猕猴桃膨大果的近红外漫反射光谱无损识别

在833~2500 nm光谱范围内采集了120个猕猴桃膨大果和120个正常果的近红外漫反射光谱,采用变量标准化方法对光谱进行了预处理,基于Kennard-Stone方法对样本进行了划分,分别建立了基于全光谱(FS)、主成分分析法(PCA)提取的11个主成分和连续投影算法(SPA)提取的6个特征波长的偏最小二乘(PLS)、支持向量机(SVM)和误差反向传播(BP)神经网络识别模型。结果说明,所建立的9个模型对校正集和测试集中猕猴桃膨大果和正常果的正确识别率均分别大于96.7%和93.3%。PCA提取的主成分数和SPA提取的特征波长数仅是FS中波长数的0.53%和0.29%,建立的模型更加简单,且识别效率较高。PLS和SVM模型的识别率普遍高于BP神经网络模型。9种模型中PCA-PLS识别率最高,其对校正集和测试集中膨大果和正常果的正确识别率均达到100%。该研究结果表明,近红外漫反射光谱技术可作为一种准确、高效的方法应用于猕猴桃膨大果的无损识别中。     

基于高光谱成像技术对脐橙叶片的叶绿素、水分和氮素定量分析

用遗传算法(GA)、连续投影算法(SPA)和正适应加权算法(CARS)分别提取赣南脐橙叶片高光谱图像的有效信息,对叶绿素、水分和氮素的含量用偏最小二乘法(PLS)进行建模定量分析。高光谱图像标定后,提取感兴趣区域(ROI)的平均光谱,用GA、SPA和CARS算法分别选出特征波长建模。结果表明:叶绿素CARS—PLS模型、水分和氮素的GAPLS模型效果最优,预测集相关系数分别为0.96、0.91、0.82,可以结合高光谱技术对赣南脐橙叶绿素、水分和氮素进行快速无损的定量分析。     

高光谱技术的赣南脐橙叶片含氮量分析

快速、精确、无损地检测脐橙叶片氮(N)素含量,对脐橙果树N肥施用、果树增产有重大现实意义。用正自适应加权算法(CARS)、遗传算法(GA)、连续投影算法(SPA)提取脐橙叶片高光谱图像的有效信息,对全氮含量用偏最小二乘法(PLS)、多元线性回归法(MLR)、主成份回归法(PCA)进行建模定量分析。高光谱图像标定后,提取感兴趣区域(ROI)的平均光谱,选出敏感波段进行建模。结果表明:GA—MLR模型具有较高的优势,预测模型相关系数R=0.82,均方差RMSEP=0.32。应用高光谱技术结合此模型可以对对赣南脐橙叶片全氮含量快速、无损的定量分析。     

基于近红外漫反射光谱的损伤猕猴桃早期识别

以贮藏1d的碰撞损伤猕猴桃、挤压损伤猕猴桃和无损猕猴桃为对象,分别建立了猕猴桃的Fisher判别模型、BP神经网络判别模型与最小二乘支持向量机(LSSVM)判别模型,综合比较了采用全光谱波长(FS)、主成分分析(PCA)提取特征变量与连续投影算法(SPA)优选特征波长作为各模型输入变量时,对各模型判别效果的影响.研究结果表明,SPA优选特征波长相比于PCA和FS有较明显的优势;3种判别模型均能基本满足实际要求,且LSSVM模型的识别性能最佳,其中SPA-LSSVM模型对预测集碰撞损伤样品、挤压损伤样品与无损样品的正确识别率分别达到100％、95％和100％,总的正确识别率为98.2％.     

近红外光谱检测梨果硬度研究

应用近红外漫反射无损检测梨果硬度。采集240个梨样品的光谱数据,150个梨样品数据用于建模集来建立模型,另外90个样品数据用于预测集,评价模型的性能。采集完整梨果的近红外漫反射光谱(350~1 800nm),为简化模型,原始光谱经小波算法去除噪声,然后采用CARS算法,波长由最初的1 451个降低为58个,采用偏最小二乘回归建立梨果硬度的定量预测数学模型。研究发现,CARS算法在简化模型同时,模型的预测评价指标优于原始光谱建模的模型,硬度定量预测数学模型的决定系数(Rp2)为0.66,均方根误差(RMSEP)为1.66。近红外漫反射光谱作为一种无损的检测方法,可用于评价梨果的硬度。     

基于高光谱成像技术的生菜冠层含水率检测

为实现作物含水率的无损检测,以6种水分胁迫水平的生菜为研究对象,利用高光谱成像技术和特征波长选取方法对生菜冠层含水率进行检测研究。采用掩模法去除高光谱图像的背景噪声,并对生菜冠层光谱图像进行光强校正。利用标准正态变量变换法(SNV)去除原始平均光谱数据的噪声,采用蒙特卡罗无信息变量消除法(MCUVE)剔除无关变量,结合基于最小绝对收缩和选择算法(LASSO)、连续投影法(SPA)、LASSO与SPA算法组合(LASSO SPA)筛选特征变量,对数据进行降维处理,采用偏最小二乘法(PLS)建立5个生菜冠层含水率检测模型。经对比发现,全光谱中存在很多冗余信息变量和无关变量,采用全光谱建立的PLS模型复杂度最高,且预测能力最差;以MCUVE LASSO SPA筛选变量后的PLS模型效果最优,其中建模集相关系数R c和预测集相关系数R p分别为0.8827和0.9015,均方根误差分别为1.0662和0.9287。择优选取MCUVE LASSO SPA PLS模型计算生菜冠层每个像素点的干基含水率,生成可视化分布图,实现了生菜冠层叶片干基含水率可视化检测。本研究可为生菜冠层含水率快速无损检测提供参考。     

高光谱成像技术的玉米叶片氮含量检测模型

应用高光谱成像技术,实现了玉米拔节期叶片氮含量的检测。提取出240个叶片样本的平均光谱反射率数据(400~1 000nm),对原始数据分别进行3种预处理(1stDer、2ndDer、SNV),建立了4种预测模型,包括基于幅值参数(Dλr、Dλy、Dλb)的多种回归模型、全光谱PLS模型、基于连续投影算法(SPA)的PLS模型及基于主成分分析法(PCA)的PLS模型。建模结果显示:基于PCA的PLS模型预测精度最低;全光谱的PLS模型Rc2和RP2分别为0.967、0.821;基于SPA算法的PLS模型R_c~2、R_P~2分别为0.944、0.749,与全光谱的PLS模型预测精度相当,而自变量个数减少了95.07%。基于幅值参数的多元回归模型其预测结果虽与基于全光谱的PLS模型有些许差距,但模型简单,运算量最小,适用于对精度要求不高的场合。     

基于LMPSO-SVM的高光谱水稻稻瘟病害分级检测

为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光谱数据进行预处理,然后运用主成分分析(PCA)、Pearson相关系数分析法(PCCs)、PLS-VIP方法对光谱数据进行降维,并提出了一种基于Logistic混沌映射PSO寻优的SVM分级检测模型(LMPSO-SVM)。为了验证提出方法的有效性,以不同降维方法提取的特征变量为输入,分别建立基于人工神经网络(ANN)、支持向量机(SVM)和PSO-SVM的分级模型并进行对比分析。仿真结果表明,各模型对4级病害的识别效果最好,综合5种级别病害,SVM和ANN分级模型的预测准确率波动相对较大,对于病害预测效果不太理想;而在不同特征选择下建立的LMPSO-SVM分级模型对各级病害预测准确率均较高,准确率波动较小,其中基于PCA提取特征变量和全波段作为输入的模型平均准确率非常相近,分别为96.49%和96.12%,PCA提取的输入变量仅为5个,大大简化了模型复杂性,降低了训练...     

苹果霉心病可见/近红外透射能量光谱识别方法

针对苹果霉心病从外表无法识别的难题,提出基于可见/近红外透射能量光谱进行快速无损识别的模型和方法。在200~1 100 nm波段内采集了200个苹果的透射能量光谱数据,随机选取140个样品作为训练集,剩余60个样品作为测试集。用平滑法和多元散射校正对光谱数据进行预处理。基于全光谱、连续投影算法(SPA)提取的12个特征波长、主成分分析(PCA)提取的9个主成分,分别建立了偏最小二乘判别法、误差反向传播人工神经网络和支持向量机(SVM)识别模型。实验结果说明,应用PCA-SVM建立的模型识别性能最优,该模型对测试集和训练集中霉心病果和健康果的识别正确率分别为99.3%和96.7%。基于SPA和PCA所建模型的输入变量数仅相当于基于全光谱所建模型输入变量数的0.99%和0.74%,极大降低了模型的复杂度。研究结果表明,该方法是可行的且具有较高识别准确度,为苹果在线内部品质分级和便携式苹果霉心病检测仪的研究提供了技术依据。     

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。      

高光谱成像结合模式识别无损检测猕猴桃成熟度

为实现“贵长”猕猴桃成熟度的快速无损检测,提出高光谱成像结合模式识别建立识别模型的检测方法。首先利用可见/近红外(390~1 030 nm)高光谱成像系统采集不同成熟阶段猕猴桃样本的高光谱图像,并获取整个样本区域的光谱反射率。然后对比3种光谱预处理方法：二阶导数、标准正态变换以及多元散射校正对原始光谱的预处理效果。最后分析偏最小二乘判别分析(PLS-DA)和简化的K最近邻(SKNN)模式识别方法对猕猴桃成熟度的识别性能。结果表明：相对于标准正态变换和多元散射校正两种光谱预处理方法,二阶导数预处理方法对原始光谱的预处理效果相对较好。另外,PLS-DA识别模型对猕猴桃成熟度的识别性能要优于SKNN识别模型,其正确识别率达到100%。表明采用高光谱成像技术结合模式识别方法判别“贵长”猕猴桃成熟度是可行的。     

基于高光谱技术的采摘期烟叶水分含量研究

烟叶含水量的快速检测在烟草种植业中起着关键的作用,检测采摘期烟叶水分含量,对烟草工艺具有重要意义。为了快速、无损地检测采摘期烟叶水分含量,提出一种主成分分析(PCA)结合马氏距离算法(MD)的方法来剔除异常样本,再使用偏最小二乘法(PLS)估测采摘期烟叶水分含量。首先,利用GaiaSky-mini2机载高光谱成像仪获取到141个采摘期烟叶的高光谱数据,采用多元散射校正(MSC)、标准正态变量交换(SNV)和Savitzky-Golay卷积平滑法等对原始光谱进行预处理。然后,应用主成分分析结合马氏距离法对校正集中的异常样品进行剔除。最后,使用偏最小二乘法(PLS)建立采摘期烟叶水分含量分析模型。结果表明:利用SG卷积平滑法预处理的PCA-MD-PLS模型效果最佳,对烟叶含水量预测能力最好,预测模型相关系数为0.852 7,均方差为1.376 6。     

马铃薯叶片早疫病的高光谱识别研究

为实现马铃薯叶片早疫病的快速识别,达到尽早防治的目的,利用高光谱成像系统连续4天采集375~1018nm波段内的健康和染病马铃薯叶片的高光谱数据信息,并用ENVI软件提取感兴趣区域的光谱反射率平均值。分别建立基于全光谱(full spectrum,FS)、连续投影算法(SPA)和载荷系数法(x-LW)提取的特征波长的BP网络和LS-SVM识别模型,其中FS-BP、SPA-BP、x-LW-BP模型中预测集识别率分别为100%、100%、98.33%,LS-SVM模型的预测集识别率均为100%;SPA和x-LW提取的特征波长个数均仅占全波长的1.47%,大大简化了模型,提高了运算速率。实验表明:应用高光谱成像技术可以快速、准确地识别出马铃薯叶片早疫病,且SPA和x-LW可以作为特征波长提取的有效方法,为田间马铃薯早疫病的在线实时检测仪器的开发提供理论依据。     

偏振光谱在枣叶无损检测中的应用

红枣通过光谱无损检测技术可以快速预测红枣水分、糖分等参量,而将偏振光谱技术应用于红枣叶片的无损检测可以快速对枣叶的水分、叶绿素进行预测,进而预测枣树的生长状态。利用近红外偏振光谱技术对南疆红枣叶片含水量和叶绿素含量进行无损检测,分别选用偏最小二乘法(PLS)和主成分回归分析法(PCR)的化学计量学方法建立红枣叶片校正模型,光谱数据预处理分别选择原始光谱、一阶导数光谱、SG平滑。预测含水率使用0度偏振片和PLS方法效果最好,其校正相关系数(Rc)、校正标准偏差(RMSEC)、预测均方差(RMSEP)分别为0.94222、0.00845、0.00826,预测叶绿素使用0度偏振片和PCR方法效果最好,其Rc、RMSEC、RMSEP分别为0.53646、3.49、4.25。通过试验结果可以看出偏振片为0度时的预测效果最好,且PLS对含水率预测效果更好,PCR对叶绿素预测效果更好。     

基于线性判别法的生菜农药残留定性检测模型研究

针对农副产品农药残留超标现象,提出一种快速高效无损检测菜叶农药残留的方法。以4组生菜叶片为研究对象,分别喷洒丙酮和3种不同浓度的乐果农药(乐果和丙酮的体积比为1∶100、1∶500、1∶1 000),利用近红外高光谱成像仪采集生菜样本的高光谱图像(871.61~1 766.32 nm)。在生菜高光谱图像中选取感兴趣区域(ROI)并提取该区域的平均光谱,对ROI内的图像进行主成分分析(PCA)处理,提取PC1、PC2图像的纹理特征。采用连续投影算法(SPA)和主成分分析方法 (PCA)选取光谱数据的特征波长,分别利用线性判别法K最近邻法(KNN)、马氏距离(MD)和Fisher判别分析(FLDA)方法建立基于全波段、特征波段下光谱特征和光谱与纹理融合特征的农药残留检测模型。结果表明,基于SPA特征光谱和主成分图像纹理特征融合信息的Fisher模型较好,训练集和测试集分类正确率分别为98.9%和100%,利用近红外高光谱图像技术结合信息融合及Fisher算法鉴别农药残留等级是可行的。     

基于CARS算法的脐橙可溶性固形物近红外在线检测

采用可见/近红外光谱在线检测装置进行赣南脐橙可溶性固形物含量在线检测模型优化研究。样品以5个/s的速度运动,采集可见/近红外漫透射光谱。光谱经过预处理后,分别应用向后区间偏最小二乘法（BiPLS）、遗传算法（GA）和正自适应加权算法（CARS）筛选特征变量,并通过外部验证评价PLS模型预测能力。一阶微分处理后经CARS筛选特征变量建立的PLS模型预测结果最优,预测相关系数和预测均方根误差分别为0.94和0.42%。结果表明CARS算法可有效简化赣南脐橙可溶性固形物可见/近红外光谱在线检测模型并提高模型的预测精度。     

基于高光谱成像的马铃薯叶片叶绿素分布可视化研究

针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究，用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值，提取并计算叶绿素测量区域的叶片平均光谱后，分别采用蒙特卡罗无信息变量消除算法（MC-UVE）和自适应重加权算法（CARS）筛选出了12个和23个叶绿素含量敏感波长，建立了马铃薯叶片叶绿素含量偏最小二乘（PLS）回归模型。建模结果如下：基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型，建模精度R2C为0.79，验证精度R2V为0.73；基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型，建模精度R2C为0.82，验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量，从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图，最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达，以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。     

基于高光谱成像技术的残留氯吡脲猕猴桃无损识别

利用近红外高光谱技术,依据施药猕猴桃和空白猕猴桃中氯吡脲残留量不同、有机成分含量不同,进行了2类猕猴桃的无损识别技术研究。首先进行2类猕猴桃的田间试验,获得具有代表性的猕猴桃样品,然后通过近红外高光谱设备扫描样品,获得每个样品的近红外高光谱图像并输出每个样品平均反射光谱值,最后进行2类猕猴桃的无损识别。结果表明,PCA-LDA(主成分分析-线性判别分析)和支持向量机(SVM)2个数学模型的正确识别率都是94.4%;施药样品氯吡脲的残留量为0.03 mg/kg,空白样品的氯吡脲残留量为0 mg/kg;总糖、总酚、维生素C、可滴定酸、17种氨基酸、8种微量元素等有机成分含量存在一定的差异。因此,采用近红外高光谱技术进行植物生长调节剂猕猴桃的无损识别是可行的。     

基于激光诱导荧光高光谱技术无损检测脐橙表面敌敌畏残留

常规化学方法检测农药残留不仅对样品具有破坏性,而且费时费力。本文以激光诱导荧光结合高光谱图像技术为手段,对脐橙表面的敌敌畏农药残留进行光谱无损检测;实验方法是在脐橙表面,喷施用自来水配制的不同浓度的敌敌畏农药溶液,在实验室条件下风干后,采集激光诱导荧光高光谱图像,再用气相色谱法检测脐橙表面的农药残留量,应用偏最小二乘(Partial least squares,PLS)方法建立农药残留的预测模型,并找出最佳光谱区间,然后应用支持向量机(Support vectormachine,SVM)方法在最佳光谱区间的基础上建立农药残留的预测模型;所建模型结果其预测集样品的农药残留量实测值(0.4862~10.3791mg/kg)和预测值之间的相关系数为0.8101;实验结果说明,以激光诱导荧光结合高光谱技术为手段的无损检测技术,在检测脐橙农药残留方面是有可行性的。     

基于高光谱成像技术的小麦籽粒赤霉病识别

利用高光谱成像技术通过光谱分析和图像处理进行小麦赤霉病的识别。采用标准正态变量变换(SNV)和多元散射校正(MSC)方法对光谱进行预处理,分别利用连续投影算法(SPA)和正自适应加权算法(CARS)进行变量筛选提取特征波段,结果表明采用MSC-SPA和SNV-SPA算法时决定系数分别为0.901 9和0.900 6,均方根误差分别为0.223 8和0.223 2,筛选波长个数分别为7个和5个。利用SVM和BP神经网络算法建立的交叉验证模型及验证模型的准确率均达到90%以上。其中,MSC-SPA-SVM和SNV-SPA-SVM方法的建模集准确率分别为97.08%和94.17%;验证集准确率分别为98.33%和97.50%,均优于MSC-SPA-BP和SNV-SPA-BP模型。为了研究染病小麦的高光谱图像信息,利用主成分分析方法,根据权重系数选择最佳特征波长为627.698 nm。利用图像处理方法对特征波长下的特征图像进行预处理、特征提取。分别提取特征波长图像的形态参数特征和纹理特征参数等,根据特征参数相关性分析选择最优的建模特征参数。分别利用10折交叉验证方法建立线性判别分析、支持向量机和BP神经网络识别模型,结果表明3种识别算法识别准确率均在90%以上,具有较好的识别效果。