马铃薯干物质空间分布状态可视化研究

采用可见-近红外高光谱检测系统对马铃薯中干物质进行快速检测,并最终实现其分布状态的可视化。采用9种光谱预处理方法对采集的马铃薯高光谱数据进行分析对比,得到标准正态变量(SNV)结合Savitzky-Golay平滑(SG)和一阶导数(FD)的预处理方法效果最好。经过光谱预处理后,采用正自适应加权算法-连续投影法(CARSSPA)对光谱进行特征变量提取,获得22个变量。对所选变量不同的建模方法进行了比较,以偏最小二乘回归(PLSR)模型预测效果最优,预测集决定系数为0.849,均方根误差为0.878%,相对分析误差为2.312,优于全波段模型。将SNV-SG-FD-CARS-SPA-PLSR模型与高光谱图像结合,得到马铃薯干物质主要分布在内髓与维管束环之间、在内髓位置干物质含量最低、由内髓向外干物质逐渐增加的空间分布。内髓位置干物质质量分数最低,为12.16%,外层最高可达24.62%。结果表明:可见-近红外高光谱技术可准确、快速地实现马铃薯干物质的检测和空间分布的可视化。     

竞争性自适应加权采样算法和连续投影算法在南疆冬枣水分模型中的分析

采用两种不同的波长变量选择方法对南疆冬枣进行偏最小二乘(PLS)建模分析,使用连续投影算法建立的模型预测标准偏差(RMSEP)为1.0672,校正标准偏差(RMSEC)为0.5997,相关系数(R)为0.9017,主因子数为10。使用竞争性自适应加权采样算法建立的模型预测标准偏差(RMSEP)为1.0941,校正标准偏差(RMSEC)为0.6148,相关系数(R)为0.9275,主因子数为7。结果表明连续投影算法和竞争性自适应加权采样算法都能够有效地优选出全光谱的256个变量中的13个变量,降低建模的波长变量,减小了模型的复杂性,提高了模型的精度。两种算法在筛选南疆冬枣的特征波长是可行的。     

基于高光谱成像的马铃薯叶片叶绿素分布可视化研究

针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究,用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值,提取并计算叶绿素测量区域的叶片平均光谱后,分别采用蒙特卡罗无信息变量消除算法（MC-UVE）和自适应重加权算法（CARS）筛选出了12个和23个叶绿素含量敏感波长,建立了马铃薯叶片叶绿素含量偏最小二乘（PLS）回归模型。建模结果如下：基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型,建模精度R2C为0.79,验证精度R2V为0.73;基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型,建模精度R2C为0.82,验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量,从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图,最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达,以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。     

苹果可溶性固形物近红外在线光谱变量优选

为简化近红外光谱模型,提高对苹果可溶性固形物含量的预测精度,将移动窗口偏最小二乘法(MWPLS)与遗传算法、连续投影算法相结合优选特征变量,建立偏最小二乘回归校正模型。其中移动窗口偏最小二乘法和遗传算法相结合优选的36个光谱变量建立的校正模型预测结果最好,可以有效筛选近红外光谱特征波长,模型预测相关系数为0.90,模型的预测均方根误差为0.70°Brix。     

基于近红外光谱的面粉灰分含量快速检测方法

针对目前面粉灰分含量的检测方法存在操作繁琐、耗时长、费时费力和检测效率低等问题,运用近红外光谱分析技术检测面粉的灰分含量,选择最优的光谱预处理方法和光谱范围,采用偏最小二乘法(PLS)及BP神经网络算法进行定量分析研究。结果表明:采用偏最小二乘法(PLS)所建的定量分析模型的决定系数R2为90.66,预测均方根误差RMSEP为0.055 3,总偏差为0.0279 3;用BP神经网络预测总偏差为0.036 7。研究发现,近红外光谱技术用于快速无损检测面粉灰分含量是可行的,且PLS、BP神经网络算法可进行面粉灰分含量预测。     

便携式猪肉营养组分无损实时检测装置研究

为了实现猪肉营养组分(脂肪和蛋白质)的快速、无损、实时检测,基于近红外反射光谱设计了便携式猪肉营养组分无损检测装置。硬件部分包括光谱采集单元、光源单元和控制单元,并开发了相应的检测软件,实现样品光谱信息的有效获取和实时分析。为了建立稳定可靠的预测模型,考察了波段选择、样本分组方式和筛选变量方法对模型的影响。分别基于可见/短波近红外(Vis/SWNIR)、长波近红外(LWNIR)及Vis/SWNIR-LWNIR,利用随机选择法(RS)、Kennard-Stone法(KS)和基于联合X-Y距离的样本划分法(SPXY)对样本进行划分,建立了脂肪和蛋白质质量分数的偏最小二乘预测模型。结果发现,基于Vis/SWNIR-LWNIR波段,利用SPXY算法进行样本分组,取得了最佳的预测模型。在此基础上,比较分析竞争性自适应加权算法、随机蛙跳算法和蒙特卡罗无信息变量消除-连续投影算法3种算法筛选变量建立的模型效果。基于竞争性自适应加权算法筛选变量的模型结果最佳,对脂肪和蛋白质建立的模型验证集相关系数分别为0.950 5和0.951 0。结果表明:基于近红外反射光谱设计的便携式猪肉组分检测装置可以对脂肪和蛋白质含量进行快速、无损、实时检测。     

银杏叶总黄酮含量近红外光谱检测的特征谱区筛选

通过区间偏最小二乘法(iPLS)谱区筛选方法、反向区间偏最小二乘法(biPLS)谱区筛选方法和联合区间偏最小二乘法(siPLS)谱区筛选方法优化光谱特征区间,建立黄酮含量分析模型,并与波数范围为4 000～8 000 cm-1的全光谱偏最小二乘(PLS)模型进行比较。结果表明,采用siPLS谱区筛选方法将全光谱均匀划分21个子区间,选择两个子区间(7、12区间)联合时,建立的siPLS谱区筛选模型预测效果最佳,其交互验证均方根误差和预测均方根误差分别为2.950 0和3.000,校正集和预测集相关系数分别为0.938 4和0.943 7。因此采用siPLS谱区筛选方法可以有效选择光谱特征区域,提高建模预测能力,实现银杏叶总黄酮含量的快速检测。     

基于CARS算法的脐橙可溶性固形物近红外在线检测

采用可见/近红外光谱在线检测装置进行赣南脐橙可溶性固形物含量在线检测模型优化研究。样品以5个/s的速度运动,采集可见/近红外漫透射光谱。光谱经过预处理后,分别应用向后区间偏最小二乘法（BiPLS）、遗传算法（GA）和正自适应加权算法（CARS）筛选特征变量,并通过外部验证评价PLS模型预测能力。一阶微分处理后经CARS筛选特征变量建立的PLS模型预测结果最优,预测相关系数和预测均方根误差分别为0.94和0.42%。结果表明CARS算法可有效简化赣南脐橙可溶性固形物可见/近红外光谱在线检测模型并提高模型的预测精度。     

基于变量选择的小麦粗蛋白含量近红外光谱检测

小麦粗蛋白含量是其品质评价的重要指标,为探讨基于选择的短波近红外光谱变量定量判别小麦籽粒粗蛋白的可能性,采集了52份小麦籽粒样本,用湿化学方法分析其粗蛋白含量,获取其900~1700nm波段的光谱,进而利用该光谱进行预处理方法的优化研究及小麦籽粒蛋白敏感变量的优选研究,以偏最小二乘的方法建立了基于短波近红外光谱的小麦籽粒蛋白定量模型。结果表明：多元散射校正和小波变换结合是短波近红外光谱定量判别小麦籽粒粗蛋白含量较优的预处理方法;利用200次竞争性自适应重加权变量优选的统计结果,优选出1028、1158、1199、1367、1407、1445、1478、1494、1550、1584、1661、1686nm 12个变量为小麦籽粒蛋白敏感变量,占全谱的2%,该方法可稳定、高效地优选光谱变量,降低水分对模型的影响;结合预处理优化及变量优选建立偏最小二乘模型,模型预测决定系数和预测均方差分别为0.961和0.369。可见优选的短波近红外光谱变量可用于定量判别小麦籽粒粗蛋白含量。     

基于高光谱成像的柑橘黄龙病无损检测

采用高光谱成像技术,结合最小二乘支持向量机(LS-SVM)和偏最小二乘判别分析(PLS-DA)2种方法,探索柑橘黄龙病快速无损检测的可行性。在380~1 080 nm光谱范围内,采集正常、轻度黄龙病、中度黄龙病、重度黄龙病和缺素5种柑橘叶片的高光谱图像。采用方差分析方法,分析了正常、轻度黄龙病、中度黄龙病、重度黄龙病和缺素5种叶片的叶绿素、淀粉和可溶性糖含量间的差异,表明3指标可作为判别黄龙病的指示性指标。采用偏最小二乘法,建立了叶绿素、可溶性糖及淀粉3指标含量的定量分析数学模型,模型预测均方根误差分别为7.46、5.51、5.88,提供了柑橘黄龙病高光谱成像快速检测依据。提取高光谱图像感兴趣区域的平均光谱,通过分析正常、轻度黄龙病、中度黄龙病、重度黄龙病和缺素5种叶片的代表性光谱,在750 nm处吸光度存在差异。采用2阶导数处理样品光谱,消除了450~650 nm和800~1 000 nm波段的基线漂移,放大了有效光谱信息。采用主成分分析(PCA)和连续投影算法(SPA)筛选柑橘黄龙病LS-SVM定性判别模型的输入变量,建立了LS-SVM定性判别模型,同时与PLS-DA进行对比。采用未参与建模的预测集样品评价模型性能,结果表明PLS-DA模型判别柑橘黄龙病的准确率更高,模型误判率为5.6%。实验结果表明,高光谱成像技术结合偏最小二乘判别分析方法可实现柑橘黄龙病快速无损检测与黄龙病病情等级判别。     

基于高光谱成像技术的生菜冠层含水率检测

为实现作物含水率的无损检测,以6种水分胁迫水平的生菜为研究对象,利用高光谱成像技术和特征波长选取方法对生菜冠层含水率进行检测研究。采用掩模法去除高光谱图像的背景噪声,并对生菜冠层光谱图像进行光强校正。利用标准正态变量变换法(SNV)去除原始平均光谱数据的噪声,采用蒙特卡罗无信息变量消除法(MCUVE)剔除无关变量,结合基于最小绝对收缩和选择算法(LASSO)、连续投影法(SPA)、LASSO与SPA算法组合(LASSO SPA)筛选特征变量,对数据进行降维处理,采用偏最小二乘法(PLS)建立5个生菜冠层含水率检测模型。经对比发现,全光谱中存在很多冗余信息变量和无关变量,采用全光谱建立的PLS模型复杂度最高,且预测能力最差;以MCUVE LASSO SPA筛选变量后的PLS模型效果最优,其中建模集相关系数R c和预测集相关系数R p分别为0.8827和0.9015,均方根误差分别为1.0662和0.9287。择优选取MCUVE LASSO SPA PLS模型计算生菜冠层每个像素点的干基含水率,生成可视化分布图,实现了生菜冠层叶片干基含水率可视化检测。本研究可为生菜冠层含水率快速无损检测提供参考。     

基于近红外高光谱的梨叶片炭疽病与黑斑病识别

针对梨炭疽病和黑斑病发病症状很相似,难以区分,导致实际生产中不便对症施药的问题,以砀山酥梨叶片为研究对象,探究利用高光谱技术来识别梨叶片炭疽病与黑斑病的可行性.首先,运用高光谱成像系统采集砀山酥梨正常叶片、炭疽病叶片和黑斑病叶片的高光谱图像,提取图像的平均光谱反射率.采用多元散射校正法(Multiplicative s...     

基于特征波长优化的便携式作物叶绿素检测仪研究

为了满足田间作物长势快速检测与指导变量管理的需求,基于作物叶绿素光谱响应特征波长筛选与优化,开发了一款便携式作物叶绿素检测仪。首先,采用高光谱仪采集玉米冠层325～1 075 nm反射光谱,并采样萃取叶片叶绿素含量真值,开展叶绿素敏感响应波长筛选。经蒙特卡洛无信息变量消除(MC-UVE)算法在10～100个特征波长范围内进行变量筛选,表明采用50个特征波长时具有最优的叶绿素含量检测能力。其次,选择AS7265x型光谱传感器,以半峰宽20 nm的12个区间覆盖筛选的50个波长,设计的叶绿素检测仪包括传感器、主控制器、显示和控制等模块,实现作物冠层反射光数据采集、处理、显示和存储功能。开展传感器反射率标定与田间应用测试,基于传感器获取的反射率构建叶绿素含量偏最小二乘检测模型验证集决定系数为0.628;进一步组合归一化红边植被指数(NDRE:730、900 nm)和绿光归一化差值植被指数(GNDVI:535、900 nm),检测模型精度提高到0.69,模型嵌入系统最终实现了田间叶绿素含量快速检测,为作物长势高效分析提供了技术支持。     

基于CWT-sCARS的东北旱作农田土壤有机质高光谱反演

精准高效获取不同类型土壤的有机质含量,对促进东北土壤退化防治和耕地质量提升有重要意义.本研究以东北旱作农田典型土壤类型为研究对象,采集了黑土、黑钙土、潮土和棕壤共118个土壤样品,采用倒数对数、一阶微分、连续统去除和连续小波变换分别对其光谱曲线进行预处理.通过稳定性竞争自适应重加权采样(sCARS)算法筛选敏感波段,并...     

基于有机质特征谱段的土壤Cd含量高光谱遥感反演

针对土壤Cd高光谱遥感定量反演中的机理性不足及数据冗余问题,提出一种基于有机质特征谱段的反演方法。该方法首先提取土壤光谱中对重金属Cd具有吸附作用的有机质特征谱段,进而通过竞争性自适应重加权采样法（Competitive adaptive reweighted sampling,CARS）优选特征谱段,采用偏最小二乘回归法（Partial least squares regression,PLSR）建立重金属Cd的反演模型,并利用郴州矿区土壤实验室光谱数据和哈密黄山南矿区野外光谱数据进行方法验证。研究表明：有机质特征谱段提取在降低数据冗余的同时提高了重金属Cd的反演精度,CARS算法相对于相关系数法（Correlation coefficient,CC）和遗传算法(Genetic algorithm,GA)特征选择具有更高的反演精度,基于有机质特征谱段的CARS-PLSR算法在土壤实验室光谱和野外实测光谱所得验证精度R2分别为0.94和0.80,表明该算法对于实验室和野外光谱均具有一定适用性。研究可为土壤重金属含量高光谱反演的特征波段选择和算法优选提供参考。     

基于高光谱技术的基质含水率快速测定方法

为了寻找一种基质含水率的快速检测方法,应用高光谱技术获得不同含水率基质样品光谱信息,阐释基质含水率光谱规律,对基质含水率进行定量分析,为设施基质栽培水分快速测定提供参考。以稻壳基质为研究对象,对基质光谱信息进行基线校正和平滑处理后,利用逐步回归分析法提取稻壳基质光谱反射率一阶微分变换的敏感波段,建立基于敏感波段组合的基质含水率预测模型,并对模型进行了检验。结果表明,在敏感波段527、796和959 nm处,采用反射率一阶微分建立的稻壳基质含水率三波段指数预测模型的预测效果较好,模型预测相关系数(RP)为0.91,预测均方根误差(RMSEP)为5.55%,可以实现对稻壳基质含水率的快速准确检测。     

基于机器学习算法的土壤有机质 质量比估算

为快速高效地估测干旱、半干旱地区土壤有机质(soil organic matter, SOM)质量比,提出了一种结合竞争适应重加权法(CARS)和随机森林(RF)的估测模型.以内陆干旱区艾比湖流域为研究区,测定土壤高光谱反射率和SOM质量比,经预处理后,利用CARS对原始光谱(R)、一阶导数(R′)、吸光度(log(1/R))及吸光度一阶导数［log(1/R)］′4种光谱变量的可见-近红外光谱进行筛选,并结合RF算法,建立全谱段RF模型与CARS-RF模型.结果表明,基于CARS方法对光谱进行变量筛选后,得出4种光谱变量的优选变量集个数分别为35,26,34和121;在4种光谱变量中,R′和［log(1/R)］′的SOM估测模型精度较高,以［log(1/R)］′为基础数据获得的模型精度最高;CARS-RF模型精度优于全谱段RF模型,模型验证集决定系数(R²)、均方根误差(RMSE)、相对分析误差(RPD)分别为0.881,6.438 g/kg和2.177.该研究在预处理的基础上通过变量优选,应用较少的变量个数获得较高的估测精度,为干旱、半干旱区SOM高光谱估测提供了适宜高效的方法.     

婴幼儿奶粉中多种掺假物近红外高光谱图像检测方法

奶粉市场是食品掺假行为频发领域,其中婴幼儿配方奶粉价格高,其质量是消费者、生产企业和执法部门关注的重点。近红外高光谱成像（Near infrared-hyperspectral imaging, NIR-HSI）技术结合化学计量学和机器学习算法可以检测奶粉中单一掺假物含量。基于NIR-HSI技术研究了不同品牌婴幼儿奶粉中多掺假物（三聚氰胺、香兰素和淀粉）的定量预测。对基于像素点预处理后的高光谱图像划分感兴趣区域（Region of interest, ROI）,提取ROI平均光谱。基于经典的过滤式特征选择算法拉普拉斯分数（Laplacian score）（无监督）和ReliefF（有监督）挑选建模关键变量,建立偏最小二乘回归模型（Partial least squares, PLS）。开发包含自定义选择层的一维卷积神经网络模型（One-dimensional convolutional neural networks, 1DCNN）。自定义层根据权重系数绝对值,可确定重要波长变量。Laplacian score-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.1110%、0.0570%、0.0349%和0.3481%。ReliefF-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉预测结果均方根误差分别为0.1998%、0.0540%、0.0455%和0.1823%。1DCNN模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.8561%、0.0911%、00644%和0.2942%。对Laplacian score、ReliefF和自定义选择层挑选出的前15个重要波长进行对比分析,不同特征选择方法挑选的特征波长子集有所区别,但都选择 1210、1474、1524、1680nm等附近波长。基于ReliefF-PLS模型的可视化结果表明了其良好的预测能力。