采用高光谱成像技术结合不同的特征提取方法,实现了对草莓可溶性固形物含量的检测.通过提取154颗成熟无损伤草莓的高光谱图像的874～1 734 nm范围光谱信息,对941～1 612 nm光谱采用移动平均法(moving average,MA)进行预处理.基于残差法剔除19个异常样本后将剩余135个样本分为建模集(n=90)和预测集(n=45).采用连续投影算法(successive projections algorithm,SPA),遗传偏最小二乘算法(genetic algorithm-partial least squares,GAPLS)结合连续投影算法(GAPLS-SPA),加权回归系数(weighted regression coefficient,Bw)以及CARS法(competitive adaptive reweighted sampling)选择特征波长分别提取14,17,24与25个特征波长,并采用主成分分析(principal component analysis,PCA)与小波变换(wavelet transform,WT)分别提取20与58个特征信息.分别基于全波段光谱、特征波长与特征信息建立PLS模型.所有模型都取得了较好的效果,基于全波段光谱的PLS模型与基于WT提取的特征信息的PLS模型的效果最优,建模集相关系数(rc)与预测集相关系数(rp)均高于0.9.结果表明高光谱成像技术结合特征提取方法可用于草莓可溶性固形物含量的检测.

结合近红外高光谱成像技术和不同的判别分析模型对4种国产咖啡豆品种进行了快速无损判别。通过高光谱成像仪提取874~1 734 nm波段内的光谱数据, 去除首尾噪声波段后, 分别基于925~1 680 nm波段的全谱波段和通过连续投影算法(SPA)选择的特征波长, 建立了偏最小二乘判别分析(PLS-DA)、随机森林(RF)、K最邻近算法(KNN)、支持向量机(SVM)模型和极限学习机(ELM)5种判别分析模型。 基于上述判别模型对咖啡豆品种进行鉴别; 然后通过准确率、命中率和否定率3个参数对鉴别结果进行了评价。实验显示, 基于全谱和特征波段建立的模型均取得了较好的判别效果, 其中ELM模型效果均为最优, 每个品种建模集和预测集的准确率、命中率和否定率均在93.5%以上。研究结果表明, 基于近红外高光谱成像技术结合模型判别分析方法可以实现对国产咖啡豆品种的识别, 特征波长的选择减少了变量数, 但判别效果与全谱相当。

利用自编码网络（autoencoder network, AN）流形学习和稀疏表示（sparse representation, SR）方法对汽车变速箱油进行近红外光谱品种识别研究。 以壳牌、 美孚、 嘉实多、 上海大众和上海通用五种变速箱油为对象, 利用AN方法对600～1800 nm近红外光谱数据进行非线性降维, 获取10个特征变量。 每种变速箱油选取30个样本（共150个样本）作为训练样本, 每种30个样本（共150个样本）作为测试样本。 所有训练样本的特征变量组成了稀疏表示方法的整体训练样本矩阵, 将变速箱油品种分类识别问题转化为一个求解待识别测试样本对于整体训练样本矩阵的稀疏表示问题, 通过求解L-1范数意义下的最优化问题来实现。 经过主成分分析（principal component analysis, PCA）和AN降维后, 分别利用线性判断分析法（linear discriminant analysis, LDA）、 偏最小二乘支持向量机法（least squares-support vector machine, LS-SVM）和本文提出的稀疏表示分类算法进行分类比较。 结果表明, 结合自编码网络和稀疏表示方法对五种汽车变速箱油品种的平均识别准确率达97.33%, 为汽车变速箱油品种近红外光谱快速准确识别提供了有效的新途径。

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。

采用可见/近红外光谱对丙酯草醚胁迫下大麦叶片过氧化氢酶(catalase, CAT)与过氧化物酶(peroxidase, POD)含量预测进行研究。 对500～900 nm光谱采用移动平均法(moving average, MA)11点平滑方法进行预处理。 采用蒙特卡罗-偏最小二乘法(monte carlo-partial least squares, MCPLS)方法分别对于CAT与POD的含量预测剔除7个与8个异常样本。 基于全部光谱建立了CAT与POD含量预测的PLS, 最小二乘支持向量机(least-squares support vector machine, LS-SVM)与极限学习机(extreme learning machine, ELM)模型, ELM模型对CAT含量预测效果最好,建模集相关系数(correlation coefficient of calibration, Rc)为0.916, 预测集相关系数Rp为0.786; PLS模型对POD含量预测效果最佳, Rc为0.984, Rp为0.876。 采用连续投影算法(successive projections algorithm, SPA)算法分别为CAT与POD预测选择了8个与19个特征波长, 基于特征波长建立的PLS, LS-SVM与ELM模型中, ELM模型对CAT与POD含量预测效果均最佳, CAT含量预测的相关系数为Rc=0.928, Rp=0.790; POD含量预测的相关系数Rc=0.965, Rp=0.941。 基于全谱与基于特征波长的回归分析模型预测效果相当, 且对POD含量的预测效果优于对CAT含量的预测效果, 而这需要进一步研究以得到精度和稳定性更高的预测模型。 研究结果表明, 采用可见/近红外光谱结合化学计量学方法可以实现对除草剂胁迫下大麦叶片CAT与POD含量的预测。

研究了中红外光谱预测香菇蛋白质含量的可行性。 去掉明显噪声部分后, 研究香菇3 581～689 cm-1中红外光谱与蛋白质含量的关系。 以Savitzky-Golay(SG)5点平滑预处理光谱建立偏最小二乘法(partial least squares, PLS)的预测模型的效果不理想, 模型的建模集和预测集的相关系数均高于0.85, 但剩余预测偏差(residual prediction deviation, RPD)值仅为1.77。 采用连续投影算法(successive projections algorithm, SPA)算法从3000个波数点中选择7个特征波数, 并以七个特征波数分别建立PLS、 多元线性回归(multiple linear regression, MLR)、 反向传播神经网络(back-propagation neural network, BPNN)和极限学习机模型(extreme learning machine, ELM)。 与全谱的PLS相比, 以特征波数的PLS模型和MLR模型的预测效果相对较差, 而以特征波数的BPNN和ELM模型的预测效果相对较好。 其中SPA-ELM模型的预测效果最佳, 预测集相关系数(correlation coefficient of prediction)Rp=0.899 5, 预测集均方根误差(root mean square error of prediction)RMSEP=1.431 3, 剩余预测偏差RPD=2.18。 研究结果表明, 中红外光谱分析技术可以用于预测香菇蛋白质含量, 且SPA选取特征波数能用来代替原始光谱进行建模分析, 为香菇蛋白质含量的检测提供了新的思路。

采用近红外光谱分析技术结合化学计量学方法研究对不同品牌的豆浆粉以及假冒的豆浆粉鉴别的可行性。 采集不同品牌豆浆粉以及假冒豆浆粉在12 500～4 000 cm-1范围内光谱, 并进行不同的预处理。 采用偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)对不同预处理的光谱进行建模比较, 去趋势算法(De-trending)预处理光谱与多元散射校正(multiplicative scatter correction, MSC)结合De-trending(MSC+De-trending)预处理光谱的PLS-DA模型预测集判别正确率最高, 均为100%。 采用x-loading weights方法分别基于De-trending和MSC-De-trending预处理光谱选择了6个和7个特征波数, 并以特征波数分别建立了线性判别分析(linear discriminant analysis, LDA)和误差反向传播神经网络(back-propagation neural network, BPNN)的判别分析模型。 结果表明, 以所选出的不同的特征波数建立的BPNN判别分析模型取得了最佳的判别效果, 建模集和预测集的判别正确率均为100%。 采用近红外光谱分析技术可以准确的判别豆浆粉品牌以及假冒豆浆粉产品。

基于近地高光谱成像技术结合化学计量学方法, 实现了黑豆品种的鉴别。 实验以三种不同颜色豆芯的黑豆为研究对象, 采用高光谱成像系统采集380～1 030 nm波段范围的高光谱图像, 提取高光谱图像中的样本感兴趣区域平均光谱信息作为样本的光谱进行分析, 建立黑豆品种的判别分析模型。 共采集180个黑豆样本的180条平均光谱曲线。 剔除明显噪声部分之后以440～943 nm范围光谱为黑豆样本的光谱, 采用多元散射校正(multiplicative scatter correction, MSC)对光谱曲线进行预处理。 分别以全部光谱数据、 主成分分析(principal component analysis, PCA)提取的光谱特征信息、 小波分析(wavelet transform, WT)提取的光谱特征信息建立了偏最小二乘判别分析法(partial least squares discriminant analysis, PLS-DA), 簇类独立模式识别法(soft independent modeling of class analogy, SIMCA), 最邻近节点算法(K-nearest neighbor algorithm, KNN), 支持向量机(support vector machine, SVM), 极限学习机(extreme learning machine, ELM)等判别分析模型。 以全谱的判别分析模型中, ELM模型效果最优; 以PCA提取的光谱特征信息建立的模型中, ELM模型也取得了最优的效果; 以WT提取的光谱特征信息建立的模型中, ELM模型结识别效果最好, 建模集和预测集识别正确率达到100%。 在所有的判别分析模型中, WT-ELM模型取得了最优的识别效果。 实验结果表明以高光谱成像技术对黑豆品种进行无损鉴别是可行的, 且WT用于提取光谱特征信息以及ELM模型用于判别黑豆品种能取得较好的效果。

采用中红外光谱分析技术对香菇产地进行识别研究, 并将相关向量机(relevance vector machine, RVM)算法应用于中红外光谱判别分析之中, 取得了较好的效果。 通过采集香菇粉末的中红外透射光谱, 去除光谱噪声明显部分, 对剩下的3 581～689 cm-1透射谱线采用多元散射校正(multiplicative scatter correction, MSC)进行预处理, 并基于预处理谱线建立了香菇产地识别的偏最小二乘判别分析(partial least squares-discriminant analysis, PLS-DA)、 簇类独立软模式分类(soft independent modeling of class analogy, SIMCA)、 K最邻近算法(K-nearest neighbor algorithm, KNN)、 支持向量机(support vector machine, SVM)、 RVM模型等五种判别分析模型。 所有模型的识别正确率均高于80%, KNN, SVM和RVM判别分析模型取得了相近的结果, 建模集和预测集识别正确率高于90%。 基于全谱的PLS-DA模型的加权回归系数, 利用加权回归系数法选取了6个特征波数, 并基于特征波数建立了PLS-DA, KNN, SVM和RVM模型。 基于特征波数的PLS-DA模型的建模集和预测集识别正确率均低于80%, 而KNN, SVM和RVM模型的建模集和预测集的识别效果相近, 且都高于90%。 基于全谱和特征波数的模型中, RVM算法表现出较好的效果, 识别正确率优于90%。 结果表明, 基于中红外光谱技术能用于香菇产地的识别, 特征波数的选择以及RVM算法可以有效的用于中红外光谱判别分析中。 本文成功将中红外光谱用于香菇产地识别研究, 为香菇品质以及其他农产品品质分析提供了一种新的想法, 具有实际意义。

探讨应用高光谱成像技术快速无损鉴别不同苹果蜡的可行性。 通过对分别打食用果蜡、 工业蜡和未打蜡的126个苹果样品, 采用380～1 024 nm范围的高光谱图像仪获取三类苹果的高光谱图像信息, 采用ENVI软件处理平台提取高光谱图像中对象的漫反射光谱响应特性。 从126个样品中随机取出84个样品建模, 其余42个样品作为独立的验证集。 对光谱数据分别采用偏最小二乘（PLS）、 最小二乘支持向量机（LS-SVM）和BP神经网络等建立高光谱响应特征与食用蜡苹果、 工业蜡苹果、 未打蜡苹果的关系模型, 比较不同建模方法的效果。 结果表明: 采用MSC-SPA-LS-SVM模型可以较好的区分食用果蜡、 工业蜡和未打蜡的三类苹果, 预测结果的正确率分别为100%, 100%和92.86%。