针对传统垩白大米检测主观随意性大、 可重复性低、 检测过程耗时费力、 准确率低等问题, 提出一种基于可见光谱图结合深度学习算法的垩白大米检测手段。 用CCD彩色摄像机获取垩白大米和正常大米可见光谱图, 对图像进行旋转、 翻转以及调整对比度等随机图像变换方式提升网络训练数据集, 防止深度检测模型在学习过程中出现过拟合现象。 构建了7层深层次卷积神经网络模型, 包括卷积层、 池化层、 全连接层和输入输出层, 通过网络模型对采样的大米可见光谱图集进行卷积与池化操作, 采用迭代学习训练方法获取大米可见光谱图在卷积层输出的特征参数, 采用连接非线性ReLU激活函数来降低训练时间, 以加速大米可见光谱图有效抽象特征提取的收敛速度； 然后将深度神经网络嵌入池化层, 对大米特征降维以获取能够表达正常大米和垩白大米可鉴别显著意义特征； 最后在全连接层输出进行分类, 从而实现对垩白大米的精确识别。 基于可见光谱图的大米垩白深度检测方法比传统基于可见光谱图的垩白大米鉴别特征提取方法免去了复杂的特征提取步骤, 由于卷积网络提取的特征对特定目标具有更鲁棒的表达, 算法精度较高且复杂度比较小, 泛化效果更好, 获得识别精度达到90%, 比基于传统特征提取的垩白大米鉴别方法识别精度高, SIFT+SVM, PHOG+SVM和GIST+SVM模型识别精度分别为70.83%, 77.08%和79.16%。 提出的方法为当前我国现代农业生产中实现大米品质自动化快速精准检测提供了理论依据和有效的技术手段, 对于现阶段实现大米品质人工智能检测产生实际意义。

开展了低温冷冻和机械损伤条件下马铃薯高光谱图像特征响应特性研究。 采用卓立汉光公司Image~λ“谱像”系列高光谱相机获取完好的、 低温冷冻和机械损伤条件下的光谱波段范围为387～1 035 nm的马铃薯高光谱图像; 截取校正后的像素尺寸大小为60×60的马铃薯高光谱中部完好的图像并计算该区域平均反射率值; 冻伤的马铃薯样本的反射光谱曲线在440, 560和680 nm附近有明显吸收峰; 机械损伤样本在560和680 nm附近有明显吸收峰, 在680 nm附近吸收峰谷值明显低于冻伤样本; 完好的马铃薯样本反射光谱曲线相对较为平滑, 在560和680 nm附近未见明显吸收峰; 撞伤样本在440, 560和680 nm附近存在吸收峰, 而在410 nm附近有一个明显的反射峰。 四类马铃薯样本的反射光谱曲线特征峰值表现出一定的指纹特性, 因而可以被用于后续品质特征检测分析使用。 由于仪器或检测环境、 光照强弱等因素影响, 光谱数据中掺杂噪声, 因此采用化学计量学预处理方法消除噪声的影响; 随机选取70%的马铃薯四类样本的反射光谱作为训练数据, 剩余的30%作为测试集; 接着, 利用极端梯度提升算法、 类型提升算法和轻量梯度提升机算法来获取马铃薯高光谱图像的有效特征波谱, 减少高维海量高光谱数据对后续品质分类模型的影响; 最后, 将提取到的有效特征波长构建马铃薯品质判别模型。 在建立的分类模型中, 使用的轻量梯度提升机+逻辑斯蒂回归达到最高的判别精度98.86%。 该研究为将来高光谱图像成像技术在现代农业生产加工过程中马铃薯品质有效监测与控制提供理论基础和技术支撑。

提出一种基于可见光谱图多模态词典特征低秩稀疏表示框架的大豆外观品质判别方法,以精确确定大豆品质等级。首先,提取大豆粒子可见光谱图像的多尺度空间梯度特征和色差分量(YCbCr)颜色空间特征;将上述提取的空间梯度特征和颜色空间特征看作视觉词汇,通过Kernel K-means聚类算法获取视觉词汇的核空间局部分布聚类中心,形成视觉词典;然后,使用低秩稀疏表示法耦合上述两种特征,用于消除高维异质模态词典描述符中冗余信息的影响;最后,在高维耦合空间中根据样本之间的度量对低秩稀疏耦合表示多模态词典特征进行分类。所提方法充分利用多模态多尺度空间梯度特征和YCbCr颜色空间特征来描述大豆粒子外观品质的语义特征归属。实验结果表明:建模集和预测集总的识别精度分别达92.7%和80.1%,所提方法的识别精度优于文献中提出的基于单一模态的视觉词典特征表示方法。

提出一种基于流行降维的近红外光谱技术快速判别大米贮藏期的新方法。 采用近红外光谱仪获取陈年米和新米的反射光谱特征曲线, 利用直接正交信号矫正法(direct orthogonal signal correction, DOSC)对原始光谱进行预处理, 滤除光谱数据中与因变量Y矩阵无关的信号, 以消除无关信息对后续特征变量建模精度的影响。 采用Durbin-Watson和Run测试法定性分析光谱数据结构的非线性性, 并利用增强偏残差图(augmented partial residual plot)定量分析大米光谱曲线的非线性程度。 分别采用线性流行降维法包括主成分分析法(PCA)和多维尺度分析法(MDS)以及非线性流行降维法包括等距映射法(ISOMAP)、 局部线性嵌入法(LLE)和拉普拉斯特征映射法(LE)提取预处理后光谱数据的本征变量, 并结合核偏最小二乘方法(KPLS)建立本征变量与贮藏时间属性之间的耦合模型。 实验用陈年米和新米的样本数均为200个, 随机将训练集和测试集样本划分为300个和100个。 通过比较各个模型的预测结果得出, 基于ISOMAP非线性降维法提取的40个本征变量建立的回归模型预测效果最好, 预测相关系数(R2P)、 预测均方根误差(RMSEP)和预测相对分析误差值(RPD)分别为0.917, 0.187和2.698。 实验结果说明提出的方法对于大米贮藏期具有很好的鉴别能力, 该研究为今后大米贮藏期的快速无损检测提供了科学的手段。

提出了利用高光谱成像技术结合化学计量学方法实现在线无损预测光伏电池中乙烯-醋酸乙烯共聚物（EVA）胶膜层压温度的方法。 四类EVA胶膜层压的温度控制在128, 132, 142和148 ℃。 采集的高光谱波段范围在904.58～1 700.01 nm之间。 每类样本建模集包含90个样本, 预测集包含10个样本。 从获得的EVA胶膜高光谱图像中选取150×150像素大小的感兴趣区域, 并以该区域内所有的像素点包含的光谱反射率平均值作为该样本的光谱特征曲线。 分别采用偏最小二乘回归法、 多分类支持向量机法和大间隔最邻近法对高光谱薄膜样本层压温度进行建模和预测。 权重回归系数图表明短波和长波近红外波段高光谱数据对层压温度预测都有贡献。 由于EVA高分子材料反射高光谱数据表现出了较强的非线性性, 偏最小二乘法预报性能受到较大影响, 为95%, 而基于核方法的预测模型在高维特征空间一定程度消除了EVA高分子材料测量光谱非线性特性的影响, 较为准确地反映原始EVA高分子材料光谱数据与层压温度之间的关系, 比较上述三种模型的预测精度可知, 大间隔最邻近模型对EVA胶膜层压温度的预测精度率最高, 达到100%。 结果表明, 应用高光谱成像技术在线无损预测EVA胶膜层压温度是可行的, 为实现光伏电池夹层中EVA高分子材料封装温度自动监测与控制创造了条件。

提出了一种近红外光谱技术与偏最小二乘法及模糊聚类法相结合的可用于快速无损鉴别糖品种的新方法。采用近红外光 谱仪获取了白砂糖、木糖醇、麦芽糖和葡萄糖等四种糖类别各30个样本的光谱漫反射特征曲线。运用偏最小二乘法提取了糖分类与特征值 ，并将提取到的经过归一化处理的11种主成分结果作为模糊聚类模型的建模参数。设定聚类数为4，建立模糊聚类模型，并对40个未知样本 进行了预测。预测结果的准确率达到100 %，说明本文提出的方法对于糖类别具有很好的分类和鉴别能力，同时也为光谱分析技术在对品种的快速、无损 分类与识别中的应用提供了新的思路。

将分布式并行计算引入光谱学信号处理领域。 用傅里叶红外光谱仪FTIR-4100获得白砂糖、 木糖醇、 麦芽糖和葡萄糖4类糖各39个样本的光谱曲线作为测试数据。 在两台软硬件配置相同的计算机平台上运行分布式并行算法。 先运用分布式并行方法读取FTIR-4100生成的文本文件中的原始数据, 然后进行分布式并行数据预处理, 包括最大峰值标准化校正, Savitzky-Golay平滑降噪算法等, 再运用分布式并行遗传算法抽取糖特征波数共24个, 最后将提取到的24个特征波数作为用BP神经网络输入, 建立3层人工神经网络。 实验结果表明, 分布式并行计算运行结果与单机顺序计算结果比对一致, 在两台计算机并行工作模式下的计算效率比传统的单机顺序计算处理效率高33.6%, 为光谱学信号处理研究领域进行复杂科学计算和提高计算效率提供了新的方法。

提出了一种应用近红外光谱技术快速无损鉴别橄榄油产地的新方法。采用近红外光谱仪获取三种不同产地的橄榄油各30个样本的光谱漫反射特征曲线,利用全局搜索算法-遗传算法提取特征波长,即从光谱751个波长数据提取9个特征波长数据,并将其作为主成分分析法的输入变量,运用主成分分析法建立分析校正模型。结果表明,主成分1和2累计可信度已达99.130%,对不同产地的橄榄油有很好的聚类作用,同时也说明遗传算法抽取特征波长方法正确。将提取到的六种主成分作为BP神经网络的输入变量,品种类型作为神经网络的输出变量,建立3层人工神经网络模型,对30个未知橄榄油产地进行预测,预测结果准确率达100％。该方法能快速无损地检测橄榄油产地,同时也为其他油类产地鉴别提供了一种新方法。

提出了一种用近红外光谱技术快速鉴别糖类别的新方法。采用近红外光谱获取白砂糖、木糖醇、双歧糖和葡萄糖等四种糖类别的光谱反射特征曲线,采用偏最小二乘法进行模式特征分析,经过交互验证法判别,确定最佳主成分数为11。完成特征提取后,将11种主成分作为神经网络的输入变量,建立了３层BP神经网络。四个类别的糖样本数均为40,共计160个样本,将其分成训练集样本120个和预测集样本40个,对40个未知样本进行预测, 准确率为100％。说明所提出的方法对于糖类别具有很好的分类和鉴别能力。

介绍了一种新颖结构的环波导CO2激光器件。该激光器的谐振腔输出镜为一块正角锥透镜。正角锥透镜的底面与另一个平面全反射镜组成平行平面谐振腔。正角锥输出镜与另一块材料和棱角均相同的负角锥透镜组成光束变换器。随着负角锥透镜的平移,出射的平行光束光斑在环状与实心之间作相应变化。