半透射高光谱多指标同时检测马铃薯内外部缺陷

目的应用半透射高光谱成像技术结合支持向量机(support vector machine,SVM)模型实现马铃薯内外部缺陷多指标同时检测。方法采集310个马铃薯样本半透射高光谱图像,并分别采用标准正态变量变换(standard normalized variate,SNV)、归一化(normalize)和平滑处理(smoothing)对光谱信息进行预处理。进一步采用竞争性自适应重加权算法结合无信息变量消除法(competitive adaptive reweighed sampling algorithm,uninformative variable elimination,CARS-UVE)进行特征波长选择,提高模型识别率。结果原始光谱信息经归一化预处理和竞争性自适应重加权算法结合无信息变量消除法(CARS-UVE)降维后所建的支持向量机(SVM)模型识别结果最优,该方法对合格、绿皮和黑心马铃薯样本预测结果分别为90.7%、88.9%、95.7%,混合识别率为91.3%。结论采用半透射高光谱成像技术结合CARS-UVE方法所建SVM模型能够实现马铃薯内外部缺陷多指标同时检测。     

基于高光谱反透射图像的新疆冰糖心红富士水心鉴别

采用高光谱成像技术结合化学计量法,采集新疆冰糖心红富士好果与水心病果样本在波长范围380～1 004 nm的可见近红外高光谱反透射图像,选取感兴趣区域获得平均光谱,对原始光谱采用直接差分一阶求导等9种光谱预处理方法,再分别用主成分分析、快速独立分量分析、相关系数法完成数据降维,结合贝叶斯判别、K最近邻法、马氏距离判别、最小二乘支持向量机、二次线性判别方法识别是否有水心病。结果表明,主成分分析提取前15主成分,采用标准正态变量变换-主成分分析-最小二乘支持向量机与多元散射校正-主成分分析-最小二乘支持向量机模型识别效果最优,校正集和预测集识别率分别为100%和91.2%。     

茶油品质鉴别的透射和透反射模式分析比较

采用近红外光谱透射模式与透反射模式结合化学计量学方法对茶油进行品质鉴别。对收集的139个样品,分别用透射和透反射模式扫描,采用全光谱10 000～4 000cm-1波段,对光谱不做任何预处理,采用判别分析(discriminant a-nalysis,DA)建立油茶籽油(包括原茶油)和其它油的分类模型,真假茶油分类模型及原茶油和精炼茶油分类模型。透反射和透射模式都能够得到满意的结果,两种光谱采集方法的分类准确率均达到92%以上,透反射采集模式要优于透射采集模式。结果表明,近红外光谱可作为一种简单、快速、无损、可靠的方法用于鉴别茶油品质。     

基于VIS/NIR高光谱成像技术检测鸡肉嫩度

利用400~1000 nm可见近红外高光谱成像系统对鸡肉嫩度进行快速无损检测研究。采集鸡肉表面的高光谱散射图像,提取样本感兴趣区域反射光谱曲线并用剪切力值表征鸡肉的标准嫩度。以原始光谱和多元散射校正(MSC)预处理光谱数据建立鸡肉嫩度的偏最小二乘回归(PLSR)模型,预处理光谱建立的模型效果更优。基于MSC预处理,采用偏PLS权重系数法结合逐步回归法筛选出了4个特征波长。然后采用PLSR和多元线性回归(MLR)模型分别建立特征波长处光谱反射值和鸡肉嫩度关系的数学模型,优选最佳模型。结果显示:MLR模型预测效果较好,预测相关系数(RP)和均方根误差(RMSEP)分别为0.94和1.97。研究表明:利用可见近红外高光谱成像技术结合多元回归分析法对鸡肉嫩度的快速无损检测是可行的。     

基于高光谱成像技术无损检测苹果表面缺陷

基于高光谱成像技术结合模式识别,建立了苹果表面缺陷识别模型。首先,利用高光谱图像采集系统采集完好无损和表面有缺陷苹果的高光谱图像,提取感兴趣区域的平均光谱反射率;然后,比较标准正态变换(SNV)和多元散射校正(MSC) 2种光谱预处理方法对建模效果的影响,得出MSC为建模最优预处理方法。最后,采用主成分分析法选择累计贡献率超过99%的前5个主成分作为样本集特征光谱数据,分别建立了基于K最近邻(KNN)模式识别和偏最小二乘判别分析(PLS-DA)识别模型。结果表明:光谱经MSC预处理后,基于PLS-DA建立的识别模型对校正集和检验集识别率均达到100%,表明基于高光谱成像技术结合模式识别可实现苹果表面缺陷的无损检测。     

利用反射和半透射高光谱图像检测水蜜桃早期冷害

研究了应用高光谱图像技术检测‘霞晖5号’水蜜桃早期冷害的方法。通过分析桃果实采后贮藏期间出汁率的变化,确定冷害发生的初始时间。进而针对早期冷害桃果实的400～1 000 nm波段的高光谱反射和半透射图像,应用独立主成分分析方法优选出冷害的特征波长,反射条件下为656、674 nm和704 nm,半透射条件下为640、745 nm和811 nm,并通过提取每个特征波长下的光谱平均值作为Fisher判别方法建模的特征集,所建水蜜桃早期冷害判别模型的预测准确率分别为83.0%和94.0%。结果表明,高光谱技术可以检测桃果实早期冷害,且半透射照射方式的判别结果优于反射方式。     

基于近红外高光谱图像的花生内部霉变快速判别方法研究

目的 针对外观正常但内部存在不同程度霉变的花生,探索采用近红外高光谱成像技术结合机器学习方法构建花生内部霉变快速无损判别模型的可行性。方法 采集100粒内部霉变和100粒健康花生的近红外高光谱图像构成数据集,将多种经典光谱预处理方法与支持向量机(support vector machine, SVM)组合建立花生内部霉变判别模型,并采用蒙特卡洛-无信息变量消除法(Monte Carlo-uninformative variable elimination,MC-UVE)找出霉变判别中有效的光谱特征波长。结果 将Savitzky-Golay卷积平滑方法和二阶求导光谱预处理方法与SVM组合,对内部霉变严重样本判别的总体识别准确率可达95%,对不同程度内部霉变样本的平均识别准确率为88%;基于MC-UVE筛选得到10、5、3个特征波长构建的模型总体识别准确率为90%、85%和82%。结论 实验结果表明高光谱技术结合机器学习可为花生内部霉变的快速、无损判别提供可行的解决方案,同时特征波长筛选为基于光电原理的霉变花生色选机系统开发提供了参考。     

基于近红外透射光谱的食用油氧化定性分析

为建立食用油氧化的快速鉴别方法,以食用油为材料,根据国家标准对酸价和过氧化值的限量规定将不同氧化程度的样品分为未氧化油和已氧化油两类,通过近红外光谱透射技术结合距离判别分析,建立未氧化油和已氧化油的定性判别模型。结果表明：在波数范围为5450～4650cm-1,采用多元散射校正、一阶求导和Norris导数平滑光谱处理,校正集模型识别率为99%,验证集模型识别率为97.8%,模型预测效果良好,利用近红外透射光谱食用油氧化定性分析可行。     

基于透射光谱的苹果霉心病多因子无损检测

针对目前苹果霉心病难以检测的问题,提出一种基于透射光谱的苹果霉心病多因子无损检测方法,通过融合多波段透射光谱与苹果直径,构建苹果霉心病判别模型,实现了苹果霉心病无损检测。搭建光谱测试范围在200～1 025 nm的透射光谱采集平台,实验获取232 个苹果样本的透射光谱数据,采用游标卡尺获得苹果直径数据。采用杂散光校正,非线性校正对苹果透射原始光谱进行预处理,选取与霉心病发病相关的12 个波段透射光强值,结合苹果的直径进行主成分分析,将分析的结果作为自变量,建立苹果霉心病Fisher判别模型。经过异校验验证,模型总体识别率为93.1%,而仅采用透射光谱构建的模型识别率为91.37%。结果表明,基于透射光谱与直径结合的多因子检测方法可实现苹果霉心病的准确判定,为苹果霉心病的快速、无损检测提供可行思路。     

基于高光谱成像技术的宁夏枸杞产地溯源鉴别

本研究基于高光谱成像（400～1 000 nm）结合化学计量学开发一种用于识别枸杞产地多元化的检测方法。获取宁夏、甘肃、内蒙古、青海和新疆5个不同产地的枸杞高光谱图像,并基于阈值分割方法从感兴趣区域提取光谱数据。同时使用多种预处理方法消除光谱的干扰信息,研究表明基于归一化反射光谱的判别模型表现出较好的性能。进一步地采用连续投影算法、竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、粒子群优化算法、迭代保留信息变量算法（iteratively retaining informative variables,IRIV）和CARS+IRIV选择特征波长。研究结果表明CARS+IRIV选取波长建立的简化模型性能最优,从二元分类到五元分类模型,特征波长仅占全波长的15.6%～27.7%,预测集准确率分别为97.7%、90.9%、89.2%、87.1%。此外,为了更加直观辨别分类种类,使用混淆矩阵可视化最佳简化分类模型。在对宁夏枸杞分类中获得了令人满意的灵敏度、特异性和Kappa系数。综上,高光谱成像技术结合化学计量学方法可有效鉴...     

冷鲜羊肉品质的高光谱成像无损检测

利用400~1000 nm可见近红外高光谱成像系统对冷鲜羊肉蛋白质含量、嫩度、p H进行无损检测研究。采集冷鲜羊肉表面的高光谱散射图像,提取样本感兴趣区域的反射光谱曲线获得原始数据。先对原始光谱预处理并建立偏最小二乘回归(PLSR)模型,优选最佳预处理方法,后采用正自适应加权算法(CARS)和连续投影算法(SPA)提取特征波长,建立不同特征波长下各品质参数的PLSR预测模型。结果表明:利用原始光谱建立的冷鲜羊肉蛋白质、嫩度和p H的PLSR模型均优于经过光谱预处理所建PLSR模型;在不同波长下建立预测模型,OS-PLSR光谱模型对冷鲜羊肉蛋白质含量预测效果最佳,Rp=0.869,RMSEP=0.097;建立的SPA-PLSR光谱预测模型对p H预测效果理想,Rp=0.958,RMSEP=0.067;CARS-PLSR光谱预测模型对嫩度的预测能力较高,Rp=0.862,RMSEP=0.706。研究表明:利用可见近红外高光谱技术对冷鲜羊肉品质进行快速无损检测是可行的。     

基于高光谱成像技术的酿酒高粱品种分类

针对不同品种酿酒高粱分类难、分类精度有待提高等问题,提出了一种结合光谱和图像信息的高光谱成像技术从而对酿酒高粱进行分类的方法。通过采集11类共550个高粱样本的高光谱数据,运用连续投影算法从多元散射校正预处理后光谱中筛选出48个特征波长,再提取图像的灰度共生矩阵作为图像特征,利用纹理特征、全光谱、特征光谱及其结合图像特征分别建立支持向量机、偏最小二乘判别和极限学习机分类模型,最后再采集220个未参与建模样本对所建模型进行外部验证。结果表明,基于特征光谱结合纹理特征建立的支持向量机模型效果最佳,训练集和测试集的识别率分别为96%和95.3%,验证集的识别率达到91.8%,高于单一光谱数据建模效果,说明光谱和图像信息结合可以提高酿酒高粱的分类识别率。该方法为高粱品种的高精度分类和不同酿酒原料的快速无损检测提供了可行的方法。     

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。     

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。      

基于近红外透射光谱及多种数据降维方法的红富士苹果产地溯源

为了探寻苹果产地溯源新方法,本文以新疆阿克苏、陕西洛川、山东烟台三个不同产地600个红富士苹果样本为试材分别采集其590～1250nm的近红外透射光谱图,将经过光谱校正后的光谱数据做归一化(Normalization)、多元散射校正(Multivariate Scattering Correction,MSC)等8种光谱预处理,对经过预处理后的光谱数据建立全波长分类模型发现二阶求导为最优预处理方法;然后再将经过二阶求导预处理的光谱数据结合以欧几里得距离(Euclidean)、相关距离(correlation)、余弦相似度(cosine)、城市街区距离(cityblock)作为距离度量的K最近邻法建模,发现K最近邻法(correlation)为最优分类识别方法;随后再分别用高斯过程隐变量模型(Gaussian Process Latent Variable Model,GPLVM)、线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)、等12种数据降维方法对经二阶求导预处理后的光谱做降维处理,并结合K最近邻法(correlation)鉴别苹果产地。结果表明,提取前9个主成分,采用二阶求导-扩散映射-K最近邻法(correlation)模型识别效果最优,建模集和预测集的分类识别率分别为97.30%与92.30%。故,深度学习数据降维方法结合近红外透射光谱技术可成功、有效地实现苹果产地溯源。     

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。     

基于高光谱成像技术的金银花与山银花快速鉴别

利用高光谱成像技术,研究一种快速、准确、无损的鉴别金银花与山银花的方法。通过对比3种预处理方法对偏最小二乘算法(Partial Least Squares,PLS)建模效果的影响,得到SNV为建模最优预处理方法。使用回归系数法(Regression Coefficient,RC)和连续投影算法(Successive Projection Algorithm,SPA)选择经预处理后光谱的特征波长,并分别建立极限学习机(Extreme learning machine,ELM)和最小二乘支持向量机(Last Squares Support Vector Machine,LSSVM)的判别分析模型。结果表明,光谱经SNV预处理后,应用SPA提取特征波长并建立LS-SVM判别分析模型为金银花和山银花最优判别模型,其建模集与预测集识别率均达到了100.00%。因此,利用高光谱成像技术能够无损、有效地鉴别金银花与山银花,并且在全光谱和特征波长下均能实现金银花与山银花的快速判别分析。     

高光谱图像对白萝卜糠心的无损检测

为实现白萝卜异常品质糠心的无损检测,构建高光谱图像技术检测白萝卜糠心的检测系统。获取了光源透射、反射和半透射模式下白萝卜的高光谱图像信息,结合偏最小二乘分析（partial least squares discriminantanalysis,PLS-DA）、支持向量机（support vector machine,SVM）、人工神经网络（artificial neural network,ANN）3 种算法分别建立白萝卜糠心的识别模型。结果表明：3 种检测模式中,基于透射模式的高光谱图像系统检测准确率最高;3 种预测模型中,ANN模型优于PLS-DA和SVM模型。其中,基于透射模式的ANN模型,高光谱图像对萝卜糠心的检测总体准确率达94.3%,效果最好。因此,采用透射模式的高光谱图像技术对白萝卜糠心的检测是可行的。     

基于高光谱成像技术无损检测芒果轻微损伤

目的 使用高光谱成像技术实现对芒果轻微损伤的无损识别。方法 在可见光-近红外波长范围内采集完好芒果和损伤芒果的高光谱图像,并提取相应的感兴趣区域(regions of interest, ROI)获得样本高光谱数据。经过多种预处理方法比较,选择光谱预处理方法。使用竞争性自适应重加权算法(competitiveadaptivereweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)分别对预处理后的光谱提取特征波长,并分别建立了多元线型回归(multiplelinearregression,MLR)模型和偏最小二乘回归(partialleastsquaresregression,PLSR)模型。结果 选择多元散射校正(multiplicative scatter correction, MSC)作为光谱预处理方法。针对芒果轻微损伤识别,CARS-MLR模型识别效果最好,其校正集相关系数为0.881,预测集相关系数为0.821,校正集均方根误差(calibration set root mean squa...     

基于反射与透射图像的糯玉米叶片机器视觉识别效果分析

利用机器视觉技术,以菜农糯38、京糯2000等13个糯玉米品种作为研究对象,从玉米叶片的反射图像和透射图像中提取与玉米叶片形状、颜色和纹理等有关的36个外观特征,利用BP神经网络方法进行训练识别,并对不同类别特征和各颜色分量对透射和反射图像的识别结果进行了分析.结果表明,透射图像较反射图像具有较高的样本识别率,13个品种样本识别率均在89％以上,研究结果对于糯玉米生长期间植株外观性状的品种识别具有积极意义.