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。

提出了基于连续投影算法（successive projections algorithm, SPA）、 载荷系数法（x-loading weights, x-LW）和格拉姆-施密特正交（gram-schmidt orthogonalization, GSO）提取特征波长的高光谱成像技术检测番茄叶片早疫病的方法。 首先获取380～1 023 nm波段范围内70个健康和70个染病番茄叶片的高光谱图像信息, 然后提取健康和染病叶片感兴趣区域(region of interest, ROI)的光谱反射率值, 建立番茄叶片早疫病的最小二乘-支持向量机(least squares-support vector machine, LS-SVM)鉴别模型, 建模集和预测集的鉴别率都是100%。 再通过SPA 、 x-LW和GSO提取特征波长（effective wavelengths, EW）, 并建立EW-LS-SVM和特征波长-线性判别分析（ew-linear discriminant analysis, EW-LDA）鉴别模型。 结果显示, 每个模型的鉴别效果都很好, EW-LS-SVM模型中预测集的鉴别率都达到了100%, EW-LDA模型中预测集的鉴别率分别是100%, 100%和97.83%。 基于SPA, x-LW和GSO所建模型的输入变量分别是4个（492, 550, 633和680nm）, 3个（631, 719和747 nm）和2个（533和657 nm）, 较少的特征波长便于实时检测仪器的开发。 结果表明, 高光谱成像技术检测番茄叶片早疫病是可行的, SPA, x-LW和GSO都是非常有效的特征波长提取方法。