宁夏产地的宁夏枸杞属于《中华人民共和国药典》收录的道地药材, 药用价值较高、 消费者青睐度更高, 然而优质宁夏枸杞的种植面积较小、 产量较低、 枸杞子市场以乱充好、 以其他产地冲抵道地产区产品的现象频发。 因此, 建立快速有效的宁夏枸杞产地鉴别模型对监督市场具有重要的意义。 日常的市场交易枸杞子的鉴定一般凭借经验, 但是该方法误差较大, 可信度较低。 传统的理化实验鉴别周期较长, 非专业人员无法操作。 近些年一些学者研究发现不同产地的宁夏枸杞成分含量具有差异性, 然而枸杞子样本较小、 形状不规则、 成分分布不均匀, 近红外光谱鉴别通常需要碾碎成粉末然后采集光谱信息, 无法做到无损批量地采集枸杞子数据来鉴别枸杞子产地。 近红外高光谱图像结合了近红外光谱和图像, 包含丰富的空间信息和光谱信息, 可以实现无损批量地采集非均匀样本光谱信息。 利用近红外高光谱图像对甘肃、 青海、 新疆、 宁夏和内蒙5个产地的宁夏枸杞进行产地鉴别。 使用近红外高光谱图像系统采集了1 650个样本数据之后, 通过阈值分割、 图像去噪等方法提取出感兴趣区域(region-of-interest, ROI)。 对比了ZCA白化(zero-phase component analysis whitening)预处理方法和常用的标准化(normalization)预处理方法, 实验结果表明ZCA白化预处理是一种有效的高光谱数据预处理方法, 可以去除特征之间的相关性, 提升产地鉴别模型的准确率。 对预处理后的数据采用偏最小二乘降维(partial least squares based dimension reduction, PLSDR)降低模型复杂度, 结果表明经过ZCA白化预处理后的数据可以由288维特征降低到4个主成分, 使得去除相关性后的特征可以被更少的隐藏特征来表示, 这样可以极大程度上降低模型复杂性。 最后, 将降维后的特征输入到不同的分类器中进行训练, 包括支持向量机(support vector machine, SVM)、 Fisher线性判别分析(linear discriminant analysis, LDA)和Softmax分类。 其中, 基于ZCA白化、 PLSDR和Softmax分类的模型表现最好, 在测试集上的平均准确率为94.06%, 可以有效的鉴别宁夏枸杞产地。

实现快速、 精确地鉴别玉米单倍体籽粒对玉米单倍体育种技术十分重要。 近红外光谱分析技术可在线分析、 监测, 且无损、 分析速度快、 操作简便、 测试成本低, 对实现自动化的大规模鉴定并分拣玉米单倍体非常有帮助。 通过美国JDSU的近红外光谱仪进行玉米近红外光谱的数据采集, 交叉采集玉米单倍体、 多倍体数据。 数据处理时, 将数据分为训练集和测试集两部分。 依次对数据做预处理以消除噪声影响, 做核变换将其投射到更高维度空间中增强可分性并进行特征提取, 最后建立分类模型鉴别分析。 分别统计采用不同的特征提取算法并建立模型鉴别测试的正确识别率。 实验结果表明, 采用核局部保持投影(KLPP)的特征提取算法的正确识别率更高、 稳定性更好, 在两组测试集上的正确识别率的均值分别达到95.71%和96.43%。 通过分析可以得出, 玉米种子的近红外光谱数据经过非线性变换(为高斯核变换)投影到更高维度的空间后, 表现出更易于分类的分布特点, 保持数据的局部特性也更利于后续的分类。 这为玉米单倍体鉴定进一步研究提供了新的方向。

玉米的单倍体鉴别技术对玉米单倍体育种技术非常重要。 近红外光谱分析技术以其操作简便, 可在线分析监测, 速度快, 无损, 测试成本低等特点在农业领域备受关注, 应用广泛。 实验首先通过美国JDSU公司的近红外光谱仪采集由国家玉米改良中心提供的玉米种子单倍体、 多倍体的近红外光谱数据, 然后对获得的原始数据做平滑(smoothing)、 一阶导(first derivative, FD)和矢量归一化(vector normalization, VN)预处理以消除其噪声影响, 再采用核函数为高斯核函数(Gaussian kernel function)的核主成分分析(kernel principal components analysis, KPCA)的方法将玉米种子的近红外光谱数据映射到高维空间中, 并对映射后的数据做非线性特征提取, 然后应用支持向量机(support vector machines, SVM)对提取的玉米种子单倍体、 多倍体光谱数据的非线性特征建立分类模型, 最后输入测试数据进行玉米单倍体、 多倍体的分类鉴别测试, 预测玉米种子是否是单倍体。 设计了两组对比试验, 其正确识别率的平均值分别达到95%和9357%。 在该实验中, 基于KPCA的玉米单倍体识别算法的性能表现较好、 识别率较高。 通过两组对比实验, 证明了玉米种子的近红外光谱数据更适于先将其映射于高维空间中进行特征提取, 再对提取的特征进行建模、 分类分析。 该实验为玉米单倍体识别技术提供了新的思路和方法。

针对近红外光谱定性分析中, 增加新的品种进行建模时, 原有模型识别效果不够稳定的问题, 提出一种在建模样本的基础上添加同类物质的历史光谱数据的特征提取方法, 首先采集建模样本的近红外光谱数据, 然后添加同种物质样本的历史近红外光谱数据, 再对所有近红外光谱数据进行预处理, 其次对所有样本数据进行偏最小二乘(PLS)特征提取得到偏最小二乘空间, 并只将建模样本数据向构建的偏最小二乘空间进行投影, 最后将投影后的建模数据进行正交线性判别分析(OLDA)特征提取。 以玉米种子近红外光谱为研究对象, 分别对建模数据添加历史近红外光谱以及不添加历史近红外光谱两种情况进行特征提取, 并通过仿生模式识别(BPR)方法构建模型进行验证, 实验结果表明, 添加历史近红外光谱构建偏最小二乘空间的特征提取方法相对于不添加历史近红外光谱的方法, 首先在增加建模集品种数量时, 原有的品种识别率基本不变; 其次在相同PLS维数时, 所建模型对不同时间采集的测试集识别效果基本一致, 证明了该方法可以提高模型稳健性。 在实际应用中就可以在品种鉴别软件中将特征提取维数设置为固定值, 免除了品种鉴别软件的用户在增加建模集品种时为了保证最优识别效果重新选定最优PLS参数的麻烦。

使用JDSU公司的MicroNIR1700型微型近红外光谱仪, 研究了适合进行单籽粒玉米单倍体鉴别的光谱测量方法。 基于近红外光谱定性分析技术, 比较了漫反射和漫透射两种情况下玉米单倍体鉴别的效果。 光谱数据经过预处理后, 采用PLS＋OLDA特征提取算法, 应用SVM建立玉米单倍体鉴别模型, 分别统计漫反射和漫透射实验条件下, 鉴别模型的正确识别率。 在微型光谱仪内置光源漫反射的光谱测量方式下, 不分胚面朝向, 玉米单倍体籽粒平均识别率低于60%, 不能有效鉴别玉米单倍体和多倍体。 而采用外置光源对籽粒进行漫透射光谱测量方式, 获得了平均正确识别率为93.2%的鉴别效果, 并且模型稳定性好。 实验结果表明, 漫反射光谱仅能获得玉米籽粒表层信息, 因此玉米籽粒胚面朝向严重影响漫反射光谱鉴别单倍体种子的效果; 而漫透射光谱可以实现分析光程纵深信息全累加, 能够得到样品内部的信息, 因此对胚面朝向不敏感, 能够有效地对随机摆放的玉米单倍体和多倍体进行识别。 近红外方法能快速、无损地鉴别单倍体, 并且微型光谱仪采集速度快, 成本低, 为实现实用化的自动鉴别提供了条件。

以同一品种同一批次玉米单倍体和多倍体个体种子为研究对象,基于近红外光谱定性分析技术,分析研究了用漫透射光谱测量方式采集光谱时,不同光照强度和光阑孔径得到的光谱曲线质量以及对玉米单倍体种子鉴别结果的影响.光谱数据经过预处理后,采用 PLS＋OLDA特征提取算法,应用 SVM建立玉米单倍体鉴别模型.分别统计多种不同实验条件所测数据建立的鉴别模型的正确识别率.结果表明,光阑孔径的大小影响光谱曲线信噪比,越接近玉米籽粒大小的孔径获得的光谱曲线越平滑;光照强度影响光谱曲线有效性,光照越强,波形峰谷差值越大,识别率越高.选择较高的光源强度和适合种子大小的光阑,可以得到高质量的光谱曲线,以此建立的玉米单倍体鉴别模型,识别率达到了 100%.

从校正的角度出发, 研究了近红外定性分析中模型稳定性问题。 以13个玉米品种为研究对象, 针对数据采集时间不同带来的模型失效问题, 借鉴近红外光谱定量分析中两台仪器间模型传递的思想, 将直接模型传递(Direct Standardization)算法用于校正同一仪器不同时间采集的光谱, 使得一次建立的品种鉴别模型, 能用于其余时间测试数据的鉴别。 首先采用Kennard/Stone算法在主光谱集中选取校正样品集, 按照对应的编号从从光谱集中取出对应的数据, 然后对校正样品集采用DS算法求取两组数据间的变换关系, 再对剩余的从光谱集进行相应的变换得到适用于模型的光谱。 实验中对比了校正样本数和模型校正位置对校正结果的影响, 分别从品种定性鉴别准确性和校正前后主光谱数据和从光谱数据分布距离两方面分析了实验结果。 结果表明, 该方法能有效地解决同一仪器随着采样时间推移产生的光谱偏移现象, 对采样时间不同的测试集均得到较高的识别率, 提高了模型的鲁棒性和适用范围, 由实验结果可见, 校正位置处于特征提取之后时, 校正效果最佳。

提出了一种基于DPLS+LDA的玉米近红外光谱定性分析新方法。 该方法在训练时, 首先用包含30个玉米品种每个品种20个近红外光谱样本的训练集进行DPLS回归, 确定最佳DPLS主成分数为28； 然后对训练集光谱进行DPLS特征提取后再进行LDA分析, 确定最佳LDA主成分数为26, 并提取LDA特征。 识别时, 测试样本经过DPLS+LDA特征提取后, 用最小距离分类器进行识别。 实验比较了DPLS+LDA方法与传统的DPLS回归预测方法及DPLS特征提取方法的判别结果, DPLS+LDA方法的性能最优, 等识率达到了96.18%, 而传统DPLS预测方法只有85.38%, DPLS特征提取方法为95.76%。 实验结果说明DPLS+LDA方法是一种有效的玉米近红外光谱定性分析方法, 且具有很强的推广能力。