变换近红外光谱仪对蜂胶的无水乙醇溶液进行光谱扫描,采用主成分分析结合马氏距离判别法和典型判别分析分别建立蜂胶品种的判别模型并对其性能进行检验。结果表明： 在经过光谱预处理和主成分分析后,得到最佳的光谱建模波段为4 500～12 000 cm-1,最佳的光谱预处理方法为一阶导数+Savitzky-Golay(7)平滑;主成分分析结合马氏距离判别法建立的判别模型校正集和检验集的判别准确率分别为93.62%和82.61%;典型判别分析建立的判别模型的判别准确率为91.4%,交叉检验的判别准确率为88.6%。由此可知,主成分分析结合马氏距离判别法与典型判别分析对蜂胶样品的分类效果均较好。近红外光谱技术结合化学计量学方法应用于蜂胶植物源的快速、准确鉴别具有一定的可行性和实用性。     

高光谱结合主成分分析的苎麻品种识别

苎麻（Boehmeiria nivea L）是我国的特产,作为一种传统的纤维作物,一直有着较高的经济地位。开发一种基于高光谱的、新型高效的苎麻品种识别方法,有利于苎麻栽种、种质资源开发利用,为实现苎麻高产优质及麻田精准管理提供关键技术支撑,对提高苎麻产量和品质有重要意义。为了将高光谱技术应用于苎麻品种识别,采集了9个不同基因型苎麻品种,利用地物光谱仪测定苎麻叶片高光谱反射率,共1 458个叶片高光谱数据,利用主成分分析(PCA)对高光谱数据进行降维,探讨PCA最佳主因子个数的确定方法,比较不同主因子个数与不同判别分析(DA)方法--即线性判别分析(LDA)、二次判别分析(QDA)和马氏距离判别分析(MD-DA)组合,在建立基于叶片高光谱的苎麻品种识别模型中效果。对全波段的数据样本进行主成分分析之后,以2～20个主成分作为特征变量,分别建立LDA,QDA和MD-DA三种品种判别模型进行预测,以预测集正确率为评价标准,比较各种组合的效果。结果表明,若以累积贡献率≥85%为标准,选择2个主成分时,LDA,QDA和MD-DA三种判别模型预测集正确率分别为32.92%,38.48%和33.54%;以特征值≥1为标准,选择11个主成分时,三种判别模型预测集正确率分别为68.72%,87.04%和83.54%;若以预测集正确率为优先考虑标准,将主成分个数增加至20个时,三种判别模型正确率有较大提高,分别为84.98%,95.68%和95.27%。由此,得到如下结论：①利用PCA组合DA方法建立基于苎麻叶片高光谱的品种识别模型是可行的,但因子数不同、DA判别标准不同、组合方法不同效果差异非常大;②主因子个数对识别结果的影响较为明显,适当增加主成分个数可以显著提高模型判别正确率,因此不应局限于PCA特征值和方差累积贡献率的选择方法;③主因子个数相同时,三种判别标准中,QDA效果最好,LDA效果最差;④最佳组合是20个主成分+QDA方法,其数据维度大大降低（由全波段的2 031维降低20维）,而预测集正确率为95.68%。     

近红外光谱技术鉴别海面溢油

为快速了解和掌握海面溢油的种类,以便采取应急措施,提出了近红外光谱技术结合模式识别鉴别海面溢油的方法。自行配制了56个汽油、柴油、润滑油的模拟海水样品,用有机溶剂萃取出海水中的溢油后记录其近红外光谱,将原始光谱进行多元散射校正(MSC)和Norris一阶导数平滑预处理后,在主成分分析(PCA)提取不同种类溢油样品特征的基础上引入马氏距离建立溢油样品的识别模型。研究了光谱预处理对溢油鉴别的影响;探讨了马氏距离阈值的确定。结果表明,主成分分析可将原始数据压缩而马氏距离判别可给出离群点的阈值,本文建立的校正模型能正确判别浓度在0.4 μL·mL-1以上的溢油类别,为近红外光谱结合化学计量学方法建立校正模型进行海面实际溢油样品的分类提供了思路。     

基于太赫兹波时域光谱技术的纺织材料鉴别和分类技术研究

提出了一种基于太赫兹时域光谱(THz-TDS)技术和聚类分析方法的纺织材料鉴别和分类方法,并以几种典型的棉材料作为实验介质证明此方法的可行性。利用THz-TDS系统测得了介质在THz波段的时域光谱信号,并从中提取出其吸收光谱。应用主成分分析法提取纺织材料吸收光谱的特征,然后应用马氏距离分类法对这些材料进行分类,实验结果表明这五种材料可以被准确区分。研究结果表明以纺织纤维的THz吸收光谱作为数据特征,采用主成分分析法与马氏距离判别法相结合的方法鉴别成分相似的纺织纤维是可行的,该方法有望为成分相近的纺织材料鉴别提供一种有效的分析方法。     

基于高光谱成像技术的猪肉嫩度检测研究

提出了基于高光谱成像技术的猪肉嫩度检测方法。利用高光谱成像系统获取78个猪肉样本在400～1100nm范围的高光谱图像数据;通过主成分分析高光谱数据进行降维,从中优选出3幅特征图像,并从每幅特征图像中分别提取对比度、相关性、角二阶矩和一致性等4个基于灰度共生矩阵的纹理特征变量,这样每个样本共有12个特征变量,再通过主成分分析提取6个主成分变量,并参照剪切力方法测得的样本嫩度等级结果,利用神经网络方法构建猪肉嫩度等级判别模型。模型对校正集样本的回判率为96.15%,预测集样本的判别率为80.77%。研究表明高光谱图像技术可以用于猪肉嫩度等级水平的检测。     

基于PCA-MLR和PCA-BPN的莱州湾南岸滨海平原土壤有机质高光谱预测研究

土壤有机质(SOM)含量是衡量土壤质量高低的重要指标,可以用高光谱快速测定。在以往研究中,估算模型多以特征波段与线性经验模型为基础进行构建,较少考虑波段间信息冗余和共线性,预测效果不很理想并难以进行推广。为最大化消除波段信息噪声,提高模型预测精度,选取莱州湾南岸滨海平原为研究区,系统采集了111个土壤样本和实测高光谱数据(325～1 075 nm),并测试了土壤样本的有机质含量作为因变量;通过主成分分析(PCA)将实测光谱信息降维为6个主成分,并提取水分、植被光谱特征指数(DI),以此作为自变量;最后建立多元逐步线性回归(MLR)和BP神经网络(BPN)预测模型,分析不同模型对土壤有机质预测的效果。结果表明：①经过主成分的波段信息分析判别提取出6个主成分,可以表征叶绿素残留物、盐分、腐殖酸、物化矿渣和微地貌的光谱特征。②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型,他们的R2分别为0.704和0.643。将水分和植被光谱特征指数作为自变量增加到预测模型后,MLR和BPN的预测精度分别提高了6.1%和5.2%,R2达到0.712和0.764;③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果,在土壤有机质的预测与制图中具有一定的应用潜力。     

荧光光谱成像技术结合主成分分析与Fisher判别快速鉴别肉苁蓉

为探究一种快速、可靠的肉苁蓉属中药材检测方法,实验采用荧光光谱成像技术结合模式识别方法对肉苁蓉属三种中药材：荒漠肉苁蓉、管花肉苁蓉和沙苁蓉进行鉴别研究。实验中发现肉苁蓉样品存在较显著的荧光特性,采集来自不同产地、不同批次以及不同超市购买的三种肉苁蓉属药材的40个样品的荧光光谱图像,对图像进行去噪、二值化处理后,根据光谱立方体绘制每个样本的光谱曲线,将所得450～680 nm波段范围内的光谱数据作为鉴别分析的研究对象,应用主成分分析法(PCA)对三种肉苁蓉的光谱数据进行降维处理,再结合Fisher判别方法对三种肉苁蓉进行鉴别。分别比较多元散射校正(MSC)、标准正态变量校正变换(SNV)以及一阶微分(FD)三种数据预处理方法对鉴别模型的影响,并根据主成分的累积贡献率和主成分因子数对判别模型效果的影响对主成分因子数进行优化。分析结果表明：一阶微分预处理后提取前四个主成分进行Fisher判别的鉴别效果最佳,PCA结合Fisher判别建立肉苁蓉属三种药材的判别模型原始判别的准确率达到100%,交叉验证的准确率达到95%。由此可见,利用荧光光谱成像技术结合主成分分析及Fisher判别对肉苁蓉属三种药材的鉴别分析是可行的,而且具有操作简便、快速、可靠等优点。     

基于二阶多项式回归和权重主成分分析法的多光谱降维算法研究北大核心CSCD

基于主成分或者权重主成分的多光谱降维方法实现高维多光谱数据和低维空间数据之间相互转换,但低维空间数据含有大量负值,不能和色度空间如CIELAB等连接起来,给光谱颜色复制的后续研究带来困扰;建立XYZ三刺激到多光谱数据的转换,在多光谱数据降维到XYZ三刺激值过程中保留更多的颜色信息;通过二阶多项式回归建立XYZ三刺激值与多光谱通过权重主成分降维的得到的三维空间数据对应关系,实现XYZ三刺激值到多光谱数据转换;在不同的训练样本,不同的测试样本时,相对于主成分和权重主成分,推荐的方法在多种照明条件下色度重建精度得到提高,可以较好地应用到多光谱图像的高保真降维和压缩。     

近红外光谱的不同牌号聚乳酸识别方法

塑料牌号是塑料生产公司根据原料性质、用途的差异而内部制定的编号。通过检测材料的物理化学性能能间接识别其牌号，但速度慢且具有破坏性。因此，利用了近红外光谱(near infrared spectroscopy, NIR)技术对不同牌号的聚乳酸(polylactic acid), PLA)进行识别。采用主成分分析法(principle component analysis, PCA)分别与马氏距离(mahalanobis distance, MD)、人工神经网络(artificial neural network, ANN)和支持向量机(support vector machine, SVM)结合的模型进行分析预测。在900～1 700 nm的波长范围，采用三种不同牌号的聚乳酸共90个样本的光谱进行建模，另取这3种牌号共90个样本进行识别，比较三种预测模型对PLA牌号的识别能力。结果表明，在对样品的光谱数据做主成分分析后，以验证集的前两个主成分做散点图，发现明显的聚类现象，以前9个主成分得分作为输入变量所建立的马氏距离判别、人工神经网络判别、支持向量机判别均能够对不同牌号的聚乳酸有效识别。最好的判别方法——马氏距离判别正确率能够达到98.9%。因此，近红外光谱能够对不同牌号的PLA进行无损、快速、准确的识别。     

可见-近红外漫反射光谱技术对羊毛和羊绒的鉴别研究

应用可见-近红外漫反射光谱技术对甘肃不同地区的130个羊毛和羊绒样品进行定性鉴别研究。结果表明：采用主成分-马氏距离聚类判别分析法,羊毛和羊绒样品界线;主成分回归分析技术结合多元离散校正、一阶导数等预处理方法,以及最佳主成分因子为8、不确定因子为1.00等参数,建立的定性鉴别模型预测性能较好,外部验证正确率为100%。说明利用可见-近红外漫反射光谱定性分析技术可以快速鉴别羊毛和羊绒。     

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。     

高光谱成像技术结合特征提取方法的草莓可溶性固形物检测研究

采用高光谱成像技术结合不同的特征提取方法,实现了对草莓可溶性固形物含量的检测。通过提取154颗成熟无损伤草莓的高光谱图像的874～1 734 nm范围光谱信息,对941～1 612 nm光谱采用移动平均法(moving average,MA)进行预处理。基于残差法剔除19个异常样本后将剩余135个样本分为建模集(n=90)和预测集(n=45)。采用连续投影算法(successive projections algorithm, SPA),遗传偏最小二乘算法(genetic algorithm-partial least squares, GAPLS)结合连续投影算法(GAPLS-SPA),加权回归系数(weighted regression coefficient, Bw)以及CARS法(competitive adaptive reweighted sampling)选择特征波长分别提取14,17,24与25个特征波长,并采用主成分分析(principal component analysis, PCA)与小波变换(wavelet transform, WT)分别提取20与58个特征信息。分别基于全波段光谱、特征波长与特征信息建立PLS模型。所有模型都取得了较好的效果,基于全波段光谱的PLS模型与基于WT提取的特征信息的PLS模型的效果最优,建模集相关系数(r_c)与预测集相关系数(r_p)均高于0.9。结果表明高光谱成像技术结合特征提取方法可用于草莓可溶性固形物含量的检测。     

利用高光谱图像技术评判茶叶的质量等级

针对茶叶品质无损检测时内外品质难以同时兼顾的问题,利用高光谱图像技术检测茶叶质量.设计一套基于光谱仪的高光谱图像系统采集数据;通过主成分分析,从海量数据中优选出三个波长段的特征图像;从每个特征图像中分别提取平均灰度级、标准方差、平滑度、三阶矩、一致性和熵等6个基于统计矩的纹理特征参量,每个样本共有18个特征变量;再通过主成分分析对这18个特征变量进行压缩,提取8个主成分因子建立基于反向传播神经网络的茶叶等级判别模型.模型训练时的总体回判识别率为97%;预测时总体识别率为94%.结果表明,高光谱图像技术可以用于茶叶质量等级水平的评判.     

高光谱成像技术的柚类品种鉴别研究

柚类种质和品种资源繁多,现有的柚类品种鉴别方法检测时间长,费用高。旨在利用高光谱成像技术探索主要柚类品种快速识别的可行性。试验选用4个具有代表性的柚类品种,利用高光谱成像技术,采集240个叶片样本(60个/品种)上表面和下表面的高光谱图像。高光谱图像标定后,提取样本感兴趣区域平均光谱信息作为样本的光谱进行分析。利用Kennard-Stone法将样本划分为校正集(192个)和验证集(48个)。采用多元散射校正(MSC)和标准正态变量变换(SNV)对原始光谱曲线进行预处理后,分别采用主成分分析 (PCA)和连续投影算法 (SPA )提取最佳主成分和有效波长,并将其作为最小二乘支持向量机(LS-SVM)的输入变量,建立基于叶片上表面和下表面光谱信息的PCA-LS-SVM和SPA-LS-SVM 模型。结果显示,基于叶片上表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM 模型对建模集样本的识别正确率分别为99.46%和98.44%,对预测集样本的识别正确率均为95.83%。基于叶片下表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM模型对建模集样本和预测集样本的识别正确率皆为100%。表明,利用高光谱成像技术结合PCA-LS-SVM和SPA-LS-SVM可实现柚类品种的快速鉴别,叶片下表面光谱信息鉴别效果优于叶片上表面。该研究为柚类的品种快速鉴别提供了一种新方法。     

感兴趣区域对羊肉pH高光谱检测模型的影响研究

感兴趣区域(regions of interest, ROIs)的选择及其光谱提取是高光谱图像无损检测分析的关键一步。为快速准确检测羊肉pH,在473～1 000 nm波段,开展了两种不同提取ROIs方法对羊肉pH高光谱检测模型的影响研究。采用“矩形区域法”和“图像分割法”两种ROIs方法分别获得相应的122条羊肉光谱,对比了不同预处理方法对建模效果的影响,并比较了两种ROIs方法下逐步多元线性回归(SMLR)、主成分回归(PCR)和偏最小二乘回归(PLSR)的模型精度。结果表明,提取光谱数据建模中SMLR和PLSR模型效果分别最优。“矩形区域法”提取ROIs对应的SMLR模型校正集的相关系数(R_cal)和均方根误差(RMSEC)分别为0.85和0.085,预测集的相关系数(R_p)和均方根误差(RMSEP)分别为0.82和0.097。“图像分割法”提取ROIs对应的PLSR模型校正集的R_cal和RMSEC分别为0.95和0.050,预测集的R_p和RMSEP分别为0.91和0.071。其次通过比较“矩形区域法”和PCR, SMLR和PLSR三个模型中,“图像分割法”提取的ROIs光谱数据建模效果较优。表明,应用高光谱图像技术结合“图像分割法”提取ROIs快速无损准确检测羊肉pH具有可行性。     

基于主成分分析和径向基网络的水稻胡麻斑病严重度估测

对植被病害严重度的精确预测是采取植保措施的关键,同时对减少农药使用量也具有积极意义。该研究首先对叶片光谱反射数据进行重采样和求一阶、二阶微分,再用主成分分析PCA技术对上述变换光谱进行分析,最后结合径向基函数神经网络RBFN对水稻胡麻叶斑病严重度进行预测。将全部的光谱数据和病害严重度分为两组,75％用于网络训练,25％用作网络性能测试。文中对预测结果准确性有重要影响的径向基函数扩展速率和不同的数据处理方法进行了讨论,研究发现,一阶微分光谱经PCA压缩后,获得主分量光谱,输入RBN,病害严重度的预测均方根误差仅有7.73％。表明：主成分分析和径向基函数神经网络（PCA-RBFN）相结合,可以对水稻胡麻斑病严重度进行快速、精确的估算。     

Hyperspectral feature recognition based on kernel PCA and relational perspective map

A novel joint kernel principal component analysis （PCA） and relational perspective map （RPM） method called KPmapper is proposed for hyperspectral dimensionality reduction and spectral feature recognition. Kernel PCA is used to analyze hyperspectral data so that the major information corresponding to features can be better extracted. RPM is used to visualize hyperspectral data through two-dimensional （2D） maps, and it is an efficient approach to discover regularities and extract information by partitioning the data into pieces and mapping them onto a 2D space. The experimental results prove that the KPmapper algorithm can effectively obtain the intrinsic features in nonlinear high dimensional data. It is useful and impressing for dimensionality reduction and spectral feature recognition.     

Spectral features and separability of alpine wetland grass species

This study aimed to analyze the spectral features of alpine wetland grasses and evaluate three types of spectral feature computational methods. In situ spectra of alpine wetland grasses were collected in the northeastern Qinghai–Tibetan Plateau (Niaodao Wetland of International Importance and Ruoergai Wetland of International Importance), and spectral features were extracted using the revised vegetation spectral feature extraction (VSFE) model, wavelet transform, and the characteristic band selection method based on trivariate mutual information. These methods were then compared for their ability to amplify spectral separability and reflect grass properties, using the Jeffries–Matusita distance and relative vegetation parameters, respectively. The results show distinct spectral features of alpine wetland grasses within the band from 717.80 nm to 1050 nm. These differences are chiefly caused by leaf area index and chlorophyll content, but not plant taxonomy. Among the three spectral feature analysis methods, the revised VSFE model provides the most information for separating different alpine wetland grasses, as well as indices reflecting chlorophyll, leaf area index, and nitrogen. However, only 70 alpine wetland grass species pairs among 138 can be clearly classified within the band from 350 nm to 1050 nm. Further study on wetland grass species classification over wider band ranges should be implemented. This study also provides suggestions for selecting a spectral feature computational method in hyperspectral data processing.     

基于比值导数法的棉花蚜害无人机成像光谱监测模型研究

蚜虫是棉花的主要害虫之一,我国棉花产量每年因蚜虫危害造成的损失高达5%～10%。田块尺度的棉花蚜害空间分布监测可以辅助精准定量施药,减少环境污染。利用无人机搭载成像光谱仪获取的“图谱合一”的遥感数据因其具有分辨率高、时效性高、成本低等优势,可为作物病虫害监测提供了重要数据源。比值导数法模型简洁,运行效率高,结果精确,可以有效的应用于遥感反射率光谱解混处理,提取对目标信息较为敏感的波段,为构建虫害监测模型提供了有效的手段。因此本研究选择棉花典型生产区新疆库尔勒地区为实验区,开展以下工作: （1）以低空无人机搭载成像光谱仪获取棉花蕾期冠层成像光谱影像,结合地面调查数据,获取76个样点光谱数据及蚜害严重度(包含健康植株16个,蚜害严重度1～4级每级选取15个);(2)分析不同蚜害严重度棉花冠层光谱的特征,并利用比值导数法筛选出对蚜害胁迫敏感的光谱波段,分别为514,566和698 nm波段; (3)构建基于三个敏感波段的光谱反射率、比值导数光谱值的一元线性回归和偏最小二乘法的蚜害严重度估测模型。结果表明：(1)蚜害对棉花冠层的光谱反射率有显著影响。棉株受蚜害胁迫越严重,其在可见光区域的反射率越高,近红外波段反射率越低,发生红边区域“蓝移”;（2）比值导数法可有效提取蚜害棉花冠层光谱敏感波段,所筛选的514,566和698 nm三个波段与相关系数法所筛选的敏感波段一致;(3)利用敏感波段比值导数光谱值所构建的蚜害严重度估测模型精度优于敏感波段光谱反射率所构建的模型, 其中698 nm波段构建的模型精度最佳（R2=0.597, RMSE=0.91）; (4)三个敏感波段的比值导数光谱值所构建的偏最小二乘多元回归模型精度优于单个波段比值导数光谱值所构建的模型（R2=0.612, RMSE=0.89）;(5)基于比值导数法的棉花蚜害无人机成像光谱监测模型可以获取田块尺度的不同严重度蚜害空间分布图,对于精准定量施药有重要的指示意义。     

基于高光谱的番茄叶片过氧化物酶活力测定

用高光谱图像技术结合化学计量学方法,实现了番茄叶片中过氧化物酶(POD)活性的快速检测。利用高光谱图像的光谱特征建立预测模型步骤为：采集高光谱图像数据、获取光谱曲线、光谱数据预处理、提取特征波段、建立POD酶活性预测模型。与预处理方法(SG,SNV,MSC,1-Der和2-Der)相比,DOSC预处理对POD酶活性预测效果最好。研究表明：以443,464,413,410,401,402,426和926 nm这八个特征波段的光谱数据建立的DOSC-SPA-PLS模型对POD酶活性预测结果为R_p=0.935 3,RMSEP=37.80 U·g-1。这说明高光谱图像技术测定番茄叶片POD活性具有可行性,且预测结果令人满意,这为抗氧化酶活性和番茄植株生长状况的动态检测提供了新的方法。