基于高光谱与在线序列极限学习机确证大米产地方法

为满足快速无损的大米产地确证需求,采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像（400~1 000 nm）作为研究对象,利用多元散射校正（MSC）处理方法对光谱进行预处理。采用多层感知机（MLP）、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法,分别基于全波段高光谱数据以及经多维尺度分析（MDS）方法降维后的数据建立产地确证模型。结果表明,基于全波段高光谱数据的OS-ELM模型分类性能最好,准确率达到98.3%。经MDS处理后,输入的数据变量减少了96.6%,MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析,OS-ELM训练时间明显优于MLP,在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。     

基于高光谱数据的乳香产地快速鉴别

乳香在中医药中有着较高的药用价值,不同产地乳香的药用价值不同,为实现乳香产地分类的快速无损检测,基于高光谱技术,提出一种快速检测方法,以解决中药流通中乳香产地混杂的问题.以三个产地的乳香样品为研究对象,利用高光谱技术,采用归一化方法对光谱数据进行预处理,对预处理后的光谱数据通过连续投影算法(SPA)提取出20个特征波长...     

基于高光谱遥感的湖泊水质富营养化状态评价

为提高湖泊水质富营养化状态评价的精度,提出了一种融合高光谱遥感和萤火虫算法（FA）改进极限学习机（Extreme learning machine,ELM）的湖泊水质富营养化状态评价方法。针对ELM模型性能受其初始输入权值和隐含层偏置参数选择的影响,将萤火虫算法应用于ELM模型参数寻优。结果表明,与PSO-ELM、GA-ELM、DE-ELM和ELM相比,FA-ELM可以有效提高水质富营养化评价的准确率,为湖泊水质富营养化状态评价提供了新的方法。     

基于高光谱成像技术鉴别大米品种

大米品质与品种密切相关,因此品种鉴别对实施“优质粮食工程”具有重要意义。采集外观相似的6个品种共600粒大米的高光谱反射率数据,经过多元散射校正（MSC）、二阶导数（2ND）和标准正态变换（SNV）对光谱数据进行预处理。利用连续投影算法（SPA）和主成分分析（PCA）对光谱数据降维。以灰度共生矩阵（GLCM）提取特征波长对应灰度图像的纹理特征。应用全波段、特征波段、纹理特征以及光谱-纹理特征融合数据分别建立基于支持向量机算法（SVM）的品种鉴别模型。结果表明,光谱-纹理融合特征的分类准确率最高,达到94.12%。利用乌鸦搜索算法（CSA）对模型参数进行优化后,准确率达96.57%。因此,光谱-纹理特征组合下的支持向量机结合乌鸦搜索算法能充分利用高光谱图像的光谱和纹理信息,实现对大米品种的快速无损鉴别。     

基于高光谱成像技术的西瓜种子活力等级分类方法研究

为了探讨水果种子不同活力等级的判别方法,以西瓜种子为研究对象,建立基于偏最小二乘判别（PLS-DA）、极限学习机（ELM）的高光谱图谱信息种子活力判别模型。首先,提取光谱信息,建立西瓜种子活力等级的光谱定性分析模型,结果表明,特征变量筛选方法 UVE（无信息变量消除）结合建模方法PLS-DA得到的效果较好,分类正确率为100.00%,相关系数为0.86。其次,选取图像PC1权重系数,提取波长点为685、790、826、836、855 nm的特征图像,计算平均灰度值,建立基于图像特征的种子活力等级定性分析模型。结果表明,PLS-DA的误判率为6.67%,相关系数为0.85,优于ELM检测模型的误判率（10.00%）和相关系数（0.83）。高光谱成像技术的光谱和图像信息都能较好区分种子的活力等级,但基于光谱信息建立的判别模型优于基于图像特征建立的判别模型。     

基于高光谱的小米产地溯源策略与模型研究

以我国3个产区内7个产地小米样本为研究对象,运用高光谱成像技术和化学计量学方法研究小米产地溯源.针对试验过程中不同产区样本具有聚类现象,同一产区不同产地样本存在互相干扰问题,提出一种新的小米产地溯源策略,并建立基于该策略的小米产地判别模型,通过试验得出结果误差:甘肃0.000、陕西0.033、河南0.003、黑龙江0....     

基于灰色关联度分析-极限学习机的低阻油层及水淹层测井识别——以渤海P区块馆陶组为例

历经近20的开发,渤海P区块进入高含水期,馆陶组发育的大量低阻油层与水淹层在测井曲线形态上差异不明显。为了精确进行水淹层识别以及水淹层等级划分,采用了机器学习算法。首先采用灰色关联度分析,筛选低阻油层和水淹层识别的敏感参数曲线;其次构建了极限学习机水淹层识别模型,对模型进行训练,获取最优参数。将其应用于实际资料处理,结果表明,基于灰色关联度分析-极限学习机的低阻油层及水淹层测井识别方法对低阻油层与水淹层的预测精度较高,符合率达89.3%,远远优于未经过灰色关联度分析筛选的预测结果,具有实际应用价值。     

基于高光谱图像技术的油菜籽品种鉴别方法研究

提出了一种采用高光谱图像技术结合人工神经网络对油菜籽品种进行鉴别的方法.采集多个品种油菜籽400～1 000 nm范围的高光谱图像数据,通过主成分分析法(PCA)获得主成分图像,确定特征波长;采用基于灰度直方图和灰度共生矩阵联合的统计方法从特征图像中提取纹理特征参数,应用人工神经网络建立油菜籽品种鉴别模型.结果表明,模型训练时品种判别率为93.75%,预测的判别率为91.67%.说明高光谱图像技术对油菜籽品种具有较好的分类和鉴别作用.     

基于DIQA的腐烂蓝莓高光谱特征波长图像选取方法

目前高光谱成像技术已成为蓝莓品质自动检测的重要手段,其中提取特征波长是一个重要步骤。为获得最佳的腐烂蓝莓高光谱特征波长图像,提出一种基于深度学习的高光谱图像特征波长图像选取方法。首先提取腐烂蓝莓高光谱各波长图像的高频分量图像,然后提出利用深度学习图像质量评价网络（DIQA）选取腐烂蓝莓高光谱图像中的最佳图像。在DIQA第一阶段对腐烂蓝莓高光谱图像的高频图学习误差图。在DIQA第二阶段将第一阶段能够预测误差图的网络作为对腐烂蓝莓高光谱图像质量评价的骨干网络,并对网络做全局平均池化,最后引入两个特征以弥补信息量损失,通过评分评价图像质量。结果表明：通过对400～1000nm的472个波长下蓝莓高光谱图像进行质量评价,得到最佳图像质量的5个波长(664,721, 836,854,884nm)。与PCA提取的特征波长(454, 607, 699,913,967nm)图像相比较得知,所提取的腐烂蓝莓特征波长图像具有较多优势。另外采用卷积神经网络ResNet50对DIQA与PCA构建的蓝莓特征波长图像数据集进行学习,得出DIQA选取的腐烂蓝莓特征波长图像构建的数据集,损失能较快的收敛,并且在验证集...     

基于无人机多光谱与地面高光谱遥感的土壤主要养分含量估测

耕地土壤作为农业资源的重要组成部分,是我国农业生产的基本资源与保障条件.山原红壤作为云南典型的土壤类型,在云南的农业生产与经济发展中发挥着重要作用.通过多光谱与高光谱遥感结合技术,对山原红壤主要养分含量的高光谱特性进行了研究分析,研究了土壤主要养分含量的多高光谱特性、筛选出了各养分含量的特征波段.而后,通过多光谱波段变...     

基于高光谱数据的北疆绿洲农田灰漠土有机质反演

为了探寻快速、准确估测土壤有机质含量的方法以推动精准农业化进程,以北疆绿洲农田灰漠土为研究对象,通过野外实地调查收集土壤样品,室内化学分析测得土壤样品有机质含量,暗室内利用SVC HR-768高光谱仪测定土壤样品光谱反射率。通过对土壤光谱反射率进行倒数、对数、一阶微分、倒数的一阶微分、对数的一阶微分变换,运用单相关分析法提取土壤光谱特征波段,采用多元逐步方法对土壤有机质含量定量反演,分析研究土壤有机质含量和室内土壤光谱的特征关系。结果表明,在波长567、1 697 nm和2 221 nm处,采用反射率对数的一阶微分建立的土壤有机质含量反演模型预测精度最高,模型决定系数达到0.82。北疆绿洲农田灰漠土土壤有机质含量高光谱反演模型的建立为土壤有机质的快速测定提供了新的途径。     

基于极限学习机的玻璃瓶口缺陷检测方法研究

针对目前玻璃空瓶回收再生产过程中造成瓶口缺陷破损的在线实时检测难题,提出一种基于极限学习机(Extreme Learning Machine, ELM)的检测算法。首先对采集的瓶口进行预处理,通过研究表面缺陷,提取灰度方差等6种表面特征。然后运用遗传算法对极限学习机的输入层层的阈值和权值进行优化,提高算法的检测精度。最后现场选取569个样本对所设计ELM分类器进行训练学习与测试,并与LVQ算法、BP分类器对比实验。结果表明该算法能够满足对机器视觉检测系统缺陷检测高速高精度的要求。     

基于β因子的支持向量机增量学习算法

提出了一种基于β因子历史样本淘汰机制的在线学习算法.对UCI标准数据集中的部分样本集的测试结果表明:该机制有效地淘汰了一些样本,在保持了分类精度和泛化能力的情况下,大大加快了增量学习的训练速度.     

基于云平台的大米产地确证方法研究

针对大数据背景下地理标志大米产地真伪鉴别的算法模型与实现技术,以大米中矿物质元素含量数据为基础,运用Hadoop分布式集群技术,构建了基于MapReduce的并行化随机森林、支持向量机、人工神经网络与线性判别分析算法模型.结果表明,并行化随机森林模型的判别准确率为97.55％,与相同条件下并行化构建的支持向量机、人工神经网络与线性判别分析模型相比具有更好的产地判别精度,同时依托并行化随机森林模型构建的云平台能获取到较好加速比,不仅能够实现对未知地区大米数据进行准确的产地鉴别,而且能够通过提升数据量或计算节点数,更高效地处理大规模数据.     

改进LeNet-5模型在大米分选算法上的应用

针对大米特征提取与分类的算法难以确定的问题,改进LeNet-5卷积神经网络模型并研究其在大米分选问题上的表现。首先对大米原始图像进行预处理、提取单粒大米的图像建立大米图像样本库,然后对原始的LeNet-5模型提出改进方案并进行实验,最后将改进模型与若干传统分类方法、3个轻量化卷积神经网络模型进行对比。改进LeNet-5模型大米形选准确率为97.2%,色选准确率90.6%,处理速度约5 300粒·s^-1,分类效果与分类速度显著优于其他对比方法。实验结果证明,改进的LeNet-5模型可以高效分选碎米与垩白米,且能有效减少实际分选前准备工作的工作量。     

基于迁移学习的棉花识别

提高智能采棉机效率的一个重要途径是实现单个、重叠和遮挡棉花的识别,避免误采摘和漏采摘。针对不同形态棉花的识别,常规的特征提取方法难以达到令人满意的结果,因而采用基于迁移学习的棉花识别方法和基于迁移模型的特征提取与极限学习机(extreme learning machine,ELM)相结合的方法进行棉花识别研究。首先更改AlexNet、GoogleNet、ResNet-50模型分类层和设置相关参数,用训练好的迁移模型对棉花验证集识别,然后利用训练好的迁移模型进行棉花数据集特征提取,再用训练集的特征训练ELM模型,统计不同隐含层神经元个数的ELM模型对棉花的识别准确率。AlexNet、GoogleNet、ResNet-50迁移模型识别率依次为92.03%、93.19%、93.68%;使用特征提取再与ELM结合的方法,准确率比对应迁移模型分别提高了1.97、1.34、1.55百分点。结果表明,迁移模型对小样本棉花识别也有较高准确率,基于特征提取与ELM相结合的方法可进一步提高准确率。     

中国森林生态和野生植物类型自然保护区分布的均衡性

以中国森林生态和野生植物类型自然保护区为研究对象,以各省森林面积、自然保护区数量和面积为指标,利用基尼系数和均衡系数探讨我国森林生态和野生植物类型自然保护区分布的均衡性,利用多维标度法探讨各省两类自然保护区建设的相似性.结果表明,西部省份保护区面积占全国比例远高于保护区个数比例,而沿海省份保护区面积占全国比例远低于保护区个数比例;保护区级别越集中,各省保护区面积分布越不均衡,而数量分布越均衡.全国森林生态和野生植物类型自然保护区建设情况可分为4种类型,东南沿海省份设置的两类自然保护区面积远低于全国平均水平,而西部地区则高于全国平均水平.     

镜泊湖枯水期和丰水期浮游植物群落结构

于2006年的枯水期(4月)和丰水期(7月)对牡丹江镜泊湖浮游植物进行调查,共采集到浮游植物8门77种,其中,绿藻26种,蓝藻18种,硅藻22种,其它11种;枯水期与丰水期浮游植物种数分别为64种和69种;运用多元统计多维尺度(MDS)分析方法对其浮游植物组成、分布、群落进行了分析。结果表明,枯水期、丰水期镜泊湖浮游植物均可划分为4个群落:上游(1#)、中上游(2#,3#,4#)、中下游(5#,6#,7#)、下游群落(8#),枯水期中下游浮游植物相似性较高,丰水期中上游浮游植物相似性较高。