高光谱结合主成分分析的苎麻品种识别

苎麻（Boehmeiria nivea L）是我国的特产,作为一种传统的纤维作物,一直有着较高的经济地位。开发一种基于高光谱的、新型高效的苎麻品种识别方法,有利于苎麻栽种、种质资源开发利用,为实现苎麻高产优质及麻田精准管理提供关键技术支撑,对提高苎麻产量和品质有重要意义。为了将高光谱技术应用于苎麻品种识别,采集了9个不同基因型苎麻品种,利用地物光谱仪测定苎麻叶片高光谱反射率,共1 458个叶片高光谱数据,利用主成分分析(PCA)对高光谱数据进行降维,探讨PCA最佳主因子个数的确定方法,比较不同主因子个数与不同判别分析(DA)方法--即线性判别分析(LDA)、二次判别分析(QDA)和马氏距离判别分析(MD-DA)组合,在建立基于叶片高光谱的苎麻品种识别模型中效果。对全波段的数据样本进行主成分分析之后,以2～20个主成分作为特征变量,分别建立LDA,QDA和MD-DA三种品种判别模型进行预测,以预测集正确率为评价标准,比较各种组合的效果。结果表明,若以累积贡献率≥85%为标准,选择2个主成分时,LDA,QDA和MD-DA三种判别模型预测集正确率分别为32.92%,38.48%和33.54%;以特征值≥1为标准,选择11个主成分时,三种判别模型预测集正确率分别为68.72%,87.04%和83.54%;若以预测集正确率为优先考虑标准,将主成分个数增加至20个时,三种判别模型正确率有较大提高,分别为84.98%,95.68%和95.27%。由此,得到如下结论：①利用PCA组合DA方法建立基于苎麻叶片高光谱的品种识别模型是可行的,但因子数不同、DA判别标准不同、组合方法不同效果差异非常大;②主因子个数对识别结果的影响较为明显,适当增加主成分个数可以显著提高模型判别正确率,因此不应局限于PCA特征值和方差累积贡献率的选择方法;③主因子个数相同时,三种判别标准中,QDA效果最好,LDA效果最差;④最佳组合是20个主成分+QDA方法,其数据维度大大降低（由全波段的2 031维降低20维）,而预测集正确率为95.68%。     

基于小波包能量熵和Fisher判别的油纸绝缘老化拉曼光谱诊断

准确诊断油纸绝缘材料的老化程度是保证油纸绝缘设备安全运行的重要技术手段。拉曼光谱在物质成分分析及状态诊断领域已经普遍应用。结合实验室搭建的油纸绝缘拉曼光谱分析平台，根据绝缘纸的平均聚合度将加速热老化实验获得的油纸样本分为四个老化阶段。通过对不同老化样本拉曼光谱所包含的能量信息分析，运用小波包能量熵提取特征量，结合Fisher判别法构造判别函数，建立基于拉曼光谱老化特征量的油纸绝缘老化诊断模型，并收集现场变压器油样验证诊断模型的泛化能力。结果表明，两个判别函数能区分不同老化阶段的绝缘油样，对于老化样本的判别正确率达到84.2%。拉曼光谱结合小波包能量熵和Fisher判别分析法能够有效地对油纸绝缘老化状态进行诊断。     

高光谱数据的刚竹毒蛾虫害程度检测

刚竹毒蛾虫害检测对毛竹的生长和竹业的发展起着至关重要的作用。根据高光谱冠层光谱信息与刚竹毒蛾虫害程度之间的关系,提取冠层光谱中与虫害紧密相关的特征波长、指数以及光谱参数等,利用Fisher判别分析法建立刚竹毒蛾虫害程度检测模型。分别以原始光谱的400～508,586～693和724～900 nm处的波长、包络线去除光谱的400～756 nm之间的特征波长、9种冠层光谱植被指数和7种冠层特征光谱参数作为Fisher判别函数自变量,构建判别函数。收集300组毛竹叶片虫害样本数据,随机划分为210组建模集与90组验证集,根据检测精度、Kappa系数以及判定系数R2作为检验标准,对建立的判别函数进行效果评价与对比。结果表明,以原始光谱、去包络线光谱、冠层指数、光谱参数为自变量建立的Fisher判别函数的检验精度分别为：84.4%,81.1%,79.7%,78.7%;Kappa系数分别为：0.79,0.74,0.74,0.76;R2分别为：0.89,0.88,0.88和0.85。由此可知,Fisher判别分析模型建立的函数具备很好的刚竹毒蛾虫害程度检测能力,而且基于冠层原始光谱建立的判别函数检测效果最佳。根据高光谱数据的冠层原始光谱建立的判别函数对福建省顺昌县大干镇武坊村的洋门和土垅村的上湖竹林进行刚竹毒蛾虫害程度检测。检测结果为：上湖两个样区的竹林以健康为主。洋门两个样区虫害程度以中度和重度为主。因此基于无人机高光谱遥感对于刚竹毒蛾虫害的大面积检测具有可行性,该方法可为虫害检测的探究提供参考,为基于冠层遥感虫害检测贡献理论支撑。     

基于高光谱的番茄叶片斑潜蝇虫害检测

番茄植株在生长过程中受病虫害的侵染,将导致番茄减产和种植户的经济效益降低,该研究用高光谱技术结合化学计量学方法,实现了番茄叶片斑潜蝇虫害的快速识别。搭建了简易的高光谱成像系统,包括光源单元、高光谱图像采集单元和数据处理单元,用该系统获取番茄叶片的高光谱图像,对高光谱图像进行校准,并从每一幅图像中提取光谱信息。分别采用了光谱角匹配(SAM)分析方法和光谱红边参数判别分析(DA)方法识别番茄叶片斑潜蝇虫害。在SAM分析中,对高光谱数据进行了归一化预处理,以消除多余信息,增加样品之间的差异。比较了以不同番茄叶片样品的反射光谱作为测试光谱时,虫害识别效果的差异,当以受到斑潜蝇侵染的番茄叶片的平均反射光谱作为测试光谱时,虫害识别的正确率较高,达到96.5%。在光谱红边参数判别分析中,从光谱数据中提取了红边位置、红边振幅、最小振幅、红边面积、红谷位置和红边振幅/最小振幅6组红边信息,利用判别分析方法建立番茄叶片斑潜蝇虫害的判别模型,比较了距离判别、Fisher判别、Bayes判别分析方法的判别效果,使用距离判别分析建模的判别正确率最低,判别正确率为88.0%,使用Fisher判别分析建模的效果最佳,判别正确率为96.0%。研究结果表明,采用高光谱技术识别番茄叶片斑潜蝇虫害具有可行性。     

基于高光谱图像和判别分析的草地早熟禾品种识别研究

利用高光谱成像技术(550～1 000nm),采集了6个草地早熟禾品种新鲜叶片的高光谱图像,提取了叶片的光谱信息,运用Wilks’Lambda逐步判别分析法,从94个波段中选择了9个特征波段,根据特征波段的光谱信息,采用Fisher线性判别法,构建草地早熟禾品种的判别分析模型。结果表明,选择3个、6个和9个波段组合,对120个训练样本的识别正确率分别为98.3%,100%和100%,对60个测试样本的识别正确率分别为83.3%,96.7%和100%,说明以9个特征波段的光谱信息构建的草地早熟禾品种判别模型是合适的,利用高光谱成像技术结合判别分析法,为快速识别草地早熟禾品种提供了一种新的方法。     

高光谱与机器学习相结合的大白菜种子品种鉴别研究

提出了基于高光谱信息的大白菜种子品种分类识别方法。利用近红外高光谱图像采集系统采集了八种共239个大白菜种子样本;提取15 pixel×15 pixel感兴趣区域平均光谱反射率信息作为样本信息;采用多元散射校正预处理方法对光谱进行消噪;验证了Ada-Boost 算法、极限学习机(extreme learning machine, ELM)、随机森林(random forest, RF)和支持向量机(support vector machine, SVM)四种分类算法的分类判别效果。为了简化输入变量,通过载荷系数分析选取了10个大白菜种子品种分类判别的特征波长。实验结果表明,四种分类算法基于全波段的分类识别对81个预测样本的正确区分率均超过90%,最优的分类判别模型为ELM和RF,识别正确率达到了100%;以10个特征波长的分类判别精度略有下降,但输入变量大幅减少,提高了信息处理效率,其中最优分类判别模型为EW-ELM模型,判别正确率为100%,因此以载荷系数选取的特征波长是有效的。利用高光谱结合机器学习对大白菜种子品种进行快速、无损分类识别是可行的,为大白菜种子批量化在线检测提供了一种新的方法。     

红外光谱和逐步判别分析法应用于油菜籽的研究

用傅里叶变换红外光谱(FTIR)和逐步判别分析法对油菜籽的品种和产地进行鉴别研究。测试了来自5个产地17个油菜籽品种188份油菜籽皮样品的红外光谱,按产地和品种选择训练样本,每个品种选择5份为训练样本,剩下的作为测试样本,选择1 800～950 cm-1范围的光谱信息,在SPSS20.0的判别分析模块中采用逐步法,Fisher线性判别准则,分别建立油菜籽品种和产地的鉴别模型来判别样品的品种和产地;比较了逐步判别分析中五种筛选建模信息的算法所建立的模型对实验样品品种和产地的鉴别效果。基于油菜籽皮红外光谱信息的品种判别分析,五种筛选变量的算法所建立的模型都能较好的识别油菜籽的品种,“Wilks’ Lambda”法所建模型的识别效果最好,判别正确率为97.9%。基于油菜籽皮红外光谱信息的产地判别分析,五种筛选变量的算法所建立的产地判别模型也都能较好的识别油菜籽的产地,“Unexplained variance”法所建模型的识别效果最好,判别正确率为98.4%。研究结果表明,基于油菜籽皮中红外光谱信息的品种和产地判别分析,有望成为油菜籽品种和产地鉴别的方法。     

基于高光谱图像多光谱参数的草莓成熟度识别

为了建立多光谱参数用于草莓成熟度的自动识别,采用高光谱图像技术,通过提取草莓样本ROI的平均光谱,计算已有的八个成熟度参数Ind1,Ind2,Ind3,IAD,I1,I2,I3,I4的参数值,并结合Fisher线性判别法判断八个参数对于三种成熟度(成熟、接近成熟、未成熟)草莓样本的分类识别效果,发现基于I4参数的线性判别分析模型的识别效果最佳,建模集和预测集识别准确率分别为90%和91.67%;基于草莓样本的光谱特征,提取与草莓成熟度相关的三个波长535,675和980 nm,并基于这三个波长和已有的参数形式,构建了四个用于草莓成熟度检测的新参数：i1,i2,i3,i4,通过Fisher线性判别法判断四个参数的分类识别效果,发现基于参数i1,i2和i4的线性判别分析模型的识别效果均比参数I4好,建模集和预测集识别准确率为95.83%,95.83%,95.83%和95%,95%,96.67%。结果表明新建立的多光谱参数i1,i2和i4可以用于草莓成熟度的自动分类识别,为草莓成熟度的在线检测提供了理论依据。     

基于中红外光谱和化学计量学算法鉴别核桃产地及品种

为探究中红外光谱快速检测核桃产地和品质的可行性,基于中红外光谱分析技术,并将化学计量学的算法应用于中红外光谱判别分析之中,对中国四大核桃主产区的10类主要核桃品种进行检测,取得较好效果。通过提取核桃粉末的光谱透射率,去除原始光谱首尾部分的明显噪声,对保留的700~3 450 cm-1范围的光谱采用小波分析（wavelet transform,WT）算法进行去噪预处理,并采用无信息变量消除结合连续投影算法（UVE-SPA）提取光谱特征波数,采用主成分分析法（PCA）对光谱定性分析,基于反向传播神经网络（BPNN）、极限学习机（ELM）、随机森林(RF)、径向基函数神经网络（RBFNN）及偏最小二乘判别分析（PLS-DA）对全谱和特征波数建模对比。在4类不同产地核桃判别中,得到12个特征波数：803,1 355,1 418,1 541,1 580,1 727,1 747,1 868,2 338,2 462,2 824和3 166 cm-1,基于特征波数分类的正确率高于全谱的分类结果,BPNN算法结合特征波数建模得到的识别正确率高达97%,RF算法分类判别效果最差,正确率仅69.70%;在10类不同品种判别中,得到10个特征波数：903,1 275,1 507,1 541,1 563,1 671,1 868,2 311,2 845和3 437 cm-1,基于特征波数分类的正确率依然高于全谱的分类结果,BPNN算法结合特征波数建模得到的识别正确率高达83.3%。在特征波数通用性方面,两组特征波数范围中有2个特征波数相同：1 541和1 868 cm-1,其他大多特征波数也都相近,将10类品种特征波数作为输入变量对4类不同产地的核桃进行分类,分类结果较差,因此,在10类品种监督值下选取的特征波数无法适用于4类产地的判别问题,由此推断,即使是同一原始数据,基于不同判别问题得到的特征波数在建模时通用性较差。结果表明,经UVE-SPA算法提取特征波数后,变量数可减少99%以上,有效地简化了模型,减少计算量,提高预测的稳定性;总体上,每个分类器的表现为：BPNN>RBFNN>ELM>PLS-DA>RF;基于小波变换结合特征波数选取和反向传播神经网络算法能有效地实现核桃的产地和品种识别。     

红外光谱和逐步判别分析应用于金银花品种和产地的鉴别

基于傅里叶变换红外光谱技术,利用逐步判别分析法对金银花品种和产地进行鉴别研究。采集、测试了5个产地9个品种150份金银花样本的红外光谱,并计算了各样品红外光谱的一阶导数光谱和二阶导数光谱。分别选用不同的样本组成训练集和检验集,以1800～900 cm~(-1)、1500～700 cm~(-1)和1200～700 cm~(-1)波数范围的红外光谱、一阶导数光谱和二阶导数光谱数据为判别变量建立判别模型对金银花的品种和产地进行鉴别。判别结果显示,以1800～900 cm~(-1)波数范围的二阶导数光谱数据为判别变量建立的模型鉴别效果相对较好,对品种和产地的鉴别正确率依次达93.20%和96.13%。研究结果表明,采用逐步判别模式识别可以很好地鉴别不同品种和产地的金银花,方法可行有效,可为金银花品种和产地朔源提供方法。     

基于高光谱图像的玉米种子特征提取与识别

玉米种子的形态特征是玉米品种识别的重要因素之一.采用高光谱成像系统获取9个品种共432粒玉米种子的高光谱反射图像,对图像进行校正和预处理,提取每个样本在563.6~911.4 nm共55个波段范围内的形状特征.分别利用单波段、多波段和全波段下的玉米种子形状特征结合偏最小二乘判别法进行模型分类.结果显示,全波段范围内训练集和测试集的平均正确识别率达到98.31%和93.98%,均优于多波段和单波段的正确识别率.研究表明,该方法能充分利用高光谱图像中可见光和近红外区域的有效特征信息,较准确地鉴别玉米品种,为玉米品种的自动识别领域提供了一种新方法.     

基于高光谱图像的玉米种子特征提取与识别

玉米种子的形态特征是玉米品种识别的重要因素之一.采用高光谱成像系统获取9个品种共432粒玉米种子的高光谱反射图像,对图像进行校正和预处理,提取每个样本在563.6～911.4nm共55个波段范围内的形状特征.分别利用单波段、多波段和全波段下的玉米种子形状特征结合偏最小二乘判别法进行模型分类.结果显示,全波段范围内训练集和测试集的平均正确识别率达到98.31%和93.98%,均优于多波段和单波段的正确识别率.研究表明,该方法能充分利用高光谱图像中可见光和近红外区域的有效特征信息,较准确地鉴别玉米品种,为玉米品种的自动识别领域提供了一种新方法.     

高光谱数据对损伤长枣的检测判别

灵武长枣作为宁夏优势特色枣果,具有重要的经济社会价值和科学研究意义。利用可见近红外(Vis/NIR)高光谱成像系统采集60颗完整长枣光谱图像,然后利用损伤装置对60颗完整长枣进行损伤实验,最终得到60颗损伤（内部瘀伤）长枣,高光谱成像系统采集损伤后五个时间段（损伤后2,4,8,12和24 h）长枣的光谱图像。对采集的长枣光谱图像用ENVI软件提取感兴趣（ROI）区域,并计算完整长枣和每个时间段长枣的平均光谱值。原始光谱利用Savitzky-Golay平滑的一阶导数（SG-1）和二阶导数（SG-2）、标准正态变换（SNV）和去趋势（Detrending）、以及SNV-SG-1、SNV-SG-2、Detrending-SG-1、Detrending-SG-2算法进行预处理,原始光谱和预处理光谱建立偏最小二乘判别分析（PLS-DA）分类模型。选择最优的预处理光谱数据,利用连续投影算法（SPA）、间隔随机蛙跳（IRF）、无信息消除变量（UVE）、变量组合集群分析法（VCPA）、区间变量迭代空间收缩法（IVISSA）和IRF-SPA、UVE-SPA、IVISSA-SPA等算法进行特征变量选择,对选择的特征变量建立PLS-DA、线性判别分析（LDA）和支持向量机（SVM）分类判别模型。结果表明,在原始光谱建立的PLS-DA模型中,模型校正集和预测集准确率分别为82.96%和90%。光谱经过预处理后得到SNV-SG-2-PLS-DA为最优分类判别模型,模型校正集和预测集准确率分别为91.11%和96.67%。在特征变量建立的分类模型中,SNV-SG-2-UVE-PLS-DA模型校正集和预测集准确率分别为86.3%和94.44%;SNV-SG-2-SPA-LDA模型校正集和预测集准确率分别为86.3%和83.33%;SNV-SG-2-UVE-SVM模型校正集和预测集准确率分别为77.78%和71.11%。对于分类模型来说线性分类模型（PLS-DA、LDA）分类结果优于非线性分类模型（SVM）分类结果,在线性分类模型结果中PLS-DA优于LDA分类结果,PLS-DA可以更好的提供分类效果。研究表明,利用高光谱结合偏最小二乘判别分析分类模型,可以有效的实现灵武长枣损伤后随时间变化的快速检测,为灵武长枣在线检测提供理论依据。     

高光谱技术的羊肉品种多波段识别研究

利用可见/近红外(400～1 000 nm)及近红外(900～1 700 nm)高光谱成像技术对宁夏地区滩寒杂交、盐池滩羊、小尾寒羊三个品种羊肉进行识别研究。针对不同波段光谱特点,分别优选出Baseline及SG卷积平滑光谱预处理方法,并运用连续投影算法(SPA)提取特征波长,结合线性判别分析(LDA)及径向基核函数支持向量机(RBFSVM)模型进行全波段及特征波长识别分析。结果表明不同波段高光谱对羊肉品种识别均获得较好效果,其中400～1 000 nm波段采用Baseline-Fullwave-RBFSVM及12个特征波长下准确率为100%与98.75%,900～1 700 nm波段采用Baseline-Fullwave-RBFSVM及7个特征波长下准确率为96.25%与87.80%;RBFSVM非线性分类准确率高于LDA线性判别结果,400～1 000 nm波段识别准确率优于900～1 700 nm波段,说明三种羊肉在色泽纹理上差异比成分含量显著,利用高光谱成像技术结合RBFSVM方法能够获得较优的羊肉品种识别效果。     

基于变精度粗糙集的贪婪无监督高光谱图像波段选择方法

由于高光谱图像分类中现有的无监督波段选择方法无法计算出波段之间的相似性,以及在选择过程中存在的高维度特性,本文提出了一种基于变精度粗糙集的贪婪无监督高光谱波段选择方法。首先利用变精度粗糙集定义了一种新的依赖度量,使得它对变精度粗糙集中误分类参数变得不敏感,从而充分利用波段之间的相似性。其次,提出了一种新的判别准则,找出未选择和已选择波段子集中具有较高和较低的相似性值的波段。然后,采用一阶增量搜索法,逐条选择出所需的信息波段,从而避免大量信息的产生,减少计算复杂度。最后通过使用三个高光谱数据集将所提出的波段选择技术与五种最新技术进行比较。结果显示提出的方法对所有数据集均具有较好的分类精度,且在50%标记像素条件下平均分类精度相对于所有像素点平均分类精度分别仅下降了1.9%,3.1%以及4.1%。所提方法能够保证良好的分类性能与数据集泛化能力,并且对参数具有鲁棒性。     

高光谱成像技术鉴别菠菜叶片农药残留种类

利用高光谱成像技术无损鉴别菠菜叶片农药残留种类。采用高光谱成像仪采集900~1 700 nm波段内的光谱数据,采用多元散射校正对光谱数据进行预处理。利用主成分分析对不同种类菠菜样品的光谱数据进行分析,结果表明主成分分析能在可视化层面对不同种类的农药残留菠菜样品进行有效判别。另外,将卡方检验特征选择算法分别与支持向量机、朴素贝叶斯、决策树和线性判别分析算法结合,并采用10-fold交叉验证评价方法,筛选出最佳波段和最优判别模型（线性判别模型）。筛选出的8个特征波长为1 439.3,1 442.5,1 445.8,1 449,1 452.3,1 455.5,1 458.7,1 462 nm,模型的预测准确率达到0.993且10次交叉验证的标准差为0.009。结果表明,基于高光谱成像技术能准确地识别菠菜叶片上的农药残留种类。