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。      

基于高光谱图像与光谱特征融合技术的鸡蛋新鲜度无损判别模型的建立

鸡蛋新鲜度等级评价是鸡蛋品质检测过程中的一项重要技术指标。选取了不同储藏环境的鸡蛋样本并采集其高光谱图像信息与光谱信息,提取图像特征和光谱特征;采用并行式融合方法进行图谱特征融合,基于连续投影法-灰度共生矩阵方法进行特征提取;建立支持向量机鸡蛋新鲜度判别模型。采用粒子群算法优化模型,训练集准确率达到85%,预测集准确率达到76.67%。为了解决单模型可能出现的偶然性误判问题,采用递进式特征融合方法,引入多模型共识策略和深度残差网络ResNet 50分析方法。建立基于连续投影法-方向梯度直方图特征提取方法的多模型共识策略,该模型的训练集准确率提升至89%,预测集准确率提升至88%;同时,建立基于连续投影法-方向梯度直方图特征提取方法的深度残差网络ResNet 50模型,模型的训练集准确率提升至89%,预测集的准确率提升至86.67%。图谱特征融合建模分析表明,并行式融合方法和递进式融合方法对鸡蛋新鲜度等级判别都有一定的可识别性,且递进式融合算法的多模型共识策略判别效果更佳。     

基于高光谱成像技术的祁门红茶等级无损检测

为实现快速无损的茶叶产品等级评估,应用近红外（900~1700 nm）高光谱成像技术对6个等级的祁门红茶进行分类。首先利用线性和非线性降维方法对高光谱数据进行可视化处理,可视化算法包括线性方法的主成分分析（Principal Component Analysis,PCA）、多维尺度变换（Multi-Dimensional Scaling,MDS）,和非线性方法的t分布随机邻域嵌入（t-Distributed Stochastic Neighbour Embedding,t-SNE）、Sammon非线性映射。其次利用支持向量机（Support Vector Machine,SVM）和极限学习机（Extreme Learning Machine,ELM）建立分类模型来鉴定祁门红茶的不同等级。最后利用SVM和ELM分类模型对高光谱图像每个像素点进行识别,得到预测图。结果表明,t-SNE可以将6个等级的祁门红茶分在六个不同的簇,SVM和ELM的预测集准确率分别为100%和96.35%。t-SNE可视化效果最佳,SVM的检测模型能够有效地对祁门红茶六个等级进行识别。本文为茶叶产品等级的快速、无损检测提供了一种有效的方法,对茶叶产品的质量控制、真伪检测和掺假检测具有重要意义。     

基于高光谱成像技术的大米溯源研究

利用高光谱成像技术提取大米的光谱信息进行大米产地溯源研究。采用X-Y距离样本集算法（SPXY）进行训练集和测试集的划分,将1 000颗大米样本中800个为训练集,剩下200个为测试集。并采用主成分分析（PCA）法提取相关性较强的主成分光谱信息,进行数据降维。基于主成分分析法提取前4个主成分,并在贡献率最高的第4主成分基础上,结合支持向量机算法（SVM）建立大米产地溯源预测模型。研究得出训练集准确率可达96%,测试集平均准确率为79%。通过训练集和测试集的实验结果表明,高光谱成像技术可以对大米产地进行溯源,为大米产地快速、无损检测提供了一定思路和参考。     

基于高光谱成像技术的板栗产地溯源

目的 建立了一种基于高光谱成像(Hyperspectral Imaging, HSI)技术的板栗产地溯源模型。方法 采集怀柔、迁西和沂蒙短枝三种不同产地板栗的高光谱图像,提取感兴趣区域(Region of Interest, ROI),建立支持向量机(Support Vector Machine, SVM)板栗产地溯源模型,通过比较分析不同预处理方法对建模结果的影响,选出最佳的预处理组合方法,并使用遗传算法对模型进一步优化。结果 实验结果表明,经多元散射校正(Multiplicative Scatter Correction, MSC)和移动窗口平滑法(Moving Window Smoothing, MWS)组合预处理后的数据所建立的溯源模型预测性能最好,分类的预测精确率达到了95%以上,模型整体的准确率为96.61%。经遗传算法(Genetic Algorithm, GA)对SVM的参数C进行优化,优化后的模型对怀柔板栗和沂蒙短枝板栗的预测精确率达到了100%,模型整体的准确率提高到了98.31%。结论 本研究基于高光谱成像技术建立了一种板栗产地溯源模型,经预处理和参数优化后,所建立的模型具有较好的预测性能,为板栗的产地溯源提供了一种新方法。     

基于支持向量机的高光谱遥感影像分类

高光谱遥感是将成像技术和光谱技术相结合的多维信息获取技术。自发展以来,已在各个方面都显示出了巨大的研究潜力,成为遥感应用最广泛的领域之一。然而,如何充分利用高光谱遥感数据提供的丰富的地表信息,以及如何在如此大量的信息中提取有用信息,是摆在研究者面前的一项重要课题。高光谱遥感影像处理的一项重要内容就是地物目标的分类。文章基于支持向量机算法原理,提出了一种应用于高光谱影像的分类机制,并在印度松树(Indian Pines)和帕维亚大学(Pavia University)数据集上进行了验证实验,取得了较高的分类精度。     

基于高光谱成像技术的李果实成熟度判别

为了探究快速识别不同成熟度李果实的有效方法,本研究以李果实作为研究对象,基于高光谱成像技术对不同成熟度的李果实(未熟、半熟、成熟、过熟)样本的光谱信息(420～1000 nm)进行采集,对采集样本的光谱信息进行平滑处理(Smoothing)与标准正态变量校正(SNV)相结合的方法预处理光谱数据,分别以预处理后的全光谱(FS)数据和采用主成分分析(PCA)法提取主成分、采用连续投影算法(SPA)提取特征波长作为输入变量,建立偏最小二乘法(PLS)模型,比较不同判别模型的准确性。结果表明,FS-PLS建立的模型判别准确率最高,综合准确率达到了91.88%;但考虑实验计算量及复杂程度来说,SPA-PLS建立的模型判别准确率最优,综合准确率达到91.25%。该研究为李果实成熟度的判别检测提供了新的理论基础。     

基于高光谱技术的马铃薯外部品质检测

为了快速无损检测马铃薯外部品质,研究采用高光谱成像技术对马铃薯外部品质分级。选取合格、发芽、绿皮、孔洞4种马铃薯外部特征,获取光谱数据,采用不同预处理方法对光谱数据进行处理,并分别建立偏最小二乘判别模型,结果显示采用标准正态变量变换法(SNV)获得的模型效果最优。对预处理后的光谱数据利用连续投影算法(SPA)及加权权重法(WWM)分别优选出了13个和9个特征波段,对两种不同方法得出的特征波段分别建立了支持向量机判别模型,结果显示两种方法对预测集的判别准确率均达到了100%,WWM-SVM判别模型对校正集的交叉验证率为99.5%,高于SPA-SVM判别模型的交叉验证率。利用高光谱成像技术结合SPA-SVM和WWM-SVM对马铃薯外部品质进行分级具有可行性。     

基于深度学习的高光谱腊肉营养安全分级

本文设计的卷积神经网络-支持向量机(CNN-SVM)模型,从腊肉的高光谱成像出发,将深度学习提取特征与传统机器学习提取特征有机结合,设计出准确可靠的腊肉营养安全四分类器.利用三维卷积神经网络提取腊肉高光谱图像的深层特征,同时融合高光谱的光谱特征,联合输入支持向量机(SVM)实现对腊肉的分类和健康风险评价.结果:获得了与...     

基于高光谱成像技术的小白杏成熟度判别模型

为快速、准确检测小白杏的成熟度,该研究选择七成熟、八成熟、九成熟、十成熟的小白杏样本各120个,采用近红外高光谱成像系统采集样本的高光谱数据,进行去除噪声和剔除界外样本处理。然后使用均值中心化（mean centering,MC）、Savitzky-Golay卷积求导法（Savitzky-Golay derivative,S-G）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变量变换（standard normal variate transformation,SNV）、归一化法5种方法分别对全波段和特征波段光谱进行预处理,采用光谱-理化值共生距离算法（sample set partitioning based on joint x-y distance,SPXY）、K-S法（Kennard-stone,K-S）、双向算法（Duplex）、交叉验证法、随机法将样本划分为校正集和验证集。最后用极限学习机（extreme learning machine,ELM）、支持向量机（support vector machine,SVM）、偏最小二乘法（partial least squares,PLS）、K最邻近法（K-nearest neighbor,KNN）、贝叶斯判别法建立不同的分类判别模型,比较各模型的识别率。结果表明,对小白杏成熟度定性判别模型,有以下最优组合：全波段+MSC+SPXY/Duplex/K-S/交叉验证/随机法+ELM/PLS/SVM/KNN、全波段+S-G/MSC/归一化/SNV+随机法+贝叶斯、全波段+S-G+SPXY/Duplex/K-S/交叉验证/随机法+ELM/PLS/SVM/KNN、全波段+归一化+SPXY/Duplex/K-S/交叉验证/随机法+PLS、特征波段+MSC+SPXY/Duplex/K-S/交叉验证/随机法+ELM/PLS/SVM/KNN/贝叶斯、特征波段+归一化+SPXY/Duplex/K-S/交叉验证/随机法+PLS。     

基于嗅觉可视化技术的眉茶等级分类方法

为了快速、准确地对眉茶等级进行分类,提出了一种基于嗅觉可视化技术的眉茶等级快速分类方法。首先,根据卟啉显色反应预实验结果,选定了12 种显色效果明显的卟啉指示剂制备嗅觉可视化传感器阵列,通过该传感器阵列与不同等级的眉茶茶汤进行反应,获取不同的特征图像。然后,对特征图像数据进行主成分分析和降维,将得到的不同维数的主成分分析结果作为输入变量,构建支持向量机（support vector machine,SVM）眉茶等级分类模型。最后,引入3 种群体智能优化算法（萤火虫算法、灰狼优化算法、布谷鸟算法）对SVM分类模型的惩罚因子c和核函数参数g进行优化。结果显示：未经优化的SVM分类模型对测试集的分类正确率为80%,所需的主成分个数为12 个;经过优化的SVM模型的分类正确率均有所提升,其中经过布谷鸟算法优化的SVM模型对测试集的分类正确率达到了93.3%,且所需的主成分个数减少为6 个。这表明应用嗅觉可视化技术能够实现对眉茶等级的分类,而通过群体智能优化算法优化SVM分类模型可以显著增强模型的性能,提高分类正确率。     

基于可见/近红外高光谱成像技术的牛肉品种鉴别

利用可见/近红外高光谱成像技术实现荷斯坦奶牛、秦川牛、西门塔尔牛三个品种牛肉的快速无损鉴别。首先,对原始光谱进行预处理并对样本集进行划分;应用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)对预处理后的光谱数据提取特征波长;结合偏最小二乘判别模型(PLS-DA)、K最近邻(KNN)模型及支持向量机(SVM)模型进行全波段及特征波段鉴别分析。结果表明,一阶导数(FD)法为最优预处理方法,利用光谱-理化值共生距离法(SPXY)法划分后的样本模型预测性能最好;利用CARS、SPA和UVE分别选出24、17和19个特征波长;基于CARS法提取的特征波长所建的RBF-SVM模型的校正集与预测集正确率分别为100%、98.82%。由此可见,基于高光谱成像技术能够获得较好的牛肉品种鉴别效果。该研究可为牛肉品种的快速无损鉴别提供参考。     

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。     

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。     

基于太赫兹时域光谱的芝麻油品种识别研究

为了实现对芝麻油品种的快速鉴别,本文基于太赫兹时域光谱(THz-TDS)提出一种芝麻油品种识别的方法。选取0~2.5 THz范围内的光谱进行分析,通过主成分分析法(PCA)对时域光谱数据进行降维,选择前4个主成分(累计贡献率大于99%)代表原始数据,然后利用支持向量机(SVM)方法对不同品种芝麻油进行分类识别,分类时使用3种不同的核函数建模,并采用网格搜索算法获得最优模型及其模型参数。使用径向基核函数(参数为惩罚函数C=0.01,核函数系数γ=0.1)的模型识别率最高,达到100%,说明太赫兹时域光谱技术结合PCA和SVM方法可以快速可靠的进行食用油的识别,为食品安全的识别提供一种新的技术手段。     

基于近红外高光谱成像技术的地方鸡品种鉴别

我国拥有丰富的地方鸡遗传资源,不同品种的地方鸡在营养、口感和风味上表现出显著区别。该研究利用近红外高光谱成像技术研究地方鸡品种的鉴别方法。以龙游麻鸡、江山乌骨鸡和丝羽乌骨鸡为研究对象,采集3个品种鸡肉在900~1 700 nm波段的高光谱图像并提取光谱数据。对光谱数据进行预处理后选取特征波长,建立PLS和SVM鉴别模型。结果显示,Detrending-SNV为最优预处理方法,ACCc、ACCp和ACCt 分别为94.17%、95%和94.59%。基于MCUVE-SPA算法选取的16个特征波长建立的PLS鉴别模型为最优模型,ACCc、ACCp和ACCt分别为95.83%、100%和97.92%,与全光谱模型相比分别提高了1.76%、5.26%和3.52%。研究结果表明,利用近红外高光谱成像技术鉴别地方鸡品种具有一定的可行性。     

应用高光谱技术及MLSPTSVM模型检测热损伤大豆

进口大豆在运输过程中极易因贮藏温度过高而造成热损伤,加剧大豆蛋白及油脂的品质恶化,对大豆质量造成影响。本文利用高光谱图像技术和多元最小二乘递归投影孪生支持向量机(multiple least squares recursive projection twin support vector machine,MLSPTSVM)对大豆的热损伤进行检测。应用高光谱图像采集系统,在400~1000 nm范围内获取正常大豆、轻度热损伤、重度热损伤大豆的光谱图像,采用多种预处理方法进行光谱预处理,对预处理方法提高模型检测性能的有效性进行分析。结果表明,多元散射校正预处理搭配线性核的MLSPTSVM模型,原始光谱数据搭配非线性核的MLSPTSVM模型,均能达到100%检测准确率,相较于经典检测模型具有显著优势。在实验样本数量大幅减少的情况下,应用线性核的模型检测准确率仍能达到100%。因此,结合MLSPTSVM模型的高光谱图像检测方法有效地提高热损伤大豆检测精度,且具有良好的鲁棒性,为大豆品质的检测提供了新的方法。     

高光谱技术结合迭代决策树的香肠菌落总数预测

利用波长范围400～1 000 nm高光谱对香肠的菌落总数进行预测研究。选取450 个香肠样本的光谱数据作为训练集,50 个作为测试集。采用多元散射校正方法对光谱预处理并采用主成分分析法对光谱降维处理。对训练集和测试集数据分别采用支持向量回归和迭代决策树（gradient boosting decision tree,GBDT）方法建立定量分析模型,优选最佳建模方法。结果表明：GBDT的建模效果较好,其训练集和测试集的均方根误差分别为0.001和0.003,决定系数R2分别为0.998和0.996。研究表明,基于高光谱成像技术利用GBDT方法预测香肠菌落总数可行并可有效实现。