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。      

基于高光谱成像技术的冬瓜种子品种鉴别

为实现冬瓜种子品种的快速无损检测,利用高光谱成像技术采集了广东黑皮、一串铃和韩育粉皮3个品种冬瓜种子的光谱图像信息。采用标准归一化（SNV）、多元散射校正（MSC）、中值滤波（MF）等方法进行预处理,利用连续投影法（SPA）、回归系数法（RC）和竞争性自适应算法（CARS）提取特征波长,建立了粒子群优化BP神经网络判别模型,预测集的决定系数与均方根误差分别为R2=0.930、RMSEP=0.047,准确率高达96.30%。研究表明,高光谱技术结合粒子群优化BP神经网络可以实现对冬瓜种子品种快速无损鉴别。      

基于近红外光谱的山核桃的品种鉴别

为实现对山核桃品种的快速鉴别，采集浙江临安山核桃、安徽宁国山核桃、美国山核桃和四川核桃共4种100个核桃样品的近红外光谱，对光谱数据进行了标准正态变量变换（standard normal variate transformation，SNV）预处理后，采用主成分分析（principal component analysis，PCA）法实现了光谱的差异可视化，基本可实现4种山核桃的鉴别。为提高模型准确率，采用主成分分析降维后数据结合线性判别（PCA-LDA）的分类方法，该法对4种山核桃品种鉴别的校正集和验证集的分类准确度都达到了100%。结果表明，近红外光谱技术可实现对山核桃品种的快速鉴别。      

基于近红外和远红外光谱信息融合的核桃品种鉴别方法

采用红外光谱技术对核桃开展无损检测研究,实现清香、温185、香玲、新新2号、纸皮、漾濞和岱丰共7种核桃品种的鉴别,为核桃品种识别提供新思路。提出了一种基于近红外和远红外光谱信息融合的方法,首次将远红外光谱技术应用在核桃品种鉴别中,并与近红外光谱数据融合,结合主成分分析法（PCA）和无信息变量消除-连续投影法（UVE-SPA）进行特征波长选取,建立了随机森林、K近邻、支持向量机分类模型。结果除随机森林模型外,其余模型识别准确率能够达到100%,既降低了模型复杂度,也大大提升了识别准确率和模型稳健性。试验结果表明,通过将近红外光谱和远红外光谱的有效信息进行数据融合,可以改善单一光谱技术在识别率上的不足,即两个波段的数据融合更能反映品种之间的差异,为实现核桃品种的高效、无损、精确识别提供了新思路,也为其他物质的鉴别提供了借鉴和参考。      

单粒玉米种子成熟度快速判别方法

为快速无损检测单粒种子成熟度,推进现代良种单粒播种技术,采用近红外光谱技术结合化学计量学方法建立了单粒玉米种子成熟度快速鉴别模型。采集200份单粒玉米种子样本近红外光谱,采用多种光谱预处理方法消除单粒种子采集过程中由于颗粒形态、杂散光等引入的干扰信息,分别采用分段谱区、连续投影算法筛选特征波长,优化建立种子成熟度判别模型。经SG5_1预处理后,在5 500～4 000 cm~(-1)谱区建立的基于支持向量机的单粒玉米种子成熟度判别模型的分类准确率可达92%。实验结果表明,近红外光谱技术可以快速无损判别单粒玉米种子成熟度。     

赣南脐橙叶片SPAD值可见近红外光谱无损检测

为了提供果树精准肥水管理参考数据,进行了果树叶片SPAD值近红外光谱无损检测研究。采用反射方式,采集100片赣南脐橙叶片的可见近红外光谱;利用移动窗口偏最小二乘法结合遗传算法、连续投影算法筛选光谱变量,并建立偏最小二乘回归校正模型。采用移动窗口偏最小二乘法和连续投影算法组合筛选的39个光谱变量建立的校正模型预测结果最优,模型预测相关系数为0.898,模型预测SPAD值均方根误差为2.116。试验表明,应用可见近红外反射光谱技术结合化学计量学算法进行赣南脐橙叶片SPAD值无损检测是可行的。     

基于高光谱图像技术的红枣品种智能检测模型

为了提高红枣相关产业的经济效益,增强其市场竞争力。针对红枣品种无损鉴别的社会需求,文章采用高光谱图像技术获取多个品种红枣高光谱图像,获取光谱数据并提取特征光谱波段,构建红枣品种的检测模型。实验结果表明,高光谱图像技术结合竞争自适应重加权抽样和支持向量机模型（CARS-SVM）可实现对红枣品种的无损、快速、准确鉴别,分类的准确率达到了91.2%。     

基于可见/近红外光谱与SIMCA和PLS-DA的脐橙品种识别

脐橙的优良品种选育是通过芽变选种获得，为了选择一些具有特殊性状的脐橙芽变进行培植，需要对脐橙的品种进行鉴别。该研究应用可见/近红外光谱分析方法结合软独立模式分类（SIMCA）和偏最小二乘判别分析（PLS-DA）模式识别方法对赣南脐橙的品种进行识别。研究结果表明，采用原始近红外光谱结合SIMCA方法，实现了纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙的100%的识别；应用近红外光谱结合PLS-DA方法对校正样本建立判别模型，其校正及验证结果与实际分类变量的相关系数均大于0.970，交叉验证均方根误差（RMSECV）和预测均方根误差（RMSEP）都小于0.100，利用模型对验证集中纽贺尔、奈弗宁娜、华脐以及朋娜4种脐橙的识别率均为100%。为脐橙优良品种的选育提供快速鉴别分析方法。     

富士苹果采收成熟度光谱无损预测模型对比分析

针对苹果采收成熟度不一,导致果品贮藏品质不佳、病害率高等问题,基于可见/近红外光谱和成熟度评价指数建立快速无损判别采收成熟度的分类模型。根据盛花期后的发育时间,采集了3种成熟阶段（八成熟、九成熟和十成熟）样品的光谱信息。光谱预处理后通过“二审”回收算子法剔除异常样本,随机蛙跳（RF）算法提取特征变量,建立成熟度评价指数SIQI和综合评价指标FQI的偏最小二乘（PLSR）模型,SIQI指数和FQI指数的预测相关系数R为0.938和0.917。建立极限学习机（ELM）和支持向量回归（SVR）分类模型,并与2种成熟度评价指数结合SVR建立的分类结果进行比较。对比4种分类结果发现,基于SIQI+SVR构建的分类结果最好,优于直接分类模型,分类准确率为 85.71%。试验结果表明,可见/近红外光谱结合成熟度评价指数可实现苹果成熟度分类,为后续采收成熟度的无损检测设备研发提供理论参考。     

基于近红外漫反射光谱技术的芒果糖度无损检测方法研究

近红外光谱分析技术是近年迅速发展的一门绿色分析技术,具有快速、准确、无损伤检测的特点,正越来越广泛地应用于水果内部品质的无损检测。为此,应用近红外漫反射光谱技术无损检测芒果糖度,光谱数据经一阶微分和Savitzk-Golay预处理后,分别采用主成分回归法(PCR)和偏最小二乘法(PLS)建立芒果糖度近红外分析模型,当主成分数为10时,预测相关系数R分别为0.838 69,0.976 59,RMSEC分别为1.628 4,0.205 8,MEP为1.235 0,0.738 3;采用BP神经网络对70个样品光谱进行训练,建模集相关系数达到0.983 3,而对36个预测样品集的相关系数只有0.663 9;调整建模集和预测集样品,相关系数增大到0.683 6,平均相对误差由10.336 9%降到8.057 6%。研究结果表明,利用近红外漫反射光谱技术对芒果糖度进行无损检测是可行的。     

基于低秩自动编码器及高光谱图像的茶叶品种鉴别

提出一种基于低秩自动编码器及高光谱图像技术的茶叶品种鉴别方法。应用高光谱成像系统采集5个品种的茶叶样本高光谱图像数据,利用ENVI软件确定高光谱图像的感兴趣区域(ROI),并提取茶叶样本在ROI的平均光谱作为该样本的原始光谱数据。由于高光谱信息量大、冗余性强且存在噪声,运用自动编码器和低秩矩阵恢复结合的低秩自动编码器(LR-SAE)对原始光谱数据进行降维,在自动编码器降维基础上加入去噪处理,提取鲁棒判别特征。在此基础上应用支持向量机(SVM)和Softmax分类算法对降维后的茶叶样本高光谱数据分类。通过5折交叉试验验证,LR-SAE-SVM模型的预测集准确率达到99.37%,SAE-SVM模型的预测集准确率为98.82%;LR-SAE-Softmax模型的预测集准确率达99.04%,SAE-Softmax模型的预测集准确率为97.99%。研究结果表明,相较于未进行去噪处理的传统自动编码器,LR-SAE降维之后的分类建模效果有所提升,将其应用于茶叶品种鉴别是可行、高效的。     

基于高光谱图谱融合技术的英德红茶等级快速无损判别

茶叶等级评价是检测茶叶品质的一项重要技术指标。通过提取红茶高光谱成像技术下的图像特征和光谱特征,构建一种基于图谱融合方法、适用于英德红茶等级评价的快速无损判别模型。首先制备3种不同等级的红茶样本,采用t分布-随机近邻嵌入和主成分分析对光谱数据进行降维可视化分析,然后从影响内在品质角度用连续投影法提取每种化学值的特征波长,通过多模型共识策略和竞争性自适应重加权算法-连续投影法筛选得出表征其内在品质的最佳特征波长组合,并建立基于遗传算法优化支持向量机的等级判别模型;其模型的训练集准确率为88%,预测集准确率为78.33%。为了融合外形纹理差异,先提取最佳特征波长组合对应的高光谱图像;采用图像掩膜消除背景的干扰和采用图像主成分分析消除多波长图像间的冗余信息,然后采用灰度共生矩阵和局部二值化算法提取主成分前三维主成分图像与特征光谱融合,并建立基于特征融合的遗传算法优化支持向量机等级判别模型,且基于第三主成分图像特征融合模型判别效果最佳,训练集准确率提升至98%,预测集准确率提升至96.67%。     

基于深度学习的青梅品质智能分选技术与装备研究

青梅内外品质对其精深加工过程有重要影响，常规人工分选不仅分级效率较低，且受个人主观因素影响难以实现标准化作业，不能满足市场需求。以深度学习技术为基础，在青梅外表缺陷分类方面，将Vision Transformer网络模型应用到机器视觉系统中，引入多头注意力机制，提升全局特征表示能力，并通过softmax函数减少梯度，实现青梅表面的多类（腐烂、裂纹、疤痕、雨斑、完好5类）检测分选，结果表明其平均判别准确率达到99.16%，其中腐烂、疤痕、裂纹以及完好青梅图像的判别准确率达到100%、雨斑达到97.38%，每组平均测试时间为100.59ms；该网络的各类判别准确率、平均判别准确率均明显优于VGG网络、ResNet-18网络。青梅内部品质（SSC）预测方面，基于高光谱成像技术，结合低秩张量恢复（LRTR）的去噪优势和堆叠卷积自动编码器（SCAE）的降维优势，构建了LRTR-SCAE-PLSR青梅糖度预测模型。结果表明网络规模为119-90-55-36时，模型预测集相关系数为 0.9654，均方根误差为0.5827%，表现最佳；通过SCAE、LRTR-SCAE两种降维模型对比，LRTR-SCAE模型不仅维度更低，预测集相关系数也明显提高，验证了LRTR-SCAE模型的降维去噪优势。设计并搭建了可用于青梅内外品质无损分选的智能装备，整机尺寸小，结构简单，分选结果满足青梅精深加工需求。     

基于改进RF特征选择策略的烤烟油分高光谱特征分析

针对烤烟油分特征预测模型的特征优选问题,提出一种改进RF(随机森林)算法特征选择策略,首先通过RF特征选择算法计算出各个特征的RF-Score,将特征按RF-Score的大小排序依次添加到特征子集中,若分类器分类准确率提高则保留该特征,若分类器分类准确率没有提高或降低则去除该特征。结果表明:利用RF特征选择算法对烤烟高光谱特征进行筛选时,将176个高光谱特征中按基尼系数降序排列依次输入SVM分类器中,前64个高光谱波段特征即可使支持向量机分类器性能最佳,特征子集维度为64,其分类准确率为93.33%。利用改进RF特征选择策略对176个烤烟高光谱波段特征进行筛选,只需输入371.08 nm、716.71 nm、378.31 nm、487.77 nm、484.09 nm、535.85 nm六个波段的高光谱特征即可使支持向量机分类器性能最佳,其分类准确率为95%,特征子集维度为6,说明改进的RF特征选择策略可以在保证分类器性能的前提下能较好地进行数据降维,减小特征集的冗余。改进后的RF特征选择算法与全高光谱波段相比,特征数量减少170个,分类准确率提高3.33%;与RF特征选择算法相比,特征数量减少58个,分类准确率提高1.67%。     

基于计算机视觉的土壤镉胁迫生菜叶片污染响应分析

为了实现无损检测生菜叶片中重金属镉的污染程度,以计算机视觉技术为研究手段,结合图像处理方法和特征选择方法,对4个梯度重金属镉胁迫的生菜叶片进行识别。首先利用数码相机获取生菜叶片图像,然后使用K-means聚类算法分割图像,对分割出的目标图像提取图像颜色、形状和纹理特征,共获取46个图像特征。为了使模型更简便和减少数据量,利用基于变量组合的变量重要性分析(VIAVC)和竞争性自适应重加权算法(CARS)对图像特征进行降维。采用偏最小二乘法判别分析(PLS-DA)和随机森林(RF)构建模型,用于生菜镉胁迫程度的识别。结果表明,在7个组合特征模型中,颜色形状纹理融合特征所建立的模型给出了最优结果,测试集分类正确率为92%。用VIAVC和CARS对颜色形状纹理融合特征进行特征选择,发现VIAVC的降维效果优于CARS。使用特征选择的变量建立模型,RF模型的训练集分类正确率和预测集分类正确率均高于PLS-DA,其中,基于VIAVC的RF模型的训练集和预测集分类正确率分别为98.0%和96.0%。可见,基于VIAVC的RF模型在大大降低了特征维数的前提下,能够较好地对不同镉胁迫程度的生菜叶片进行识别。     

基于近红外光谱的核桃仁品种快速分类方法

采用傅里叶变换近红外光谱仪,采集了4个不同品种的200份核桃仁样本的近红外漫反射光谱,建立了核桃仁品种分类模型。光谱范围为3 800~9 600 cm -1 ,预处理方法采用多元散射校正法和标准正态化方法;通过主成分分析法优选出5个主成分因子,光谱信息累计贡献率达到99.21%;采用随机抽取法建立建模集和验证集,以主成分因子为输入变量,建立了基于支持向量机分类模型,并采用网格搜索法对RBF核函数参数 λ和δ 进行寻优。分析结果表明,建立的核桃仁分类识别模型对4个核桃仁品种的总体正确识别率达到96%,为核桃仁品种的快速无损识别提供了一种可行的方法。     

基于卷积神经网络的蓖麻种子损伤分类研究

不同形式的机械损伤对蓖麻种子发芽生长和榨油后的蓖麻油质量影响不同，因此对产生机械损伤的蓖麻种子进行识别分类非常重要。提出了基于卷积神经网络的蓖麻种子损伤分类算法。以种壳缺失、裂纹和完整蓖麻种子（无损伤）的分类为例，构建了蓖麻种子训练集和测试集，搭建2个卷积层（每个卷积层8个卷积核）、2个池化层和1个全连接层（128个节点），实现分类。为提高分类的准确性和实时性，调整网络结构以及优化批量尺寸参数，得到较优的网络结构和批量尺寸；利用上下左右翻转扩充样本，改变优化器、学习率以及正则化系数对该网络进行组合试验，获得准确率及效率较优的组合。通过Dropout优化减小卷积神经网络模型的过拟合。试验结果表明：卷积层为5层、池化层为5层、批量尺寸为32时，该网络模型平均测试准确率为92.52%。在组合试验中，Sgdm优化器更新网络可以提高网络的分类性能；数据扩增可以增加样本的多样性，减小过拟合现象；通过Dropout优化卷积神经网络模型的过拟合；选择学习率为0.01，正则化系数为0.0005时，模型分类准确率达到94.82%，其中种壳缺失蓖麻种子准确率为95.60%，裂纹蓖麻种子准确率为93.33%，完整蓖麻种子准确率为95.51%，平均检测单粒蓖麻种子的时间为0.1435s。最后，开发蓖麻种子损伤分类系统，验证结果为：种壳缺失蓖麻种子的准确率为96.67%，裂纹蓖麻种子的准确率为80.00%，完整蓖麻种子的准确率为86.67%。该卷积神经网络模型在损伤蓖麻种子分类时具有较高的识别准确率，可在蓖麻种子在线实时分类的检测系统中应用。     

牛肉嫩度的高光谱法检测技术

为实现对牛肉嫩度的预测和分级,构建了试验用高光谱检测系统,在400～1000nm波长范围内获取牛肉表面的高光谱散射图像.从高光谱图像中提取牛肉的反射光谱曲线,用step-wise逐步回归法选择 430、496、510、725、760和828nm 6个波长建立了多元线性回归模型,用全交叉验证法验证模型的预测效果,模型的预测相关系数为0.96,预测标准差为0.64kg.以嫩度6.0kg为界将样本分为嫩牛肉和粗糙牛肉2类,特征波长处反射值为变量,建立了正则判别函数对牛肉嫩度分级,用全交叉验证法验证训练的效果.嫩牛肉分级准确率为83.3%,较粗糙牛肉分级准确率为90.9%,总的分级准确率为87.0%.研究表明该预测和分级技术具有一定的可行性.