基于近红外高光谱成像技术鉴别杂交稻品系

种子的筛选和鉴别是农业育种过程中的关键环节。该文基于近红外高光谱成像技术(874~1 734 nm)结合化学计量学方法以及图像处理技术实现杂交稻种的品系鉴别及可视化预测。采集了3类不同品系共2 700粒杂交水稻的高光谱图像,用SPXY算法,按照2∶1的比例划分建模集和预测集。基于水稻样本的光谱特征,采用主成分分析(PCA)方法初步探究3类样本的可分性。采用连续投影算法(SPA),提取出7个特征波长:985.08、1 106、1 203.55、1 399.04、1 463.19、1 601.81、1 645.82 nm。基于特征波长和全波段光谱,建立了偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型。试验结果表明,所建模型判别效果较好,识别正确率均达到了90%以上,其中,SVM模型的判别效果优于PLS-DA模型,基于全谱的判别分析模型结果优于基于特征波长的判别模型。结合SPA-SVM校正模型和图像处理技术,生成样本预测伪彩图,可以直观的鉴别不同品系的水稻种子。结果表明,近红外高光谱成像技术可以实现杂交稻的品系识别及可视化预测,为农业育种过程中种子的快速筛选及鉴定提供了新思路。     

基于近红外光谱的大豆叶片可溶性蛋白含量快速检测

可溶性蛋白是植物生化及抗性生理研究的重要指标之一。快速、准确、无损测定可溶性蛋白含量对作物生长状况的动态监测及抗性作物品种的筛选具有重要意义。近红外光谱具有快速、简单方便、非破坏性的特点,已在农业、食品、化工等领域广泛应用,尤其是近年来基于光谱技术快速无损的获取作物生理生化信息的研究已成为当前农业领域研究的热点。本文采用近红外光谱技术结合化学计量学方法以实现大豆叶片可溶性蛋白含量的快速无损检测。首先,采用Savitzky-Golay平滑(SG)、一阶导数(1-Der)、二阶导数(2-Der)等7种光谱预处理方法分别建立大豆叶片可溶性蛋白含量的偏最小二乘(PLS)预测模型,经对比发现SG预处理方法为大豆叶片可溶性蛋白含量预测的最优光谱预处理方法。其次,分别采用连续投影算法(SPA)、随机蛙跳(RF)和遗传算法(GA)对SG预处理后的光谱数据进行特征波长提取。最后,基于提取的特征波长分别建立了大豆叶片可溶性蛋白含量的SPA-PLS、RF-PLS和GA-PLS预测模型,发现基于SPA提取的11个特征波长建立的大豆叶片可溶性蛋白含量SPA-PLS模型具有最佳的预测效果,其预测集相关系数(R2p)为0.864,预测均方根误差(RMSEP)为1.894 mg/g,预测偏差为2.061(RPD)。上述结果表明,应用近红外光谱技术检测大豆叶片中可溶性蛋白含量是可行的,可为大豆生长状况动态监测及抗性大豆品种的筛选提供新的方法。     

基于近红外光谱技术的淡水鱼品种快速鉴别

为探索淡水鱼品种的快速鉴别方法,该文应用近红外光谱分析技术,结合化学计量学方法,对7种淡水鱼品种的判别分类进行了研究。采集了青、草、鲢、鳙、鲤、鲫、鲂等7种淡水鱼,共665个鱼肉样品的近红外光谱数据,经过多元散射校正(multiplicative scatter correction,MSC)、正交信号校正(orthogonal signal correction,OSC)、数据标准化(standardization,S)等20种方法预处理,在1 000~1 799 nm范围内分别采用偏最小二乘法(partial least square,PLS)、主成分分析(principal component analysis,PCA)和BP人工神经网络技术(back propagation artificial neural network,BP-ANN)、偏最小二乘法和BP人工神经网络技术对7种淡水鱼原始光谱数据进行了鉴别分析。结果表明,近红外光谱数据,结合主成分分析和BP人工神经网络技术建立的淡水鱼品种鉴别模型最优,模型的鉴别准确率达96.4%,对未知样本的鉴别准确率达95.5%。模型具有较好的鉴别能力,采用该方法能较为准确、快速地鉴别出淡水鱼的品种。     

基于音频和近红外光谱融合技术的西瓜成熟度判别

为了满足西瓜成熟度的快速无损检测需求,该研究主要利用声学技术、近红外光谱技术结合K最近邻法(k-nearest neighbor,KNN)、线性判别分析(linear discriminant analysis,LDA)和反向传播人工神经网络(back propagation artificial neural network,BP-ANN)3种化学计量学方法对不同成熟度的西瓜进行定性判别;同时采用联合区间偏最小二乘筛选法(synergy interval partial least squares,Si-PLS)分别建立声学技术、近红外光谱技术、融合技术的西瓜可溶性固形物预测模型。结果表明融合技术处理结果均优于单一信号,其LDA模型数据的西瓜成熟度模型识别率较佳,校正集和预测集的识别率分别为100.00%和91.67%。同时,基于融合技术所建立的西瓜可溶性固形物预测模型效果较佳,其校正集的均方差根误差(root mean squared error of the calibration set,RMSECV)为0.601%,预测集的均方差误差(root mean squared error of the prediction set,RMSEP)为0.725%,相比的单独音频信号其均方根误差分别降低了0.081、0.068个百分点。研究结果可为高精度的西瓜品质快速鉴别提供参考。     

基于近红外光谱技术快速鉴别不同产地金银花

应用MicroNIR 1700微型近红外光谱分析仪采集不同产地金银花样品的漫反射光谱,获得数据501份,采用KS (Kennard-Stone)方法对样品集进行划分,通过不同光谱预处理方法,利用偏最小二乘判别分析法(PLS-DA)建立判别模型。结果显示,采用二阶导数和标准正态变量预处理光谱,金银花产地判别模型正确判别率可达100%。结果表明,不同产地来源金银花的近红外光谱特征有显著差异,使用便携式近红外方法可准确判别金银花产地。该方法可推广作为现场应用,具有较好的实际应用价值。     

基于极限学习机利用可见-近红外光谱数据判别土壤类型的方法研究

为了实现土壤类型的快速无损识别,提出了一种利用可见-近红外光谱、基于极限学习机的土壤类型鉴别方法。首先,获取4种不同类型土壤的320个样本波长在325～1075 nm范围内的可见-近红外光谱数据;其次,用主成分分析的数学方法对数据进行降维处理,最终提取了三个主成分来代表原光谱数据;再次,将320个样本的数据随机分为测试集和预测集两个部分,建立极限学习机模型,利用该模型对土壤类型进行识别。实验结果表明,将极限学习机应用于土壤类型的识别精度可达100%,其训练速度和泛化性优于BP神经网络和支持向量机,能够快速、准确、无损鉴别土壤类型,使用方便,具有推广价值。     

近红外高光谱成像技术检测粮仓米象活虫

为了准确地统计出仓储害虫的密度,需对储粮活虫和死虫进行有效地判别。该文研究开发一个900～1?700?nm的近红外高光谱成像系统来检测仓储小麦活虫。用液氮低温猝死法杀死米象,在其死亡后0～7?d进行高光谱图像采集。随着粮虫死亡时间的延长,粮虫相对光谱反射率逐渐增大,到死后第5天时粮虫的光谱曲线基本趋于稳定。应用相邻波长指数法对1?320～1?680?nm之间的110个波长的高光谱图像进行分析,提取出最优波长为1?417.2?nm。提出双区域连通阈值面积比的区域生长法粮虫活虫判别方法,即当粮虫的双区域连通阈值面积比大于0.5时,应判别为活虫。结果表明,自粮虫死亡后的第2.0天开始,储粮活虫与死虫的训练样本和检验样本全部被正确识别,为实现储粮活虫的计算机视觉实时检测与分类提供依据。     

基于近红外光谱技术的茶油原产地快速鉴别

为研究茶油原产地溯源问题,维护其市场秩序,促进公平竞争。该文利用近红外光谱技术采集湖南、江西、安徽和浙江4个不同产地茶油的光谱数据,并运用 Savitzky-Golay 平滑（savitzky-golay, SG）、多元散射校正（multiplicative scatter correction, MSC）、一阶导数（first derivation, FD）和矢量归一化（vector normalization, VN）等4种方法对其进行预处理。采用偏最小二乘法（partial least squares, PLS）提取最佳主成分,构建 PLS 回归模型;同时,采用主成分分析（principal component analysis, PCA）和 PLS 算法提取最佳主成分,作为 BP 人工神经网络（BP artificial neural network, BPANN）输入变量,构建 PCA-BPANN 和 PLS-BPANN 模型。以验证集相关系数 RP 和验证集均方根误差 RMSEP 为模型的评价指标,分别优选最佳 PLS 和 BPANN 模型。试验结果表明,SG-PLS-DA 和 SG-PLS-BPANN-DA 模型对未知样本的整体分类准确率均大于90%。其中,SG-PLS-BPANN-DA 的鉴别效果优于前者,其建模集相关系数 RC、均方根误差 RMSEC 分别为0.974、0.170,验证集相关系数 RP、均方根误差 RMSEP 分别为0.972、0.172,对上述两类样本集的总体分类准确率分别为98.15%、95.83%,该模型能较准确鉴别茶油原产地。研究结果可为快速辨别茶油原产地提供参考。     

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。     

适宜西瓜检测部位提高近红外光谱糖度预测模型精度

为了提高中国厚皮类瓜果的品质质量和出口能力,增强中国水果品质检测装备制造业的技术实力和技术水平。该文以西瓜为对象,对其糖度进行了试验研究。由于西瓜各部位存在差异,因而不同部位采集近红外光谱会对糖度预测模型精度产生影响。采用自主搭建的西瓜内部品质检测系统对不同批次西瓜瓜梗、瓜脐和赤道3个部位采集漫透射光谱信息,分别采用偏最小二乘回归法(partial least squares regression,PLSR)和最小二乘支持向量机法(least squares support vector machines,LS-SVM)2种方法对西瓜糖度建立预测模型,考察西瓜不同检测部位对西瓜糖度预测模型精度的影响。2种预测模型均显示,赤道部位采集光谱所建立的预测模型检测精度较差,而采用瓜脐部位获取光谱信息建立预测模型略好于瓜梗部位,最佳预测相关系数rpre达到0.823,预测均方根误差(root mean square error of prediction,RMSEP)为0.652%。该研究结果表明,不同部位采集光谱信息对最终的检测模型精度有影响,瓜脐部位为该文西瓜内部品质检测装置的较优采集部位。     

近红外光谱技术定量分析玉米杂交种纯度

摘要：应用近红外光谱分析技术结合定量偏最小二乘法对先玉335杂交种纯度进行了定量分析,将不同年份和来源的杂交种和其母本种子粉碎后混合,按0.5%的梯度获得纯度80～100%范围内的样本123份（每梯度按年份和来源设置3个重复）后采集光谱。结果表明：采用散射校正预处理,4 000～8 000 cm-1光谱范围时建模效果较适宜（建模集∶检验集=3∶1）,建模集内部交叉决定系数达96.06%,校正标准差1.18%,平均相对误差1.03%;检验集的决定系数均达到95.02%,校正标准差1.28%,平均相对误差1.12%。采用不同比例的建模样品和检验样品时,建模集和检验集的决定系数均在94%以上,证明了近红外光谱技术定量测定玉米杂交种纯度的可行性以及所建模型的稳定性。     

基于高光谱成像技术的沙金杏成熟度判别

为了实现对不同成熟度沙金杏进行快速、准确识别的目的,该研究利用高光谱成像技术(400~1 000 nm)对沙金杏的成熟度进行了判别研究,利用高光谱成像系统分别采集了处于4种不同成熟阶段(七成熟、八成熟、九成熟和十成熟)的沙金杏共480个样本的高光谱数据。首先,对不同成熟阶段所有样本的可溶性固形物含量值进行测定和单因素方差分析,结果表明,可溶性固形物与成熟度之间存在相关性,其相关系数为0.9386,可用该指标对沙金杏的成熟度进行划分。然后,对光谱数据利用偏最小二乘回归(partial least squares regression,PLSR)模型提取得到9个特征波长(434、528、559、595、652、678、692、728、954 nm),对图像数据利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取到6项图像纹理指标(均值、对比度、相关性、能量、同质性和熵),并对图像数据采用RGB模型提取到6项图像颜色指标(R、G、B分量图像的平均值和标准差)。将这三类指标进行最优组合并分别建立关于沙金杏成熟度判别的极限学习机(extreme learning machine,ELM)模型。结果表明:使用特征波长与颜色特征融合值建立的ELM模型的判别正确率最高,达到93.33%。该研究为沙金杏的成熟度在线无损检测提供了理论参考。     

基于近红外光谱技术的眉茶拼配比例预测方法

拼配是出口炒青绿茶精制加工过程中的一项作业,通过对不同原料茶的拼合,达到维持产品品质标准化和一致性的目的。目前仍然依靠专家人工设计茶叶拼配比例,主观性较强,工作量大。为了实现拼配比例设计的客观化、定量化,该研究以眉茶为对象,提出了一种基于近红外光谱技术的拼配比例预测方法,采用源于黄山、湖北、福建3地的4种典型原料茶拼合了不同比例的茶样,采集了其近红外光谱数据,构建了用于预测拼配比例的4种机器学习模型,分别为AE+Softmax、CNN+Softmax、PCA+Softmax及PCA+PLS,并通过对比模型预测结果与预设拼配比例评价算法性能。结果表明,基于CNN+Softmax的拼配比例预测方法精度较高,特征维度为40时,验证集决定系数为0.964 3,均方根误差为0.047 2,优于其他方法,经过测试集测试后的性能指标与验证集接近,说明算法具有较好的泛化能力。研究结果可为茶叶数字化、智能化拼配提供理论依据与数据支撑。     

柑桔叶片黄龙病光谱特征选择及检测模型

为探索高光谱技术诊断黄龙病及分类的可行性,通过变量筛选方法组合为高维数据实用化提供参考。采集柑桔叶片高光谱图像并进行普通(polymerase chain reaction,PCR)鉴别分为轻度、中度、重度、缺锌和正常5类样品。用无信息变量消除算法(uninformative variable elimination,UVE)剔除无关信息,组合遗传算法(genetic algorithm,GA)和连续投影算法(successive projections algorithm,SPA)筛选变量,对数据进行降维。结合极限学习机(extreme learning machine,ELM)和最小二乘支持向量机(least squares support vector machine,LS-SVM)构建柑桔黄龙病判别模型。对预测样品进行诊断分类,来评价模型判别能力。经对比发现,UVE组合SPA筛选变量后的LS-SVM模型效果最好,该模型以Link_kernel函数为核函数,惩罚因子(γ)最小为1.07,误判率最低为0。用全谱作输入变量时LS-SVM模型复杂程度最高且预测能力最差,误判率最高为11.9%,可能是包含无用信息和冗余信息变量造成的。研究显示,UVE组合SPA筛选变量,结合LS-SVM对柑桔黄龙病诊断并分类具有一定可行性,为高维度数据实用化提供一定参考价值。     

柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。     

基于变量选择的蚕茧茧层量可见-近红外光谱无损检测

以蚕茧茧层量为研究对象,研究了基于可见-近红外光谱技术的蚕茧茧层量无损检测方法。采用最小二乘支持向量机（least square-support vector machine,LS-SVM）建立可见-近红外光谱模型。采用无信息变量消除算法（uninformative variable elimination, UVE）与连续投影算法（successive projections algorithm, SPA）相结合选取光谱有效波长。结果表明,基于UVE-SPA法进行变量选择,最终将原始光谱的600个光谱变量减少到了8个（673,937,963,982,989,992,995和1 008 nm）。基于此8个变量建立的LS-SVM模型得到了预测集的确定系数（Rp2）为0.5354,误差均方根（RMSEP）为0.0373的预测结果。表明可见-近红外光谱可以用于对蚕茧的茧层量进行无损检测,同时UVE-SPA是一种有效的光谱变量选择方法。     

基于近红外光谱的板栗水分检测方法

含水率是影响板栗贮藏、加工的关键指标之一,该文应用近红外光谱技术对板栗含水率进行快速无损检测。试验对240个板栗样本的带壳光谱和栗仁板栗光谱采用SPXY算法进行样本集划分,利用偏最小二乘法建立含水率定量检测模型,并对微分、多元散射校正、变量标准化等多种预处理方法对建模结果的影响进行比较。结果表明：栗仁和带壳板栗的光谱经一阶微分预处理后所建模型性能最佳,其中栗仁的水分检测模型校正集和验证集的相关系数分别为0.9359和0.8473,校正均方根误差为1.44%,验证均方根误差为1.83%;带壳板栗光谱所建模型校正集和验证集的相关系数分别为0.8270和0.7655,校正均方根误差为2.27%,验证均方根误差为2.35%。受栗壳的影响,带壳板栗光谱模型对含水率的预测精度低于栗仁光谱模型的预测精度。研究表明,近红外光谱分析技术可用于板栗含水率的快速无损检测。     

基于图像熵信息的玉米种子纯度高光谱图像识别

种子纯度是种子质量的一个重要标志,为寻求快速有效的种子纯度识别方法,该文利用高光谱图像技术研究了玉米种子的分类识别问题。首先对17类玉米品种共1632粒种子的高光谱图像提取400～1000nm波长范围内233个波段的熵信息作为分类特征;然后利用偏最小二乘(PLS)投影算法对玉米高光谱图像进行最优波段选择,共获得65个最优波段特征;最后结合偏最小二乘判别分析法(PLSDA)实现了玉米种子的准确识别分类。分类结果表明,在最优波段数仅为全波段27.90%的情况下,其训练精度可以达到99.19%、测试精度为98.90%,可实现多类别样本条件下的玉米种子纯度识别。