1 海南大学机电工程学院, 海南 海口 570228 天津大学电气自动化与信息工程学院, 天津 300072
2 海南大学机电工程学院, 海南 海口 570228
3 天津大学电气自动化与信息工程学院, 天津 300072
叶片氮含量(LNC)是判断橡胶树营养状态的一个重要量化指标, 快速准确地检测橡胶树的叶片氮含量对于保证橡胶树的生长和天然橡胶的产量是非常十分必要的。 利用近红外光谱技术对119片橡胶叶片的叶面氮含量进行了定量分析, 建立了高精度的预测模型, 实现了对橡胶叶片氮含量的快速精准检测。 采集海南橡胶叶作物实验对象, 首先使用GaiaField-F-N17E光谱仪测量橡胶叶片的近红外光反射率数据, 波长范围为942～1 680 nm。 然后, 消除光谱数据中的异常样本, 分别使用了三种不同的预处理方法对数据进行处理并比较它们对模型精度的提升效果。 由于橡胶叶片的近红外光谱数据存在着大量的冗余信息和高度共线的光谱特征波段, 因此, 提出了一种基于改进后的模因框架(IMF)的结合竞争自适应重加权采样(CARS)和近邻搜索(NNS)的混合变量选择方法, 采用该算法消除光谱中的冗余信息并进行二次优化, 从全波段中提取28个作为建模波段。 最后, 使用偏最小二乘回归(PLSR)和最终选取的波段建立橡胶叶片的LNC估算模型。 为了验证所提方法的优越性, 进一步使用CARS, 连续投影(SPA)和传统模因算法(MA)的变量选择算法建立模型作为对比。 结果表明, 多元防散射效正(MSC)处理后的光谱曲线和基于IMF框架的CARS-NNS算法所建立的模型在预测集上的表现最佳: 均方根误差(RMSEp)达到0.116, 决定系数(R2p)为0.951, 两项评价指标均优于其他的预测模型。 综上所述, 基于近红外光谱技术和使用混合学习IMF框架构建的预测模型能够很好地揭示光谱数据与橡胶树叶片氮含量两者之间的关系, 可为橡胶林的养分诊断提供必要的技术支持, 保证橡胶树的良好生长, 以提升天然橡胶的产量和质量。
近红外光谱 橡胶树 机器学习 进化算法 光谱波段选择 叶面氮含量 Near-infrared spectroscopy Machine learning Evolutionary algorithm Spectral features selection Leaf nitrogen concentration Rubber trees 光谱学与光谱分析
2023, 43(7): 2050
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
枇杷果味甘酸, 供生食、 蜜饯、 酿酒用, 有化痰止咳、 和胃降气之效, 是春夏之交的度淡水果。 枇杷皮薄、 质细、 松软多汁, 在采摘及藏运过程中极易发生碰伤, 造成经济损失, 因此对碰伤枇杷的高精度快速分级检测处理至关重要。 针对几种碰伤程度的枇杷可以选用不同的方法以减少经济损失, 轻度碰伤的可以制作枇杷汁、 枇杷膏等; 中度碰伤的可以去除损伤部分制作枇杷罐头进行保存; 重度碰伤的直接处理掉节约仓储成本。 目前枇杷的碰伤程度主要通过操作员的肉眼进行损伤辨别, 受到个人习惯、 光线强度和主观心理因素影响, 会对不同碰伤程度的枇杷造成误分类。 故此提出基于高光谱成像技术图谱特征融合的方法对枇杷碰伤程度进行高精度、 快速、 无损分级。 首先, 利用自由落体碰撞装置制备轻度、 中度、 重度碰伤三组样品, 并利用高光谱成像系统采集各样品数据; 其次选用感兴区内100个像素点的平均光谱作为样本光谱并用多元散射校正(MSC)对光谱进行预处理, 作为光谱特征用于后续模型使用; 最后将光谱数据结合枇杷样品的颜色特征, 利用随机森林(RF)、 偏最小二乘法判别分析(PLS-DA)、 极限学习机(ELM)、 最小二乘支持向量机(LS-SVM)分别建立基于枇杷光谱特征、 RGB颜色特征结合光谱特征、 HSI颜色特征结合光谱特征、 混合颜色特征结合光谱特征的枇杷碰伤程度模型, 在所有模型中混合图像特征结合光谱特征的枇杷碰伤程度模型预测效果最好, 利用RF、 PLS-DA、 ELM、 LS-SVM算法的模型整体识别准确率分别为91.11%、 86.67%、 95.56%、 100%, 其中基于RBF核函数的LS-SVM碰伤枇杷模型准确率最高。 研究结果说明: 单一光谱特征模型准确率最低, 结合RGB颜色特征、 HSI颜色特征后具有更高的准确率, 光谱特征结合混合颜色特征建立的模型准确率最高, 该研究为水果碰伤程度判别提供了一定的理论参考和实验依据。
枇杷 高光谱成像 光谱特征 颜色特征 碰伤程度 最小二乘支持向量机 Loquat Hyperspectral imaging Spectral features Color features Bruising level Least squares support vector machine 光谱学与光谱分析
2023, 43(6): 1792
1 武汉大学中国南极测绘研究中心，湖北 武汉 430079
2 武汉大学测绘遥感信息工程国家重点实验室，湖北 武汉 430079
3 武汉大学电子信息学院，湖北 武汉 430079
4 地球空间信息技术协同创新中心，湖北 武汉 430079
5 上海无线电设备研究所，上海 201109
地物精细化分类一直是遥感领域的研究热点之一，也是生物量计算、全球碳循环、能量流动等研究的重要前提。为实现复杂场景下的地物高精度识别分类，本文基于高光谱激光雷达空间-光谱一体化同步获取优势，提出了基于空谱特征优化选择的高光谱激光雷达地物分类流程，构建了多种适用于高光谱激光雷达数据的空谱特征，并通过空谱特征优化选择，确定最优空谱特征组合进而实现高精度地物分类。14类地物分类结果表明，联合多种空谱特征，可优化某些类别因空间结构复杂造成光谱获取准确度不高从而引起的错误分类现象，总体分类精度可达95.57%，平均分类精度为84.37%；基于空谱特征优化选择确定最优空谱特征组合，可有效地消除特征冗余，使得总体分类精度进一步提高1.56%，平均分类精度提高4.36%。基于高空间分辨与高光谱分辨的一体化成像探测优势，高光谱激光雷达技术在地物精细化分类领域极具研究潜力与商业价值。
遥感与传感器 激光雷达 高光谱成像 空谱特征 地物分类 光学学报
2023, 43(12): 1228008
1 安徽大学, 安徽 合肥 230601
2 中国科学院合肥物质科学研究院, 安徽 合肥 230031
番茄果实营养丰富备受人们喜爱。 番茄生长周期长, 需水量大, 水分含量是影响番茄植株生长发育的主要因素; 快速发现番茄植株水分亏缺状态, 对于科学有效地进行番茄的灌溉管理, 保障和提高番茄的产量和品质具有重要意义。 利用高光谱成像技术, 实时识别番茄叶片干旱胁迫程度, 提出了一种基于高光谱成像技术的番茄叶片干旱胁迫的识别方法。 首先, 选取红樱桃番茄为实验品种, 在室内培养12盆番茄幼苗。 在保证其他管理措施相同的基础上, 通过控制施水量来控制番茄的胁迫状态, 干旱胁迫程度设计3个处理(适宜水分、 中度和重度胁迫)。 分批次采集不同干旱程度番茄幼苗嫩叶在400~1 000 nm范围的高光谱图像, 并提取了每个样本的光谱和纹理特征。 使用标准化(Norm)、 多元散射校正(MSC)、 一阶导数(1st)和标准正态变量变换(SNV)四种预处理方法对光谱数据进行预处理去除光谱中的噪声。 使用连续投影算法(SPA)、 竞争性自适应重加权算法(CARS)以及竞争性自适应重加权算法结合连续投影算法(CARS-SPA)选取光谱重要特征波段, 用灰度梯度共生矩阵(GLGCM)提取番茄叶片的纹理特征, 用SPA选择纹理特征的重要变量。 融合重要光谱特征与重要纹理特征结合支持向量机(SVM)构建识别番茄干旱胁迫模型, 同时选用自适应增强算法(AdaBoost)与K-近邻(KNN)与SVM模型对比。 结果表明, 融合重要光谱特征与重要纹理特征后, 基于CARS-SPA波长选择的SNV-SVM模型具有最好的分类效果, 训练集的分类准确度(ACCT)为94.5%, 预测集的分类准确度(ACCP)为95%, AdaBoost模型分类效果次之ACCT为86.5%, ACCP为87%, KNN模型分类效果最差ACCT为81.5%, ACCP为79%。 因此, 该方法对番茄叶片干旱胁迫程度实时识别有较好的效果, 可为构建智能化的干旱胁迫分析技术提供参考。
高光谱成像 番茄 干旱胁迫 图谱特征 Hyperspectral imaging Tomato Drought stress Image and spectral features
1 广西科技大学电气电子与计算机科学学院, 广西 柳州 545006
2 东北林业大学信息与计算机工程学院, 黑龙江 哈尔滨 150040
紫檀属中的木材有很多属于名贵木材, 不同树种之间十分相似。 传统的木材识别方法多以木材解剖学为主, 通过观察木材的切片结构特征对木材的树种进行判断, 这类方法虽有较高的识别精度, 但是其识别工艺较为复杂而且技术难度也相对较高。 与木材解剖学相对应的是利用图像信息或光谱信息的木材树种识别方法, 该类方法虽具有较为简单的识别工艺, 但是在对同属相似木材树种进行识别时, 往往不能够取得较好的识别效果。 提出了一种基于木材切面光谱特征和纹理特征相融合的木材树种识别方法, 该方法不仅识别工艺简单、 自动化程度高, 而且具有较高的识别精度。 首先通过数码相机和光谱仪采集木材切面的图像信息和光谱信息, 然后分别使用纹理特征提取方法和光谱特征提取方法提取两类特征的特征向量, 接下来使用基于典型相关分析的特征级融合方法将这两个特征向量进行融合, 最后使用支持向量机对融合后的特征向量进行分类识别。 为了验证方法的有效性, 以市场中常见的5种紫檀属树种的三个切面为研究对象, 对这些木材树种进行了识别。 实验结果显示, 单独使用纹理特征的识别正确率最高为80.00%, 单独使用光谱特征的识别正确率最高为94.40%, 使用融合的特征最高的识别正确率可达99.20%。 还将这5种木材树种与其他30种木材树种进行了混合, 混合后的木材样本数量可达1750。 实验进一步显示, 该方法可以对包含紫檀属在内的35种木材的树种进行识别, 其正确率可达98.29%。 综上所述, 木材的纹理特征和木材的光谱特征可以有效的相互补充, 从而进一步提高识别正确率。 最后还用所提出的方法与目前主流的方法进行了比较, 结果发现所述的木材树种识别方法高于目前主流方法。
同属木材 树种识别 光谱特征 纹理特征 特征融合 Same genus wood Tree species identification Spectral features Textural features Feature fusion 光谱学与光谱分析
2022, 42(7): 2247
1 国网四川省电力公司成都供电公司, 四川 成都 614000
2 国网江苏省电力工程咨询有限公司, 江苏 南京 210024
3 重庆大学输配电装备及系统安全与新技术国家重点实验室, 重庆 400044
获取能准确反映油纸绝缘老化的有效特征量, 对实现油纸绝缘老化的准确诊断具有重要意义。 表面增强拉曼光谱技术在油纸绝缘老化诊断领域已表现出一定的应用潜力。 对25#矿物变压器油和普通牛皮纸构成的油纸绝缘试品进行了加速热老化实验, 结合共聚焦拉曼光谱检测平台和银纳米片表面增强基底获取其拉曼光谱信号, 从多种角度提取了拉曼光谱特征量。 使用竞争性自适应重加权算法在提取出光谱的关键变量, 其结果对应了油纸绝缘老化特征物的主要特征峰; 使用VOIGT函数对光谱进行解析, 解析峰的轮廓参数与油纸绝缘老化程度之间呈现相关性; 以绝缘纸聚合度为依据将样本进行老化程度分类, 光谱的前8个主成分及其载荷不仅与老化特征物和老化程度呈现相关性, 且能够对样本进行准确分类; 最后对光谱进行了小波包能量熵分析, 分析了油纸绝缘老化过程中拉曼光谱的能量变化情况。 研究成果为表面增强拉曼光谱技术应用于油纸绝缘老化诊断提供了依据, 为实现油纸绝缘设备故障与老化状态的快速、 非接触的现场诊断奠定了基础。
表面增强拉曼光谱 油纸绝缘 特征量 老化诊断 Surface enhanced Raman scattering Oil-paper insulation Spectral features Ageing diagnosis 光谱学与光谱分析
2021, 41(10): 3159
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
毛桃从果树上成熟到最后到达消费者手中, 中间需要经过采摘、 包装、 运输等一系列过程, 在每一个过程中都有可能产生碰伤果。 因此查看哪一个过程产生的碰伤果最多, 从而对加工过程进行针对性地改进就显得尤为重要。 纵观国内外高光谱技术在检测水果碰伤方面的应用, 绝大多数都是忽略图像特征而只使用了光谱特征, 基于图像特征结合光谱特征建模的少之又少。 其次在水果碰伤时间定性判别方面, 多以天数为间隔, 时间间隔较大意味着水果碰伤时间越久, 其变化越明显, 检测准确率也就越高, 目前尚缺乏有效方法对于碰伤时间较短的水果进行碰伤时间分类。 以90个模拟表面碰伤的毛桃为实验样本, 分别采集毛桃碰伤12, 24, 36和48 h后的高光谱图像。 毛桃样品的光谱特征提取是采用感兴趣区域的100个像素点的平均光谱以防止单个像素点的光谱信息与整体光谱信息差距较大; 通过主成分分析(PCA)对毛桃图像进行降维后选取最能体现毛桃碰伤的PC1图像, 在 PC1图像的权重系数曲线中波峰波谷处挑选出4个特征波长点(512, 571, 693和853 nm)作为特征图像, 特征图像灰度化操作后计算得到平均灰度值作为毛桃碰伤图像特征。 最后基于最小二乘支持向量机(LS-SVM)算法分别建立毛桃碰伤时间的光谱特征模型、 图像特征模型以及图像特征结合光谱特征模型共三种判别模型, 并且根据其分类准确率来判断模型的性能。 结果表明: 三种毛桃碰伤模型的分类准确率都随碰伤时间的增加而增加; 基于径向基核函数(RBF_kernel)建立的图像特征结合光谱特征的模型预测效果最好, 对碰伤12, 24, 36和48 h的毛桃样品识别正确率分别为83.33%, 96.67%, 100%和100%, 这可能是由于具有非线性特点的径向基核函数所建立的模型更加适合用于毛桃碰伤时间的分类。 图像特征结合光谱特征的模型能够较好地实现对水果碰伤时间的估计, 可为水果外部品质分选提供一定的参考和依据, 并对水果销售和深加工企业具有一定的借鉴意义。
高光谱成像 图像特征 光谱特征 最小二乘支持向量机 毛桃 碰伤时间 Hyperspectral imaging Image features Spectral features Least squares support vector machine Wild peach Bruising time 光谱学与光谱分析
2021, 41(8): 2598
安徽大学, 国家农业生态大数据分析与应用工程研究中心, 安徽 合肥 230601
名优大米含有更多的营养价值与更高的经济价值, 不法商家为赚取更多利益, 对优质大米掺假甚至以次充好, 损害了消费者利益和大米贸易, 打击了生产者的生产积极性。 希望发展一种基于高光谱成像的图谱特征与深度学习网络的名优大米无损鉴别方法。 首先, 采集了全国具有代表性的七种名优大米400～1 000 nm范围高光谱图像, 并提取了每种大米的光谱、 纹理与形态特征。 使用多元散射校正算法做光谱预处理消除光谱散射。 连续投影算法（SPA）、 竞争自适应重加权算法（CARS）以及两者级联方法（CARS-SPA）被用来选取光谱特征的重要波长; 用 SPA选择形态、 纹理特征的重要变量。 最后, 使用深度学习网络-卷积神经网络（CNN）融合各类特征构建大米种类识别模型, 而K-近邻（KNN）、 随机森林（RF）用于与CNN模型相对比。 实验结果显示, 根据全光谱构建的模型的分类准确度达到80%以上; 其中, KNN建模效果最差; RF的效果较好; CNN网络的模型性能最优, 训练集的分类准确度（ACCT）为92.96%, 预测集的分类准确度（ACCP）为89.71%。 而重要波长光谱与全光谱相比, 分类准确度相差较多。 为进一步提升大米种类鉴别的准确度, 选用纹理、 形态两种图像特征与光谱特征进行融合, 最优结果来自光谱与形态特征重要变量所构建的模型。 其中, KNN的ACCT和ACCP分别为69%和67%; RF模型的ACCT=99.98%和ACCP=89.10%; CNN模型的效果最佳, ACCT和ACCP为97.19%和94.55%。 此外, 光谱与纹理融合的分类效果差于光谱, 说明纹理特征弱化了分类结果。 对于分类模型来说, CNN的性能明显优于两种机器学习方法, 可以提供更好的分类效果。 总而言之, CNN融合光谱与形态特征重要变量可实现对名优大米种类的准确鉴别, 这种方法有望拓展到其他农产品的分级, 种类区分和产地鉴别。
高光谱成像 名优大米 图谱特征 卷积神经网络 Hyperspectral imaging High-quality rice Image and spectral features Convolutional neural network 光谱学与光谱分析
2020, 40(9): 2826
1 昆明物理研究所，云南昆明 650223
2 云南大学，云南昆明 650500
高光谱图像（hyper spectral imagery，HSI）分类已成为探测技术的重要研究方向之一，同时也在**和民用领域得到广泛运用。然而，波段数目巨大、数据冗余、空间特征利用率低等因素已成为高光谱图像分类的挑战，且现有的高光谱分类大多利用可见光或短波红外高光谱数据分类。针对这些问题，本文提出了一种基于光谱和空间特征的 K-means分类方法。首先提取空间特征，然后将光谱与空间特征相结合并降维，最后引入 K-means算法得到较普通 K-means更佳的分类结果。并将此算法运用在长波红外的高光谱图像分类中。
空间特征 光谱特征 长波红外高光谱图像 高光谱分类 K-means K-means, PCA, long wave infrared spectral features
