光谱分析在木材种类识别领域具有一定的潜力, 而其中的中红外光谱也广泛应用于定性及定量分析。 该研究中红外光谱法识别木材种类的报道中, 基于深度卷积神经网络可以在参数较少的条件下获得较高的识别率。 提出了一种聚类分析(CA)、 对称点阵图像分析(SDP)与深度学习(DenseNet)相融合的算法, 利用DenseNet的优势提高中红外光谱法识别木材的准确率。 首先, 采集了愈疮木、 巴里黄檀、 刺猬紫檀、 大果紫檀、 螺穗木5种木材样本的250组中红外光谱数据, 应用欧式距离进行了异常值剔除, 剩余240组作为待分析数据并对其进行分类的可行性分析。 对光谱数据进行SDP转化分析, 确定SDP转化的最优参数; 之后, 运用CA筛选原始光谱数据的特征, 根据CA不同阙值确定了三组维数的特征并进行讨论, 通过对比三组特征数据经过SDP转化后图像间的类内相似性和类间差异性, 初步确定了最优维数特征; 再将初步确定的最优维数特征数据输入到SDP-DenseNet模型中, 获得模型识别的准确率; 最后通过对比分析验证了模型的有效性, 一方面将原始数据及其余两组对照维数的特征数据分别输入到SDP-DenseNet模型中, 对比识别的准确率; 另一方面以最优维数特征数据输入到随机森林中进行识别, 对比传统机器识别与SDP-DenseNet算法识别的准确率。 结果表明: 经CA特征筛选的SDP-DenseNet模型普遍高于原始数据直接输入到SDP-DenseNet模型的准确率, CA特征筛选最优维数为255维, 其测试集最高识别率达到了88.67%, 而对照组107维为77.78%, 322维为68.89%, 原始数据的SDP-DenseNet模型识别率仅为57.78%; 经CA特征筛选的最优维数数据对应的随机森林模型识别率较低, 仅为66.67%。 因此, 提出的CA-SDP-DenseNet模型能有效提高中红外光谱法识别木材种类的精度。

针对混合浮游藻类群落离散三维荧光光谱特征识别,对比分析了简单卷积神经网络(PlainCNN)和文本卷积神经网络(TextCNN)模型对5种常见门类藻(铜绿微囊藻、斜生栅藻、菱形藻、楯形多甲藻和隐藻)混合数据的种类识别准确率及浓度测量精度。结果表明,在藻类独立识别及浓度回归分析中,PlainCNN模型对测试集的平均识别准确率和浓度输出结果的平均均方误差分别为90%和0.052,均优于 TextCNN模型。为了同时实现混合藻类种类识别和浓度分析,基于PlainCNN模型提出了多任务卷积神经网络PlainCNN-MT模型。该模型对混合藻类种类识别的平均准确率提高至95%,浓度输出结果的平均均方误差降低至0.039,表明多任务卷积神经网络在浮游藻类群落识别与定量分析中更具优势。

水体致病菌的快速识别和检测对于水质安全预警具有重要意义。以大肠埃希菌、肺炎克雷伯氏菌、金黄色葡萄球菌和鼠伤寒沙门氏菌为研究对象,对其多波长透射光谱进行测量,提出了一种基于相似学原理、余弦相似度、皮尔逊相关系数和联合相似度算法的水体细菌种类识别方法。结果表明:不同的相似度算法对不同细菌的光谱差异性的敏感度不同,相似学原理对肺炎克雷伯氏菌的识别率最高,可达98.2%;余弦相似度和皮尔逊相关系数对金黄色葡萄球菌的识别率均为100%;联合相似度算法可实现不同算法的优势互补,有效提高识别结果的可靠性与稳定性,对低浓度肺炎克雷伯氏菌、金黄色葡萄球菌、鼠伤寒沙门氏菌和大肠埃希菌的识别率分别为98.2%、100%、94.1%和91.4%,对较高浓度的上述4种细菌的识别率分别为100%、100%、100%和96%。

提出了一种石墨化炭黑过滤吸附前处理抑制轻质燃油拉曼光谱荧光背景干扰的方法和一种改进的系统聚类分析算法, 实现了39个样品的种类快速识别, 即能自动将样品识别为0#车用柴油、 0#普通柴油、 97#车用汽油、 93#车用汽油、 90#车用汽油和3#喷气燃料等6种类型。 过滤吸附处理方法是用定制的50 mg石墨化炭黑过滤吸附0.75 mL油样, 然后对其进行拉曼光谱数据采集。 试验结果证明: 石墨化炭黑过滤吸附处理对无荧光背景干扰的3#喷气燃料和车用汽油样品拉曼光谱特征无明显影响, 且能够有效抑制车用汽油和车用柴油样品的拉曼弱荧光背景干扰, 以及车用汽油和普通柴油的强荧光背景干扰。 改进的有监督系统聚类分析算法将普鲁克距离作为系统聚类分析中样本间相似度的评价方法; 并将经典的系统聚类分析视为标准校正样品集的“建模”过程, 通过计算未知样品与各类属中心向量之间的普鲁克距离, 依据距离最小原则判断未知样品的类属。 通过对39个具有不同拉曼荧光背景干扰特征油样的石墨化炭黑前处理和“留一法”交互验证分类识别, 分析结果证明: 石墨化炭黑过滤吸附前处理抑制拉曼光谱荧光背景的方法能够有效提取轻质燃油的拉曼光谱特征并应用于定性种类识别。Modified Hierarchical Clustering

木材的种类识别是木材加工和贸易的一个重要环节, 传统的木材种类识别方法主要有显微检测法和木材纹理识别法, 其操作繁琐, 耗时长, 成本高, 不能满足当前需求。 本研究利用木材的近红外光谱（NIRS）结合模式识别方法, 以期实现木材种类的快速准确识别。 采用近红外光谱结合主成分分析法（PCA）、 偏最小二乘判别分析法（PLSDA）和簇类独立软模式法（SIMCA）三种模式识别对58种木材进行种类鉴别研究; 5点平滑、 标准正态变量变换（SNV）、 多元散射校正（MSC）、 Savitzky-Golay一阶导数（SG 1st-Der）和小波导数（WD）五种光谱预处理方法用于木材光谱的预处理; 校正集和测试集样品的正确识别率（CRR）用于模型的评价。 采用PCA方法, 通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。 在建立PLSDA模型, 原始光谱的正确识别率最高, 分别为88.2%和88.2%; 5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%; SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%; MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%; SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%; WD（小波基为“Haar”, 分解尺度为80）处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。 可知, 在PLSDA模型中, 木材光谱未经预处理种类识别效果最后好。 在建立SIMCA模型过程中, 原始光谱的校正集和测试集的CRR分别为99.7%和99.4%; 5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%; SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%; MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%; SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%; WD处理的光谱校正集和测试集的CRR分别为100%和100%。 可知, 在SIMCA模型中, 木材光谱经平滑和小波导数处理后的识别效果最好, 且光谱的校正集和测试集CRR都为100%。 采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时, 由于木材样本属性复杂, 主成分分布图相互交织, PCA无法识别出58种木材; 原始光谱的PLSDA模型可以得到较好的判别模型, 但校正集和测试集的CRR只有88.2%和88.2%; 木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果, 校正集和测试集的CRR均为100%, 且WD-SIMCA模型因子数比5点平滑SIMCA模型小, 模型更为简化, 故WD-SIMCA为58种木材种类识别的最优模型。 研究表明光谱预处理方法可以有效的提高木材种类识别精度, 有监督模式识别方法SIMCA可以用来建立有效的木材识别模型, 近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。

不同种类的松脂因其化学组成的差异而对松脂下游产品的质量产生影响， 因此确保松脂种类的稳定性是保证松脂下游产品质量的关键， 针对在松脂原料采购过程中松脂种类识别困难的问题， 提出了一种基于漫反射近红外光谱和偏最小二乘判别分析（PLSDA）相结合的分析技术， 该技术能够快速识别马尾松松脂和湿地松松脂， 为松脂原料采购提供可靠的种类信息。 以在广西区内武鸣、 防城、 富川、 梧州、 百色、 乐业共6个不同松脂产区采集所得的82个松脂样本进行建模， 包括湿地松松脂51个， 马尾松松脂31个， 利用i-spec型近红外光谱仪采集松脂样本在900～1 700 nm范围内的近红外光谱。 利用子窗口随机化分析法（SPA）进行变量选择， 从510个波长点中优选出300个波长点组成的变量子集， 再通过重复双重交叉检验技术（RDCV）确定偏最小二乘判别分析建模的潜变量数（n=7）。 结果表明， 所建立的分类模型能够准确识别两种不同种类的松脂， 模型对于外部测试集中的松脂样本识别准确率为96.30%， 能够满足松脂行业在原料采购过程中质量控制的需要。 该方法具有分析速度快、 操作简便、 分析成本低、 样本无损等优势， 适用于松脂原料采购环节的质量控制。

采用近红外光谱技术建立了一种快速无损的乌龙茶品种识别方法。 收集闽南地区不同茶场中铁观音、 黄金桂、 本山、 毛蟹与梅占等5个品种共210份具有代表性的乌龙茶样品, 采集近红外光谱数据, 选用1 100～1 300 nm, 1 640～2 498 nm作为检测波长范围, 利用主成分分析法(principal component analysis, PCA)建立模型, 并在实验过程中比较多元散射校正(multiplicative scatter correction, MSC)与标准正态变量校正(standard normal variate, SNV)两种数据预处理方法对模型的影响。 实验结果表明, 多元散射校正对模型的影响优于标准正态变量校正, 对校正集的识别准确率达到了96%, 对预测集中样品的识别准确率达到了90%。 实验结果证明了采用近红外光谱技术可以快速无损识别闽南地区乌龙茶, 具有较强的实用价值和推广价值。

基于Geoeye-1高空间分辨率影像与冠层实测高光谱数据, 以广西北部湾五种红树群落为研究对象, 分析影像光谱用于冠层种类识别的能力。 首先研究红树林冠层光谱响应特征, 再针对影像采用高光谱分析方法提取端元, 结合实测训练样本进行不同方法的识别对比。 结果表明: 350～1 100 nm谱段内以435, 469, 523, 677, 751和761 nm为中心波段的红树群落冠层光谱表现最佳; 木榄端元应用识别精度高于实测训练样本应用结果; 光谱角制图法能够克服多光谱波段对全色波段分辨率的影响, 并有效获取冠层轮廓。 利用Geoeye-1影像光谱信息可有效识别三种红树植被, 种类最高识别精度达93.03%。 研究证实高空间分辨率影像光谱信息的重要性, 从机理和应用角度为面向对象红树林种类识别提供了依据和参考。