干贝水分检测的建模及分级方法

高光谱成像已被应用于建立干贝水分含量预测模型，其模型性能受样本划分方法及建模方法影响。样本划分方法决定着所选样本是否具有代表性，而建模方法决定着如何利用样本建立模型，但样本划分方法与建模方法的内在联系却鲜有研究报道。在方法优选上，将样本划分方法与建模方法进行组合，探究不同方法组合对干贝水分含量预测模型性能的影响，对干贝水分检测建模及分级方法的优选具有重要意义，同时也能为其他样本的光谱建模提供参考。采集380～1 030 nm波段下270个干贝样本的高光谱图像，提取干贝样本的光谱数据，通过RS，KS，SPXY和CG四种常用的方法划分样本，并以PLSR和LS-SVM两种常用的建模方法建立多个干贝水分含量预测模型，计算和比较各模型的性能指标。结果表明: PLSR模型使用RS法划分干贝水分含量样本最为适宜(其RPD为4.079 6)，LS-SVM模型使用SPXY划分法最为适宜(其RPD为4.175 6)，划分样本方法的优劣与建模方法有关，其优选需要结合特定的建模方法进行。在常用的四种样本划分方法和两种建模方法中，采用SPXY法划分干贝水分含量样本并结合LS-SVM法建模的效果和精度最好。     

苹果花期冠层光谱探测的规范化技术方法探讨

2008年和2009年,针对苹果花期冠层光谱进行了不同天气条件、不同探测时间、不同探头高度、不同探测角度条件下的冠层反射光谱探测试验,分析其对苹果花期冠层光谱特性的影响,探索规范化的光谱探测技术方法。结果表明,苹果花期冠层在不同条件下的反射光谱响应呈现出一定的规律性,特别是在760～1 350 nm近红外波段表现尤为明显。研究发现,随着光照强度的减弱,冠层光谱反射率降低,在晴天和少云时探测冠层光谱较理想;风速在2级以下时,冠层光谱较稳定;在10:00～15:00测定冠层光谱差异较小;探测高度以整个苹果树冠层充满光谱仪探头视场时光谱曲线较稳定;探头以垂直或近似垂直观测为最佳。在此基础上,提出了苹果花期冠层光谱探测的规范化技术方法,为苹果冠层光谱探测及信息提取提供了科学依据。     

苹果糖度的光谱图像无损检测技术研究

应用光谱图像技术进行了苹果内部品质无损检测技术的研究。通过采集不同波长(分别为632 nm,650 nm,670 nm,780 nm,850 nm和900 nm)的光谱图像,对所采集的光谱图像灰度分布进行洛伦兹分布(LD)、高斯分布(GD)、指数分布(ED)函数的拟合,通过比较发现洛伦兹分布为最优灰度分布拟合函数。将苹果的糖度与洛伦兹分布函数拟合所得参量分别进行多元线性回归,建立最佳单波长、最佳双波长组合、最佳三波长组合和最佳四波长组合的校正方程,相关系数R分别为0.622、0.776、0.831、0.813。实验表明,利用光谱图像技术无损检测苹果糖度是可行性的,为计算机图像对水果进行内部品质的无损检测提供技术依据。     

脐橙糖度近红外光谱在线检测数学模型优化研究

目的是优化脐橙糖度近红外光谱在线检测数学模型,提高检测精度.在700.28～933.79 nm光谱范围内,根据建模集样品在不同波长处的变异系数,选择基准波长点,计算样品的反射比光谱.吸光度和反射比光谱,经不同光谱预处理后,分别采用偏最小二乘法(PLS)和最小二乘支持向量回归法(LSSVR),建立脐橙糖度近红外光谱在线检...     

苹果花期的冠层高光谱特征研究

系统分析苹果花期冠层高光谱特征,探明其敏感光谱波段,为大面积苹果树信息提取与营养状况的遥感反演等提供理论依据。利用ASD Field Spec 3便携式地物光谱仪实测的120个苹果花期的冠层高光谱数据,在分析了不同累计样本容量对花期冠层高光谱特征影响的基础上,采用方差分析的方法,明确了苹果花期的冠层高光谱特征及反映花期冠层高光谱的敏感波段。结果表明,随着累计样本容量的增加,苹果花期的高光谱曲线趋于稳定、平滑。在550 nm绿峰处和760～1 300 nm的反射高原区,反射率随着花量的增多而减小,在670 nm的红谷处,反射率随着花量的增多而增大;在350～400 nm,400～500 nm,600～680 nm,760～1 300 nm波段的方差分析结果极显著,是反映花期冠层光谱的敏感波段;随着花量的增多,红边位置、红边斜率和红边面积有逐渐减小的趋势。     

可见-近红外光谱的鸭梨黑心缺陷在线检测AdaBoost集成模型研究

黑心病是鸭梨贮藏期间发生的生理病害,其病变初期表现在内部果核处出现褐色斑块,而在果实外观上与正常果几乎没有任何差异,严重影响鸭梨的贮藏时间和品质,亟需一种快速无损的检测方法为鸭梨质量保驾护航。采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别,结合平滑（Smoothing）、标准正态变量变换（SNV）、多元散射校正（MSC）、SG一阶导数（SG 1st-Der）以及小波变换（WT）预处理方法和主成分分析（PCA）、k近邻（kNN）、朴素贝叶斯（NBC）、支持向量机（SVM）以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究。Adaboost集成了kNN、NBC和SVM三个独立学习器。将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价,采用训练集的查准率/查全率的调和平均值（F-measure）和正确识别率（Accuracy）对分类模型进行优化和评价。研究结果表明：不同属性（正常和黑心）鸭梨样品光谱的前三主成分分布图相互交错,很难直观地对黑心鸭梨进行区分。样品光谱经小波变换（小波基为“Haar”）预处理的kNN模型训练集的F-measure和Accuracy分别为78.98%和82.62%;经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90%和82.11%;经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24%和91.58%;经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46%和92.63%。通过测试集对模型进行验证可知：光谱经小波变换预处理后建立的Adaboost分类模型最优,分类的F-measure达到90.91%,较WT-kNN,SG 1st-Der-NBC和WT-SVM模型分别提高了11.39%,15.23%和2.30%;Accuracy达到92.63 ％,分别提高了10.52%,11.58%和2.10%;模型对测试集样品预测时的计算时间约为0.12s,满足在线分选要求。可见-近红外光谱结合AdaBoost分类方法,可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法。     

鸭梨黑心病可见/近红外漫透射光谱在线检测

鸭梨黑心病是鸭梨的主要生理病害,直接影响鸭梨的出口创汇;准确快速鉴别鸭梨黑心病对于梨的出口业具有重要现实意义。探讨可见/近红外漫透射光谱在线检测鸭梨黑心病的可行性,选取80个正常鸭梨和70个黑心鸭梨作为建模集,建模集被分为校正集和预测集以求获得最优模型。未参与建模的30个正常梨和20个黑心梨作为预测集,用于评价模型的预测能力。鸭梨的可见/近红外漫透射光谱,在5个/秒的速度下采集。建模集能量谱经标准正交变换(SNV)和多元散射校正(MSC)处理后,分别建立健康梨和黑心梨的偏最小二乘判别模型(DPLS)、峰面积判别模型(DPA)、主成分判别模型(DPCA)。用建模集模型判别预测集鸭梨,经比较,DPLS模型的判别准确率最高,黑心梨正确识别率达到100%。实验结果表明：可见/近红外漫透射光谱结合DPLS判别方法,可以实现黑心鸭梨的在线检测。相比传统的人工破损方法,在线检测可为梨出口贸易提供技术支撑和科学参考依据。     

全透射近红外光谱的苹果整果糖度在线检测模型优化

光谱质量、样本个体差异、检测系统和建模算法等多种因素共同决定水果糖度检测模型的预测精度和稳定性。采用自主研发的短积分全透射近红外在线检测系统以5 ms积分时间和0.5 m·s-1运行速度在线获取了“富士”苹果全透射光谱信号。不同姿态获取的透射光谱强度差异明显,但曲线走势相近,均在920 nm波段具有最大的光谱强度,在850 nm波段存在波谷。采用移动平均平滑、标准正态变量变换和多元散射校正等预处理方法有效去除原始光谱的随机噪声和基线偏差,减小了样本检测姿态引起的光谱差异。为分析不同检测姿态对苹果整果糖度预测模型的影响,构建了单一姿态局限模型和多姿态通用模型,结果表明基于全位点平均透射光谱构建的单一姿态局限模型对检测姿态具有很大的局限性,而多姿态通用模型预测能力较单一检测姿态相当,但却对不同的检测姿态具有更强的适用能力。为进一步提高光谱信号质量,优化模型预测能力,采用信号强度阈值优选方法实现了苹果整果糖度预测模型优化,发现移除中央位点获取的透射光谱信号,有利于提高苹果整果糖度预测模型精度。多姿态通用信号强度优化模型综合考虑不同姿态获取的光谱信息有效性,有效提升了通用信号强度优化模型的预测能力和稳定性,当多姿态通用模型中信号强度阈值为5 000时,模型预测性能最佳,其预测参数R_p,RMSEP和RPD分别为0.79,0.84%和1.58。表明短积分全透射近红外在线检测系统用于不同姿态苹果糖度预测是可行的,多姿态通用模型的建立,扩大了模型在不同姿态的预测稳健性,短积分光谱采集方式结合信号强度阈值优选方法提升了光谱信号的质量和模型的预测能力。     

苹果表面色泽变化的红外光谱特性研究

应用红外光谱技术分别获取了苹果表皮黄色、红色和褐色损坏部位的红外光谱图,进行了苹果表面色泽变化的光谱特性研究.通过对红外光谱图的分析及研究发现:在855nm和910nm两波长处,黄色部位、红色部位和褐色损坏部位的吸收峰出现了明显的差异,因此可通过研究表面色泽变化的红外光谱特性来判别苹果好坏.     

基于全谱数据挖掘技术的土壤有机质高光谱预测建模研究

可见/近红外高光谱技术与建模方法是当前土壤近地传感器研究领域的重要方向,可应用于土壤养分信息的快速获取和农田作物的精确施肥管理。以浙江省水稻土为研究对象,利用以非线性模型为核心的数据挖掘技术,包括随机森林、支持向量机、人工神经网络等方法分别建立了不同建模集和验证集的原始光谱与有机质含量的估测模型。结果表明：研究比较的1∶1,3∶1和全部样本建模并全部验证的三种样本模式划分对建模的结果有一定的影响。相较于目前常用的偏最小二乘回归(PLSR)建模方法而言,非线性模型RF和SVM也取得了较好的建模精度,三种模式下其RDP值均大于1.4。特别是采用SVM建模方法所得模型具有很好的预测能力,模式二下其RDP值达到2.16。同时引入ANN方法改进建立的PLSR-ANN方法显著提高了PLSR的模型预测能力。     

光在苹果组织中传输的光谱特性

用Monte-Carlo方法模拟研究了激光波长632 nm与750 nm的高斯光束在苹果组织中传输的吸收、散射光谱特性。结果表明：高斯光束特殊的能量分布特性对激光在苹果组织中的传播有重要的影响,苹果组织对750 nm激光的反射、吸收、透射都较低,有更多的光子在组织内部与组织相作用,能够更清楚的反映组织内部信息。因此,在生物组织中近红外光波的传输性比较好,便于应用于研究生物组织。     

一种基于无监督主动学习的苹果品质光谱无损检测模型构建方法

利用光谱技术实现农产品、食品品质无损检测的实质是建立样本光谱信息与样本品质参数之间的机器学习模型。为了获得具有良好泛化性能的机器学习模型,通常需要大量的标记样本,然而,获取样本的光谱信息相对容易,但标注样本品质参数的过程往往涉及到大量的时间和经济成本,并且具有破坏性。主动学习是一种减少训练集有标记样本数量的方法,通过选择最有价值的样本进行标记,而不是随机选择。因此,主动学习能够控制向训练集添加哪些样本,模型不再是被动地接受用于建模的样本。在分类任务中已经提出较多关于主动学习的算法,但回归任务中的研究却相对较少,且现有的用于回归任务的主动学习算法大多是有监督的,即需要少量有标记样本训练初始模型。本文提出了一种基于无监督主动学习方法的训练样本选择策略。该方法首先通过层次凝聚聚类对无标记（标准值）光谱数据集进行多样性划分,获得不同的聚类簇;然后通过局部线性重建算法在每个聚类簇中选择最具代表性的样本构成训练样本集,最后基于训练集构建模型。利用两个年份三个品种苹果的近红外光谱数据,构建了其可溶性固形物含量和硬度的偏最小二乘预测模型,用于验证所提出方法的有效性。实验结果表明：所提出的方法要优于已有的样本选择策略,可以有效地提高模型精度,减少在模型训练中的破坏性理化实验。同时,与随机采样（RS）、Kennard-Stone算法（KS）、光谱-理化值共生距离算法（SPXY）这三种光谱领域常用的样本选择算法相比,该研究所提出的方法表现出了最佳的性能, 基于所提出的无监督主动学习算法选取200个样本作为训练集所建立的可溶性固形物含量预测模型的预测均方根误差相对于其他三种算法降低了2.0%~13.2%,硬度预测模型的预测均方根误差相对降低了1.2%~15.7%。     

毛竹化学成分光谱分析的快速建模方法研究

研究了毛竹综纤维素和木质素含量近红外光谱定量分析方法的建立。选用不同竹龄、纵向和横向部位的54个竹材粉末样品,用湿化学方法测定其综纤维素和木质素含量。在综纤维素和木质素含量的分布范围内,从低值、中间值和高值中挑选11个代表性样品,11个样品按预定比例混合得到21个混合样品,混合样品的综纤维素和木质素含量计算得到,再挑选22个目标成分含量不同的样品组成54个样品的校正集。用偏最小二乘法分别建立样品综纤维素含量、木质素含量和近红外漫发射光谱之间的相关模型。结果表明,综纤维素含量的预测模型的相关系数(R_p)为0.92,标准偏差(SEP)为1.04％;木质素含量的预测模型的R_p为0.93,SEP为0.91％,与常规方法建立的模型预测精度相似。说明利用样品混合的方式可快速增加校正集样品的数量、改善校正集样品的分布状况,继而建立稳定可靠的近红外定量分析模型。     

苹果糖度近红外光谱分析模型的温度补偿

温度变化对水果品质近红外评价有很大影响,需要补偿温度波动对模型的影响。文章研究了温度变化(2～42 ℃)对苹果近红外漫反射光谱的影响,采用剔除温度变量法和内校正法补偿温度对模型的影响,提高预测精度。研究表明,温度与光谱信息存在一定相关性, 其模型R2=0.985,RMSEC=1.88,RMSEP=2.32;未进行温度校正模型的预测标准偏差达到2.55;采用复合预处理方法和改进的遗传算法对光谱数据优化,剔除温度变量法模型的R2=0.954,RMSEC=0.63,RMSEP₁=0.72,RMSEP₂=0.74;内校正法的模型R2=0.952,RMSEC=0.64,RMSEP₁=0.69,RMSEP₂=0.68;相比未进行温度补偿模型均提高了预测精度。结果显示：温度对苹果近红外光谱影响呈非线性变化,剔除温度变量法和内校正法可用于补偿温度对模型的影响,可提高模型预测精度。     

一种新的准确提取离散采样点光谱值的方法

在建立遥感信息反演模型中,是利用离散的采样点实测数据与相应的影像对应像元的光谱值建立关系,从而实现目标信息反演。准确提取光谱值是建立模型的关键,提取光谱值通常采用的方法是把目标点图层转化为感兴趣区ROI,然后保存ROI为ASCII。用ENVI软件依据原始坐标提取采样点光谱值,分析提取的坐标和光谱值发现,提取出的部分采样点的坐标和原始坐标不一致,即光谱值非本像元,以致基于此而建立的反演模型不能真实反映目标属性与光谱值的关系,即模型无意义。我们把像元均分为4个区域,总结规律发现只有采样点落在像元左上角区域时,提取的光谱值为本像元光谱值。在上述方法的基础上,深入研究其提取目标点坐标和光谱值的原理,并总结规律。介绍了实现提取采样点在遥感影像上对应像元光谱值的一种新方法,该方法首先是提取采样点所在像元的4个顶点坐标之一,通过对比原始坐标和提取坐标的经纬度差值判断采样点在像元中分布所属区域,采用对称原则进行调整采样点在像元中分布位置,最终使全部采样点均分布在所属像元的左上角区域,最后再次进行光谱值提取,经验证提取的光谱值准确无误。通过OLI,TM和ETM+影像验证,结果表明该方法能够有效准确提取离散点光谱值,同时原理清晰,操作简单可行,适用性较强,为遥感影像提取离散点光谱值提供了新思路。     

基于可见-近红外光谱技术的苹果糖度光照位置优化研究

在利用可见-近红外漫透射光谱技术对苹果的可溶性固形物（SSC）检测时,由于卤素灯光照射在苹果上的位置不同,采集到的苹果光谱中所包含的可溶性固形物信息不同,导致模型得出的结果不同;找到一个最好的苹果光照位置有利于得到最佳的可溶性固形物评价模型。利用多模式可调节的光学结构在相同的实验环境和实验条件下采集了购买于同一水果批发商的尺寸相近但照射位置不同的两批苹果的近红外漫透射光谱,探索苹果可溶性固形物模型建立过程中最佳的照射位置从而得到最佳位置的可溶性固形物评价模型。通过对样品进行光谱采集、糖度真值采集并结合化学计量学方法得出最佳的建模位置,照射位置为上部且光谱没有预处理时的偏最小二乘回归（PLS）模型性能为RMSEC为0.288 2,RMSEP为0.343 6,R_c为0.960 6,R_p为0.934 9;照射位置为斜上部且光谱没有预处理的PLS模型性能为RMSEC为0.340 7,RMSEP为0.513 3,R_c为0.931 1,R_p为0.863 6;照射位置为上部且光谱没有预处理的主成分分析回归（PCR）模型性能为RMSEC为0.573 6,RMSEP为0.601 4,R_c为0.842 4,R_p为0.800 7;照射位置为斜上部且光谱没有预处理的PCR模型性能为RMSEC为0.709 2,RMSEP为0.797 4,R_c为0.701 4,R_p为0.670 7,最佳照射位置为苹果上部;进一步地采用多种预处理方法对照射位置为上部的PLS模型进行对比,得到最优模型为MSC-PLS模型,其RMSEC为0.2264 4,RMSEP为0.301 5,R_c为0.966 9,R_p为0.949 9。最后再对相同的46个苹果进行相同的实验操作得到光谱、真值后,代入到建立的MSC-PLS模型中进行外部验证,结果显示外部验证的相关系数为0.930 58,验证均方根误差为0.843 59,验证了建立的MSC-PLS模型的稳定性和可靠性,进一步表明光谱采集位置为苹果上部时的近红外漫透射模型有很好的预测能力,该研究为预测苹果可溶性固形物的检测提供了技术支持。     

基于稀疏表示的谱线自动提取方法

谱线提取在光谱分析中起着非常重要的作用,它对后续的光谱分类和参数测量有着直接的影响。文章提出了一种基于稀疏表示的谱线自动提取方法。首先,用基于稀疏表示的小波去噪方法去除噪声,该方法通过对光谱信号对应的小波系数进行稀疏化处理来达到去噪的目的,其优点是在处理小波系数时虽然将其作为整体进行考虑,但依然能保持小波系数的局部特性不变,所以在去噪的同时很好地保持了特征谱线的信息。其次,利用小波变换与样条拟合相结合的方法拟合出较为满意的伪连续谱,该方法在拟合过程中,先将强谱线扣除掉,从而使得拟合结果非常接近真实的连续谱。最后,通过对归一化后的谱线光谱设置自适应局部阈值来提取特征谱线。实验结果表明该方法切实有效。