华东交通大学机电与车辆工程学院, 水果智能光电检测技术与装备国家地方联合工程研究中心, 江西 南昌 330013
茶叶是我国重要的经济作物, 对茶叶病害的及早发现与诊断, 有利于农业生产者及时采取有效的防护措施。 为了实现对茶叶病害的准确判别, 采用叶绿素荧光光谱对茶叶的光谱特性展开研究。 实验采集了健康茶叶样本90片, 藻斑病轻度病害叶片90片, 藻斑病重度病害叶片90片, 并根据Kennard-Stone算法将样本数按3:1划分训练集和预测集样本数, 其中校正集为200个、 验证集为70个。 采用叶绿素荧光光谱采集系统对茶叶藻斑病、 正常叶片进行光谱采集, 其中采集参数设置为: 积分时间20 ms, 激光功率40 mW。 分别分析了患病叶片和正常叶片的光谱响应特性, 总体上看, 三种叶片光谱主要存在吸收强度差异, 光谱走势基本一致。 在685和740 nm附近存在叶绿素的荧光峰, 其差异主要表现在正常叶片光谱较另外两种叶片光谱吸收强度较高, 而重度病害强度最低。 然后使用多项式平滑(Savitzky-Golay)对原始光谱进行平滑和降噪处理, 建立了偏最小二乘判别模型(PLS-DA), 在PLS-DA建模集模型中, 误判样品数为3个, 误判率为3%; PLS-DA预测集模型中, 误判样品个数为5个, 误判率为7.1%。 然后建立4种不同核函数的支持向量机模型进行比较得到, 由RBF作为核函数, 经主成分分析法(PCA)降维后的变量建立的SVM模型误判率最低, 准确率达到95.72%, 最后采用PCA结合线性判别分析方法(LDA)建立的模型效果最好, 准确率达到98.9%。 其中最优主成分数的选取由留一验证法取得, 选用前10个主成分进行建模时, 交叉验证准确率最高, 达98%。 通过模型对比得到PLS-DA建模集和预测集精度都达到90%以上, 以四种核函数建立的支持向量机模型中, 径向基核函数模型效果较优, 达到95.72%。 经主成分分析后建立的LDA效果最好, 识别率为98.9%。 该研究采用叶绿素荧光光谱结合化学计量学对茶叶病害进行识别, 为茶叶病害的快速、 准确预测提供一种新方法。
荧光光谱 主成分分析 偏最小二乘判别法 支持向量机 线性判别分析 藻斑病 Fluorescence Spectroscopy Principal component analysis Partial least squares discrimination Support vector machines Linear discriminant analysis Cephaleuros virescens Kunze 光谱学与光谱分析
2021, 41(7): 2129
1 中国人民公安大学刑事科学技术学院,北京 100038
2 中国人民公安大学刑事科学技术实验教学中心,北京 100038
中性笔油墨是司法鉴定中同一认定的重要物证。为提高油墨检验的准确性,本文利用拉曼光谱法对油墨样本进行无损检测。首先对预处理后的光谱数据进行降维处理,构建偏最小二乘判别分析模型;然后采用受试者工作特征曲线线下面积对预测效果进行验证,提取出36个变量投影重要性最高的特征变量;接着将特征变量作为数据输入到隐藏层神经元数目为13的多层感知器中,最终的训练正确率为87%且无过拟合现象。将变量投影重要性的特征提取与有监督的多层感知器训练相结合,可以有效压缩数据,缩短分析时间。感知器层间的连接权重可通过自主学习进行调节,提高了中性笔油墨分类结果的可信度与正确率。
光谱学 拉曼光谱法 偏最小二乘判别分析 变量投影重要性 多层感知器 激光与光电子学进展
2021, 58(1): 0130002
高光谱图像包含了大量的光谱信息和图像信息, 采用高光谱成像技术对牛肉品种进行识别。 获取可见-近红外(400～1 000 nm)光谱范围内的安格斯牛、 利木赞牛、 秦川牛、 西门塔尔牛、 荷斯坦奶牛五个品种共252个牛肉样本的高光谱图像。 在ENVI软件中对高光谱图像进行阈值分割并构建掩膜图像, 获取样本的感兴趣区域（ROI）, 并结合伪彩色图对牛肉样本的反射率指数进行可视化表达; 采用Kennard-Stone(KS)法对样本集进行划分以提高模型的预测性能; 对原始光谱采用卷积平滑(SG) 、 区域归一化(Area normalize)、 基线校正(Baseline)、 一阶导数（FD）、 标准正态变量变换(SNV)及多元散射校正（MSC）等6种方法进行预处理; 采用竞争性自适应重加权算法（CARS）提取特征波长。 然后利用颜色矩对不同牛肉样本的颜色特征进行提取; 对原始光谱图像进行主成分分析, 结合灰度共生矩阵（GLCM）算法, 提取主要纹理特征。 最后结合偏最小二乘判别（PLS-DA）算法建立牛肉样本基于特征波长、 颜色特征以及纹理特征的识别模型。 KS法将牛肉样本划分为校正集190个, 预测集62个; 将未经预处理的光谱数据与经过6种不用预处理的光谱数据进行建模分析, 结果发现经FD法处理后的光谱数据所建模型的识别率最高; 结合CARS法对经FD法预处理后的光谱数据进行特征波长提取, 共提取出22个波长; 利用颜色矩和GLCM算法分别提取出每个牛肉样本的9个颜色特征、 48个纹理特征。 将特征波长数据与颜色、 纹理特征信息进行融合建模, 结果表明, 基于特征光谱+纹理特征的模型识别效果最佳, 其校正集与预测集识别率分别为98.42%和93.55%, 均高于特征光谱数据模型识别率, 说明融合纹理特征后使样本分类信息的表达更加全面; 融合颜色特征后模型的校正集识别率均有所增加, 但预测集识别率稍逊, 颜色特征虽携带了部分有效信息, 但这些信息与牛肉样本的相关性不大。 因此, 寻找与牛肉样本相关性更大的颜色特征是提高模型识别率的重要途径之一。 该研究结果为牛肉品种的快速无损识别提供了一定的参考。
高光谱成像技术 图像特征 牛肉品种 识别 偏最小二乘判别 Hyperspectral imaging technology Image feature Beef samples Identification Partial least squares discrimination
为充分提取复杂掺伪食用油的特征信息, 提出并建立一种掺伪芝麻油的判别方法.采集40个纯芝麻油和40个掺入不同浓度玉米油的芝麻油的常规一维近红外透射光谱和中红外衰减全反射光谱.对两样本采用二维相关谱技术进行相关计算, 得到每一样品的同步和异步二维近红外相关谱和中红外相关谱, 并进行预处理, 得到其对应的同步-异步二维近红外相关谱和中红外相关谱.采用多维主成分分析法提取其特征, 并将其得分矩阵进行融合.基于融合的得分矩阵, 以及单一近红外、中红外相关谱得分矩阵分别建立纯芝麻油和掺伪芝麻油偏最小二乘判别分析模型, 三个模型对预测集样品的判别正确率分别为100%、96.2%和96.2%.研究结果表明, 所提出的方法可提取更多的特征信息, 提供更好的分析结果.
同步-异步二维相关谱 食品安全检测 信息融合 芝麻油 偏最小二乘判别 Synchronous-asynchronous two-dimensional correlati Food safety detection Information fusion Sesame oil Partial least squares discrimination analysis.
