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。     

近红外光谱仪快速检测甘蔗汁中蔗糖含量

为实现快速、便捷地检测甘蔗汁中蔗糖含量,以近红外微型光谱仪为技术支撑,以液相法为基础,采用偏最小二乘法（PLS）建立甘蔗汁蔗糖含量校正模型。结果表明,建立的PLS模型校正相关系数（R）、校正均方根误差（RMSEC）和验证均方根误差（RMSEP）分别为0.961 7、0.237和0.263,预测相对误差＜5%。      

基于高光谱成像的油茶籽含油率检测方法

为了快速准确地检测油茶籽含油率、解决传统检测手段费时费力等问题,提出了一种基于高光谱成像技术的油茶籽含油率检测方法。应用光谱集Ⅰ（400~1000nm）和光谱集Ⅱ（900~1700nm）两组高光谱成像系统采集油茶籽的漫反射高光谱图像,并结合化学计量学方法建立油茶籽含油率的回归预测模型。结果显示,在不经预处理的情况下,两组光谱集数据建立的偏最小二乘回归模型精度最高：光谱集Ⅰ的预测集决定系数R2p为0.681,均方根误差（RMSEP）为2.89%;光谱集Ⅱ的R2p为0.740,RMSEP为2.92%。通过对比7种不同的变量选择方法发现,两组光谱集采用遗传算法筛选特征波长后建立的PLSR模型精度最高：光谱集Ⅰ的R2p为0.694,RMSEP为2.82%;光谱集Ⅱ的R2p为0.779,RMSEP为2.54%。通过对比光谱集Ⅰ和光谱集Ⅱ的建模效果发现,使用光谱集Ⅱ建立的PLSR模型的性能更好,因此900~1700nm波段比400~1000nm波段更适用于油茶籽含油率的检测,进一步验证了利用高光谱成像技术实现油茶籽含油率预测值分布可视化的可行性。     

玉米种子活力逐粒无损检测与分级装置研究

基于近红外反射光谱分析技术,设计了玉米种子活力逐粒无损检测与分级装置,该装置主要由单粒化装置、输送管道、近红外光谱采集系统、控制系统和分级装置等组成。种子单粒化装置由一个带孔的倾斜转盘和一个固定托盘组成。输送管道与固定托盘出种口连接,其末端为光谱采集单元。种子由单粒化装置分离后,经输送管道落至光谱采集区进行光谱分析及活力判断,之后由分级装置对判别完成的种子进行分级。带孔圆盘用于将种子单粒化,其工作效率是提高种子检测及分级速率的关键。经分析得出,决定单粒化装置单粒化效率的因素分别为转盘倾斜角、转盘速度和孔高度。为提高检测速率,对单粒化装置进行了参数分析及优化试验。试验结果表明,当转盘倾斜角为31°、转速为0. 5 r/s、孔高度为2. 2 mm时,种子单粒化效率最优,单通道可达7粒/s。为建立玉米种子活力预测模型,基于该装置分别采集了100粒正常有活力玉米种子和100粒人工老化无活力玉米种子在980～1 700 nm波长范围的光谱数据,对种子原始光谱进行不同方法的预处理,并利用PLS-DA建立种子活力的定性判别模型。几种不同处理方式下的建模对比结果表明,SG-smooth预处理下的建模效果最优,其中校正集的判别准确率为98. 7%,预测集的判别准确率为96%。选取100粒种子对该装置预测模型的稳定性和准确性进行了验证试验,种子活力预测的总准确率为97%。所设计的玉米种子活力逐粒无损检测分级装置单粒化效率较高,光谱数据采集稳定,对玉米种子活力进行实时无损检测及分级具有可行性。     

基于随机森林方法在土壤有机质近红外建模中的研究

基于随机森林(RF)算法,研究土壤有机质的近红外光谱信息响应,建立RF回归模型。通过调试模型,选择最优模型参数,对应的最优校正均方根偏差(RMSEv)为0.210。针对降维优选的信息波长、全光谱波长,分别建立RF回归模型和PLS模型,经过比较模型预测结果,验证RF用于土壤近红外分析的可行性;进一步针对预测集样品计算,得到预测均方根偏差(RMSEp)为0.240,预测相关系数(Rp)为0.908。结果表明,RF算法可以为土壤近红外光谱分析优选信息波长,能够实现模型降维,且RF降维优化模型可为土壤专用的近红外分光系统的设计提供理论依据,有望应用到现代农业生产当中。     

基于小波去噪与SVR的小麦冠层含氮率高光谱测定

为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合（小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise）,并利用去噪后的小麦冠层光谱建立偏最小二乘回归（PLS）模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差（RMSEC）为0.260,预测集均方根误差（RMSEP）为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析（PCA）进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型（LS-SVR）,其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明：以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。     

基于分水岭算法结合卷积神经网络的玉米种子质量检测

为实现玉米种子快速、准确地优选,以不同质量的玉米种子为研究对象,提出一种分水岭算法结合卷积神经网络对玉米种子进行质量检测的方法。首先利用分水岭算法分割出单粒玉米种子,然后通过卷积神经网络模型对每粒种子进行质量分类,根据分水岭算法得到的单粒种子的位置,将结果在图像中进行标注,实现种子质量检测。使用改进型的InceptionV3模型进行试验,模型测试结果表明：质量良好和带有缺陷的两类种子的平均准确率为94.18%,平均召回率为94.61%,F1值（调和平均评价）为94.39%。同时为突出卷积神经网络模型的性能,将结果与传统的机器学习方法进行比较,其F1值高出LBP+SVM模型20.39%。     

表皮对果蔬品质漫反射光谱检测精度的影响

基于近红外漫反射光谱进行了马铃薯淀粉含量快速检测,并分析了表皮对光谱及淀粉含量检测精度的影响问题。本文对110个样品的漫反射光谱进行平均化(Mean centering)、微分处理及Norris滤波,建模方法选用主成分回归(PCR)及偏最小二乘法(PLS)。检测结果表明:近红外漫反射光谱检测马铃薯淀粉含量具有可行性,但表皮对光谱及检测精度有影响。采用PLS法对经Norris滤波处理的去皮马铃薯一阶微分光谱与淀粉含量建模,效果最好,相关系数r为0.893,根校正偏差RMSEC为1.01%;对预测集样品预测,均方根预测偏差RMSEP为1.38%,精度明显优于带皮马铃薯的建模及预测精度(r为0.834,RMSEC为1.29%,RMSEP为1.74%)。果蔬品质光谱检测中,如要实现样品品质精确检测,表皮影响需进一步校正。     

梨枣糖度无损检测建模分析——基于高光谱成像技术

以梨枣为对象,利用去噪和去基后的全光谱数据及提取的42个近似系数,分别建立相应的PLS和PCR模型。结果分析表明:用近似系数所建的PLS模型校正集决定系数Rc(0.931)和PCR模型Rc(0.882)分别比用全光谱所建的PLS模型Rc(0.875)和PCR模型Rc(0.858)要高;PLS模型校正集方差RMSEC(0.986)、预测集方差RMSEP(1.159)和PCR模型校正集方差RMSEC(1.048)、预测集方差RMSEP(1.322)分别要比全光谱PLS模型校正集方差RMSEC(0.731)、预测集方差RMSEP(1.270)和PCR模型校正集方差RMSEC(0.958)、预测集方差RMSEP(1.361)的差值更为接近。这说明,应用近似系数所建模型较稳定。     

基于高光谱"玉米田养鹅"模式下作物冠层氮素反演

为实现"玉米田养鹅"模式下作物氮素养分快速无损监测,开展了基于高光谱"农牧一体化"实验。以放牧前后的玉米冠层作为研究对象,利用高光谱技术分析不同时期玉米冠层叶片光谱,采用波段自相关分析(Bands Inter-correlation Analysis, BICA)与主成分分析(Principal Components Analysis, PCA)相结合的方法提取特征波段,并构建多种光谱参数,进而建立了基于BICA-PCA方法的多元回归模型(Multivariable Regression Model,MRA),并筛选和验证了所建模型。结果表明:随着不同生育期的进行,鹅的粪便会作为肥料给作物补充氮素,近红外光谱反射率增高,红边位置向左移动。建立模型在放牧前期校正集决定系数R_C~2为0.796,校正集均方根误差(Root-mean-square Error Correction, RMSEC)为0.133;在预测集决定系数R_p~2为0.840,预测集均方根误差(Root-mean-square Error Prediction, RMSEP)为0.147。放牧后期R_C~2为0.761,RMSEC为0.094;R_p~2为0.789,RMSEP为0.141。研究结果可为"农牧一体化"优化生产管理和建立氮素养分特征平衡模型提供支持和帮助。     

ATR-FTIR光谱法快速测定农药溶液含量

用衰减全反射傅里叶变换红外光谱技术对26个浓度范围为0.03～6mg/kg的毒死蜱溶液和20个浓度范围为2～20mg/kg的炔螨特溶液进行定量快速检测。其中,两种农药溶液分别随机抽取5个样本作为预测集。采用差谱、基线校正和矢量归一化对光谱数据进行预处理,分别建立了以峰面积和峰高与浓度的定量分析模型,以峰面积建立定量模型的毒死蜱和炔螨特溶液的相关系数分别为0.995 8和0.989 5,RMSEC分别为0.168 5,0.643 2,RMSEP分别为0.196 5,1.125 6;以峰高建立定量模型的毒死蜱和炔螨特溶液的相关系数分别为0.9975,0.987 1,RMSEC分别为0.130 5,0.712 8,RMSEP分别为0.268 6,1.183 1。实验结果表明,衰减全反射傅里叶变换红外光谱技术可用于农药溶液的快速初步测定。     

基于高光谱技术的牛肉含水率无损检测

牛肉含水率的高低不仅直接影响牛肉品质,而且会对消费者造成经济损失。为此,通过实验探究了采用高光谱图像技术对牛肉含水率进行检测的可行性,为检测牛肉品质提供依据。采用82个牛肉后腿样本作为实验材料,按5×4×1cm的规格通过国际烘干法测量其真实含水量,并采集它们的光谱图像;获取样本的光谱信息后,通过ENVI及Mat Lab软件获取感兴趣区域。同时,利用不同的预处理方法,分别建立BP神经网络和偏最小二乘校正模型,通过比对两种模型结果,偏最小二乘校正模型能够更有效预测牛肉含水率,校正集相关系数为0.91,校正标准差为0.121,预测集的相关系数为0.89,预测标准差为0.118。研究结果证实,利用高光谱图像技术可以快速无损检测牛肉含水率。     

光谱检测技术在种子质量检测中的应用

种子质量是影响作物产量关键因素之一,而传统种子质量检测方法难以满足其快速检测的要求,采用光谱检测技术可有效降低种子检验成本、提高检验效率。以玉米种子为研究对象,基于玉米种子光谱检测流程,阐述光谱检测技术在玉米种子活力、含水率与病害、品种与产地等方面的研究现状及现存问题。光谱检测技术已应用于玉米种子质量检测,预测模型的准确率90%左右,但存在着系统性不够,应用局限性、数据处理效率低等问题,从研究系统化、增强实用性、融合新算法等方面分析光谱检测技术在玉米种子质量检测中的发展趋势。光谱检测技术应用于种子质量检验具有重要的理论和实际意义。     

基于改进AdaBoost算法对环柄菇毒性判别研究

使用改进的AdaBoost算法,根据环柄菇的特征对其毒性进行判别,提高环柄菇毒性的判别速度和准确性.首先通过计算数据集的初始权值分布,根据权值分布对训练集进行学习,得到弱分类器,根据弱分类器的分类结果,将错误的样本权值加大,同时计算出各个样本特征的权值,并删去权值系数小于规定值的特征;计算每个弱分类器在训练集上的误差率...     

基于无人机多光谱影像的矮林芳樟叶片含水率与叶水势反演

叶片含水率和叶水势反映植物组织中水分的状态,是衡量植物水分供应和水分利用效率的重要指标。为探究基于不同高度下无人机多光谱影像反演叶片含水率和叶水势模型的差异,本研究在3个飞行高度处理F30、F60、F100 (30、60、100m)下采集多光谱影像数据,通过使用6种光谱反射率+经验植被指数的组合与地面实测数据进行相关性分析,获得不同飞行高度下的光谱反射率+经验植被指数组合与叶片含水率和叶水势的反演模型及其决定系数,以决定系数为依据分别构建支持向量机（SVM）、随机森林（RF）和径向基神经网络（RBFNN）模型,分析不同飞行高度无人机多光谱影像反演芳樟叶片含水率和叶水势的精度。结果发现：3个飞行高度下,基于RF模型的反演精度均高于SVM模型和RBFNN模型。F30处理对叶片含水率与叶水势反演效果均优于F60和F100处理。F30处理对叶片含水率反演的敏感光谱反射率+植被指数组合为红光波段反射率（R）、红边1波段反射率（RE1）、红边2波段反射率（RE2）、近红外波段反射率（NIR）、增强型植被指数（EVI）、土壤调节植被指数（SAVI）。RF模型训练集的R2、RMSE、MRE分别为0.845、0.548%、0.712%;测试集的R2、RMSE、MRE分别为0.832、0.683%、0897%。对叶水势反演的敏感光谱反射率+植被指数组合为R、RE2、NIR、EVI、SAVI、花青素反射指数（ARI）。RF模型训练集的R2、RMSE、MRE分别为0.814、0.073MPa、3.550%;测试集的R2、RMSE、MRE分别为0.806、0.095MPa、4.250%。研究结果表明飞行高度30m与RF方法分别为反演叶片含水率和叶水势的最优光谱获取高度与最优模型构建方法。本研究可为基于无人机平台的矮林芳樟水分监测提供技术支持,并可为筛选无人机多光谱波段与经验植被指数、实现植物长势参数快速估测提供应用参考。     

基于可见近红外光谱结合不同光谱选择方法检测生姜含水率研究

快速检测生姜含水率对生姜的存储加工和国际贸易非常重要。本文应用可见近红外光谱快速检测生姜含水率,采集330个生姜的可见近红外光谱(光谱范围350~1800nm),然后用烘干法测定生姜的含水率,把330个生姜样本按照含水率的大小以2:1的比例分成校正组和预测组。应用专业知识法、偏最小二乘法和遗传算法三种光谱选择方法建立生姜含水率的预测模型,其模型的精度比应用全光谱(包含1451个光谱变量)所建立的模型精度高。通过比较,应用遗传算法所得预测模型的效果最好,选定的光谱数和因子数分别是300和6,预测组的相关系数、均方根误差和分别是0.9900和4.4440。     

基于微流控和比色光谱法的水产养殖海水氨氮含量检测

为实时、准确地获取水产养殖海水中氨氮含量,以大围网养殖海水中的氨氮为研究对象,在比色光谱法基础上结合微流控技术进行靛酚蓝法比色反应,实现对溶液中氨氮含量的定量检测。建立数据处理后相应的模型,并且对比了不同光谱预处理和不同样本集划分算法对建立预测模型的影响,其中多元散色校正（MSC）后再使用小波平滑的预处理方法结合排序法划分样本集建立的偏最小二乘（PLS）回归模型效果最优,建模集校正标准差（RMSEC）和预测集校正标准差（RMSEP）分别为0.0566mg/L和0.0677mg/L,相对分析误差（RPD）为6.8932;在优化条件下测得方法的线性范围和检测限分别为0.005~1.350mg/L和0.0036mg/L。对海水、自来水和养殖水体进行加标回收实验,平均回收率在94%~109%之间,相对标准偏差在2.3%~5.8%之间。结果表明,实验建模效果良好,操作简单、方便,实验快速、可靠、无污染,表明利用比色光谱法结合微流控技术检测氨氮方法可行。     

基于水分和粒度的土壤有机质特征波长提取与预测模型

为减少水分、粒度对传统方式选取特征波长建立的土壤有机质预测模型的影响,本文提出新的特征波长提取方法。采集中国农业大学上庄实验站土壤样本60份,将样本自然风干后一分为二,一份配成5个粒度梯度（粒径2~2.5mm、1.43~2mm、1~1.43mm、0.6~1mm、0~0.6mm）,另一份过0.6mm筛后配成5个水分梯度（含水率5%、10%、15%、20%、25%）。通过标准仪器分别获取土壤有机质含量真值和土壤光谱信息,使用随机蛙跳算法进行特征波长提取,每个水分、粒度梯度下分别选取7个与土壤有机质含量真值相关性较高的波长作为对应梯度下选取的特征波长,分别建立多元线性回归（MLR）、偏最小二乘（PLS）、随机森林（RF）模型,结果表明：随着含水率增高,3种模型的建模集和预测集决定系数R2基本呈减小趋势;在2~2.5mm粒度梯度下,3种模型的建模集和预测集R2最低,在0~0.6mm梯度下,建模集和预测集R2最高,其余梯度下,建模集和预测集R2接近。结合滤光片带通范围（±15nm）,挑选出水分梯度下相同或者接近的8个土壤有机质特征波长,粒度梯度下选取6个特征波长,最终结合化学键特性在水分梯度和粒度梯度下确定的14个特征波长下剔除了6个,确定8个特征波长：932、999、1083、1191、1316、1356、1583、1626nm。分别建立MLR、PLS、RF模型,结果表明：最终选取的有机质特征波长建立的3种模型建模集R2均不低于0.8、预测集R2均不低于0.75,其中PLS预测效果最佳,建模集、预测集R2分别为0.8809、0.8402。本研究所确定的有机质特征波长建立的模型具有更好的适用性和预测效果,相比于传统方式,一定程度上消除水分、粒度对预测的影响。