利用近红外光谱技术测定浓缩天然胶乳中干胶含量的研究

建立了一种使用近红外光谱技术即时测定浓缩天然胶乳干胶含量的方法。以国家标准方法测定天然胶乳的干胶含量作为标准值,用偏最小二乘法(PLS)建立近红外光谱与天然胶乳干胶含量的多元信号校正模型,并使用内部交叉验证及外部验证集验证评价模型,对天然胶乳中干胶含量进行测定对比分析。结果表明,模型相关系数达0.977 8,模型的预测均方差为0.105,交叉验证均方差为0.106,说明该模型具有较高的预测水平。通过F检验和t检验进一步对比模型检测值和国标法检测值,2种方法的分析结果差异不显著性。近红外光谱技术测定浓缩天然胶乳干胶含量准确度、精确度良好,可应用于实际生产与交易中的快速检测。     

基于近红外光谱法的藜麦脂肪含量快速检测

为了探索一种快速测定完整藜麦(Chenopodium quinoa Willd)子粒脂肪含量的方法,采集100个藜麦样品的近红外光谱,运用近红外光谱法建立数学模型并进行预测。结果表明,在10 000~4 000 cm-1波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗脂肪近红外光谱定量模型,校正和预测效果最佳,所得的粗脂肪近红外定量模型的交叉验证决定系数(R2cv)为0.939 3,外部验证决定系数(R2val)为0.9235。建立的脂肪近红外光谱模型,可以用于藜麦脂肪含量的快速检测。     

近红外光谱法快速检测藜麦蛋白含量

[目的]建立一种藜麦粗蛋白含量快速、无损、简便的测定方法,为藜麦的资源评价和品质育种提供技术支持.[方法]以100份藜麦种质资源为材料,其中80％为校正集,20％为验证集,扫描得到藜麦近红外原始光谱,利用OPUS/QUAN T5.5光谱定量分析软件建立藜麦蛋白质含量的快速检测模型.[结果]采用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法测定数据建立藜麦粗蛋白近红外定量模型,校正和预测效果最好,藜麦粗蛋白近红外定量模型的交叉验证决定系数为0.9182,外部验证决定系数为0.9151.[结论]基于近红外光谱法(NIRS)测定藜麦籽粒的蛋白含量是完全可行的.     

基于近红外光谱的小麦种子发芽率测试

以534份发芽率水平不同的小麦品种种子为样品,采用傅里叶变换近红外光谱仪采集光谱数据,利用偏最小二乘法(PLS)建立其发芽率的无损测定校正模型,并对模型进行留一法交叉验证、外部验证。结果表明,经一阶导数和多元散射校正(MSC)预处理后,对7 502.3~4 246.8 cm-1波段范围所建模型的预测性能最佳,校正集决定系数R2为0.914 4,校正均方根误差(RMSEE)为7.38,平均绝对误差为5.925%;验证集决定系数R2为0.904 4,验证均方根误差(RMSEP)为7.91,平均绝对误差为6.467%。近红外光谱与种子发芽率具有较高相关性,利用近红外光谱技术快速测定小麦种子发芽率具有可行性。     

近红外光谱技术检测灵武长枣果肉硬度和贮藏时间

利用近红外光谱(400～1 000 nm)系统采集140个灵武长枣样本的光谱信息,采用不同方法预处理原始光谱数据,优选出最佳预处理方法。分别建立竞争性自适应加权算法(CARS)和连续投影算法(SPA)提取特征变量的果肉硬度偏最小二乘回归(PLSR)预测模型,并利用原始光谱建立灵武长枣贮藏时间的偏最小二乘判别(PLS-DA)模型。结果表明,去趋势法(Detrend)为最优预处理方法;建立的Detrend-CARS-PLSR模型效果较好,果肉平均硬度校正集和预测集模型相关系数均为0. 868;果肉最大硬度校正集和预测集模型相关系数分别为0. 914、0. 849。建立的贮藏时间PLS-DA判别模型的校正集判别准确率为98%,预测集判别准确率为99%。说明,采用近红外光谱技术对灵武长枣贮藏过程中长枣果肉硬度和贮藏时间的快速预测具有可行性。     

玉米秸秆磷含量近红外漫反射光谱的建模研究

利用近红外光谱(NIRS)技术,建立玉米秸秆磷含量的快速定量分析模型,有利于植物养分利用效率和遗传育种研究。本研究选取了来源广泛的200份玉米自交系秸秆样品,结合近红外光谱仪在4 000～10 000cm~(-1)波段处测量的秸秆样品的光谱数据和钼锑抗比色法测量的样品磷浓度,分别用偏最小二乘(PLS)、最小绝对值收敛和选择算子(LASSO)、支持向量机(SVM)和回归树(RT)的方法,建立了玉米秸秆磷含量的近红外定量分析模型。5折交叉验证结果显示,PLS为最优建模方法,测试集预测值和真实值的相关系数(r_(test))为0.80±0.05,训练集的拟合相关系数(r_(training))为0.97±0.03。将PLS与不同的光谱预处理方法结合来优化模型,在11种预处理方法中,归一化以及平滑化的预处理方法效果最好,r_(test)均为0.80±0.05,与原始光谱数据相比相关性并未显著提高。随着训练集个体的增加,预测准确性不断提高,当训练集和验证集比例为8∶2时,预测相关系数为0.80,与留一法的预测相关系数(0.81)相当。综上,PLS建立的玉米秸秆磷含量的近红外定量分析模型预测准确性较高,可用于育种或者遗传学研究中磷含量的测定。     

锌、铜离子对皱纹盘鲍（Haliotis discus）幼体毒性的初步研究

皱纹盘鲍(Haliotis discus hannai Ino)属腹足类软体动物。在其人工育苗中，往往环境有害因子对鲍鱼幼体有明显的毒害作用。为克服这些有害因子，以利于人工育苗工作正常进行，我们开展了锌、铜离子对皱纹盘鲍幼体毒性试验工作。     

基于近红外光谱的卷烟配方模块香型预测

为提高卷烟配方模块的分类识别准确率，并为卷烟配方模块的科学评估提供技术支撑，提出了一种基于近红外光谱特征筛选的卷烟配方模块香型预测方法。选取2017—2019年238个卷烟配方模块样品的近红外光谱数据，结合特征工程中的递归特征消除法和BP神经网络、随机森林、XGBoost 3种机器学习技术，构建了基于特征变量的香型预测模型。与全光谱数据训练的分类效果对比，经过递归特征消除法筛选后的光谱特征变量能够有效提升卷烟配方模块香型的识别准确率，其中，XGBoost算法分类效果最佳，模型对测试集的识别准确率达到了90.41%。结果表明，基于近红外光谱特征筛选的香型预测方法对卷烟配方模块的快速定位、科学评价及卷烟配方设计等有一定的辅助决策作用。     

小麦子粒湿面筋FT-NIRS分析模型的建立与研究

用傅立叶变换近红外光谱(FT-NIRS)分析小麦子粒湿面筋含量。采用国标GB/T14608-1993法测试了216份小麦子粒的湿面筋含量,用近红外仪采集数据,选择113份建立了数学模型。结果:最佳主成分数(Rank)=3,内部交叉验证均方差(RMSECV)=2.33,决定系数(R2)=90.69。为了验证模型的可靠性,对预测集样品进行预测,结果湿面筋的预测均方差(RMSEP)=2.70;相对偏差(RSEP,%)=11.84。结果表明,该数学模型可初步用来快速、较准确、无污染、低消耗地测试小麦子粒的湿面筋含量。     

巴山木竹蛋白质可见/近红外光谱定量分析模型研究

探讨了运用可见/近红外光谱分析技术建立巴山木竹蛋白质定量分析模型的可行性。运用传统方法实测了样品蛋白质含量,并运用光谱分析软件建立了样品蛋白质含量与光谱数据的PLS与PCR校正模型。基于主要性能指标对不同光谱预处理与建模方法进行评价,筛选出最优校正模型并使用验证集样品对校正模型的预测能力进行了验证。巴山木竹竹叶与竹秆蛋白质最优校正模型的决定系数(R_c~2)分别为0.935和0.862,交叉验证均方差(RMSEC)分别为0.351和0.172;经外部验证,预测模型决定系数(R_p~2)分别为0.916和0.874,验证集样品的相对分析误差(RPD)分别为3.562和2.840。表明应用可见/近红外光谱分析技术可以实现巴山木竹蛋白质含量快速检测。     

基于多特征融合和CNN模型的树种图像识别研究

目的在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。方法将6类常见树种（樟子松、山杨、白桦、落叶松、雪松和白皮松）图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。结果本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB + H通道 + LBP条件下,验证识别准确率最高,达到93.50%;RGB + HSV + LBP + HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。结论基于RGB + H通道 + LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。      

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。     

Sensor measurements revealed: Predicting the Gram-status of clinical mastitis causal pathogens

Automatic milking systems produce mastitis alert lists that report cows likely to have clinical mastitis (CM). A farmer has to check these listed cows to confirm a CM case and to start an antimicrobial treatment if necessary. In order to make a more informed decision, it would be beneficial to have information about the CM causal pathogen at the same time a cow is listed on the mastitis alert list. Therefore, this study explored whether decision-tree induction was able to predict the Gram-status of CM causal pathogens using in-line sensor measurements from automatic milking systems. Data were collected at nine Dutch dairy farms milking with automatic milking systems and included 140 bacteriological cultured CM cases with sensor measurements of electrical conductivity, colors red, green, and blue and milk yield for analyses. In total, 110 CM cases were classified as Gram-positive CM cases and 30 as Gram-negative. Stratified randomization was used to divide the data in a training set (n = 96) for model development, and a test set (n = 44) for validation. The decision tree used three variables to predict the Gram-status of the CM causal pathogen; two variables were based on electrical conductivity measurements, and one on measurements of the color blue. This decision tree had an accuracy of 90.6% and a kappa value of 0.76 based on data in the training set. When only those CM cases were considered with extreme high probability estimates for their Gram-status (either positive or negative), 74% of all records in the training set could be classified with a stratified accuracy of 97.1%. When validated, the decision tree performed poorly; accuracy dropped to 54.5% and the kappa value to −0.20. The stratified accuracy calculated for 75% of all records in the test set was 66.7%. Predicting the CM causal pathogen showed a similar poor result; the decision tree had an accuracy of 27.9% and a kappa of 0.12, based on data in the test set. Based on these results, it is concluded that decision-tree induction in conjunction with sensor information from the electrical conductivity, color, and milk yield provide insufficient discriminative power to predict the Gram-status or the CM causal pathogen itself.     

基于近红外光谱的高粱籽粒直链淀粉、支链淀粉含量检测模型的构建与应用

【目的】高粱是酿酒和饲料的主要原料之一,其籽粒直链淀粉含量与支链淀粉含量的比值大小与白酒品质及饲料质量密切相关。传统的高粱成分化学检测方法已不适合高通量测试,采用改进最小二乘法（modified PLS）对高粱样品的近红外光谱图进行光谱预处理、得分处理和结果监控建立高粱籽粒直链淀粉、支链淀粉含量的预测模型,旨在得到一种快速高效低成本的检测方法,为高粱的遗传改良及品质分析提供依据。【方法】从450份高粱资源中筛选出112份代表品种作为校正集和验证集,通过双波长法测定112份高粱品种籽粒中直链淀粉、支链淀粉含量的化学值,并收集波长为850—1 048 nm的近红外光谱,对光谱进行扫描数据矩阵和化学数据计算得分（PL1）处理解释光谱间差异,剔除马氏距离（GH）大于3的超常品种以减小建模误差。采用Modified PLS回归技术建模,通过不同散射处理和导数处理等方法建立不同的定标模型。根据交叉验证标准偏差（SECV）、交叉验证相关系数（1-VR）确定最佳模型,并进行结果监控和非参数检验评估模型的预测性能。【结果】直链淀粉的近红外预测模型SECV是2.7732,1-VR是0.9503,相关系数（RSQ）是0.9688。Bias=0.229<2.7732（SECV）×0.6,即偏差（Bias）小于定标模型SECV的0.6倍;预测标准偏差（SEP）=1.266<2.7732（SECV）×1.3=3.60516,即SEP小于定标模型SECV的1.3倍,11.01（SD）—10.81（SD）=0.2<11.02（SD）×0.2=2.204即化学数据和近红外预测数据标准偏差（SD）差值小于化学数据SD的20%。支链淀粉的近红外预测模型SECV是1.7516,1-VR是0.8818,RSQ是0.9127。Bias=-0.014<1.7516（SECV）×0.6即Bias小于定标模型SECV的0.6倍,SEP=1.316<1.7516（SECV）×1.3=2.2708即SEP小于定标模型SECV的1.3倍,5.30–5.29=0.01<5.30×0.2=1.06即化学数据和近红外预测数据SD差值小于化学数据SD的20%。利用30份模型外高粱籽粒对模型的有效性进行两配对样本非参数检验,结果表明,直链淀粉含量和支链淀粉含量的测定值与预测值之间差异不显著（P=0.262>0.05;P=0.992>0.05）。【结论】所建立的近红外模型精准度高,稳定性好,能准确快速地检测高粱籽粒中直链淀粉、支链淀粉的含量,可用于高粱的遗传改良及高粱品质的检测。     

基于机载激光雷达和高光谱数据的树种识别方法

训练样本的选取是影响监督分类精度的直接原因之一,数据空间分辨率越高,训练样本要求越准确,而人机交互训练样本选取推广力有限。利用机载高光谱（AISA）和激光雷达（LiDAR）主被动遥感数据,探讨基于高分辨率影像的训练样本自动提取技术以及适合树种识别的遥感变量。根据树木的结构和高度差异,开展树高分层掩膜试验,并计算光谱间夹角,在每个高度层中自动化优选树种的高纯度训练样本。计算植被指数、主成分分析等特征变量,基于支持向量机分类器对研究区进行树种精细分类。实验表明:通过对阔叶林、马尾松Pinus massoniana,毛竹Phyllostachys edulis,杉木Cunninghamia lanceolata,油茶Camellia oleifera的训练样本分层自动提取后再进行分类,激光雷达和不敏感色素指数变量能有效提高树种分类精度。其中高光谱+激光雷达+结构不敏感色素指数变量组合的分类精度最高,其总体精度和Kappa系数分别为89.12%和0.86,阔叶林、马尾松、毛竹、杉木、油茶的用户精度分别为75.00%,100.00%,86.36%,90.91%和96.55%。该方法对本研究区森林树种的识别是有效的。     

基于深度学习的5种树皮纹理图像识别研究

目的针对在树皮图像识别时,现有的算法和识别过程过于复杂的问题,提出了基于深度学习的方法来对不同树种的树皮图像进行识别。方法本文以5种常见树种的树皮纹理图像为例,采用基于卷积神经网络的深度学习方法,将原始图像直接作为输入,通过卷积和池化层对图像的低级、高级特征进行自动提取,解决了手动提取纹理特征的困难和问题;在此基础上,对CNN模型结构进行改进,采用带Maxout的ELU激励函数来代替ReLU函数,解决模型的偏移和零梯度问题;对损失函数进行改进,通过添加规范项来优化结构参数,并使用分段常数衰减法对学习率进行动态调控;最后采用softmax分类器对图像类别进行输出。结果对5个树种的树皮图像共计10 000张图像进行实验,其中每类选取200张图像作为测试集。最终训练准确率达到93.80%,测试集识别准确率为97.70%。另外,为验证本文方法的可行性,与传统人工特征提取法,提取HOG特征、Gabor特征和灰度共生矩阵统计法,训练SVM分类器。通过实验比较,本文方法识别准确率最高。结论本文提出的基于深度学习的树皮纹理图像识别方法是可行的,提高了识别效率和精度,为树种的智能化识别提供新的参考。      

A decision tree for nitrogen application based on a low cost radiometry

Fertilizer recommendations based on radiometry require studies to calibrate the relationships to scenario conditions, otherwise the effectiveness may be reduced. The objective of this study was to develop a decision tree to detect nitrogen deficiency with efficiency comparable to the analysis of the full spectral signature, with simplicity similar to a spectral index and valid over a wide range of development conditions and phenological stages. An agronomic trial with a dual-purpose triticale (X Triticosecale Wittmack) was used in this study having different planting densities, number of grazing events (regeneration from defoliation) and nitrogen fertilization. At different phenological stages, the spectral signatures of leaves were recorded with an ASD-FieldSpec3 spectroradiometer and the nitrogen concentrations were determined by the Kjeldahl method. Agronomic factors that affect the N concentration were identified using ANOVA; subsequently PCA was carried out on the set of spectral signatures representative of the groups formed according to nitrogen concentration. Linear regression was used to evaluate the relationship between the principal components and plant nitrogen concentration. Wavelengths with greater significance were used to construct a decision tree. The resulting decision tree defined for nitrogen using the Jenks Natural Breaks method had a success rate of 68.3?%. The best spectral index had a R ²?=?0.31 while the estimate using the full spectral signature reached a R ²?=?0.68. Although further testing is needed, this work shows the approach was able to successfully categorize nitrogen deficiency.     

基于U-Net和分水岭算法的无人机单木树冠提取方法

高分辨率无人机遥感影像单木树冠参数信息提取方法是森林资源精准监测和生态功能评估的重要基础，而自然光照条件下粘连和遮挡单木树冠的准确分割是直接决定单木树冠信息提取精度的关键。针对自然光照条件下山地森林无人机遥感影像中单木树冠相互粘连、遮挡难以分割，以及传统算法泛化能力弱等问题。本研究结合深度学习和标记控制分水岭算法的优点，提出了一种基于U-Net和标记控制分水岭（marker-controlled watershed,MCW）算法（简称U-Net+MCW算法）的山地森林单木树冠提取方法。以新疆山地森林优势树种天山云杉(Picea schrenkiana var.tianschanica)为研究对象，在南山实习林场采集积雪背景下无人机遥感影像作为试验数据，构建了基于深度神经网络U-Net和标记控制分水岭算法的单木树冠提取模型。首先，从无人机遥感影像中选取1 000张训练样本，128张测试样本，并对样本进行标注，通过数据增强将1 000张训练样本扩增为16 000张，按照4∶1分为训练集和验证集，对U-Net模型进行训练，在训练过程中赋予2个或多个树冠间的相邻边界像素较大权重。然后，利用训练好的U-Net模型对测试集样本进行单木树冠提取。最后，在深度神经网络U-Net单木树冠提取的基础上，采用MCW算法对提取结果进行优化，并对单木树冠提取效果进行精度评估。结果表明，U-Net+MCW算法对于单木尺度的F测度为74.04%，比单一使用U-Net模型提高了28.52%，以该方法提取遥感影像中的天山云杉树冠信息为基础，计算其单木树冠面积和冠幅的精度分别为81.05%和89.94%。因此，U-Net+MCW算法能够有效解决自然光照条件下，由于原始图像背景复杂且树冠内部亮度变化不均匀和树冠间粘连、遮挡等因素，导致的单个树冠内、树冠聚集处或连接重叠区域出现的树冠错分割、过分割、合并等问题，是一种低成本、高效率的单木树冠提取方法，能够满足中小尺度山地森林资源调查和监测要求。     

基于卷积神经网络的微藻种类识别

微藻在生态系统的结构和功能中具有极为重要的作用,而传统光学人工镜检方法对微藻种类鉴别具有较大的难度。本研究将微藻的光学图像进行了采样,并结合国内外专家对微藻鉴定的经验知识,制作了微藻图像数据集,并进行了数据增强处理。借助深度学习的原理和方法,构建了基于卷积神经网络结构的深度学习模型（AlexNet）,对模型进行了训练,并利用5折交叉验证方法确保模型的稳定性。结果表明,模型的训练精度可达到98.78±0.98%,测试精度达85.46±0.23%,达到了预期效果。利用AlexNet模型训练得到的参数,对预留的280个样本图像进行实际测试,7个藻种的平均精确度、平均召回率和平均F1 Score分别为0.832,0.844和0.833。表明深度学习方法是鉴定微藻的一种有效方法。     

聚类、粗糙集与决策树的组合算法在地力评价中的应用

 【目的】地力评价方法大多数有一定的主观性,较少考虑土壤各属性间的依赖关系。论文旨在采用数据挖掘方法,寻求地力等级划分的新方法。【方法】结合农安县耕地调查数据,应用K-means聚类方法、Johnson粗糙集属性约简算法与C4.5决策树算法相结合的优化算法评价地力等级。【结果】使用K-means聚类方法,得到最佳学习样本数;使用粗糙集属性约简和决策树相结合的方法,去掉了冗余属性7个,决策树模型共有节点317个,其中叶节点个数为159个,生成规则159条,模型准确率为82.08%。与未聚类和未约简的方法相比,决策树结点个数减少41.62%。【结论】使用该组合算法,在保证模型准确率的同时,降低了算法的时间和空间复杂性,提高了挖掘效率。