1 滁州职业技术学院信息工程学院, 安徽 滁州 239000
2 江苏大学卓越学院, 江苏 镇江 212013
3 江苏大学电气信息工程学院, 江苏 镇江 212013
贮存时间是影响生菜品质的一项重要因素, 传统的贮存时间鉴别方法主要依靠人工经验, 但是这种方法的准确率和可信度并不高。 研究的目标是建立一种基于模糊识别的模型进行生菜光谱分析以实现生菜贮存时间的鉴别, 并与其他鉴别方法作比较。 为此, 在当地超市购买60份新鲜生菜样品, 存放于冰箱中待用。 首先, 通过Antaris Ⅱ近红外光谱检测仪采集生菜样品的近红外光谱数据, 每隔12小时检测一次, 每个样本检测重复三次, 并取三次平均值作为实验数据。 其次, 利用多元散射校正(MSC)减少近红外光谱中的冗余信息。 为了进一步去除近红外光谱中的无用信息以及简化随后的数据分类过程, 分别运用主成分分析(PCA)和排序主成分分析 (PCA Sort)。 其中, PCA Sort通过改进对主成分的排序方法能提高分类准确率, 同时便于模糊线性鉴别分析(FLDA)进一步提取特征。 PCA和PCA Sort的计算仅运用了前15个主成分(能充分反映光谱的主要信息)。 最后, 利用模糊线性鉴别分析算法(FLDA)和K近邻算法(KNN)进一步分类所得的低维数据。 基于PCA和KNN算法的模型鉴别准确率达到43%, 而基于PCA, FLDA和KNN算法的模型鉴别准确率可达83%。 上述结果说明基于PCA, FLDA和KNN算法的模型鉴别准确率已经得到较大程度提高。 当用PCA Sort替代了模型中的PCA算法后, 结合FLDA和KNN算法则鉴别准确率达到98.33%。 实验结果表明PCA Sort结合FLDA和KNN所建立的模型是有效的生菜贮存时间鉴别模型。
近红外光谱 主成分分析 生菜 模糊鉴别线性分析 K近邻算法 NIR spectra Principal component analysis Lettuce Fuzzy linear discriminant analysis K-nearest neighbor 光谱学与光谱分析
2022, 42(10): 3079
中国农业科学院农业环境与可持续发展研究所, 北京 100081
红蓝光谱作为植物光合色素光吸收的最大波段, 是植物光合作用的主要作用光谱, 且红蓝LED已成为植物工厂的主流光源。 因此为实现植物工厂的广泛应用, 植物对红蓝光供光模式的响应及其机理亟待研究。 在人工光植物工厂中, 应用电感耦合等离子体原子发射光谱技术(ICP-AES), 研究红蓝LED组合光谱下强光照射时长和频率对生菜生长及营养元素吸收的影响。 研究包含两个独立试验。 试验一设置5个光处理: 光强为500 μmol·m-2·s-1的强光分别在常规光照(150 μmol·m-2·s-1)的光期中间照射0 h(CK), 0.5 h(HL0.5), 1 h(HL1), 2 h(HL2)和4 h(HL4)。 试验二设置4个交替光处理和1个常规光照处理(NL, 170 μmol·m-2·s-1), 在交替光处理中, 1 h的强光(500 μmol·m-2·s-1)在光期内被分别出现1次(A1)、 3次(A3)、 6次(A6)和12次(A12), 将光强为150 μmol·m-2·s-1的光期分成相等的时间段。 两个试验中光质(4R:1B)、 光周期(16/8 h)和处理天数(20 d)相同。 结果表明, 试验一中生菜的地上部生物量和N, C, P, K, Ca和Mg等大中量元素累积量均表现出随强光照射时间延长先增加后降低的趋势。 和CK处理相比, HL4处理下生菜的地下部干鲜重和比叶重显著提高, 叶面积显著降低。 HL2处理下生菜的地上部干重和N, C, P, K, Ca和Mg元素累积量均最高。 在试验二中, 相比常规光照, A6处理显著降低了生菜的地上部鲜重, 提高了生菜的根冠比, 但其他处理间生菜生物量差异不显著。 强光交替照射处理显著提高了生菜碳元素含量, 但是强光照射频率对生菜的干物质的量和营养元素累积量无显著影响。 综上所述, 在光期中间加短时间连续的强光照射能够有效提高生菜体内营养元素和生物量的累积, 更适用于植物工厂内的生菜栽培。
电感耦合等离子体发射光谱 强光照射 水培生菜 养分吸收 ICP-AES High light irradiation Hydroponic lettuce Nutrient absorption 光谱学与光谱分析
2021, 41(9): 2853
1 滁州职业技术学院信息工程学院, 安徽 滁州 239000
2 江苏大学科技信息研究所, 江苏 镇江 212013
3 江苏大学电气信息工程学院, 江苏 镇江 212013
生菜的新鲜程度是影响生菜品质的最重要因素之一, 其主要取决于生菜的储藏时间, 因此, 对不同储藏时间的生菜进行准确鉴别具有重要研究价值。 由于不同储藏时间生菜的近红外光谱数据具有差异性的特点, 因而使用近红外为不同储藏时间的生菜进行鉴别分类是可行的。 通过将联合模糊C均值聚类(allied fuzzy c-means, AFCM)中的欧式距离测度替换为指数距离测度从而提出了一种GG联合模糊聚类(Gath-Geva AFCM, GGAFCM)分析算法。 GGAFCM通过迭代计算得到模糊隶属度值和典型值, 再结合近红外光谱实现了对不同存储时间生菜的高效精准鉴别。 以新鲜的生菜样本作为研究对象, 使用傅里叶近红外光谱仪(Antaris Ⅱ型)每隔12 h对生菜样本采集漫反射光谱数据, 光谱的波数范围介于10 000~4 000 cm-1之间。 首先, 通过主成分分析(principal component analysis, PCA)对采集到的1 557维生菜近红外光谱数据进行数据压缩将其降至22维, 然后通过模糊线性判别分析(fuzzy linear discriminant analysis, FLDA)对降维后的近红外漫反射光谱数据的鉴别信息进行提取。 设定鉴别向量数为2, 即通过FLDA将22维的生菜近红外光谱数据转换为了2维数据。 最后将模糊C均值聚类(fuzzy c-means, FCM)的聚类中心作为GGAFCM和AFCM的初始聚类中心, 通过运行FCM, GGAFCM和AFCM完成对不同储藏时间生菜的鉴别分类, 并对三种模糊聚类算法得到的聚类准确率、 模糊隶属度、 迭代次数进行分析。 实验结果表明: 在初始化条件相同的情况下, 采用的GGAFCM算法与FCM和AFCM算法相比具有更高的鉴别准确率。 在m=2的情况下, GGAFCM的鉴别准确率达到了95.56%, 而AFCM的聚类准确率为91.11%。 GGAFCM迭代4次达到收敛, 而AFCM与FCM均需要8次迭代计算才能达到收敛。 基于近红外光谱技术, 通过GGAFCM结合PCA与FLDA算法可以高效快速且无损的完成对储存时间不同的生菜的准确鉴别分类, 为生菜储存时间的准确、 快速鉴别提供了实验依据和参考方法, 具有一定的实际应用价值。
近红外光谱 生菜 储藏时间 模糊线性判别分析 指数距离测度 模糊聚类 Near-infrared reflectance spectroscopy Lettuce Storage time Fuzzy linear discriminant analysis The exponential distance Fuzzy clustering
Author Affiliations
Abstract
1 Graduate School of Science and Technology, Niigata University 8050 Ikarashi 2-no-cho Nishi-ku Niigata 950-2181, Japan
2 Faculty of Agriculture, Niigata University 8050 Ikarashi 2-no-cho, Nishi-ku Niigata 950-2181, Japan
3 College of Water Resources & Civil Engineering China Agricultural University, 17 Qinghua Donglu Beijing 100083, P. R. China
4 Faculty of Tourism Management Niigata University of Management 2909-2 Kibougaoka, Kamo-shi Niigata 959-1321, Japan
5 Postharvest Technology Research Center, Faculty of Agriculture Chiang Mai University, 239 Huay Kaew Road, Muang District, Chiang Mai 50200, Thailand
Chronic kidney disease (CKD) is becoming a major public health problem worldwide, and excessive potassium intake is a health threat to patients with CKD. In this study, visible–shortwave near-infrared (Vis–SWNIR) spectroscopy and chemometric algorithms were investigated as nondestructive methods for assessing the potassium concentration in fresh lettuce to benefit the CKD patients' health. Interactance and transmittance measurements were performed and the competencies were compared based on the multivariate methods of partial least-square regression (PLS) and support vector machine regression (SVR). Meanwhile, several preprocessing methods [first- and second-order derivatives in combination with standard normal variate (SNV)] and wavelength selection method of competitive adaptive reweighted sampling (CARS) were applied to eliminate noise and highlight the spectral characteristics. The PLS models yielded better prediction than the SVR models with higher correlation coefficients (R2) and residual predictive deviation (RPD), and lower root-mean-square error of prediction (RMSEP). Excellent prediction of green leaves was obtained by the interactance measurement with R2 = 0.93, RMSEP = 24.86 mg/100 g, and RPD = 3.69; while the transmittance spectra of petioles provided optimal prediction with R2 = 0.92, RMSEP = 27.80 mg/100 g, and RPD=3.34, respectively. Therefore, the results indicated that Vis–SWNIR spectroscopy is capable of intelligently detecting potassium concentration in fresh lettuce to benefit CKD patients around the world in maintaining and enhancing their health.
Lettuce leaves competitive adaptive reweighted sampling partial least-square regression support vector machine regression interactance measurement Journal of Innovative Optical Health Sciences
2020, 13(6): 2050029
1 江苏大学电气信息工程学院, 江苏 镇江 212013
2 江苏大学机械工业设施农业测控技术与装备重点实验室, 江苏 镇江 212013
3 江苏大学京江学院, 江苏 镇江 212013
4 滁州职业技术学院信息工程系, 安徽 滁州 239000
生菜的储藏时间是影响生菜新鲜程度的重要因素。 为了快速、 无损和有效地鉴别生菜的储藏时间, 以欧式距离的p次方代替模糊K调和均值聚类(FKHM)中欧式距离的平方提出了一种广义模糊K调和均值聚类(GFKHM)算法并将该算法应用于鉴别生菜的储藏时间。 以60个新鲜生菜样本为研究对象, 采用Antaris Ⅱ近红外光谱分析仪每隔12 h检测生菜的近红外漫反射光谱, 共检测三次, 光谱扫描的波数范围为10 000~4 000 cm-1。 首先用主成分分析(PCA)对1 557维的生菜近红外光谱进行降维处理以减少冗余信息, 取前20个主成分, 经过PCA处理后得到20维的数据。 然后用线性判别分析(LDA)提取光谱数据的鉴别信息以提高聚类的准确率, 取鉴别向量数为2, 则LDA将20维的数据转换为2维数据。 最后以模糊C-均值聚类(FCM)的类中心作为FKHM和GFKHM的初始聚类中心, 分别运行FKHM和GFKHM计算模糊隶属度以实现生菜储藏时间的鉴别。 结果表明, GFKHM的鉴别准确率能达到92.5%, FKHM的鉴别准确率为90.0%, GFKHM具有比FKHM更高的鉴别准确率。 GFKHM的聚类中心比FKHM更逼近真实类中心。 GFKHM的收敛速度明显快于FKHM。 采用近红外光谱技术同时结合GFKHM, PCA和LDA为快速和无损地鉴别生菜储藏时间提供了一种新的方法。
近红外光谱 生菜 储藏时间 线性判别分析 模糊K调和均值聚类 Near infrared spectroscopy Lettuce Storage time Linear discriminant analysis Fuzzy K-harmonic means clustering 光谱学与光谱分析
2016, 36(6): 1721
1 江苏大学电气信息工程学院, 江苏 镇江 212013
2 江苏大学机械工业设施农业测控技术与装备重点实验室, 江苏 镇江 212013
3 江苏大学京江学院, 江苏 镇江 212013
4 滁州职业技术学院信息工程系, 安徽 滁州 239000
为解决模糊学习矢量量化（FLVQ）对噪声数据敏感问题, 在无监督可能模糊聚类（UPFC）基础上提出一种无监督可能模糊学习矢量量化（UPFLVQ）算法。 UPFLVQ用UPFC的隶属度和典型值来更新学习矢量量化网络的学习速率, 计算类中心矢量。 UPFLVQ 属于无监督机器学习算法, 适用于无学习样本情况下的样本分类。 研究了UPFLVQ用于近红外光谱生菜品种鉴别的可行性。 采用FieldSpec@3型便携式光谱分析仪获取波长范围为350～2 500 nm的三种生菜样本的短波近红外光谱和长波近红外光谱, 然后采用主成分分析(PCA)进行近红外光谱的维数压缩, 取前三个主成分, 累计可信度达97.50%, 将2151维的近红外光谱压缩为三维数据。 再运行模糊C-均值聚类（FCM）至迭代终止, 并以FCM的类中心作为UPFLVQ的初始聚类中心, 最后运行UPFLVQ得到隶属度和典型值以实现近红外光谱的生菜品种鉴别。 同时, 运行UPFC进行近红外光谱的生菜品种鉴别。 实验结果表明: UPFLVQ和近红外光谱技术相结合的模型具有检测速度快, 鉴别准确率高, 对生菜不造成损坏等优点, 可实现不同品种生菜的鉴别。 UPFLVQ是将UPFC和FLVQ相结合的聚类算法, 利用UPFLVQ建立近红外光谱的生菜品种鉴别模型时无需学习样本, 适用于线性可分的数据聚类, 为快速和无损地鉴别生菜品种提供了一种新的方法。
近红外光谱 生菜 品种鉴别 无监督机器学习 Near infrared spectroscopy Lettuce Identification of varieties Unsupervised machine learning
1 江苏大学电气信息工程学院, 江苏 镇江 212013
2 江苏大学江苏省现代农业装备与技术重点实验室, 江苏 镇江 212013
为了便于经济合理的生菜施肥, 研究一种生菜叶片氮素水平智能鉴别方法。 在温室大棚内无土栽培不同氮素水平的生菜样本, 在特定生育期, 采集各类氮素水平生菜样本, 利用FieldSpec○R 3型光谱仪采集生菜叶片高光谱数据。 由于原始高光谱数据存在噪声且冗余性强, 利用标准归一化(SNV)对原始高光谱数据进行降噪处理, 再利用主成分分析方法(PCA)对高光谱数据进行特征提取。 分别利用K最近邻(KNN)和支持向量机(SVM)对降维后的光谱数据进行分类研究, 由于自适应提升法(Adaboost)能提升弱分类器分类性能, 将其分别引入到KNN和SVM两种分类器中, 提出了Adaboost-KNN和Adaboost-SVM两种集成分类算法。 分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。 结果表明, KNN, SVM, Adaboost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68%, 87.34%, 100%和100%, 其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好, 且Adaboost-SVM分类算法的稳定性最好。 因此, Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法, 并且也为其他作物营养元素无损检测提供了一种新的方法。
高光谱 生菜叶片氮素水平 Hyperspectrum Lettuce leaf nitrogen level KNN KNN SVM SVM Adaboost Adaboost 光谱学与光谱分析
2013, 33(12): 3372
