改进特征波段选取和混合集成建模的东北粳稻叶绿素含量估算

利用光谱信息快速、无损和准确的检测水稻冠层叶片叶绿素含量,对水稻的长势评估、精准施肥、科学管理都具有非常重要的现实意义。以东北粳稻为研究对象,以小区试验为基础,获取关键生长期的水稻冠层高光谱数据。首先采用标准正态变量校正法（SNV）对光谱数据进行预处理,针对处理后光谱数据,以随机蛙跳（RF）算法为基础,结合相关系数分析法（CC）和续投影算法（SPA）,提出一种融合两种初选波段的改进型随机蛙跳算法（fpb-RF）筛选叶绿素含量的特征波段,并分别与标准RF,CC 和SPA方法进行对比。以提取的特征波段作为输入,结合线性模型和非线性模型各自优势,提出一种高斯过程回归（GPR）补偿偏最小二乘（PLSR）的叶绿素含量混合预测模型（GPR-P）：利用PLSR法对水稻叶绿素含量初步预测,得到叶绿素含量的线性趋势,然后利用具有较好非线性逼近能力的GPR对PLSR模型偏差进行预测,两者叠加得到最终预测值。为了验证所提方法优越性,以不同方法提取的特征波段作为输入,分别建立PLSR、最小二乘支持向量机（LSSVM）、BP神经网络预测模型。结果表明：相同预测模型条件下,改进fpb-RF算法提取特征波段作为输入可较好的降低模型复杂性、提高模型预测性能,各模型测试集的决定系数（R2_P）和训练集的决定系数（R2_C）均高于0.704 7。另外,在各算法提取特征波段进行建模时,GPR-P模型的R2_C和R2_P均高于0.755 3,其中,采用fpb-RF方法提取的特征波段作为输入建立的GPR-P模型预测精度最高,R2_C和R2_P分别为 0.781 5和0.779 6,RMSEC和RMSEP分别为0.904 1和0.928 3 mg·L-1,可为东北粳稻叶绿素含量的检测与评估提供有价值的参考和借鉴作用。     

基于特征波段的高光谱技术检测水体中毒死蜱浓度的实验研究

为了探究反射光谱检测水体中毒死蜱农药的可行性,使用由ASD公司的FieldSpecPro地物波谱仪构成的高光谱采集系统在室内、室外环境获取两种不同浓度区间的毒死蜱样品的光谱数据。基于偏最小二乘(PLS)和主成分分析(PCA)算法分别对毒死蜱样品光谱数据建立全波段定量模型,结果两种模型的预测能力均较高。通过相关性分析(CA)计算相关系数来选择毒死蜱样品光谱的特征波长,其中浓度区间为5~75 mg·L-1的室内、室外实验光谱的特征波长为388,1 080,1 276 nm和356,1 322,1 693 nm,浓度区间为0.1~100 mg·L-1的室内外实验样品光谱的特征波长为367,1 070,1 276,1 708 nm和383,1 081,1 250,1 663 nm。结合PLS算法建立样品特征波长光谱数据的定量模型,结果与全波段模型相比,浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波长模型的校正集决定系数R2_C分别提高至0.987 5和0.999 2,预测集决定系数R2_P分别提高至0.989 4和0.994 4,校正集均方根误差RMSEC分别降低为2.841和0.714,预测集均方根误差RMSEP分别降低为1.715和1.244;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波长PLS模型的校正集决定系数R2_C分别提高至0.998 3和0.998 8,预测集决定系数R2_P分别提高至0.998 4和0.999 0,校正集均方根误差RMSEC分别降低为1.383和1.186,预测集均方根误差RMSEP分别降低为1.510和1.229,验证集标准差与预测均方根误差的比值(RPD)有所增加,尤其是针对浓度区间为0.1~100 mg·L-1的实验,RPD值显著增加至21.7,说明基于特征波长建立的毒死蜱样品定量模型具有较高精度的预测能力,但是通过不同浓度区间范围的对比实验发现,ASD地物光谱仪对低浓度的毒死蜱溶液预测的相对误差偏大,存在客观上的检测下限。为了保证不同试验条件下的毒死蜱农药的特征波长都得到分析,增强模型使用的普适性与鲁棒性,根据特征波长选择出4个波段,即351~393,1 065~1 086,1 245~1 281和1 658~1 713 nm作为特征波段。特征波段模型的波长变量个数共38个,相比于全波段模型的432个波长变量,模型变量精简了91.2%,其中浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波段模型的R2_C分别为0.993 7和0.987 8,R2_P分别为0.979 8和0.998 2,RMSEC分别为1.690和2.516,RMSEP分别为1.987和0.659;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波段PLS模型的R2_C分别为0.9882和0.9807,R2_P分别为0.9391和0.9936,RMSEC分别为3.345和3.942,RMSEP分别为8.996和2.663,且四种实验情况下的模型RPD值均大于2.5,满足定量分析条件。因此采用高光谱采集系统对室内和室外环境中毒死蜱农药的快速检测具有一定的可行性,此研究结果对有机磷农药等面源污染物快速检测有实际的应用价值,可为农田水体有机磷农药快速检测仪器的开发提供理论基础。     

变量优选补正算法的鲜枣可溶性固形物检测模型传递方法研究

在水果的品质检测和分级分选中,存在不同仪器所建检测模型难以共享的难题。为此,以壶瓶枣为研究对象,利用可见/近红外光谱技术探讨仪器间可溶性固形物含量（SSC）检测模型的传递方法。首先,采用美国ASD（Analytical Spectral Device）公司生产的两台仪器采集样本的光谱信息,采用最小二乘支持向量机（LS-SVM）建立原始光谱、Savitzky-Golay一阶导数处理、标准正态变量变换后的SSC检测模型,预测不同仪器采集的光谱时3种方法的预测能力均较差。预测同一台仪器的光谱时,基于原始光谱的主仪器所建模型最优,预测集的决定系数（R2_p）和均方根误差（RMSEP）分别为0.73和1.36%。在此基础上,采用Kennard/Stone算法选取标样,利用专利算法（Shenk’s）、直接标准化（DS）、斜率/偏差算法（S/B）进行模型传递。然后,根据回归系数提取主仪器（24个）和从仪器（28个）的特征波长,优选出单一变量（SV）24个、共性变量（CV）23个、融合变量（FV）29个,均涵盖了SSC的主要吸收谱带。利用优选的变量分别建立主仪器的LS-SVM检测模型,采用主仪器的预测结果（R2_p=0.78~0.80,RMSEP=1.07%~1.13%）明显好于全波段所建模型,但预测从仪器时RMSEP为6.62%~7.88%,模型失效。最后,基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正（CV-MC）、单一变量优选结合差值补正、融合变量优选结合差值补正、共性变量优选结合波长补正算法（CV-WC）进行模型传递,并与SV-Shenk’s,CV-Shenk’s,FV-Shenk’s,SV-DS,CV-DS,FV-DS,SV-S/B,CV-S/B和FV-S/B进行对比分析。结果表明,基于全波段进行模型传递时,预测结果均较差（R2_p=0.03~0.34,RMSEP=2.44%~4.67%）;基于优选变量所建模型经SV-Shenk’s,CV-Shenk’s,FV-Shenk’s传递后的结果较差,经其他算法传递后的结果（R2_p=0.47~0.73,RMSEP=1.30%~1.90%）好于全波段;基于共性变量传递后的结果好于单一变量和融合变量,CV-MC结果最佳（R2_p=0.73,RMSEP=1.30%）,CV-WC传递后的预测结果（RMSEP=1.62%）与CV-DS和CV-S/B相近。研究表明,CV-MC和CV-WC均是一种有效模型传递算法,对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。     

高光谱成像技术对鲜枣内外部品质检测的研究

外部缺陷以及内部可溶性固形物的含量对提升鲜枣的采后附加值和鲜枣后续生产加工具有重要的意义,因此,为了实现同时对鲜枣内外部品质进行快速、准确识别,利用高光谱成像技术(450-1,000 nm)对壶瓶枣的“自然损伤”和可溶性固形物含量同时进行检测研究。首先,对光谱数据进行主成分分析(PCA)得到前7个主成分光谱值,对图像数据采用灰度共生矩阵(GLCM)提取到7项图像纹理指标(对比度、相关性、能量、同质性、方差、均值、熵)。然后,分别使用光谱主成分值、图像纹理特征值、以及主成分与纹理特征融合值建立偏最小二乘支持向量机(LS-SVM)模型对壶瓶枣的外部缺陷(“自然损伤”)和内部品质(可溶性固形物含量)进行检测研究。结果表明：使用主成分与纹理特征融合值建立的LS-SVM模型可作为通用模型同时对壶瓶枣内外部品质进行检测研究,其“自然损伤”判别正确率为92.5%,可溶性固形物预测集的预测相关系数(R_p)和预测均方根误差(RMSEP)分别达到了0.944和0.495。表明,采用高光谱成像技术可以建立通用模型同时对壶瓶枣的内外部品质进行检测,该研究为壶瓶枣的无损检测提供了理论参考。     

基于分数阶微分算法的大豆冠层氮素含量估测研究

氮素与作物的生长发育、产量和品质密切相关。作物冠层氮素含量的快速、准确、无损检测对于作物营养诊断和长势评估具有重要意义。传统的氮素检测方法检测周期长、操作复杂,同时具有破坏性,无法实现作物氮素含量在时间和空间上的连续动态监测。基于光谱遥感技术快速、无损地获取作物氮素含量是近年来作物组分快速检测研究的热点。当前的研究大多基于原始光谱或整数阶微分(一阶、二阶)预处理后的光谱进行氮素含量预测,原始光谱或整数阶微分预处理后的光谱会忽略光谱曲线间的渐变信息,影响氮素含量的预测准确度。与原始光谱和整数阶微分方法相比,分数阶微分算法在背景噪声去除、有效信息提取等方面较有优势。为研究分数阶微分预处理算法在作物氮素检测中的应用,本文以不同施肥处理下的盆栽大豆作物为研究对象,获取大豆苗期、花期、结荚期和鼓粒期四个生育期共256组冠层高光谱及对应的大豆冠层氮素含量(CNC)数据,运用分数阶微分算法对光谱数据进行0～2阶微分预处理,微分间隔为0.1,分别采用归一化光谱植被指数NDSI、比值光谱指数RSI对预处理后的光谱数据和大豆冠层氮素含量数据进行相关性分析,得到各阶微分预处理下NDSIα(α代表分数阶微分阶数)与大豆CNC,RSIα与大豆CNC相关系数绝对值的最大值及其对应的波段组合--最优波段组合NDSIα(opt)和RSIα(opt),采用线性回归方法,建立各阶微分下NDSIα(opt)与CNC,RSIα(opt)与CNC的预测模型,并与常用植被指数(VOGII, MTCI, DCNI, NDRE)建立的氮素含量预测模型进行比较,研究分数阶微分算法对大豆作物冠层氮素含量预测模型的效果。结果表明：(1)在0～2阶微分范围内,最优波段组合NDSIα(opt),RSIα(opt)与大豆CNC的相关系数随阶数增加呈现先升高后下降趋势。其中,0.8阶微分下NDSI_0.8(R₇₂₅, R₇₆₉)与大豆CNC的相关系数最大,为0.875 9;0.7阶微分下RSI_0.7(R₅₄₈, R₇₆₇)与大豆CNC的相关系数最大,为0.865 1;(2)分数阶微分预处理能够细化光谱数据中的有效信息,增强光谱数据对冠层氮素含量的敏感性,尤其是增强红边平台波段与氮素含量的正相关性及绿波段与氮含量的负相关性;(3)与整数阶微分、常用植被指数相比,分数阶微分能够提高大豆CNC预测模型的准确性。其中,基于0.7阶微分RSI_0.7(R₅₄₈, R₇₆₇)建立的大豆CNC预测模型与0阶微分RSI₀(R₇₂₅, R₇₆₉)相比建模集决定系数(R2_C)和预测集决定系数(R2_P)分别提高了0.061 9和0.016 6,建模集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别降低了0.552 5和0.180 9,预测相对偏差(RPD)提高了0.110 4。基于0.7阶微分RSI_0.7(R₅₄₈, R₇₆₇)建立的大豆CNC预测模型与VOG II相比R2_C和R2_P分别提高了0.086 6和0.025 5,RMSEC和RMSEP分别降低了0.757 5和0.248 3,RPD提高了0.146 88;(4)基于0.7阶微分比值光谱指数RSI(R₅₄₈, R₇₆₇)建立的大豆LNC预测模型较优,其R2_C为0.748 4,R2_P为0.800 3,RMSEC为4.752 9,RMSEP为3.511 1,RPD为2.253 7,能够较好的估测大豆冠层氮素含量。研究表明分数阶微分算法在大豆冠层氮素含量的定量预测中具有一定的优势,为光谱遥感技术在作物氮营养检测中的应用开拓了新的思路。     

高光谱成像技术的三文鱼多品质指标的预测与分布可视化研究

采用颜色、剪切力和K值评价冰鲜与冻融三文鱼的品质,利用高光谱成像技术结合化学计量学方法对三个品质指标进行预测,并讨论了不同波长选择算法所建模型的预测效果。准备不同冻融次数三文鱼样本,进行高光谱数据采集和品质指标真实值的测定。采用六种预处理方法减少光谱数据中暗电流以及噪声的干扰,采用竞争性自适应重加权算法（CARS）、区间变量迭代空间收缩法(iVISSA), iVISSA-CARS筛选出与待测指标相关的变量,通过比较三种波长选择算法筛选的特征变量所建偏最小二乘(PLS)模型的预测结果,优选出三个品质指标最佳的变量选择方法。结果表明1st Der-CARS-PLS模型对颜色中的a*预测效果最好,筛选出的51个变量建立模型的R_c和R_p分别为0.931 6和0.929 7,RMSECV和RMSEP分别为0.716和0.735;2nd Der-CARS-PLS模型对剪切力的预测效果最好,筛选出的61个特征变量建立模型的R_c和R_p分别为0.892 1和0.887 3,RMSECV和RMSEP分别为0.67 N和0.80 N;模型N-CARS-PLS取得了K值最好的预测效果,筛选出的51个特征变量所建模型的R_c,R_p,RMSECV和RMSEP分别为0.951 4, 0.950 0, 1.33, 1.53。说明CARS变量筛选方法能够有效提取与特征指标相关的变量,提高模型的预测性能。除此之外,特征变量筛选联合算法iVISSA-CARS-PLS对三个指标的预测也取得了较好的结果,对三个指标测试集的R_p分别为CARS-PLS预测模型的97.48%,97.02%,98.98%,而所用变量数仅为CARS-PLS的60.78%,62.29%,60.78%,说明变量筛选组合算法极大的减少了建立模型所用的数据量。三个指标的CARS-PLS以及iVISSA-CARS-PLS模型取得的预测效果均高于iVISSA-PLS,说明对于三文鱼三个品质指标的预测,CARS波长点筛选策略优于iVISSA波段选择策略。将优选出来的PLS模型分别用于构建三个品质指标的可视化分布图,清楚的展示了不同冻融次数三个品质指标的大小以及空间分布。因此,高光谱成像技术结合化学计量学方法可以较好的表征三文鱼的品质指标,为三文鱼多品质指标的同时快速检测提供了部分理论参考。     

基于二维相关光谱的壶瓶枣室温贮藏硬度动力学模型研究

为了实现鲜枣常温贮藏期的硬度实时监测并对贮藏时间进行预测,建立了室温下壶瓶枣贮藏期的近红外光谱硬度动力学模型。基于二维相关光谱技术,分析综合浓度影响下的壶瓶枣敏感波段,优选的敏感波段为904,980,1 072,1 200,1 630,1 941和2 215 nm。分析不同贮藏天数的壶瓶枣果肉平均硬度,并拟合出零级反应方程,模型的相关系数为0.991 3,标准误差为6.116×10-4。鲜枣的贮藏过程中,由于复杂的生理化学反应,主要物质的含量发生变化,并通过宏观的信息光谱特征和硬度得以体现。将敏感波段下的光谱信息和贮藏期的硬度指标进行信息耦合,建立壶瓶枣果肉硬度的偏最小二乘模型(partial least square, PLS),模型的预测精度R_P为0.942 7,RMSEP为0.021 0。进而以敏感波段的吸光度为自变量,壶瓶枣果肉硬度指标为应变量,进行多元回归定量分析,建立近红外光谱硬度动力学模型,模型的拟合优度即相关系数为0.983 9,标准误差为0.024 9,并在此基础上建立壶瓶枣贮藏时间与近红外光谱的线性回归关系。研究表明,基于二维相关光谱的硬度动力学模型可以实现对壶瓶枣果肉硬度指标的快速、无损检测并实现其贮藏时间的预测。     

桂花酒中山梨酸钾拉曼表面增强预测模型在其他果酒中的传递

自行搭建的拉曼光谱点扫描系统,以柠檬酸钠还原法配制的SC银溶胶为表面增强剂,建立了桂花酒中山梨酸钾的定量预测模型,模型校正集决定系数(R2_C)和均方根误差(RMSEC)分别为0.978 9和0.070 3 g·kg-1,验证集决定系数(R2_P)和均方根误差(RMSEP)分别为0.934和0.165 7 g·kg-1。桂花酒中山梨酸钾的定量预测模型为主光谱模型,结合K/S算法,探讨了基于DS算法和PDS算法将桂花酒主光谱模型向杨梅酒的修正传递方法。结果显示,用K/S算法选取4个杨梅酒样品,基于DS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.906 1和0.215 0 g·kg-1。K/S算法选取3个杨梅酒样品(窗口宽度为5),基于PDS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.905 5和0.225 0 g·kg-1。DS算法和PDS算法均可以用少量样品将桂花酒中山梨酸钾的主光谱预测模型有效传递给杨梅酒,实现了一种被测物预测模型在同类物种间的传递,具有重要实用意义。     

优化光谱指数的露天煤矿区土壤重金属含量估算

光谱学提供了对土壤中许多元素进行定量分析和快速无损检测的方法。可见光和近红外反射光谱（Vis-NIR）为研究土壤重金属污染提供了一个有用的工具。于新疆准东露天煤矿区采集51个0～10 cm深度的土壤样品，在实验室中分别测定样品的有机质（SOM）含量、重金属砷（As）含量与高光谱；使用基于JAVA语言自主开发的两波段组合软件V1.0（No: 2018R11S177501）计算不同高光谱数据变换形式（原始反射率（R），倒数（1/R），对数（lgR）和平方根（）下Vis-NIR区域（400~2 400 nm）所有两波段组合得到的优化光谱指数（NPDI）与As的相关性，在最优光谱指数（|r|≥0.73和p=0.001）中通过变量重要性准则（VIP）进一步筛选VIP≥1的指数作为模型自变量，基于地理加权回归（GWR）模型估算As含量并使用四个交叉验证度量标准：相对分析误差（RPD），决定系数（R2），均方根误差（RMSE）和最小信息准则（ACI）评价模型精度，从而探讨优化光谱指数方法应用于高光谱检测露天煤矿区土壤重金属砷含量的可行性。结果表明：(1）研究区As含量离散度较高，所有样品中SOM含量均小于2％，且As含量与SOM含量在0.01的显著性水平上无显著相关性（|r|=0.113）。（2）As含量与单波段光谱反射率的相关性很低（|r|≤0.228），而通过R，1/R，lgR，计算的NPDIs与As含量的相关性在近红外（NIR，780~1 100 nm）和短波红外（SWIR，1 100~1 935 nm）光谱中发现最高的相关系数和最低的p值（|r|≥0.73和p=0.001），在长波近红外（LW-NIR）区域基于R形成的NPDIs与As含量相关性最高（|r|=0.74）。（3）VIP方法分别筛选NPDI_{R（1 417/1 246）}，NPDI_{1/R（799/953，825/947）}、NPDI_{sqrt-R（1 023/1 257，1 008/1 249，1 021/1 250，1 020/1 247）}和NPDI_{lgR（801/953，811/953，817/951，825/947，828/945）}为GWR模型自变量。(4）从4个预测模型的表现可以看出，Model-a（R）与其他三个模型（Model-b（1/R），Model-c（）和Model-d（lgR））相比，它具有最高的验证系数（R2=0.831，RMSE=4.912 μg·g-1，RPD=2.321）和最低的最小信息准则值（AIC=179.96）。优化光谱指数NPDI_{R(1 417/1 246)}有助于快速准确地估算As含量，为进一步获取地表土壤重金属污染分布信息提供理论支持和应用参考，促进露天煤矿区环境污染快速有效调查和生态可持续发展。     

一种针对作物生育期光谱迁移的修正植被指数

针对基于固定特征波长的植被指数不能适用于多个生育期叶绿素含量的诊断这一问题,研究优化提出一种基于双波长计算光谱覆盖面积的叶绿素诊断植被指数,用于稳健地诊断多生育期的营养。以拔节期、孕穗期和扬花期的冬小麦为研究对象,采集其325～1 075 nm范围的冠层反射光谱,测定采样样本的叶绿素含量。采用小波去噪和多元散射校正算法对光谱数据进行预处理。通过相关性分析,确定生育期特征波长的迁移范围,进而提出了基于光谱覆盖面积的冬小麦叶绿素含量光谱诊断参数(modified normalized area over reflectance curve, MNAOC）。以信噪比（SNR）和平滑度指标（S）进行综合评价,小波去噪函数的最佳参数为(“sqtwolog”,“mln”,“3”,“db5”)。相关性分析结果表明,生育期特征波段的迁移范围为（700 nm,723 nm）。在分析MNAOC指数对叶绿素含量诊断分辨率的基础上,以0.5 mg·L-1的分辨率建立一元线性回归模型的结果为：拔节期R2_c=0.840 1,R2_v=0.823 7;孕穗期R2_c=0.865 5,R2_v=0.817 4;扬花期R2_c=0.833 8,R2_v=0.807 6。与ratio vegetation index（RVI）等5种双波长植被指数对比表明,由于700和723 nm计算的光谱面积包含了由于生育期导致的光谱动态迁移特征,使得MNAOC指数在模型精度上和多个生育期的普适性上,都优于其他双波长代数运算植被指数,为大田环境冬小麦生育期叶绿素含量诊断提供支持。     

不同贮藏期水蜜桃硬度及糖度的检测研究

糖度和硬度作为水蜜桃的两个重要指标,决定其内部品质。在运输或售卖期间,水蜜桃果内水分流失,表面开始松软进而腐烂,内部品质发生变化。研究旨在探讨可见/近红外光谱预测水蜜桃不同贮藏期糖度和硬度的可行性,进一步预测水蜜桃的最佳贮藏期。采用漫透射和漫反射方式采集4个贮藏阶段的水蜜桃光谱,并测量糖度和硬度。分析了4个阶段水蜜桃的平均光谱,光谱强度随着贮藏天数增加而不断提高,且在650～680 nm区域内受果皮颜色及色素的变化产生波峰偏移。同时,分析了糖度和硬度的变化,糖度在贮藏期间逐渐提高,硬度在贮藏期间快速下降,最终糖度增加了3.31%,硬度下降了58.8%。采用多元散射校正、S-G卷积平滑、归一化处理及基线校正等预处理方法来减少噪声和误差对光谱的影响,并使用无信息变量消除(UVE)和连续投影算法(SPA)筛选特征波长,最后利用偏最小二乘回归(PLS)分别建立糖度和硬度的预测模型。分析糖度、硬度的PLS回归系数与平均光谱的波形发现,糖度的高回归系数分布在光谱多处,而硬度的该系数均在波峰波谷附近。SPA和UVE筛选的特征波长建立的糖度模型效果不佳,而硬度模型效果良好。结果表明,漫透射和漫反射检测方式下,糖度的最佳预测相关系数(R_p)及预测均方根误差(RMSEP)分别为0. 886,0.727和0.820,1.003,预处理方法分别是多元散射校正、平滑窗口宽度为3的S-G卷积平滑。此外,漫透射建立的硬度SPA-PLS模型,选用15个光谱变量,得到的R_p和RMSEP为0.798和0.976;而漫反射建立的UVE-PLS模型,选用113个光谱变量,得到的R_p和RMSEP为0.841和0.829。可以看出,漫透射方式预测水蜜桃贮藏期间的糖度更佳,而漫反射预测硬度更佳。利用可见/近红外光谱所建立的糖度和硬度预测模型,能够可靠地预测水蜜桃贮藏期内糖度和硬度的变化,对指导采摘、售卖时间和减少腐烂具有一定的参考价值。     

高光谱技术结合特征波长筛选和支持向量机的哈密瓜成熟度判别研究

可溶性固形物含量(SSC)和硬度是哈密瓜划分等级的重要指标,同时也是其成熟度的表征因子。因此,为满足哈密瓜自动化分级和适宜采摘,采用高光谱技术结合特征波长筛选的方法,同时对哈密瓜的可溶性固形物含量、硬度及成熟度进行了无损检测研究。对多元散射校正(MSC)处理后的光谱分别利用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)和CARS-SPA方法筛选了哈密瓜可溶性固形物和硬度的特征波长,并将原始光谱、MSC预处理后的光谱和所筛选的特征波长作为输入变量分别建立哈密瓜可溶性固形物和硬度的支持向量机(SVM)预测模型及成熟度判别模型。结果显示,MSC-CARS-SPA方法所建立的可溶性固形物和硬度SVM预测模型最优,其R_pre, RMSEP和RPD分别为0.940 4, 0.402 7, 2.94 1和0.825 3, 35.22, 1.771。同时对哈密瓜成熟度进行了判别分析,并分别建立了基于全光谱、单一的可溶性固形物或硬度特征波长和主成分分析(PCA)特征融合的哈密瓜成熟度SVM判别模型。结果显示,CARS-PCA-SVM模型的判别结果与全光谱SNV-SVM模型相同,其校正集和预测集判别正确率分别为95%和94%。研究表明,利用高光谱技术结合特征波长筛选方法可实现同时对哈密瓜可溶性固形物和硬度的定量预测及成熟度判别。     

不同颜色冬枣可溶性固形物可见-近红外光谱分析模型构建

冬枣品质受其品种和生长环境等因素的影响,引起采后化转红指数不同,导致果实的颜色差异较大,从而影响其可溶性固形物（SSC）检测模型的分析精度。采用可见-近红外（Vis-NIR）光谱结合Norris-Williams平滑（NWS）、连续小波导数（CWD）、多元散射校正（MSC）、标准正态变量变换（SNV）和NWS-MSC五种光谱预处理方法构建不同颜色（红绿相间MJ,绿色GJ和红色RJ）冬枣SSC的偏最小二乘（PLS）定量分析模型,分别采用MJ,GJ,RJ,MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型,并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价;以不同建模样品集（校正集）的校正相关系数（R_c）和交互验证均方根误差（RMSECV）作为构建最优模型的评价指标;测试集的预测相关系数（R_p）和预测均方根误差（RMSEP）用于模型预测精度的评价。研究结果表明：分别采用MJ,GJ和RJ的独立样品集进行建模时,模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测;分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时,MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果,其RMSECV,R_c,RMSEP,R_p分别为1.108,0.698,0.980,0.724和1.108,0.698,0.983,0.822,而对RJ样品的预测误差较大,模型的RMSECV,R_c,RMSEP,R_p为1.108,0.698,1.928,0.597;而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果：MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.077,0.668;对GJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,0.881,0.861;对RJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.140,0.841;采用蒙特卡罗无信息变量消除（MCUVE）方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后,模型的R_c和R_p分别由原来的0.796和0.864提高到0.884和0.922,模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721,模型具有较好的分析精度。采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时,当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时,模型具有更好的通用性。     

南疆冬枣偏振参量模型户外光照条件适应性研究

农业遥感检测时,晴朗的天气是采集光谱的必要条件。本研究主要目的是：（1）通过高光谱偏振探测技术,探究不同天气（晴天、阴天、多云）对不同波长下南疆冬枣二向反射分布函数（BRDF）的偏振参量（S₀,ε₀,f₀₀）、线偏振度（Dolp）与理化值模型的影响;（2）对比不同天气条件下的实验结果,为户外红枣品质的遥感探测提供一定的环境适应性参考和前景应用性参考。利用统计分析方法,分析了南疆冬枣水分与其光谱偏振特性的统计关系,分别建立了不同天气条件下S₀,ε₀,f₀₀, Dolp的一阶导数光谱形式与南疆冬枣水分含量的统计方程,选用相关系数R、校正集样本的标准差（RMSEC）、预测集样本的标准差（RMSEP）共3个指标对模型的性能和预测能力进行评价。相关性分析结果表明：户外晴天、阴天、多云三种天气条件检测南疆冬枣品质时,水分含量与高光谱偏振数据之间具有较好的相关性,但多云天气条件下偏振参量、线偏振度与水分含量的相关性要优于晴天和阴天条件下的相关性,前者模型的相关系数最大,其r值分别为：0.913和0.914,且最接近暗箱光谱与水分含量模型的相关系数R的值：0.926。模型的可行性分析结果表明：三种天气条件下偏振参量、线偏振度与水分含量模型的校正集样本的标准差最大值分别为0.009 71和0.008 73,RMSEC的值越小,表明模型回归的越好。模型对外部样本的预测能力分析结果表明：三种天气条件下偏振参量、线偏振度与水分含量模型的预测集样本的标准差最大值分别为0.012 3和0.011 7,RMSEP的值越小,表明模型的预测能力越强,结果越准确。不同天气实验结果表明：因偏振有“强光弱化,弱光强化”的作用,通过对比晴天、阴天、多云实验结果,该方法有较好的环境适应性,在户外红枣品质遥感探测方面有广泛应用前景。     

以高光谱数据有效预测苹果可溶性固形物含量

从高光谱数据中选取能够有效进行内部品质检测的特征波长,是利用高光谱成像技术进行水果品质定量分析的关键。本文采用遗传算法(GA)、连续投影算法(SPA)和GA-SPA算法分别从400～1 000 nm的苹果高光谱图像中提取特征波长,利用偏最小二乘法(PLS)、最小二乘支撑向量机(LS-SVM)和多元线性回归(MLR)建模进行苹果可溶性固形物含量(SSC)的定量分析并进行了综合比较。160个样品中,120个用于建模,40个用于预测。比较发现SPA-MLR模型获得了最好的结果,R2_p,RMSEP和RPD分别为0.950 1,0.308 7和4.476 6。结果表明：SPA能够有效地用于高光谱数据的变量选择,利用SPA-MLR可建立稳健的苹果SSC预测模型,较少的有效变量和MLR模型的易解释性表明该模型在在线检测和便携式仪器开发中具有较大的应用潜力。     

基于高光谱漫透射成像可视化检测脐橙可溶性固形物

厚皮类瓜果内部品质的无损检测是目前水果产业的检测技术瓶颈。本文采用高光谱漫透射技术对脐橙可溶性固形物(SSC)含量进行可视化分析研究。通过基线校正(Baseline)预处理结合连续投影算法(SPA)优选9个特征波长,建立SSC偏最小二乘回归(PLSR)模型,校正集相关系数r_(cal)为0.891,校正集均方根误差RSMEC为0.612°Brix,预测集相关系数r_(pre)为0.889,预测集均方根误差RMSEP为0.630°Brix。最后,计算各个像素点的SSC值结合图像处理技术得出SSC的可视化分布图,直观判断脐橙SSC含量高低。     

新鲜苹果汁可溶性固形物含量的傅里叶变换近红外光谱检测

用傅里叶变换近红外(FTNIR)光谱透射方式对新鲜苹果汁溶性固形物含量(SSC)进行了快速定量分析。实验共测定了60个果汁样品的SSC,并采集了样品的近红外光谱数据。42个样品用来建模,剩下的18个用来验证模型的性能。对实验室测得的SSC与FTNIR光谱数据进行相关性分析,以TQ 6.2.1定量分析软件中集成的主成分回归法(PCR)和偏最小二乘回归法(PLS)建立了检测模型。该研究对比了不同光谱范围内建立的检测模型的性能。根据预测平方根误差(RMSEP)和相关系数(r2)进行不同模型的预测性能,最好的新鲜苹果汁SSC预测模型的RMSEP＝0.603 0Brix,r2＝0.997。结果表明FT-NIR可以作为一种可靠、准确、快速的无损检测方法来评价新鲜果汁的可溶性固形物含量。     

LS-SVM的梨可溶性固形物近红外光谱检测的特征波长筛选

为提高梨可溶性固形物含量(soluble solids content,SSC)的近红外光谱模型的精度和稳定性,以160个梨样品为实验对象,分别对原始光谱、多元散射校正(MSC)和标准正态变量变换(SNV)处理后的光谱,经无信息变量消除算法(UVE)挑选后,再结合遗传算法(GA)和连续投影算法(SPA),筛选梨可溶性固形物的近红外光谱特征波长。将筛选后的波长作为输入变量建立梨可溶性固形物的最小二乘支持向量机(LS-SVM)模型。结果表明经过SNV-UVE-GA-SPA从全波段3112个波长中筛选出的30个特征波长建立的梨可溶性固形物LS-SVM模型效果最好,该模型的预测集相关系数(R_p)和预测均方根误差(RMSEP)分别为0.956和0.271。该模型简单可靠,预测效果好,能满足梨的可溶性固形物含量的快速检测,为在线检测和便携式设备开发提供了理论基础。     

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。