利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别

小麦是制作馒头的主要原料之一,小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同,进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法,对比感官评定,光谱分析可以识别样品中的分子结构等信息。基于此,尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。首先选取了两个不同产地的小麦,再利用微波干燥法对两个不同产地的小麦做烘干预处理,使烘干的小麦水含量为12%±0.5%,原麦水含量为18%±0.5%。分别标记为原麦A,烘干A,原麦B,烘干B,再将小麦研磨成粉末,过100目筛网筛选后,置于自封袋中备用。随后分别采集四种小麦样品的近红外和中红外光谱信息,在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理,利用主成分分析对预处理后的数据进行降维处理,再结合线性判别分析（linear discriminant analysis,LDA）和支持向量机（support vector machine, SVM）分别建立小麦近红外、中红外光谱数据识别模型。另外利用联合区间偏最小二乘法（synergy interval partial least square, SiPLS）筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间,将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析（LDA）和支持向量机（SVM）建立小麦融合光谱信息的识别模型。然后比较同种光谱数据下利用线性判别分析（LDA）和支持向量机（SVM）建立的小麦识别模型识别率、比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。结果表明,同种光谱分析方法,利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。同种建模方法,近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。而在同种建模方法下,利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高,光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%,预测集识别率为97.50%;而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。对比利用单一光谱数据建立的小麦识别模型识别率,光谱数据融合之后建立的小麦识别模型识别率得到显著提高,该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率,结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。     

小麦黑胚病识别模型优选和多分类识别分析

为探讨利用可见/近红外光谱进行小麦黑胚病快速无损检测的可行性,以及基于主流机器学习算法,寻找面向生产的小麦黑胚病优化识别模型,利用自行研发的近红外光谱采集平台采集了579～1 099 nm波段23个品种共2760个小麦单籽粒的吸光度光谱数据,采用标准正态变量变换(SNV)进行预处理之后分别经过SPA(successive projections algorithm), PCA(principal component analysis)等两种数据降维方法,结合ELM(extreme learning machine), SVM(support vector machine), RF(random forest)和AdaBoost等四种分类方法,分别构建SPA-SVM, SPA-ELM, SPA-RF, SPA-AdaBoost, PCA-SVM, PCA-ELM, PCA-RF, PCA-AdaBoost八种小麦黑胚病识别模型; 结果表明小麦黑胚籽粒的识别准确率达到93.3%～98.6%,识别效果优于前人文献中利用近红外波段的识别效果;其中SPA-SVM模型具有最高的识别率,PCA-AdaBoost模型具有更好的普适性。将SPA-SVM模型和PCA-AdaBoost模型作为优选模型,从生产实际出发,分别对未感病+轻感病、中感病+重感病籽粒进行了二分类识别,对未感病,轻感病+中感病、重感病籽粒进行了三分类识别,以及对未感病、轻感病、中感病、重感病籽粒进行了四分类识别,并深入分析了识别效果和产生原因。总体来说,小麦黑胚粒的识别准确率随分类程度的细化而下降,二分类的识别模型可直接用于生产,尽管三分类和四分类的感病粒识别效果较差,但是对未感病粒的检出率则不受分类程度的影响,识别率在87.2%以上,符合生产需求。综合来看,SPA-SVM模型分类效果优于PCA-AdaBoost模型,可作为首选识别模型,该研究为小麦籽粒黑胚病的在线批量快速检测提供了技术依据。     

近红外光谱和多分类器融合的葡萄酒品种判别研究

将多种单分类器模型融合,并用融合后的模型对不同品种干红葡萄酒进行判别分析。用BRUKER MPA傅里叶变换型近红外光谱仪采集170个干红葡萄酒样品的近红外透射光谱,选取PLS-DA,SVM,Fisher和AdaBoost作为单分类器建模方法,分别建立葡萄酒品种判别模型,通过差异性度量值对单分类器进行筛选,得到差异性较大的四个单分类器作为基分类器,其中基分类器对测试集葡萄酒品种判别准确率最高为88.24%,最低为81.18%。然后通过加权投票机制对基分类器进行融合,融合后的模型对测试集葡萄酒品种判别准确率提高至92.94%,误判样品个数由单分类器最少的9个降为6个。实验结果表明多分类器融合所建立的模型优于传统近红外光谱定性分析一般采用单分类器模型结果,提高了葡萄酒品种判别的准确性,采用基于近红外光谱的多分类融合方法对葡萄酒种类判定具有可行性。     

无人机多光谱影像的小麦倒伏信息多特征融合检测研究

为探究多特征融合方法在作物倒伏领域快速精准识别中的适用性,利用无人机获取多田块冠层尺度的不同倒伏率麦田多光谱数据,对原始倒伏图像进行图像拼接、辐射校正、几何校正等预处理,并利用重归一化差值植被指数和阴影指数分别剔除土壤和阴影背景,提取小麦倒伏DSM模型和植被指数分别与多光谱图像进行多特征图像主成分变换融合,筛选差异性较大的纹理特征,采用支持向量机(SVM)、人工神经网络(ANN)和最大似然法(MLC)监督分类模型对多光谱和DSM融合图像、多光谱和归一化植被指数(NDVI)融合图像、多光谱图像和纹理特征图像进行监督分类,并采用总体精度(OA)、 Kappa系数和提取误差综合评价各监督模型的分类性能和倒伏提取精度。分类结果表明：各监督分类方法在不同倒伏区域提取结果建模效果趋势一致,SVM和ANN整体提取精度高于MLC,在高倒伏区域,多光谱与NDVI融合图像的SVM监督模型(OA:92.63%, Kappa系数：0.85,提取误差：1.11%)提取效果最好;在中倒伏区域,多光谱与DSM融合图像的SVM监督模型(OA:90.35%, Kappa系数：0.79,提取误差：9.34%)提取效果最好...     

可见-近红外光谱的鸭梨黑心缺陷在线检测AdaBoost集成模型研究

黑心病是鸭梨贮藏期间发生的生理病害,其病变初期表现在内部果核处出现褐色斑块,而在果实外观上与正常果几乎没有任何差异,严重影响鸭梨的贮藏时间和品质,亟需一种快速无损的检测方法为鸭梨质量保驾护航。采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别,结合平滑（Smoothing）、标准正态变量变换（SNV）、多元散射校正（MSC）、SG一阶导数（SG 1st-Der）以及小波变换（WT）预处理方法和主成分分析（PCA）、k近邻（kNN）、朴素贝叶斯（NBC）、支持向量机（SVM）以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究。Adaboost集成了kNN、NBC和SVM三个独立学习器。将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价,采用训练集的查准率/查全率的调和平均值（F-measure）和正确识别率（Accuracy）对分类模型进行优化和评价。研究结果表明：不同属性（正常和黑心）鸭梨样品光谱的前三主成分分布图相互交错,很难直观地对黑心鸭梨进行区分。样品光谱经小波变换（小波基为“Haar”）预处理的kNN模型训练集的F-measure和Accuracy分别为78.98%和82.62%;经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90%和82.11%;经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24%和91.58%;经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46%和92.63%。通过测试集对模型进行验证可知：光谱经小波变换预处理后建立的Adaboost分类模型最优,分类的F-measure达到90.91%,较WT-kNN,SG 1st-Der-NBC和WT-SVM模型分别提高了11.39%,15.23%和2.30%;Accuracy达到92.63 ％,分别提高了10.52%,11.58%和2.10%;模型对测试集样品预测时的计算时间约为0.12s,满足在线分选要求。可见-近红外光谱结合AdaBoost分类方法,可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法。     

基于NIR分析和模式识别技术的玉米种子识别系统

模式识别技术及数据挖掘方法已成为化学计量学的研究热点。近红外(NIR)光谱分析以其快速、简便、非破坏性等优势广泛应用于光谱信号的处理和分析模型的建立。文章基于五种不同的模式识别方法:局部线性嵌入(LLE),小波变换(WT),主成分分析(PCA),偏最小二乘(PLS)和支持向量机(SVM),利用NIR技术建立了玉米种子的模式识别系统,并将其应用于108玉米杂交种和母本178种子的近红外光谱样品。首先利用LLE,WT,PCA,PLS进行消噪或降维,然后运用SVM进行分类识别,而一模支持向量机(1-norm SVM)算法直接进行分类识别。三个不同NIR光谱范围的数值实验显示:PCA+SVM,LLE+SVM,PLS+SVM识别效果甚佳,而WT+SVM和1-norm SVM方法也有较高的分类精度。实验结果表明了本文提出方法的可行性和有效性,为利用近红外光谱和模式识别技术进行种子识别研究提供了理论依据和实用方法。     

基于支持向量机及小波变换的人参红外光谱分析

以吉林名贵中药材人参作为研究的主要对象,详细研究了利用小波变换技术对红外光谱变量的压缩方法和实现过程,以及如何利用人工神经网络(ANN)和支持向量机(SVM)技术建立人参的红外光谱的产地鉴别模型,并详细讨论了ANN模型中相关参数的优化方法以及SVM模型中的核函数及σ值的优化选择。仿真实验表明,建立的ANN模型对40个吉林人参样品产地识别率达到92.5%,而采用径向基核函数的SVM模型的识别率为97.5%,其分类效果明显优于ANN模型。从而表明小样本的情况下,利用SVM结合小波变换技术可以对吉林人参的红外光谱的产地特征进行正确区分,同时为中草药的红外光谱的进一步的分析和研究提供了一定理论依据和技术支持。     

基于SVM的天津产地玫瑰香葡萄酒定性分析

利用红外光谱法对天津产地玫瑰香葡萄酒识别鉴定,提出了用支持向量机(SVM)算法对干白葡萄酒红外光谱图进行分析,详细介绍了干白葡萄酒谱图的预处理过程,包括基线校正、消除噪声、标准归一化和去除异常样本点。选取了不同产地的玫瑰香原酒样品511个、贵人香原酒样品438个、霞多丽原酒样品307个、白玉霓原酒样品29个、白羽原酒样品44个、龙眼原酒样品31个、泽香原酒样品79个,针对不同分类将80%样品谱图用SVM建立分类模型,并用剩余20%样品谱图对这些模型进行验证,实验结果表明该方法行之有效,不同葡萄品种干白葡萄酒模型正确率、识别率和拒绝率达到97%以上,不同产地玫瑰香干白葡萄酒正确率、识别率和拒绝率达到98%以上。该方法可以对天津产地玫瑰香葡萄酒进行定性识别鉴定。     

基于NIR分析和模式识别技术的玉米种子识别系统

模式识别技术及数据挖掘方法已成为化学计量学的研究热点。近红外(NIR)光谱分析以其快速、简便、非破坏性等优势广泛应用于光谱信号的处理和分析模型的建立。基于五种不同的模式识别方法:局部线性嵌入(LLE),小波变换(WT),主成分分析(PCA),偏最小二乘(PLS)和支持向量机(SVM),利用NIR技术建立了玉米种子的模式识别系统,并将其应用于108玉米杂交种和母本178种子的近红外光谱样品。首先利用LLE,WT,PCA,PLS进行消噪或降维,然后运用SVM进行分类识别,而一模支持向量机(1-normSVM)算法直接进行分类识别。三个不同NIR光谱范围的数值实验显示:PCA+SVM,LLE+SVM和PLS+SVM识别效果甚佳,而WT+SVM和1-norm SVM方法也有较高的分类精度。实验结果表明了本文提出方法的可行性和有效性,为利用近红外光谱和模式识别技术进行种子识别研究提供了理论依据和实用方法。     

高光谱无损识别野生和种植黑枸杞

高光谱图像技术在农产品检测及识别方面有广阔的应用前景。野生黑枸杞经济效益显著,经常被种植黑枸杞冒充。提出一种利用高光谱图像对野生黑枸杞无损快速识别的方法。主要内容和结果如下：（1）共采集256份（野生、种植各128份）黑枸杞在900～1 700 nm范围的高光谱反射光谱,每份平均光谱作为此样品的光谱;（2）采用标准正态变换（SNV）对采集的光谱预处理;基于Kennard-Stone法,按照校正集和预测集比例为2∶1对样品划分,用连续投影算法（SPA）对光谱进行降维处理,提取特征波长30个;分别将全光谱和SPA 提取的30个特征波长作为模型输入,建立支持向量机（SVM）、极限学习机（ELM）和随机森林（RF）识别模型。（3）结果表明,在识别野生黑枸杞模型中,基于全光谱和SPA建立的SVM,ELM和RF模型校正集识别率均高于98.8%,基于全光谱和SPA建立的SVM,ELM和RF模型预测集识别率均高于97.7%。基于全光谱（FS）建立的三种识别模型略优于基于SPA建立的三种识别模型。但从简化模型方面,SPA提取的特征波常数仅为全光谱的11.8%,大大降低了模型运算量。三种模型中,基于随机森林模型无损识别野生黑枸杞效果最好,均达到100%。研究表明,利用高光谱图像技术结合分类模型可快速识别野生黑枸杞。     

基于凸组合核函数的化合物太赫兹透射光谱分类

物质的太赫兹光谱包含着非常丰富的物理和化学信息。它对化合物晶体具有高的灵敏度、 单光子能量低等特点。但受到检测人员知识背景、 背景噪声、 识别算法精度等因素的影响,光谱样本识别准确率和效率较低。为了提高对太赫兹光谱的检测能力,提出应用基于凸组合核函数的support vector machines(SVM)对化合物的THz脉冲透射谱进行分类。在使用小波变换对数据进行滤波预处理之后,提取了传统波峰、 波谷位置特征和term frequency-inverse document frequency (TF-IDF) 最大间隔特征。TF-IDF方法使用信息论的原理确定每个采样点的权重,选择权重较大的点作为特征。针对太赫兹透射谱特征相似、 维数较低带来的分类困难问题,构建基于凸组合核函数的SVM分类模型。并利用核评价的方法,通过高维非线性规划方程求解最优凸组合参数。当最优凸组合参数被确定时,构建分类模型进行分类和预测。相比较于单一核函数,凸组合核函数将透射谱特征与分类模型融合起来。对于不同的检测样本,数据经过凸组合核函数映射到高维空间后,特征具有更显著的区分度。使用不同的太赫兹透射谱样本进行分类实验,结果表明,分类准确率得到极大提高。     

SVM回归法在近红外光谱定量分析中的应用研究

研究了基于统计学习理论的支持向量机（SVM）回归法在近红外光谱定量分析中的应用。以66个小麦样品为实验材料,由33个小麦样品作为校正样品,采用4种不同核函数方法对小麦样品蛋白质含量与小麦样品近红外光谱进行SVM回归建模。以所建4种不同SVM回归模型对33个小麦预测样品的蛋白质含量进行了预测;不同回归模型的预测结果与凯氏定氮法确定的蛋白质含量的标准化学值间的相关系数均在0．97以上,平均绝对误差小于0．32。为了考察SVM回归校正模型的预测效果,同所建PLS回归模型的预测结果进行了比较,表明所建预测小麦样品蛋白质含量的SVM回归模型亦可通过近红外光谱进行实际样品的定量分析,且有较好的分析效果。     

不同部位矿质元素与红外光谱数据融合对美味牛肝菌产地溯源研究

野生食用菌产地溯源研究中,采用单一有机成分或矿质元素指纹存在一定局限性。利用不同指纹分析技术的互补性与协同性,将不同部位与类型的化学信息进行融合,探讨此方法对野生食用菌产地溯源的可行性,以期为野生食用菌溯源提供新的思路与科学依据。通过测定云南7个产地、124个美味牛肝菌(菌柄、菌盖)中15种矿质元素的含量,以及子实体傅里叶变换红外光谱(FTIR)。标准正态变换(SNV)、二阶导数(2D)等算法对原始光谱进行预处理。基于低级与中级数据融合策略,将预处理后的FTIR光谱与菌柄、菌盖矿质元素数据进行融合,结合支持向量机(SVM)分别建立菌柄、菌盖、FTIR、低级数据融合(菌柄+菌盖,菌柄+菌盖+FTIR)与中级数据融合(菌柄+菌盖+FTIR)判别模型;分析比较模型参数,确定快速甄别美味牛肝菌产地的可靠方法。结果显示：(1)菌盖中Cd,Cr,Cu,Li,Mg,Na,P和Zn元素平均含量高于菌柄,Ba,Ca,Co,Ni,Rb,Sr和V元素在菌柄中平均含量高于菌盖。美味牛肝菌中人体必需矿质元素Ca,Cu,Mg,P和Zn平均含量远高于小麦、水稻干品和新鲜蔬菜,与动物干制品含量相似;(2)FTIR光谱数据最佳预处理方法为3D+SNV,其Q2和R2Y分别为76.64%,88.91%;(3)菌柄、菌盖、FTIR、低级数据融合与中级数据融合SVM模型,c值分别为8 192,4 096,1.414 2,11.313 7,1和0.7071 1,菌柄和菌盖模型c值较大,表明采用单一菌柄或菌盖矿质元素含量数据,SVM训练存在过拟合风险,判别效果较差;(4)FTIR、低级数据融合和中级数据融合SVM模型,样品分类错误总数分别为7,9,7和0,中级数据融合(菌柄+菌盖+FTIR)模型样品分类正确率最高。表明基于中级融合策略将不同部位矿物元素和子实体FTIR光谱数据融合,可作为野生食用菌产地溯源的一种有效方法。     

基于太赫兹成像技术的小麦麦芽糖定量检测研究

粮食芽变初始于内部胚芽部分，萌芽早期活动发现困难，成为制约粮食储备安全的一个瓶颈。粮食芽变过程主要是将淀粉转化为用于生长的麦芽糖。采用太赫兹(Terahertz，THz)成像技术，研究不同浓度的小麦麦芽糖混合物的图像特征，在图像中样品区域各个像素点提取出一条THz光谱，并求平均，得到一条平均光谱。通过主成分分析方法(principal component analysis，PCA)前5个主成分的累计方差贡献率达到98%以上，用前5个主成分的得分值矩阵代替原始光谱数据，建立基于径向基核函数的支持向量机(support vector machine，SVM)定量分析模型。对比结果表明，太赫兹成像技术结合化学计量学方法对小麦麦芽糖含量具有较好的判别效果，其中SVM模型获得最好的预测结果，为通过小麦种麦芽糖含量实现对小麦芽变程度的检测，保障粮食品质，提升国家储藏科技水平奠定了理论和技术基础。     

基于太赫兹光谱技术与CS-SVM的转基因产品鉴别

提出了一种基于太赫兹(THz)光谱技术以及布谷鸟搜索(CS)算法优化支持向量机(SVM)的有效的转基因产品鉴别方法(CS-SVM)。实验采用太赫兹时域光谱(THz-TDS)系统测量了三种转基因大豆种子及其亲本样品在0.2~1.2 THz波段的THz光谱,并采用SVM方法对转基因和非转基因大豆种子进行了分类鉴别研究,其中SVM的两个重要参数(惩罚因子和核参数)采用CS算法进行优化。实验结果表明,应用THz光谱技术结合CS-SVM方法为转基因和非转基因生物的检测和识别提供了一种快速、无损和可靠的分析方法。     

光谱数据融合对绒柄牛肝菌产地溯源研究

由于国内外食品市场准入制度和溯源体系不完善,销售商乱用虚假标签等现象的发生,使得食品安全形势愈发严峻。为了保障野生食用菌的安全性,保护云南高原特色农业品牌战略,亟需建立快速准确的产地溯源方法。通过采集云南及其周边8个产地、79个绒柄牛肝菌子实体的紫外-可见吸收光谱(UV-Vis)与傅里叶变换红外光谱(FTIR),采用多元散射校正(MSC)、标准正态变换(SNV)、二阶导数(2D)、平滑(SG)等算法对原始光谱进行预处理。基于低级与中级数据融合策略,将预处理后的UV-Vis与FTIR光谱信息进行融合,结合偏最小二乘判别分析(PLS-DA)与支持向量机(SVM),建立牛肝菌产地鉴别模型,确定最佳产地溯源方法。对光谱融合数据进行系统聚类分析(HCA),探讨不同产地样品整体化学信息的差异性与相关性。结果显示：(1)采用MSC+2D和SNV+2D对UV-Vis与FTIR光谱进行预处理,R2Y与Q2最大,分别为61.58%,95.09%和50.85%,82.16%,表明MSC+2D与SNV+2D为UV-Vis与FTIR光谱的最佳预处理方法;(2)基于UV-Vis,FTIR,低级与中级数据融合建立的PLS-DA与SVM模型,样品分类错误总数分别为24,6,2,2和6,1,1,0,表明数据融合模型分类效果优于单一UV-Vis与FTIR模型;(3)中级数据融合模型中,SVM对所有样品的分类全部正确,PLS-DA的分类错误总数为2,表明基于SVM的中级数据融合策略分类效果优于PLS-DA;(4)低级和中级数据融合HCA模型,分别有4和1个样品不能与同一类区域样品聚为一类,表明中级数据融合优于低级数据融合;由中级数据融合HCA图可知,同一产地样品聚类距离小于不同产地之间聚类距离,表明同一产地样品整体化学成分类较相似,且同一产地不同采集地点的差异小于不同产地之间的差异。采用UV-Vis与FTIR光谱中级数据融合策略结合SVM,能够对不同产地来源牛肝菌样品进行准确鉴别,为野生食用菌产地溯源研究提供一种新方法。     

呋喃妥因的太赫兹光谱分析

利用太赫兹时域光谱技术测量了硝基呋喃类药物中呋喃妥因原药在0.2～1.8 THz范围内的吸收系数、折射率等光学指纹特性,结果表明呋喃妥因在该频率范围内出现了多个强度不同的特征吸收峰,吸收系数光谱可用于鉴定呋喃妥因。借助Gaussian软件利用密度泛函理论对呋喃妥因分子在0.2～1.8 THz范围内的吸收系数光谱进行了模拟,并对吸收系数实验光谱中部分吸收峰的振动模式进行了分析和指认。结果表明实验谱中1.25和1.60 THz处的吸收峰与理论谱中1.30和1.67 THz处吸收峰一致,是由呋喃妥因分子内的振动模式引起的。     

多信息融合的冬小麦地上鲜生物量检测研究

将小麦冠层光谱与小麦冠层图像或者侧面图像进行多信息融合,对冬小麦地上鲜生物量进行预测,提高了冬小麦地上鲜生物量无损检测精度,试验获取苗期93个样本的冠层光谱和冠层图像,中后期(拔节期、抽穗期、开花期、灌浆期)200个样本的冠层光谱和侧面图像。将光谱反射率作为光谱特征参数,并通过图像处理提取小麦覆盖度作为图像特征参数,建立苗期和中后期基于光谱特征参数和图像特征参数的地上生物量检测模型,将冠层光谱反射率和小麦覆盖度作为多信息融合的输入,利用多元回归分析(MRA)和偏最小二乘法(PLS)建立地上鲜生物量预测模型并进行验证。结果表明,在苗期和中后期,将光谱信息和图像信息融合,采用PLS所建立的预测模型与单独的图像模型和光谱模型相比精度最高。苗期基于信息融合所建立的PLS模型验证集R2为0.881,其RMSE为0.015 kg;中后期基于信息融合所建立的PLS模型验证集R2为0.791,RMSE为0.059 kg。由此可见,相比单一的光谱模型和图像模型,图像信息和光谱信息融合之后,充分提高了光谱信息和图像信息的利用率,使模型的精度得以提高。     

不同分辨率近红外光谱对汽车差速器油品牌鉴别的研究

研究了不同分辨近红外光谱对汽车差速器油品牌鉴别的效果与影响。分别采集了五种不同品牌汽车差速器油在4, 8, 16和32 cm-1分辨率下的透射光谱。去除采集波段范围两端噪声明显部分后采用10 522.28～4 443.425 cm-1范围光谱进行分析。不同分辨率光谱的主成分分析(principal component analysis, PCA)结果表明不同品牌差速器油可以被鉴别。同时基于不同分辨率光谱全谱所建立的偏最小二乘判别分析(partial least squares-discriminant analysis, PLS-DA)以及支持向量机(support vector machine, SVM)模型所获得的判别正确率相近且均高于90%。其中以8 cm-1分辨率下PLS-DA与SVM模型的判别正确率最高。上述研究结果表明分辨率对判别分析结果的影响较小。进一步对不同分辨率下的近红外光谱采用连续投影算法(successive projections algorithm,SPA)选择特征波数,发现不同分辨率下得到的特征波数均不相同,表明分辨率影响特征波数的选择。以不同分辨率特征波数建立的PLS-DA以及SVM模型取得了较好的判别分析效果,与以不同分辨率下全谱建立的判别分析模型效果相当。研究结果表明,分辨率对差速器油品牌鉴别影响较小,而对特征波数的选择影响较大,在实际应用中应考虑到分辨率对特征波数选择的影响。总体而言,不同分辨率的近红外光谱全谱与对应的特征波数都能有效的实现对汽车差速器油品牌的鉴别。