基于高光谱的山区耕地土壤有机质含量估测

以贵州省典型山区耕地土壤高光谱数据为研究对象,基于光谱变换法和机器学习原理构建贵州省山区耕地土壤有机质(SOM)含量估算模型。于2020年8月至2021年3月在贵州省13个县(区、市)采集了120个土壤样品,检测土壤可见光-近红外波段光谱信息,利用5种光谱数据变换(原始光谱、一阶微分、二阶微分、倒数对数的一阶微分、连续统去除)和4类模型(偏最小二乘回归、支持向量机、随机森林和BP神经网络)组合出不同土壤有机质含量的预测模型,按照3∶1选择训练样本和测试样本以估算山区SOM含量。结果表明,一阶微分数据变换与山区SOM含量的相关性较高,相关系数最高达到-0.635;反演模型中,基于一阶微分光谱变换构建的BP神经网络模型精度最高,训练集、测试集的决定系数(R²)分别为0.845、0.838,测试集均方根误差(RMSE)为3.452,相对分析误差(RPD)达到2.470,其次是RF、PLSR模型的RPD较高,SVM模型的RPD最低。光谱数据变换中一阶微分法能极大程度提取出山区耕地的SOM含量信息,BP神经网络模型是估算山区SOM含量的最优模型,本研究结果可为贵州省山区耕地...     

基于光谱技术的土壤快速分类方法研究

针对浙江省4种典型土壤,研究应用可见-近红外光谱、近红外光谱和中红外光谱3个波段范围进行土壤快速分类的方法.在获取光谱信息的基础上,采用不同光谱建模方法以提高检测精度,简化分析计算;并分别采用主成分分析结合人工神经网络(PCA-ANN/BP)、偏最小二乘法(PLS)和偏最小二乘法结合人工神经网络(PLS-ANN)3种方法进行建模.结果表明:中红外光谱波段对土壤分类的效果不理想,而可见-近红外光谱、近红外光谱波段均能较好地进行土壤分类;在可见-近红外波段,PLS-ANN模型对土壤的分类效果优于PCA-ANN/BP和PLS模型,为土壤快速准确分类提供了一种简便可行的方法.     

近红外光谱技术在玉米种子活力检测中的应用研究

利用近红外光谱和BP神经网络建立玉米种子活力的快速无损检测模型。首先通过人工老化将样本按老化程度分为3种级别,分别采集样本的近红外光谱。对原始光谱进行矢量归一化预处理以消除光谱噪声。然后利用主成分分析(PCA)方法提取光谱特征,作为BP神经网络的输入,依据预处理及特征提取构建出BP神经网络种子活力检测模型。试验结果表明,该识别方法的准确率为90.3%,平均识别时间为27.36 ms。研究结果为玉米种子活力的快速无损检测提供了理论依据和实用方法。     

基于卷积神经网络与可见近红外光谱的土壤含氮量检测

为实现土壤氮含量的快速检测,提出一种基于卷积神经网络(CNN)与可见近红外光谱的土壤氮含量检测方法.采用批量正则化及dropout技术提升模型性能,降低过拟合.实验中,对模型的训练次数及dropout丢弃比例进行了对比选择,并将结果与传统的PLSR及BP神经网络进行对比.结果表明,CNN模型的预测精度与泛化能力明显优于...     

基于可见/近红外漫反射光谱的土壤有机质含量估算方法研究

为研究不同土壤颗粒粒径对可见/近红外光谱分析技术在土壤有机质含量快速检测应用中的影响,获取粒径为0.169～2 mm和＜0.169 mm的2种土壤样本(各53个)的可见/近红外光谱(325～1075 nm),分别建立各自的主成分-反向传播神经网络(PCA-BPNN)、最小二乘-支持向量机(LS-SVM)和偏最小二乘法(PLS)土壤有机质含量检测模型.结果表明:当土壤粒径为0.169～2 mm时,所建立模型的土壤有机质含量预测相关系数r均在0.84以上,且预测均方根误差(RMSEP)都在0.20以下;而当土壤粒径＜0.169 mm时,所建立模型的预测相关系数r均不超过0.71.而RMSEP都在0.23以上;对于相同粒径的土壤,PLS模型对土壤有机质含量的预测效果优于LS-SVM和PCA-BPNN模型.说明不同土壤颗粒粒径会显著影响可见/近红外光谱对于土壤有机质含量的预测结果.     

基于AE-FFNN神经网络的橡胶树叶片磷含量定性研究

磷元素对橡胶树的生长发育至关重要,基于近红外光谱的橡胶树氮磷钾元素含量的快速无损检测已有很多研究,但磷元素含量的检测效果远不如氮钾。基于近红外高光谱技术结合非线性特征提取方法和建模算法实现橡胶树磷元素含量的快速无损检测。以橡胶树叶片的近红外高光谱数据为分析对象,运用神经网络非线性变换的特征提取思想,构建了一种融合自编码器与前馈神经网络(autoencoder-feedforward neural network, AE-FFNN)模型。通过自编码器提取橡胶树叶片的光谱非线性特征信息,运用前馈神经网络进行建模,应对不同精细程度的分类任务,从而实现橡胶树叶片磷含量的定性分析。结果表明,AE-FFNN模型有效提取了光谱非线性特征并压缩了特征数量,通过该方法提取的特征为31个,且定性分析模型精确度提升,能够达到91.10%。相较于在光谱检测领域广泛采用的机器学习模型,所建立的AE-FFNN模型性能有较大提升。该模型既可以应用于橡胶树叶片磷元素含量的定性分析,也可为磷元素含量的定量研究提供思路。     

玉米叶片叶绿素含量的高光谱反演模型探究

叶绿素含量是绿色植物生长状态的一个重要指标。首先在实验室采集玉米叶片高光谱数据和测定叶绿素含量,并对光谱数据进行对数一阶微分变换,对比选取建模反演因子。根据选定的反演因子采用线性回归、模糊识别和BP神经网络方法建立了玉米叶片叶绿素含量高光谱反演模型,并计算出模型的精度。结果表明,有较好非线性映射能力的BP神经网络反演模型能够高精度地反演出玉米叶片中的叶绿素含量。BP神经网络模型叶绿素含量预测和实测叶绿素含量的平均绝对误差(e)为1.126,决定系数(R2)为0.902,均方根误差(RMSE)为1.375。玉米叶片叶绿素含量与高光谱数据并非线性关系,BP神经网络反演模型能够较好地运用到叶片叶绿素含量反演中。     

利用可见—短波近红外光谱法检测马铃薯干物质含量

为了快速测定马铃薯干物质含量,利用可见-短波近红外光谱无损检测马铃薯的干物质含量,以207个具有代表性的马铃薯样本作为研究对象,其中115个作为马铃薯切片样本的研究,92个作为完整马铃薯的研究,通过对比两种样本的模型预测效果,探讨可见-短波近红外光谱用于马铃薯干物质含量的完全无损检测的可行性。切片样本光谱数据用Savitzky-Golay(S-G)一阶卷积求导方法预处理,根据局部最大值最小值原则和含氢基团(C-H、O-H)伸缩振动的敏感波段选定了5段特征波长参与建模,模型外部检验决定系数R~2=0.941 6,标准误差RMSE=3.91。完整马铃薯样本光谱数据在Multiplicative Scatter Correction(MSC)基础上使用S-G一阶卷积求导方法预处理,通过选取了线性关系较好的5段波长参与建模。模型外部检验决定系数R2=0.847 5,标准误差RMSE=4.07。结果表明,完整马铃薯样本模型的检测效果虽然没有切片样本效果理想,但仍可以作为实际生产中进行马铃薯干物质含量检验的有效手段。     

高光谱成像技术结合遗传算法和BP神经网络的南疆骏枣总糖含量建模分析

为考察南疆骏枣的总糖含量与高光谱数据的对应关系,采用高光谱成像技术结合遗传算法和反向传播(back propagation,简称BP)神经网络的方法对南疆骏枣进行总糖含量建模分析,采用不同预处理方法处理原始光谱数据,并用遗传算法进行波长变量的选择,回归分析分别采用偏最小二乘法(PLS)和BP神经网络(BP-ANN),从线性和非线性回归方式上建立校正模型分析。结果表明,用多元散射校正(MSC)进行预处理好于其他预处理方式。在回归分析上,BP-ANN预测南疆骏枣总糖含量的模型好于PLS,预测相关系数(Rp)和预测标准偏差(RMSEP)分别为0.918 4和0.931 0。由结果可知,利用近红外高光谱成像技术对南疆骏枣总糖含量进行预测是可行的。     

基于高光谱数据和SVM方法的土壤盐渍度反演

在土壤可见光~近红外波段光谱(350~2500 nm)内包含了大量可以表征土壤盐度的相关性信息,通过土壤盐渍化检测反演模型的建立,可以定性定量分析土壤盐渍度。本文探究了信息不完备情况下,机器学习算法在土壤盐渍化检测模型反演中的适用性,分别使用了多元线性回归模型、BP神经网络模型和SVM模型来反演土壤盐渍化检测。结果表明,SVM模型预测精度达到99.41%,是三种模型中精度最高的模型,适用于分析土壤复杂光谱信息和高精度土壤盐渍化反演。     

基于近红外光谱技术的成年橡胶树叶片氮素含量检测

为了快速并无损地检测成年橡胶树叶片的氮素含量,使用近红外光谱检测技术获取叶片的光谱数据,采用多元散射校正(MSC)对光谱数据预处理后,使用SPA(连续投影算法)提取光谱数据的有效波长,PCA(主成分分析法)提取光谱数据主成分,然后分别将提取的光谱数据特征值输入到线性回归模型PLS(偏最小二乘回归)、非线性回归模型BPNN(BP神经网络)和LSSVM(最小二乘支持向量机)中,得到6个现有主流模型:PCA-BPNN、PCA-PLS、PCA-LSSVM、SPA-BPNN、SPA-PLS和SPA-LSSVM。用这6个模型去预测实验样本数据,经比较发现SPA-LSSVM模型对于该组实验样本的预测效果最好,其预测相关系数Rp和预测残差均方根RMSEP分别为0.9253和0.1190。因此对于成年橡胶树氮素含量的光谱快速检测,SPA-LSSVM算法模型的性能更为突出,有较好的应用潜力。     

基于BP神经网络近红外光谱鉴别茶饮料的研究

提出了一种快速、准确鉴别茶饮料的新思路。采用美国ASD公司的可见-近红外光谱仪对3种茶原料（龙井茶、乌龙茶和铁观音茶）的饮料进行光谱分析。采用多元散射校正（MSC）方法对样本数据进行预处理,再用主成分分析法提取光谱数据的特征值。通过交互验证确定最佳主成分数为5,作为BP神经网络的输入变量,不同原料茶饮料作为输出变量,建立3层人工神经网络鉴别模型,并用模型对20个预测样本进行预测。模型的回判鉴别率达到100%,模型的预测鉴别率达到98.33%。结果表明,基于BP神经网络的近红外光谱鉴别不同原料茶饮料的方法是可行的。     

基于近红外光谱的库尔勒香梨等级判别模型研究

以库尔勒香梨的含糖量作为研究和检测指标,使用便携式近红外光谱仪采集香梨样本光谱数据,采用一阶差分、二阶差分、标准正态变量变换(SNV)、多元散射校正(MSC)等预处理方法对原始光谱进行预处理分析,研究香梨糖分的近红外光谱响应,并使用相关系数法提取12个特征波长变量,根据库尔勒香梨标准,以糖度特征光谱数据作为参数,利用最近邻域法(KNN)、支持向量机(SVM)、随机森林(RF)方法建立库尔勒香梨等级判别模型。结果表明,KNN模型的分类结果优于其它两种预测模型,可用于构建基于近红外光谱的库尔勒香梨等级评判模型。MSC+KNN处理方法可用于构建库尔勒香梨等级评判模型,为进一步研究库尔勒香梨等级评判的便携式检测装置提供理论参考。     

西双版纳普洱茶叶片生化参数高光谱估测模型研究

以西双版纳普洱茶为研究对象,利用ASD Field Spec 3地物光谱仪采集叶片高光谱数据,采用导数光谱分析技术对光谱数据进行处理,在实验室测定相应的茶氨酸和氮素含量,分析普洱茶叶片生化参数与原始光谱、光谱一阶微分、光谱对数一阶微分以及高光谱特征变量间的相关性,并利用遗传算法优化的BP神经网络建立了茶氨酸含量和氮素含量的高光谱估测模型。结果表明:普洱茶叶片生化参数含量与高光谱原始反射率间相关性弱,但与光谱一阶微分、光谱对数一阶微分和高光谱特征变量在可见光、近红外波段范围内相关性较强;遗传算法优化下的BP神经网络模型对普洱茶叶片生化参数的估测精度优于普通BP神经网络模型,茶氨酸含量估测精度RMSE为0.21 mg/g,R~2为0.73,氮素含量估测精度RMSE为0.36 g/kg,R~2等于0.88。     

基于BP神经网络的木材近红外光谱树种识别

利用木材近红外光谱数据建立反向传播(BP)神经网络模型,实现对木材树种的分类识别。以桉木、杨树、落叶松、马尾松、樟子松5个树种的296个样本的近红外光谱数据为研究对象,运用主成分分析对光谱数据进行降维,并以处理后的主成分数据作为分类模型的输入变量,分别建立了不同属的桉树和杨树以及同属的落叶松和樟子松的BP神经网络二分类模型;建立了桉木、杨树、落叶松、马尾松、樟子松5个树种的BP神经网络识别模型,并利用遗传算法和粒子群算法对5树种分类模型进行优化。结果显示,对于不同属木材,BP神经网络模型树种识别率可达100%,对于同属木材树种识别率也可达85%以上;对所建立的5树种识别模型,BP神经网络树种识别率有所下降,但正确识别率也均可达到75%以上,经过遗传算法和粒子群算法对模型的优化,木材树种平均识别率可分别达到84%和87%以上,表明遗传算法和粒子群算法可以有效提高木材树种识别率。     

生姜水分含量的可见-近红外光谱检测

近红外光谱技术具有简便、快速和无损检测等优点,应用可见-近红外光谱方法建立生姜水分含量(moisture content)的预测模型.利用可见-近红外光谱仪采集308个生姜的光谱,其光谱范围是350～1 800 nm.分别采用一阶导数(FD)、二阶导数(SD)、标准正交变量变换(SNV)和多元散射校正(MSC)4种方法对光谱进行预处理,结合偏最小二乘法(PLS),分别在430～1 000 nm、1 000～1 800nm、430～1 800 nm 3个波段建立生姜水分含量的PLS预测模型.对实验结果进行分析表明,在波段范围430～1 800 nm使用一阶导数预处理方法建立的PLS模型最优.其验证组的相关系数为0.975 1,预测组的相关系数为0.959 7.结果表明,可见-近红外光谱可以准确、快速地对生姜的含水量进行检测.     

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。     

应用近红外透射光谱和人工神经网络的豆油脂良莠鉴别

提出了一种利用近红外透射光谱结合BP神经网络识别未知豆油脂良莠类别的方法。在10 000～3 500 cm-1范围内分别采集合格油、不合格油(精炼垃圾油、煎炸油和变质合格油)的透射光谱,对光谱数据依次作出Savitzky-Golay平滑、基线校正预处理,采用SPSS 11.0抽取出9个主成分(累计贡献率达到99.89%)作为神经网络输入神经元,建立3层BP神经网络模型,模型能够有效辨识未知豆油脂的良莠以及不合格具体种类,类别预测正确率为100%。     

基于遗传多层前馈神经网络的大豆脂肪酸含量近红外光谱检测

文章提出了一种利用遗传多层前馈神经网络建立数学模型的方法,建立起化学测定值与近红外光谱数据之间的定量关系。把得到的近红外光谱数据作为网络的输入,把用化学法测定的5种脂肪酸含量作为网络的输出,再利用遗传算法训练多层前馈神经网络的权值,建立大豆脂肪酸的神经网络检测模型,探索出一种能够准确、高效地完成近红外光谱检测的神经网络模型,文中设计了一种用遗传算法训练的多层前馈神经网络。通过试验证明,用遗传算法优化人工神经网络的权重,获得高于单纯用人工神经网络训练的结果。大豆5种脂肪酸的相关系数都可达到0.9左右,能够满足大豆育种的初步检测。     

基于思维进化优化BP神经网络的大豆叶片叶绿素含量高光谱反演

为进一步研究优化神经网络算法在植物生化参量高光谱反演当中的应用问题,运用遗传算法和思维进化算法对BP神经网络进行优化来构建大豆叶片叶绿素含量反演模型。利用实测光谱数据和对应叶绿素数据建立训练数据集,然后分别使用遗传算法和思维进化算法对BP神经网络进行优化训练,将训练好的模型用于叶绿素含量估算。结果表明,基于思维进化优化BP神经网络模型能准确预测叶绿素含量,且模型最稳定,能够解决小样本情况下叶绿素含量估算问题,并保证估算精度,可以作为大豆叶片叶绿素含量估算的一种新的参考方法。