蔬菜表面农药残留可见-近红外光谱探测与分类识别研究

利用在600～1 100nm波段范围内可见-近红外反射光谱分析技术,对常见的高残留农药在绿色植物活体上的无损检测进行了研究。首先将采集到的漫反射光谱数据进行小波变换提取光谱特征,然后再利用主成分分析方法进一步对光谱特征进行分析,最后把这些光谱的前两个主成分得分作为神经网络的输入信息,建立了多神经元的神经网络感知器。对农药残留检测的结果表明,该方法可有效甄别农药残留和种类,识别得到较好的分类效果。总之,该研究为蔬菜和瓜果表面的农药残留快速无损检测和识别提供了一条新途径。     

可见近红外光谱的甘蓝叶片毒死蜱农药残留定性分析

有机磷农药毒死蜱是目前农业生产中使用最广泛的农药之一,但有机磷农药过度使用导致的农药残留却给自然环境和人类生命健康造成严重威胁,因此,开发一种快捷、准确、经济的毒死蜱农药在农产品表面残留的直接检测方法意义重大。配制4组不同体积浓度（1∶200, 1∶500, 1∶800, 1∶1 000）的毒死蜱农药溶液,对照组为纯净水,分别浸泡甘蓝叶片3 min,每组采集30个叶片样本,5组共计150个样本。采用可见近红外光谱仪获取其谱图信息,然后开展不同浓度毒死蜱农药在甘蓝叶片上残留的可见近红外光谱定性分析研究。建模时,将每组数据中24个样本,5组共计120个样本作为建模训练集,剩下每组6个样本,5组共计30个样本作为预测集。鉴于甘蓝叶面不平整、皱褶较多,叶片颜色深浅不一等因素会给近红外光谱分析带来干扰,给预测模型的建立增加难度,提出一种光谱全波段平均分组积分（求和）预处理方法,将光谱波段平均分成n组,再对分组后每组数据积分求和,用预处理后的数据训练BP神经网络。实验表明,光谱全波段平均分组积分（求和）预处理方法,对光谱反射率一阶导数（FD）且分组数为25的神经网络训练效果最好,建模集识别准确率为97.50%,预测集识别准确率为96.67%,建模效果优于通常采用的提取光谱敏感、特征波段建模方法（建模集识别准确率为91.67%）。光谱全波段平均分组积分预处理方法在保留光谱数据更多特征波段的同时探索更多潜在敏感波段,能够降低光谱数据维度,减小单个光谱数据噪声对建模效果的影响,选择合适的分组数n,能取得较好的建模预测效果。     

水果表面农药污染的可见／近红外光谱识别法

以表面经过喷施不同浓度农药后的脐橙为研究对象,采用可见／近红外漫反射光谱技术定性检测脐橙农药污染的程度。采集脐橙350～1800nm范围的光谱。应用多元散射校正（MSC）,标准正态变量（SNV）变换,一阶微分和二阶微分四种不同预处理方法,分别在430～1000nm、10001800nm和430～1800nm三个光谱范围内建立识别脐橙污染程度的偏最小二乘法（PLS）数学模型。比较分析得出试验结果：波谱范围取430～1000nm,采用一阶微分的预处理方法时应用PLS校正方法的结果最优,其预测值和真实值之间的相关系数和预测均方根误差分别为0．9830和0．1482。研究结果袁明。可见／近红外漫反射光谱技术可以定性检测脐橙的农药污染程度。     

基于可见-近红外光谱技术的葡萄酒真伪鉴别的研究

研究收集了不同品牌的90个葡萄酒样品,为了消除各光谱基线不同带来的影响,对所有光谱曲线都进行了一阶求导,以一阶导数谱线作为有效数据,通过独立主成分(PC)分析可知,前两个主成分的贡献率达到80%以上,主成分聚类使得真伪葡萄酒样品明显分为两类;以前四个主成分作为BP神经网络的输入建立了一个三层人工神经网络的识别模型,该模型对葡萄酒样品的预测识别率达到100%。研究表明,可见-近红外透射光谱结合主成分分析建立的BP神经网络模型能为快速、无损鉴别葡萄酒真伪提供一种准确可靠的新方法。     

基于可见-近红外光谱和多光谱成像技术的梨损伤检测研究

提出了利用可见-近红外光谱技术和多光谱成像技术检测鸭梨损伤随时间及程度变化的新方法.利用可见-近红外光谱技术,分别结合偏最小二乘(panial least squares,PLS)和最小二乘支持向量机(least squares-support vector machine,LS-SVM)方法对鸭梨受损程度和受损天数进行预测.结果表明,两种方法在鸭梨损伤后期对损伤程度的判别均具有较好的效果;LS-SVM方法对鸭梨轻度损伤的损伤天数的预测精度较高,但重度损伤天数的预测效果不如PLS方法.然后利用多光谱图像预测鸭梨受损天数.研究发现,利用LS-SVM建立的模型预测效果较稳定,预测结果相关系数均在0.85左右.说明利用可见-近红外光谱分析技术和多光谱成像技术能够快速无损地检测出鸭梨的损伤程度及时间,为鸭梨检测提供了一种新方法.     

基于PSO-CNN的土壤氮含量可见/近红外光谱建模

基于机器学习和深度学习的土壤元素含量光谱法建模是土壤化学成分检测的研究热点.为提高基于卷积神经网络的土壤元素含量光谱法建模的准确率,提出了一种粒子群算法优化的卷积神经网络土壤氮元素含量光谱分析模型(PSO-CNN).对土壤样本进行平滑及标准正态变换处理,减小噪声对建模的影响,设计适用于回归的卷积神经网络结构,采用粒子群...     

发动机润滑油品质的可见-近红外光谱快速检测

研究了基于可见-近红外光谱技术的发动机润滑油品质的快速检测方法,包括粘度与含水率的预测。在获取可见-近红外光谱信息的基础上,采用广义回归神经网络分别建立了粘度与含水率的预测模型。预测集样本的确定系数分别达到了0.9818和0.9999。说明可见-近红外光谱技术能够用于发动机润滑油的含水率与粘度的预测。     

基于可见-近红外光谱与稀疏表示的注水肉识别

为了能快速准确的识别原料肉与注水肉, 提出了一种基于可见-近红外光谱和稀疏表示的无损的识别方法。通过向猪肉样本(包括猪皮、脂肪层和肌肉层)注水的方法建立注水肉模型, 采集未注水的原料肉和6类不同注水量的注水肉的可见和近红外漫反射光谱数据。为了消除光谱数据中的冗余信息并提高分类效果, 对光谱数据进行光调制和归一化等预处理并截取有效波段, 根据是否注水以及注水量的多少对样本进行分类。用所有训练样本构成原子库(字典), 通过ｌ1最小化将测试样本表示为这些原子的最稀疏的线性组合。计算测试样本与各类的投影误差, 将最小投影误差对应的类作为测试样本的所属类别, 并应用留一法进行交叉检验, 比较了稀疏表示法与支持向量机的识别结果。实验结果表明, 利用稀疏表示法对于原料肉与注水肉的识别准确率可达到90%以上, 获得了较好的分类效果, 优于支持向量机的识别结果。而对于不同注水量的注水肉识别准确率与注水量之差正相关。稀疏方法不需要进行传统模式识别模型的前期学习与特征提取, 适用于高维、小样本量数据的处理, 计算成本低, 将其用于注水肉的光谱数据识别具有一定的创新性, 并取得了较满意的结果, 为原料肉和注水肉的无损识别提供了一种有效方法。     

香梨表面低浓度农药残留高光谱检测研究

以喷洒不同浓度杜邦万灵的香梨作为研究对象,探讨了应用高光谱成像技术检测香梨表面农药残留的方法。运用376~1051nm高光谱成像系统采集200个香梨的高光谱图像,其中120个香梨为建模集,80个香梨为预测集。运用多元散射校正(MSC)对光谱数据进行预处理,然后采用连续投影算法(SPA)提取了11个特征波长。基于处理后的光谱数据,分别运用多元线性回归法(MLR)和主成分回归法(PCR)两种算法分别建立农药残留检测的模型,比较两种模型的结果。通过比较,采用MLR建立的农药残留检测模型效果较优,其校正集相关系数(Rc)为0.973,校正均方根误差(RMSEC)为0.260,预测的正确率可以达到91.7%,对较低浓度残留的预测正确率达到80%。研究表明,应用高光谱成像技术可以成功地检测香梨表面农药残留,并且对低浓度检测也有很好的效果。     

基于卷积神经网络的烟叶近红外光谱分类建模方法研究

卷积神经网络(CNN)在图像分类识别领域应用广泛,但其在近红外光谱分类中的研究还未见报道,对基于CNN的近红外光谱分类建模方法进行了研究。针对近红外光谱数据的特点,提出了一种改进的卷积神经网络建模方法,对CNN经典模型LeNet-5所做改进：①将方形矩阵卷积核改为适用于一维近红外光谱的向量卷积核;②简化网络结构,将LeNet-5结构中C5,F6及输出层改为单层感知机。同时,采用隔点采样的方法对近红外光谱降维,加快收敛速度;并对卷积核尺寸对建模结果的影响进行了研究。以我国东北、黄淮、西南三大烤烟产区的600个中部烟叶样本的近红外光谱为实验对象,建立烟叶产区分类NIR-CNN模型。该模型对训练集和测试集的判别准确率为98.2%和95%。实验结果表明,应用卷积神经网络可对近红外光谱数据准确、可靠地判别分类;烟叶产区NIR-CNN建模方法可为卷烟企业烟叶原料科学合理利用提供指导,为维护卷烟产品的质量稳定有重要意义;基于卷积神经网络的近红外光谱判别方法也可推广到其他农产品的分类应用中。     

基于可见/近红外光谱和深度学习的早期鸭胚雌雄信息无损检测

胚蛋雌雄识别一直是家禽业发展的瓶颈问题,在禽肉生产过程中倾向于养殖雄性个体,而禽蛋生产产业倾向于养殖雌性家禽。若能在孵化过程中较早鉴别出种蛋的雌雄,不仅能够降低家禽孵化产业的成本,还能够提高禽蛋和禽肉生产行业的经济效益。该文以种鸭蛋为研究对象,为了在种鸭蛋孵化早期实现对种蛋的雌雄识别,构建了可见/近红外透射光谱信息采集系统,在200～1 100 nm的波长范围内采集了345枚孵化了0~8 d的种鸭蛋光谱数据。搭建了适用于种鸭蛋光谱信息的6层卷积神经网络（convolutional neural network, CNN）,其中包括输入层、3个卷积层、全连接层与输出分类层。卷积层可以提取光谱中的有效信息,全连接层通过对卷积层提取的局部特征进行整合供输出层分类决策。另外在卷积神经网络中引入局部响应归一化和dropout操作能够加快网络的收敛速度。利用该卷积神经网络构建鸭胚雌雄信息识别网络,通过对比与分析不同孵化天数的识别效果,发现孵化7d的识别效果最佳。随后将孵化7 d的种鸭蛋原始光谱数据进行噪声去除,选取500~900 nm波段用于后续的特征波长选取和建模。分别运用了竞争性自适应重加权算法(CARS)、连续投影算法( SPA)与遗传算法(GA)选择能够区分鸭胚性别的波长点,将选取的特征波长转换为二维的光谱信息矩阵,二维光谱信息矩阵保留了一维光谱的有效信息,同时极大地方便了与卷积神经网络的结合。利用二维光谱信息矩阵和卷积神经网络相结合,实现孵化早期阶段鸭胚的雌雄识别。经检验,基于 SPA算法和CNN网络建立的模型效果较佳,其中训练集、开发集及测试集的准确率分别为93.36%,93.12%和93.83%;基于GA算法和CNN网络建立的模型效果次之,训练集、开发集及测试集的准确率分别为90.87%,93.12%和86.42%;基于CARS算法和CNN网络建立的模型的训练集、开发集及测试集的准确率分别为84.65%,83.75%和77.78%。研究结果表明基于可见/近红外光谱技术和卷积神经网络可以实现孵化早期鸭胚胎雌雄的无损鉴别,为后续相关自动化检测装置的研发提供了技术支撑。     

基于独立组分分析和BP神经网络的可见/近红外光谱蜂蜜品牌的鉴别

提出了一种基于独立组分分析的可见/近红外光谱透射技术快速鉴别蜂蜜品牌的新方法。用独立组分分析方法获取蜂蜜的可见/近红外光谱载荷图,将载荷图中相关性最大的波段,作为人工神经网络的输入建立蜂蜜品牌的鉴别模型。建立了一个三层的BP神经网络模型,各层传递函数采用S型(Sigmoid)函数,并设置网络输入层节点数为9,隐含层节点数为10,输出层节点数为3。每个品牌25个样本,3个品牌共75个样本,用来建立BP神经网络模型,剩余的3个品牌各５个样本用于预测,鉴别准确率达100%,模型的拟合残差为8.245 365×10-5。说明基于独立组分分析的方法具有很好的鉴别效果,为蜂蜜的品牌鉴别提供了一种新方法。