基于支持向量机的多光谱成像稻谷品种鉴别

为解决稻谷品种的快速无损鉴别问题,应用多光谱图像采集设备(VideometerLab)获取了5个品种稻谷共250个试验样本在405~970 nm波长范围内的多光谱图像,提取各品种稻谷在不同波长下的光谱反射率和图像特征(面积,宽长比,色差等)作为稻谷品种鉴别的特征变量,基于最小二乘支持向量机(least-square-support vector machine,LS-SVM)建立鉴别模型,通过粒子群寻优(particle swarm optimization,PSO)算法搜索支持向量机的最优参数。将250个稻谷分为建模集(200个样本)和测试集(50个样本)分别进行试验,结果表明,采用该文的建模方法结合稻谷光谱特征和图像特征对预测集稻谷品种鉴别的正确率均在90%以上,高于对比的其他方法,该研究成果为稻谷品种的快速无损鉴别提供了一种方法。     

识别不同水稻株型的高光谱模式方法的建立

提出了一种用高光谱技术快速识别不同水稻株型的新方法。首先在试验田内选择33个不同的水稻品种,测定了每个品种的14个株型特征参数,并采用荷兰Avantes公司的AvaSpec-2048便携式光谱仪采集不同株型水稻的高光谱数据。通过聚类分析,将所有水稻品种分为差异较大的3个株型类别。再采用平均平滑法和标准归一化方法对光谱数据进行预处理,对光谱数据主成分分析并获得各主成分数据。最后将主成分数据作为BP神经网络的输入变量,株型类别作为输出变量,建立了三层人工神经网络识别模型,并用模型对预测样本进行预测。结果表明,预测准确率为100%。该方法实现了对不同水稻株型的快速、无损识别。     

柿子可溶性固形物含量的可见-近红外光谱检测

为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。     

基于极限学习机利用可见-近红外光谱数据判别土壤类型的方法研究

为了实现土壤类型的快速无损识别,提出了一种利用可见-近红外光谱、基于极限学习机的土壤类型鉴别方法。首先,获取4种不同类型土壤的320个样本波长在325～1075 nm范围内的可见-近红外光谱数据;其次,用主成分分析的数学方法对数据进行降维处理,最终提取了三个主成分来代表原光谱数据;再次,将320个样本的数据随机分为测试集和预测集两个部分,建立极限学习机模型,利用该模型对土壤类型进行识别。实验结果表明,将极限学习机应用于土壤类型的识别精度可达100%,其训练速度和泛化性优于BP神经网络和支持向量机,能够快速、准确、无损鉴别土壤类型,使用方便,具有推广价值。     

可见/近红外光谱快速鉴别米粉辐照剂量

为了实现对不同剂量辐照处理后米粉的快速鉴别,提出了一种基于可见-近红外光谱技术的快速、无损检测方法。试验先利用不同剂量的60Coγ-射线对米粉进行辐照处理,得到了4种样品共200个样本。再应用ASD可见-近红外光谱仪获取所有样本的反射光谱数据,并采用主成分分析方法对数据进行聚类分析,将提取的前6个主成分作为BP神经网络的输入值,建立不同米粉样品的鉴别模型。结果表明,在设定偏差标准为±0.1的情况下,利用该模型对预测集样本进行鉴别,识别率达到100%。该文提出的方法具有很好的分类和鉴别作用,为快速鉴别米粉类产品是否经辐照灭菌及处理剂量等提供了新的技术方法。     

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。     

基于稀疏表示的大米品种识别

为了实现机器视觉准确判别大米品种,提出了一种基于稀疏表示的大米品种识别方法。以长江米、圆江米、粳米、泰国香米、红香米和黑米等6种大米籽粒图像作为研究对象,采用颜色和形态结构参数表示单个籽粒。每种大米随机选取50粒作为训练样本,200粒作为测试样本。所有训练样本组成稀疏表示方法的数据词典,对每一个测试样本,计算其在数据词典上的投影,将具有最小投影误差的类作为测试样本所属的品种。最后将提出的方法与BP网络和SVM的识别结果做了对比和分析。试验结果表明,提出的方法对于6个大米品种的综合识别准确率为99.6%,获得了最好的分类效果。为大米品种的识别提供了一种新的有效方案。     

基于近红外光谱和深度学习数据增强的大米品种检测

近红外光谱和深度学习结合的思路是大米品种检测的重要研究方向，其准确检测模型的建立依赖大规模的样本数据，然而采集和预处理样本耗时巨大，对准确性的提升造成限制。为解决上述不足，便于深入探究近红外光谱结合深度学习方法在大米品种检测领域应用的可行性，该研究提出基于近红外光谱结合改进型深度卷积生成式对抗神经网络（deep convolutional generative adversarial network，DCGAN）数据增强的大米品种检测方法。首先，在相同环境下采集4种大米品种的近红外光谱并对原始光谱数据进行预处理，使用去趋势校正（detrend correction，DC）和无信息变量消除算法（uninformative variable elimination，UVE）消除无用光谱特征点。然后，建立改进型DCGAN模型对预处理后的光谱数据进行数据增强，对比试验结果表明，改进型DCGAN相比与传统数据增强方法，改进型DCGAN生成数据的结构相似度指标更优。最后，研究不同数据增强方法结合不同分类方法建立大米品种分类模型的性能，对比试验结果表明，改进型DCGAN数据增强结合一维卷积神经网络（one-dimensional convolution neural network，1D-CNN）分类算法所建模型面向测试集的准确率最高，为98.21%，为简便准确的大米品种检测方案提供了新思路。     

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。     

基于多源信息融合技术的马铃薯痂疮病无损检测方法

为了提高马铃薯痂疮病无损检测识别精度,基于机器视觉和近红外光谱的多源信息融合技术,该文提出DS（dempster shafer）证据理论结合支持向量机的马铃薯痂疮病无损检测方法。试验以360个马铃薯为研究对象,在图像特征分割时,确定了差影法结合马尔可夫随机场模型法为最佳分割方法;在光谱特征提取时,确定主成分分析方法为最佳降维方法。采用支持向量机识别方法分别建立机器视觉和近红外光谱的马铃薯痂疮病识别模型,模型对测试集马铃薯识别率分别为89.17%、91.67%。采用DS证据理论与支持向量机相结合的方法对获取的图像特征和光谱特征进行融合,建立了基于机器视觉和近红外光谱技术的多源信息融合马铃薯痂疮病检测模型,该模型对测试集马铃薯识别率为95.83%。试验结果表明,该技术对马铃薯痂疮病进行检测是可行的,融合模型比单一的机器视觉模型或近红外光谱模型识别率高。     

基于高光谱成像的寒地水稻叶瘟病与缺氮识别

为进行水稻叶瘟病与养分缺失的区分、实现叶瘟病及时、准确的诊断,以大田试验为基础,利用高光谱成像仪获取2个品种的健康、缺氮、轻度感病和重度感病共4类水稻叶片的反射率光谱,对其光谱特性进行分析,并采用多种预处理方法、分别结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)和主成分加支持向量机(principle component analysis-support vector machine,PCA-SVM)方法构建水稻叶瘟病识别模型。试验结果显示6个判别模型都获得了较高的识别准确率,经标准正态变量(standard normal variate,SNV)变换预处理的PLS-DA模型获得了最佳的识别结果,预测准确率达100%,经多元散射校正(multiplicative scatter correction,MSC)预处理的PCA-SVM模型的预测准确率也达到97.5%。本研究为水稻叶瘟病的判别和分级提供了新方法,也为稻瘟病大范围遥感监测提供了基础。     

早稻氮磷钾施肥类别归属的贝叶斯判别方法研究

【目的】在测土配方施肥中,“测土”是实现合理施肥微观指导的关键技术手段。本研究针对高度分散经营的耕地代表性土样采集难、测试费用高、花费时间长等“测土”难题,探讨早稻氮磷钾施肥类别归属的统计模式识别技术。【方法】利用闽东南80个早稻氮磷钾田间肥效试验资料作为样本,采用欧氏距离–离差平方和法进行系统聚类分析,建立区域早稻施肥类别。在此基础上,根据田块氮磷钾施肥量及其产量结合地力信息等数量指标,应用贝叶斯判别准则探讨具体田块的施肥类别归属。【结果】在确保空白区产量和平衡施肥产量均值在两两施肥类别间具有统计显著差异的前提下,闽东南早稻最多可划分为6个氮磷钾施肥类别。多元统计检验表明,6个施肥类别的类内协方差矩阵差异不全相等,据此建立了各个施肥类别的贝叶斯判别函数。结果表明,原始试验数据标准化处理可大幅度提高判别准确性,监测样本的回代误判率和交叉误判率分别只有1.2% 和1.3%,预留6个试验点的84个处理的氮、磷、钾施肥量和产量试验资料的施肥类别归属的判别正确率达到81.0%。【结论】统计模式识别原理及其贝叶斯判别准则可用于早稻氮磷钾施肥类别归属决策,判别准确性能够满足推荐施肥的精度要求。     

基于高光谱图像的稻瘟病抗氧化酶值早期预测

水稻稻瘟病是危害水稻种植的真菌病害,早期预测病害源头是防治稻瘟病的有效手段。在病害症状显证之前实现早期预测,能从源头上更好地遏制病害,阻止分生孢子的大量繁殖,达到稻瘟病早期防治的目的。该文通过连续分时段测定水稻稻瘟病潜育期稻苗的高光谱图像和相对应的稻苗抗氧化物酶SOD（superoxide dismutase, SOD）酶值,利用高光谱图像处理技术结合化学计量学方法,建立稻瘟病潜育期内稻苗冠层高光谱图像与抗氧化酶SOD酶活之间的关联预测模型。结果表明,基于全光谱信息建立的SOD酶值预测模型,模型具有较好的预测效果,校正集相关系数RC=0.9921,校正集均方根误差RMSEC=5.135 U/g;预测集相关系数RP=0.9274,预测集均方根误差RESEP=8.634 U/g。出于建立更为广泛应用的稳定的多光谱成像检测系统的需要,基于选定的6个特征波长526、550、672、697、738和747 nm建立了简化的SOD酶值预测模型,该模型的RC=0.6945,RMSEC=17.92 U/g;RP=0.5488,RESEP=22.0085 U/g。研究表明,在水稻稻瘟病潜育期内,通过高光谱图像反演相应的SOD酶活性信息,推断水稻稻瘟病病害胁迫程度信息是可行的。     

基于光声光谱和TCA迁移学习的稻种活力检测

种子活力是决定水稻产量的最重要因素之一，但目前水稻种子活力的近红外和高光谱等无损检测方法易受种子表皮颜色影响，且所建模型难以适应新品种。该研究提出基于光声光谱技术的稻种活力无损检测方法并结合迁移学习进行新品种稻种活力检测。首先，对Y两优、龙粳、南粳、宁粳、武运粳、新两优等具有区域代表性的典型6种水稻品种，进行高温高湿人工老化处理，得到0~7 d老化时间的水稻种子；再通过调制频率获得8种不同深度的光声光谱信息，用主成分分析、竞争性自适应重加权算法对光谱降维得到特征光谱后，对Y两优、龙粳、南粳、宁粳、武运粳分别建立偏最小二乘回归（Partial Least Squares Regression，PLSR）、反向传播神经网络（Back Propagation Neural Network，BP）、广义回归神经网络（Generalized Regression Neural Network，GRNN）、支持向量回归模型（Support Vector Regression，SVR）、深度卷积神经网络（Convolutional Netural Network，CNN）的稻种活力预测模型，并选择最优调制频率；最后，通过迁移学习将建立的模型迁移到新两优稻种进行活力预测。结果表明，光声光谱最佳扫描频率为300 Hz，CNN预测模型精度较高，相关系数和均方根误差分别优于0.990 9、低于0.967 5；且经过迁移学习，仅需通过对源域数据的训练，即可直接对新品种稻种的活力进行精确预测；通过TCA迁移学习后，新两优稻种活力预测的相关系数从0.718 5提高到0.990 3。研究表明，采用光声光谱深度扫描技术对不同种类稻种的活力进行高精度检测是可行的，且经过迁移学习，仅需80粒新品种稻种信息即可实现稻种活力的精确预测。     

Predicted Glycemic Index and Glycemic Index of Rice Varieties Grown in Taiwan

Two cooked brown rice and six white rice varieties were selected for assessing the variations in predicted glycemic index (pGI) determined by using in vitro starch digestion and the glycemic index (GI) determined in vivo. Marked varietal differences in apparent amylose content, dietary fiber content, pGI, and GI were observed. Most of the tested rice samples were classified as medium‐GI foods. The varieties Khazar and Taikeng 9 were categorized as high‐GI foods when bread was used as the reference. But brown and white rice samples of TRGC9152 and Taichung Sen 17 fell into the low‐GI category when glucose was used as the reference. A significant correlation coefficient (r = 0.946) was found between pGI and GI of rice samples by using bread as the reference with a regression equation of GI = 28.778 + 0.717 × pGI (R² = 0.8951, P ≤ 0.001). Overall, the in vitro pGI measurement is a rapid and useful method to predict the GI of cooked rice samples.     

水稻幼苗根际联合固氮能力的QTL定位

以珍汕97明恢63杂交组合的重组自交系(RIL)群体的241个株系和高效固氮菌株W12以及固氮菌株FY为材料,在严格限菌条件下,利用改进的SpermosphereModel技术,测定RIL群体及其亲本与两个固氮菌株的联合固氮能力表型值。采用MAPMAKER/QTL软件对获得的表型性状进行QTL定位分析,在第2染色体上,检测到控制与W12联合固氮能力(W12.NFA)和与FY联合固氮能力(FY.NFA)的QTL各1个;前者位于标记区间RM208～RM207,后者位于标记区间R712～RM324。分别对这两个QTLs的等位标记RM208与R712作单因子方差分析,得W12.NFA在RM208不同标记基因型间差异的F值为8.28,达0.0044显著性水平;FY.NFA在等位R712不同标记基因型间差异的F值为13.81,达0.0003显著性水平。显然,本研究检出的控制固氮菌株W12和FY与水稻根际联合固氮能力的QTL是相互独立的。