1 中国农业大学信息与电气工程学院, 北京 100083
2 北京市农林科学院智能装备技术研究中心, 北京 100097
光谱质量、 样本个体差异、 检测系统和建模算法等多种因素共同决定水果糖度检测模型的预测精度和稳定性。 采用自主研发的短积分全透射近红外在线检测系统以5 ms积分时间和0.5 m·s-1运行速度在线获取了“富士”苹果全透射光谱信号。 不同姿态获取的透射光谱强度差异明显, 但曲线走势相近, 均在920 nm波段具有最大的光谱强度, 在850 nm波段存在波谷。 采用移动平均平滑、 标准正态变量变换和多元散射校正等预处理方法有效去除原始光谱的随机噪声和基线偏差, 减小了样本检测姿态引起的光谱差异。 为分析不同检测姿态对苹果整果糖度预测模型的影响, 构建了单一姿态局限模型和多姿态通用模型, 结果表明基于全位点平均透射光谱构建的单一姿态局限模型对检测姿态具有很大的局限性, 而多姿态通用模型预测能力较单一检测姿态相当, 但却对不同的检测姿态具有更强的适用能力。 为进一步提高光谱信号质量, 优化模型预测能力, 采用信号强度阈值优选方法实现了苹果整果糖度预测模型优化, 发现移除中央位点获取的透射光谱信号, 有利于提高苹果整果糖度预测模型精度。 多姿态通用信号强度优化模型综合考虑不同姿态获取的光谱信息有效性, 有效提升了通用信号强度优化模型的预测能力和稳定性, 当多姿态通用模型中信号强度阈值为5 000时, 模型预测性能最佳, 其预测参数Rp, RMSEP和RPD分别为0.79, 0.84%和1.58。 表明短积分全透射近红外在线检测系统用于不同姿态苹果糖度预测是可行的, 多姿态通用模型的建立, 扩大了模型在不同姿态的预测稳健性, 短积分光谱采集方式结合信号强度阈值优选方法提升了光谱信号的质量和模型的预测能力。
在线检测 全透射光谱 通用模型 苹果 糖度 Online detection Full transmittance spectrum Universal prediction model Apple Sugar content 光谱学与光谱分析
2022, 42(6): 1907
刘宸 1,2,3,4王庆艳 2,3,4黄文倩 2,3,4陈立平 1,2,3,4[ ... ]王晓彬 2,3,4
1 西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
2 国家农业智能装备工程技术研究中心, 北京 100097
3 农业部农业信息技术重点实验室, 北京 100097
4 农业智能装备技术北京市重点实验室, 北京 100097
拉曼高光谱成像技术不仅可以获取样本的空间分布信息, 图像上每个像素点还包括了完整的光谱信息, 因其信息量丰富的特点已在食品安全检测方面得到了应用。 本研究探索拉曼高光谱成像系统中光在奶粉层中的穿透深度, 以及采集参数和奶粉类型对穿透深度的影响。 实验选取均匀奶粉层样品放置于厚度为5 mm的三聚氰胺样本之上, 检测奶粉层厚度为0.8～4.0 mm时的三聚氰胺特征峰强度, 以此评估光在奶粉层中的穿透性和信号衰减情况。 结果显示当奶粉层厚度一定时, 随着激光功率变大, 拉曼特征峰值随之增加, 此外更长的曝光时间也可以使拉曼信号得到增强。 在激光功率不小于2 W且曝光时间不小于500 ms时, 光在全脂奶粉层的穿透深度可达4 mm。 奶粉层厚度在0.8～4.0 mm范围内, 穿透奶粉层的拉曼信号随着奶粉层厚度增加呈指数式衰减。 在激光功率为8 W、 曝光时间为1 000 ms的条件下, 光在全脂、 低脂和脱脂奶粉层的穿透深度均达到了4 mm。 在相同测量厚度下, 通过脱脂奶粉层接收的拉曼信号弱于通过全脂和低脂奶粉层接收的拉曼信号强度。 研究结果为拉曼高光谱检测中奶粉样品的前处理提供了有益参考。
拉曼光谱 高光谱成像 奶粉 穿透深度 三聚氰胺 Raman spectroscopy Hyperspectral imaging Milk powder Penetration depth Melamine 光谱学与光谱分析
2017, 37(10): 3103
1 北京农业信息技术研究中心, 北京 100097
2 安徽省农业生态大数据工程实验室, 安徽大学, 安徽 合肥 230601
3 农业部农业信息技术重点实验室, 北京 100097
4 华南农业大学工学院, 广东 广州 510642
5 Texas A&M AgriLife Research and Extension Center, Beaumont, TX 77712, USA
遥感技术能被用于大尺度作物化学喷药效果检测, 这为精准农业航空施药发展提供了重要的技术支撑。 利用M-18B农用飞机在4米的飞行高度喷施化学农药混合剂(杀菌剂和植物生长调节剂), 去控制水稻爆发性疾病--叶片纹枯病和促进水稻植株的生长。 施药一周后, 喷药区的卫星影像被获取并计算植被指数, 同时采集了地面化学农药的药液沉积量。 分析了药液雾滴沉积量和植被指数的关系, 结果显示, 单相光谱特征(NDVI)和液滴沉积点密度(DDPD点·cm-2) 的相关系数是0.315, p-value为0.035; 时间变化特征 (MSAVI)和液滴沉积体积密度(DDVD μL·cm-2)之间的相关系数是0.312, p-value为0.038。 另外, 水稻生长活力最旺盛的范围都出现在喷洒区域内, 植株活力随着药液漂移距离的增加逐步减少。 同时, 相同的变化趋势也出现在雾滴沉积量与光谱特征的空间变化插值图中。 由此得知, 从卫星图像中计算的植被指数NDVI和MSAVI, 可以用来评估大尺度农田的农用航空药液喷洒效果。
卫星影像 植被指数 航空喷药 雾滴沉积 漂移 Satellite imagery Vegetation index Aerial spraying Droplet deposition Drift 光谱学与光谱分析
2016, 36(6): 1971
钱曼 1,2,3,4黄文倩 2,3,4王庆艳 2,3,4樊书祥 1,2,3,4[ ... ]陈立平 1,2,3,4
1 西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
2 国家农业智能装备工程技术研究中心, 北京 100097
3 农业部农业信息技术重点实验室, 北京 100097
4 农业智能装备技术北京市重点实验室, 北京 100097
西瓜可溶性固形物含量的无损检测对提升其内部品质十分重要。 为实现近红外光谱对小型西瓜表面各部位可溶性固形物含量的准确预测, 减小检测部位差异对预测模型的影响, 以“京秀”西瓜为研究对象, 分别采集赤道、 瓜脐和瓜梗三部位的漫透射光谱信息, 利用偏最小二乘算法(PLS)建立并比较单一检测部位和混合所有检测部位的西瓜可溶性固形物近红外光谱预测模型, 并分别采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对西瓜可溶性固形物近红外光谱变量进行特征波长筛选。 结果显示, 相比于单一检测部位的模型, 混合所有检测部位的校正集样本建立的模型取得了较优的预测结果。 同时, 利用CARS算法筛选的42个特征波长变量建模, 对三种检测部位预测集样本的预测结果分别为赤道RP=0.892和RMSEP= 0.684 °Brix, 瓜脐RP=0.905和RMSEP= 0.629 °Brix, 瓜梗RP=0.899和RMSEP= 0.721 °Brix。 模型得到了很大的简化, 且预测精度较高。 比较发现, 利用SPA算法筛选的19个特征波长变量所建模型的预测精度较低。 利用三种检测部位的西瓜样本建立的PLS混合预测模型, 结合CARS算法进行有效特征波长变量筛选, 可提高西瓜可溶性固形物预测模型的精度, 实现西瓜表面各部位可溶性固形物含量的准确预测, 减小检测部位差异对近红外光谱预测模型的影响。 结果为今后开发便携式设备检测西瓜表面各部位可溶性固形含量提供参考依据。
小型西瓜 检测部位 近红外光谱 可溶性固形物 Mini watermelon Detective position Near-infrared spectroscopy Soluble solids content 光谱学与光谱分析
2016, 36(6): 1700
王超鹏 1,2,3,4,*黄文倩 2,3,4樊书祥 2,3,4张保华 2,3,4[ ... ]陈立平 1,2,3,4
1 西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
2 国家农业智能装备工程技术研究中心, 北京 100097
3 农业部农业信息技术重点实验室, 北京 100097
4 农业智能装备技术北京市重点实验室, 北京 100097
5 沈阳农业大学信息与电气工程学院, 辽宁 沈阳 110866
为实现玉米种子含水率(MC)的精确、快速、无损检测, 消除种子放置方式(胚部朝上/下)的影响, 基于高光谱成像和图像处理技术, 结合变量筛选法, 针对玉米种子正反面放置的不同分别建立对应的MC预测模型。分别采集种子正、反两面高光谱图像, 提取质心区域光谱数据, 采用竞争性自适应重加权变量选择算法筛选特征波段, 建立对应的MC预测模型。对比图像不同部位光谱曲线变化趋势, 挑选4个特征波段(1104, 1304, 1454, 1751 nm)进行波段运算获取种子正、反面信息及质心位置。依据正、反面检测结果, 自主选择对应的MC预测模型对45个验证集样本进行含水率检测。结果表明, 使用波段运算正、反面识别率分别为97.8%、100%; 正、反两面验证集相关系数分别为0.969, 0.946, 均方根误差分别为0.464%, 0.616%。该研究为使用多光谱成像技术实现玉米种子MC的快速无损自动化检测奠定基础。
光谱学 高光谱检测技术 竞争性自适应重加权变量选择算法 玉米种子 正反面 含水率 激光与光电子学进展
2016, 53(12): 123001
1 北京农业智能装备技术研究中心, 北京 100089
2 国家农业智能装备工程技术研究中心, 北京 100089
3 农业部农业信息技术重点实验室, 北京 100089
4 农业智能装备技术北京市重点实验室, 北京 100089
利用太赫兹光谱技术进行了土壤中重金属铅含量检测研究, 太赫兹光谱是一种拥有多种独特性质的新型安全检测技术, 前期实验结果证明该研究具有一定可行性。制备了不同浓度的含铅污染土壤样品, 研究并确定了压片法制备参数, 然后在首都师范大学太赫兹实验室开展了样品测量实验, 获取了有效数据。分别采用偏最小二乘和区间偏最小二乘法对太赫兹全谱数据进行了建模和预测, 结果表明经优化的预测结果相关系数达到0.81, 证实了该方法可行。借助于该检测手段, 可以得到农田的重金属铅污染分布图, 然后根据污染图进行污染治理和农田土壤有效管理, 从而提高农田的生产能力。为精准农业中农田重金属污染快速检测、实现农业可持续发展提供参考。
重金属污染 太赫兹 区间偏最小二乘 精准农业 heavy metals pollution terahertz (THz) interval partial-least-square(i-PLS) precision farming 红外与激光工程
2016, 45(4): 0425003
1 北京市农林科学院北京农业智能装备技术研究中心, 北京100097
2 中国农业大学工学院, 北京100083
高光谱数据量大、 维数高且原始光谱噪声明显、 散射严重等特征导致光谱建模时关键波长变量提取困难。 基于此, 提出采用竞争性自适应重加权算法（CARS）对近红外高光谱数据进行关键变量选择。 鸭梨作为研究对象。 采用决定系数r2、 预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。 基于选择的关键变量建立PLS模型（CARS-PLS）与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果, r2pre, RMSEP和RPD分别为0.908 2, 0.312 0和3.300 5。 进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法（GA）获得的特征变量建立的PLS模型比较发现, CARS不仅可以去除原始光谱数据中的无信息变量, 同时也能够对共线性的变量进行压缩去除, 该方法能够有效地用于高光谱数据变量的选择。 结果表明, 近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。 从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。
近红外高光谱 可溶性固形物 鸭梨 变量选择 竞争性自适应重加权算法 Near-infrared hyperspectral imaging SSC ‘Ya’ pear Variable selection CARS 光谱学与光谱分析
2014, 34(5): 1264
北京农业智能装备技术研究中心, 国家农业智能装备工程技术研究中心, 北京100097
从高光谱数据中选取能够有效进行内部品质检测的特征波长, 是利用高光谱成像技术进行水果品质定量分析的关键。 本文采用遗传算法（GA）、 连续投影算法（SPA）和GA-SPA算法分别从400～1 000 nm的苹果高光谱图像中提取特征波长, 利用偏最小二乘法（PLS）、 最小二乘支撑向量机（LS-SVM）和多元线性回归（MLR）建模进行苹果可溶性固形物含量（SSC）的定量分析并进行了综合比较。 160个样品中, 120个用于建模, 40个用于预测。 比较发现SPA-MLR模型获得了最好的结果, R2p, RMSEP和RPD分别为0.950 1, 0.308 7和4.476 6。 结果表明: SPA能够有效地用于高光谱数据的变量选择, 利用SPA-MLR可建立稳健的苹果SSC预测模型, 较少的有效变量和MLR模型的易解释性表明该模型在在线检测和便携式仪器开发中具有较大的应用潜力。
高光谱成像 苹果 可溶性固形物含量 变量选择 多元校正分析 Hyperspectral imaging Apple Soluble solids content Variable selection Multivariate calibration analysis 光谱学与光谱分析
2013, 33(10): 2843
1 北京农业智能装备技术研究中心, 北京 100097
2 国家农业智能装备工程技术研究中心， 北京 100097
为了提高近红外光谱快速检测烟草尼古丁含量的精度和稳定性，利用近红外光谱结合遗传算法最小二乘支持向量回归(GA-LSSVR)建立了回归预测模型。在LSSVR模型建立过程中，采用遗传算法对LSSVR参数进行自动优化。相比于利用常规最小二乘支持向量机和遗传偏最小二乘法等建立的回归预测模型，GA-LSSVR法建立的回归预测模型泛化能力更强,预测效果更好，验证集相关系数R2为0.9766，预测均方根误差为0.1065。研究结果表明，GA-LSSVR是一种快速准确的建模方法，为烟草尼古丁含量的近红外测定和近红外光谱数据的处理提供了新的方法与途径。
测量 近红外光谱 遗传算法 最小二乘支持向量回归 烟草 尼古丁 激光与光电子学进展
2012, 49(2): 021201
1 国家农业信息化工程技术研究中心, 北京100097
2 中国农业大学理学院, 北京100193
3 University of Hohenheim, 700599Stuttgart, Germany
利用植物和背景(枯枝、 土壤等)的光谱特性“红边”两侧反射率的差异, 研究了探测绿色植物靶标的光谱探测技术。 定义850与650 nm处反射率的比值为植物判别指数(GPDI)。 用FieldSpecHandheld 2500型野外便携式光谱仪测量了绿色植物和背景的光谱数据, 对其进行数据处理, 计算各被测物质的植物判别指数GPDI。 利用决策树模式识别方法建立植物与背景的分类模型, 得到了GPDI阈值(GPDITH), 选择此阈值为5.54。 当GPDI＞GPDITH时, 判别探测对象为植物； 反之亦然。 设计开发了基于AT89S51单片机和光电二极管OPT101的绿色植物光谱探测器。 试验结果表明, 此探测器的探测率受杂草的种类、 大小和密度的影响； 阔叶草比窄叶草更易探测到； 植株越大、 密度越高, 探测率越高。
光谱探测 绿色植物判别指数(GPDI) 光谱“红边” Spectral detection Green plant discriminant index (GPDI) Spectral red-edge characteristics 光谱学与光谱分析
2010, 30(8): 2179
