基于PDWT与高光谱的生菜叶片农药残留检测

在离散小波变换特征提取算法基础上,结合有机物近红外谱区倍频中心近似位置,提出一种分段离散小波变换特征提取的方法。以4类农药残留水平(重度超标、中度超标、轻微超标、低于国标)生菜为研究对象,通过透射电镜对生菜叶片微观结构进行检测,并利用近红外高光谱成像仪采集生菜样本的高光谱图像。在生菜高光谱图像中选取感兴趣区域并提取该区域的平均光谱,依据常见基团主要中心近似位置对平均光谱进行有效分段,以sym5为小波基函数,依次对每段光谱数据进行小波变换分解。通过每段不同层次高频小波系数曲线的奇异值分析,来获取光谱特征波段。为了便于判断特征提取波段的优劣,提出初步评估参数契合度,并结合支持向量机分类准确率进一步评估提取特征波段。试验结果表明:随着农药残留浓度的增加,生菜叶片内部嗜锇颗粒数量变多,而淀粉颗粒变少,细胞间隙逐渐变大。不同浓度农药残留的生菜叶片内部细胞排列结构方式和组织结构存在差异,从而使不同浓度农药残留的生菜近红外光谱具有一定的差异性。与离散小波变换特征提取算法相比,分段离散小波变换具有较高的预测分类准确率。分段数取值为4时,取得最佳的契合度、校正集、交叉验证集与预测集准确率分别为75%、95%、92.86%和90.63%。分段离散小波变换结合契合度参数评估,能有效提高光谱特征提取波段可靠性,为快速、准确地无损检测生菜农药残留提供了一种新方法。     

基于校正光谱序列融合的小麦腥黑穗病籽粒分类方法

针对小麦腥黑穗病轻度患病籽粒易与健康籽粒混淆,人工识别难度大的问题,将校正光谱序列融合技术与深度学习模型相结合,实现小麦腥黑穗病籽粒快速、精准分类。以健康、轻度患病、重度患病各300粒小麦籽粒的高光谱数据为样本,通过多元散射校正算法(MSC)和标准正态变换算法(SNV)对原始光谱进行预处理,并利用二维相关光谱法(2D-COS)分析SNV与MSC算法处理后的光谱之间的互补性。使用校正光谱序列融合技术将原始光谱、SNV预处理光谱与MSC预处理光谱三者进行融合得到序列融合光谱,以充分利用不同光谱预处理数据间的互补信息。最终,利用序列融合光谱数据建立基于ResNet 50算法的小麦腥黑病分类模型。试验结果表明,序列融合光谱ResNet 50模型总体准确率最高为93.89%,F1值为93.87%,分类性能优于单一预处理光谱建立的ResNet 50模型。为进一步评估模型分类效果,使用序列融合光谱分别建立偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)以及集成学习算法模型随机森林(RF)与极端梯度提升树(XGBoost)模型,并进行对比,结果显示：SVM、PLS-DA、RF与XGBoost总体准确率分别为81.67%、84.44%、89.44%与90.55%,F1值分别为81.59%、84.04%、89.49%与90.59%,ResNet 50总体准确率与F1值优于传统光谱分析模型。因此,本研究表明校正光谱序列融合技术结合深度学习模型,能够实现对不同患病程度腥黑穗病籽粒的有效分类。     

采用优化特征子集选取和改进SVR的养殖禽舍温度预测算法

为提高养殖禽舍温度预测算精度，降低数据冗余度和差异性对预测结果的影响，提出一种基于智能优化特征子集选取和模糊聚类改进SVR（Support Vector Regression）的温度预测模型。首先，构建最优特征子集选取模型，通过设计最优特征子集选取指标，以降低特征之间冗余度和数据维度；采用改进的离散灰狼算法对特征子集选取模型进行求解，以实现最优特征子集选取。其次，建立模糊聚类改进SVR预测机制，通过设计多度量核FCM（Fuzzy C-means）算法，以实现数据样本自动分类；提出与数据样本分类相对应的SVR预测算法，并采用灰狼算法对SVR参数进行优化，最大程度降低样本数据差异性对预测精度的影响。最后，融合最优特征子集选取和模糊聚类改进SVR预测机制，以实现养殖禽舍温度高精度预测。仿真结果表明，该算法实现不同季节条件下养殖禽舍温度的高精度预测，相比于其他预测算法，预测精度提高约23.7%~37.8%。所提养殖禽舍温度预测算法具有良好的预测性能，具有一定的推广应用价值。     

脐橙VC含量近红外光谱消噪小波优化

运用db1～db10等10个小波基4尺度分解对120个赣州脐橙样品的近红外光谱进行消噪处理,分别建立了各种小波消噪光谱的脐橙维生素C(VC)含量的PLS模型.通过PLS模型预测精度比较表明:所有db小波基变换都能有效消除脐橙VC近红外光谱噪声,PLS模型预测精度均高于不处理光谱建立的模型预测精度.其中,消噪效果最好的小波基是db5,模型预测值与实测值的相关系数R达到0.9427、内部交叉验证均方差RMSECV仅为2.02mg/(100g).因此,对脐橙VC含量近红外光谱消噪预处理的最优小波基是db5小波.     

基于高光谱图像技术结合深度学习算法的萝卜种子品种鉴别

提出一种基于可见-近红外光谱技术的无损检测方法，以期实现对萝卜种子品种的鉴别。通过光谱成像系统采集6类常见萝卜种子的高光谱图像，并利用HSI软件提取光谱数据。使用Savitzky Golay（SG）平滑与多元散射校正（multiple scattering correction，MSC）叠加对光谱数据进行预处理以消除高频随机误差。采用堆叠自动编码器（stacked autoencoder，SAE）、连续投影算法（successive projections algorithm，SPA）和变量迭代空间收缩算法（variable iterative space shrinkage approach，VISSA）进行数据降维。利用Softmax与支持向量机（support vector machine，SVM）算法对全光谱和选取的特征光谱数据建立分类模型。结果表明:SAE-Softmax模型的分类效果最优，其训练集和预测集准确率分别达99.72%和96.22%。因此，利用可见-近红外光谱技术与深度学习算法结合的方法对萝卜种子的品种鉴别是可行的。该研究为种子品种无损检测分析提供参考。      

脐橙VC含量近红外光谱消噪小波优

运用db1～db10等10个小波基4尺度分解对120个赣州脐橙样品的近红外光谱进行消噪处理,分别建立了各种小波消噪光谱的脐橙维生素C(VC)含量的PLS模型。通过PLS模型预测精度比较表明：所有db小波基变换都能有效消除脐橙VC近红外光谱噪声,PLS模型预测精度均高于不处理光谱建立的模型预测精度。其中,消噪效果最好的小波基是db5,模型预测值与实测值的相关系数R达到0.9427、内部交叉验证均方差RMSECV仅为2.02mg/(100g)。因此,对脐橙VC含量近红外光谱消噪预处理的最优小波基是     

基于高光谱图谱融合技术的英德红茶等级快速无损判别

茶叶等级评价是检测茶叶品质的一项重要技术指标。通过提取红茶高光谱成像技术下的图像特征和光谱特征,构建一种基于图谱融合方法、适用于英德红茶等级评价的快速无损判别模型。首先制备3种不同等级的红茶样本,采用t分布-随机近邻嵌入和主成分分析对光谱数据进行降维可视化分析,然后从影响内在品质角度用连续投影法提取每种化学值的特征波长,通过多模型共识策略和竞争性自适应重加权算法-连续投影法筛选得出表征其内在品质的最佳特征波长组合,并建立基于遗传算法优化支持向量机的等级判别模型;其模型的训练集准确率为88%,预测集准确率为78.33%。为了融合外形纹理差异,先提取最佳特征波长组合对应的高光谱图像;采用图像掩膜消除背景的干扰和采用图像主成分分析消除多波长图像间的冗余信息,然后采用灰度共生矩阵和局部二值化算法提取主成分前三维主成分图像与特征光谱融合,并建立基于特征融合的遗传算法优化支持向量机等级判别模型,且基于第三主成分图像特征融合模型判别效果最佳,训练集准确率提升至98%,预测集准确率提升至96.67%。     

基于低秩自动编码器及高光谱图像的茶叶品种鉴别

提出一种基于低秩自动编码器及高光谱图像技术的茶叶品种鉴别方法。应用高光谱成像系统采集5个品种的茶叶样本高光谱图像数据,利用ENVI软件确定高光谱图像的感兴趣区域(ROI),并提取茶叶样本在ROI的平均光谱作为该样本的原始光谱数据。由于高光谱信息量大、冗余性强且存在噪声,运用自动编码器和低秩矩阵恢复结合的低秩自动编码器(LR-SAE)对原始光谱数据进行降维,在自动编码器降维基础上加入去噪处理,提取鲁棒判别特征。在此基础上应用支持向量机(SVM)和Softmax分类算法对降维后的茶叶样本高光谱数据分类。通过5折交叉试验验证,LR-SAE-SVM模型的预测集准确率达到99.37%,SAE-SVM模型的预测集准确率为98.82%;LR-SAE-Softmax模型的预测集准确率达99.04%,SAE-Softmax模型的预测集准确率为97.99%。研究结果表明,相较于未进行去噪处理的传统自动编码器,LR-SAE降维之后的分类建模效果有所提升,将其应用于茶叶品种鉴别是可行、高效的。     

基于Random Forest的水稻细菌性条斑病识别方法研究

为了快速、准确、有效地识别发病早期的细菌性条斑病,提出基于随机森林(Random forest,RF)算法的水稻细菌性条斑病识别方法,利用光谱成像技术获取该病害的高光谱数据,通过多元散射校正减少和消除噪声及基线漂移对光谱数据的不利影响。利用随机森林特征重要性指标,选取逻辑回归(LR)、朴素贝叶斯(NB)、决策树(DT)、支持向量分类机(SVC)、k最近邻(KNN)和梯度提升决策树(Gradient boosting decision tree,GBDT)算法进行对比试验。同时筛选出12个位于450~664 nm范围内对识别模型有重要影响的光谱波段,并与全波段进行分类结果比较。试验结果表明:RF算法的分类准确率为95.24%,与试验选取的其他算法相比,效果最优,比NB准确率提高了20.97个百分点;与全波段分类结果相比,利用RF算法基于12个波长的识别,波长数减少了98.05%,识别精确率为94.66%,召回率为99.55%,F1值为97.04%,准确率为94.32%。虽然精确率减少了2.97个百分点、准确率减少了0.85个百分点,但召回率增加了4.4个百分点、F1值增加了0.67个百分点,模型精度满足要求。     

基于改进RF特征选择策略的烤烟油分高光谱特征分析

针对烤烟油分特征预测模型的特征优选问题,提出一种改进RF(随机森林)算法特征选择策略,首先通过RF特征选择算法计算出各个特征的RF-Score,将特征按RF-Score的大小排序依次添加到特征子集中,若分类器分类准确率提高则保留该特征,若分类器分类准确率没有提高或降低则去除该特征。结果表明:利用RF特征选择算法对烤烟高光谱特征进行筛选时,将176个高光谱特征中按基尼系数降序排列依次输入SVM分类器中,前64个高光谱波段特征即可使支持向量机分类器性能最佳,特征子集维度为64,其分类准确率为93.33%。利用改进RF特征选择策略对176个烤烟高光谱波段特征进行筛选,只需输入371.08 nm、716.71 nm、378.31 nm、487.77 nm、484.09 nm、535.85 nm六个波段的高光谱特征即可使支持向量机分类器性能最佳,其分类准确率为95%,特征子集维度为6,说明改进的RF特征选择策略可以在保证分类器性能的前提下能较好地进行数据降维,减小特征集的冗余。改进后的RF特征选择算法与全高光谱波段相比,特征数量减少170个,分类准确率提高3.33%;与RF特征选择算法相比,特征数量减少58个,分类准确率提高1.67%。     

基于欧式加权法的模糊C均值聚类算法

针对传统欧氏距离未能反映样本数据类间分离程度和类内紧凑程度分布特征的不足,提出了将模糊熵与标准差相结合作为欧式距离的加权阈值,并通过选取Iris数据进行模糊C均值聚类验证。验证结果表明,加权后的模糊C均值聚类算法可以有效地提高分类的精度。     

小波变换和连续投影算法在猪肉嫩度光谱法分析中的应用

文章将小波变换与连续投影算法用于猪肉嫩度的近红外光谱分析中。先利用小波变换对64个猪肉样本的原始光谱进行降噪预处理,然后由连续投影算法提取了猪肉嫩度的18个特征波长,结果表明:小波变换可以降低猪肉光谱光谱数据的噪声干扰,基于连续投影算法提取的18个特征波长建立的猪肉嫩度模型与全光谱模型性能相当,但建模波长数量仅为全光谱建模的3.51%,提取的猪肉嫩度特征波长为开发便携式猪肉嫩度检测仪提供了参考。     

基于近红外光谱技术的蔬菜农药残留种类检测

该文基于近红外光谱技术,提出一种快速无损检测方法,以期实现蔬菜农药残留的分类检测。通过对喷洒了氰戊菊酯溶液、三唑磷溶液和未喷洒农药的生菜样本进行研究,比较不同预处理后的建模效果,选用SNV算法作为最优预处理方法。分别采用连续投影算法（SPA）、自主软收缩法（BOSS）和竞争性自适应重加权算法（CARS）对预处理后的光谱数据进行特征波段选择。采用支持向量机（SVM）和基于灰狼算法（GWO）优化的支持向量机（SVM）算法对特征波长变量分别建立分类模型。再通过对建立的模型进行比较得出:CARS-GWO-SVM模型取得了最佳的分类效果,模型的训练集精度和预测集精度均为100%。因此,利用近红外光谱技术对蔬菜上的农药残留进行分类检测是可行的。该研究为生菜中其他农药残留的快速无损检测分析提供参考。      

基于线性判别法的生菜农药残留定性检测模型研究

针对农副产品农药残留超标现象,提出一种快速高效无损检测菜叶农药残留的方法。以4组生菜叶片为研究对象,分别喷洒丙酮和3种不同浓度的乐果农药(乐果和丙酮的体积比为1∶100、1∶500、1∶1 000),利用近红外高光谱成像仪采集生菜样本的高光谱图像(871.61~1 766.32 nm)。在生菜高光谱图像中选取感兴趣区域(ROI)并提取该区域的平均光谱,对ROI内的图像进行主成分分析(PCA)处理,提取PC1、PC2图像的纹理特征。采用连续投影算法(SPA)和主成分分析方法 (PCA)选取光谱数据的特征波长,分别利用线性判别法K最近邻法(KNN)、马氏距离(MD)和Fisher判别分析(FLDA)方法建立基于全波段、特征波段下光谱特征和光谱与纹理融合特征的农药残留检测模型。结果表明,基于SPA特征光谱和主成分图像纹理特征融合信息的Fisher模型较好,训练集和测试集分类正确率分别为98.9%和100%,利用近红外高光谱图像技术结合信息融合及Fisher算法鉴别农药残留等级是可行的。     

基于高光谱成像的油菜苗期温度胁迫检测方法

为了保证育苗质量和提供适栽壮苗,满足新一代油菜产业规模化、标准化的需求,以浙油50为研究对象,进行了为期21d的温度胁迫实验,利用高光谱成像技术研究油菜受温度胁迫的健壮苗识别方法。首先通过光谱反射率和连续小波变换提取温度胁迫敏感波段;然后,分别采用连续投影算法和连续小波变换-逐步判别分析法在温度胁迫敏感波段处提取特征波长;分析了油菜苗波段特征和光谱特征随时间的演化规律,筛选出554~714nm波段MA曲线面积、正切特征值tanθ、1213nm和1567nm处反射率以及小波特征w(9,967)、w(13,1213)、w(7,1567)共7个特征,建立了多特征融合的温度胁迫Fisher判别模型。结果表明：模型平均分类准确率为88.68%,在三叶期达到最佳检测准确率,为95.56%,能够较好地区分受温度胁迫的油菜幼苗。本研究为基于高光谱成像技术的油菜健壮苗快速检测提供了参考。     

基于LBV变换与小波变换的OLI图像融合方法

以陕西省榆阳区2013年6月9日的Landsat 8 OLI图像为基础数据源,对比分析LBV-Wavelet RF等5种图像融合算法的使用效果。对图像预处理后,分别采用HIS变换、Brovey变换、HPF变换、PCA变换和LBV-Wavelet RF方法进行融合和SVM监督分类,然后从目视评价和定量评价两方面对比分析各种融合算法的使用效果。在目视评价方面,判读融合前、后9种地类光谱特征的一致性;融合后图像是否具有全色波段图像的空间结构特征,是否存在细节模糊。在定量评价方面,采用灰度均值差、灰度均方根差评价融合后图像对多光谱信息的保持性能;采用相关系数均值、相关系数均方根差评价融合后图像对高空间分辨率信息的融入度;采用总体分类精度、Kappa系数评价融合前、后SVM监督分类精度差异。结果表明LBV-Wavelet RF方法能够使融合后图像在保持原多光谱图像光谱信息的同时,增强纹理结构特征,提高对细小地物的辨识能力;融合后图像SVM监督分类的总体分类精度和Kappa系数分别为84.01%和0.787,较原多光谱图像分别提高13.45%和15.91%。     

基于Google Earth Engine的黄土高原覆膜农田遥感识别

为了建立覆膜农田遥感识别技术体系,本研究选取甘肃省定西市安定区团结镇作为黄土高原地膜覆盖旱作农业代表性区域,基于Google Earth Engine云平台和Landsat-8反射率数据,采用特征重要性分析优选纹理特征,利用参数优化后的随机森林算法提取覆膜农田区域并选出最佳特征组合方案,最后通过对比随机森林、支持向量机、决策树和最小距离分类4种算法的分类结果来评价不同分类算法的性能。结果表明:优化关键参数后的随机森林算法能够显著提高遥感影像的分类精度;单一特征方案中,基于光谱特征的分类精度最高,且加入指数和纹理特征可提高总体识别精度;利用随机森林特征重要性分析选取的优选纹理特征分类性能优于全部纹理特征,基于"光谱+指数+优选纹理"特征方案的识别结果最佳,总体精度和Kappa系数达95.05%和0.94;与支持向量机、决策树和最小距离分类相比,随机森林优势明显,总体精度分别高3.10、7.74、50.78个百分点。本研究实现了对地形复杂地区覆膜农田空间分布较为精准的识别。     

基于时序高光谱和多任务学习的水稻病害早期预测研究

水稻病害是影响水稻产量的重要因素之一,水稻病害的早期预测对水稻病害防治至关重要。为了实现水稻白叶枯病害的预测,连续采集了从接种病菌到早期发病共7d的白叶枯病害胁迫下的叶片高光谱图像。利用Savitzky-Golay算法对高光谱图像进行预处理,并利用主成分分析（Principal component analysis, PCA）和随机森林（Random forest, RF）算法提取光谱特征,构建多任务学习(Multi-task learning, MTL)与长短期记忆（Long short-term memory, LSTM）网络融合的预测模型,对水稻病害发病率和潜伏期进行预测,并利用鲸鱼优化算法（Whale optimization algorithm, WOA）对MTL-LSTM模型进行优化。实验结果表明：PCA和RF可以有效地从高光谱图像中提取光谱特征,降低高光谱数据维度,且基于光谱特征构建的预测模型性能优于全波段光谱构建的预测模型性能,建模时间降低约98%。基于时序高光谱构建的预测模型对发病率和潜伏期的预测取得了预期效果,基于前10个特征波长构建的WOA-MTL-LSTM模型取得了最优的预测性能,对发病率和潜伏期预测测试集的R2分别为0.93和0.85,RMSE分别为0.34和2.12,RE分别为0.33%和1.21%。通过WOA算法可以提升MTL-LSTM的预测性能,对发病率和潜伏期预测的R2均提升0.05。研究结果表明RF提取高光谱特征能有效表征全波段光谱,基于时序高光谱的WOA-MTL-LSTM模型可以准确预测白叶枯病害发病率和潜伏期,为水稻白叶枯病害的预防提供了技术支持。     

基于太赫兹衰减全反射技术的花生品种快速鉴别

利用太赫兹衰减全反射技术,结合距离匹配算法,对不同品种花生进行快速分类鉴别。实验随机采集花育36号、鲁花1号和鲁花9号共3个花生品种、总计60个花生样本在0.3~3.6 THz的太赫兹衰减全反射光谱,随后对其吸收系数进行一阶导数及归一化预处理,并建立花生品种的距离匹配快速鉴别模型。距离匹配模型结果显示:3个类别的总体识别准确率可达93.3%,仅有1个样本预测错误。研究结果表明,利用太赫兹衰减全反射技术实现花生品种快速鉴别具有一定的可行性,具有操作简单且快速高效等特点。     

基于可见/近红外高光谱的八角茴香与莽草无损鉴别

基于高光谱成像技术提出了一种八角茴香与其伪品莽草的快速鉴别方法。实验采集400~1000nm范围的高光谱数据,依据样本和背景像素点的光谱特征差异,选择850nm和450nm下的图像并进行差运算,结合阈值法去除背景信息,利用线性拉伸去除样本高度引入的阴影噪声像素点,再结合二值图像区域标记法从样本高光谱数据中自动提取其平均光谱数据;利用平均光谱数据,采用连续投影算法（Successive projections algorithm, SPA）选取了4个最优波长：533、617、665、807nm;基于最优波长下的光谱数据,建立了偏最小二乘判别（Partial least square discrimination analysis,PLSDA）模型,模型对鉴别八角和莽草的总体准确率为98.4%;利用所建多光谱模型对外部验证集数据进行预测,总体分类准确率为97.9%。利用常规图像处理技术同时对外部验证集数据进行处理,并对两种技术方法进行了比较,结果表明,依托高光谱成像技术建立的八角和莽草辨识的多光谱分析方法简单、高效,易于实现动态在线便携式检测。