中国计量大学光学与电子科技学院,浙江 杭州 310018
塑料因其可塑性与低成本在日常生活与工业中被广泛使用,然而这也带来环境污染与资源浪费等问题,因此塑料分类成为重要研究课题。为验证高光谱成像技术在塑料分类中的可行性,采用近红外高光谱成像技术(NIR-HSI),比较了1100~1650 nm波段数据在9种常见塑料分类中的效果。涵盖K邻近法(K-NN)、支持向量机(SVM)、粒子群算法训练的SVM(PSO-SVM)、遗传算法优化的SVM(GA-SVM)等机器学习方法。通过验证数据筛选模型准确率后,将其应用于高光谱图像,通过可视化分类对比原始图像评估模型效果。结果显示,基于欧氏距离、余弦相似度的K-NN和GA-SVM分类效果最佳,验证数据的精度分别达到96.14%、96.21%和98.67%,在可视化分类上也呈现出良好效果。高光谱成像技术在塑料分选中具有很高的应用价值,只需获取特定塑料的光谱数据并进行适当处理,即可对不同颜色、形状、工艺的同类塑料制品进行有效区分。
近红外高光谱成像 塑料分类 机器学习 可视化分类 激光与光电子学进展
2024, 61(2): 0211031
昆明理工大学现代农业工程学院, 云南 昆明 650500
三七粉是三七的主要消费和商品形式, 市场上存在以次充好、 甚至是掺假的现象, 由于是粉状物料, 难以用肉眼判别, 为了实现对不同质量等级的三七粉进行无损鉴别。 将30头、 40头、 60头和80头的三七主根研磨成粉, 制备样本。 采用可见近红外高光谱成像系统(400.68~1 001.61 nm)采集4种不同头数三七粉, 共计384个样品的高光谱图像, 提取高光谱图像感兴趣区域(ROI)的平均光谱值作为样本原始光谱。 将384个三七粉样本按2∶1的比例划分训练集和测试集。 采用卷积平滑(SG)、 多元散射校正(MSC)和标准正态变量变换(SNV)3种预处理方法对三七粉样本光谱信息进行预处理并建立支持向量机(SVM)分类模型, 通过比较基于3种预处理方法的SVM模型测试集分类准确率, 确定SNV为最优预处理方法。 采用迭代保留信息变量(IRIV)、 变量组合集群分析(VCPA)和变量组合集群分析混合迭代保留信息变量(VCPA-IRIV)3种特征选择方法提取SNV预处理后光谱的特征波长并建立基于特征光谱和原始光谱的SVM分类模型, 通过比较基于3种特征选择方法得到的特征波长建立的SVM模型测试集分类准确率, 发现将VCPA与IRIV相结合的VCPA-IRIV为最优特征选择方法。 VCPA-IRIV提取了18个特征波长代替全光谱数据参与建模, 该算法在降低模型复杂度的同时保持了模型的分类精度。 为了提高模型的分类精度, 采用引力搜索算法(GSA)对SVM模型中惩罚因子c和核参数g进行寻优, 并与网格搜索(GS)的结果进行比较, 结果表明, VCPA-IRIV-GSA-SVM模型分类效果最好, 测试集分类准确率达到100%。 可见, 利用可见近红外高光谱成像对三七粉进行质量等级无损鉴别是可行的, 为市场上三七粉的质量等级鉴别提供了参考。
可见近红外高光谱成像 三七粉 特征选择 支持向量机 引力搜索算法 Visible near-infrared hyperspectral imaging Panax notoginseng powder Feature selection Support vector machine Gravitational search algorithm 光谱学与光谱分析
2022, 42(7): 2255
双氯芬酸钠是一种非甾体抗炎药, 抗炎症效果较好, 抗炎化学药物双氯芬酸钠有可能违禁添加到缓解炎症保健食品中。 目前已有一些文献研究水、 肉及牛奶等中的药物双氯芬酸钠, 主要利用高效液相色谱、 表面增强拉曼及电化学等方法, 需要相对复杂的预处理过程, 操作步骤相对复杂, 耗时。 为了快速、 无损检测保健食品中违禁添加物的成分, 探索建立采用1 000~2 524 nm波段或特征最优波段的光谱作为自变量, 将近红外高光谱成像技术结合化学计量学分析的方法定量分析缓解炎症保健食品中可能添加的不同浓度的双氯芬酸钠。 研究主要运用了8种光谱预处理方法, 基于全光谱波长建立了偏最小二乘回归及主成分回归模型, 同时, 为了提高模型的准确性和稳定性, 利用β系数方法选择最优波段1 130~1 147, 1 412~1 468, 1 658~1 709, 2 010~2 055, 2 122~2 178和2 395~2 423 nm为自变量建立与双氯芬酸钠浓度的多元线性回归模型。 比较了偏最小二乘回归、 主成分回归及多元线性回归三种模型。 分析结果显示, 经标准正态变量预处理方法建立多元线性回归模型, 该模型的准确性和和预测能力较好, 其预测最低限为0.05%, 预测值与实测值的R2为0.992 5, 预测均方根误差为0.004 9, 标准预测偏差为0.004 9, 说明近红外高光谱成像技术为快速定量分析缓解炎症保健食品中违禁添加抗炎药物双氯芬酸钠提供了理论基础。 有望进一步开发拓展到其他违禁添加药物的快速定量应用。
近红外高光谱成像技术 保健食品 双氯芬酸钠 多元线性回归模型 Near infrared hyperspectral image Dietary supplements Diclofenac sodium Multiple linear regression model
浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
为实现干制红枣的快速鉴别, 提出了一种基于近红外高光谱成像技术的鉴别方法。 采集四个品种共240个样本干制红枣的近红外高光谱图像(1 000~1 600 nm)。 通过主成分分析法(principal component analysis, PCA)、 载荷系数法(x-Loading Weights, x-LW)和连续投影算法(successive projections algorithm, SPA)分别提取7个、 8个和10个特征波长; 基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)提取第一主成分图像的纹理特征。 分别以光谱特征、 纹理特征、 光谱和纹理融合特征作为输入, 建立偏最小二乘判别分析(partial least squares-discriminant analysis, PLS-DA)、 反向传播神经网络(back-propagation neural network, BPNN)和最小二乘支持向量机(least squares support vector machines, LS-SVM)模型。 结果显示, 基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率; 基于融合特征的BPNN模型的结果最优, 对预测集样本鉴别正确率为100%。 说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。
近红外高光谱成像 干制红枣 鉴别 纹理特征 特征融合 Near-infrared hyperspectral imaging Dried red jujube Identification Texture features Features fusion
1 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
2 吉林省农业科学院农业生物技术研究所, 吉林 长春 130033
以近红外高光谱成像技术, 结合化学计量学方法, 研究了转基因大豆的快速、 无损检测方法。 实验以3种不同非转基因亲本(HC6, JACK, TL1)及其转基因大豆作为研究对象。 采用高光谱成像系统采集874~1 734 nm波长范围的256个波段范围的高光谱图像, 提取大豆的光谱信息, 剔除明显噪声部分后, 采用Moving Average(MA)平滑预处理的941~1 646 nm范围光谱数据进行分析。 采用偏最小二乘判别分析算法(partial least squares-discriminant analysis, PLS-DA), 对3种非转基因亲本大豆建立模型进行判别分析, 其相应的建模集和预测集的判别正确率分别为97.50%和100%, 100%和100%, 96.25%和92.50%, 结果表明, 高光谱成像技术可用于非转基因大豆的识别。 对非转基因亲本及其转基因大豆进行判别分析, 基于全谱, 3种的建模集和预测集的判别正确率分别为99.17%和99.17%, 87.19%和81.25%, 99.17%和98.33%; 以x-loading weights提取非转基因亲本及其转基因大豆判别分析的特征波长并建立PLS-DA模型, 3种的建模集和预测集的判别正确率分别为72.50%和80%, 80.63%和79.38%, 85%和85%, 该结果表明非转基因亲本与转基因品种的判别分析是可行的, 特征波长的选择也可用于非转基因亲本与转基因品种的判别分析。 研究表明采用近红外高光谱成像技术对非转基因大豆、 非转基因亲本及其转基因大豆进行鉴别是可行的, 为转基因大豆的快速无损准确鉴别提供了一种新方法。
近红外高光谱成像 转基因大豆 Near-infrared hyperspectral imaging Transgenic soybean PLS-DA PLS-DA x-loading weights x-loading weights 光谱学与光谱分析
2016, 36(6): 1843
浙江大学 生物系统工程与食品科学学院, 浙江 杭州 310058
结合近红外高光谱成像技术和不同的判别分析模型对4种国产咖啡豆品种进行了快速无损判别。通过高光谱成像仪提取874~1 734 nm波段内的光谱数据, 去除首尾噪声波段后, 分别基于925~1 680 nm波段的全谱波段和通过连续投影算法(SPA)选择的特征波长, 建立了偏最小二乘判别分析(PLS-DA)、随机森林(RF)、K最邻近算法(KNN)、支持向量机(SVM)模型和极限学习机(ELM)5种判别分析模型。 基于上述判别模型对咖啡豆品种进行鉴别; 然后通过准确率、命中率和否定率3个参数对鉴别结果进行了评价。实验显示, 基于全谱和特征波段建立的模型均取得了较好的判别效果, 其中ELM模型效果均为最优, 每个品种建模集和预测集的准确率、命中率和否定率均在93.5%以上。研究结果表明, 基于近红外高光谱成像技术结合模型判别分析方法可以实现对国产咖啡豆品种的识别, 特征波长的选择减少了变量数, 但判别效果与全谱相当。
近红外高光谱成像 咖啡豆 无损判别 判别分析模型 极限学习机 near-infrared hyperspectral imaging coffee bean non-destructive identification discriminant analysis model extreme learning machine