基于傅里叶变换近红外和支持向量机的霉变玉米检测

利用傅里叶变换近红外光谱对霉变玉米进行检测。运用波数范围在12 000~4 000 cm-1的FTNIR系统进行不同霉变程度样品光谱信息的采集,并利用支持向量机(Support Vector Machine,SVM)进行数据分析。结果显示,利用原光谱数据,以主成分分析(PCA)提取的前5个主成分作为输入,选用径向基函数(RBF)作为SVM核函数,并运用网格划分寻优法寻得的最优参数C、γ,所建立的分类模型最佳。SVM分类模型对训练集和测试集的预测准确率分别达到93.3%和91.7%,对独立样品集的预测准确率达到87.8%,表明基于FT-NIR和SVM进行霉变玉米的检测是可行的。     

基于低场核磁共振技术的鲜牛奶冷藏天数的鉴别

应用低场核磁共振技术结合简单分类算法(SIMCA)、线性判别法(LDA)和支持向量机法(SVM)对不同冷藏天数的鲜牛奶进行鉴别,并比较了SIMCA、LDA中不同函数及SVM中不同类型参数、不同核函数的建模效果。结果表明:LDA中Mahalanobis函数建立的模型优于Linear、Quadratic函数的模型;SVM中C-SVM类型的模型优于Nu-SVM类型的模型,径向基函数与线性函数的模型优于S型函数、多项式函数的模型。SIMCA模型的总识别准确率为95.83%,LDA中Mahalanobis函数建立的模型总识别准确率为100%,SVM中C-SVM类型的径向基函数建立的模型总识别准确率为87.50%。由此表明LDA中用Mahalanobis函数建立的模型最适合预测鲜牛奶的冷藏天数。     

基于SVM的棉麻织物近红外光谱快速无损鉴别

将近红外光谱技术与支持向量机(SVM)相结合建立分类模型,用于棉、麻织物的快速无损鉴别。选用径向基函数(RBF)作为核函数,分别采用网格搜索法、遗传算法和粒子群算法对惩罚参数c和核函数参数g进行参数寻优。结果显示,用网格搜索法得到的最佳参数c和g建立的模型分类结果最好,模型对棉、麻训练集的分类准确率分别为100%和99.12%,对预测集的分类准确率均为96.67%。近红外光谱技术鉴别单个样品的时长小于3 min,实现了快速鉴别。结果表明,近红外光谱技术与支持向量机相结合,可用于棉、麻织物的快速无损鉴别。     

基于支持向量机的近红外光谱羊毛混纺面料的无损鉴别技术

采用便携式近红外光谱仪分别采集了羊毛/棉、羊毛/马海毛、羊毛/氨纶、羊毛/丝、羊毛/羊绒5种羊毛混纺面料的近红外光谱,利用支持向量机算法(SVM)分别对原始光谱和经归一化预处理后的光谱建立分类模型。选用径向基函数(RBF)作为核函数,并采用网格搜索法(Grid Search)、遗传算法(GA)和粒子群算法(PSO)对惩罚参数c和核函数参数γ进行参数寻优。结果表明:PSO-SVM模型分类结果最理想,模型对训练集整体分类准确率为100%,对验证集的整体分类准确率为94.87%,其中羊毛/棉、羊毛/马海毛、羊毛/氨纶3类面料的分类准确率均为100%,羊毛/羊绒的分类准确率为95%,羊毛/丝的分类准确率相对较低为85%。     

基于介电特性的鸡蛋品种无损鉴别

为更合理有效实现鸡蛋品种分类,研究一种介电特性无损鉴别鸡蛋品种方法。本实验以4组不同品种鸡蛋(江苏镇江洋鸡蛋、江苏镇江草鸡蛋、安徽老南沟草鸡蛋、江苏东台草鸡蛋)为研究对象,采用平行极板法测量4组鸡蛋在10~200 k Hz条件下的介电特性参数,并利用支持向量机(support vector machine,SVM)算法建立鸡蛋品种鉴别分类检测模型。研究不同核函数(线性核函数、多项式核函数、RBF核函数和Sigmoid核函数)、不同参数寻优算法(网格搜索法、遗传算法和粒子群算法)选择对分类模型准确率的影响。结果表明,以线性核函数为SVM核函数、粒子群算法为SVM参数寻优算法时,建立的鸡蛋品种SVM分类模型的性能最优,其训练集正确率为95.83%,测试集正确率为95.83%。利用介电特性无损检测技术结合SVM算法,取得了很好的分类效果,为鸡蛋品种鉴别提供了一种新的快速有效的方法。     

烟叶霉变的快速识别——基于近红外光谱与随机森林算法

为建立烟叶霉变快速识别模型,以复烤片烟为研究对象,在高温高湿条件下进行霉变实验,获得不同霉变程度的烟叶样本。应用近红外光谱技术在4000~12000 cm-1范围内对烟叶的近红外光谱进行采集,获得烟叶样本的基础光谱数据。采用小波分解法对基础光谱数据进行解析,选择中间频率小波系数[cd4, cd5]为光谱变量,利用随机森林算法建立了不同霉变烟叶的识别模型。模型对训练集预测准确率达到93.82%,独立测试集判别准确率达到94.84%,对未霉变样品、临近霉变样品和霉变样品的判别均取得了令人满意的结果。      

高光谱技术结合网格搜索优化支持向量机的桃缺陷检测

为快速区分完好桃、疮痂桃、腐烂桃(虫咬桃、鸟啄桃),实现久保桃外部缺陷的无损检测，该研究利用高光谱技术对久保桃的外部缺陷进行了研究。共采集302个久保桃样本(120个完好桃样本、120个缺陷桃样本、62个验证桃样本),对比经光谱学、基线校正、中值滤波(median filter, MF)等5种预处理方法建立偏最小二乘法模型的准确率，选取经MF预处理后的光谱数据进行后续建模研究。采用回归系数法、竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)提取特征波长，建立网格搜索法优化支持向量机(grid search optimized support vector machines, GS-SVM)模型、遗传算法优化SVM模型、粒子群算法优化的SVM模型并进行对比分析。结果表明，CARS-GS-SVM模型预测效果最好，其训练集的判别率为93.33%,预测集的判别率为96.77%,验证集的判别准确率为91.94%,运行时间为11.5 s。该研究利用高光谱技术结合CARS-GS-SVM模型实现了久保桃外部缺陷的检测，为开发水果的分...     

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。     

不同储存条件下的蜂王浆中红外光谱判别方法

为了能够快速、无损地检测不同储存条件下的蜂王浆,探究了一种基于中红外光谱技术结合支持向量机算法(support vector machine,SVM)与正交偏最小二乘判别分析法(orthogonal partial least squares discriminant analysis,OPLS-DA)的蜂王浆定性分析方法。试验以-4℃冷冻储存和25℃室温储存7、14、21 d的蜂王浆为样品,应用中红外光谱技术采集蜂王浆样本光谱,并建立蜂王浆二分类(冷冻和室温储存)和三分类(室温储存7、14、21 d)定性分析模型。试验结果显示,基于SVM算法建立的蜂王浆二分类定性鉴别模型的预测准确率达到了92. 31%,三分类定性模型预测准确率达到了100%。结合OPLS-DA法所建立的蜂王浆二分类模型和三分类模型的预测准确率分别为95. 52%和96. 97%。结果表明,运用中红外光谱技术结合SVM算法和OPLS-DA法可以有效鉴别出冷冻和室温储存的蜂王浆,为蜂王浆品质的快速、无损鉴别提供了可能性。     

近红外光谱结合PLS-DA划分烟叶等级

为了对烟叶等级进行快速分类,采用云南曲靖地区150个烟草样品近红外光谱,结合偏最小二乘判别分析(PLS-DA),建立了烟叶等级分类模型,并对60个预测集样品进行了等级分类预测.结果表明:①训练集和预测集的预测正确率分别为100.0％(150/150)和96.7％(58/60).②PLS-DA对烟叶等级具有良好的分类效果.该模型为烟叶等级分类提供了一种新的快速鉴别分析的方法.     

基于NIR技术和ELM的烤烟烟叶自动分级

为解决初烤烟叶收购中人工分级主观因素影响较大的问题,提出了一种基于近红外（NIR）光谱技术结合极限学习机（ELM）算法自动鉴别烟叶等级的方法。文章首次提出基于品质相似、价格接近原则的烟叶收购分组方法,通过交互检验优化ELM分组、分级模型的隐节点数,并与K最近邻法（KNN）、支持向量机（SVM）和随机森林（RF）等多分类算法进行了比较。结果表明:ELM分类模型参数自动优化、训练时间短、稳定性和预测能力较好,2014年（数据集A）、2015年（数据集B）烟叶收购国标样本上、中、下等烟外部预测分组正确率分别为95.77%和94.23%,数据集A和B的上、中、下等烟各组样本外部预测分级正确率分别为85.71%、86.67%、100%和100%、92.86%、92.86%。因此,采用NIR技术结合ELM能准确鉴别初烤烟叶等级,可为烤烟烟叶收购质量等级评价提供一种新技术。      

卷烟焦油量的支持向量机预测

为探索预测和控制卷烟焦油量的方法,根据卷烟焦油量与烟叶内在化学成分之间的关系,提出了基于支持向量机的卷烟焦油量预测方法。介绍了支持向量回归估计的学习算法,应用SVM方法建立了基于支持向量机的卷烟焦油量预测模型。计算实例表明,该方法能够根据烟叶中的化学成分测量值来预测卷烟的焦油量。     

基于信息几何的卷烟焦油SVM预测

随着加入WTO和烟控条约生效的影响, “吸烟与健康”越来越受到人们的关注。如何在满足消费者吸食要求的同时把烟草中主要有害物质焦油对身体健康的影响降低到最低限度,已成为烟草行业研究的主要课题之一。而其中卷烟配方中焦油量预测是一项重要工作,但由于卷烟配方中焦油量样本少且是非线性关系,其预测是非常困难的事情。虽然很多学者对此已经做了很多工作,但至今没有有效的解决这个问题。SVM是由Vapnik在1992年COLT会议上首次提出的新理论,能较好的解决小样本非线性预测问题,为此把SVM引入卷烟焦油预测;而其中的核函数选择是关系到预测精度的关键,现存的方法仅能实验试凑,本文从信息几何的角度,通过保角映射,给出核函数构造的一般方法,从而提高了预测精度和效率。最后通过实验证明了该模型能更准确的预测卷烟焦油量;因此基于信息几何的SVM预测模型是有效的。      

一种基于卷积神经网络的烟叶等级识别方法

目的:解决烟叶分级准确率不高的问题.方法:提出一种改进的基于卷积神经网络的烟叶分级模型,根据VGG16网络结构,以 自定义的方式搭建网络模型;将空洞卷积代替原有的传统卷积,增加图像感受野的同时避免了图像特征的损失,并将激活函数改为Leaky_relu,修正数据的分布,解决ReLU函数的硬饱和问题;用41种等级的烟叶图片...     

Classification of Green and Black Teas by PCA and SVM Analysis of Cyclic Voltammetric Signals from Metallic Oxide-Modified Electrode

Forty-three samples of green and black teas were analyzed by an electronic tongue technique. A class of metallic oxide-modified nickel foam electrodes (SnO₂, ZnO, TiO₂, Bi₂O₃) was compared in their sensitivity in this system. The signals obtained by cyclic voltammetry were submitted to multivariate data analysis. In the explorative analysis based on principal component analysis (PCA), the score plots showed that two of these sensors were able to distinguish varieties of teas. The resulting PCA scores were modeled with a support vector machine (SVM) that accomplished final prediction with the qualitative classification of teas. The optimal SVM model was achieved after grid search optimization of some parameters and the conduction of the three commonly used kernel functions. With a comparison of classification accuracies, Bi₂O₃-modified nickel foam electrode performed the best among the four electrodes and SVM model using the polynomial kernel attained the highest within the three used kernels. This work demonstrated that cyclic voltammetry combined with the SVM pattern recognition method could be successfully applied in the classification of green and black teas.     

基于高光谱成像技术的烟叶田间成熟度判别模型

为探索基于高光谱技术的烟叶田间成熟度判别方法,使用高光谱成像仪采集不同田间成熟度档次烟叶的高光谱信息,比较5种数据预处理方法[一阶导数（1stD）、多元散射校正（MSC）、标准正态变量变换（SNV）、Savitzky-Golay（SG）平滑、一阶导数+SG平滑]和两种建模算法[支持向量机（SVM）和BP神经网络（BPNN）]在建立烟叶田间成熟度判别模型中的适用性,并利用遗传算法（GA）优选出反映鲜烟叶成熟差异的最佳特征变量用于建立判别模型。结果表明:①不同田间成熟度烟叶的高光谱反射率差异明显,且在550 ~ 675 nm波长范围内最突出,其反射率随烟叶田间成熟度的增加而增大;②在10种光谱数据预处理方法与建模算法的组合中,SNV+SVM组合的预测性能最佳;③使用GA在400 ~ 1 000 nm间优选出了可反映烟叶田间成熟度差异的19个特征光谱波段,其中大多与烟叶质体色素的特征光谱有关;④以特征波段为输入变量建立了烟叶田间成熟度的SVM判别模型,预测准确率达95%,F1分数达0.95,平均精确率、召回率也均大于95%。高光谱信息可敏锐地反映烟叶田间成熟度的差异,采用SNV数据预处理方法与SVM算法组合可建立性能优异的烟叶田间成熟度判别模型。      

烟叶结构和油分的近红外光谱预测

采用外观质量评价法给250个烟叶样品的叶片结构和油分赋值,而后用近红外(NIR)光谱仪在3500~12000cm-1波长范围对这些烟叶样品进行扫描,并采用偏最小二乘法建立了叶片结构和油分的NIR预测模型。结果表明:①矢量归一法和乘法散射校正法分别适合建立烟叶叶片结构模型和油分预测模型;②在4246~4601cm-1和6098~9222cm-1、4246~5450cm-1和6098~7502cm-1波长范围内扫描建立的叶片结构模型和油分模型的预测效果较好;③烟叶结构模型和油分模型的阶数分别为13和16时,预测的准确性较高;④通过调整模型参数可以提高模型的预测准确性;⑤烟叶结构模型和油分模型的预测准确性分别为90%和77%左右。结构模型可用于烟叶结构的预测,油分模型有待于进一步改进。     

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。