基于形态小波的烟草尼古丁含量近红外光谱检测

为了提高烟草尼古丁含量的测定精度,该文将基于形态小波的近红外光谱去噪方法应用于烟草的一阶导数近红外光谱数据处理中,给出了方法的原理和步骤,评估了该方法的去噪效果;用处理后的光谱计算了烟草中的尼古丁含量,并与小波变换方法的处理结果进行了对比分析。结果表明:形态小波作为一种非线性小波,兼顾数学形态学的形态特征和小波的多分辨率特性,在去噪的同时具有良好的光谱细节保留能力,能有效地保留光谱的有用信息。与小波软阈值方法相比,检测结果中预测集的决定系数r2由0.9877提高到了0.9931,其均方根误差RMSEP由0.0539降到了0.0492。研究结果为提高利用近红外光谱测定烟草尼古丁含量的分析精度和模型的稳健性提供了参考。     

基于反射光谱预处理的苹果叶片叶绿素含量预测

以苹果叶片叶绿素含量为研究对象,定量研究了光谱数据预处理方法对光谱特征提取及叶绿素含量预测模型的影响。首先,比较了苹果叶片原始反射率光谱、小波包去噪反射率光谱、反射率一阶差分光谱、先小波包去噪后一阶差分光谱、先一阶差分后小波包去噪光谱这5种光谱的波段间相关系数以及光谱与叶绿素含量间的相关系数,建立了叶绿素含量预测逐步回归模型并对建模结果进行了比较分析。结果表明单纯3层sym8小波包去噪可使光谱曲线平滑,但不会明显提高模型精度;一阶差分虽然放大了局部噪声,但是消除了基线漂移影响,可提高模型精度;先差分后小波包去噪比先小波包去噪后差分具有更高的峰值信号噪声比,更低的均方误差与最大误差,建模结果也显示出同样的结果。因此,先差分后小波包去噪算法可认为是一种有效的苹果叶片叶绿素含量预测光谱预处理方法。利用这一方法建立了苹果叶片叶绿素含量预测模型,获得了较高的预测精度。该研究可用于对苹果树营养状态的评价并指导按需施肥。     

基于小波变换的柑橘维生素C含量近红外光谱无损检测方法

为了探索快速检测柑橘维生素C含量的方法，利用不同分解水平的Daubechies3小波变换，对100个柑橘整果样品的近红外光谱信号进行了消噪处理，并利用消噪后的重构光谱对柑橘维生素C含量进行了偏最小二乘法交叉验证(PLC-CV)。结果表明，小波分解尺度水平不同，PLC-CV效果各不相同，在分解水平为4时，PLC-CV效果最好，其预测值与标准值的相关系数R达到0.9574，交叉验证预测均方差RMSECV仅为3.9 mg/(100 g)。因此，小波消噪后建立的近红外光谱模型能准确地对柑橘维生素C含     

基于可见/近红外反射光谱的梨树叶片钾含量的快速测定研究

利用可见/近红外反射光谱定量分析技术对梨树鲜叶钾素含量进行快速测定研究。对150个梨树叶片样本进行光谱扫描,其中120个做建模集,30个做验证集。通过对样品的可见/近红外光谱进行多种预处理,并建立钾素预测模型,探讨了可见/近红外光谱数据预处理对预测精度的影响。结果表明,通过原始光谱与S-G(3)平滑相结合的预处理方法,用17个主成分建立的偏最小二乘法模型最好,其交叉验证集和预测集模型的决定系数(R2)分别为0.722 7和0.679 1,交叉验证均方根误差(RMSECV)为1.171,预测的平均相对误差为6.81%,能高效、快速地预测梨树叶片钾素含量,为梨树钾素快速测定提供了新的手段。     

近红外光谱快速检测食用油必需脂肪酸

为了建立食用油必需脂肪酸快速检测的方法,该研究提出了基于近红外光谱技术检测食用油中α-亚麻酸和亚油酸含量的快速测定方法。对光谱信息分别采用偏最小二乘回归方法(PLS)和最小二乘支持向量机(LS-SVM)建立模型。比较了多种光谱预处理方法对模型预测能力的影响。结果表明对于亚油酸含量的预测,采用Savitzky-Golay平滑法结合多元散射校正(MSC)的光谱预处理所建立的LS-SVM模型最优。预测集的决定系数(R2)、预测均方根误差(RMSEP)和剩余预测偏差(RPD)分别达到了0.989,0.0161和9.4783。对于α-亚麻酸含量的预测,采用Savitzky-Golay平滑法结合标准正态变换(SNV)的光谱预处理所建立的LS-SVM模型最优。α-亚麻酸含量预测结果的R2、RMSEP和RPD为0.972,0.0036和6.0561,据此表明,应用近红外光谱技术能够检测食用油中α-亚麻酸和亚油酸的含量,为快速检测食用油的必需脂肪酸提供了参考。     

可见/近红外光谱结合遗传算法无损检测牛肉pH值

为了实现牛肉在整个货架期内(4℃环境)pH值的无损快速检测,该文采用可见/近红外光谱技术并结合遗传算法(GA,genetic algorithm),搭建了可见/近红外光谱检测系统,采集储藏在4℃下1～18d的120个牛肉样品400～1700nm范围的光谱,用不同预处理方法处理,并分别建立全波段光谱和经过遗传算法提取有效光谱的预测牛肉pH值的多元线性回归(MLR,multiple linear regression)模型、偏最小二乘回归(PLSR,partial least-squares regression)模型和最小二乘支持向量机(LS-SVM,least square-support vector machine)模型。结果表明,多元散射校正(MSC,multiplicatives catter correction)结合Savitzky-Golay(SG)平滑为最佳预处理方法,遗传算法提取光谱后所建模型的预测精度均高于全波段光谱所建模型,其中LS-SVM为最佳预测模型,其预测相关系数和标准差分别为0.935和0.111,相比全波段LS-SVM模型预测,精度得到了提高。研究表明可见/近红外光谱技术结合遗传算法所建LS-SVM预测模型能够实现4℃下牛肉整个货架期内pH值的无损快速检测。该研究为进一步开发实用的牛肉pH值无损快速检测设备提供依据。     

基于VIS-NIR光谱的互花米草入侵湿地土壤有机碳预测研究

为了研究可见光—近红外光谱技术预测互花米草入侵背景下滨海湿地土壤有机碳含量的潜力,以江苏省典型互花米草湿地为研究对象,利用时空替代法采集15个土壤剖面3个深度共45个土壤样品。在实验室测定土壤光谱及有机碳含量,利用偏最小二乘回归方法建立了基于6种光谱变换的土壤有机碳预测模型,并分析了互花米草入侵年限和土层深度对土壤光谱和模型预测精度的影响。结果表明,表层土壤有机碳含量随互花米草入侵而显著增加。相对于仅包含光谱信息的预测模型,加入辅助变量(土层深度和植物入侵年限)建立的混合模型预测精度更高。交叉验证结果表明,基于光谱倒数1/R建立的混合模型预测精度最高,其决定系数(R~2)为0.68,预测相对分析误差(RPD)为1.6,是预测互花米草入侵湿地土壤有机碳含量的最优模型。本研究表明,利用可见光—近红外光谱技术可以对互花米草入侵湿地的土壤有机碳含量进行有效预测,土层深度和植物入侵年限辅助变量可以在一定程度上提高模型预测精度。     

一种加窗数据降维方法在光谱分析中的应用

加窗处理方法是在应用近红外光谱分析技术对食品品质进行分析、建立数学预测模型的过程中,选用适当窗函数对原始光谱数据施行降维、降噪等操作,从而节约计算机内存、减少运算量,并提高模型的预报精度.对于大米近红外光谱数据,分别采用不加窗处理和加窗处理措施建立了大米蛋白质含量的预测模型.经实验,该方法能有效地压缩原始数据、降低噪声影响,明显地缩短了计算机的运行时间,使模型评价指标如平均相对误差、平均偏差和预测标准差有所降低,使预测值和化学参比值的相关系数由0.9204提高到0.9526.     

基于小波变换的番茄总糖近红外无损检测

分别采用小波消噪、常数偏移消除等11种光谱预处理方法,对番茄总糖含量（质量分数）的近红外光谱进行预处理,通过偏最小二乘法定量校正模型预测值比较得出,小波消噪是适合番茄近红外光谱的最佳预处理方法,小波消噪的总糖质量分数近红外光谱优选区域为11 998.9～6 097.8 cm-1和4 601.3～4 246.5 cm-1,在此光谱区内建立的番茄总糖质量分数偏最小二乘法模型预测值与实测值的相关系数为0.930,内部交叉验证均方差为0.466%,校正标准差为0.469%,预测标准差为0.260%。试验结果表明：小波消噪后建立的近红外光谱模型能准确地对番茄总糖含量进行快速无损检测。     

煤矿区土壤有机碳含量的高光谱预测模型

可见—近红外光谱已被证明是一种快速、及时、有效的土壤有机碳含量预测工具。利用Field Spec4对济宁鲍店矿区的104个土壤样品进行光谱测量,采用Savitzky-Golay卷积平滑(SG)、多元散射校正(MSC)及数学变换等多种方式组合对光谱预处理,并运用偏最小二乘回归分析建立土壤有机碳含量预测模型,进而探讨煤矿区土壤有机碳含量的高精度预测方法。结果表明:(1)不同的光谱预处理方法对建模结果影响差异较大,建模结果以SG加MSC预处理再结合光谱反射率的一阶微分变换最优,建模R~2=0.86,RMSE=2.0g/kg,验证R~2=0.78,RMSE=1.81g/kg,RPD=2.69。(2)倒数和倒数的对数与土壤有机碳含量的相关性曲线接近重合,与反射率曲线成反比,但是建模效果远低于反射率;光谱反射率的一阶微分能明显提高500~600nm波段相关性。(3)光谱反射率随土壤有机碳的含量减少而增大,当有机碳含量较低时,其波谱的近红外波段反射率响应能力也随之降低,反射率直接建模难度加大。     

基于改进HHT的泵站管道工作模态辨识

为提高管道工作模态辨识精度,在希尔伯特-黄变换(Hilbert-Huang Transform,HHT)辨识基础上,发展奇异值分解(singular value decomposition,SVD)和经验模态分解(empirical mode decomposition,EMD)联合滤波技术与HHT时频域辨识结合的模态辨识方法。SVD-EMD联合滤除结构振动信号中的强噪声,凸显结构振动特性,有效避免了后期HHT参数辨识过程中虚假模态干扰,提高辨识精度和准确性。将该方法应用于景泰二期工程3泵站2管道的模态参数辨识问题中,建立该管道有限元模型并计算其结构动力特性。对比该文方法辨识结果、随机子空间辨识结果与有限元计算结果,该文方法辨识结果稍小于随机子空间辨识结果,与有限元计算结果更接近,其最大辨识误差为3.6%。研究表明,该方法能准确辨识管道频率,且有效降低管道结构背景强噪声。该研究可为管道安全运行和在线健康监测提供参考。     

基于二次滤波的HHT渡槽模态参数辨识方法

针对大型渡槽安全运行评估问题,提出一种环境激励下基于二次滤波的希尔伯特-黄变换(Hilbert-Huang transform,HHT)模态参数辨识方法。采用小波阈值与经验模态分解(empirical mode decomposition,EMD)结合的二次滤波方法滤除运行环境中强噪声干扰,凸显结构动力特性,有效避免了模态混叠问题;根据奇异熵增量理论确定系统阶数,应用HHT方法辨识降噪后信号,提高辨识准确性和精度。将该方法应用于景泰川二期三泵站输水U型渡槽,辨识正常输水工况下结构前5阶模态参数,建立该渡槽第一跨三维有限元模型,并计算模型同工况下前5阶模态参数,对比模态参数辨识结果与有限元仿真结果。对比结果表明:2种方法计算结果非常接近,最大误差为4.4%。说明基于二次滤波的HHT模态辨识方法能准确高效辨识强噪声背景下结构模态参数,可将该方法推广到大型渡槽结构中,为渡槽安全运行评估和健康在线监测提供新思路,应用前景广阔。     

基于自适应小波偏微分方程的蝗虫切片图像去噪

蝗虫显微切片图像在获取的过程中不可避免地会受到噪声污染,其纹理、边缘与噪声又都属于高频分量,单独使用小波变换或偏微分方程(partial differential equation,PDE)扩散的方法都不能在有效去噪的同时保持边缘、纹理等。针对这一问题,提出了基于自适应小波PDE的去噪算法。首先对蝗虫切片含噪图像进行sym5小波软阈值去噪,分解层数根据去噪后图像的PSNR(peak signal to noise ratio)值自适应地选择,阈值门限使用Birge-Massart处罚算法获取。然后在此去噪的基础上进行Perona-Malik(PM)模型去噪,迭代次数根据去噪后图像的PSNR值自适应地选择,梯度阈值根据图像自身的2范数获取。为了验证所提出算法的去噪性能,进行了与常用去噪算法的对比试验。试验结果表明:视觉上,采用本文算法去噪后的图像噪声点较少且边缘、纹理清晰;客观上,采用该文算法去噪后的图像PSNR值比使用维纳滤波高出2 d B左右,比使用中值滤波高出3 d B左右,比使用小波阈值去噪高出2 d B左右,比使用PM模型去噪高出1 d B左右,并且在结构相似性(structural similarity image measurement,SSIM)上采用该文算法去噪后的图像与原始图像的相似度最高。因此,将自适应小波PDE的算法应用于蝗虫切片去噪是可行的、有效的,为其后续处理提供了技术支持。     

含风机噪声的蛋鸡声音信号去噪方法比较

蛋鸡声音可用来评价蛋鸡本身的福利状况,然而蛋鸡舍中往往存在着低频风机噪声干扰蛋鸡声音信号的时频特征。为了优化含风机噪声的蛋鸡声音信号,以海兰褐蛋鸡为例,利用数字化声音采集平台,采集了不同的蛋鸡叫声和风机噪声。采用LabVIEW软件,分析了蛋鸡声音和风机噪声的时频特征,同时比较了滤波器和小波去噪方法在去除风机噪声方面的应用效果。结果表明,蛋鸡产蛋期间的声音频率范围为400~2 500 Hz,而风机噪声的频率在600 Hz以内。在信噪比为-20~10 dB蛋鸡声音环境中,无限脉冲响应滤波器滤波后的均方根误差要比有限脉冲响应滤波器滤波后的均方根误差小,说明无限脉冲响应滤波器具有更好的滤波效果,与其他小波阈值去噪方法相比,以史坦无偏似然估计为阈值的小波去噪方法在去噪后的均方根误差最小,表明这种方法的去噪效果更好。该研究可为蛋鸡舍中风机噪声环境下的蛋鸡声音识别提供参考。     

基于杂交小波变换的农产品图像去噪算法

针对现有图像去噪方法去噪效果不明显、易丢失细节特征等缺陷,提出了一种基于杂交小波变换的农产品图像去噪算法。该方法综合了小波去噪能较好保留图像细节特征和Wiener滤波器可得到最优解的优势,分别以经小波变换、Wiener滤波处理后的图像作为杂交小波变换初始种群的父本和母本,并以最大类间方差作为适应度函数来评价个体的优劣,通过杂交和变异操作实现基因重组,提取出小波变换与Wiener滤波在图像去噪中的优势基因;经过有限次的杂交代数最终得到兼有父本和母本优势的子代图像。试验中用红枣和小麦图像对算法进行测试,去噪后红枣和小麦的图像峰值信噪比（PSNR）分别为178.44和183.24,好于邻域平均法（176.76和175.16）、中值滤波法（174.79和173.13）、维纳滤波（172.75和173.48）和高斯滤波（167.50和165.60）等常规去噪方法,并且在视觉效果上同时兼有噪声低和边缘清晰等优点,表明该方法用于农产品图像去噪是有效的、可行的。     

苹果采摘机器人夜间图像降噪算法

苹果采摘机器人图像处理系统采集到的实时夜间图像含有大量的噪声,影响采摘效率。通过差影法对夜间图像进行噪声分析,判定其噪声类型为以高斯噪声为主,并伴有部分椒盐噪声的混合噪声。针对高斯噪声去除难题,将独立成分分析(independent component analysis,ICA)理论引入夜间图像降噪,并尝试采用粒子群优化算法(particle swarm optimization,PSO)对ICA进行优化,建立基于PSO优化的ICA降噪算法(PSO-ICA),以期最大限度地降低夜间图像的噪声污染。利用标准Lenna图像和自然光下的苹果图像,进行仿真试验,结果表明PSO-ICA方法降噪效果最为理想。然后对白炽灯、荧光灯、LED灯3种不同的人工光源下采集到10个样本点的夜间图像进行验证试验,结果表明,从视觉效果评价,在3种人工光源环境下,PSO-ICA降噪方法得到低噪图像均表现为噪点明显减少;从相对峰值信噪比(relative peak signal-to-noise ratio,RPSNR)看,在3种人工光源下的平均值,PSO-ICA得到的低噪图像,分别比原始图像、均值滤波降噪和ICA降噪得到的图像的相对峰值信噪比提高21.28%、12.41%、5.53%;从运行时间看,PSO-ICA方法较ICA方法的运行时间平均减少了49.60%。PSO-ICA方法用于夜间图像降噪有着独到的优势,为实现苹果采摘机器人的夜间作业打下坚实的基础。     

基于实测道路谱的路面等效重构

为汽车试验与动力学仿真提供更准确的路面激励,提出了一种对实测路面谱进行二维等效重构的方法。结合某三级公路实测路面数据特征,系统研究了经验模态分解法去除趋势项、经验模态分解小波阈值法滤波去噪、实测路面二维自回归模型(auto regressive,AR)重构等方法,并利用相关系数方法进行了重构精度分析。结果表明,基于固定门限准则的经验模态分解小波硬阈值去噪后的功率谱方差最小,利用AR模型重构道路谱与实测道路谱重合度高,为道路谱的进一步应用提供参考。     

基于多尺度区间插值小波法的牛肉图像中大理石花纹分割

牛肉大理石花纹的丰富程度代表着脂肪含量的多少,是牛肉等级划分的重要指标。基于计算机图像的自动分级技术中图像的降噪和分割处理是大理石花纹提取的基础。该文利用多尺度区间插值小波解偏微分方程的方法对牛眼肌切面图像进行处理,基于中心相似变换的延拓方法有效解决边界效应。处理中自适应选取配置点,提高计算效率。试验证明,该算法不仅达到降噪目的,同时还实现了对不同对象区域的保边平滑,使图像纹理和边缘更加清晰。降噪结果与传统滤波法进行对比,峰值信噪比值平均比均值滤波高9.0 d B,比中值滤波高8.2 d B,比维纳滤波高6.6 d B,结构相似性数值平均比均值滤波高0.42,比中值滤波高0.40,比维纳滤波高0.34。与大津法相比,去噪后采用灰度进行图像分割的效果更好,既能分割出大脂肪,又能分割出小脂肪,提高了牛肉等级判定的准确度。     

刀具磨损声发射信号的混沌特性分析

金属切削是一个非线性系统,刀具磨损产生的声发射信号具有混沌特征。该文采用混沌理论对刀具不同磨损程度的声发射信号进行非线性特性分析。首先采用经验模态分解与小波阈值结合(empirical mode decomposition and wavelet,EMD-Wavelet)的法对信号去噪,消除噪声对吸引子结构以及特征参数的影响。其次利用互信息法和Cao方法分别求时延和嵌入维,对去噪后的信号进行相空间重构。最后绘制吸引子相图,并求解特征参数关联维。结果表明,看似无序杂乱的非线性声发射信号有着内在的有序状态。吸引子结构随着刀具磨损状态的改变呈现一定变化规律,关联维数与刀具磨损状态有一定的对应关系。这些特性对于刀具磨损状态识别有一定的参考意义。