摘要：花生是一种重要的油料作物,易受曲霉菌感染从而产生黄曲霉毒素,其中黄曲霉毒素B1(AFB1)对人畜具有较高威胁。传统AFB1检测方法操作繁琐、破坏物料以及耗时长等问题较为突出,因此发展一种快速、无损且适合在线的检测方法对花生生产及加工具有重要意义。将从市场购买的市购花生,于28℃和85%相对湿度环境中储藏至霉变。在0, 4, 6, 7和8 d时间段,再分别以0.15 m·s^-1的速度动态采集其光谱和图像信息,采集信息后利用酶联免疫吸附法(ELISA)测定花生中AFB1含量。对光谱采用多元散射校正、基线校正、标准正态变量校正以及Savitzky-Golay平滑等方法预处理,并对600~1 600 nm范围内的光谱数据进行主成分分析,根据主成分权重系数确定8个特征波长(630, 1 067, 1 150, 1 227, 1 390和1 415 nm);对图像采取灰度化和阈值分割等方法处理,并提取12种图像颜色特征参数。最后利用线性判别分析(LDA)以及支持向量机(SVM)建立花生样品的定性判别分析模型(以国家标准20μg·kg^-1为界限)。ELISA结果表明,花生AFB1超标率为58%;可见-近红外图谱分析表明,在1 180 nm等波峰处随着毒素侵染程度的加深,吸光度逐渐降低;机器视觉分析表明,随着储藏时间的增加,花生表面逐渐暗淡并有菌丝覆盖,毒素侵染水平逐渐提高,花生图像的RGB值总体下降。通过主成分分析发现,光谱呈现较明显的聚类趋势,而图像及数据融合聚类趋势不明显。根据全谱段、特征波长构建的LDA和SVM模型均能够对超标和未超标样品进行快速识别,其中基于全谱段的模型最佳识别率达92%,基于特征波长的模型最佳识别率达88%;相对于基于光谱信息建模,非线性SVM模型在根据图像颜色特征参数建模分析上表现较优,最佳识别率为90%;结合花生样品内外部信息,基于光谱和图像信息融合的SVM模型最佳识别率达到92%。利用可见-近红外光谱以及机器视觉技术结合化学计量法,实现花生AFB1含量超标与否的动态判别具有一定可行性,为花生在线质量安全检测提供了理论基础。

摘要：土壤有机质(SOM)是表征土壤肥力的重要指标,实现其快速准确检测可为精准农业区域管理提供有效的数据支撑。土壤粒径对SOM的光谱预测及仪器开发有很大的影响,为了明确不同粒径对SOM预测的影响,分别制备了1~2,0.5~1,0.25~0.5,0.1~0.25和<0.1mm五种均匀粒径及<1mm混合粒径共计6种粒径土样并进行了可见-近红外(300~2500nm)光谱数据采集。采用蒙特卡罗交叉验证分别剔除了不同粒径的异常样本,结合Savitzky-Golay卷积平滑法对光谱数据进行平滑去噪处理,比较了不同粒径样品的光谱反射率差异,并对平滑后的原始光谱R进行倒数IR、对数LR、一阶导数FDR等3种光谱变换并分析与SOM含量的相关性,基于竞争性自适应重加权算法(CARS)对光谱数据进行了特征波长提取,并结合偏最小二乘回归(PLSR)分别建立了相应的SOM含量预测模型。结果表明,不同粒径土样的平均光谱反射率与变异系数随着粒径的减小逐渐增加,且在大于540nm波长范围内,差异明显。随着粒径的减小,SOM含量与光谱反射率在全波段范围的相关性变化幅度愈加明显,FDR变换可明显改变全波段范围与SOM含量的相关性。通过CARS算法对FDR变换后的光谱数据进行特征波长提取,筛选出特征波长数为全波段数量的13.1%,降低了光谱数据重叠及无效信息干扰。对比不同SOM预测模型的结果,FDR变换光谱的建模精度较好,且粒径越小其模型的效果越好,特别在粒径<0.1mm时,模型的R达到0.91,RMSEP为2.20g·kg^(-1),RPD为3.33。基于CARS特征变量构建的SOM含量预测模型中,粒径<0.1mm预测模型的效果最好,R为0.78,RMSEP为3.00g·kg^(-1),RPD为2.00,可以实现SOM含量的可靠预测,且其他粒径下的模型仍有可优化的空间。该研究可以为实现SOM田间动态预测及仪器设计提供理论及模型参考。

摘要：针对哈密瓜表面农药残留化学检测方法成本高且具有破坏性等问题,探索了可见-近红外(Vis-NIR)光谱技术对农药残留定性判别的可行性。以哈密瓜为载体,百菌清和吡虫啉农药为研究对象,采集哈密瓜表面无残留、百菌清和吡虫啉残留的可见-近红外漫反射光谱,利用格拉姆角场(GAF)将一维光谱数据转换为二维彩色图像,构建GAF图像数据集。设计一种包含Inception结构的多尺度卷积神经网络模型用于哈密瓜表面农药残留种类判别,包括1层输入层、3层卷积层、1层融合层、1层平坦层、2层全连接层和1层输出层。模型测试混淆矩阵结果表明,格拉姆角差场(GADF)变换对哈密瓜表面农药残留的可见-近红外光谱表达能力较强。此外,构建AlexNet、VGG-16卷积神经网络(CNN)模型和支持向量机(SVM)、极限学习机(ELM)机器学习模型与提出的多尺度CNN模型进行性能对比。结果表明,3种CNN模型对哈密瓜表面有无农药残留的判别效果较好,综合判别准确率均高于SVM和ELM模型。对比3种CNN模型性能,多尺度CNN模型的性能最佳,训练耗时为14 s,综合判别准确率为98.33%。多尺度CNN模型结构利用多种小尺寸滤波器组合(1×1,3×3和5×5)和并行卷积模块,能够捕获不同层次和尺度的特征,通过级联融合模式进行深度特征融合,提高了模型的特征提取能力。与传统深度CNN模型相比,在保证计算复杂度不变的情况下,多尺度CNN模型的精度得到了有效提高。实验结果表明,GADF变换结合多尺度CNN模型可以有效进行光谱数据解析,利用可见-近红外光谱技术可以实现哈密瓜表面农药残留的定性判别。研究结果为大型瓜果表面农药残留的快速无损检测技术的研发提供了理论参考。

摘要：在实现煤炭高效利用过程中,煤矸分选是一个非常重要的步骤,但现有的煤矸分选技术存在资源浪费,效率较低等问题。可见-近红外光谱识别技术具有快速可靠的优点,在煤矸识别领域已有一定的研究基础,但大多数研究并未结合实际工况进行有效分析。首先,在实验室中搭建可见-近红外光谱采集装置,模拟实际环境下不同探测角度(0°、10°、20°、30°)、探测距离(10、15、20、25 cm)、光照角度(15°、25°、35°、45°)三种工况,并分别在单因素条件以及正交试验设计的多因素条件下,采集山西西铭煤矿的煤和矸石样本在可见-近红外波段的光谱数据。其次,对采集的光谱数据进行分析,并先后经过标准正态变量变换和Savitzky-Golay卷积平滑,以减少噪音和误差对数据的影响。最后,在单因素试验中,结合预处理算法并基于决策树(DT)、K近邻(KNN)、偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)、AdaBoost五种机器学习模型对光谱数据进行训练。单因素试验结果表明,AdaBoost算法具有较强的学习能力,在不同工况下对煤和矸石的识别准确率均为100%,优于其他识别模型。在正交试验中,支持向量机(SVM)作为识别模型进行训练,结果表明,在原始数据和预处理后的数据中,三种工况对煤矸识别准确率的影响程度不同,影响次序从大到小为不同光照角度、探测距离、探测角度。同时,对比实验结果可以得出,选用合适的预处理和建模方法可以降低不同工况对识别准确率的影响。预处理后的数据中,最优的工况组合为探测角度0°、探测距离20、光照角度35°。随机选取一组条件与最优组进行三次重复对照试验,结果表明最优组的识别表现优于随机对照组。研究结果对煤矸识别最优工况条件的寻找具有借鉴意义,并为可见-近红外光谱技术在煤矸识别领域的实际应用提供了理论基础。

摘要：水果采收期的成熟度决定了其最终食用品质,选择果实最佳的采收期是提高水果品质的关键措施之一。可见-近红外光谱技术以其快速、无损的检测特点,适合用于水果的成熟度、采收期检测。由于采收期果实品质差异大,传统化学计量学方法需进行复杂的光谱预处理,模型难以满足不同的季节、果园等需求。提出了一种基于全卷积神经网络(CNNs)的黄花梨采收期可见-近红外光谱(Vis-NIR)检测方法,利用卷积神经网络进行光谱特征信息提取,采用误差反向传播算法结合随机梯度下降法进行层与层之间的连接权重调节,输出多采收期的Logistic回归结果,实现了黄花梨采收期的端到端检测。设计了包含1个输入层、2个卷积层、1个池化层和1个Softmax输出层等5层的一维全卷积神经网络,采用交叉熵为损失函数,增加L2正则项以防止模型的过拟合,无光谱预处理,对比分析了此方法与PLSDA方法的建模结果。试验采集了两个年度黄花梨样品共450个,其中,第一年度的300个组成训练集,90个样本组成测试集1,第二年度的60个样本组成测试集2。实验结果表明,当测试集样品与训练集来自相同年份时,PLSDA和CNNs模型对测试样品集采收期正确识别率均为100%,当测试集样品来自不同年份时,测试集样品采收期的正确识别率分别降为41.67%和88.33%,相关系数、互信息计算模型的回归系数表明,CNNs模型充分利用了样品全波段信息。可见,CNNs方法通过迭代对卷积核进行优化,实现了更灵活的光谱预处理,可降低模型训练难度,所建模型有较好的可解释性和泛化能力,该方法对建立稳健的水果采收期可见-近红外光谱检测模型有一定的参考价值,有利于实现水果精细化的分期、分批采收。

摘要：为了实现土壤类型的快速无损识别,提出了一种利用可见-近红外光谱、基于极限学习机的土壤类型鉴别方法。首先,获取4种不同类型土壤的320个样本波长在325~1075 nm范围内的可见-近红外光谱数据;其次,用主成分分析的数学方法对数据进行降维处理,最终提取了三个主成分来代表原光谱数据;再次,将320个样本的数据随机分为测试集和预测集两个部分,建立极限学习机模型,利用该模型对土壤类型进行识别。实验结果表明,将极限学习机应用于土壤类型的识别精度可达100%,其训练速度和泛化性优于BP神经网络和支持向量机,能够快速、准确、无损鉴别土壤类型,使用方便,具有推广价值。

摘要：为有效提高鸡蛋新鲜度检测效率、优化检测模型,本研究结合波长特征选择和特征提取方法各自的优点,对二者进行有效融合共同优化鸡蛋新鲜度检测模型。利用一阶微分对550~950 nm范围内鸡蛋的可见-近红外透射光谱数据进行预处理,考虑到冗余光谱信息对模型精度的影响,使用特征选择方法中的竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)算法融合非线性特征提取局部切空间排列(local tangent space alignment,LTSA)算法最小化光谱无用信息,建立支持向量机回归(support vector regression,SVR)模型,结果表明单一使用CARS特征波长选择建立模型得到训练集交叉验证相关系数(Rcv)为0.8805,交叉验证均方根误差(root mean square error of cross validation,RMSECV)为8.59,预测集相关系数(Rp)为0.8889,预测集均方根误差(root mean square error of prediction,RMSEP)为8.42,融合LTSA特征提取方法后得到Rcv为0.8960,RMSECV为8.04,Rp为0.8983,RMSEP为8.18,与CARS-SVR模型相比较,融合模型预测精度均有所提高,同时数据维数再次减少14个,进一步简化了预测模型。研究表明,将特征选择与特征提取二者融合共同应用于鸡蛋可见-近红外光谱数据,不仅提升了光谱检测效率,而且提高了鸡蛋新鲜度预测模型精度,可为鸡蛋新鲜度光谱检测模型优化提供参考依据。

摘要：目的为减少温度对便携仪器近红外光谱模型预测的影响,尝试构建局部温度混合校正模型,结合温度信息来预测不同温度下的苹果内部品质。方法以16、24、32℃贮藏温度下红富士苹果为原料,分别用内置微型光谱仪的自制便携式水果分析仪器获得其透射光谱,结合温度传感器获取环境温度,用阿贝折射仪测定苹果糖度。建立单一温度校正模型、全局温度混合校正模型和局部温度混合校正模型对不同温度的样本进行预测。结果单一温度校正模型对不同温度下苹果糖度预测均方根误差为0.474～3.125%Brix;当采用全局温度混合校正模型时能降低温度对光谱的影响,预测均方根误差分布在0.488～0.533%Brix。根据待测样本的温度来构建多个局部温度混合校正模型,对不同温度下苹果糖度的预测均方根误差为0.462～0.500%Brix。结论局部温度混合校正模型可以结合样本温度信息预测苹果糖度,降低温度对模型的影响,同时能减少初期建模成本。

摘要：结合卷积降噪自编码器与随机森林算法,提出一种新型的卷积降噪自编码器-随机森林(CDAE-RF)模型,并基于可见-近红外光谱数据集来识别苹果树种。首先,通过网格式搜索、平行实验的方法优化了L1范数等参数,提高了模型的鲁棒性;然后,对比实验分析了CDAE-RF、主成分分析-随机森林模型(PCA-RF)、K最近邻分类算法等方法在不同噪声水平下光谱识别的准确性和鲁棒性。实验结果表明,相对于传统算法,新提出的CDAE-RF模型识别准确率达97.92%,在加噪情况下具有更高的鲁棒性。CDAE-RF模型降低了随机森林算法对噪声的敏感性,提高了噪声光谱图像识别的准确性,为地物波谱识别提供了一种新的方法。