基于近红外高光谱成像技术的宁夏羊肉产地鉴别

使用900~1700 nm高光谱成像系统采集宁夏银川、固原、盐池三个不同产地的绵羊后腿样本的近红外高光谱数据,对光谱采用面积归一化方法预处理,利用SPA、CARS、UVE算法对预处理后的光谱数据提取特征波长分别为17、40、121个;结合PLS-DA及KNN建立特征波段下的判别模型。结果表明KNN判别模型效果较差,3种特征波长中利用CARS提取的特征波长建模效果最佳,代替全光谱建立PLS-DA判别模型是可行的;综合对比模型效果,CARS-PLS-DA为最优模型,校正集正确率90.48%,预测集正确率84.21%。证明利用近红外高光谱成像技术对羊肉产地鉴别是可行的。     

基于高光谱成像技术的小麦籽粒品种鉴别方法研究

为了更精确地鉴别小麦品种,实现小麦品种快速、无损、有效、稳定的鉴别。利用高光谱成像系统采集6个小麦品种籽粒光谱和图像信息,提取小麦籽粒胚、胚乳、胚和胚乳混合部位的光谱,采用不同的预处理方法对原始光谱进行处理,利用竞争性自适应重加权算法(CARS)和连续投影算法(SPA)提取特征波长,基于全波长和特征波长建立线性判别分析(LDA)、支持向量机(SVM)和K最邻近(KNN)模型,筛选出最佳的籽粒部位光谱、预处理方法和特征波长提取方法;在此基础上,分析光谱信息、形态特征及二者结合信息对小麦品种的鉴别效果。结果表明,基于34个特征波长光谱信息结合形态特征建立的LDA模型效果最佳,其训练集和预测集的正确判别率分别为91.3%和86.0%。基于高光谱成像技术进行小麦品种鉴别是可行和有效的。     

基于可见-近红外光谱及随机森林的鸡蛋产地溯源

为了研究快速无损鉴别鸡蛋产地的可行性,利用可见-近红外光谱技术,采集4种湖北不同产地鸡蛋的透射光谱(500~900 nm),利用中心化、归一化、标准正态变量(SNV)、Savitzky-Golay平滑滤波(SG)和多元散射校正(MSC)、直接正交信号校正(Direct Orthogonal Signal Correction,DOSC)算法对光谱数据进行预处理,采用t分布式随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)、主成分分析(PCA)方法对预处理后的数据降维,并将降维后的数据分别输入极限学习机(extreme learning machine,ELM)和随机森林(random forest,RF),建立鸡蛋产地溯源模型。比较两种方法建立的模型,发现运用DOSC预处理及t-SNE提取的光谱特征信息建立的RF模型鉴别效果最好,训练集和预测集的鉴别正确率分别为100%和98.33%。研究结果表明基于可见-近红外光谱技术对鸡蛋产地溯源是可行的,为进一步研究与开发鸡蛋产地溯源便携式仪器提供技术支持。     

基于高光谱成像技术的青花椒产地识别研究

目的 基于高光谱成像技术结合机器学习建立一种青花椒产地的快速识别方法,可实现四川、贵州、云南、重庆等10个青花椒主要产地样品的快速无损鉴别。方法 本研究利用“全平皿法”、“五点平均法”和“中心点法”等3种不同的兴趣区域(region of interest,ROI)提取方式,获得平行光谱数据,分别采用五种预处理方法消除数据噪声提升模型性能,并比较了偏最小二乘判别分析(Partial least square-discriminant analysis,PLS-DA)、随机森林(Random Forests,RF)和支持向量机(Support vector machine,SVM)三种模型的产地识别效果。结果 采用“全平皿法”提取兴趣区域,通过二阶导(Second derivative,D2)预处理后建立的RF模型分类效果最佳,训练集和测试集的准确率均可达到100%。进一步采用连续投影算法(Successive projections algorithm,SPA)选择27个特征波长建模,结果表明多元散射校正(Multiplicative scatter correction,MSC)-RF模型判别效果最优,训练集准确率为98.8%,测试集准确率达到98.3%。结论 本研究建立的方法可实现不同青花椒主要产地样品的快速无损鉴别,为高光谱成像技术在食品和药品领域的推广应用及专属小型化仪器装备系统的开发提供了理论依据。     

近红外光谱技术对圆枣产地的判别分析

采用近红外高光谱成像系统对3类不同产地的圆枣进行判别分析,快速鉴别圆枣产地。应用近红外高光谱获取3类圆枣样本的光谱数据,对光谱采用标准正则变换(SNV)方法预处理,从原始光谱数据中提取特征波长,并建立全波段与特征波段下的线性判别模型来判别3类圆枣的产地。结果表明,近红外光谱结合线性判别法对圆枣产地鉴别的特征波段模型可有效替代全波段模型,模型准确率均大于99%,为实现农产品产地鉴别和自动分类提供理论依据。     

基于高光谱成像技术的白茶储藏年份判别

储藏年份是决定白茶经济价值的一大因素。为了实现快速便捷地判别白茶储藏年份,本文提出了基于高光谱成像技术判别分析白茶储藏年份的无损检测方法。通过对3、6、10年寿眉高光谱图像感兴趣区域光谱数据的提取,采用最小二乘平滑滤波、标准正态变换、归一化、多元散射校正预处理算法,并用支持向量机、偏最小二乘联合线性判定法、逻辑回归建模对不同预处理后的光谱数据进行判别分析。最后,通过分析混淆矩阵、精确率、召回率来评估模型性能。分析结果表明,经过标准正态变换预处理结合支持向量机所建立的模型判别效果最佳,训练集和测试集的精确率分别为90.83%和86.02%。由此可见,利用高光谱成像技术对白茶储藏年份进行快速无损的判别具有一定的可行性。     

基于深度学习的登海605玉米品种真伪鉴别方法研究

玉米是我国重要的谷类作物,玉米种子的纯度是影响种子质量的关键指标,不同品种玉米的种子活力、物理指标和发芽率都是不同的,因此需要对玉米品种的真伪进行鉴别分选。传统模式识别的方法需要人工定义各类特征,存在主观判断、费时费力等问题,实用性较差。针对上述问题,本研究拟建立一种基于RGB图像结合深度学习的低成本、高效、无损的单粒玉米种子真伪检测方法,选用不同产地登海605玉米种子440粒,其他品种480粒,采集玉米种子胚面和胚乳面制作数据集,通过图像处理技术对图像进行预处理,并按照7∶2∶1的比例将数据集分为训练集、验证集和测试集,分别使用GoogLeNet、MobileNet、Inception-ResNet、ResNet、DenseNet共5种网络模型利用迁移学习对3类数据集进行分类测试,结果表明,5种网络模型在双面数据集的平均识别准确率最高,测试识别准确率为99.05%,ResNet网络在3类数据集中的分类效果最佳,在双面测试集上为99.91%。本研究提供了一种无损、高效、相对可靠的方法来鉴别登海605玉米品种的真伪。     

美味牛肝菌矿质元素富集能力及产地鉴别

研究美味牛肝菌矿质元素含量及富集规律,建立偏最小二乘判别分析（partial least squares discrimination analysis,PLS-DA）光谱数据融合模型鉴别美味牛肝菌不同产地。测定云南省内6 个产地美味牛肝菌和生长土壤样品的矿质元素,同时采集近红外光谱和紫外光谱信息。根据矿质元素含量及富集系数分析美味牛肝菌对矿质元素的积累特征和富集能力。采用平滑（Savitzky-Golay,SG）、二阶导数（second derivatives,2D）、标准正态变换（standard normal variables,SNV）、多元散射校正（multiple scattering correction,MSC）等对光谱数据进行预处理。运用PLS-DA建立单一光谱与数据融合产地分类模型。结果表明：美味牛肝菌富含K、P元素,相同元素不同产地之间存在显著性差异,其中Na元素含量差异较大,最高含量是最低含量的20.70 倍;6 个产地土壤中Fe元素含量最大,可能与云南富含Fe金属离子的酸性土壤有关;美味牛肝菌中P、K、Zn富集能力较强,其中P的富集系数达到4.63;光谱数据预处理中,近红外光谱和紫外光谱的最佳预处理结果为SG＋2D、SG＋MSC,预测集正确率为88.46%和96.15%;中级融合模型效果最佳,通过Hottelling T2检测法检验,所有样品未超过95%置信区间,模型训练集正确率100.00%,预测集正确率92.31%。对美味牛肝菌进行矿质元素、富集规律及产地鉴别研究有利于合理利用云南野生食用菌资源。     

基于近红外光谱技术有监督模式识别的青皮产地溯源分析

利用便携式近红外光谱仪采集不同产地(安徽、广东、四川)青皮外壁和内囊光谱数据,采用单一预处理和组合预处理方法消除光谱中的多种干扰,结合主成分分析(PCA)、簇类独立软模式分类法(SIMCA)及Fisher线性判别分析(FLDA)等模式识别方法建立青皮产地溯源模型。结果表明,光谱预处理可以在一定程度上消除基线漂移、背景噪声和谱峰重叠干扰,但无法实现产地溯源。3种模式识别方法中,PCA无法实现青皮产地溯源;青皮外壁和内囊原始光谱的SIMCA模型获得的青皮产地溯源整体鉴别率分别为99.14%和98.28%;FLDA模型获得的整体鉴别率均为99.57%,优于SIMCA模型;经光谱预处理优化后的SIMCA和FLDA模型对青皮产地溯源的鉴别率均可达100%,即便携式近红外光谱技术结合有监督模式识别方法可实现青皮产地溯源的无损分析,可为食药同源物质产地溯源拓展新途径。     

基于高光谱信息特征选择的玉米霉变程度Fisher鉴别方法

为了提高高光谱鉴别玉米霉变程度的正确率,分别对全波长和特征波长下霉变玉米进行鉴别分析。利用高光谱图像采集系统获得250个霉变玉米样本的高光谱数据,并用标准正态变量变换(standard normal variate,SNV)和多元散射校正(Multiplicative scatter correction,MSC)2种方法对原始数据进行预处理,再对未预处理和预处理后的原始数据进行判别,优选出多元散射校正的预处理方法;运用偏最小二乘回归系数选择了9个特征波长;运用Fisher判别分析(Fisher discriminant analysis,FDA)分别对全波长和特征波长下的训练集进行判别分析,并用对应的测试集进行检验。FDA结果表明,全波长下判别模型的训练集和测试集的准确率分别为97.71%,97.33%,9个特征波长下训练集和测试集的准确率分别为100.00%,98.67%。研究结果表明,利用特征光谱能够较好地表征玉米的霉变程度,有利于提高玉米霉变程度的鉴别正确率。     

基于高光谱图像光谱变量和颜色特征的霉变玉米籽粒识别

目的:准确识别霉变玉米籽粒。方法:基于高光谱图像光谱变量和颜色特征建立霉变玉米籽粒识别的新方法。先对玉米籽粒图像进行图像分割和光谱变量、颜色特征提取,并根据颜色特征生成颜色直方图;将光谱变量和颜色直方图特征组成特征集合;通过距离函数对特征集合中所有特征的分析确定霉变玉米籽粒所属类别。结果:所提方法对霉变玉米籽粒类别的最大平均识别偏差为1.12,最佳平均识别准确率为97.59%;与基于高光谱图像+随机蛙跳+极限学习机的方法、基于高光谱图像+稀疏自动编码器+卷积神经网络的方法、基于高光谱图像+蚁群优化+BP神经网络的方法相比,研究所提方法对霉变玉米籽粒类别的识别准确率明显提高。结论:该方法可实现被测玉米籽粒样品是否霉变以及霉变程度的准确判断。     

玉米籽粒霉变等级高光谱图像检测方法研究

为了快速、无损检测出储藏玉米籽粒不同霉变状况,提升玉米收储环节质检效率,尝试利用高光谱成像技术结合机器学习算法构建玉米籽粒霉变等级分类模型。采集400-1000nm波段范围内玉米籽粒高光谱图像,以测定的真菌孢子数为依据,将籽粒霉变状态划分为健康、轻度霉变、中度霉变和重度霉变4个等级,采用随机蛙跳(RF)算法优选出7个光谱特征变量,针对特征波段图像,利用Tamura算法共提取出21个纹理特征变量,基于颜色矩提取出21个颜色特征变量。进一步结合支持向量机(SVM)、极限学习机(ELM)和偏最小二乘回归(PLSR)三种算法分别建立基于光谱、图像和图谱特征融合的玉米籽粒霉变等级分类模型。经分析比较,融合光谱和图像特征并结合ELM算法建立的分类模型用于玉米籽粒霉变等级识别效果最优,训练集和测试集分类准确率(Acc)分别为94.21%和93.86%,并将玉米籽粒霉变等级进行可视化表达。研究结果有望为玉米霉变籽粒高光谱现场快速检测设备研发提供技术支持。     

基于高光谱图像分割的固态发酵中不同杆菌的识别方法

本文研究了基于高光谱图像分割的固态发酵中不同杆菌快速识别问题,实验采用马铃薯葡萄糖琼脂培养基对芽孢杆菌、乳杆菌、红螺菌样本进行制备,通过黑色镜头盖在镜头上获取全黑的反射图像,对图像进行去噪、分割处理,获取高光谱图像梯度及分布峰值,利用掩模图像中菌落所处位置对光谱数据信息进行提取,把获取的三种细菌的光谱数据分割成校正集与测试集,依次用于模型构建与验证。通过标准正态变量变化方法完成对原始光谱数据的预处理,利用主成分分析法进行降维处理并区分不同菌落,并采用偏最小二乘判别分析法建立识别模型,分析细菌高光谱图像和高光谱响应值主成分,建立并验证模型。结果表明,采用标准正态变量变化法进行预处理后,高光谱分析总误差与分析误差的比值是1.12,低于规定稳健性的参数;不同细菌菌落的高光谱波峰存在差异,对光的反射率也有较大不同;当培养时长为36h时,三种细菌可被有效区分;本文模型比其它两种模型更优,对测试集的识别率为98.25%。综上所述,采用本文方法具有分析误差低、识别率高的优点。     

基于高光谱图像技术的固态发酵中芽孢杆菌的快速识别

利用高光谱图像技术结合模式识别方法,研究了镇江香醋固态发酵中产酸芽孢杆菌的快速识别方法。筛选3种芽孢杆菌为标准菌,以标准菌生长12 h的菌落为研究对象,利用高光谱成像系统采集图像:提取感兴趣区域(20×20)单菌落平均光谱共120条,并SNV预处理,采用主成分分析(PCA)从每幅图像优选3幅特征图像,并从每幅特征图像提取4个基于灰度共生矩阵的纹理特征变量;对光谱和图像纹理的特征变量均进行PCA,分别提取合适的主成分构建BP-ANN和KNN识别模型。其中,光谱模型识别效果优于图像模型,且BP-ANN光谱模型识别效果最优,对校正集和预测集样本的识别率分别为98.70%和97.78%,主成分因子数为5。研究表明,菌落内部特征是识别菌种属的关键,且利用高光谱图像技术识别细菌具有可行性,且快速简便。     

重建高光谱图像的酿酒高粱品种识别方法研究

目的 基于重建高光谱图像技术实现对酿酒高粱品种的实时快速识别。方法 对分层回归网络(hierarchical regression network, HRNet)进行改进,得到残差注意力分层回归网络(residual attention-hierarchical regression network, RA-HRNet)。利用该网络进行重建高光谱图像,并在此基础上建立双向长短期记忆网络结合注意力机制(bi-directional long short-term memory-attention, BiLSTM-Attention)的酿酒高粱品种识别模型。以原始RGB数据作为重建高光谱图像网络的输入,将输出重建的光谱图像作为酿酒高粱品种识别模型的输入,以完成酿酒高粱品种识别。结果 RA-HRNet相比HRNet,模型参数量[Params(M)]降低80.5%,模型计算量[floating point operations per second, FLOPS(G)]降低80.2%,峰值信噪比(peak signal-to-noise ratio, PSNR)提升16.9%,平均相对绝对误差...     

油料作物与产品品质近红外光谱及高光谱成像检测研究进展

油料作物及产品含有丰富的营养成分,为人类健康提供必要的能量供给和营养物质,其品质优劣直接影响企业的经济效益以及人民的身体健康。近红外光谱及高光谱成像技术具有无损、便捷、高效以及绿色环保等优点,在油料作物与产品品质检测领域有较广泛的研究探索。本文简述了近红外光谱及高光谱成像技术的基本原理和常规分析步骤,重点综述了近年来该技术在油料作物理化成分的测定、品种识别和产地鉴定以及食用油真实性的鉴别等方面的具体应用,并最后展望了其在油料作物与产品品质检测领域中的应用前景。     

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。