基于太赫兹衰减全反射技术的花生霉变程度判别

为了能够可靠、快速、便捷地检测花生仁不同程度的霉变,研究了一种基于太赫兹时域光谱技术、分别结合误差反向传播(Back propagation,BP)神经网络算法与支持向量机算法(Support vector machine,SVM)的霉变花生定性分析方法。为排除不同样本带来的偶然性,实验随机采集花育36号、鲁花9号两个花生品种进行霉变培养。依据花生的感官特征与前人的研究经验,将花生分为正常、轻度霉变、中度霉变与严重霉变4类,采用太赫兹衰减全反射技术采集花生仁样本光谱(波段0. 3～3. 6 THz)。利用傅里叶变换方法对时域光谱信号进行频域变换并进行加窗处理,然后对所得频域信号进行光学常数吸光度与吸收系数的提取,得到样本的光学常数信号,并进行特征波段筛选。在此基础上分别建立BP神经网络定性分析模型与SVM定性分析模型。实验表明,BP神经网络模型对花育36号花生霉变模型的预测集识别正确率为88. 57%,对鲁花9号花生霉变模型的预测集识别正确率为91. 40%;Lib-SVM模型对两个品种花生霉变的二分类模型、3类霉变花生的三分类模型的预测集识别正确率均为100%。应用太赫兹时域光谱技术结合SVM算法检测霉变花生仁效果良好,具有一定的可行性。     

支持向量机在李果实坚实度近红外检测中的应用

为增强模型的适应性,选取了3个不同成熟期(绿熟、半红熟和红熟)的李果实样品建立坚实度指标的近红外检测模型,建模所使用的光谱范围为4 000~12 492cm-1。为改善模型性能,比较了最小二乘支持向量机和偏最小二乘法两种建模算法对李果实坚实度指标的建模结果。研究结果表明,所建立的最小二乘-支持向量机模型的预测性能和稳定性均好于偏最小二乘模型,并以前10个潜在变量得分作为输入变量的最小二乘-支持向量机模型为最佳模型,其校正相关系数、校正和预测均方根误差分别为0.989及1.31、1.84kg/cm2,剩余预测偏差为4.79。与以往研究文献相比,获得了较为理想的预测精度和稳定性能。研究结果表明,最小二乘支持向量机算法结合偏最小二乘法提取的潜在变量作为输入变量,可以使李果实坚实度近红外定量模型有较大程度的改善。     

基于太赫兹光谱分析的猪肉K值无损检测方法

K值是评价猪肉新鲜度的重要指标,能够反映猪肉内核苷酸的分解情况,从而评定肉的变质程度。一般采用高效液相色谱法测定K值,此方法过程耗时,需破坏被测样品,不能满足生产和流通环节的快速检测需求。本文利用太赫兹(THz)光谱分析技术无损检测猪肉K值,探索快速检测K值的可行性。在0.2~2 THz范围内,采用衰减全反射模式提取80份不同新鲜度的猪肉THz光谱数据,同时用高效液相色谱法测定每份样品的K值。THz光谱原始数据经过一阶微分和Savitzky-Golay平滑滤波后,分别用主成分回归(PCR)、偏最小二乘回归(PLSR)和反向传播神经网络回归(BP-ANN)建立了THz光谱预测猪肉K值的数学模型。研究表明:非线性BP-ANN模型预测精度最高,相关系数为0.75,均方根误差为14.36%;采用THz光谱数据BP-ANN模型能够检测猪肉的新鲜度K值。与HPLC方法相比,该方法具有快速、无损、简单的特点。     

基于THz光谱分析技术的猪肉K值无损检测方法

K值是评价猪肉新鲜度的一个重要指标,它能够反映猪肉内核苷酸的分解情况,从而评定肉的变质程度。一般采用高效液相色谱法测定K值,此方法过程耗时,需破坏被测样品,不能满足生产和流通环节的快速检测需求。利用太赫兹(THz)光谱分析技术无损检测猪肉K值的可行性,探索快速检测K值的方法。在0.2~2THz范围内,采用衰减全反射模式提取80份不同新鲜度的猪肉THz光谱数据,同时用高效液相色谱法测定每份样品的K值。THz光谱原始数据经过一阶微分和Savitzky-Golay平滑滤波后,分别用主成分回归(PCR)、偏最小二乘回归(PLSR)和反向传播神经网络回归(BP-ANN)建立了THz光谱预测猪肉K值的数学模型。比较研究表明:非线性BP-ANN模型预测精度最高,相关系数为0.75,均方根误差为14.36%;采用THz光谱数据BP-ANN模型能够检测猪肉的新鲜度K值。与HPLC方法相比,该方法具有快速、无损、简单的特点。     

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。     

基于粒子群寻优的支持向量机番茄红素含量预测

应用支持向量机(SVM)通过色差值对番茄果实番茄红素含量预测进行建模,解决预测过程受影响因素多、参数互相关联、难以建立精确模型问题。为提高预测精度,将SVM参数选择和输入变量的选取看作组合优化问题,通过赤池信息准则(AIC)构造组合目标优化函数,采用粒子群算法(PSO)进行目标函数搜索,提高了搜索效率。对采后储藏不同成熟度番茄进行的测量表明,所提预测建模算法在番茄红素的预测中具有良好的性能,为番茄红素的便捷、无破坏性测量提供了一种方法。     

基于多元校正法的香梨糖度可见/近红外光谱检测

应用可见/近红外光谱透射技术结合多元校正法探讨了样品在不同温度条件(5、10、15、20℃)下香梨糖度的快速无损检测。在波长500~900nm范围内,用逐步多元线性回归(SMLR)、偏最小二乘法(PLS)、最小二乘支持向量机(LS-SVM1、LS-SVM2)和遗传算法-偏最小二乘法(GA-PLS)等多种多元校正法进行了建模预测比较研究。预测结果从优到差依次为LS-SVM2、LS-SVM1、GA-PLS、PLS、SMLR。     

基于太赫兹衰减全反射技术的花生品种快速鉴别

利用太赫兹衰减全反射技术,结合距离匹配算法,对不同品种花生进行快速分类鉴别。实验随机采集花育36号、鲁花1号和鲁花9号共3个花生品种、总计60个花生样本在0.3~3.6 THz的太赫兹衰减全反射光谱,随后对其吸收系数进行一阶导数及归一化预处理,并建立花生品种的距离匹配快速鉴别模型。距离匹配模型结果显示:3个类别的总体识别准确率可达93.3%,仅有1个样本预测错误。研究结果表明,利用太赫兹衰减全反射技术实现花生品种快速鉴别具有一定的可行性,具有操作简单且快速高效等特点。     

一种利用太赫兹波谱检测地沟油的新方法

利用太赫兹（THz）波谱技术测量了大豆油及熟大豆油（一种地沟油）在0~3.0 THz范围内的时域谱和频域吸收谱,并通过试验得到两种油的折射率、吸收系数等重要光学参数。采用太赫兹时域光谱分析技术（THz-TDS）对波谱进行显示和分析,结果表明两种油在此波段的特性有显著的不同,并且会随着频率的增加而变化,表明经过高温的熟大豆油可以通过这种方法与大豆油进行鉴别,这对利用太赫兹波谱技术检测地沟油有着重要的意义。      

基于正则化TSVR的甘蔗收割机切割器入土切割负载压力预测研究

为更准确、快速地对甘蔗收割机切割器入土切割时负载压力的预测,以机车行进速度、土壤含水率、土壤密度、刀盘入土深度以及甘蔗密度为模型输入,基于正则化孪生支持向量回归机(ITSVR)模型,结合基于遗传算法的粒子群优化算法对切割器负载压力进行仿真模拟预测,并将仿真结果与BP神经网络、支持向量回归(TSVR)、极限学习机(ELM)以及孪生支持向量回归(TSVR)模型进行比较分析,最后建立预测系统验证ITSVR的可行性。结果表明:测试样本中正则化孪生支持向量回归机(ITSVR)模型的RMSE、MAE、R²分别为0.0154、0.0108、0.9558,模型的预测时间为5.9 ms,该模型能较准确且较快地对负载压力与影响参数的非线性曲线进行拟合;ITSVR模型较其他模型具有良好的拟合能力以及较快的预测速度;在以5%和10%相对误差作为合格指标模型评价时,ITSVR模型预测的正确率分别为66.7%和100%,有力证明ITSVR模型的可行性。研究结果可为后续的切割自动控制系统设计提供参考依据。     

基于近红外光谱和机器学习的大豆种皮裂纹识别研究

针对目前大豆种皮裂纹检测主要依靠人工、检测效率低、误差大的问题,提出一种基于近红外光谱技术和机器学习的大豆种皮裂纹自动识别方法。采用FT-NIR光谱仪采集150粒大豆样品（裂纹大豆75粒,正常大豆75粒）的近红外光谱,采用原始光谱、标准正态变量变换(Standard normal variate, SNV)、多元散射校正（Multiple scatter correction, MSC）、一阶导数结合SG平滑、二阶导数结合SG平滑等5种方法对获得的光谱进行预处理,分别采用偏最小二乘判别分析法（Partial least squares discriminant analysis, PLS-DA）、k-近邻法（k-nearest neighbor, KNN）、支持向量机法（Support vector machine, SVM）、随机森林法（Random forest,RF）、随机梯度提升法（Stochastic gradient boosting, SGB）、极端梯度提升法（Extreme gradient boosting,XGBoost）等6种机器学习方法建立了大豆种皮裂纹识别模型,研究了不同光谱预处理方法对6种机器学习方法分类效果的影响,对比分析了不同建模方法的分类效果。结果表明,光谱预处理方法对不同机器学习方法的分类效果差别较大。在合适的光谱预处理条件下,6种不同的机器学习算法的验证集准确率均不低于80.00%。PLS-DA的分类效果最好,验证集最优准确率达到90.00%;XGBoost的分类效果次之,验证集最优准确率达到86.67%,接下来依次是SVM、KNN、SGB和RF。利用近红外光谱技术和机器学习方法识别大豆种皮裂纹是可行的,在原始光谱条件下,PLS-DA是大豆种皮裂纹识别的最佳方法。     

土壤成分与特性参数光谱快速检测方法及传感技术

近红外光谱技术在分析土壤成分含量以及理化特性参数方面获得了良好的预测精度.人工神经网络、遗传算法、小波变换和支持向量机等现代数据处理算法的应用,最大限度消除了光谱外界干扰、提取了光谱有效信息,使得土壤特性参数预测分析模型更准确、稳定.在进行土壤参数原位实时光谱检测时,如何消除土壤含水率、土壤粒度等的影响,还需要技术突破.开发便携式或车载式农田土壤光谱实时分析仪,是促进精细农业实践的重要措施,已开发的车载式土壤在线光谱仪可以实现多个土壤参数的分析,并达到了相当高的精度.进一步开发多功能土壤在线检测系统,利用土壤介电特性或机械特性与光谱特性测量结果相互补偿与校正以消除误差并提高测量精度,是未来的发展方向之一.光声光谱、激光诱导击穿光谱和太赫兹光谱技术等现代光谱分析方法在土壤成分与特性参数分析方面表现出很强的能力,开展基础研究,揭示这些光谱技术在不同土壤类型、不同土壤成分条件下的吸收特征参数,是未来的研究方向.     

基于随机蛙跳和支持向量机的牛乳收购分级模型构建

蛋白质、脂肪含量和体细胞数量作为牛乳收购中的重要参考指标，决定了牛乳的品质和价格。为批量准确地对牛乳品质进行分级，提高乳企的生产效率，本研究以3216份荷斯坦牛牛乳样本为研究对象，应用中红外光谱技术实现对收购过程中4种不同品质牛乳的检测分级。利用一阶导数和一阶差分对光谱进行预处理，并结合竞争性自适应重加权算法（Competitive Adaptive Reweighted Sampling，CARS）和随机蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）筛选出能代表不同牛乳的有效特征变量，建立支持向量机（Support Vector Machine，SVM）模型。其中，利用网格搜索法（Grid Search，GS）、遗传算法（Genetic Algorithm，GA）和粒子群算法（Particle Swarm Optimization，PSO）对SVM模型的关键参数——惩罚参数c和核函数参数g进行优化。结果表明，SFLA算法总体上优于CARS算法，PSO优化SVM模型的效果最佳。一阶差分预处理后，利用SFLA算法筛选特征变量建立的PSO-SVM模型，训练集准确率、测试集准确率和曲线下面积（Area Under Curve，AUC）分别为97.8%、95.6%和0.96489。该模型具有较高的准确率，在牛乳产业中具有实际应用价值。     

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。     

基于校正光谱序列融合的小麦腥黑穗病籽粒分类方法

针对小麦腥黑穗病轻度患病籽粒易与健康籽粒混淆,人工识别难度大的问题,将校正光谱序列融合技术与深度学习模型相结合,实现小麦腥黑穗病籽粒快速、精准分类。以健康、轻度患病、重度患病各300粒小麦籽粒的高光谱数据为样本,通过多元散射校正算法(MSC)和标准正态变换算法(SNV)对原始光谱进行预处理,并利用二维相关光谱法(2D-COS)分析SNV与MSC算法处理后的光谱之间的互补性。使用校正光谱序列融合技术将原始光谱、SNV预处理光谱与MSC预处理光谱三者进行融合得到序列融合光谱,以充分利用不同光谱预处理数据间的互补信息。最终,利用序列融合光谱数据建立基于ResNet 50算法的小麦腥黑病分类模型。试验结果表明,序列融合光谱ResNet 50模型总体准确率最高为93.89%,F1值为93.87%,分类性能优于单一预处理光谱建立的ResNet 50模型。为进一步评估模型分类效果,使用序列融合光谱分别建立偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)以及集成学习算法模型随机森林(RF)与极端梯度提升树(XGBoost)模型,并进行对比,结果显示：SVM、PLS-DA、RF与XGBoost总体准确率分别为81.67%、84.44%、89.44%与90.55%,F1值分别为81.59%、84.04%、89.49%与90.59%,ResNet 50总体准确率与F1值优于传统光谱分析模型。因此,本研究表明校正光谱序列融合技术结合深度学习模型,能够实现对不同患病程度腥黑穗病籽粒的有效分类。     

基于无人机多光谱遥感的矮林芳樟叶片精油产量反演

芳樟(Cinnamomum camphora(Linn.)Presl)精油在林业经济发展中具有巨大市场潜力,多光谱遥感产量预测是高效反演芳樟精油产量的新方式。本研究以矮林芳樟收获期精油产量为研究对象,利用无人机多光谱遥感技术,筛选敏感植被指数作为输入变量,以地面同步观测的精油产量作为输出变量,采用支持向量机(Support vector machine, SVM)、随机森林(Random forest, RF)和反向传播神经网络(Back propagation neural network, BPNN)3种机器学习方法构建矮林芳樟精油产量预测模型。结果表明,修改型土壤调节植被指数(MSAVI)、优化土壤调节植被指数(OSAVI)、重归一化植被指数(RDVI)、土壤调整植被指数(SAVI)和非线性植被指数(NLI)对矮林芳樟精油产量呈现较高敏感性,其相关系数R分别为0.765 1、0.813 1、0.771 1、0.779 4、0.818 3。SVM、RF、BPNN 3种机器学习方法构建的矮林芳樟精油产量预测模型训练集的决定系数R²分别为0.723、0.853、0...     

基于近红外光谱技术的蔬菜农药残留种类检测

该文基于近红外光谱技术,提出一种快速无损检测方法,以期实现蔬菜农药残留的分类检测。通过对喷洒了氰戊菊酯溶液、三唑磷溶液和未喷洒农药的生菜样本进行研究,比较不同预处理后的建模效果,选用SNV算法作为最优预处理方法。分别采用连续投影算法（SPA）、自主软收缩法（BOSS）和竞争性自适应重加权算法（CARS）对预处理后的光谱数据进行特征波段选择。采用支持向量机（SVM）和基于灰狼算法（GWO）优化的支持向量机（SVM）算法对特征波长变量分别建立分类模型。再通过对建立的模型进行比较得出:CARS-GWO-SVM模型取得了最佳的分类效果,模型的训练集精度和预测集精度均为100%。因此,利用近红外光谱技术对蔬菜上的农药残留进行分类检测是可行的。该研究为生菜中其他农药残留的快速无损检测分析提供参考。      

大豆田间杂草的光谱识别研究

精确施药的关键是快速正确识别杂草。为此,利用ASD野外便携式光谱仪,在田间测量了大豆、马唐和稗草植株冠层在350～2 500nm波长内的光谱数据,经过数据预处理,数据分析波长选为350～1 300nm和1 400～1 800 nm。数据处理采用支持向量机(SVM)模式识别方法 ,用线性、多项式、径向基和多层感知核函数对大豆和杂草建立二分类模型。结果表明:三阶多项式核函数SVM分类模型的正确识别率最高,达到85%以上,且支持向量比例较小;以二分类模型为基础,利用投票机制建立了大豆、马唐和稗草的一对一多分类SVM模型,正确识别率达83%;田间光谱测量受光照、背景和仪器测量精度等条件的影响较大,但结果仍表明SVM结合光谱技术在田间杂草识别中的应用潜力很大。此研究为田间杂草识别及传感器的建立提供了研究思路和应用基础。     

基于介电特征的苹果霉心病检测方法

针对苹果霉心病无法有效根据外表进行识别,且传统检测方法具有设备复杂、成本高昂等问题,本研究通过采集苹果介电参数构建苹果霉心病检测模型,从而实现简单快速的苹果霉心病无损检测。基于LCR测量仪采集220个苹果的108项介电指标（9个频率下的12项介电指标）作为原始参数,使用数据标准化、主成分分析算法等对数据进行预处理,并利用BP神经网络、支持向量机、随机森林算法构建霉心病果检测模型。试验结果表明,基于随机森林算法构建的霉心病果检测模型性能最佳,在150个苹果构建的训练集和70个苹果构建的测试集中分类准确率分别达到96.66%和95.71%;基于采用BP神经网络构建的霉心病果检测模型效果次之,分类准确率分别可达到94.66%和94.29%;基于使用支持向量机构建的模型检测效果相对较差,分类准确率分别为93.33%和91.43%。试验结果表明,使用随机森林构建的模型可以更有效地识别霉心病果和好果。本研究可为苹果病虫害及苹果品质无损检测等提供参考。