基于介电特性及ANN的油桃糖度无损检测方法

为了探索利用果品的介电特性无损预测内部品质的可能性,该文采用矢量网络分析仪测量了10 d贮藏期间,300个99-1油桃在20～4500 MHz频率下的相对介电常数和介电损耗因子,以糖度作为内部品质指标,基于x-y共生距离的样本划分法确定了含243个样本的校正集和57个样本的预测集;建立了预测油桃糖度的偏最小二乘、支持向量机及极限学习机模型,并综合比较了采用全频谱以及利用无信息变量消除法和连续投影算法分别提取的特征变量作为各模型输入变量时,对各模型拟合效果的影响。结果表明：连续投影算法结合极限学习机预测效果最好（预测相关系数为0.887,预测均方根误差为0.782）;与全频谱和无信息变量消除法相比,连续投影算法在简化模型及提高模型稳定性方面性能良好。该研究结果表明,基于油桃介电特性无损检测糖度是可行的,可为应用介电特性无损检测果品的内部品质指标提供了一种新方法。     

利用近红外光谱与PCA-SVM识别热损伤番茄种子

为了研究近红外光谱技术用于热损伤种子快速无损识别的可行性,该文以120粒番茄种子为研究对象,其中60粒番茄种子通过高温加热处理的方式成为热损伤种子组,其他60粒番茄种子为正常种子组,利用实验室自主搭建的近红外光谱检测系统获取单粒番茄种子在980~1 700 nm范围内的光谱,分别采用偏最小二乘判别法(partial least squares discriminant analysis,PLS-DA)和支持向量机(support vector machines,SVM)建立了番茄种子热损伤的定性分析模型。试验结果表明:2种判别模型的验证集总正确率均大于96%,均可用于热损伤种子的判别。其中,基于主成分分析(principal component analysis,PCA)预处理的光谱数据构建的支持向量机模型的判别效果最好,其校正集和验证集的判别正确率均为100%,更适用于种子热损伤识别。因此,应用近红外光谱技术可快速无损识别热损伤番茄种子,为种子检验提供了一种新的方法。     

基于电子鼻传感器阵列优化的甜玉米种子活力检测

针对甜玉米种子活力传统检测方法操作繁琐、重复性差等不足,该研究利用电子鼻技术建立甜玉米种子活力快速检测方法。利用电子鼻获取不同活力甜玉米种子的气味信息,再结合主成分分析(PCA,principal component analysis)、线性判别分析(LDA,linear discriminant analysis)、载荷分析(loadings)和支持向量机(SVM,support vector machine)对气味信息进行提取分析,建立甜玉米种子活力的定性定量分析模型。结果显示:PCA和LDA分析均无法区分不同活力的甜玉米种子,而SVM的鉴别效果较好。全传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为97.10%和96.67%,建模时间为30.75 s,回归预测模型训练集和预测集决定系数R~2分别为0.993和0.913,均方差误差分别为2.23%和8.50%。经Loadings分析将10个传感器阵列优化为6个。优化后传感器阵列数据集SVM分类判别模型训练集和预测集正确率分别为98.55%和96.67%,建模时间为21.81 s,回归预测模型训练集和预测集决定系数R~2分别为0.982和0.984,均方差误差分别为3.80%和3.01%。结果表明:基于SVM的电子鼻技术可以实现对不同活力甜玉米种子的高效判别和预测,将传感器阵列优化为6个,判别和预测效果均有所提升。该研究为电子鼻技术应用于甜玉米种子活力检测提供理论依据。     

利用近红外高光谱图像技术快速鉴别西瓜种子品种

为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法（empirical mode decomposition,EMD）和小波分析（wavelet transform,WT）对提取出的光谱数据进行去除噪声处理,采用连续投影算法（successive projections algorithm,SPA）和遗传-偏最小二乘法（genetic algorithm-partial least squares, GA-PLS）进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）,基于特征波长建立了反向传播神经网络（back-propagation neural network,BP NN)判别模型和极限学习机（extreme learning machine,ELM）判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。     

高光谱图像技术在掺假大米检测中的应用

为了有效判别出优质大米中是否掺入劣质大米,该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米,按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统(390~1050 nm)获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域(region of interest,ROI),并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机(support vector machine,SVM)建立全光谱波段下的大米掺假判别模型,径向基(radial basis function,RBF)核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大,该文采用主成分分析方法(principal component analysis,PCA)分别对大米高光谱图像和高光谱数据进行处理,从特征选择和特征提取2个角度对原始高光谱数据进行处理,通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长,通过留一交叉验证法(leave-one-out cross-validation,LOOCV)确定并提取出PCA降维后的最优主成分数(number of principal component,PCs)为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型。试验结果表明,基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%,基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明,该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能,且利用高光谱图像技术对大米掺假问题进行检测是可行的。     

iPLS-SPA变量选择方法在螺旋藻粉无损检测中的应用

该文研究了基于可见-近红外光谱技术的螺旋藻粉类别无损检测方法。采用簇类独立软模式法（SIMCA）建立可见-近红外光谱模型。全波段光谱所建立的模型得到了93.33%的预测集正确率。文章提出了基于间隔偏最小二乘法（iPLS）和连续投影算法（SPA）的组合光谱变量选择方法进行有效波长的选择。该方法从全波段675个变量中选择了5个最优的有效波段,并且得到了96.67%的预测集正确率。和基于全波段光谱、可见光波段光谱和近红外波段光谱进行SPA运算相比,基于iPLS的SPA运算可以有效减少计算时间。研究表明可见-近红外光谱可以用于对螺旋藻粉类别进行无损检测,同时iPLS-SPA是一个有效的光谱变量选择方法。     

基于介电特征选择的苹果内部品质无损分级

为了快速而准确地利用介电特性对苹果内部品质进行无损分级,该文对500个富士苹果的108种特征值（12种介电参数在9个频率点下）进行了分析筛选,以获取用于5个品质等级富士苹果无损分级的最少介电特征。在整个内部品质的分级过程中,贪心选择法、基于快速聚类的特征子集选择法、稀疏主成分分析法和以信息增益为评价函数的属性排序法共4种方法被用来从108种介电特征中选择出对等级划分最有帮助的关键介电特征。试验结果显示,基于快速聚类的特征子集选择法仅选择了4种特征时分级正确率就达到了80%左右,而贪心选择法的性能明显更优,在分级正确率超过90%时,其选择的特征一般不超过10种,其最优情况为当选择了4种介电特征时,分级正确率为91.22%,而当选择了10种介电特征时,其分级正确率为95.95%。该研究为水果等农产品的品质与病虫害快速无损检测等提供参考。     

柑桔叶片黄龙病光谱特征选择及检测模型

为探索高光谱技术诊断黄龙病及分类的可行性,通过变量筛选方法组合为高维数据实用化提供参考。采集柑桔叶片高光谱图像并进行普通(polymerase chain reaction,PCR)鉴别分为轻度、中度、重度、缺锌和正常5类样品。用无信息变量消除算法(uninformative variable elimination,UVE)剔除无关信息,组合遗传算法(genetic algorithm,GA)和连续投影算法(successive projections algorithm,SPA)筛选变量,对数据进行降维。结合极限学习机(extreme learning machine,ELM)和最小二乘支持向量机(least squares support vector machine,LS-SVM)构建柑桔黄龙病判别模型。对预测样品进行诊断分类,来评价模型判别能力。经对比发现,UVE组合SPA筛选变量后的LS-SVM模型效果最好,该模型以Link_kernel函数为核函数,惩罚因子(γ)最小为1.07,误判率最低为0。用全谱作输入变量时LS-SVM模型复杂程度最高且预测能力最差,误判率最高为11.9%,可能是包含无用信息和冗余信息变量造成的。研究显示,UVE组合SPA筛选变量,结合LS-SVM对柑桔黄龙病诊断并分类具有一定可行性,为高维度数据实用化提供一定参考价值。     

基于高光谱图像纹理特征的牛肉嫩度分布评价

传统牛肉品质的检测方法耗时长,效率低,破坏样品,已不能满足现代化生产的需要。为了实现对牛肉嫩度品质的快速无损检测和评价,该文利用高光谱成像系统,以西门塔尔牛多个胴体的背最长肌部位为研究对象,采集56个有效样本的高光谱立体图像,研究无损评价牛肉样品的嫩度分布。通过提取样本的反射光谱信息,并利用逐步回归算法结合遗传算法(GA,genetic algorithm)筛选出牛肉剪切力值(WBSF,warner-bratzler shear force)的特征波段。利用主成分分析(PCA,principle component analysis)提取样品的3个主成分。基于选出的特征波段图像和提取的主成分,通过计算图像灰度共生矩阵求取每幅图像8个主要纹理特征参数,分别建立了基于支持向量机(SVM,support vector machine)和线性判别(LDA,linear discriminant analysis)法的嫩度等级判别模型。经分析比较,基于主成分纹理特征优于基于特征波段图像建立的预测模型,并且,线性判别模型识别准确率相比支持向量机模型较高。基于主成分纹理特征建立的线性判别模型预测集判别精度为94.44%。研究结果证明,基于高光谱图像纹理特征分析,可以建立牛肉的嫩度判别模型,对牛肉嫩度快速无损检测技术研究提供理论参考。     

基于介电频谱的灵武长枣可溶性固形物含量的预测模型

为了探寻利用介电频谱预测灵武长枣可溶性固形物含量的可行性,并建立最优模型,该文采用网络分析仪在200 MHz~18 GHz的频率范围内,选取101个频率点,测定分析了300个灵武长枣的介电损耗因子ε″和介电常数ε'频谱,利用长枣的介电损耗因子ε″和介电常数ε'进行了可溶性固形物含量的预测模型研究。通过遗传算法(genetic algorithm,GA)和相关系数法(correlation coefficient,CC)提取了介电频谱的有效信息,并分别采用偏最小二乘(partial least squares,PLS)、主成分回归(principal component regression,PCR)和支持向量机(support vector machines,SVM)法比较建立了可溶性固形物含量的预测模型。研究结果表明:用GA与CC方法提取频谱有效信息的建模效果要优于原始频谱的建模效果;PCR法的建模效果要优于PLS与SVM法的建模效果。以介电损耗因子ε″、介电常数ε'频谱建立的可溶性固形物含量的最优预测模型分别为GA-PCR和CC-PCR。以介电损耗因子ε″建立的GA-PCR模型优于介电常数ε'的CC-PCR模型,其校正集和预测集的相关系数分别为0.933和0.925,均方根误差分别为0.661%和0.702%。结果表明,利用介电频谱预测灵武长枣的可溶性固形物含量是可行的。     

基于光谱技术的大豆豆荚炭疽病早期鉴别方法

为更好地指导农户进行植物病害防治,提高大豆豆荚的商品性,减少损失,需要运用快速有效的方法来进行大豆豆荚炭疽病的早期检测。该文应用可见-近红外光谱技术结合连续投影算法(SPA)和最小二乘支持向量机(LS-SVM),实现了大豆豆荚炭疽病的早期快速无损检测。对194个大豆豆荚样本进行光谱扫描,通过不同预处理方法比较,建立了大豆豆荚炭疽病早期无损鉴别的最优偏最小二乘法(PLS)模型。同时应用主成分分析(PCA)和连续投影算法(SPA)分别了提取最佳主成分和有效波长,并将其作为LS-SVM的输入变量,建立了PCA-LS-SVM和SPA-LS-SVM模型,以样本鉴别的准确率作为模型评价指标。试验结果显示PCA-LS-SVM和SPA-LS-SVM模型都获得了比较满意的准确率,且SPA-LS-SVM模型的准确率最高为95.45%。研究表明,SPA能够有效地进行波长选择,进而使LS-SVM模型获得较高的鉴别率,说明应用可见-近红外光谱技术鉴别大豆豆荚炭疽病是可行的。这为进一步应用光谱技术进行大豆生长对逆境胁迫的反应提供了新的方法,为实现大豆病害的田间实时在线检测提供参考。     

基于图像和光谱信息融合的红茶萎凋程度量化判别

为了实现对红茶萎凋程度量化判别,该研究提出了一种将图像和光谱信息融合后分别与线性判别分析法和偏最小二乘法结合的技术,进行工夫红茶萎凋程度定性判别及儿茶素与氨基酸比值定量预测研究。通过对图像进行主成分分析,筛选出5个特征波长和对应的光谱特征值,基于灰度共生矩阵提取5个特征波长图像的纹理特征值,并采用连续投影算法优选出14个纹理特征值,然后分别以光谱和纹理特征值融合数据建立红茶萎凋程度的线性判别模型和儿茶素与氨基酸比值的偏最小二乘预测模型。结果表明:采用所研究的方法和建立的模型对工夫红茶萎凋程度判别准确率达到94.64%,儿茶素与氨基酸比值预测相关系数为0.8765,预测均方根误差为0.434,预测结果较好。证明应用这两种方法能实现对红茶萎凋程度量化判别。     

基于介电特性与SPA-SVR算法的水稻含水率检测方法

为提高基于介电法水稻含水率的检测精度,以北粳3号水稻为研究对象,利用阻抗分析仪及自制同轴圆柱型电容器测量了不同含水率水稻在1 kHz～1 MHz频率下的相对介电常数ε′及介质损耗因数ε"。采用x-y共生距离法划分了72个样本校正集和48个样本预测集。利用无信息变量消除法及连续投影法选取介电参数(ε′、ε"及ε′和ε"两者结合)的特征变量,分别利用所提取的特征变量以及单频、全频下的介电参数来建立预测水稻含水率的多元线性回归及支持向量机回归模型,分析模型的预测性能,并对最佳模型的含水率预测结果进行温度补偿。结果表明:基于ε′与ε"两者结合并利用连续投影法提取特征变量建立的支持向量机回归模型预测效果最佳,其预测集决定系数为0.980,预测均方根误差为0.403%。最佳预测模型对不同品种水稻的含水率预测值与烘干法测得的含水率实测值的绝对误差集中分布在±0.5%内,该研究可为粮食含水率的检测提供参考。     

基于计算机视觉的稻谷霉变程度检测

为了实现无损检测稻谷储藏中的霉变,该研究以引起稻谷霉变的5种常见真菌(米曲霉、黑曲霉、构巢曲霉、桔青霉和杂色曲霉)为对象,首先进行真菌培养,制成悬浮液,然后将悬浮液接种到稻谷样品中,对稻谷样品模拟储藏,确定不同霉变程度的稻谷类型,划分为对照组(无霉变)、轻微霉变组和严重霉变组。利用计算机视觉系统对三组稻谷样品进行图像采集和图像处理,提取灰度、颜色和纹理特征,共获取68个图像特征。采用支持向量机(support vector machines,SVM)和偏最小二乘法判别分析(partial least squares discriminant analysis,PLS-DA)构建模型,分别用于无霉变稻谷与霉变稻谷的区分和稻谷霉变类型区分。为了降低模型复杂度和数据冗余,利用连续投影算法(successive projections algorithm,SPA)来消除原始数据变量间的共线性,优选特征值。结果表明:利用所有参数构建的SVM模型能够很好的区分对照组与霉变组,其中建模集和验证集总体区分准确率分别为99.7%和98.4%;SVM模型对于稻谷严重霉变类型的区分效果要优于轻微霉变稻谷,其中对稻谷轻微霉变类型建模集和验证集总体区分的准确率分别为99.3%和92.0%,对稻谷严重霉变类型区分的总体准确率分别为100%和94%,且整体上SVM模型的效果要优于PLS-DA模型。而基于SPA优选特征构建的模型区分结果表明,SVM模型区分效果优于PLS-DA模型,其中,在建模集和验证集中,对无霉变和霉变稻谷总体区分准确率分别为99.8%和99.5%,对稻谷轻微霉变种类区分总体准确率分别为99.8%和90.5%,对稻谷严重霉变种类区分总体准确率分别为100%和95.0%。因此,基于计算机视觉对稻谷霉变检测是可行的,而且SPA优选特征能够较好反映稻谷霉变特征,基于优选特征和SVM模型能够较好地稻谷霉变进行识别和区分,结果较好,可以为实际应用提供技术支持和参考。     

基于数据挖掘的电子皮带秤皮带跑偏检测

为提高电子皮带秤连续累计称量精度,针对严重影响精度的电子皮带秤跑偏,采用对皮带秤现有原始传感器的数据挖掘实现跑偏量实时在线检测,以取代传统硬件检测设备。引入流形学习和深度学习,分别提出了基于局部切空间排列(local tangent space alignment,LTSA)+广义回归神经网络(generalized regression neural networks,GRNN)和基于连续深度置信网络(continuous deep belief networks,CDBN)的在线跑偏特征提取模型,再结合极限学习机(extreme learning machine,ELM)以跑偏特征为模型输入进行跑偏量预测。最后通过试验对该文提出的在线跑偏量预测模型的性能进行了验证:LTSA+GRNN+ELM平均跑偏预测精度为93.33%,平均每组预测时间38.29 ms;CDBN+ELM预测精度则高达98.61%,平均每组预测时间1.47 ms。二者预测精度和实时性皆表明能取代传统硬件检测装置,为皮带跑偏检测提供了一种方法,为进一步的皮带秤在线精度补偿和故障预测提供了必要依据。     

基于无人机高光谱遥感的柑橘黄龙病植株的监测与分类

柑橘黄龙病(Huanglongbing,HLB)是柑橘产业的毁灭性病害,及早发现并挖除病株是防治HLB的有效手段。通过无人机低空遥感监测大面积果园,可大大减少HLB排查工作量和劳动力。该文获取了无人机低空柑橘果园的高光谱影像,分别提取并计算健康和感染HLB植株冠层的感兴趣区域的平均光谱,并对初始光谱进行Savitzky-Golay平滑、异常数据剔除和光谱变换,得到原始光谱、一阶导数光谱和反对数光谱3种光谱,对这3种光谱采用主成分分析法进行降维,与全波段信息比较,分别采用k近邻(kNN)和支持向量机(SVM)进行建模和分类。结果表明,以二次核SVM判别模型对全波段一阶导数光谱的分类准确率达到94.7%,对测试集的误判率为3.36%。表明低空高光谱遥感监测HLB的手段具有可行性,可大大提高果园管理效率和政府防控病情力度。     

基于机器学习算法的湖滨绿洲土壤电导率高光谱估算模型

  目的  为湖滨绿洲土壤高光谱估算土壤电导率值提供方法支持,实现区域土壤盐分快速估测。  方法  利用实测的土壤电导率值与土壤高光谱数据联合分析,采用竞争自适应重加权采样（CARS）、连续投影算法（SPA）、遗传算法（GA）筛选土壤电导率的特征波段,并基于全波段及特征波段构建BP神经网络（BPNN）、支持向量机（SVM）、极限学习机（ELM）三种机器学习算法模型,引入偏最小二乘模型（PLSR）进行对照,比较其模型精度。  结果  研究区土壤电导率值变化范围0.02～17.22 mS cm?1,平均值为2.61 mS cm?1,变异系数为134.87%,呈现强变异性;CARS、SPA、GA算法筛选的特征波段将建模输入量分别压缩至全波段数量的0.87%、1.68%、0.70%,减少建模输入量,提升建模速率,变量方法的选择CARS > SPA > GA;三种机器学习算法模型均优于PLSR模型,决定系数（R2）平均增加20.57%,相对分析误差（RPD）平均增加17.84%,土壤电导率高光谱估算模型以CARS-SVM最优,训练集与验证集R2分别为0.76和0.75,RMSE分别为1.79 和1.68 mS cm?1,RPD分别为2.04和2.00。土层深度20 ~ 30 cm的土壤电导率高光谱估算模型精度最高,训练集与验证集R2分别为0.83和0.84,RMSE分别1.37和1.77 mS cm?1,RPD分别为2.41和2.50。  结论  基于CARS-SVM的土壤电导率高光谱估算模型精度高,估算能力最优,可以为湖滨绿洲土壤电导率估算提供科学参考。     

基于GF-1遥感影像和relief-mRMR-GASVM模型的小麦白粉病监测

选择合适的建模和特征选择算法对提高作物病害的遥感监测水平有着重要的作用。研究以河北省小麦白粉病为研究对象,基于GF-1/WFV数据共提取了4个波段反射率数据和10个对作物长势和胁迫敏感的植被指数作为初选特征。针对常用的特征提取算法relief算法筛选出的特征存在冗余性的问题,提出了一种relief结合最小冗余最大相关(minimum redundancy maximum relevance,m RMR)的特征降维算法(relief-m RMR)。首先,通过relief算法计算出各特征的权重系数,对特征集进行加权;然后利用m RMR算法选出与类别具有最小冗余性的特征,利用支持向量机(support vector machine,SVM)对河北白粉病进行监测,并用遗传算法(genetic algorithm,GA)优化的SVM(GASVM)建立了白粉病的监测模型(relief-m RMR-GASVM),将监测结果分别与SVM和网格寻优(grid search,GS)算法优化的SVM(GSSVM)的监测结果进行对比分析,同时比较了该方法与Ada Boost、粒子群(Pso)优化的最小二乘支持向量机(least squares support vector machine,Pso-LSSVM)和随机森林(random forest,RF)3种方法的优越性。结果表明,relief-m RMR算法筛选出的特征与GASVM、SVM和GSSVM建立的监测模型精度比传统relief算法筛选特征所建模型的精度分别提高了14.3个百分点、7.2个百分点和7.1个百分点,比传统m RMR算法筛选特征所建模型的精度分别提高了14.3个百分点、14.3个百分点和14.2个百分点。relief-m RMR算法结合GASVM建立的监测模型精度为所有模型中最高,精度为85.7个百分点,分别比SVM和GSSVM所建监测模型精度提高了21.4个百分点和7.2个百分点。此外,GF-1数据结合relief-m RMR-GASVM模型的监测精度分别高出Ada Boost、Pso-LSSVM和RF方法21.4个百分点、14.3个百分点和7.1个百分点。说明GF-1数据结合relief-m RMR-GASVM模型可用于小麦白粉病的遥感监测。