不同储存时间和取样部位牛肉颜色的高光谱图像检测

为了探讨高光谱图像技术对不同储存时间和取样部位的牛肉颜色检测的可行性,采集具有代表性的牛肉后腿、里脊和背脊共82个牛肉样品的高光谱图像,并测量其亮度、红度、黄度和饱和度等颜色参数.选取感兴趣区域获取样品代表性光谱,通过选择适宜的谱区范围和预处理方法,建立并评价了预测各颜色参数的偏最小二乘校正模型.对于亮度、红度、黄度和饱和度,校正集的相关系数分别为0.80、0.91、0.91和0.93,校正标准差分别为2.23、1.18、0.82和1.12,预测集的相关系数分别为0.92、0.88、0.87和0.89,预测标准差分别为1.66、1.45、0.80和1.27.研究结果表明,高光谱图像技术可用于快速无损检测不同储存时间下、不同部位的牛肉颜色.     

近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测

为了快速检测赣南脐橙果树叶片含水率,提出近红外光谱结合最小二乘支持向量机的快速检测方法。采用积分球漫反射方式采集叶片的近红外光谱,通过间隔偏最小二乘法从2 074个光谱变量中优选出345个变量作为建模的输入向量,分别建立最小二乘支持向量机和偏最小二乘校正模型。经比较,以径向基函数为核函数的最小二乘支持向量机模型预测结果最优,预测相关系数为0.942,预测均方根误差为2.7%,模型建立及预测时间为0.176s。实验结果表明近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测方法是可行的。     

绿茶杀青叶料含水率可见-近红外光谱检测

为实现绿茶杀青叶料含水率的快速无损检测,基于可见-近红外光谱分析建立含水率的预测模型。使用FieldSpec 3型便携式地物光谱仪,采集192个杀青叶料样品的漫反射光谱信息,基于X-Y共生距离的样本划分算法SPXY,确定144个样本的校正集和48个样本的预测集。进行一阶微分和移动平滑滤波预处理后,采用相关系数法优选出11个特征波段,建立了含水率检测的偏最小二乘回归、主成分回归、人工神经网络及其组合的模型。结果表明,选用5个主成分的偏最小二乘回归模型最佳,其校正和预测模型的相关系数分别为0.990和0.819,均方根误差分别为0.011和0.037,预测含水率的平均相对误差为3.30%。     

基于OSC和PLS的土壤有机质近红外光谱测定

分析了经过简单处理的土壤样本光谱特性，将正交信号校正与偏最小二乘算法回归相结合，建立了土壤光谱特性与土壤有机质含量之间的定量分析模型。结果表明，正交信号校正可以消除噪声信息对土壤有机质含量预测的影响，预测样本的预测相关系数达到0.893、标准偏差为0.051％、预测标准差为0.050％；而不采用正交信号校正建立定量分析模型的对应参数分别为     

基于OSC和PLS的土壤有机质近红外光谱测定

分析了经过简单处理的土壤样本光谱特性,将正交信号校正与偏最小二乘算法回归相结合,建立了土壤光谱特性与土壤有机质含量之间的定量分析模型。结果表明,正交信号校正可以消除噪声信息对土壤有机质含量预测的影响,预测样本的预测相关系数达到0.893、标准偏差为0.051%、预测标准差为0.050%;而不采用正交信号校正建立定量分析模型的对应参数分别为0.818、0.069%和0.085%。     

芝麻油掺伪的近红外透射光谱检测技术

采用近红外光谱技术结合间隔偏最小二乘法分别建立芝麻油中掺入大豆油、玉米油和花生油的定量检测模型。实验配制不同比例的掺假芝麻油混合样品,采集样品在4 000～12 000 cm-1范围内的近红外透射光谱,把数据分为校正集与预测集。将4 420～12 000 cm-1波段的光谱进行各种预处理,最佳方法为平滑预处理,并利用间隔偏最小二乘波长筛选法(iPLS)选取光谱特征波段,最后采用偏最小二乘法建立掺假芝麻油的定标模型。结果显示:3种掺假芝麻油的PLS模型预测相关系数分别达到0.998、0.999、0.999,预测均方根误差分别为0.24%、0.24%和0.19%,具有较高的预测精度。实验证明近红外光谱技术对芝麻油掺假的快速检测具有可行性。     

利用可见―近红外光谱术无损检测牛奶中的三聚氰胺

初步探讨了利用可见―近红外光谱术检测牛奶中三聚氰胺的可行性及方法。通过往牛奶中掺入不同浓度三聚氰胺的方法,制备了165个样品,三聚氰胺浓度为0~1000ppm。利用光纤光谱仪采集样本的可见―近红外光谱,其光谱范围为350~1800nm。然后分别采用最小二乘法(PLS)、区间偏最小二乘法(IPLS)及联合区间偏最小二乘法(SIPLS)建立预测模型。比较实验结果表明:把光谱分为10个子区间,通过SIPLS方法,选出3个光谱子区间(4、7、9)联合建立的预测模型最优,其校正集和预测集得相关系数分别为0.9981和0.9946,校正集和预测集的均方根误差分别为0.1942和0.3299。因此,可见近红外光谱术结合联合区间偏最小二乘法能无损、快速的检测牛奶中的三聚氰胺。     

基于近红外高光谱图像的黄瓜叶片色素含量快速检测

利用高光谱图像技术和高效液相色谱法(HPLC)快速检测了新鲜黄瓜叶中叶绿素a、叶绿素b、β-胡萝卜素和叶黄素4种色素含量。采集了120片黄瓜叶的近红外高光谱图像数据以及用HPLC精确测定黄瓜叶中色素含量;提取高光谱图像中50×50像素感兴趣区域(ROI)的平均光谱与4种色素含量分别建立偏最小二乘(PLS)预测模型;为了提高模型的稳定性和预测精度,分别采用区间偏最小二乘(iPLS)、向后区间偏最小二乘(BiPLS)和联合区间偏最小二乘(SiPLS)对各种色素对应的特征波段进行优选,同时对光谱划分数进行了优化。结果表明BiPLS和SiPLS对应模型的预测效果较好,对叶绿素a、叶绿素b、β-胡萝卜素和叶黄素4种色素的预测集相关系数RP分别为0.825 7、0.813 4、0.811 6、0.826 2。     

基于高光谱成像技术的苹果内外品质同时检测

结合高光谱图像处理和光谱分析方法,通过一次图像扫描同时对苹果的表面摔伤和糖分含量进行检测。苹果第一主成分图像与794nm的图像相减后进行去噪和阈值分割处理,摔伤检测的准确率为92.6%。对感兴趣区域的反射光谱曲线进行多元散射校正、一阶导数和SG平滑处理后利用偏最小二乘回归方法建立糖分含量的预测模型,校正集相关系数Rc为0.93,SEC为0.47°Brix,验证集相关系数Rv为0.92,SEV 为0.67°Brix。结果表明：利用高光谱成像技术可以实现苹果内部品质和外部品质的同时检测。     

运用近红外透射光谱技术检测苹果内部品质

通过运用近红外透射光谱技术快速分析了苹果的糖度和硬度,使用偏最小二乘法建立预测模型,得出校正集苹果糖度的最佳主因子维数为3,相关系数R为0.9943,校正标准差为0.2476;校正集苹果硬度交叉校验的最佳主因子维数为3,相关系数R为0.9644,校正标准差为0.3529。研究结果表明：运用近红外透射光谱技术可以准确地无损快速定量分析苹果糖度和硬度。     

牛肉嫩度的高光谱法检测技术

为实现对牛肉嫩度的预测和分级,构建了试验用高光谱检测系统,在400～1000nm波长范围内获取牛肉表面的高光谱散射图像.从高光谱图像中提取牛肉的反射光谱曲线,用step-wise逐步回归法选择 430、496、510、725、760和828nm 6个波长建立了多元线性回归模型,用全交叉验证法验证模型的预测效果,模型的预测相关系数为0.96,预测标准差为0.64kg.以嫩度6.0kg为界将样本分为嫩牛肉和粗糙牛肉2类,特征波长处反射值为变量,建立了正则判别函数对牛肉嫩度分级,用全交叉验证法验证训练的效果.嫩牛肉分级准确率为83.3%,较粗糙牛肉分级准确率为90.9%,总的分级准确率为87.0%.研究表明该预测和分级技术具有一定的可行性.     

基于高光谱技术的基质含水率快速测定方法

为了寻找一种基质含水率的快速检测方法,应用高光谱技术获得不同含水率基质样品光谱信息,阐释基质含水率光谱规律,对基质含水率进行定量分析,为设施基质栽培水分快速测定提供参考。以稻壳基质为研究对象,对基质光谱信息进行基线校正和平滑处理后,利用逐步回归分析法提取稻壳基质光谱反射率一阶微分变换的敏感波段,建立基于敏感波段组合的基质含水率预测模型,并对模型进行了检验。结果表明,在敏感波段527、796和959 nm处,采用反射率一阶微分建立的稻壳基质含水率三波段指数预测模型的预测效果较好,模型预测相关系数(RP)为0.91,预测均方根误差(RMSEP)为5.55%,可以实现对稻壳基质含水率的快速准确检测。     

基于高光谱技术的采摘期烟叶水分含量研究

烟叶含水量的快速检测在烟草种植业中起着关键的作用,检测采摘期烟叶水分含量,对烟草工艺具有重要意义。为了快速、无损地检测采摘期烟叶水分含量,提出一种主成分分析(PCA)结合马氏距离算法(MD)的方法来剔除异常样本,再使用偏最小二乘法(PLS)估测采摘期烟叶水分含量。首先,利用GaiaSky-mini2机载高光谱成像仪获取到141个采摘期烟叶的高光谱数据,采用多元散射校正(MSC)、标准正态变量交换(SNV)和Savitzky-Golay卷积平滑法等对原始光谱进行预处理。然后,应用主成分分析结合马氏距离法对校正集中的异常样品进行剔除。最后,使用偏最小二乘法(PLS)建立采摘期烟叶水分含量分析模型。结果表明:利用SG卷积平滑法预处理的PCA-MD-PLS模型效果最佳,对烟叶含水量预测能力最好,预测模型相关系数为0.852 7,均方差为1.376 6。     

基于高光谱成像技术的鲜食核桃仁水分检测研究

为实现对货架期内青皮核桃仁水分的快速预测,利用高光谱成像技术采集货架期核桃青皮光谱数据,测定核桃仁含水量,利用连续投影法（SPA）提取11个特征波长,建立了偏最小二乘法（PLS）、多元线性回归（MLR）和最小二乘支持向量机（LS-SVM）模型。结果表明,LS-SVM建模效果最好,预测集的相关系数RP=0.800 7,均方根误差RRMSEP=2.189 7。研究表明,利用高光谱成像技术可以实现货架期青皮核桃仁水分快速预测,为青皮核桃的贮运销提供指导。      

基于高光谱与集成学习的单粒玉米种子水分检测模型

为建立单粒玉米种子水分含量的高精度检测模型,制备了80份不同水分含量的玉米种子样本。针对玉米种胚朝上和种胚朝下分别进行高光谱反射图像采集,每份样本取样100粒,波长范围为968.05～2 575.05 nm。采用PCA快速提取单粒种子光谱,经多元散射校正预处理后,分别采用随机森林(RF)和AdaBoost算法建立单粒种子水分检测模型,并集成两种算法特征提出基于加权策略的改进RF用于单粒种子水分含量建模。利用单粒玉米种子胚朝上的光谱信息建立的改进RF模型训练集相关系数R为0.969,训练集均方根误差(RMSEC)为0.094%,测试集R为0.881,测试集均方根误差(RMSEP)为0.404%;利用单粒玉米种子胚朝下的光谱信息建立的改进RF模型训练集R为0.966,RMSEC为0.100%,测试集R为0.793,RMSEP为0.544%。实验结果表明：改进RF的泛化能力和预测精度明显优于RF和AdaBoost算法;种胚朝上的单粒玉米种子水分含量检测模型优于种胚朝下的模型。高光谱检测技术结合集成学习算法建立的玉米种子水分检测模型预测精度高,稳健性好。     

生菜叶片镉含量高光谱预测模型

为了实现无损检测生菜叶片中重金属镉的含量,以高光谱技术为研究手段,研究一种基于高光谱技术的精确、快速和有效检测生菜中重金属镉含量的方法。首先,使用高光谱图像采集系统获取生菜高光谱图像,并提取光谱数据,对提取出的光谱数据采用连续投影算法（SPA）和基于权重回归系数的特征选择算法进行特征提取,建立预测生菜叶片中镉含量的最小二乘支持向量回归（LSSVR）模型。结果表明:SPA-LSSVR模型性能最佳,其中预测集决定系数为0.927 3,均方根误差为0.093 mg/kg。因此,利用高光谱技术结合SPA-LSSVR模型对生菜叶片中重金属镉含量进行预测是可行的,可为实际应用提供技术支持和参考。      

数字图像分析的椪柑可溶性固形物含量检测

为了探索建立基于数字图像处理技术的柑桔果实品质非损伤探测技术,采用多光谱照相机MS3100获取不同成熟度椪柑果实样品的数码图像R,G,B通道颜色信息,结合实验室果实可溶性固形物含量(SSC,Solublesolids content)化学分析值,进行了椪柑果实SSC与颜色信息相关性分析和检测模型研究。结果表明,椪柑果实图像的5个颜色参数R,G-R,B-R,G/R和(G-R)/(G+R)与果实SSC值之间具有较好的相关性,校正模型相关系数均在0.83以上;模型验证结果表明,B-R值与果实SSC值所建立的模型预测效果最佳,决定系数为R2=0.651,是椪柑果实SSC检测的最佳图像颜色参数,一元二次方程SSC=-0.0001(B-R)2-0.0219(B-R)+9.601为其最优检测模型;神经网络模型可以容纳更多的相关波段参与柑桔SSC含量的估算,实测值与预测值的相关系数高于其他模型,而均方根误差(RMSE,Root mean square error)低于其他模型,表明利用计算机图像技术进行柑桔果实SSC的检测是可行的。     

基于SOC710VP高光谱成像仪的冬小麦土壤含水率反演模型研究

【目的】实现小麦农田土壤含水率大面积快速监测。【方法】以冬小麦冠层高光谱数据为基础,计算得到8种植被指数,通过对关键生育时期(拔节期、抽穗期、灌浆期)不同水分处理下冬小麦不同土层(0～20、20～40、40～60 cm)土壤含水率与植被指数拟合状况进行分析和筛选,分别构建了基于植被指数的不同土层土壤含水率反演模型,并对模型进行检验。【结果】①各时期植被指数拟合效果有所差异,拔节期0～20 cm土层以植被指数VOG1拟合效果较好,相关系数为0.88,20～40 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.75,40～60 cm土层以植被指数VOG3拟合效果较好,相关系数为0.59;抽穗期0～20 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.70,20～40 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.72,40～60 cm土层以植被指数mSR705拟合效果较好,相关系数为0.57;灌浆期0～20 cm土层以植被指数mNDVI705拟合效果较好,相关系数为0.88,20～40 cm土层以植被指数SARVI拟合效果较好,相关系数为0.68,40～60 cm土层以植被指数SARVI拟合效果较好,相关系数为0.71;②各土层土壤含水率与植被指数拟合效果有所差异,其中利用VOG1和mNDVI705组合构建的模型反演0～20 cm土层,决定系数R2为0.743,利用mNDVI705和SARVI组合构建的模型反演20～40 cm土层,决定系数R2为0.707,利用VOG3、mSR705和SARVI组合构建的模型反演40～60 cm土层,决定系数R2为0.484;③通过建立植被指数对土壤含水率的反演模型,0～20 cm土层含水率反演效果好于20～40 cm和40～60 cm。【结论】高光谱植被指数反演模型中,以0～20 cm土层的估算模型最佳,植被指数组合为VOG1和mNDVI705。综上可知,该研究方法进行土壤含水率的反演是可行的。     

基于激光诱导荧光高光谱技术无损检测脐橙表面敌敌畏残留

常规化学方法检测农药残留不仅对样品具有破坏性,而且费时费力。本文以激光诱导荧光结合高光谱图像技术为手段,对脐橙表面的敌敌畏农药残留进行光谱无损检测;实验方法是在脐橙表面,喷施用自来水配制的不同浓度的敌敌畏农药溶液,在实验室条件下风干后,采集激光诱导荧光高光谱图像,再用气相色谱法检测脐橙表面的农药残留量,应用偏最小二乘(Partial least squares,PLS)方法建立农药残留的预测模型,并找出最佳光谱区间,然后应用支持向量机(Support vectormachine,SVM)方法在最佳光谱区间的基础上建立农药残留的预测模型;所建模型结果其预测集样品的农药残留量实测值(0.4862~10.3791mg/kg)和预测值之间的相关系数为0.8101;实验结果说明,以激光诱导荧光结合高光谱技术为手段的无损检测技术,在检测脐橙农药残留方面是有可行性的。     

基于高光谱成像技术的生菜冠层含水率检测

为实现作物含水率的无损检测,以6种水分胁迫水平的生菜为研究对象,利用高光谱成像技术和特征波长选取方法对生菜冠层含水率进行检测研究。采用掩模法去除高光谱图像的背景噪声,并对生菜冠层光谱图像进行光强校正。利用标准正态变量变换法(SNV)去除原始平均光谱数据的噪声,采用蒙特卡罗无信息变量消除法(MCUVE)剔除无关变量,结合基于最小绝对收缩和选择算法(LASSO)、连续投影法(SPA)、LASSO与SPA算法组合(LASSO SPA)筛选特征变量,对数据进行降维处理,采用偏最小二乘法(PLS)建立5个生菜冠层含水率检测模型。经对比发现,全光谱中存在很多冗余信息变量和无关变量,采用全光谱建立的PLS模型复杂度最高,且预测能力最差;以MCUVE LASSO SPA筛选变量后的PLS模型效果最优,其中建模集相关系数R c和预测集相关系数R p分别为0.8827和0.9015,均方根误差分别为1.0662和0.9287。择优选取MCUVE LASSO SPA PLS模型计算生菜冠层每个像素点的干基含水率,生成可视化分布图,实现了生菜冠层叶片干基含水率可视化检测。本研究可为生菜冠层含水率快速无损检测提供参考。