核工业北京地质研究院 遥感信息与图像分析技术国家级重点实验室，北京100029
为了解决基于深度学习的开展矿物高光谱丰度反演研究中标签数据不足的问题，提出一种基于添加填充系数的Hapke混合模型的小样本矿物高光谱数据增强方法，用于生成大量带标签的数据集。在实验室内选择5种常见矿物按照质量比例对矿物粉末进行多元混合，并对混合矿物开展光谱量测。基于线性混合模型、Hapke混合模型、填充系数分别为0.1，0.2和0.3的Hapke混合模型共5种模型，按照对应的质量比例生成模拟的混合矿物光谱，与实验室实测光谱进行比较。最后，基于Monte Carlo法随机生成多元“和为一”的丰度矩阵，利用5种混合模型开展数据增强，分别生成40 000条模拟光谱作为堆栈自编码网络的训练集，反演矿物高光谱数据的丰度信息。研究结果表明：Hapke模型以及添加填充系数后的光谱模拟精度均优于线性混合模型的模拟精度，当Hapke模型的填充系数为0.1和0.2时，光谱角距离误差均值分别为0.053 5和0.053 7，模拟的矿物光谱更接近实测光谱，且优于未添加填充系数时的光谱角距离误差0.074 8。利用填充系数为0.1和0.2的Hapke模型生成的模拟数据作为深度学习训练集，矿物高光谱丰度反演的均方根误差（RMSE）为0.124 8，优于其他4种模型的反演结果。基于添加填充系数后的Hapke混合模型生成的模拟数据更接近真实光谱，可为深度学习的小样本矿物丰度反演研究提供数据支撑。
高光谱技术 深度学习 模拟光谱 混合模型 Hapke模型 数据增强 丰度反演 hyperspectral technique deep learning simulating spectra mixing model Hapke model data augmentation abundances inversion 光学 精密工程
2023, 31(11): 1684
吉林大学生物与农业工程学院, 吉林 长春 130022
小麦是我国的主要粮食作物, 在国民经济发展中具有举足轻重的地位。 然而, 盐与物理损伤等非生物胁迫, 逐渐成为制约小麦产量和品质的重要因素。 研究表明, 细胞壁是植物细胞直接抵御逆境胁迫的重要防线。 盐胁迫下, 细胞渗透压增大, 质膜的透性会受到一定程度的影响。 为了维持细胞的形态和结构, 植物细胞壁中的果胶等多糖物质会发生不同程度的转化和改变。 物理损伤, 会加深植物细胞膜脂过氧化的程度, 使膜通透性增大, 导致营养物质的流失和降解。 受到损伤的部位及其周边细胞还会发生栓化以阻塞病菌的侵入。 构成植物细胞壁主要成分且能够反映细胞壁以及膜系统完整性和透过性的果胶, 可以作为研究胁迫下植物内部物质响应规律的重要指标。 目前, 质量法、 比色法、 液相色谱法等常用的果胶检测方法操作繁琐、 实时性不强且对样本损耗较大。 亟需一种操作简便、 检测速度快、 无损的检测方法。 将烟农0428小麦作为研究对象, 采用水培方式, 以向培养液中施加氯化钠(NaCl)溶液和对小麦第一片叶主脉两侧针刺分别模拟盐胁迫和昆虫叮咬造成的物理损伤, 并完成小麦叶片果胶及高光谱信息的采集与处理。 利用相关分析法筛选光谱敏感波段, 将主成分回归(PCR)、 偏最小二乘法(PLS)、 逐步多元线性回归(SMLR)三种建模方法分别与多元散射校正(MSC)、 标准正态变换(SNV)、 一阶导数(FD)、 卷积平滑(S-G)、 Norris导数滤波(NDF)等预处理技术相结合, 建立果胶含量反演模型。 最终, 选定PLS+SNV+FD+NDF方法建立的模型为最优模型, 并对其性能进行了测试。 结果表明: 果胶含量的预测值与实测值一致性较高, 拟合系数(R2)和均方根误差(RMSE)分别为0.997 6和0.35; 预测值重复性较好, 相对标准偏差(RSD)为1.2%。 该研究以新方法实现小麦果胶的高精度、 快速、 无损检测, 有助于小麦响应逆境胁迫机理的深入探索, 并为大田作物胁迫程度预测及种植环境的精准管控提供参考。
小麦 高光谱技术 果胶 盐胁迫 物理损伤 模型预测 Wheat Hyperspectral technique Pectin Salt stress Physical damage Model prediction 光谱学与光谱分析
2022, 42(9): 2935
质构作为一种重要的品质参数, 能够显著地影响出缸期皮蛋的凝胶品质, 目前没有有效的快速无损检测方法。 应用高光谱成像实现对出缸期皮蛋质构特性的无损预测及不同品质皮蛋的检测分级。 以不同品质鸭皮蛋为研究对象, 采集优质蛋、 合格蛋与不合格蛋样本的高光谱数据, 对比测定其凝胶质构硬度和弹性参数, 对原始光谱进行单一和组合变换(多元散射校正MSC、 包络线去除CR、 一阶求导FD、 包络线去除一阶求导组合CR-FD), 分析一维光谱数据与质构硬度和弹性的相关性, 发现经CR-FD变换后的光谱反射率与凝胶质构硬度、 弹性的相关性最大, 分别在波长683和715 nm达到最大值为0.882和0.865; 基于最优的光谱变换和二维相关光谱法, 以凝胶质构硬度和弹性作为扰动因子, 探寻皮蛋硬度和弹性的最优研究区域, 结果显示: 以硬度为扰动因子时, 波长476, 539, 647, 672, 728和851 nm处存在自相关峰; 在波长483, 572, 657, 739和826 nm处的光谱信号对弹性值较敏感, 故最终选择476~851和483~826 nm两个敏感波段分别作为凝胶硬度和弹性的研究区域; 对比连续投影算法(SPA)、 竞争性自适应重加权算法(CARS)、 遗传算法(GA)、 粒子群优化算法(PSO)、 无信息消除法(UVE)5种不同变量选择方式, 发现使用粒子群优化算法结合PLSR模型的检测精度最高: 预测硬度的$R_{P}^{2}$和均方根误差RMSEP为0.826和0.874, RPD为2, 预测弹性的$R_{P}^{2}$和均方根误差RMSEP为0.886和0.402, RPD为1.9。 使用3种不同分类器对不同品质皮蛋进行预测, 发现对优质蛋、 合格蛋与不合格蛋分类的准确率分别达到了97%, 92%和100%, 基于预测结果的混淆矩阵和ROC曲线对模型进行评估, PLS-DA模型的精度和泛化能力优于BP和RF模型。 综上表明, 使用高光谱技术可以实现皮蛋质构特性的预测及对不同品质皮蛋的无损分级。
皮蛋 质构特性 二维相关 高光谱技术 Preserved eggs Textural feature Two-dimensional correlation Hyperspectral technique 光谱学与光谱分析
2022, 42(6): 1985
1 西安电子科技大学物理与光电工程学院, 陕西 西安 710071
2 中国科学院西安光学精密机械研究所瞬态光学与光子技术国家重点实验室, 陕西 西安 710119
3 深圳技术大学中德智能制造学院, 广东 深圳 518118
4 深圳大学物理与光电工程学院,光电子器件与系统教育部/广东省重点实验室, 广东 深圳 518060
为实现对红枣品种的判别,利用高光谱技术并结合机器学习算法对金丝大枣、骏枣和滩枣这三个品种的新疆红枣进行研究。首先,分别利用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导(1-Der)和Savitzky-Golay(SG)平滑等数据预处理方法对原始光谱进行预处理,研究了预处理方法对建模的影响;然后,利用光谱-理化值共生距离法(SPXY)将样本集划分为校正集和预测集,基于线性判别分析(LDA)、K-最近邻分类(KNN)和支持向量机(SVM)算法对预处理后的全波段光谱建立红枣品种鉴别模型,结果显示,在多种预处理方法中,1-Der的处理效果最好;然后,结合主成分分析(PCA)、连续投影算法(SPA)和竞争性自适应重加权采样(CARS)等特征提取方法对全波段光谱进行特征波段的提取,再基于特征波段建立红枣品种鉴别模型,结果发现,在几种特征提取方法中,基于CARS所提特征波段建立的模型可以获得最高的鉴别准确率;最后,以SVM模型为例对模型运行时间进行了比较,结果发现,基于特征波段所建模型的运行时间远短于基于全波段所建模型的运行时间。
光谱学 高光谱技术 机器学习 品种鉴别 数据预处理 特征波段提取 中国激光
2020, 47(11): 1111002
1 四川农业大学机电学院, 四川 雅安 625014
2 四川农业大学信息工程学院, 四川 雅安 625014
为了对花椒挥发油的含量进行快速、无损、低成本的检测,以汉源县花椒为实验对象,采集其在400~1000 nm波长范围内的光谱数据,然后采用标准正态变量变换(SNVT)方法对光谱数据进行预处理,利用迭代保留信息变量算法(IRIV)进行特征变量的提取,并建立极限学习机(ELM)回归模型,模型结果如下:校正集的决定系数 RC2为0.8522,均方根误差RMSEC为0.3475;预测集的决定系数 RP2为0.8365,均方根误差RMSEP为0.5737。为了进一步提高模型的预测性能,利用果蝇优化算法(FOA)对极限学习机的输入权值进行自适应优化。最终,优化后模型(IRIV-FOA-ELM)的决定系数 RC2为0.8792,RMSEC为0.3323, RP2为0.8659,RMSEP为0.3621。结果表明,高光谱成像技术可以对花椒挥发油进行快速无损检测,同时为其他农产品挥发油检测提供一种新的方法和思路。
光谱学 挥发油 高光谱技术 迭代保留信息变量算法 果蝇优化算法 极限学习机 激光与光电子学进展
2020, 57(20): 203002
西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
为了给冬枣采收后成熟度分级提供理论指导, 运用高光谱技术获取特征波长和计算光谱指数对其成熟度可视化分级。 采集三类成熟度冬枣(未成熟果、 白熟-初红果、 半红-全红果)样本共336个并获取其高光谱信息, 通过Savitzky-Golay(S-G)平滑对原始光谱降噪后再用Kennard-Stone(K-S)方法将样本分为训练集(226个)和测试集(110个)。 选用连续投影法(SPA)和竞争性自适应重加权采样法(CARS)选择特征波长(CWs); 同时从水果生理成分变化角度引入7个光谱指数(SIs)。 基于SPA和CARS选取的CWs和引入的SIs分别建立偏最小二乘判别分析(PLS-DA)模型, 并比较了3个模型的分级效果。 结果表明: 基于SPA和CARS选择的特征波长和引入的SIs建立的PLS-DA模型判别精度分别为: 97.27%, 95.45%和98.18%。 为了直观展现判别结果, 选用SIs建立的PLS-DA回归系数拟合判别向量Y的回归方程, 依据Y中最大值元素所在类别为该样本预测类别的规则, 将结果用不同颜色直观显示。 该研究为冬枣成熟度可视化分级提供了思路, 引入的SIs参数为开发适于多种水果成熟度分级的设备提供了技术支撑。
冬枣 高光谱技术 特征波长 光谱指数 化学计量学方法 Winter jujube Hyperspectral technique Characteristic wavelengths Spectral indices Chemometrics methods 光谱学与光谱分析
2018, 38(7): 2175
浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
竹叶含有丰富的功能性成分, 具有良好的抗氧化、 调节血脂、 抗癌、 保护心脑血管等功效, 在食品和药品等领域具有较高的应用价值, 但不同品种的竹叶其功能性成分差异较大。 传统对于竹类品种的鉴别主要是通过观察竹叶大小、 纹理、 竹枝分枝和竹竿高度等, 效率低且错误率较高, 因此, 快速准确的区分不同品种的竹叶, 是竹类资源开发和加工过程中的重要任务之一。 采用近红外高光谱（900～1 700 nm）技术对我国不同产地的12种竹叶进行鉴别分析。 用主成分分析（PCA）对竹叶进行聚类分析, 应用主成分因子中X-loading（XL）和random frog（RF）算法进行特征波段的提取, 分别得到6条（931, 945, 1 217, 1 318, 1 473和1 653 nm）和12条（1 052, 1 140, 1 163, 1 177, 1 180, 1 193, 1 230, 1 241, 1 477, 1 483, 1 629和1 649 nm）特征波段, 并基于全波段（238条波长）及采用以上算法所得的特征波段建立最小二乘-支持向量机（LS-SVM）判别分析模型, 其识别率分别为9917%（全波段）, 9583%（XL算法）, 9583%（RF算法）。 最后, 采用受试者工作特征曲线（receiver operating characteristic curve, ROC curve）对LS-SVM模型的判别效果进行验证, 结果表明, 曲线下面积（AUC）均在098以上, 说明近红外高光谱结合LS-SVM可以很好地实现竹类的鉴别分析, 这为竹叶的食用和药用价值的开发利用提供理论参考。
高光谱技术 竹叶 判别分析模型 化学计量学 Hyperspectral technique Bamboo leaves Discriminant analysis models Chemometrics methods 光谱学与光谱分析
2017, 37(6): 1718
浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
保鲜膜能提高果蔬保水性, 隔绝外界细菌侵染, 延长货架期。 为了准确估测覆盖保鲜膜果蔬品质的优劣, 对其货架期进行预测具有重要意义。 应用高光谱技术结合化学计量学方法对同等贮藏条件下覆膜新鲜菠菜叶片的货架期进行了预测。 先采集五个不同贮藏时间下75盘共300片菠菜样本在可见-近红外（Vis-NIR, 380～1 030 nm)与近红外（NIR, 874～1 734 nm)波段的高光谱数据, 然后测定不同贮藏时间下菠菜叶片叶绿素含量。 提取300片覆膜菠菜叶片的平均光谱（200个为建模集, 100个为预测集)后, 对建模集光谱进行主成分分析（principal component analysis, PCA), 发现不同贮藏期内叶片光谱数据在前3个主成分空间有一定的聚类。 根据建模集光谱信息与预先赋予的不同贮藏期虚拟等级分别建立偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA)模型, 得到预测集样本的贮藏期总的判别准确率分别为83%（Vis-NIR)和81%（NIR)。 表明, 高光谱技术结合化学计量学方法能够实现对新鲜菠菜货架期的分类和预测, 为消费者正确评价覆盖保鲜膜的菠菜品质提供了理论指导, 也为后期果蔬货架期检测仪器的开发提供了技术支持。
高光谱技术 菠菜叶片 化学计量学方法 货架期 Hyperspectral technique Spinach leaves Chemometrics methods Shelf-life
