1 河北农业大学食品科技学院， 河北 保定 071000
2 河北农业大学园艺学院， 河北 保定 071000
鸭梨黑斑病在感染早期阶段引起感染区域外观的变化很微小， 肉眼难以观察， 因此对其早期识别仍然是困难的。 结合高光谱成像技术和Stacking集成学习算法， 实现了鸭梨黑斑病的潜育期识别检测。 首先， 获取健康和不同腐败程度黑斑病鸭梨样品的原始高光谱图像， 基于图像选取感兴趣区域（ROI）， 然后对提取的平均光谱数据进行一阶导数（FD）、 二阶导数（SD）、 标准正态变量变换（SNVT）及组合SNV-FD和SNV-SD预处理后， 采用竞争性自适应权重取样法（CARS）提取特征波长的光谱信息。 最后基于筛选出的特征信息分别建立最小二乘支持向量机（LS-SVM）、 K最邻近法（KNN）、 随机森林（RF）和线性判别分析（LDA）分类模型。 其中， 预测效果最好的组合为SNV-FD-LSSVM, SNV-KNN和SNV-FD-RF， 准确率分别达到94%， 88%和88%。 四种算法建立的模型中， 测试集准确率不低于85.00%的个数分别为5、 3、 2和0， 因此优选出LS-SVM、 KNN和RF三个分类器用于后续的集成学习。 为提高模型准确率， 以优选出的LS-SVM、 KNN和RF三种模型作为基分类器构建Stacking学习框架， 并与单一分类器建模结果进行对比分析。 结果表明， 集成学习模型的总体识别正确率达到了98.68%， 较单一分类器模型提高了4.64%， 且对潜育期样品的识别率提高了11%。 证实了高光谱成像结合集成学习方法识别潜育期黑斑病鸭梨样品可行; 集成模型显著提高了单一模型的准确性; 为鸭梨黑斑病早期检测和病害分级提供一种新的方法， 同时为深入研究集成学习算法在光谱定性中的应用奠定了一定基础。
高光谱成像技术 鸭梨黑斑病 Stacking集成模型 潜育期 基模型 Hyperspectral imaging technology Black spot of pear Stacking integrated model Gley period The base model 光谱学与光谱分析
2023, 43(5): 1541
1 华东交通大学机电与车辆工程学院, 江西 南昌 330013
2 南昌海关技术中心, 江西 南昌 330038
黑心病是鸭梨贮藏期间发生的生理病害, 其病变初期表现在内部果核处出现褐色斑块, 而在果实外观上与正常果几乎没有任何差异, 严重影响鸭梨的贮藏时间和品质, 亟需一种快速无损的检测方法为鸭梨质量保驾护航。 采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别, 结合平滑(Smoothing)、 标准正态变量变换(SNV)、 多元散射校正(MSC)、 SG一阶导数(SG 1st-Der)以及小波变换(WT)预处理方法和主成分分析(PCA)、 k近邻(kNN)、 朴素贝叶斯(NBC)、 支持向量机(SVM)以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究。 Adaboost集成了kNN、 NBC和SVM三个独立学习器。 将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价, 采用训练集的查准率/查全率的调和平均值(F-measure)和正确识别率(Accuracy)对分类模型进行优化和评价。 研究结果表明: 不同属性(正常和黑心)鸭梨样品光谱的前三主成分分布图相互交错, 很难直观地对黑心鸭梨进行区分。 样品光谱经小波变换(小波基为“Haar”)预处理的kNN模型训练集的F-measure和Accuracy分别为78.98%和82.62%; 经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90%和82.11%; 经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24%和91.58%; 经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46%和92.63%。 通过测试集对模型进行验证可知: 光谱经小波变换预处理后建立的Adaboost分类模型最优, 分类的F-measure达到90.91%, 较WT-kNN, SG 1st-Der-NBC和WT-SVM模型分别提高了11.39%, 15.23%和2.30%; Accuracy达到92.63 %, 分别提高了10.52%, 11.58%和2.10%; 模型对测试集样品预测时的计算时间约为0.12s, 满足在线分选要求。 可见-近红外光谱结合AdaBoost分类方法, 可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法。
鸭梨 黑心病 可见-近红外光谱 集成学习 在线检测 “Yali” pear Black heart disease Vis-near infrared spectroscopy Integrated learning Online detection 光谱学与光谱分析
2021, 41(9): 2764
华东交通大学光机电技术及应用研究所, 江西 南昌 330013
鸭梨黑心病是鸭梨的主要生理病害, 直接影响鸭梨的出口创汇; 准确快速鉴别鸭梨黑心病对于梨的出口业具有重要现实意义。 探讨可见/近红外漫透射光谱在线检测鸭梨黑心病的可行性, 选取80个正常鸭梨和70个黑心鸭梨作为建模集, 建模集被分为校正集和预测集以求获得最优模型。 未参与建模的30个正常梨和20个黑心梨作为预测集, 用于评价模型的预测能力。 鸭梨的可见/近红外漫透射光谱, 在5个/秒的速度下采集。 建模集能量谱经标准正交变换(SNV)和多元散射校正(MSC)处理后, 分别建立健康梨和黑心梨的偏最小二乘判别模型(DPLS)、 峰面积判别模型(DPA)、 主成分判别模型(DPCA)。 用建模集模型判别预测集鸭梨, 经比较, DPLS模型的判别准确率最高, 黑心梨正确识别率达到100%。 实验结果表明: 可见/近红外漫透射光谱结合DPLS判别方法, 可以实现黑心鸭梨的在线检测。 相比传统的人工破损方法, 在线检测可为梨出口贸易提供技术支撑和科学参考依据。
可见/近红外光谱 漫透射 鸭梨 黑心病 在线 Visible/near-infrared diffuse transmission spectru Pear Blackheart disease On-line detctor 光谱学与光谱分析
2017, 37(12): 3714
1 北京市农林科学院北京农业智能装备技术研究中心, 北京100097
2 中国农业大学工学院, 北京100083
高光谱数据量大、 维数高且原始光谱噪声明显、 散射严重等特征导致光谱建模时关键波长变量提取困难。 基于此, 提出采用竞争性自适应重加权算法（CARS）对近红外高光谱数据进行关键变量选择。 鸭梨作为研究对象。 采用决定系数r2、 预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。 基于选择的关键变量建立PLS模型（CARS-PLS）与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果, r2pre, RMSEP和RPD分别为0.908 2, 0.312 0和3.300 5。 进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法（GA）获得的特征变量建立的PLS模型比较发现, CARS不仅可以去除原始光谱数据中的无信息变量, 同时也能够对共线性的变量进行压缩去除, 该方法能够有效地用于高光谱数据变量的选择。 结果表明, 近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。 从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。
近红外高光谱 可溶性固形物 鸭梨 变量选择 竞争性自适应重加权算法 Near-infrared hyperspectral imaging SSC ‘Ya’ pear Variable selection CARS 光谱学与光谱分析
2014, 34(5): 1264
1 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310029
2 浙江省宁波市林特科技推广中心, 浙江 宁波 315010
3 浙江万里学院科研处, 浙江 宁波 315100
提出了利用可见-近红外光谱技术和多光谱成像技术检测鸭梨损伤随时间及程度变化的新方法。 利用可见-近红外光谱技术, 分别结合偏最小二乘(partial least squares, PLS)和最小二乘支持向量机(least squares-support vector machine, LS-SVM)方法对鸭梨受损程度和受损天数进行预测。 结果表明, 两种方法在鸭梨损伤后期对损伤程度的判别均具有较好的效果; LS-SVM方法对鸭梨轻度损伤的损伤天数的预测精度较高, 但重度损伤天数的预测效果不如PLS方法。 然后利用多光谱图像预测鸭梨受损天数。 研究发现, 利用LS-SVM建立的模型预测效果较稳定, 预测结果相关系数均在0.85左右。 说明利用可见-近红外光谱分析技术和多光谱成像技术能够快速无损地检测出鸭梨的损伤程度及时间, 为鸭梨检测提供了一种新方法。
可见-近红外光谱 多光谱成像 鸭梨 最小二乘支持向量机 偏最小二乘法 Visible-near infrared spectroscopy Multispectral image Pear LS-SVM PLS
