结合高光谱成像和机器学习的棉种年份鉴别

棉花精量播种技术目前已经在新疆兵团全面推广,该技术能精确实现一穴一粒的农艺技术指标,但是也对高质量棉种的筛选提出了更高的要求。为了避免播种往年活力不足的棉种而导致发芽率降低的问题,结合机器学习和近红外（NIR）高光谱成像技术（HSI）进行棉种年份精确鉴别,实现棉种的快速无损筛选。采集2016年—2019年近四年外观无明显差异的棉种各360粒,共1 440粒棉种（按照3∶1∶1划分训练集、验证集和测试集）作为样本,按照每批60粒采集915~1 698 nm范围的棉种高光谱图像,去除首尾两端噪声大的光谱,保留1 002~1 602 nm范围的光谱为原始数据。利用Savitzky-Golay（SG）平滑算法对光谱进行预处理,采用主成分载荷方法（PCA-loading）选取13个特征波段,基于全部光谱数据和特征波段（±10 nm）数据建立逻辑回归（LR）、偏最小二乘判别分析（PLS-DA）、支持向量机（SVM）、循环神经网络（RNN）、长短记忆网络（LSTM）和卷积神经网络（CNN）六种分类模型。使用全光谱数据建模时,六种分类模型在测试集上的鉴别准确率分别为96.27%,98.98%,99.32%,96.95%,97.63%和100%,其中CNN和SVM模型取得了较好的结果;使用特征光谱数据建模时,六种分类模型在测试集上的鉴别精度分别为93.56%,97.29%,98.30%,95.25%,94.24%和99.66%,其中CNN和SVM模型仍有较好的分类结果。结果表明,使用全光谱数据建模时,六种分类模型都可以实现较高精度的棉种年份鉴别,使用特征光谱数据建模时CNN和SVM模型的鉴别精度仍可达到98%;其中深度学习方法优于传统机器学习方法,但是传统机器学习方法仍能保持较好的鉴别准确率。因此,结合近红外高光谱成像技术和机器学习方法能够实现棉种年份的高精度鉴别,为棉花精量播种过程中的优质棉种选种技术提供理论依据和方法。     

高光谱与机器学习相结合的大白菜种子品种鉴别研究

提出了基于高光谱信息的大白菜种子品种分类识别方法。利用近红外高光谱图像采集系统采集了八种共239个大白菜种子样本;提取15 pixel×15 pixel感兴趣区域平均光谱反射率信息作为样本信息;采用多元散射校正预处理方法对光谱进行消噪;验证了Ada-Boost 算法、极限学习机(extreme learning machine, ELM)、随机森林(random forest, RF)和支持向量机(support vector machine, SVM)四种分类算法的分类判别效果。为了简化输入变量,通过载荷系数分析选取了10个大白菜种子品种分类判别的特征波长。实验结果表明,四种分类算法基于全波段的分类识别对81个预测样本的正确区分率均超过90%,最优的分类判别模型为ELM和RF,识别正确率达到了100%;以10个特征波长的分类判别精度略有下降,但输入变量大幅减少,提高了信息处理效率,其中最优分类判别模型为EW-ELM模型,判别正确率为100%,因此以载荷系数选取的特征波长是有效的。利用高光谱结合机器学习对大白菜种子品种进行快速、无损分类识别是可行的,为大白菜种子批量化在线检测提供了一种新的方法。     

基于高光谱技术的覆盖保鲜膜菠菜货架期预测研究

保鲜膜能提高果蔬保水性,隔绝外界细菌侵染,延长货架期。为了准确估测覆盖保鲜膜果蔬品质的优劣,对其货架期进行预测具有重要意义。应用高光谱技术结合化学计量学方法对同等贮藏条件下覆膜新鲜菠菜叶片的货架期进行了预测。先采集五个不同贮藏时间下75盘共300片菠菜样本在可见-近红外(Vis-NIR,380～1 030 nm)与近红外(NIR,874～1 734 nm)波段的高光谱数据,然后测定不同贮藏时间下菠菜叶片叶绿素含量。提取300片覆膜菠菜叶片的平均光谱(200个为建模集,100个为预测集)后,对建模集光谱进行主成分分析(principal component analysis,PCA),发现不同贮藏期内叶片光谱数据在前3个主成分空间有一定的聚类。根据建模集光谱信息与预先赋予的不同贮藏期虚拟等级分别建立偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)模型,得到预测集样本的贮藏期总的判别准确率分别为83%(Vis-NIR)和81%(NIR)。表明,高光谱技术结合化学计量学方法能够实现对新鲜菠菜货架期的分类和预测,为消费者正确评价覆盖保鲜膜的菠菜品质提供了理论指导,也为后期果蔬货架期检测仪器的开发提供了技术支持。     

基于近红外高光谱技术和特征波谱分析方法的竹类判别研究

竹叶含有丰富的功能性成分,具有良好的抗氧化、调节血脂、抗癌、保护心脑血管等功效,在食品和药品等领域具有较高的应用价值,但不同品种的竹叶其功能性成分差异较大。传统对于竹类品种的鉴别主要是通过观察竹叶大小、纹理、竹枝分枝和竹竿高度等,效率低且错误率较高,因此,快速准确的区分不同品种的竹叶,是竹类资源开发和加工过程中的重要任务之一。采用近红外高光谱(900～1 700 nm)技术对我国不同产地的12种竹叶进行鉴别分析。用主成分分析(PCA)对竹叶进行聚类分析,应用主成分因子中X-loading(XL)和random frog(RF)算法进行特征波段的提取,分别得到6条(931,945,1 217,1 318,1 473和1 653 nm)和12条(1 052,1 140,1 163,1 177,1 180,1 193,1 230,1 241,1 477,1 483,1 629和1 649 nm)特征波段,并基于全波段(238条波长)及采用以上算法所得的特征波段建立最小二乘-支持向量机(LS-SVM)判别分析模型,其识别率分别为99.17%(全波段),95.83%(XL算法),95.83%(RF算法)。最后,采用受试者工作特征曲线(receiver operating characteristic curve, ROC curve)对LS-SVM模型的判别效果进行验证,结果表明,曲线下面积(AUC)均在0.98以上,说明近红外高光谱结合LS-SVM可以很好地实现竹类的鉴别分析,这为竹叶的食用和药用价值的开发利用提供理论参考。     

高光谱技术结合特征波长/光谱指数对冬枣成熟度可视化判别

为了给冬枣采收后成熟度分级提供理论指导,运用高光谱技术获取特征波长和计算光谱指数对其成熟度可视化分级。采集三类成熟度冬枣(未成熟果、白熟-初红果、半红-全红果)样本共336个并获取其高光谱信息,通过Savitzky-Golay(S-G)平滑对原始光谱降噪后再用Kennard-Stone(K-S)方法将样本分为训练集(226个)和测试集(110个)。选用连续投影法(SPA)和竞争性自适应重加权采样法(CARS)选择特征波长(CWs);同时从水果生理成分变化角度引入7个光谱指数(SIs)。基于SPA和CARS选取的CWs和引入的SIs分别建立偏最小二乘判别分析(PLS-DA)模型,并比较了3个模型的分级效果。结果表明：基于SPA和CARS选择的特征波长和引入的SIs建立的PLS-DA模型判别精度分别为：97.27%,95.45%和98.18%。为了直观展现判别结果,选用SIs建立的PLS-DA回归系数拟合判别向量Y的回归方程,依据Y中最大值元素所在类别为该样本预测类别的规则,将结果用不同颜色直观显示。该研究为冬枣成熟度可视化分级提供了思路,引入的SIs参数为开发适于多种水果成熟度分级的设备提供了技术支撑。     

粮油品质安全高光谱成像检测技术的研究进展

粮油品质安全至关人类营养健康与生命安全。常规检测粮油品质安全方法,由于操作困难、破坏性强、费用高、试剂污染等缺点,不能满足快速无损,高效无污染的要求,难以与工业4.0接轨。整合光谱和图像手段的高光谱成像技术,伴随着化学计量学的发展,突破了常规检测方法局限性,是粮油品质安全检测技术的发展趋势。在大量文献的基础上,综述了高光谱成像技术原理,以及在品质方面(组分测定、发芽检测、品种分类)和安全方面(真菌检测、虫害检测)的研究进展,特别分析了高光谱成像技术检测粮油品质安全的应用光谱范围、化学计量学方法、仪器设备和模型准确性,指出了现阶段在粮油品质安全检测中存在的主要问题,并对今后的研究方向和重点进行了展望,以期推动高光谱成像技术在粮油领域的应用发展。     

高光谱成像的油菜和杂草分类方法

利用高光谱成像技术结合化学计量学方法对油菜中的杂草进行分类识别。采用近红外高光谱技术,通过正态变量变换(SNV)、去趋势化(De-trending)、多元散射校正(MSC)、移动平均平滑法(MA)、多项式卷积平滑法(SG)、基线校正(baseline)及归一化(normalize)算法对光谱数据进行预处理,采用主成分载荷(PCA loadings)、载荷系数法(x-LW)、回归系数法(RC)、连续投影算法(SPA)分别进行特征波长提取,采用偏最小二乘判别分析(PLS-DA)、极限学习机(ELM)和支持向量机(SVM)建立分类模型。结果表明,基于De-trending 预处理,通过PCA loadings,x-loading weights及SPA特征波长提取方法,基于极限学习机ELM算法建立的模型取得了最优的分类效果,建模集和预测集的分类精度均达到100%,另引入平均分类精度的指标,发现不同试验时间下,模型分类精度变化不大,表明应用近红外高光谱成像技术对油菜和杂草进行分类是可行的。     

高光谱成像的猕猴桃糖度无损检测方法

猕猴桃糖度是重要的猕猴桃内部品质衡量指标.传统的糖度检测耗时且有损样品,有效无损检测猕猴桃糖度含量对于其品质分级、储藏销售具有重大意义.基于高光谱成像技术的常见果蔬品质无损检测方法多数是采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、主成分分析(PCA)、迭代保留信息变量法(IRIV)等算法中的某个单一...     

高光谱技术结合化学计量法鉴别黑色水彩笔墨迹

为解决物证溯源过程中黑色水彩笔墨迹的分类鉴别问题,该研究收集了市面上常见的28种不同品牌、型号的黑色水彩笔,在450～950 nm区间内采集墨迹的高光谱数据,经预处理后进行主成分分析及判别分析。主成分分析提取到前三种主成分的累计贡献率达到90.57%,据此绘制的得分图聚集效果良好,可将28种水彩笔墨迹分为4类。使用费希尔判别分析来构建函数,以3∶25的比例确定测试集和训练集,对待测样品进行种类预测;费希尔判别分析的交叉验证正确率达到了92.0%,且对3个待测样本的分类正确率达到了100.0%,反映了主成分分析的结果正确、合理。研究表明：高光谱技术结合化学计量法可以实现对黑色水彩笔墨迹的无损、快速分类,为司法实践提供了一种新思路。     

近红外光谱分析技术

介绍了近红外光谱分析技术的工作原理,阐述了其数学模型的建立及分析过程,总结了现有常用的化学计量学方法及各自的优点,最后简单的概括了近红外光谱分析技术的应用,尤其是在制药方面的应用.     

高光谱成像技术结合化学计量学可视化花生中蛋白质含量分布

花生中蛋白质含量与分布能够显著影响花生制品品质。利用高光谱图像结合化学计量学研究可视化花生中蛋白质含量分布的可行性。从校正后的花生图像的感兴趣区域(region of interest, ROI)中提取光谱信息,通过传统化学方法测定蛋白质含量。比对了不同光谱预处理和回归算法,以二阶导数(the second derivative, 2nd-der)为最佳的光谱预处理方法,偏最小二乘法(partial least squares, PLS)为最佳的回归算法。基于预处理后的光谱和花生蛋白质的化学值,建立全波长PLS模型,全波长模型具有良好的性能(校正集相关系数为0.91,校正集标准偏差0.86;预测集相关系数为0.86,预测集标准偏差为0.69)。利用回归系数法(regression coefficient, RC)从全波长模型中选择14个特征波长,建立2nd-der-RC-PLS特征波长模型,模型性能(校正集相关系数为0.86,校正集标准偏差1.03;预测集相关系数为0.80,预测集标准偏差为0.77)与全波长模型相当。采用2nd-der-RC-PLS算法将花生高光谱图像转变成蛋白质含量分布图。成对t检验判断凯氏定氮法与高光谱法无显著性差异。结果表明结合化学计量学的高光谱成像技术为测定花生中蛋白质含量分布提供了一种高效非破坏性方法。     

基于近红外高光谱成像技术的干制红枣品种鉴别

为实现干制红枣的快速鉴别,提出了一种基于近红外高光谱成像技术的鉴别方法。采集四个品种共240个样本干制红枣的近红外高光谱图像(1 000～1 600 nm)。通过主成分分析法(principal component analysis,PCA)、载荷系数法(x-Loading Weights,x-LW)和连续投影算法(successive projections algorithm,SPA)分别提取7个、8个和10个特征波长;基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)提取第一主成分图像的纹理特征。分别以光谱特征、纹理特征、光谱和纹理融合特征作为输入,建立偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、反向传播神经网络(back-propagation neural network,BPNN)和最小二乘支持向量机(least squares support vector machines,LS-SVM)模型。结果显示,基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率;基于融合特征的BPNN模型的结果最优,对预测集样本鉴别正确率为100%。说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。     

高光谱无损识别野生和种植黑枸杞

高光谱图像技术在农产品检测及识别方面有广阔的应用前景。野生黑枸杞经济效益显著,经常被种植黑枸杞冒充。提出一种利用高光谱图像对野生黑枸杞无损快速识别的方法。主要内容和结果如下：（1）共采集256份（野生、种植各128份）黑枸杞在900～1 700 nm范围的高光谱反射光谱,每份平均光谱作为此样品的光谱;（2）采用标准正态变换（SNV）对采集的光谱预处理;基于Kennard-Stone法,按照校正集和预测集比例为2∶1对样品划分,用连续投影算法（SPA）对光谱进行降维处理,提取特征波长30个;分别将全光谱和SPA 提取的30个特征波长作为模型输入,建立支持向量机（SVM）、极限学习机（ELM）和随机森林（RF）识别模型。（3）结果表明,在识别野生黑枸杞模型中,基于全光谱和SPA建立的SVM,ELM和RF模型校正集识别率均高于98.8%,基于全光谱和SPA建立的SVM,ELM和RF模型预测集识别率均高于97.7%。基于全光谱（FS）建立的三种识别模型略优于基于SPA建立的三种识别模型。但从简化模型方面,SPA提取的特征波常数仅为全光谱的11.8%,大大降低了模型运算量。三种模型中,基于随机森林模型无损识别野生黑枸杞效果最好,均达到100%。研究表明,利用高光谱图像技术结合分类模型可快速识别野生黑枸杞。     

高光谱成像技术预测光伏电池中共聚物胶膜层压温度

提出了利用高光谱成像技术结合化学计量学方法实现在线无损预测光伏电池中乙烯-醋酸乙烯共聚物（EVA）胶膜层压温度的方法。四类EVA胶膜层压的温度控制在128,132,142和148 ℃。采集的高光谱波段范围在904.58～1 700.01 nm之间。每类样本建模集包含90个样本,预测集包含10个样本。从获得的EVA胶膜高光谱图像中选取150×150像素大小的感兴趣区域,并以该区域内所有的像素点包含的光谱反射率平均值作为该样本的光谱特征曲线。分别采用偏最小二乘回归法、多分类支持向量机法和大间隔最邻近法对高光谱薄膜样本层压温度进行建模和预测。权重回归系数图表明短波和长波近红外波段高光谱数据对层压温度预测都有贡献。由于EVA高分子材料反射高光谱数据表现出了较强的非线性性,偏最小二乘法预报性能受到较大影响,为95%,而基于核方法的预测模型在高维特征空间一定程度消除了EVA高分子材料测量光谱非线性特性的影响,较为准确地反映原始EVA高分子材料光谱数据与层压温度之间的关系,比较上述三种模型的预测精度可知,大间隔最邻近模型对EVA胶膜层压温度的预测精度率最高,达到100%。结果表明,应用高光谱成像技术在线无损预测EVA胶膜层压温度是可行的,为实现光伏电池夹层中EVA高分子材料封装温度自动监测与控制创造了条件。     

Sound Signal Based Fault Classification System in Motorcycles Using Hybrid Feature Sets and Extreme Learning Machine Classifiers

Vehicles generate dissimilar sound patterns under different working environments. These generated sound patterns signify the condition of the engines, which in turn is used for diagnosing various faults. In this paper, the sound signals produced by motorcycles are analyzed to locate various faults. The important attributes are extracted from the generated sound signals based on time, frequency and wavelet domains which clearly describe the statistical behavior of the signals. Further, various types of faults are classified using the Extreme Learning Machine (ELM) classifier from the extracted features. Moreover, the improved classification performance is obtained by the combination of feature sets in different domains. The simulation results clearly demonstrate that the proposed hybrid feature set together with the ELM classifier gives more promising results with higher classification accuracy when compared with the other conventional methods.     

随机森林结合CatBoost的近红外光谱药品鉴别

药品质量关乎人民健康和国家命脉,随着社会经济的飞速发展对药品质量的快速、有效鉴别具有极其重要的作用。光谱分析技术具有较高的准确性、较快的分析速度且对样品不存在污染等突出优点,广泛应用在化工、石油以及医药等重要的领域。为了解决传统药品鉴别模型存在的鉴别精度低、鉴别速度不能满足实际需求且鉴别模型稳定性差的问题,采用光谱仪采集药品的近红外光谱数据达到对药品无污染鉴别的目的。结合随机森林和CatBoost对药品进行分类鉴别,以实现快速且准确的鉴别。首先采用随机森林(RF)对光谱仪采集的光谱数据进行有效特征波长的筛选,从而将药品光谱数据中的无关波长去除、筛选出最能表征样品属性的特征波长,然后以极限学习机(ELM)作为CatBoost的弱分类器分析筛选的特征波长对药品的属性鉴别。由于ELM仅只含有一个隐含层且无需多次迭代寻优保证了鉴别模型运行速度更快,CatBoost通过集成弱分类器以改善模型鉴别准确性。为对所提出的药品鉴别模型性能进行有效评估,采用随机抽取训练集的方式构造不同规模药品光谱数据并分别上进行独立实验且以10次运行结果的均值作为其最终结果,并通过与CatBoost、持向量机(SVM)、...     

傅里叶变换红外光谱结合化学计量学方法对白酒基酒的快速定性和定量分析

白酒基酒等级的准确评判对白酒的质量控制至关重要,是白酒分级储存和勾兑的重要依据。目前白酒基酒分级是在生产车间班组工人初步分级基础上,通过专业评酒人员的人工感官审评结合气相色谱法测定主要酯类物质含量最终确定白酒基酒的等级。人工感官审评和气相色谱分析方法繁琐,耗时费力,很难实现实时快速检测。红外光谱技术具有快速分析、无损检测及灵敏度高和重现性好等优点,在食品品质检测领域得到广泛应用。运用傅里叶变换红外光谱(FTIR)和衰减全反射(ATR)技术结合化学计量学方法对不同等级白酒基酒及其主要酯类化合物进行快速定性和定量分析。采用线性判别(LDA)和误差反向传播人工神经网络(BPANN)分析模型对不同等级白酒基酒进行判别,线性判别分析训练集和测试集总体识别率均达到100%,BPANN分析训练集和测试集总体识别率均在95%以上。采用区间偏最小二乘法(siPLS)对四种主要酯类化合物进行定量分析,己酸乙酯、乳酸乙酯、乙酸乙酯和丁酸乙酯含量的训练集模型相关系数分别为0.986 4,0.991 5,0.970 2和0.951 4,测试集模型的相关系数分别为0.982 4,0.961 9,0.905 2和0.808 0。结果表明,傅里叶变换红外光谱技术结合化学计量学方法能有效实现不同等级白酒基酒的准确判别,同时基酒中主要酯类化合物的快速检测定量模型效果良好,能满足白酒生产中的分析检测要求,为白酒基酒等级的快速判别提供一种客观而准确的分析方法,有效提升白酒的智能化生产水平。     

基于烟叶电子鼻-近红外数据融合的支持向量机分类判别烟叶年份

提出了一种基于烟叶近红外光谱(NIR)和烟叶电子鼻(EN)融合数据的烟叶年份判别的支持向量机分类模型。在NIR和EN数据融合的基础上,利用遗传算法来进行变量选择,再建立烟叶年份判别支持向量机模型,所得到的烟叶判别模型在训练集和独立测试集上都具有较高的准确率。建立的烟叶判别NIR-E-SVM模型的建模准确率达到100%,留一法准确率达到98.55%,对未知样本的预报准确率为90%。