霉变出芽花生的近红外光谱无损检测研究

为了能够客观、快速、无损、便捷地检测花生仁霉变和出芽,研究了一种基于傅里叶变换近红外光谱技术和K最近邻（KNN）模式识别方法的霉变和出芽花生识别方法。依据花生的感官特征和前人研究经验,将花生分为正常、轻度霉变、重度霉变和发芽四类,采用傅里叶变换近红外光谱仪的积分球漫反射方法采集花生光谱（波段4 000~10 000 cm-1）。利用二阶导数算法进行光谱预处理,建立联合区间偏最小二乘（Si-PLS）识别模型,并得到特征光谱区间。然后在特征光谱区间的基础上运用主成分分析进行数据空间降维,最后建立KNN识别模型。KNN模型训练集与预测集识别率均为98.84%,表明应用近红外光谱技术和KNN法检测霉变和出芽花生效果良好,具有可行性。     

基于机器学习结合植被指数阈值的水稻关键生育期识别

为建立不依赖时序数据的水稻生育期识别模型,基于四波段辐射计(SKYE)获取的水稻全生育期每日的冠层光谱反射率数据,利用K近邻(k-nearest neighbors, KNN)、决策树(Decision trees)、支持向量机(Support vector machines, SVM)、随机森林(Random forests, RF)和梯度提升决策树(Gradient boosted decision trees, GBDT)共5种机器学习算法开展水稻生育期识别研究。结果表明:RF算法的识别准确率最高,达93.00%,KNN算法的识别准确率也达到了91.92%,其他3种算法的准确率也都超过90%。在此基础上,将建立的水稻生育期识别模型应用至无人机(UAV)影像数据,KNN算法适用性最好,识别准确率为83.54%,RF算法的适用性一般,识别准确率为74.38%,SVM算法的适用性最差,识别准确率仅为62.92%,但5种机器学习算法都容易错误地将抽穗扬花期识别为拔节孕穗期;而新构建的KNN算法结合可见光大气修正指数(Visible atmospherically resistant index,VARI)的水稻生育期识别模型对无人机数据的识别准确率可达86.04%,与单独应用KNN算法相比,对水稻各个生育期的识别精度更加均衡。     

近红外光谱法对茶叶中游离氨基酸含量的快速测定

为建立一种快速检测茶叶中游离氨基酸含量的方法,应用近红外光谱分析技术对贵州省不同产地的162个绿茶样品中的游离氨基酸含量进行检测,并结合偏最小二乘法(PLS),建立茶叶中氨基酸含量的预测模型。结果表明:通过标准归一化(SNV)光谱预处理,光谱范围选择6 657.74～6 178.16、5 793.11～5 688.98、4 493.33～4 350.62cm-1,主因子数为11,得到模型的内部交互验证相关系数(R)为0.981 56,交互验证均方差(RMSECV)为0.501;模型的预测值与实测值的相关系数为0.998,预测均方差(RMSEP)为0.312,稳定性试验得到的相对标准偏差(RSD)小于0.4%。综合分析,傅里叶变换红外光谱法与化学计量学方法相结合可以实现茶叶游离氨基酸的快速检测,满足检测要求。     

可见/近红外光谱技术识别树叶树种的研究

探索使用可见/近红外光谱技术识别树叶树种的可行性,为野外可见/近红外光谱技术用于树种识别提供方法。本试验识别了9个树种,测试了光谱预处理方法、识别方法对可见/近红外光谱识别的准确率的影响。对9种阔叶树种共46棵树,分别采用距离法和PLS-DA建立识别模型,比较不同波段和导数预处理方法对模型预测效果的影响。结果表明,使用距离法对原始光谱进行识别时,识别准确率<50%,不能够有效识别树叶树种。使用距离法对预处理后的光谱进行识别时,识别准确率为近红外350～2 500nm(99.16%)>350～1 000nm(88.05%)>1 000～2 500nm(81.24%),且任意单个树种的识别准确率都>98%,能够有效识别树叶树种。使用偏最小二乘法(PLS-DA)结合单列识别变量矩阵时,识别准确率高达100%,识别模型的相关系数为0.993 6,RMSEC为0.120,RMSEP为0.144,但只能成功识别4种树叶树种,当树叶种数>4时,预测模型的识别准确率陡降。使用偏最小二乘法(PLS-DA)结合多列识别变量矩阵对9种树叶的识别准确率高达99.58%,识别模型的相关系数为0.888 6～0.956 9,RMSEC为0.084 5～0.15,RMSEP为0.088 7～0.155。本试验为可见/近红外光谱技术快速识别树种提供了一种新的方法和思路。     

温室智能装备系列之九十二衰减全反射-红外光谱和模式识别结合对温室不同种类杂草鉴别技术研究

利用衰减全反射法(AT R)对温室生长的杂草叶片进行活体检测,利用红外光谱(FT IR)的指纹特征属性,构建杂草样本的红外指纹图谱,将其作为模式识别(S C MIA)提取的特征数据,以此建立聚类分析数学模型,运用该模型对温室生长的杂草活体样本进行种类模式识别.结果表明,采用这种方法建立的杂草叶片数学模型具有显著的分类和鉴别能力,同时具备较高的准确性、可靠性以及适用性,为机械系统识别传感杂草的研究提供了一种新方法.     

近红外光谱分析法在蚕茧性别鉴定上的应用

探讨了用近红外光谱法识别蚕茧雌雄的方法和可行性.采用WQF-400N傅立叶变换近红外光谱仪,在11 000～3 500 cm-1的光谱范围内,对39粒、125粒杂交种蚕茧2组样品进行了近红外光谱的扫描测试,用偏最小二乘(PLS)-人工神经网络(ANN)方法对2组样品分别建立了雌雄蚕茧识别的校正模型,以准确率为模型评价指标,雌雄识别准确率达到100%和95.74%.试验表明,该方法是一种可用于蚕茧性别鉴定的新方法.     

衰减全反射-红外光谱和模式识别结合对温室不同种类杂草鉴别技术研究

利用衰减全反射法(ATR)对温室生长的杂草叶片进行活体检测,利用红外光谱(FTIR)的指纹特征属性,构建杂草样本的红外指纹图谱,将其作为模式识别(SCMIA)提取的特征数据,以此建立聚类分析数学模型,运用该模型对温室生长的杂草活体样本进行种类模式识别。结果表明,采用这种方法建立的杂草叶片数学模型具有显著的分类和鉴别能力,同时具备较高的准确性、可靠性以及适用性,为机械系统识别传感杂草的研究提供了一种新方法。     

基于近红外光谱茶叶种类的快速识别

分别应用2种不同型号近红外分析仪测定4个不同种类茶叶的光谱曲线,对不同的光谱数据预处理方式和不确定因子系数进行比较,确立最优定性判别定标模型.结果表明,NIRsysterns6500型分析仪对不同种类茶叶的准确识别率达100%,效果较好.这种利用近红外光谱的判别技术可对茶叶的种类进行快速识别.     

基于光谱技术识别不同农药污染脐橙的研究

用遗传算法(Genetic Algorithm,GA)搜寻可识别被不同农药污染脐橙的可见/近红外光谱的最佳特征光谱区间及波长,并建立了支持向量机(Support Vector Machines,SVM)定性分析模型.实验供试农药为灭多威、氰戊菊酯和氧乐果3种.通过GA来搜寻整个波段范围(460～1 800 nm),将得到的9个最佳特征光谱区间所包含的波长(共318个)作为SVM建模的输入变量,对识别被3种农药污染脐橙的准确率为100%.并继续应用GA优化,得到71个特征波长,此时建立的SVM模型的识别准确率为99.57%.虽然识别的准确率有所下降,但是模型的复杂程度得到了很大的优化,其输入变量减少到71个.实验结果表明利用可见/近红外光谱技术结合SVM方法可以有效识别被不同农药污染的脐橙.     

近红外光谱结合SIMCA模式识别法检测木材表面节子

利用近红外光谱结合SIMCA模式识别法来检测马尾松木材单板节子.结果表明,通过培训集样本建立的基于主成分分析的SIMCA判别模型对有无节子两种类型样本进行回判和对未知节子类型的样本(包括无节子和有节子样本)的判别正确率均达到90％～100％,说明应用近红外光谱结合SIMCA模式识别法可以快速有效地检测木材表面的节子缺陷.     

基于近红外光谱技术的茶鲜叶海拔高度判别模型建立

以不同海拔高度的茶鲜叶为研究对象,扫描获取其近红外光谱(NIRS)并筛选特征光谱区间后,分别应用逐步多元线性回归法(SMLR)、主成分回归法(PCR)和联合区间偏最小二乘法(Si-PLS)建立茶鲜叶海拔高度预测模型。结果表明,在5 542.41~6 888.48cm-1区间内,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的SMLR模型预测集相关系数和预测均方差分别为0.800 5和0.486;在4 929.16~6 965.62cm-1区间内,当主成分数为3时,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的PCR模型预测集相关系数和预测均方差分别为0.803 6和0.472;当将光谱划分为18个子区间、因子数为13时,选用[5 8 11 17]4个子区间建立的Si-PLS模型预测集相关系数和预测均方差分别为0.944 3和0.295。经比较,Si-PLS模型预测结果最佳。     

基于轻量级神经网络MobileNetV3–large的黄茶闷黄程度判别

以碧香早品种为材料,通过相机采集不同闷黄时长下的闷黄叶图像共675张,建立了3种闷黄程度的黄茶样本数据集,采用位置变换、随机亮度、增加对比度、添加噪声、随机缩放操作对闷黄叶图像集进行数据增强,运用迁移学习方法,在ImageNet数据集取得MobileNetV3–Large的预训练模型,对迁移网络的所有权重信息进行训练,最终建立了针对黄茶闷黄程度的轻量级卷积神经网络MobileNetV3–Large识别模型,并利用Grad–CAM热力图可视化和置信分数监控黄茶品质的变化。结果表明：经训练后的MobileNetV3–Large模型测试的识别准确率达到98.51%,精确率为99.10%,召回率为98.93%,加权分数为98.20%;MobileNetV3–Large模型的识别准确率高于传统机器学习模型SVM、XGBoost和KNN;通过Grad–CAM热力图可视化显示,MobileNetV3–Large模型在不同的识别场景下能够准确定位并提取闷黄叶特征,准确地识别闷黄程度。可见,MobileNetV3–Large模型有较好的泛化性,可以快速、无损地识别黄茶的闷黄程度。     

茶叶中茶多酚含量电子鼻技术检测模型研究

为探索茶叶茶多酚含量的快速检测方法,利用电子鼻技术对3个品质等级信阳毛尖茶的挥发性气味进行了研究.采用多元线性回归、二次多项式逐步回归分析和BP神经网络分别建立传感器信号和信阳毛尖茶的茶多酚含量之间的预测模型,并用测试集样本对模型进行验证.试验结果表明,3种模型茶多酚含量预测值与实测值之间的相关系数分别为0.86,0.90和0.92;预测标准误差分别为0.61,0.5和0.14;平均误差分别为2.5％,1.5％和1.0％.3种建模方法对茶多酚含量的预测结果都很好,最优模型为BP神经网络.研究结果表明电子鼻技术结合有效地模式识别方法可以用于茶叶理化成分的快速检测.     

基于YOLOV3优化模型的复杂场景下茶树嫩芽识别

茶叶智能采摘的关键技术之一是待采摘嫩芽的识别,而嫩芽大小、环境光照、拍摄角度等因素都会给嫩芽的精准识别带来困难。针对复杂场景下传统茶树嫩芽识别方法准确率低的问题,文章提出一种基于YOLOV3深度卷积模型的识别方法,并通过增加SPP模块优化模型,提高模型对茶树嫩芽的识别能力。实验结果表明,YOLOV3模型和YOLOV3优化模型均能在复杂场景下实现茶树嫩芽识别,且YOLOV3优化模型的平均精度均值mAP比YOLOV3模型提高3.5百分点,达到91%,说明YOLOV3优化模型能够更好地应用于自然场景下的茶树嫩芽识别。     

基于同步辐射红外光谱技术的江苏茶园土壤矿物—有机复合体固存研究

【目的】分析江苏省不同茶区土壤结构的差异,寻求差异化的养分管理途径,为全省实施茶园化肥减施增效提供科学参考。【方法】表征江苏代表性茶园土壤矿物—有机复合体特征结构,利用同步辐射红外显微成像法对茶园土壤团聚体切片进行化学成像,从而获得特定组分的空间分布,进而从原位上表征样品中矿物和有机官能团的分布特征,探索茶园土壤有机碳的稳定机制。【结果】江苏省茶园土壤团聚体中的有机碳以脂肪碳（2881 cm-1）、芳香碳（1620 cm-1）和多糖碳（1100 cm-1）等形态存在,同时还有矿质元素氧化物Fe-O、Al-O、Si-O等存在。茶园土壤微团聚体中各元素空间分布具有高度异质性,甲基和亚甲基C-H等脂肪碳较集中地吸附在土壤微团聚体边缘（也有少量的矿物存在）,而铁铝矿物的Al-O、Fe-O等官能团聚集在微团聚体内部核心位置,同时表面也吸附少量有机质; 87.5%茶园土壤中黏土矿物（3620 cm-1）与脂肪碳相关性最高,施肥措施和植茶年限影响矿物—有机官能团相关性排序; 75.0%茶园土壤铁氧化物与多糖碳相关性最高,各茶园土壤中铁铝矿物与有机官能团的亲和性排序规律受海拔、pH和植茶年限等影响而存在差异。【结论】江苏不同茶区土壤团聚体及其有机碳的分布特征揭示土壤团聚体通过矿物—有机复合体将有机质留存于土壤中,提高土壤有机质含量。生产中宜依据不同茶区养分具体管理方式、茶叶栽培特点及土壤条件,因地制宜采取差异化的茶园养分管理策略。     

基于电子鼻多传感器融合的茶叶存储时间识别

借助电子鼻检测存储60、120、180、240、300、360 d的黄山毛峰茶香气信息,根据电子鼻各传感器响应曲线变化特点,选取出1组能够表征不同香气信息的基本特征变量,分别采用主成分回归(PCR)、偏最小二乘回归(PLS)和BP神经网络(BPNN)方法,建立茶叶存储时间的预测模型。测试样本集对3种预测模型的检验结果表明:PCR、PLS、BPNN模型的预测标准误差分别为10.05、6.04、3.21d;最大预测相对误差分别为11.03%、7.02%、5.89%;平均预测相对误差分别为6.73%、4.74%、3.62%;预测值与实际值之间的决定系数R2分别为0.862、0.896、0.987。3种模型都能较好地对茶叶存储时间进行预测,相比较而言,BPNN模型性能最优,PLS模型性能优于PCR模型。     

利用电子舌识别炒青绿茶的等级

[目的]为了运用电子舌技术检测茶叶的品质。[方法]以4个等级的炒青为研究对象,应用法国-αASTREE电子舌检测装置并辅以模式识别对茶叶的质量进行评估,利用反向神经网络(BP-ANN)建立了判别模型,并通过主成分分析对一些参数进行优化。[结果]当提取5个主成分因子来建立模型时,模型对不同等级的茶叶识别率均达到100%。[结论]电子舌技术简单快速、成本低廉,能对茶叶加工、生产过程进行监控并实现快速分级,在茶叶质量的评价上具有很大潜力。