基于CARS-SAA的土壤铵态氮含量高光谱反演

利用高光谱技术对河套灌区土壤铵态氮含量检测过程中,为降低高光谱数据中存在的冗余变量信息对模型预测精度的影响。本文针对河套灌区土壤铵态氮含量提出了一种竞争性自适应重加权算法(CARS)和模拟退火算法(SAA)相结合的特征变量筛选方法,并建立偏最小二乘回归(PLSR)和随机森林回归(RF)相结合的预测模型(PLSR-RF、RF-PLSR)。结果表明,CARS-SAA能有效筛选变量个数和减小计算量,并稳定模型预测精度。其中,CARS-SAA-PLSR-RF模型的预测精度最佳,验证集的决定系数R²为0.902、均方根误差RMSE为1.583mg·kg^-1、相对分析误差RPD为3.198。具有很好的预测效果,可知CARS-SAA是一种有效的高光谱特征变量筛选方法,在提高预测精度的同时简化了模型的运算。该模型结合高光谱技术可以对河套灌区土壤铵态氮含量进行快速有效的无损检测。     

基于高光谱成像的烟田土壤pH估测

【目的】为实现区域尺度上烟田土壤pH的快速估测。【方法】以四川省296份烟田土壤为研究对象,利用高光谱成像获取土壤390～2500 nm波段的光谱反射率,系统研究12种光谱预处理方法、2种特征波段选择方法和4种建模方法对烟田土壤pH高光谱估测模型精度的影响。【结果】在600～2500 nm范围内,不同pH的光谱反射率曲线差异明显;原始光谱经单一预处理或组合预处理方法处理后,建立的估测模型精度均有所提高;其中一阶导数(First derivative, D1)组合标准正态分布(Standard normal variate, SNV)为最佳光谱预处理方法。竞争自适应重加权采样算法(Competitive adaptive reweighted sampling, CARS)筛选出93个土壤pH特征波段,主要集中在近红外波段800～2500 nm。无论使用光谱全波段还是主成分分析降维得到的光谱特征,核岭回归(Kernel ridge regression, KRR)和支持向量机(Support vector machine, SVM)两种建模方法都取得了比偏最小二乘回归(Partial l...     

CARS-SPA算法结合高光谱检测马铃薯还原糖含量

以竞争性重加权自适应选择算法(CARS)结合连续投影算法(SPA)选择马铃薯还原糖含量特征波长,共制备238个样本,比色法测定马铃薯还原糖含量,选择190个样本作校正集,48个样本作验证集,与全光谱和经典变量提取方法比较。结果表明,CARS-SPA算法筛选波段效果最佳,相比于全谱建模其参与建模波长点由203个减少到17个,模型验证集决定系数r~2由0.8464提高到0.8965,均方根误差(RMSEP)由0.0758降到0.0490。结果表明,采用CARS-SPA结合高光谱成像技术检测马铃薯还原糖含量结果可行。     

基于CARS-PLSR算法的土壤有效磷高光谱反演研究

【目的】 剔除土壤高光谱中包含的大量冗余和无效信息,探明土壤有效磷（SAP）的敏感波段,简化SAP的高光谱估算模型并提高模型的预测精度。【方法】 文章以四川省崇州市西河流域110个土壤样本为研究对象,利用ASD Fieldspec3地物光谱仪在室内条件下测定350~2 500 nm波段范围的土壤高光谱数据。对光谱数据进行预处理后,采用连续投影算法（SPA）和竞争性自适应重加权算法（CARS）优选的波长变量作为建模参数,运用偏最小二乘回归（PLSR）方法建立模型并比较其精度。【结果】 结果表明,标准正态变换预处理方法是SAP的最佳土壤光谱数据预处理方法。基于标准正态变换后的光谱数据,CARS、SPA算法可将预测SAP的关键波段变量分别压缩至54和13个,CARS-PLSR模型与SPA-PLSR模型相比,相关系数由0.894提高到0.945,均方根误差由5.73降低到3.56。【结论】 土壤高光谱数据经标准正态变换后,采用CARS-PLSR算法可有效提高有效磷含量预测的鲁棒性。该结果可为高光谱数据快速反演土壤有效磷含量提供理论依据。     

湖滨绿洲棕漠土有机碳含量高光谱估算

以博斯腾湖湖滨绿洲为研究区,利用实测棕漠土有机碳含量与高光谱(350～2 500 nm)数据,应用竞争性自适应重加权采样算法(CARS)、连续投影算法(SPA)、竞争性自适应重加权采样-连续投影算法(CARS-SPA)筛选棕漠土有机碳含量响应的高光谱特征波段,分别采用全波段和特征波段结合随机森林(RF)模型构建棕漠土有机碳含量估算模型。结果表明：博斯腾湖湖滨绿洲棕漠土0～50.0 cm土层有机碳含量为1.40～40.92 g/kg,平均值为14.20 g/kg,变异系数为55.54%,呈中等变异水平。CARS、SPA、CARS-SPA等算法筛选出的棕漠土有机碳含量响应特征波段分别为122个、11个和10个。基于CARS-SPA算法筛选出的特征波段数据输入RF模型估算效果最好,验证集检验的决定系数(R²)、相对分析误差(RPD)、均方根误差(RMSE)分别为0.85、2.59和2.72 g/kg,该方法能有效减少光谱数据冗余、提高模型估算精度和运行效率。本研究结果为研究区棕漠土有机碳含量的估算提供参考。     

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。     

高光谱成像技术在水稻种子分类检测中的应用研究

水稻作为我国主要农产品之一,是我国农业经济发展的“主力军”。因此,研究水稻种子快速无损分类检测技术,对推动农业生产具有重要意义。利用高光谱仪获取450～720 nm波长范围的3类水稻种子高光谱数据,通过对比全波长的KNN模型和数据降维后的LDA-KNN算法模型,发现LDA-KNN算法模型能克服KNN模型对不相关特征的信息敏感问题,采用高光谱成像技术进行水稻种子无损分类检测具有可行性。     

基于高光谱成像技术的油菜种子油酸含量反演模型

高油酸油菜籽品种是当前油菜育种方向之一,为开发高效、无损测定油酸含量的方法,提高油菜高油酸种质资源筛选效率,选用3个油菜品种为材料,分别采集其种子光谱成像信息及油酸含量数据,首先对光谱信息进行11种预处理,确定多元散射校正（MSC）最佳预处理方法,然后基于主成分分析（PCA）、连续投影（SPA）、竞争性自适应重加权采样（CARS）方法对数据进行降维,最后分别建立支持向量机（SVM）、最小二乘支持向量机（LS-SVM）和极限学习机（ELM）3种定量分析模型,对油菜油酸含量进行无损检测。通过改变训练样本的数量来测试模型,为验证模型的稳定性,用相关系数（R）、均方根误差（RMSE）进行效果评价。结果表明,在所有模型中,多元散射校正+竞争性自适应重加权采样+极限学习机（MSC+CARS+ELM）模型预测效果最好,校正集相关系数（Rc）、均方根误差（RMSEc）分别为0.894、1.993 4%,预测集相关系数（Rp）为0.868,均方根误差（RMSEp）为1.069 8%,可更加准确地预测油酸含量,创建一种快速、无损检测油菜种子油酸含量的方法,为利用高光谱技术进行油菜营养品质无损检测提供理论依...     

基于高光谱技术融合图像信息的杏鲍菇干燥过程中含水率检测

为了应用高光谱成像技术结合图像处理技术研究杏鲍菇含水率的快速无损检测以及含水率分布可视化,采集不同干燥时期共240个杏鲍菇样品在358～1 021 nm波段范围内的高光谱图像。利用阈值分割方法将图像中杏鲍菇区域与背景分离,提取杏鲍菇的平均光谱数据。采用连续投影算法(SPA)和稳定性竞争自适应重加权采样法(SCARS)分别筛选出5个和10个特征波长;采用主成分分析方法获得杏鲍菇的前2个主成分图像PC1、PC2,基于灰度共生矩阵(GLCM)提取主成分图像PC1、PC2共16个纹理特征。利用偏最小二乘(PLS)和最小二乘支持向量机(LS-SVM)分别建立光谱特征、纹理特征以及光谱与纹理特征融合的含水率预测模型。结果表明:与光谱特征相比,纹理特征与含水率的相关性较差;光谱特征模型SCARS-LS-SVM预测效果最好,其预测集决定系数(R■)=0.975,均方根误差(RMSEP)=3.712,相对分析误差(RPD)=3.211。基于SCARS-LS-SVM模型,将杏鲍菇样品含水率分布用不同颜色直观显示,实现了含水率分布可视化。     

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。     

基于高光谱成像技术生长发育后期苹果糖度的无损检测

【目的】研究应用高光谱成像技术无损检测生长发育后期苹果糖度的可行性。【方法】以生长发育后期的"富士"苹果为对象,基于采集到的波长900~1 700nm高光谱数据,建立预测苹果糖度的偏最小二乘(PLS)、支持向量机(SVM)和极限学习机(ELM)模型,并比较主成分分析(PCA)和连续投影算法(SPA)2种数据压缩或特征波提取方法对预测模型精度的影响。【结果】采用PCA方法可将全光谱压缩至9个主成分,采用SPA从全光谱的230个波长中提取出了13个特征波长,两者相比,SPA能更有效地提高模型预测能力。预测生长发育后期苹果糖度的最佳模型为基于SPA的PLS模型,其预测集相关系数为0.945,均方根误差为0.628°Brix。【结论】高光谱图像技术可以用于生长发育后期苹果糖度的无损检测,该技术的应用将有助于指导苹果的种植和适时采收。     

基于高光谱成像技术的双孢蘑菇病害早期诊断

[目的]有害疣孢霉菌(Mycogone perniciosa)引起的双孢蘑菇疣孢霉病,是破坏性极强的真菌类病害,本研究拟基于高光谱成像技术,建立双孢蘑菇疣孢霉病早期快速检测方法.[方法]对200个健康双孢蘑菇样本与200个染病双孢蘑菇样本采集全波段(401～1046 nm)可见/近红外高光谱图像信息,利用Savitzk...     

基于高光谱成像技术的油菜叶片叶绿素含量预测

叶绿素是作物生长中的重要因素,可用于实时监测作物的生长状况。以常规高油酸油菜品种为材料,采用大田试验研究油菜叶片在不同栽培措施下幼苗期、蕾薹期叶片的光谱响应,通过计算反射光谱及其反射光谱的一阶导数与SPAD值的相关性,结合逐步回归挑选出油菜叶片敏感波段,并计算光谱指数。采用一元线性回归和神经网络建立叶绿素含量估算模型。结果表明,由光谱指数所构建的神经网络叶绿素估算模型,精度评价结果均显示比较高的水平,幼苗期反射率光谱指数构建的模型精度最高,决定系数R2为0807 0,均方根误差（RMSE）为1131 5,蕾薹期一阶导数光谱指数构建的模型精度最高,决定系数R2为 0873 2, 均方根误差（RMSE）为1322 3,在蕾薹期和幼苗期通过构建BP神经网络模型能够较好的对油菜叶绿素进行反演。为利用高光谱技术大范围监测油菜叶绿素含量提供了一定的理论依据。     

基于高光谱成像技术的南果梨酸度无损检测方法

南果梨是一种重要的水果品种,其酸度是评估果品质量的重要指标之一。然而,传统的南果梨酸度检测方法通常需要破坏性采样和化学分析,不仅耗时费力,而且容易导致样品污染和浪费。因此,旨在探索一种基于高光谱成像技术的无损检测方法,以实现对南果梨酸度的快速、准确、无损检测。首先,采集室温20℃下不同贮藏天数南果梨的高光谱数据,其光谱波长范围为400～1 000 nm,并且通过理化实验测量南果梨样本的可滴定酸;其次,采用多元散射校正（multipli-cative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）、Savitzky-Golay平滑滤波等多种方法对光谱数据进行预处理,建立偏最小二乘回归模型（partial least squares regression,PLSR）,选择出建模效果最佳的预处理方法,结果显示MSC方法效果最优;然后结合连续投影算法（successie projection algorithm,SPA）提取特征波段,在700～900 nm范围内确定9个特征光谱变量;最后,以提取出的9个特征光谱变量作为输入...     

基于高光谱成像技术的羊肉新鲜度预测

为实现羊肉新鲜度的快速、无损检测,应用高光谱成像技术对不同存储天数的羊肉建立挥发性盐基氮TVB-N(Total volatile basic nitrogen,TVB-N)含量预测模型。通过高光谱成像系统获取羊肉样本935～2 539nm的高光谱图像,选取样本左上、左下、右上、右下和中间5个位置20×20像素的方形作为感兴趣区域(Region of interesting,ROI),提取ROI并计算区域内样本平均光谱。利用二进制粒子群优化算法(Binary particle swarm optimization,BPSO)和相关系数分析法(Correlation coefficient,CC)提取羊肉TVB-N高光谱特征变量,结合偏最小二乘回归(Partial least squares regression,PLSR)和随机森林回归(Random forest regression,RFR)建模算法,分别建立表征羊肉TVB-N含量的BPSO-PLSR、BPSO-RFR、CC-PLSR、CC-RFR预测模型。依据袋外均方根误差RMSEOOB最小原则,对最佳回归子树和分裂特征2个主要参数进行寻优以提高RFR建模算法的预测精度。比较4个模型的预测效果发现,BPSO-RFR模型的预测精度最高,其校正集决定系数R_c~2和均方根误差RMSEC分别为0.87和2.99,预测集决定系数R_p~2和均方根误差RMSEP分别为0.86和3.36。综上,高光谱成像技术和机器学习算法的有机结合为快速有效检测肉品新鲜度提供了理论依据。     

基于高光谱成像技术的鲜烟叶叶位识别方法

为实现鲜烟叶叶位的快速无损识别,以不同着生部位烟叶为研究对象,应用高光谱成像技术,构建基于特征光谱的鲜烟叶叶位判别模型。首先,利用标准正态变换（SNV）、二阶导数（2ND）、SavitzkyGolay卷积平滑（SG）和多元散射校正（MSC）4种光谱预处理方法对烟叶原始高光谱数据进行处理,然后采用预处理后的全波段光谱数据和特征波段光谱数据,构建基于支持向量机（SVM）、偏最小二乘判别分析（PLS-DA）和反向传播神经网络（BPNN）的鲜烟叶叶位识别模型。结果表明：采用SG滤波预处理和BPNN所构建的模型识别效果最好,训练集和预测集的预测准确率分别为91.15%和90.63%。此外,利用竞争性自适应重加权算法（CARS）所筛选的特征波长所建立的BPNN模型最优,训练集和预测集的预测准确率达到了93.23%和92.19%。表明利用高光谱成像技术判别鲜烟叶所属部位是可行的,可以实现鲜烟叶所属部位快速、无损检测。     

基于高光谱成像技术的红酸枝木材种类识别

为了实现市场上常见红酸枝类Dalbergia spp.木材的快速无损识别,利用高光谱成像技术对不同红酸枝木材进行种类识别研究。以交趾黄檀 Dalbergia cochinchinensis,巴里黄檀 Dalbergia bariensis,奥氏黄檀Dalbergia oliveri和微凹黄檀 Dalbergia retusa为研究对象,采集高光谱图像并提取感兴趣区域内的反射光谱,采用Savitsky-Golay（SG）平滑算法、标准正态变量变换（SNV）和多元散射校正（MSC）对955~1 642 nm 波段光谱进行预处理,并通过主成分分析法（PCA）,回归系数法（RC）以及连续投影法（SPA）选择特征波长,分别建立了偏最小二乘判别分析（PLS-DA）和极限学习机（ELM）判别分析模型。研究结果表明:经SG和MSC光谱预处理,采用SPA选择的特征波长建立的ELM模型性能最优,建模集和预测集的识别率均为100.0%。这为红酸枝木材种类的快速无损识别提供了新的方法。图5表4参17     

基于高光谱成像的苹果损伤检测方法研究

【目的】研究苹果损伤高光谱特征,建立基于高光谱成像的苹果损伤区域最佳分类模型,为实时、快速、准确地识别苹果损伤提供重要依据。【方法】以北京平谷区收集的苹果样品为研究对象,利用高光谱图像技术检测水果表面机械损伤。利用 390 ~1 000 nm 范围的高光谱图像（HSI）数据,通过比值光谱分析损伤与正常感兴趣区域（ROI）的光谱响应特性,筛选特征波段,并构建较好地突出损伤区域特征的 3 种类型光谱指数：归一化光谱指数（NDSI）、比值光谱指数（RSI）和差值光谱指数（DSI）。在此基础上,优选提取损伤区域能力较强的光谱指数,利用迭代自组织数据分析（ISODATA）无监督据聚类算法提取苹果损伤区域。【结果】当苹果表面受到损伤时,光谱反射率变化显著。波段优化后发现,528、676 nm 的反射率可以有效识别异常区域。基于选定的特征波段,构建苹果损伤检测的识别光谱指数,包括 NDSI、RSI 和 DSI。光谱指数图像的像素值分析发现,损伤区域特征与正常区域特征在各光谱指数（SI）增强图像中区分明显。两类图像特征的 NDSI 像素平均值相差最大、达到 0.629,表明建立的 NDSI 对损伤区域及正常区域特征具有较强的区分能力。利用无监督分类方法 ISODATA 分类,验证了光谱特征指数在检测苹果损伤方面具有较高的特异性,对苹果损伤的检测正确率 达到 92.50%。【结论】研究结果适用于苹果损伤的实时快速检测,为苹果的精准管理生产提供技术基础与参考。     

基于高光谱成像技术的辣椒叶片叶绿素含量估算

叶绿素是植被光合作用的重要物质,能够间接反映植被的健康状况和光合能力.高光谱技术的发展为大面积、快速检测植被叶绿素含量变化提供了可能.选取150组不同生长期的辣椒叶片作为研究对象,分别采集辣椒叶片的高光谱图像和叶绿素含量.利用随机森林特征选择算法进行数据筛选,结合线性回归、偏最小二乘回归、梯度提升回归树、随机森林回归等4种模型分别构建回归模型.结果表明:(1)利用随机森林特征选择算法筛选后波段建立的模型决定系数(r2)均大于0.8,说明该方法具有较高的稳定性和预测精度;(2)利用随机森林特征选择算法筛选的波段结合随机森林回归,其验证集的r2为0.9、均方根误差(RMSE)为1.87、平均绝对误差(MAE)为1.43.可以较为准确地预测辣椒叶片叶绿素含量,为后期利用高光谱成像技术大面积检测辣椒的生长状况提供了理论依据.     

基于高光谱成像技术的茄子叶片灰霉病早期检测

为建立基于高光谱成像技术的茄子叶片灰霉病早期检测方法,利用高光谱成像系统获取120个茄子叶片在380~1031nm范围的高光谱图像数据,通过主成分分析(PCA)对高光谱数据进行降维,并从中优选出3个特征波段下的特征图像,截取200×150的感兴趣区域图像(ROI),并从每幅特征图像中分别提取均值、方差、同质性、对比度、差异性、熵、二阶矩和相关性等8个基于灰度共生矩阵的纹理特征变量,通过连续投影算法(SPA)提取13个特征变量, 利用最小二乘支持向量机(LS‐SVM)构建茄子叶片灰霉病早期鉴别模型,模型判别准确率为97.5%.说明高光谱成像技术可以用于茄子叶片灰霉病的早期检测.