基于主成分回归的苹果可溶性固形物含量预测模型

为了更好地预测苹果的可溶性固形物含量（SSC）,试验采用反射式光谱采集系统获取采后“富士”苹果的光谱反射率。分析了3种光谱预处理方法（标准正态变换、多元散射校正以及二阶导数）对预测模型的影响;利用主成分分析方法对预处理后的光谱数据进行降维,并基于选取的特征变量建立预测苹果SSC的回归模型。结果表明：采用主成分分析方法从全光谱的1 024个波长中选取了前23个主成分得分作为特征变量;基于特征变量建立的回归预测模型具有较好的预测能力,其预测集相关系数RP=0.908,均方根误差RMSEP=0.499。这表明采用光谱技术结合主成分回归预测苹果SSC是可行的。     

基于高光谱成像技术的核桃黑斑识别研究

利用高光谱成像技术对黑斑核桃进行识别研究,采集80个正常核桃和80个黑斑核桃高光谱图像,并提取感兴趣区域获得样本光谱数据。利用主成分分析(Principal component analysis,PCA)提取光谱数据前5个主成分信息,建立PLS判别模型,结果表明模型判别率均为100%。提取5个主成分图像,分别采用掩膜(Mask)、"Canny"算子、图像填充、区域生长算法(Region grow)提取模板图像和黑斑区域,实现对黑斑的识别。研究表明,采用高光谱图像技术可以实现核桃黑斑的识别,为核桃的黑斑检测提供理论参考。     

基于高光谱的水稻种子活力无损分级检测

为研究高光谱图像技术用于水稻种子活力快速无损鉴别的可行性,本试验以不同老化程度的4个水稻品种共960粒水稻种子为材料,对样品进行人工老化后进行发芽试验,统计发芽率和根长,计算简易活力指数,据此将每个品种的样品划分为不同活力梯度组,采用高光谱图像技术,通过提取水稻种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法、标准正态变量(SNV)和多元散射校正(MSC)对874～1 740 nm波段内的光谱数据进行去除噪声处理,采用主成分分析法(PCA)、连续投影算法(SPA)进行特征波长选择,基于全波段光谱和基于特征波长分别建立了偏最小二乘判别分析(PLS-DA)模型.试验结果表明,经MSC预处理后,采用SPA挑选的特征波长建立的PLS-DA模型,建模集和预测集的识别正确率分别达到100％和98.75％.研究结果表明,利用高光谱图像技术对水稻种子活力进行快速无损检测是可行的.     

基于叶片纹理特征的棉花蚜害诊断模型研究

【目的】为探究棉花叶片蚜害快速识别的可行性,本研究对健康和受棉蚜为害的棉花叶片的高光谱图像进行识别。【方法】以新陆早45号为研究对象,通过获取健康和受棉蚜为害棉花叶片的高光谱图像,提取不同处理下棉花叶片的感兴趣区域光谱图像信息,并采用3种降维手段获取高光谱特征。利用灰度共生矩阵(Gray-Level Co-occurrence Matrix,GLCM)提取图像的纹理特征,构建棉蚜为害诊断模型。【结果】采用全纹理特征数据结合随机蛙跳-偏最小二乘线性判别分析模型(RF-PLS-LDA)建模得到的预测集识别率为91.49%;以能量(Energy)作为输入,建立主成分载荷-偏最小二乘线性判别分析模型(PCA-Loading-PLS-LDA),对预测集识别率达到92.55%。【结论】以灰度共生矩阵二阶统计量能量建模可有效地简化模型,减少计算量,提高预测的稳定性。基于纹理特征向量能有效地实现蚜害棉花叶片的识别,为虫情的快速识别提供技术支持。     

食源性致病菌近红外光谱改进贝叶斯判别模型的建立

采用傅里叶变换近红外光谱仪结合化学计量学方法对大肠埃希氏菌O157∶H7、单增李斯特菌、金黄色葡萄球菌3种典型食源性致病菌进行鉴别研究。光谱数据经矢量归一化等预处理后,选取6 000~4 000 cm~(-1)波数范围具有菌株特性的谱图作为鉴别分析的研究对象,进行主成分分析(Principal component analysis,PCA)。利用PCA提取的前2个主成分作为贝叶斯判别(Bayes discriminant analysis,BDA)模型的最优判别因子,建立改进贝叶斯判别模型。该改进模型对训练样本和未知样本的判别正确率均达到100%。结果表明,改进BDA模型比BDA模型在食源性致病菌的判别精确度上有较大提高,基于近红外光谱的改进BDA模型可以作为一种准确、有效的食源性致病菌快速鉴别方法。     

基于主成分分析的苹果品种综合判别体系构建

选取富士苹果和美八苹果的代表性评价指标,进行对比分析建立苹果品种的判别函数,为苹果品种的判别检验奠定基础。分别测定了富士和美八2个品种各300个果实的果形指数、硬度等13项理化指标,进行主成分分析,筛选出其代表性理化指标,进而挑选出5项共有指标为自变量,建立苹果品种判别函数。选取色泽b*值(X_5)、硬度(X_6)、水分(X_7)、VC含量(X_(10))、可滴定酸(X_(11))5项理化指标,运用Fisher判别函数,建立了苹果品种综合判别体系,其判别正确率均达到100%,为苹果品种差异性鉴别提供了一种客观、可行的多指标综合判别方法,为近红外光谱分析技术提供了一种鉴别苹果品种的模型。     

基于多光谱成像技术的小麦品种快速无损鉴定

为了研究多光谱成像技术对小麦品种快速无损鉴定的可行性,采用VideometerLab 多光谱图像采集设备对5 个小麦品种共500 个样品在405~970 nm波段内的进行多光谱图像信息进行采集,获取其光谱、颜色和形态特征。利用主成分分析对5 个小麦品种进行定性鉴别,同时,基于光谱特征和光谱图像特征分别比较了神经网络、支持向量机和随机森林3 种模型的鉴定效果。结果显示：利用19 个光谱特征值建立的模型中,BPNN识别模型效果最佳,其建模集和预测集的识别率分别为100%和91.25%。融合19 个光谱特征和6 个图像特征所建立的模型中,BPNN识别模型效果最佳,其建模集和预测集的识别率分别达到了100%和98.4%。结果表明,基于BPNN的多光谱特征融合能够有效的提高小麦品种鉴定效率,为小麦品种的快速无损检测提供了一个新途径。     

基于光致发光光谱的水稻品种快速鉴别研究

水稻是中国最重要的粮食作物之一,其种子品种鉴别是目前农业生产、作物育种和种子检验的重要问题。由于品种鉴别比较困难,每年因品种搞错和纯度差而造成的经济损失巨大。为此提出了一种应用光致发光光谱分析技术与化学计量学相结合的快速、无损鉴别稻谷品种的新方法。为了实现水稻品种的快速无损鉴别,采用北京卓立汉光仪器有限公司生产的光致发光光谱分析仪,对从长江大学农学院收集的5个不同品种的水稻共125个样本进行650~1000 nm波段光致发光光谱采集,获取了每个品种水稻各25个样本数据。将光谱数据经主成分分析压缩成数目较少的新变量（主成分）,其中前7个主成分能够解释99.696%的原始光谱信息。因此将前7个主成分作为BP神经网络的输入,不同水稻的品种值作为BP神经网络的输出,建立水稻品种的模式识别模型。样本被随机的分成包含100个样本的建模集和25个样本的预测集。结果表明,5次随机抽样建模的预测正确率均达到100%。同时也表明,主成分分析的数据压缩能力好,通过主成分分析和BP神经网络相结合建立模型进行不同品种水稻鉴别具有分析速度快、鉴别能力强的特点,为快速鉴别水稻品种提供了新的方法。     

贵定云雾茶近红外识别模型的初步建立

为了快速、准确的鉴定贵定云雾茶的真伪,以贵州省各地茶叶为研究对象,应用近红外漫反射光谱技术对贵定云雾茶进行定性分析。结合判别分析法(discriminant analysis,DA),光谱范围选取4235.35~4252.46、5484.32 ~5497.04、5999.06~6310.39 cm-1,并采用SNV结合一阶导数、Norris平滑的光谱预处理方式,主成分因子数选5,建立识别模型。结果表明,模型的正确识别率达到88.6%。为快速准确识别茶叶提供了一种新思路。     

基于小麦籽粒高光谱特征的品种鉴别研究

为探究高光谱成像技术在小麦籽粒品种鉴别等的研究,以15种品种已知的小麦籽粒为对象,分别采集样品的光谱和图像信息。运用主成分分析法优选三个特征波长(447nm、615nm、955nm),提取特征波长下小麦籽粒图像的形态特征(面积、周长、圆度、长轴长度、短轴长度)和纹理特征(均值、标准差、熵)。应用Bayes判别分析法进行多元统计分析,建立判别函数判别回代准确率为99.9%,交叉验证的准确率为98%,模型的判别效果良好。研究表明利用高光谱成像技术结合Bayes判别分析的方法可用于小麦籽粒品种的鉴别。     

江汉平原土壤有机碳含量高光谱预测模型优选

研究探讨了贫瘠地区低有机碳含量条件下,不同光谱预处理与建模方法用于土壤有机碳估测的最佳组合,对贫瘠土壤属性信息快速获取和精确农业发展具有重要意义。以江汉平原不同利用条件下的土壤为研究对象,使用可见光/近红外高光谱技术,结合包括Savitzky-Golay平滑(SG)、一阶导数(FD)、多元散射校正(MSC)在内的光谱预处理方法,分别建立用于估测土壤有机碳(SOC)含量的多元线性回归(MLR)、主成分回归(PCR)、偏最小二乘回归(PLSR)和支持向量机回归(SVMR)模型。结果表明：不同建模方法预测精度差异明显,PLSR和SVMR的预测结果优于MLR和PCR;不同预处理方法对模型的预测精度亦有较大影响,表现为MSC＞FD＞SG;基于FD和MSC组合预处理的SVMR模型的预测能力最好,R2=0.84,RPD=2.50,满足土壤有机碳的预测。有机质含量大于2%并不是建立优质模型的必要条件。     

基于光谱指数的苹果叶片水分含量估算模型研究

建立快速、无损的苹果叶片水分含量高光谱估算模型,为苹果树干旱预警提供理论依据。以2个不同生育期采集的苹果叶片为研究对象,研究了不同水分含量的苹果叶片高光谱特征,分析了苹果叶片水分含量与光谱指数(WI、WBI、PWI、GVWI、MSI、 NDW)之间的相关关系,建立了苹果叶片水分含量估算模型。结果表明,苹果叶片水分含量的敏感光谱波段主要集中于近红外和短波红外波段;利用6个光谱指数建立的单变量估算模型均达到了极显著水平(P<0.01),但以水分指数（WI）建立的估算模型y=29503x2-57746x+28317的拟合决定系数R2最大,为0.5401;经检验,拟合方程的RMSE为 2.4,RE为 5.8%,检验精度达到了94.2%。采用主成分回归分析方法,建立的苹果叶片水分含量估算模型y=-556.819+347.838x1-17.815x2-27.864x3+299.492x4+25.647x5+9.835x6的拟合决定系数R2为0.6371,经检验,拟合方程的RMSE为 1.26,RE为 1.8%,检验精度达到了98.2%。表明以主成分回归分析建立的苹果叶片水分含量估算模型具有较好的敏感性和稳定性。     

基于图像识别的苹果叶片病害识别模型对比研究

为实现苹果叶片病害图像自动识别,展开苹果叶片病害识别模型研究。通过整理网络开源植物病害数据,获取苹果赤霉病、苹果雪松锈病和苹果灰斑病3种苹果病害叶片图像,以1种健康叶片图像作为研究对象,随机抽取4433张图像建立数据集用于模型训练,采用离线增强和在线增强2种手段对数据进行预处理,扩充图像样本并保证各类样本均衡。在Resnet 50、Mobilenet v2、Vgg16、Vgg19、Inception v3等5种预训练模型的基础上,对迁移模型进行一系列的参数调整。5种模型训练比对结果表明,优化后的Resnet50模型能够达到0.9770的准确率。优化后的训练模型具有识别速度快、准确率提高的特点,可以准确、快速地识别出病害类型,为植物病害的自动诊断提供支撑。     

基于近红外光谱与SIMCA和PLS-DA的水稻品种鉴别

以垦粳5号、垦粳6号、垦粳9号和鸿育001-1共4个水稻品种为研究对象,采用近红外光谱技术分别结合SIMCA和偏最小二乘法判别分析法（PLS-DA）对4个水稻品种进行鉴别。采用SIMCA分类法,实现了4个水稻品种100%的区分;采用PLS-DA方法对校正样本建立判别模型,其校正集结果和参考值之间的相关系数最小值为0.95,验证集结果与参考值之间的相关系数最小值为0.94,对验证集中4个水稻品种的识别率为100%。试验结果表明,应用近红外光谱技术结合SIMCA分类法和PLS-DA法均可实现对水稻品种的快速鉴别。     

基于叶片数字纹理特征自动识别胡颓子属植物

为了探索胡颓子属植物叶片的数字纹理特征变异规律,对苏、浙、皖地区常见的8种胡颓子属植物,提取了基于灰度共生矩阵的叶片纹理参数,分析了叶片纹理参数的种内、种间变异规律,并构建KNN分类模型。结果表明:同种不同地理来源的标本间全部纹理参数是极显著差异,不同种之间仅某一纹理参数有显著差异;随机取132个样本作为训练集,35个作为测试集,构建KNN分类模型,K=6时,正确识别率达到了93.75%。对于特定分布区内的几个胡颓子属植物,叶片数字纹理具有分类识别意义,可用于构建分类模型。     

小麦旗叶衰老过程不同数学模型拟合比较及衰老特征分析

为了准确了解小麦叶片的衰老特征,筛选适合描述小麦叶片衰老过程的数学模型, 2011年和2012年分别以91个和105个小麦品种(系)为材料,用"S"型曲线中的Logistic、Gompertz和Richards模型拟合了试验品种叶片的衰老过程,解析了其叶片衰老特征。结果表明,试验品种可分为延绿、中等延绿、中等早衰和早衰4种类型。其旗叶衰老过程可分为衰老起始期、快速衰老期和衰老结束期3个阶段,3个阶段旗叶的衰老速度表现为"慢–快–慢",不同延绿类型品种开花后旗叶的绿色叶面积百分比下降主要在衰老过程的中后期。3种模型对不同延绿类型品种旗叶衰老过程均可以拟合,Gompertz和Richards模型拟合度接近,高于Logistic模型。Gompertz模型的拟合度以早衰中等早衰中等延绿延绿类型。不同延绿类型品种旗叶衰老曲线特征参数达到最大衰老速度时间(TMRS)、平均衰老速度(ARS)和绿色叶面积持续期(GLAD)存在显著差异, TMRS和GLAD以延绿中等延绿中等早衰早衰, ARS以早衰中等早衰中等延绿延绿。Gompertz模型对小麦叶片衰老过程的拟合度优于Logistic模型。叶片衰老过程特征参数可以用于品种延绿性差异评价。