基于时序高光谱和多任务学习的水稻病害早期预测研究

水稻病害是影响水稻产量的重要因素之一,水稻病害的早期预测对水稻病害防治至关重要。为了实现水稻白叶枯病害的预测,连续采集了从接种病菌到早期发病共7d的白叶枯病害胁迫下的叶片高光谱图像。利用Savitzky-Golay算法对高光谱图像进行预处理,并利用主成分分析（Principal component analysis, PCA）和随机森林（Random forest, RF）算法提取光谱特征,构建多任务学习(Multi-task learning, MTL)与长短期记忆（Long short-term memory, LSTM）网络融合的预测模型,对水稻病害发病率和潜伏期进行预测,并利用鲸鱼优化算法（Whale optimization algorithm, WOA）对MTL-LSTM模型进行优化。实验结果表明：PCA和RF可以有效地从高光谱图像中提取光谱特征,降低高光谱数据维度,且基于光谱特征构建的预测模型性能优于全波段光谱构建的预测模型性能,建模时间降低约98%。基于时序高光谱构建的预测模型对发病率和潜伏期的预测取得了预期效果,基于前10个特征波长构建的WOA-MTL-LSTM模型取得了最优的预测性能,对发病率和潜伏期预测测试集的R2分别为0.93和0.85,RMSE分别为0.34和2.12,RE分别为0.33%和1.21%。通过WOA算法可以提升MTL-LSTM的预测性能,对发病率和潜伏期预测的R2均提升0.05。研究结果表明RF提取高光谱特征能有效表征全波段光谱,基于时序高光谱的WOA-MTL-LSTM模型可以准确预测白叶枯病害发病率和潜伏期,为水稻白叶枯病害的预防提供了技术支持。     

翠冠梨坚实度可见/近红外光谱在线检测

采用可见/近红外光谱技术对翠冠梨的坚实度进行在线检测研究,并对不同预处理方法和不同平滑点数的影响进行研究.试验采用USB4000微型光纤光谱仪在0.5 m/s的水果运动速度下采集翠冠梨的透射光谱,并应用偏最小二乘(PLS)算法建立预测模型.试验样品为176个,119个样品作为校正集,57个样品作为预测集.研究结果表明,应用可见/近红外光谱技术检测翠冠梨的坚实度是可行的,确定580～840 nm为较合适的建模波段;光谱经一阶微分和变量标准化(SNV)处理后建立的预测模型性能最优,其相关系数R为0.820,校正标准差为2.50 N,预测标准差为3.02 N;对于S-G平滑处理,5点S-G平滑的效果最好,其相关系数R为0.848,校正标准差为2.31N,预测标准差为2.85 N.     

基于LED组合光源的水晶梨可溶性固形物和大小在线检测

该文探讨了近红外光谱技术结合发光二极管（LED）组合光源探头在线检测水晶梨的可溶性固形物和大小的可行性。试验中采用850、880和940 nm 3盏LED组成组合光源探头，每个水晶梨在均匀成单列的输送线上以每秒5个梨的速度运动，采用漫反射方式采集水晶梨的漫反射光谱。应用偏最小二乘（PLS）和最小二乘支持向量机（LS-SVM）方法建立了可溶性固形物和大小2个理化参数的校正模型，同时对不同光谱预处理方法（平滑、一阶微分、二阶微分）建立的模型的预测性能进行了对比分析，并通过外部验证来检验模型预测的准确性。利用平     

基于高光谱的酿酒葡萄果皮花色苷含量多元回归分析

以酿酒葡萄赤霞珠果实为研究对象,利用高光谱成像技术检测葡萄果皮中的花色苷含量。采集60组样本的900~1700nm近红外波段高光谱图像,并用pH示差法测量样本果皮中花色苷含量。选取高光谱图像中葡萄果实区域作为感兴趣区域（ROI）,计算其平均光谱,并采用SG平滑、归一化、多元散射校正等预处理方法提高光谱的信噪比。然后采用偏最小二乘回归（PLSR）、支持向量回归（SVR）和BP神经网络算法建立花色苷含量预测模型。研究表明：基于PLSR模型推荐的13个隐含变量建立的BP神经网络模型的预测决定系数和预测均方根误差分别为0.9102和0.3795。     

基于高光谱成像的青梅酸度检测方法

针对传统理化分析的青梅酸度检测方法破坏性大、耗时长、无法实现在线检测的不足,对基于高光谱成像技术的青梅酸度快速无损检测方法进行研究。采集了487个青梅样本在550~1 000 nm波段内的高光谱图像,经过光谱相对反射率校正和6种不同滤波后,分别利用连续投影算法(SPA)、遗传算法(GA)以及连续投影结合遗传算法(SPA+GA)3种光谱降维方法,提取了反映青梅内部酸度信息的特征波长,并建立波长与青梅p H值的偏最小二乘(PLS)预测模型,研究不同滤波和不同降维方法下的预测精度。研究结果表明:同一预测模型,Savitzky-Golay(S-G)平滑滤波预测精度最高;相比SPA或GA单一算法降维,经5点S-G平滑滤波后SPA+GA光谱降维的方法,可显著降低模型复杂度,提高模型预测精度,预测集的均方根误差为0.070 6,相关系数为0.792 5。     

基于可见/近红外光谱技术的板栗产地识别

采用可见/近红外光谱分析技术对河北和安徽两个产地的板栗进行检测分级,获得板栗样品在600~1 100 nm波长区间的可见/近红外光谱,采用偏最小二乘判别分析（PLSDA）进行建模,比较不同预处理方法和波长范围对PLSDA模型精度的影响。结果显示,不同预处理方法对模型性能影响较大,一阶导数预处理在全波长范围所建PLSDA模型性能最优,校正集和验证集的决定系数分别为0.884和0.863,均方根误差分别为0.170和0.191。不同波长范围也会影响模型的预测和识别性能,在波长区间为750~1 000 nm的光谱所建立的PLSDA模型性能要高于全波长光谱所建立的模型性能,其中经过Savitzky Golay平滑预处理后,模型性能的提高最为明显,且其与原始光谱在校正集和验证集的敏感性和特异性均达到最优,即识别率均可达到100%。因此,可见/近红外光谱分析技术能够对板栗产地进行鉴别。     

苹果内部品质分级机械手设计与试验

为检测苹果内部品质,基于可见/近红外光谱检测技术并结合分拣机械手,设计了苹果内部品质分级机械手。该装置主要由夹持机构、近红外光谱采集系统、控制系统等组成。机械手稳定夹持苹果后采集苹果的近红外光谱数据,上位机软件中的预测模型对光谱数据进行分析处理,并显示光谱曲线和预测结果。为建立苹果可溶性固形物含量预测模型,基于该装置采集了苹果在650～1 100 nm波长范围内的光谱数据,通过国家标准测量法测得苹果样本的可溶性固形物含量,采用SG卷积平滑(SG-smooth)、标准正态变量变换(SNV)和多元散射校正(MSC)对光谱数据进行预处理,并结合可溶性固形物含量测量值建立偏最小二乘(PLSR)模型。结果表明,采用多元散射校正方法预处理后的建模效果最优,其预测模型的校正集和预测集相关系数分别为0. 978 2、0. 970 1,均方根误差分别为0. 274 6、0. 326 3°Brix。选取20个同品种苹果样本对该装置的稳定性和准确性进行了测试,可溶性固形物含量预测值与测量值相关系数为0. 957 3,均方根误差为0. 422 4°Brix。试验结果表明,苹果内部品质分级机械手在夹持苹果的同时可以实现对苹果可溶性固形物含量的准确预测。     

不同光谱采集条件下麦秸低位热值NIRS快速检测

采集我国不同地区、不同品种的71个麦秸样品,选取其中54个为校正集,17个为独立的验证集。采用Spectrum 400型和Antaris Target型两种近红外光谱仪,分别对麦秸低位热值进行实验室静态和模拟在线快速预测分析。利用Spectrum 400型近红外光谱仪对麦秸低位热值进行实验室静态分析,建立的预测模型校正集决定系数为0.90,验证集相对分析误差为2.75。利用Antaris Target型近红外光谱仪对麦秸低位热值进行实验室模拟在线分析,建立预测模型,校正集决定系数为0.93,验证集相对分析误差为3.26。对这两种光谱采集条件下的近红外光谱快速分析模型进行了比较分析。     

基于高光谱技术的基质含水率快速测定方法

为了寻找一种基质含水率的快速检测方法,应用高光谱技术获得不同含水率基质样品光谱信息,阐释基质含水率光谱规律,对基质含水率进行定量分析,为设施基质栽培水分快速测定提供参考。以稻壳基质为研究对象,对基质光谱信息进行基线校正和平滑处理后,利用逐步回归分析法提取稻壳基质光谱反射率一阶微分变换的敏感波段,建立基于敏感波段组合的基质含水率预测模型,并对模型进行了检验。结果表明,在敏感波段527、796和959 nm处,采用反射率一阶微分建立的稻壳基质含水率三波段指数预测模型的预测效果较好,模型预测相关系数(RP)为0.91,预测均方根误差(RMSEP)为5.55%,可以实现对稻壳基质含水率的快速准确检测。     

BP神经网络与GA-BP农作物需水量预测模型对比

农作物需水量预测是制定合理灌溉制度的重要依据.针对BP神经网络的不足,利用遗传算法(GA)具有全局搜索能力强的特点,建立基于GA-BP神经网络的农作物需水量预测模型.以广州辣木农庄试验田农作物作为研究对象,结果表明:基于BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.037和0.648;GA-BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.013和0.882,GA-BP农作物需水量预测模型收敛速度、确定性系数和性能均优于BP农作物需水量预测模型.     

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。      

生物质颗粒燃料特性主成分分析及热值预测

为了探寻生物质颗粒燃料工业分析成分及热值之间的相关关系,对生物质颗粒燃料进行综合评价,并用工业分析成分对热值进行预测,测试了36种生物质颗粒燃料的基础特性。结果表明,工业分析成分的4个指标之间存在着线性关系,挥发分与其他指标之间存在负相关关系;提取的两个主成分的方差累计贡献率高达85.97%,在这两个主成分中,挥发分在第1主成分中所占的权重最大,灰分在第2主成分中的权重最大。利用多元线性回归模型建立的生物质颗粒燃料热值预测模型,外部验证的标准差SEP为0.185 kJ/g,相对标准差RSD为1.02%,该预测模型可靠性较高。      

基于高光谱的甜菜冠层氮素遥感估算研究

利用野外便携式ASD Qualityspec光谱仪,实测了田间甜菜冠层光谱数据,采用植被指数对氮含量进行预测,发现估算精度较低,分析NDVI与VLOPT与氮含量的相关性,得出氮含量在很小的时候就达到饱和水平。根据4种预处理下的甜菜冠层光谱,分别采用偏最小二乘回归(PLSR)和主成分回归(PCR)建立甜菜氮含量估算模型,比较不同预处理和不同回归方法对估算精度的影响。结果表明:对PLSR来说,一阶导数处理的光谱数据建立的模型精度最好(RMSE=2.34g/kg,RE=19.6%),平滑、MSC和SNV建立的估算模型次之;对PCR来说,平滑处理的光谱数据建立的模型精度最好(RMSE=2.34g/kg,RE=19.4%)。总的看来,不同预处理对估算模型精度有一定的差异,但PLSR和PCR两种回归方法对甜菜氮含量估算模型影响不大。     

基于近红外光谱的土壤氮含量模型及生物炭对土壤光谱的影响

采集添加生物炭的土壤（标记为ABS）和不添加生物炭的土壤（标记为CS）,获取其近红外光谱,通过预处理算法和偏最小二乘法（partial least squares,PLS）建立两种土壤氮含量预测模型。试验结果显示,CS和ABS分别经过Baseline和Smoothing预处理的预测模型效果最好,定向系数（determination coefficient,R2）分别为0.913和0.753,预测均方根误差（root mean square error of prediction,RMSEP）分别为0.093和0.753,利用近红外光谱可对两种土壤氮含量建模预测。研究了生物炭对土壤光谱及建模的影响,结果表明,添加生物炭会改变土壤成分含量,使近红外光谱和建模不同于普通土壤,而联合建模可减小差异的影响,取得较好的预测效果,联合建模结果显示,经过Smoothing预处理的预测效果最好,R2为0.907,RMSEP为0.086。      

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。      

不同时段刺五加叶片黄酮含量的高光谱无损估测

针对野生刺五加叶片中黄酮含量的测量方法繁琐、时间较长及需破坏叶片等问题,提出了一种基于高光谱技术对不同时段的刺五加叶片中黄酮含量的估算模型。首先,分析提取地域、年龄、长势相近的20株刺五加叶片光谱特征,通过对叶片进行烘干、磨粉及利用紫外分光光度计等化学方法测得叶片中黄酮的真实含量,并选择4种预处理互相结合、比较的方式,判断出最优预处理模型;通过SPA与PCA算法的结合,选择出较明显的特征波段,通过MatLab2018a将特征波段的反射率分别与40组预测集验证相关性后,再分别选取预测值和20组实测值与BP神经网络、支持向量机进行模型建立。实验结果表明:利用BP神经网络建立的模型的校正集决定系数Rc2分别为0.8649、0.7976、0.8485,支持向量机建立的模型的校正集决定系数Rc2分别为0.7526、0.7742、0.7243,证明SNV和1 Der结合的预处理方式与BP神经网络所构建的模型效果最好。研究为高光谱技术对刺五加叶片中黄酮的反演提供了有力的支持,也会提高工业和药用采摘的效率及刺五加的利用价值。     

基于可见-近红外光谱的鲜食葡萄成熟品质关键指标检测

酚类物质是评价葡萄成熟品质的重要指标,本文利用可见-近红外光谱技术结合化学计量学定量分析方法对葡萄皮总酚、籽总酚、皮单宁和籽单宁含量开展了无损检测研究。通过手持式可见-近红外光谱仪采集巨玫瑰葡萄波长400～1 029 nm范围内的漫反射光谱,采用SPXY算法将其划分为校正集和预测集,结合标准正态变换(Standard normal variate, SNV)、多元散射校正(Multiplicative scatter correction, MSC)、一阶导数(First derivative, 1D)、二阶导数(Second derivative, 2D)、Savitzky-Golay卷积平滑(Savitzky-Golay smoothing,SG)和Savitzky-Golay卷积平滑+一阶导数(SG+1D)6种预处理方法以及偏最小二乘回归(Partial least squares regression, PLSR)、支持向量机回归(Support vector machine regression, SVR)和卷积神经网络(Convolutional neural networ...     

采用表面增强拉曼光谱技术快速检测脐橙果皮中抑霉唑残留

由于采后处理过程中脐橙保鲜剂抑霉唑易通过果皮渗进果肉中残留，不慎食用后会对人体产生危害。因此，本研究探索一种基于表面增强拉曼光谱技术（Surface-Enhanced Raman Spectroscopy，SERS）的脐橙果皮中抑霉唑残留的快速检测方法。首先对SERS检测条件进行优化，分别确定了最优的检测条件为反应时间2 min，金胶加入量400 μL，NaBr作为电解质溶液且加入量为25 μL。基于以上最优检测条件，以自适应迭代惩罚最小二乘法（Adaptive Iterative Reweighted Penalized Least Squares，air PLS）、air PLS+归一化、air PLS+基线校正、air PLS+一阶导数、air PLS+标准正态变量（Standard Normal Distribution，SNV）和air PLS+多元散射校正（Multiplicative Scatter Correction，MSC）处理后的6组光谱数据为研究对象，分别采用这6种光谱预处理法建立支持向量回归（Support Vector Regression，SVR）模型并对预测性能进行比较后发现，air PLS方法所建立模型的预测集相关系数（Coefficient of the Determinant for the Prediction Set，R_P）最大，预测集均方根误差（Root-Mean-Square Error of Prediction，RMSEP）最小。对光谱数据进行主成分分析（Principal Component Analysis，PCA）特征提取，选择前7个主成分得分作为SVR预测模型的输入值。采用SVR、多元线性回归（Multiple Linear Regression，MLR）和偏最小二乘回归（Partial Least Squares Regression，PLSR）三种建模方法分析比较其对应的预测性能，其中SVR模型的预测集R_P可高达0.9156，预测集RMSEP为4.8407 mg/kg，相对标准偏差（Relative Standard Deviation，RPD）为2.3103，表明基于SVR算法对脐橙表面抑霉唑残留的预测值越接近实测值，越能有效提高模型预测准确性。试验结果表明，利用SERS结合PCA及SVR建模，可实现对脐橙果皮中抑霉唑残留的快速检测。     

基于动态指数平滑模型的小批量制造过程质量预测

在对传统指数平滑预测模型局限性分析的基础上,通过引入动态平滑参数和动态平滑初值的概念.提出一种能自动适应预测进程的新模型,并将其应用于小批量生产过程的预测补偿控制领域.通过基于最速梯度法的优化算法,模型的动态平滑参数和平滑初值能随着新观测值的加入而自动调整.将该模型作为关键技术应用于柱塞套内孔加工质量预测,并与时序AR模型、灰色GM模型及传统指数平滑模型的结果进行对比,表明提出的模型具有一定的优越性.     

可移动式苹果内部品质果园产地分级系统

为满足苹果内部品质产地检测分级需求,本研究研发出检测模块和分级模块,构成可移动式苹果内部品质果园产地分级系统。在此系统的基础上,以苹果糖度和霉心病为代表品质指标,提出一种基于乘法效应消除（Multiplicative Effect Elimination,MEE）的光谱校正方法,用于消除苹果物理属性差异导致的有效光程变化对光谱的影响。利用该系统获取苹果600~900 nm漫透射光谱数据,分别采用多元散射校正（Multiple Scattering Correction,MSC）、标准正态变量变换（Standard Normal Variate Transform,SNV）和MEE算法对苹果光谱预处理后,建立糖度偏最小二乘回归（Partial Least Squares Regression, PLSR）预测模型和霉心病偏最小二乘判别（Partial Least Squares - Discriminant Analysis,PLS-DA）模型。结果表明,MEE算法相比于MSC和SNV算法建模结果更好,糖度预测模型的校正集相关系数（Rc）、校正集均方根误差（Root Mean Square Error of Calibration,RMSEC）、预测集相关系数（Rp）和预测集均方根误差（Root Mean Square Error of Prediction,RMSEP）分别为0.959、0.430%、0.929和0.592%;霉心病判别模型的校正集敏感性、校正集特异性、校正集准确率、预测集敏感性、预测集特异性和预测集准确率分别为98.33%、96.67%、97.50%、100.00%、90.00%和95.00%。将建立的最佳预测模型导入分级系统进行试验,结果表明该系统的分级准确率为90.00%,分级速度约3个/s。该系统具有成本低、结构简单、移动方便等优点,可以满足苹果内部品质果园产地检测分级需求。