高光谱成像的非烟物质分类识别研究

  目的  利用高光谱成像技术和机器学习方法对烟叶中的非烟物质进行分类识别。  方法  使用可见—近红外高光谱成像技术,采用归一化（Normalization）、标准正态变化（SNV）、多元散射校正（MSC）、一阶导数（FD）、卷积平滑（SG）对光谱数据进行预处理,通过连续投影变换（SPA）和主成分载荷（PCA loadings）进行特征波长选择,并应用随机森林（RF）、Softmax和支持向量机（SVM）建立分类模型。  结果  SNV为最佳光谱预处理方法,SPA选择特征波长建立的SVM模型为最优模型,训练集和测试集正确率分别为99.82%和99.47%。  结论  高光谱成像技术结合SPA-SVM模型可以有效分类识别烟叶中的非烟物质。      

三维荧光光谱法快速检测橄榄油中掺假廉价油

目的 建立三维荧光光谱结合机器学习快速检测橄榄油中掺假廉价油的方法。方法 采集橄榄油及掺入大豆油、玉米油、棕榈油三种不同浓度梯度油的荧光光谱数据,利用标准差标准化（standardscaler）、标准正态变换（standard normal variate,SNV）、归一化（normalize）三种光谱预处理方法,基于K近邻(K-nearest neighbor,KNN)、随机森林(random forest,RF)、支持向量机(support vector machine,SVM)、偏最小二乘法(partial least squares,PLS)和卷积神经网络(convolutional neural network,CNN) 5种机器学习方法,构建5种橄榄油定量掺假模型。结果 在定性模型中,基于PLS算法构建的模型效果最好,对3种掺假橄榄油的准确率为79%~97%,其中,在鉴定掺假大豆油的橄榄油中正确率高达97%。在构建的掺假油定量模型中,Standardscaler预处理结合RF算法,构建的定量模型最优,Rc2、Rp2、RMSEC、RMSEP最高,分别为1.00、0.99、0.01、0.02。结论 构建橄榄油掺假3种油的定性定量模型,并建立一种快速、实时、低成本的橄榄油掺假检测方法,能够准确判断是否掺入廉价油,并量化掺假程度,提供更全面的橄榄油质量评估。     

基于高光谱成像技术的高粱农药残留种类检测研究

高粱作为粮食作物，其中残留的农药对人体危害巨大。本文基于高光谱成像（Hyperspectral Imaging，HSI）技术研究了高粱中农药残留种类的快速鉴别。采用不同预处理方法对高光谱数据进行预处理，通过建立的支持向量机（Support Vector Machine，SVM）模型发现标准正态变换（Standard Normal Variate，SNV）为最佳的预处理方法。使用类型提升算法（Type Boosting Algorithm，CatBoost）、梯度提升树（Gradient Boosting Decision Tree，GBDT）、竞争性自适应重加权采样法（Competitive Adaptive Reweighted Sampling，CARS）和主成分分析法（Principal Component Analysis，PCA）选择特征波长，对比特征波长建立的SVM模型结果发现CatBoost所选择的特征波长建模效果更好。分别建立了基于特征波长的BP神经网络自适应增强算法（Backpropagation Neural Network with Adaptive Boosting，BP-AdaBoost）、轻量梯度提升机（Light Gradient Boosting Algorithm, LGBM）、极度梯度提升（eXtreme Gradient Boosting，XGBoost）、SVM高粱农药残留分类模型，其中，BP-AdaBoost为最佳的分类模型，测试集平均分类正确率为95.17%。研究表明，高光谱成像技术结合BP-AdaBoost算法可以识别出高粱中农药残留的种类，为检测高粱农药残留类别提供了一种新的方法。     

基于高光谱与纹理融合的烤烟分类方法研究

  目的  为提高烤烟的分类正确率。  方法  利用高光谱成像系统采集烤烟样本,采用Savitzky-Golay卷积平滑法（SG）、多元散射校正（MSC）、一阶导数法（FD）的组合方法对数据进行预处理。通过连续投影算法（SPA）选择特征波长,利用灰度共生矩阵（GLCM）选择烤烟的纹理特征,将纹理特征与光谱特征归一化处理后进行融合,利用邻近算法(KNN)、随机森林(RF)、支持向量机(SVM)、朴素贝叶斯（NB）验证烤烟分类效果。  结果  预处理后的全波长数据分类正确率较预处理前有所提升;利用SPA选择特征波段进行分类,正确率下降;高光谱融合纹理特征后进行分类,分类效果显著提升。  结论  基于高光谱与纹理融合可准确、有效地对烤烟进行无损分类,为量化烤烟分类提供了可行方法。      

基于近红外光谱和气相离子迁移谱的白茶等级评价研究

茶叶等级评价是一项复杂的主观性系统工作,从其相关品质数据中提取等级信息,进而建立茶叶等级快速识别方法,这对指导茶叶生产具有重要意义。为建立快速评价白茶等级的判别模型,本研究搜集了200份不同等级的白牡丹白茶,采集其近红外光谱和气相离子迁移谱的原始数据,经过主成分分析或线性判别分析进行数据降维,结合7种分类器算法开展白茶等级评价。结果表明,线性判别分析适合近红外光谱和气相离子迁移谱的原始数据降维;原始数据使用线性判别分析降维后,基于近红外光谱建立的自适应增强（adaptive boosting,Adaboost）、K近邻（k-nearest neighbor,KNN）、多层感知机（multilayer perceptron,MLP）、随机森林（random forest,RF）、随机梯度下降（stochastic gradient descent,SGD）和支持向量机（support vector machines, SVM）模型的正判率均>94%,模型评价指标AUC≥0.95;基于气相离子迁移谱筛选的图谱数据建立的MLP、SGD和SVM模型的判别率为91%～93%,AUC值为0....     

萤火虫优化支持向量机参数的近红外光谱技术鉴别卷烟牌号

目的：准确快速鉴别卷烟牌号。方法：采集不同牌号卷烟的近红外光谱,通过光谱预处理方法降低干扰因素后,利用萤火虫算法(FA)优化支持向量机(SVM)参数,考察光谱预处理方法、萤火虫算法的种群数目和迭代次数对卷烟分类正确率的影响。结果：采用标准正态变量变换(SNV)结合一阶导数(1D)方法进行近红外光谱预处理,当萤火虫种群数目为20,迭代次数为20时,优化支持向量参数可达到较好的识别效果,训练集的分类正确率为100%,测试集的分类正确率为96.67%~100.00%。结论：利用近红外光谱技术结合FA算法优化SVM可实现对卷烟牌号的准确鉴别     

小麦霉菌污染支持向量机判别模型的建立

为建立一种快速判别小麦霉菌污染的方法,该研究采用近红外光谱技术结合化学计量学方法,以126份小麦样品为研究对象,通过剔除异常样品、光谱降维和预处理,采用支持向量机分类（support vector machine classification,SVM）方法建立判别模型。结果表明：运用基于马氏距离的主成分分析方法剔除异常样品5个,将原始光谱数据进行降维处理得到8个主成分,能够代表原始样本的98.80%。输入变量的最佳预处理方式为标准正态变量变换,最佳核函数为linear,核函数参数C值为10,SVM判别模型的训练集判别正确率为100%,交叉验证判别正确率为98.89%。用未参与建立判别模型的外部验证集样品对SVM判别模型进行验证,结果表明：SVM判别模型对外部验证集样品的判别正确率为100%。该研究所建立的SVM判别模型可以用于小麦霉菌污染的快速检测。     

傅里叶变换红外光谱和紫外光谱数据融合对牛肝菌种类的鉴别

采集5?种共272?份牛肝菌样品的傅里叶变换红外光谱和紫外光谱,结合多光谱信息融合策略,建立牛肝菌种类快速鉴别的方法。多元散射校正（multiplicative signal correction,MSC）及二阶导数（second derivative,2D）等预处理方法对原始光谱进行优化,比较优化处理对区分不同种类牛肝菌影响;利用优化处理后的光谱数据及融合数据建立偏最小二乘判别分析（partial least squares discriminant analysis,PLS-DA）模型和支持向量机（support vector machine,SVM）判别模型。结果显示：1）经过2D和MSC预处理后,不同种类牛肝菌的PLS-DA鉴别效果优于未优化模型,表明2D＋MSC预处理优化了光谱信息并提高了分类准确度;2）基于傅里叶变换红外光谱、紫外光谱、低级融合和中级融合数据分别建立PLS-DA模型,预测正确率为86.87%、66.67%、78.89%和95.56%;建立SVM判别模型,预测正确率分别为88.89%、74.44%、91.11%和100.00%,表明中级融合技术对不同种类牛肝菌鉴别效果显著,优于其他技术;3）中级融合技术在PLS-DA模型和SVM判别模型中对样品的预测正确率分别为95.56%和100.00%,表明SVM判别模型对牛肝菌种类区分效果优于PLS-DA模型。采用中级融合技术建立SVM判别模型,快速鉴别牛肝菌种类,为牛肝菌种类鉴别和质量控制提供可靠、稳定的方法。     

基于近红外高光谱图像的冬枣损伤早期检测

为了对冬枣损伤进行早期检测,采用近红外高光谱图像技术对损伤区域成像。针对高光谱图像波长多的特点,分别采用连续投影算法、相关特征选择算法、一致性(Consistency)算法选择冬枣损伤的特征波长,对提取的特征波长分别应用k-邻近、朴素贝叶斯(naive bayes,NB)、支持向量机(support vector machine,SVM)3种分类方法进行损伤区域识别。结果表明:所有方法选择的一致特征波长在1 353 nm和1 691 nm附近。Consistency算法选择的特征波长在SVM分类器下分类识别正确率达到95.16%,一致特征波长在NB分类器下分类识别正确率达到84.26%,验证了一致波长的有效性,为多光谱成像技术实现在线检测冬枣损伤提供参考依据。     

结合太赫兹光谱与机器学习的小麦霉变程度判别

为快速、准确地判断小麦籽粒的霉变程度，研究基于太赫兹时域光谱技术，结合支持向量机（support vector machine,SVM）、随机森林（random forest,RF）和极限学习机（extreme learning machine,ELM）的霉变小麦定性分析方法。首先，将小麦籽粒分为正常、轻度霉变、中度霉变和重度霉变4类，利用CCT-1800太赫兹时域光谱仪获取小麦样本在0.1～4.0 THz波段的光谱数据。对比采用不同光谱预处理方法对判别结果的影响后，使用主成分分析、线性判别分析（linear discriminant analysis,LDA）、t分布随机近邻嵌入3种方法对光谱数据进行降维，结果表明LDA的降维效果最好。最后，构建基于SVM、RF和ELM的小麦霉变程度判别模型，结果显示SVM的判别效果最好，当核函数选择多项式核、误差惩罚系数为1时，判别准确率高达98.61%，预测集均方根误差值为0.142 9。本研究表明利用太赫兹光谱技术可实现小麦霉变程度的准确检测，为食品安全和粮食贮藏检测提供一种检测手段。     

基于光谱融合的茶油真伪快速鉴别研究

目的 为实现高值茶油的快速鉴别。 方法 优化设备条件,同时采集茶油的近红外光谱(NIRS)和拉曼光谱(RS),分别使用六种方法进行预处理,再优选了四种方法来提取光谱特征波段,并应用了数据层、特征层两种策略融合多光谱信息,比较验证不同模型的准确率（Accuracy）和预测均方根误差（RMSEP）来评估效果。结果 单独使用NIRS经标准正态变换（SNV）处理后的偏最小二乘判别分析（PLS-LDA）结果最优,Accuracy为0.8361,RMSEP为0.1060;单独使用RS经二阶导数（Sg2nd）处理后的结果最优,Accuracy为0.8443,RMSEP为0.1332;经NIRS和RS融合后数据结果高于任意单一光谱结果,其中数据层光谱融合模型Accuracy为0.8525,RMSEP为0.1270,特征层融合后的模型效果较好,最佳结果为基于核主成分分析（KPCA）下的支持向量机（SVM）模型,Accuracy达到95.082%。结论 表明光谱融合提升茶油掺伪定性鉴别具有较好的应用前景。     

融合光谱与纹理特征的龙井茶等级无损识别

龙井茶等级快速无损识别具有重要意义。本研究以六个等级龙井茶为实验对象,应用高光谱成像技术,分别建立基于光谱特征、纹理特征及融合特征的支持向量机(Support Vector Machine,SVM)识别模型。首先采用标准正态变量变换(Standard Normal Variate,SNV)对光谱进行归一化处理,提取光谱特征,建立SVM光谱模型;然后通过T分布和随机近邻嵌入(T-Distributed Stochastic Neighbour Embedding,T-SNE)算法将高维高光谱数据映射到低维空间,选取特征图像。应用灰度共生矩阵(Gray-Level Co-Occurrence Matrix,GLCM),提取纹理特征,建立SVM图像模型;最后将光谱特征和纹理特征进行数据级融合,建立SVM混合模型。数据显示,光谱模型预测集识别率为91.11%,图像模型预测集识别率为75.42%,混合模型预测集识别率为95.14%。结果表明,与仅使用光谱或纹理信息建模相比,结合光谱和纹理特征可以提高模型识别的准确率。为进一步提高混合模型精度,引入人工蜂群(Artificial Bee Colony,ABC)算法,迭代优化SVM模型的惩罚因子C和核函数宽度g,得到最优模型,预测集准确率可达98.61%。本研究为改进龙井茶叶快速无损评估技术提供了一种可靠的方法。     

寒地粳稻种子的拉曼光谱鉴别方法研究

针对水稻种子的品种鉴别存在检验周期长、种类少等实际问题,本研究提出一种高效、快捷、准确鉴别水稻种子的方法。以拉曼光谱技术为基础、寒地粳稻种子为研究对象,进行快速、准确鉴别。首先,利用Savitzky-Golay(SG)、一阶导(1-Der)、二阶导(2-Der)、迭代自适应加权惩罚最小二乘(AIRPLS)和均值中心化(MC)预处理方法及其组合对原始光谱进行预处理,研究不同预处理方法及组合的偏最小二乘判别(PLSDA)和支持向量机(SVM)模型判别效果;其次,应用光谱-理化共生距离(SPXY)法对预处理数据进行样本划分;最后,通过连续投影算法(SPA)、逐步回归(SR)和竞争自适应重加权采样法(CARS)对特征波段进行提取,对比分析不同预处理下的特征波段与全波段建模效果和检测时间差异。结果表明：在13种预处理方法中,AIRPLS+1-Der组合预处理效果较好,在PLSDA和SVM模型中测试集准确率均达到95.45%以上;在3种特征提取方法中,基于 CARS 方法的特征波段在两种鉴别模型中准确率达到96.97%,而且模型运行速度较快,这说明基于拉曼光谱技术对寒地粳稻种子进行快速、准确鉴别是可行的。     

基于智能手机声信号哈密瓜成熟度的快速检测

为满足瓜农和消费者便携、快速、价廉无损检测哈密瓜成熟度的要求,采用手机录制不同成熟度哈密瓜的拍打声信号并进行分析处理,提取11 个特征量,然后选择对不同成熟度具有显著差异的单个或多个特征量组成不同特征向量训练支持向量机分类器,通过对哈密瓜的未熟、适熟和过熟3 种成熟度判别结果的混淆矩阵分析,确定采用频谱质心wc、帧能量E、第1子带短时能量比SSTE1组成特征向量训练成熟分类器,最适于哈密瓜未熟瓜和成熟瓜判别;采用过零率、第2子带短时能量比SSTE2、第3子带短时能量比SSTE3组成特征向量训练适熟分类器,最适于哈密瓜适熟瓜和过熟瓜判别。该研究开发的手机安卓应用程序对哈密瓜成熟度判别总体准确率可达90.9%,并可通过用户反馈进一步提高判别能力。与此同时,采用逐步多元回归预测模型,实现wc、E及第1、2、4子带短时能量对哈密瓜糖度较准确的预测。     

基于电子舌及一维深度CNN-ELM模型的普洱茶贮藏年限快速检测

采用伏安电子舌对不同贮藏年限的普洱茶进行快速检测。将深度学习技术引入到电子舌的模式识别中,提出一种基于一维卷积神经网络(1-D CNN)与极限学习机(ELM)组合的模式识别模型(1-D CNN-ELM)。采用该模型结合伏安电子舌对5种不同贮藏年限的普洱茶进行分类鉴别,结果表明,与传统基于离散小波变换(DWT)结合支持向量机(SVM)或极限学习机(ELM)的模型相比,1-D CNN-ELM对普洱茶贮藏年限的分类效果更优,其测试集准确率、精确率、召回率和F1-Score分别达到98.32%,98.0%,98.0%,0.98。试验表明深度学习方法适用于对电子舌信号进行模式识别处理,且具有较高的分类准确性和泛化能力。     

基于高效液相色谱指纹图谱结合化学计量学及机器学习的黑茶产地识别

目的 建立广西、湖南、四川、陕西和西藏产地黑茶高效液相色谱(high performance liquid chromatography, HPLC)指纹图谱, 并结合化学计量学与机器学习对黑茶进行产地识别研究。方法 采用高效液相色谱-二极管阵列检测器(high-performance liquid chromatography-diode array detection, HPLC-DAD)检测48份不同产地黑茶的化学成分并建立指纹图谱; 利用没食子酸、表没食子儿茶素、表儿茶素没食子酸酯、表儿茶素、儿茶素、咖啡碱和L-茶氨酸7种对照品对图谱共有峰进行指认; 结合化学计量学和不同机器学习算法建立黑茶产地识别模型, 并使用准确率（Accuracy)、精确率（Precision)、召回率（Recall)及F1 分数（F1 Score)作为机器学习产地识别模型的评价指标。结果 黑茶指纹图谱共识别出8个共有峰, 指认其中7个成分; 基于指纹图谱8个共有峰峰面积建立的化学计量学和机器学习的产地识别模型中显示, PLS-DA模型能识别部分产地黑茶, 并筛选出4个差异标志物, 其预测准确率为54.2%, 逻辑回归（Logistic Regression, LR)、反向传播神经网络（Back Propagation neural network, BPNN)、支持向量机（Support Vector Machine, SVM)、随机森林（Random Forest, RF)和决策树（Decision Tree, DT)算法模型预测准确率分别为66.7%、80.0%、80.0%、90.0%和90.0%, 其评价指标表明SVM模型的产地识别效果最好。结论 我国不同产地黑茶化学成分含量存在一定差异, HPLC指纹图谱结合GA-SVM能够较好对黑茶产地进行溯源研究。     

基于高光谱技术的铁观音茶叶等级判别

应用高光谱技术结合支持向量机分类理论对不同等级的铁观音茶叶进行判别分析。采集铁观音各等级茶样的高光谱数据,提取红边幅值、蓝边位置、黄边面积、红谷反射率、归一化植被指数等共20 个光谱特征参数,以其作为输入量带入以径向基函数作为核函数的支持向量机分类模型,探讨惩罚参数C和核参数g的最佳取值,构建判别模型,并对其进行验证和评价。结果显示,当惩罚参数C和核参数g分别为106和0.007 5时,所建模型对未知等级的铁观音样品正确判别率可达92.86%,表明应用高光谱技术进行铁观音茶叶等级的快速无损准确鉴别是可行的。     

Evaluation of Data Mining Strategies for Classification of Black Tea Based on Image-Based Features

In this study, a new procedure based on computer vision was developed for qualitative classification of black tea. Images of 240 samples from four different classes of black tea, including Orange Pekoe (OP), Flowery Orange Pekoe (FOP), Flowery Broken Orange Pekoe (FBOP), and Pekoe Dust One (PD-ONE), were acquired and processed using a computer vision system. Eighteen color features, 13 gray-image texture features, and 52 wavelet texture features were extracted and assessed. Two common heuristic feature selection methods: correlation-based feature selection (CFS) and principal component analysis (PCA), were used for selecting the most significant features. Seven of the primary features were selected by CFS as the most relevant ones, while PCA converted the original variables into 11 independent components. These final discriminatory vectors were evaluated by using four different classification methods including decision tree (DT), support vector machine (SVM), Bayesian network (BN), and artificial neural networks (ANN) to predict the qualitative category of tea samples. Among the studied classifiers, the ANN with 7–10–4 topology developed by CFS-selected features provided the best classifier with a classification rate of 96.25%. The other methods assayed provided slightly lower accuracies than ANN from 86.25% for BN till 87.50% for SVM and 88.75% for DT. In all the cases, the accuracy of the classifiers increased when using the CFS-selected features as input variables in front of PCA obtained ones. It can be concluded that image-based features are strong characterizing factors which can be effectively applied for tea quality evaluation.     

马铃薯品质鉴别的近红外光谱与多源信息耦合

建立了基于机器视觉和近红外光谱技术的分级概率输出,利用DS证椐融合规则,搭建适用于异源数据的无损检测分级决策模型。采用方向梯度直方图和主成分提取方法提取光谱特征,并应用支持向量机和AdaBoost分类器进行识别,在此基础上,构建了基于特征层融合的马铃薯分级模型。采用多源信息融合技术,建立了融合无损检测分级决策和特征层融合的多源信息融合农产品品质鉴别模型。仿真结果表明,相比于单一鉴别模型,多源信息融合鉴别模型识别率提高了12.7%~30.2%,达95.7% 以上。     

基于电子鼻技术结合化学计量法鉴别北京油鸡肉

利用电子鼻技术结合化学计量法对北京油鸡肉进行鉴别。对4 个品种鸡肉的生肉和熟肉样品分别进行电子 鼻测定,提取特征值进行后续分类。采用逐步判别分析（stepwise linear discriminant analysis,S-LDA）和人工神经网 络进行判别分析,并建立多层感知器（multilayer perception,MLP）和支持向量机（support vector machine,SVM） 2 种分类模型。结果表明：S-LDA和人工神经网络能够对4 种鸡肉的生肉与熟肉样品分别进行较好地判别;MLP和 SVM分类模型在生肉和熟肉样品上均取得了较好的分类预测结果,4 种鸡肉样品总体识别率及北京油鸡肉识别率均 高于90%。电子鼻技术结合多元统计分析方法在北京油鸡鉴别应用方面具备一定的可行性。