基于THz光谱成像的纸币真伪鉴别研究

根据纸币防伪特征区域载体材料与制作工艺的不同,利用透射式太赫兹脉冲成像技术对2005版真伪百元人民币的白水印和安全线两处防伪特征区域进行逐点扫描获取相应的太赫兹时域信号,然后对太赫兹波形进行数据处理获得时域显示模式成像及频域显示模式成像。将真钞和假钞的成像结果进行对比,发现白水印、安全线部位的真假钞成像结果区别明显,证实太赫兹脉冲成像技术能够真实、有效地对真假人民币进行多区域、多维度的准确鉴定。     

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。     

高光谱成像鉴别玉米品种早期抗倒性

针对传统玉米品种抗倒性鉴别方法费时费力、时效滞后的问题,采用高光谱成像数据结合机器学习方法对9叶期的玉米品种抗倒性进行鉴别,并给出适于进行玉米品种抗倒性鉴别的种植密度和建模方法。试验设置了5 000,7 000和9 000株·亩-13个种植密度和6个典型的抗倒/不抗倒玉米品种,采集9叶期玉米顶叶的高光谱图像,使用目标区域分割的方式自动进行光谱图像反射率校正和目标光谱曲线提取。对采集的样本数据使用Kennard Stone算法划分样本训练集和测试集,用主成分分析法(PCA）和连续投影算法（SPA）提取光谱特征,建立了基于高斯核函数的支持向量机（SVM）模型并进行参数训练和优化。通过对不同种植密度下各特征提取方法的效果和各模型训练效果及其预测结果的对比,找到进行玉米抗倒性鉴别的最佳种植密度和建模方法。试验结果表明：在各种植密度下PCA方法对光谱特征的降维效果最为显著,而SPA算法选择的特征波长分布比较均匀、抗倒性分类特征比较明显;种植密度的增加对于玉米品种抗倒性的鉴别是有益的,在种植密度为7 000株·亩-1时,使用SPA-SVM方法建立的模型训练效果和预测结果最佳,此时模型对训练集数据的10折交叉验证正确率为97.40%,对测试集数据的预测正确率为98.33%。     

柑橘真菌感染部位的高光谱成像快速检测

真菌感染是柑橘的一种常见病害,是柑橘腐烂的主要因素,自动化检测出柑橘真菌感染可以有效提高柑橘的商品价值和市场竞争力。运用高光谱成像技术对真菌感染柑橘腐烂部位的缺陷特征进行了快速识别检测。基于ROI提取柑橘真菌感染光谱曲线,对光谱矩阵进行主成分分析,分析权重曲线后得到4个特征波段,分别为615,680,710和725 nm,然后对这4波段组合分别做主成分分析,通过分析权重曲线提取到615和680 nm两个特征波段,基于这两个特征波段做主成分分析,以第2主成分图像为基础识别柑橘真菌感染部位,识别率达到了100%。高光谱成像技术可用于快速检测柑橘真菌感染引起的腐烂缺陷,为开发水果分级和缺陷检测等相关仪器设备的研究提供了理论方法和依据。     

高光谱成像的柑橘病虫害叶片识别方法

为监测柑橘生长状况,实现病虫害无损识别,利用高光谱成像技术和机器学习方法进行柑橘病叶分类研究。使用高光谱成像仪采集46片柑橘正常叶、46片溃疡病叶、80片除草剂危害叶、51片红蜘蛛叶和98片煤烟病叶的高光谱图像,在478～900 nm光谱范围内对每个叶片一个或多个发病区提取5×5的感兴趣区域（ROI）,将ROI内每个像素的反射率值作为光谱信息,则一个ROI得到25个光谱信息样本,最终五类叶片共得到13250个光谱样本。利用随机法将全部样本划分为9 938个训练集和3 312个测试集。分别采用一阶求导（1stDer）、多元散射校正（MSC）和标准正态变换（SNV）三种方法对原始光谱信息进行预处理,对不同预处理方法后的数据采用主成分分析法（PCA）提取特征波长。1st Der预处理后得到7个特征波长,分别是520.2,689.0,704.8,715.4,731.2,741.8和757.6 nm;MSC和SNV预处理后得到7个相同的特征波长,分别是551.9,678.5,704.8,710.1,725.9,731.2和757.6 nm;原始光谱得到7个特征波长,分别是525.5,678.5,710.1,720.7,725.9,757.6和762.9 nm。分析PCA后的样本分布散点图可知,正常叶片、溃疡病叶片和红蜘蛛叶片样本有一定程度聚类,除草剂叶片和煤烟病叶片样本有大量重叠,仅依据PCA不能完成病虫害叶片的识别。对全波段（FS）和PCA特征波长数据在不同预处理方法下进行支持向量机（SVM）和随机森林（RF）建模,结果表明：数据在1stDer预处理方法下识别效果最佳,1st Der-FS-SVM模型总分类精度（OA）为95.98%,Kappa系数为0.948 2,1st Der-FS-RF模型OA为91.42%,Kappa系数为0.889 2,1stDer-PCA-SVM模型OA为90.82%,Kappa系数为0.881 6,1stDer-PCA-RF模型的OA为91.79%,Kappa系数为0.894;对PCA选择的特征波长数据建模,SVM和RF模型下识别率均达到84%,全波段下模型识别率在88%以上,FS数据建模效果优于PCA特征波长。研究结果表明,高光谱成像技术结合机器学习方法进行柑橘叶片分类是可行且有效的,为柑橘病虫害的无损准确识别提供理论根据。     

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。     

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。     

基于遗传算法与线性鉴别的近红外光谱玉米品种鉴别研究

结合遗传算法与线性签别分析(LDA)提出了一种玉米品种的快速鉴别方法.该方法是一种基于近红外光谱的新方法,通过采集玉米种子(实验共37个种类)的近红外光谱数据,使用遗传算法进行特征光谱波段的选择,使用线性鉴别分析的方法提取光谱特征并分类.结果表明,遗传算法能有效地剔除光谱噪声波段,并提高 LDA 的泛化能力.同时,为简化运算,剔除了大量冗余数据,结合遗传算法选择的特征谱区,使参与鉴别的数据维数从2 075降到了233.对测试集1的300个样本的平均正确识别率与平均正确拒识率均达到99.30%,其中73.33%的玉米品种的正确识别率达到了100%;对测试集2(均为未参加训练品种的样本)的175个样本的平均正确拒识率达到99.65%.与常用的 PCA 等方法相比,运算时间更短,正确率更高.     

近红外漫反射光谱的主成分分析

本文研究了主成分分析的应用，说明了在主成分分析过程中所产生的新变量如何提供新的光谱信息，该信息能改善对原光谱的解释。     

荧光光谱成像技术结合聚类分析及主成分分析的藻类鉴别研究

为探讨快速、实时藻类检测方法,实验通过荧光光谱成像技术结合模式识别方法对不同藻类进行鉴别研究。发现藻类样本存在着显著的荧光特性,通过采集40个藻类样品的荧光光谱图像,对图像进行去噪、二值化处理,确定有效像素后,根据光谱立方体绘制每个样本的光谱曲线,将所得400～720 nm区段范围内的光谱数据作鉴别分析,再利用系统聚类分析及主成分分析两种不同的模式识别法对光谱数据进行处理。系统聚类分析结果表明： 采用欧氏距离法及平均加权法计算样本间的聚类距离,在距离L=2.452以上水平处可将样本正确分类,准确率为100%;主成分分析结果表明： 通过对原始光谱数据进行一阶微分、二阶微分、多元散射校正、变量标准化等预处理后,再对数据进行主成分分析,其中二阶微分预处理后鉴别效果最佳,八种藻类样品在主成分特征空间中独立分布。因此,利用荧光光谱成像技术结合聚类分析法及主成分分析法对藻类进行鉴别是可行的,操作简便、快速、无损。     

高光谱成像的水稻螟虫蛀入检测方法

为了控制水稻螟虫预警和喷洒农药用量,实现对水稻螟虫虫害的无损检测,提出了基于主成分分析特征波段检测方法和基于迭代阈值的最优波段检测方法,确定了水稻茎秆螟虫检测的特征波段和最优波段,提取出单波段和组合波段的图像来分割虫孔,从而实现水稻螟虫的精准的无损检测。首先通过高光谱得到的120个样品反射率信息分析确定了光谱区域为450～1 000 nm。基于主成分分析特征波段检测方法,对高光谱图像进行主成分分析,通过前五个主成分图像比较确定第三主成分图像为最佳,然后根据第三主成分图像中各个波段的贡献率来选取特征波长（668.8和750 nm）,最后结合全局阈值分割和图像掩膜等图像处理方法实现对虫孔区域的判别。而利用基于迭代阈值的最优波段检测方法,在可见光波段450～750 nm范围和近红外波段750～1 000 nm范围内应用混合距离挑选最佳的单波段,通过单波段来确定组合波段,对单波段和组合波段进行迭代阈值分割,其中753.5 nm波长分割效果最好,故确定753.5 nm为最优波长,然后提取该波长的图像采用一种基于迭代阈值虫孔提取方法和形态学处理,最后能对水稻茎秆虫孔区域进行判别来实现水稻茎秆虫害是否存在。对60个虫害水稻茎秆和60个正常水稻茎秆进行检测,应用基于主成分分析特征波段检测方法在668.8和750 nm波长处检测率分别为95.8%和93.3%,而应用基于迭代阈值的最优波长检测方法在753.5 nm波长处检测率高达96.7%。说明利用基于迭代阈值的最优波长检测方法对水稻螟虫的检测更加精确,也说明所获取的特征波段和最优波段为以后水稻螟虫虫害的多光谱成像技术提供了理论参考。     

高光谱成像的水稻稻瘟病早期分级检测

稻瘟病是世界公认的水稻重大病害之一.实现稻瘟病害的早期分级检测,对水稻病害早期防治及精准用药具有重要意义.以大田自然发病水稻为研究对象,采集稻瘟病发病早期染病叶片和健康叶片,获取所有叶片样本在400～1000 nm波段内的高光谱图像并提取光谱数据.水稻在染病之初不会立刻出现病斑,无法识别采集到的无斑叶片是否染病.为实现...     

应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究

提出了应用光谱和纹理特征的高光谱成像技术早期检测番茄叶片早疫病的方法。利用高光谱图像采集系统获取380～1 030 nm范围内71个染病和88个健康番茄叶片的高光谱图像,同时采用主成分分析法(PCA)对高光谱图像进行处理。选取染病和健康叶片感兴趣区域(region of interest, ROI)的光谱反射率值,同时分别从前8个主成分的每幅主成分图像的ROI中提取对比度(Contrast)、 相关性(Correlation)、 熵(Entropy)和同质性(Homogeneity)4个灰度共生矩阵的纹理特征值,再通过PCA和连续投影算法(SPA)结合最小二乘支持向量机(LS-SVM)构建番茄叶片早疫病的早期鉴别模型。建立的6个模型中,采用光谱反射率值的LS-SVM模型对番茄叶片早疫病的识别率最高,达到100%。结果表明,应用高光谱成像技术检测番茄叶片早疫病是可行的。     

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。     

基于高光谱成像的小麦白粉病与条锈病识别

小麦白粉病和条锈病是我国两种最普遍、最具破坏性的小麦病害,且田间常常混合发生。由于病源和发病机理不同,有必要对这两种病害进行准确区分和识别,以采取不同的防治措施。基于ImSpector V10E高光谱成像系统采集的条锈菌侵染叶片、白粉菌侵染叶片和健康叶片(共计320个)在375～1 017 nm范围内的高光谱图像,利用高斯平滑等预处理方法得到三种小麦叶片的平均光谱曲线,发现小麦白粉病和条锈病的敏感波段均集中在550～680 nm的色素强吸收位置,且趋势基本一致。针对两种病害的响应波段交叉重叠的问题,通过主成分分析-载荷法(PCA)、连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对小麦叶片的光谱信息进行有效降维,分别优选出3、6、30个敏感波段和特征波长;在此基础上,采用最小二乘-支持向量机和极限学习机两种分类算法分别基于全波段、PCA、SPA和CARS的优选波段,建立白粉病、条锈病和健康叶片的判别模型。结果表明,8种模型的准确识别率均在94.58%以上。其中,主成分分析-载荷法结合极限学习机模型最优,训练集与校正集的正确识别率分别为99.18%和100%,且结构简单,仅含有三个变量(占全波段的1.1%)。最后,通过对小麦白粉病、条锈病以及健康叶片的显微结构分析,发现病菌入侵叶片,破环细胞结构,导致叶绿素含量减少,光合作用效能降低,进而使得小麦在可见光波段光吸收程度减弱,反射率增大。可见,利用作物的高光谱图像信息能够准确地识别不同类型的小麦病害,为研发作物病害在线识别的多光谱系统提供重要的理论依据。     

基于高光谱成像技术应用光谱及纹理特征识别柑橘黄龙病

讨论了基于高光谱成像技术光谱及纹理特征在识别早期柑橘黄龙病中的应用。使用一套近地高光谱成像系统采集了176枚柑橘叶片的高光谱图像作为实验样品,其中健康叶片60枚,黄龙病叶片60枚,缺锌叶片56枚。手工选取每幅叶片高光谱图像的病斑位置作为样品感兴趣区域(regions of interest, ROI),计算其平均光谱反射率,并以此作为样品的反射光谱,光谱范围为396～1 010 nm。样品光谱分别经过主成分分析(PCA)及连续投影算法(SPA)进行数据降维,再结合最小二乘支持向量机(LS-SVM)分类器建立分类模型。相比原始光谱,由PCA选取的前四个主成分及SPA选取的一组最佳波长组合(630.4,679.4,749.4和899.9 nm)建立的模型拥有更好的分类识别能力,其对三类柑橘叶片平均预测准确率分别为89.7%和87.4%。同时,从被选四个波长的每幅灰度图像中提取6个灰度直方图的纹理特征以及9个灰度共生矩阵的纹理特征再次构建分类模型。经SPA优选的10个纹理特征值进一步提高了分类效果,对三类柑橘叶片的识别正确率达到了100%,93.3%和92.9%。实验结果表明,同时包含光谱信息及空间纹理信息的高光谱图像在柑橘黄龙病的识别中显示了很大的潜力。     

基于高光谱图像的即食海参新鲜度无损检测

新鲜度是即食海参加工品质调控和贮藏品质监控的关键指标。针对感官评定和现有理化检测无法满足即食海参产品大批量、标准化、工业化生产问题,提出了一种基于高光谱图像的即食海参新鲜度快速无损检测方法,通过图像主成分分析和波段比运算相结合,优选特征波长和图像;依据海参腐败机理,建立图像纹理特征与即食海参新鲜度等级间的关联模型,实现即食海参新鲜度无损、快速评价。首先针对高光谱图像巨大的数据量展开降维研究。根据即食海参体壁光谱吸收特性,以具有明显化学吸收特征的波长(474和985 nm)为分界点,获得包括全检测波段(400～1 000 nm)在内的六个待处理波段,通过分段图像主成分分析实现待测波段的优选,利用权重系数和波段比图像运算,最终将686和985 nm波段比图像确定为特征图像。面向特征图像的感兴趣区域(ROI),构建灰度共生矩阵(gray-level co-occurrence matrix, GLCM)、灰度梯度共生矩阵(gray-gradient co-occurrence matrix, GGCM)、改进的局部二元模式纹理描述子(local binary pattern,LBP),分别提取纹理参数作为输入,以挥发性盐基氮(total volatile basic nitrogen, TVB-N)检测为标准,建立经粒子群优化的BP 神经网络(back propagation,BP)即食海参新鲜度判别模型,新鲜度等级判别准确率分别为90%,95%和80%。结果表明,即食海参高光谱图像灰度梯度共生矩阵的纹理特征用于新鲜度判别效果较好。为即食海参新鲜度快速无损检测方法研究和仪器开发提供了理论基础和数据支持。     

基于高光谱成像技术的番茄叶片灰霉病早期检测研究

提出了独立软模式法(SIMCA)的番茄叶片灰霉病特征波段图像的提取,并通过多元线性回归法(MLR)提取波段融合图像,通过最小距离法获取番茄灰霉病患病信息的技术路线。利用680～740 nm波段的方差图像和建模能力参数提取的特征波段,并作为输入变量进行MLR分析,在0.5准确率阈值下,准确率均大于99%,说明特征波段可以实现番茄叶片灰霉病的检测,并利用MLR回归系数提取波段融合图像,通过最小距离法获取番茄灰霉病患病信息,结果表明所提出的方法具有很好的预测能力,为番茄灰霉病的早期检测提供了一种新方法,且大大降低了高光谱图像的数据处理时间。