基于PCA和PNN的水稻病虫害高光谱识别

对水稻病虫害准确、快速的识别是采取病虫害防治措施的基础,同时对灾害评估也具有积极意义。该研究选用在水稻孕穗期时测定的两期受稻干尖线虫病危害的水稻叶片光谱数据和于水稻分蘖期时测定的两期受稻纵卷叶螟危害的水稻叶片光谱数据,通过对水稻叶片的光谱特征分析,选用可见光波段（490～670 nm）和短波红外波段（1 520～1 750 nm）,用主成分分析技术（PCA）对上述光谱波段进行压缩,获得主分量光谱,最后结合概率神经网络（PNN）对稻干尖线虫病和稻纵卷叶螟进行识别,结果显示对水稻病虫害的识别精度高达95.65%。研究表明,PCA和PNN相结合,可以实现对多种水稻病虫害进行快速、精确的分类识别。     

基于近红外光谱的未知类别样品聚类方法研究

对于大量样品参与建模的情况,将样品集进行分类建模,可以减少样品的变异范围,提高近红外模型的预测能力。本文以全国各地小麦样品222份为建模样品,采用基于试探的未知类别的样品聚类方法,分别用最邻近规则法和最大最小距离算法对实验样品集分类建模。从分类实现过程和结果可以看出：基于试探的未知类别的样品聚类方法中无需多次训练,且对未知类别的样品集无需事先确定分类数目,但需要确定分类阈值,阈值不同,则分类结果会随之改变。     

农产品近红外光谱品质检测软件系统的设计与实现

在中国加入WTO后，利用近红外光谱技术进行快速、准确的农产品品质检测技术与方法研究非常迫切，为满足对样品组分定量预测软件的需求，设计并实现了农产品近红外光谱品质检测软件系统。采用了面向对象编程技术，向量、矩阵运算的封装技术，结构化存储与复合文档等软件实现技术。该系统由光谱文件管理，光谱显示，光谱信号处理(预处理)，光谱校正模型的建立与管理，未知样品的组分浓度预测等五大功能模块构成。具有多种光谱仪器光谱格式(SPC、TXT、JWS、MAT、ASF等)兼容性，光谱分析功能全面性，算法(PCR、PLS、GA、ANN、Wavelet、Wavelet Package等)多样性，软件系统易维护性，用户使用操作方便性等特点。实例分析表明，无论采用本系统的PLS-NIR模型，还是采用本系统的PCA-MBP-NIR模型，组分浓度预测精度均很高。本系统为农产品品质检测近红外光谱建模和预测提供了很好的技术支持，具有重要的应用价值。     

近红外光谱技术在畜产品检测中的应用研究

近红外光谱作为快速、无损的检测技术,被广泛应用于畜产品检测领域。通过样品光谱信息与被测样品理化指标相关联,构建高精度、稳定性好的数学模型,可不破坏样品而获取被测样品信息,实现畜产品的定性定量快速预测。本文综述了近红外光谱技术在主要畜产品（肉、原料乳和毛绒）真实性鉴别、产地和品种溯源、理化指标检测等方面的研究进展,分析了近红外光谱技术在畜产品检测方面存在的不足及未来发展趋势,为近红外光谱技术应用发展提供数据支撑和理论参考。     

基于近红外光谱土壤水分检测模型的适应性

由于土壤水分的近红外光谱定量分析模型精度依赖于样品状态,故土壤水分定量分析模型的适应性极其重要。以湖北地区的3种土壤为研究对象,利用偏最小二乘法交叉验证建立了处理后样品下的土壤水分分析模型,模型预测值与标准值的决定系数R2为0.9946,交叉验证预测均方差为0.801%,模型预测决定系数R2为0.9919,预测均方差为0.912%;利用主成分分析了未处理土壤样品与处理土壤样品得分图的差异,结果表明定量分析模型对未处理样品的预测精度降低;采用斜率/截距的方法修正了12个未处理样品的模型预测值,预测平均绝对值误差从0.78%降低到0.38%,结果表明斜率/截距校正法能较好的提高近红外光谱土壤水分定量分析模型的适应性。     

基于近红外光谱技术的大米品种快速鉴别方法

为探索大米无损检测技术,提出了一种基于可见-近红外光谱技术快速、无损鉴别大米品种的新方法。首先采用主成分分析法对大米品种进行聚类,然后利用小波变换技术提取光谱特征信息,把光谱特征信息作为人工神经网络的输入建立品种识别模型,对大米品种进行鉴别。从每种大米60个样本共计180个样本中随机抽取150个样本（每种50个样本）用来建立神经网络模型,剩下的30个大米样本用于预测。品种识别准确率达到100%。说明所提出的方法具有很好的分类和鉴别作用,为大米的品种鉴别提供了一种新方法。     

果蔬品质手持式近红外光谱检测系统设计与试验

为满足果蔬加工过程快速检测和质量控制的实际需求,研发近红外光谱技术的低成本、实用化、小型化的果蔬品质手持式检测系统。在分析当前近红外光谱实用化过程的瓶颈问题的基础上,提出果蔬品质的手持式检测系统设计方案,阐述了硬件系统选择和软件系统构建,介绍了检测系统的工作原理;选用近红外微机电系统的数字微镜器件作为分光元件,以单点探测器获取检测信息,从而实现光谱检测系统的微型化设计和系统成本的显著降低。以检测番茄为例,利用设计的手持式检测系统,获取番茄900~1 700 nm范围的近红外光谱,利用先选择特征波段再优选波长的建模策略,分别建立了番茄中番茄红素和可溶性固形物含量的定量检测模型;可溶性固形物含量模型的预测相关系数和预测均方根误差分别为0.899和0.133%;番茄红素模型的预测相关系数和预测均方根误差分别为0.886和2.508 mg/kg。研究表明该系统能够满足果蔬品质的快速无损检测要求,可为实用化、小型化的手持式光谱检测仪设计和开发提供参考。     

基于可见-近红外光谱技术的蜜源快速识别方法

蜂蜜蜜源决定了蜂蜜的药用价值。为了实现快速无损识别蜂蜜蜜源,提出了基于可见-近红外光谱技术结合机器学习的方法来实现蜂蜜蜜源的快速无损识别。该研究采集来自4个蜜源共232份蜂蜜样本光谱数据,随机选取其中212个样本用来构建分类器,剩余20个样本进行分类器泛化学习能力的检验评估。光谱数据预处理采用基线校正,数据标准化和平滑消除干扰和噪声。基于一对多分类规则,采用主成分分析结合贝叶斯线性判别构造线性多分类器,并就分类效果和泛化学习能力与前向神经网络器构成的非线性分类器进行比较。结果表明：基于主成分分析结合贝叶斯线性判别构造的多分类器分类正确率为91.95%,前向神经网络的分类正确率为100%。该研究也表明应用可见-近红外技术对蜂蜜蜜源进行快速分类是可行的。     

玉米种子活力近红外光谱智能检测方法研究

为了实现玉米种子活力的快速无损检测,提出利用近红外光谱和BP神经网络来建立玉米种子活力智能检测模型。首先通过人工老化将样本按老化程度分为3种级别,采集样本的近红外光谱。分别通过卷积平滑(S-G)和多元散射校正(MSC)及二者组合的方法消除光谱噪声和去除奇异光谱。然后分别用主成分分析(PCA)和离散多带小波变换(DWT)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的不同构建出6种BP神经网络种子活力检测模型。试验结果表明,组合预处理方法与主成分分析特征提取结合构建的模型最优,其识别的准确率为95.0%,平均识别时间为26.25ms。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。     

基于近红外光谱的未知类别样品聚类方法

在近红外光谱分析中,针对大量样品参与建模时,需将样品集进行分类,以减少样品光谱变异范围,提高近红外模型的预测准确度。本文以来自中国各地的222份小麦样品为例,在未知样品组分含量和类别归属的前提下,结合样品的近红外光谱信息,采用基于试探的未知类别的样品聚类方法（最邻近规则法和最大最小距离算法）对样品集分类。其中,最邻近规则法在阈值T为1.9时,最大最小距离算法在阈值为样品间的最大距离的1/2时,分类建模指标均优于未分类所建模型。从分类实现过程和结果可以看出：基于试探的未知类别的样品聚类方法中无需多次训练,且对未知类别的样品集无需事先确定分类数目,但需要确定分类阈值,阈值不同,则分类结果会随之改变。研究为近红外建模过程中未知类别样品的分类提供了一种参考方法。     

近红外光谱分析技术在饲料质量安全评价中的应用研究进展

近红外光谱分析技术是饲料质量安全控制中不可或缺的一种技术,它不仅能够较准确的测定饲料产品营养价值的各相关参数指标,而且能科学的分析配合饲料的原料组成和来源,应用于饲料安全溯源管理;同时,利用近红外光谱分析技术获取强特异性的个性特征信息,可用于完善饲料产品注册系统。本文综述了近红外光谱分析技术在饲料质量安全评价方面的应用研究成果,以便使该技术更好的为饲料行业质量安全控制服务。