玉米是我国重要粮食作物之一, 在我国广泛种植, 筛选优良的玉米品种是农业生产和育种的关键, 但市场上玉米品种繁多, 如何快速准确高效鉴别玉米品种从而实现玉米高产高收亟待解决。 提出了基于高光谱图像技术的极限学习机(ELM)鉴别模型, 以期解决玉米品种鉴别问题。 以八个品种玉米种子作为研究对象, 试验样本共480个, 按2∶1比例划分为训练集和测试集, 分别为320个和160个。 利用高光谱图像采集系统获取935.61～1 720.23 nm范围内的玉米种子图像, 黑白校正后选取胚芽部位大小为10×10 pixel的感兴趣区域(ROI), 提取该区域内平均光谱作为原始光谱数据。 因原始光谱两端噪声较大, 有效信息较少, 为增强信噪比, 截取949～1 700 nm范围内的玉米种子光谱波段作为有效波段进行分析。 由于数据采集过程中受无关信息干扰较强影响建模效果, 故对去噪后的光谱波段信息进行SG平滑(Savitzky-Golay smoothing)预处理, 将平滑点数设置为3, 在SG平滑基础上进行最大归一化(MN)预处理。 预处理后分别采用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)单一提取和CARS+SPA、 CARS-SPA组合筛选方法提取特征波长, 以特征波长反射率作为输入矩阵X, 预设样本类别1、 2、 3、 4、 5、 6、 7、 8作为输出矩阵Y, 利用极限学习机分别建立(SG+MN)-ELM、 (SG+MN)-CARS-ELM、 (SG+MN)-SPA-ELM、 (SG+MN)-(CARS+SPA)-ELM、 (SG+MN)-(CARS-SPA)-ELM五种玉米品种定性鉴别模型。 试验结果表明: (SG+MN)-(CARS-SPA)-ELM模型较其他四者鉴别效果最佳, 训练集和测试集平均鉴别准确率均为98.13%, 表明CARS-SPA二次筛选的特征波长变量更敏感, 能够代表所有波长信息, 且极限学习机模型有较好的定性鉴别性能, 可实现对玉米品种的鉴别。 该研究为玉米种子及其他农作物种子快速准确鉴别提供了新思路和新方法。

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。

黑龙江省是我国最大的粳稻产区和商品粮生产基地。 水稻种植过程中, 选择合适的水稻品种是实现高产的关键环节。 在农业生产中, 水稻品种的选择受多方面因素影响, 一般说来, 同一积温带所种植的不同水稻品种在外观上差别不大, 甚至没有差别, 很难通过肉眼观察进行准确区分。 为了快速鉴别肉眼不便区分的不同类别粳稻种子, 提出了一种基于近红外光谱技术的粳稻品种快速无损鉴别方法。 以黑龙江垦区大量种植的3种不同品种的粳稻种子(垦粳5号、 垦粳6号和绥粳4号)作为研究对象, 每个品种选取40个样本, 其中30个样本做为建模集, 10个样本作为预测集, 扫描获取全部120个样本的近红外光谱数据。 对原始光谱数据(11 520～4 000 cm-1)两端进行裁剪, 选取吸光度较强的8 250～5 779cm-1范围内的光谱数据进行研究。 首先建立参照模型, 即直接对光谱数据建立BP模型1, 同时光谱数据经过一阶导数和Savitzky-Golay平滑预处理后建立BP模型2。 模型1的分类正确率为93.3%, 预测集均方根误差RMSEP=0.232 8, 迭代时间t=3 882.9 s。 模型2的分类正确率为100%, RMSEP=0.070 6, 迭代时间t=954.5 s。 比较两种模型的评价参数RMSEP发现FD+SG预处理可以提高模型的预测能力, 但是由于两种模型未进行降维处理, 数据量过大, 模型的输入节点过多, 迭代时间太长, 不利于实际应用。 因此利用小波变换多分辨率的特点对数据进行降维处理, 采用预测集残差平方和Press值作为评价指标, 在多个小波类别和参数中选取分解尺度为5的sym2(symlet2)小波对光谱数据进行压缩和降维处理, 将光谱数据由601维降到21维。 以小波变换结果作为神经网络输入, 建立模型3, 并与模型1比较, 模型3的分类正确率为93.3%, RMSEP=0.225 0, 迭代时间t缩短至198.9 s, 比较结果显示小波降维可以减少神经网络的输入, 简化神经网络的结构, 从而提高迭代速度, 但对提高模型的预测能力效果不明显。 上述三种模型比较结果表明, FD+SG预处理可以提高模型的预测能力, 小波降维可以提高模型的迭代速度, 综合上述三种模型的比较结果分析, 最终建立“FD+SG+小波降维”的21输入、 15个隐层、 3个输出的神经网络鉴别模型4, 其分类正确率达100%, RMSEP=0.029 3, 迭代时间为98.8 s, 表明模型4能够完全实现对三种不同水稻品种的快速、 准确、 无损鉴别。 因此, 所提出的基于近红外光谱的小波降维和反向传播人工神经网络鉴别模型的方法完全可以用于粳稻种子的快速无损鉴别, 同时也为其他农作物种子的快速鉴别提供了参考。

甜瓜的品种多样, 富含多种营养成分, 甜瓜种子品种不纯将对甜瓜生产造成一定危害, 研究采用种子的叶绿素荧光光谱结合反射光谱的分析方法鉴别甜瓜种子品种, 以甜瓜品种“一特白”、 “一特金”、 “京蜜7号”、 “京蜜11号”、 “伊丽莎白”为研究对象。 构建了甜瓜种子品种鉴别光谱系统, 包括激发光源单元、 光谱数据采集单元和数据处理单元, 使用该系统获取不同品种甜瓜种子的光谱数据。 对光谱数据分别进行一阶导数(first derivative, FD), Savitzky-Golay(SG) 平滑, FD结合SG平滑预处理。 采用主成分分析(principal component analysis, PCA)方法降低光谱数据的维数, 提取主成分。 使用两种不同分组方法将样品按照3∶1的比例分为训练集和验证集, 并分别采用Fisher判别和Bayes判别分析方法建立甜瓜种子品种的判别模型。 本文比较了仅使用叶绿素荧光光谱与使用叶绿素荧光光谱结合反射光谱建立判别模型的判别结果, 结果显示, 使用叶绿素荧光光谱结合反射光谱建模的判别结果优于仅使用叶绿素荧光光谱建模的判别结果, Fisher判别分析和Bayes判别分析的验证集样品品种的判别正确率均达到98.0%。 研究结果表明, 采用叶绿素荧光光谱结合反射光谱鉴别甜瓜种子品种具有可行性。

基于可见-近红外光谱分析技术, 提出了一种快速鉴别马铃薯品种的方法。 以三种不同品种共计352个样本的马铃薯作为主要研究对象, 随机将其分为建模集（307个样本）和预测集（45个样本）。 对其中的建模集样品进行可见-近红外光谱分析, 将获取的光谱图像通过多元散射校正（MSC）和窗口大小为9的Savitzky-Golay（S-G）一阶卷积求导方法预处理, 消除颗粒大小、 表面散射及光程变化对漫反射光谱影响, 降低原始光谱曲线的随机噪声影响。 然后用偏最小二乘法（PLS）对数据进行降维、 压缩, 使用主成分分析方法（PCA）获得的前4个主成分累计贡献率达到96%以上, 并从前4个主成分图谱中提取20个吸收峰作为输入变量, 经过试验, 得到一个20（输入）-12（隐含）-3（输出）结构的3层BP神经网络。 最后利用该模型对预测集样本进行品种鉴别, 识别正确率达到100%。 此方法能较为快速、 准确地鉴别马铃薯的品种, 为马铃薯品质检测与鉴别提供了新思路。

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。

柚类种质和品种资源繁多, 现有的柚类品种鉴别方法检测时间长, 费用高。 旨在利用高光谱成像技术探索主要柚类品种快速识别的可行性。 试验选用4个具有代表性的柚类品种, 利用高光谱成像技术, 采集240个叶片样本(60个/品种)上表面和下表面的高光谱图像。 高光谱图像标定后, 提取样本感兴趣区域平均光谱信息作为样本的光谱进行分析。 利用Kennard-Stone法将样本划分为校正集(192个)和验证集(48个)。 采用多元散射校正(MSC)和标准正态变量变换(SNV)对原始光谱曲线进行预处理后, 分别采用主成分分析 (PCA)和连续投影算法 (SPA )提取最佳主成分和有效波长, 并将其作为最小二乘支持向量机(LS-SVM)的输入变量, 建立基于叶片上表面和下表面光谱信息的PCA-LS-SVM和SPA-LS-SVM 模型。 结果显示, 基于叶片上表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM 模型对建模集样本的识别正确率分别为99.46%和98.44%, 对预测集样本的识别正确率均为95.83%。 基于叶片下表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM模型对建模集样本和预测集样本的识别正确率皆为100%。 表明, 利用高光谱成像技术结合PCA-LS-SVM和SPA-LS-SVM可实现柚类品种的快速鉴别, 叶片下表面光谱信息鉴别效果优于叶片上表面。 该研究为柚类的品种快速鉴别提供了一种新方法。

从玉米自交系种子的遗传距离、 近红外光谱距离、 品种鉴别模型性能三方面进行分析, 探索三者间的关系。 采用三组(共15对)遗传关系远近不同的玉米自交系种子作为实验材料, 通过简单重复序列(simple sequence repeats, SSR)标记计算自交系种子间的遗传距离; 种子的近红外光谱经预处理后降维到主成分分析(principal component analysis, PCA)空间中, 计算各个自交系种子样本中心点之间的欧氏距离, 作为对应的近红外光谱距离; 使用仿生模式识别方法建立鉴别模型, 用模型的鉴别正确率评价模型的性能。 分析结果表明, 自交系种子间遗传距离与近红外光谱距离相关性为0.986 8, 与模型鉴别正确率的相关性为0.911 0, 相关性显著。 说明近红外光谱可以反映出玉米自交系种子之间的遗传关系, 遗传关系的远近影响品种鉴别模型的性能, 遗传距离越小, 近红外光谱距离越小, 模型鉴别能力也越差。 实际应用中有望利用近红外光谱技术分析玉米自交系的遗传关系, 对遗传育种、 品种识别、 纯度分选等具有重要意义; 且建立品种鉴别模型时, 应充分考虑遗传关系较近的玉米自交系对模型性能的影响。

水稻种子品种的单粒鉴别对于防止制种时的混杂、掺假现象，保证种子纯度具有重要意义。利用高光谱图像技术研究了水稻种子品种的单粒快速鉴别方法。采集了10 类水稻种子在400~1000 nm 范围内的高光谱反射图像并提取其光谱、纹理和形态特征；结合偏最小二乘判别分析模型比较了不同特征及其组合下的分类精度，并利用多次递进无信息变量消除算法结合偏最小二乘投影分析方法筛选最优波段。结果显示，在仅利用23 个最优波段情况下，融合均值、熵、能量和形态特征所建立的鉴别模型获得了令人满意的识别精度，其训练集、测试集精度分别为99.22%、96%。结果表明，高光谱特征融合可以在少量波段情况下有效地提高水稻种子品种单粒鉴别的精度，基本满足国家标准对种子纯度的检测要求。

基于形貌特征的常规鉴别牡丹花品种方法主观性强且缺乏化学信息，运用傅里叶变换红外光谱（FTIR）技术结合主成分分析（PCA）来鉴别不同品种的牡丹花。各牡丹花品种的红外光谱整体上比较相似，主要由蛋白质、酚类、脂类、苷类、多糖及黄酮类化合物的振动吸收带组成。牡丹花一阶导数光谱在1800～700 cm-1区域有较大差异，选取该范围内的一阶导数数据,运用Matlab 2010编程实现主成分分析与相关分析，主成分分析的分类正确率达到96%，相关分析与主成分分析结果相一致。结果表明，此方法可以作为牡丹花品种鉴别的一种可行性手段。