基于高光谱成像技术的南果梨酸度无损检测方法

南果梨是一种重要的水果品种,其酸度是评估果品质量的重要指标之一。然而,传统的南果梨酸度检测方法通常需要破坏性采样和化学分析,不仅耗时费力,而且容易导致样品污染和浪费。因此,旨在探索一种基于高光谱成像技术的无损检测方法,以实现对南果梨酸度的快速、准确、无损检测。首先,采集室温20℃下不同贮藏天数南果梨的高光谱数据,其光谱波长范围为400~1000 nm,并且通过理化实验测量南果梨样本的可滴定酸;其次,采用多元散射校正(multipli⁃cative scatter correction,MSC)、标准正态变换(standard normal variate,SNV)、Savitzky-Golay平滑滤波等多种方法对光谱数据进行预处理,建立偏最小二乘回归模型(partial least squares regression,PLSR),选择出建模效果最佳的预处理方法,结果显示MSC方法效果最优;然后结合连续投影算法(successie projection algorithm,SPA)提取特征波段,在700~900 nm范围内确定9个特征光谱变量;最后,以提取出的9个特征光谱变量作为输入矢量,分别建立PLSR模型、极限学习机(extreme learning machine,ELM)模型以及遗传算法(genetic algorithm,GA)和粒子群算法(particle swarm op⁃timization,PSO)优化的BP神经网络模型。研究结果表明,基于MSC预处理和SPA算法特征提取的PSO-BP模型预测精度最高,效果最好,预测集决定系数R^(2)_(p)=0.911,RMSEP=0.032。可见,基于高光谱成像技术的SPA-PSO-BP模型可用于南果梨酸度的检测,为南果梨的品质评价提供参考。

基于高光谱成像及机器学习的烟叶糖料液施加量判别模型

针对目前烟叶加料工序中糖料液加料效果无法进行无损检测的问题,基于高光谱成像及机器学习构建了烟叶糖料液施加量判别模型。首先,利用可见光-短波红外高光谱成像系统获取不同糖料液施加量烟叶样品的高光谱数据,采用标准正态变换(SNV)进行预处理;然后,分别使用全频域数据和主成分分析(PCA)降维数据,结合支持向量机(SVM)、逻辑回归(LR)、多层感知机(MLP)、随机森林(RF)构建4种判别模型并进行验证。结果表明:SNV预处理显著增强了高光谱数据的特征集中度;在使用全频域波段数据建模时,短波红外波段内模型的预测准确率均显著高于可见光波段,短红外波段的LR模型准确率最高(为98.23%);相较于全频域数据建模,使用PCA降维后的前10个主成分数据建模时,短红外波段的模型预测准确率无显著变化,而可见光波段的RF模型预测准确率提升较为明显(达71.43%);在可见光波段内,PCA降维后4种判别模型的最高准确率对应的主成分数量分别为217个、55个、47个、59个,在短波红外波段内,则分别为13个、11个、117个、46个。整体上,LR和RF模型表现出较优异的预测性能,在短波红外波段内,基于PCA降维数据的LR模型在使用较少主成分时仍能获得高准确率,具有快速、无损、精准地判别烟叶糖料液施加量的能力。

基于高光谱成像技术对菜心种子霉变的识别

为了鉴别健康与霉变菜心种子,本研究通过高光谱成像技术获得健康与霉变菜心种子光谱,建立判别模型。基于原始光谱和9种预处理后光谱建立支持向量机判别(SVM-DA)模型,发现基于一阶导数预处理后光谱的模型表现最出色,建模集和预测集的准确率分别为95.87%和95.74%。为了去除冗余或不必要的信息,采用遗传算法(GA)对原始光谱和各种预处理后光谱进行波段筛选,并再次建立SVM-DA模型,在这些模型中,FD-GA-SVM-DA模型性能最优,建模集和预测集准确率分别达97.71%和96.81%。研究表明,基于高光谱技术鉴别健康和霉变菜心种子具有可行性。

高光谱成像技术在农产品品质检测中的应用及局限性分析

近年来,农产品无损检测技术得到快速发展。高光谱成像技术将光谱信息与图像信息相结合,弥补了光谱信息的不足,相较传统检测技术具有精度高、无污染、无破坏性等特点,因此在农产品无损检测领域具有良好的应用前景。基于此分析了高光谱成像技术在无损检测中的应用情况,包括农产品分级分类、损伤检测、表面农残检测、营养成分快速检测等,并对高光谱成像技术在农产品领域的发展趋势和局限性进行分析,以期为农产品无损检测提供参考。

基于近红外高光谱成像技术的花生冻伤检测方法研究

花生在收获、运输、储存和加工过程中易受到温、湿度变化导致冻伤现象,从而影响花生及其制品的品质,为探索花生冻伤机理并提高冻伤花生检测效率,本文采用近红外高光谱技术研究花生冻伤无损检测可行性、基于特征变量筛选的判别模型优化方法以及花生冻伤机理。实验研究了变量标准化(Standard Normalized Variate,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)、Savitzky-Golag(SG)平滑以及SG平滑-SNV和SG平滑-MSC五种预处理方法对原始数据的影响,随后分别采用竞争自适应重加权法(competitive adapative reweighted sampling,CARS)、随机蛙跳(random frog,RF)、变量重要性投影(variable importance in projection,VIP)、连续投影算法(successive projections algorithm,SPA)、蒙特卡洛无信息变量消除(Monte Carlo uninformative variable elimination,MC-UVE)、迭代保留信息变量(Iteration retention information variable,IRIV)、变量组合种群分析-迭代保留信息变量(Variable combination population analysis-Iteration retention information variable,VCPA-IRIV)和变量组合种群分析-遗传算法(Variable combination population analysis-Genetic Algorithm,VCPAGA)8种变量选择方法筛选得到与花生冻伤相关的特征波长,通过建立支持向量机(Support Vector Machine,SVM)选用达到判别准确率阈值为90%的特征波长作为花生冻伤特征波长。结果表明,基于近红外高光谱成像技术的花生冻伤检测总体可行,且精度较高,所有变量选择方法均能有效筛选与冻伤相关的特征波长,其中VCPAGA算法选择了最少的7个特征波长,仅占数据集所有波长的3.125%,训练集和测试集准确率分别为91.60%和90.12%。经过筛选得出的冻伤特征波长体现了油酸和蛋白质的信息,验证了过低的温度会导致花生中油酸含量下降和蛋白质含量上升。本研究为花生冻伤快速无损检测提供了可参考的理论依据和技术支撑。

可见光-近红外无人机载高光谱成像仪设计与验证

为克服无人机高光谱遥感发展过程中的成本昂贵、拍摄效率低下和地物分类结果不准确等制约因素的影响,自主研制出适用于多旋翼无人机搭载的国产轻小型可见光-近红外高光谱成像仪,全波段和视场在截止频率的平均故障时间(Mean Time to Failure,MTF)均高于0.83,光谱分辨率优于2.8 nm;成像仪与多旋翼无人机、电源、POS/IMU、稳定平台完成系统集成。在此基础上,以鄱阳湖南湖村和新疆杨庄岩体西北部为研究区,进行仪器试验应用。利用鄱阳湖南湖村获取数据像元曲线与ASD地面光谱仪同步实测的典型地物光谱进行对比分析,验证成像仪的光谱准确性,ASD地面光谱仪同步实测的典型地物光谱与无人机载高光谱影像同名地物光谱吻合度较高。经光谱重建和光谱角分类实验,结果表明:地物分类结果较为准确。新疆杨庄岩体西北部区段真彩色影像与航空有人机高光谱获取的CASI图像,赤铁矿识别与填图结果表明,成像仪在地质领域有较好应用效果,可用于更高比例尺的地质填图。总之,研制的轻小型可见光-近红外高光谱成像仪可为我国地质、生态环境等领域的调查提供一种新的技术手段。

痕量气体掩星探测高光谱成像光谱仪光学系统设计

痕量气体作为大气的重要成份,对地球的生态起着重要作用。为了实现宽波段、高光谱全天时连续测量,本文设计了一款在掩星探测模式下工作的高光谱成像光谱仪。该系统为共狭缝的双通道结构,紫外-可见光通道采用单凹面光栅结构、红外通道采用利特罗与浸没光栅结合结构,有效地减小了体积。利用软件对光学结构进行优化,优化结果表明:光谱仪在250~952 nm波段范围内工作,其中紫外-可见光通道工作波段为250~675 nm、光谱分辨率优于1 nm、MTF在奈奎斯特频率为20 lp/mm处均高于0.58、全视场各波长处RMS值均小于21μm;红外通道工作波段为756~952 nm、光谱分辨率优于0.2 nm、MTF在奈奎斯特频率为20 lp/mm处均高于0.76、全视场各波长处RMS值均小于6μm,均满足设计要求。结果表明该高光谱成像光谱仪系统可以实现对痕量气体的掩星探测。

基于显微高光谱成像技术判别食源性致病菌种类的方法研究

如何实现对食源性致病微生物的早期快速检测是全球食品安全领域面临的挑战之一。传统的致病菌生化检测方法虽然准确性高,但是过程复杂、耗时漫长,易错过控制疫情爆发的窗口期。该研究提出一种基于暗场显微高光谱成像技术的检测方法,能够借助显微镜技术突破传统光谱成像的灵敏度和分辨率极限,并利用可见/近红外光谱为单个致病菌细胞添加高分辨率的图像和光谱信息。以空肠弯曲杆菌、大肠埃希氏菌O157:H7和鼠伤寒沙门氏菌为检测对象,采用显微高光谱成像技术进行数字化表征和数据采集,结合双向长短期记忆网络(Bi-LSTM)算法对各致病菌细胞的图像和光谱数据进行建模分类。结果显示,显微尺度的致病菌光谱数据呈现可判别的分布规律,新采用的Bi-LSTM网络在光谱数据集中表现优异,在三种致病菌的分类任务中取得了91.0%的平均准确率,而传统的线性判别分类器(LDA)和支持向量机分类器(PCA-SVM)的平均准确率分别为80.1%和88.5%。但是,仅依赖光谱数据进行致病菌种类判别仍然存在较为严重的假阳性问题,尤其是在大肠埃希氏菌O157:H7和鼠伤寒沙门氏菌的分类中存在错误分类。图像信息的加入则能够显著改善各分类的识别准确率,其中Bi-LSTM分类器取得了高达98.1%的准确率,LDA和PCA-SVM均取得了95.3%的准确率。研究结果表明,显微高光谱成像技术在食源性致病菌的特异性光谱和图像表征中具有优势,提出的Bi-LSTM网络能够直接处理高维的图谱特征,两种技术的融合在食源性致病菌细胞级别的早期检测应用中展现潜力。

高光谱成像的黄瓜病虫害识别和特征波长提取方法

黄瓜霜霉病和斑潜蝇是制约黄瓜产业发展的严重病虫害。为实现黄瓜病虫害快速在线识别,采用高光谱成像和机器学习研究快速识别黄瓜霜霉病和斑潜蝇虫害的方法,为开发实用的基于多光谱成像的黄瓜病虫害快速识别设备奠定基础。使用高光谱成像系统采集黄瓜无症状叶片、霜霉病叶片、斑潜蝇虫害叶片的高光谱图像,在病斑区域选择若干个感兴趣区域(ROI),计算每个ROI的平均反射率数据作为叶片原始光谱数据。使用Kennard-Stone算法将光谱数据按照3∶1的比例划分为训练集和测试集。使用直接正交信号校正(DOSC)、多元散射校正(MSC)、移动窗口平均平滑(MA)3种方法对原始光谱数据进行预处理。采用空间迭代收缩法(VISSA)、竞争性自适应重加权算法(CARS)、迭代保留信息变量法(IRIV)、随机蛙跳算法(SFLA)对MA预处理后的光谱数据进行特征波长提取,分别提取出53、20、26、10个特征波长。然后使用连续投影算法(SPA)分别对特征波长光谱数据进行二次降维,最终VISSA-SPA提取的特征波长为455、536、615和726 nm;CARS-SPA提取的特征波长为452、501、548和578 nm;IRIV-SPA提取的特征波长为452、513、543和553 nm;SFLA-SPA提取的特征波长为462、484、500和550 nm。分别对全波段光谱数据、一次降维光谱数据、二次降维光谱数据进行支持向量机(SVM)、Elman神经网络、随机森林(RF)建模,结果表明,MA预处理后的全波段光谱数据所建模型识别效果最好,其中MA-RF模型测试集总分类精度(OA)达到97.89%,Kappa系数为0.97。采用一次降维光谱数据所建模型中,MA-VISSA-RF模型效果最好,测试集OA为98.19%,Kappa系数为0.97。采用二次降维光谱数据所建模型中,MA-IRIV-SPA-SVM模型效果最好,测试集OA为96.23%,Kappa系数为0.95。研究结果表明,使用高光谱成像技术识别黄瓜霜霉病和斑潜蝇虫害具有良好的效果,452、513、543和553 nm可以作为识别黄瓜霜霉病和斑潜蝇虫害的特征波长,为开发黄瓜病虫害快速识别设备提供了理论依据。

基于高光谱成像的咸鸭蛋腌制品质快速检测

咸鸭蛋是一种中国传统腌制食品,水分和脂肪含量是评价咸鸭蛋腌制品质的重要指标。本文旨在采用高光谱成像系统结合化学计量学探究不同腌制阶段咸鸭蛋的水分和脂质含量变化及分布状态。实验采用高光谱成像技术获取432~961 nm波长范围内的咸鸭蛋剖面反射光谱。为了减小光谱信号的噪声,通过Savitzky-Golay平滑(SG)、高斯滤波(Gauss)和标准正态变换(SNV)三种方法对原始光谱进行预处理,使用竞争自适应加权采样算法(CARS)挑选最优波长,然后进一步采用偏最小二乘回归算法(PLSR)和人工神经网络(ANN)对水分和脂质含量进行定量预测。结果表明,ANN模型能够更好地对水分及脂质含量进行预测,对蛋白水分、蛋黄水分和蛋黄脂质的预测决定系数分别为0.9306,0.9552和0.8896。最后,为了更加直观、全面地对咸鸭蛋腌制过程中的水分和脂质含量进行评价,根据ANN模型绘制出咸鸭蛋剖面的水分及脂质含量分布图。可视化分布图成功显示了咸鸭蛋在不同腌制时间水分和脂质的空间分布。本研究为咸鸭蛋生产及下游食品加工企业提供了一种基于光谱技术的快速检测方法。

基于高光谱成像技术的鲜烟叶叶位识别方法

为实现鲜烟叶叶位的快速无损识别,以不同着生部位烟叶为研究对象,应用高光谱成像技术,构建基于特征光谱的鲜烟叶叶位判别模型。首先,利用标准正态变换(SNV)、二阶导数(2ND)、SavitzkyGolay卷积平滑(SG)和多元散射校正(MSC)4种光谱预处理方法对烟叶原始高光谱数据进行处理,然后采用预处理后的全波段光谱数据和特征波段光谱数据,构建基于支持向量机(SVM)、偏最小二乘判别分析(PLS-DA)和反向传播神经网络(BPNN)的鲜烟叶叶位识别模型。结果表明:采用SG滤波预处理和BPNN所构建的模型识别效果最好,训练集和预测集的预测准确率分别为91.15%和90.63%。此外,利用竞争性自适应重加权算法(CARS)所筛选的特征波长所建立的BPNN模型最优,训练集和预测集的预测准确率达到了93.23%和92.19%。表明利用高光谱成像技术判别鲜烟叶所属部位是可行的,可以实现鲜烟叶所属部位快速、无损检测。

基于高光谱成像的桥梁混凝土表面露筋病害识别

桥梁作为交通关键节点,承担与日俱增的交通流量压力,相当一部分桥梁尚未达到设计使用年限就出现较多的病害,技术状况不容乐观。高光谱成像运用光电技术检测物体对光谱波段信号的辐射和吸收情况,将该信号转换成图像和图形,可基于吸收峰的位置和强度分析被测物体的物理性质和物质组成,因此本文提出基于高光谱成像的桥梁混凝土表面露筋病害识别方法。利用线阵高光谱相机集成匀速步进滑轨装置,形成高光谱成像测试系统,采集桥梁混凝土表面露筋病害图像;基于桥梁露筋病害高光谱图像谱线与空间特征,结合预处理——平滑滤波-多元散射校准(Savizky-Golay-Multivariate scattering calibration,SG-MSC)、特征空间变换——光谱导数法(First derivative,FD)、特征变量选择算法——竞争自适应重加权抽样(Competitiveadapativereweighted sampling,CARS),将原始光谱曲线数据经特征空间转换提取相应特征值并显示波段;以光谱曲线特征向量构建数据集,基于支持向量机形成露筋病害识别预测模型。以某跨江大桥为例,以高光谱成像测试系统对实际桥梁混凝土露筋病害进行识别,将原始光谱数据经平滑特征空间变换与特征提取后放大差异,将254个波段数据维度降低到23个波段数据,模型预测精度达到94.6%,对比可见光成像高光谱成像具有更高维度信息可有效表征物质属性,表明高光谱成像对复杂表面环境下的桥梁病害识别具有可行性和广泛应用前景。

基于高光谱成像技术烟叶田间高效氯氟氰菊酯用量的快速检测技术研究

为了能够有效预防烟叶田间用药过量所产生的农药残留危害,加强烟叶生产过程中的农药用量管控,研究了不同用量高效氯氟氰菊酯处理下的田间鲜烟叶高光谱曲线特征并构建了预测模型。应用可见—近红外高光谱成像系统(400~900 nm)采集不同浓度(CK、1∶2000,1∶1000,1∶350)的高效氯氟氰菊酯处理24 h后的鲜烟叶样本的高光谱图像。使用4种常用的光谱预处理方法进行数据预处理,分别采用连续投影法(SPA)、竞争性自适应重加权采样法(CARS)进行数据降维,最后分别构建了最小二乘支持向量机(LSSVM)和随机森林(RF)模型预测模型。结果表明:(1)光谱数据经二阶导数(D2)预处理后,LSSVM和RF模型的准确率均达到100%,经一阶导数(D1)预处理后,RF测试集准确率也达到100%;(2)SPA特征选择数量少于CARS,其中D1预处理后经SPA特征选择的波长数量最少;(3)综合考虑模型复杂度和稳定性,最终选择D1-SPA-RF为最优预测模型,选择11个特征波长,测试集准确率为97.70%。基于高光谱图像的D1-SPA-RF模型预测性能优异,可用于烟叶田间高效氯氟氰菊酯用量的快速检测。

基于高光谱成像的烤烟着生部位识别

【目的】采用高光谱成像技术结合机器学习方法,建立烤烟着生部位(上部、中部、下部)的识别模型。【方法】首先,通过分析烟叶在水、氮敏感波段下的强度分布特征,采用了一种结合OTSU和Sauvola图像分割算法的双阈值感兴趣区(ROI)选取方法,然后对比分析不同预处理方法对数据建模的影响规律,采用支持向量机(SVM)、极限梯度提升(XGBoost)算法进行判别模型的建立,通过参数寻优进行模型的优化。使用遗传算法(GA)和遗传算法结合连续投影算法(GA-SPA)进行特征波长的选择,建立简化模型。【结果】(1)建立的双阈值感兴趣区选取方法能准确高效地实现烤烟叶片正常叶面区域的选取(2)不同数据预处理方法对识别模型影响较为显著,基于一阶导和萨维莱茨-戈莱平滑(1Der+SG)预处理光谱数据,结合GA选取的特征波长建立的XGBoost着生部位识别模型具有最佳的分类效能,其准确率高达97.78%。【结论】研究建立的基于高光谱成像技术结合机器学习方法的部位模型可满足烤烟着生部位的高效准确识别。

地面目标的中波红外高光谱成像特性测量

利用Telops公司设计的Hyper-Cam中波高光谱成像仪对水泥地上某坦克模型进行3~5μm波段的红外高光谱成像测量。对实验数据进行了逐像素点的大气校正。基于矫正后的实验数据,分析了仪器误差、随机误差、大气校正传递误差等对测试不确定度的影响。分析了该坦克模型在不同谱段上的亮度分布和模型上不同部位的光谱分布特性。结果表明:在波数为2000~3000 cm-1波段,其相对不确定度一直稳定在10%以内,但是在大于3000 cm-1的波段,其误差迅速上升,主要因为常温物体的中波辐射低,在该波段目标辐射与大气路程辐射接近,而引起的噪声增大,造成的测试信噪比降低。该坦克模型光谱辐射亮度测试数据的平均相对不确定度在20%以内,整体误差较低。光谱分布上,坦克各部分特征点和水泥地表的光谱辐射亮度在波长为4.2~5μm波段时的差异性比波长为3.0~4.2μm波段时的差异性更大,且探测器接收到的4.2~5μm波段的光谱辐射亮度要大于3.0~4.2μm的光谱辐射亮度。由于4.3μm波段处于大气吸收带,大气透射率几乎为0,以至于无法获得目标的光谱辐射亮度的真实测量值。空间分布上,模型的辐射亮度主要集中在侧边涂层上,炮口处和履带处的辐射亮度较小。目标各部位辐射亮度分布与周边水泥地表的辐射亮度有着明显差异性。在3~5μm的辐射亮度中,4.4~4.8μm波段的辐射亮度占比较高,该波段成像效果最好。3.2~3.8μm波段的辐射亮度占比较低,该波段成像效果较差。处于大气吸收带的4.2~4.4μm波段,由于大气透射率几乎为0,无法获得其准确的空间辐射亮度分布。研究表明该拓展中波高光谱成像仪在地面目标的中波红外高光谱成像特性研究上具有目标区分精确、误差小、“图像光谱合一”的特点,测试数据可以应用于目标的红外高光谱隐身设计、目标的分类与识别等领域。

基于高光谱成像的水果品质检测研究进展

水果具有较高的经济价值,实现其品质无损检测可减少经济损失并提高市场竞争力,机械分选、机器视觉和化学检测等方法仅能实现对水果外部或内部品质的单独检测,而高光谱成像技术可准确、无损地检测水果内、外部品质,市场前景广阔。本文介绍了典型高光谱成像系统的构成,总结了点扫描、线扫描和面扫描3种高光谱数据获取方式的优、缺点及适用情况,并归纳了常用的光谱校正和预处理方法、特征波长提取方法、建模方法及评价指标,以及常用图像分割方法的优缺点。综述了近年利用高光谱成像技术检测常见水果的表面缺陷、轻微损伤、病菌感染和冷害等外部品质及可溶性固形物含量、干物质含量、硬度和成熟度等内部品质的研究工作,对于外部品质检测,使用高光谱成像技术获取图像数据,提取特征图像后结合支持向量机、卷积神经网络等机器学习技术进行品质检测是目前的主流方法,内部品质通常结合化学检测和多元回归方法进行检测。最后,分析了高光谱成像技术在水果品质无损评估中面临的挑战和未来发展趋势。

基于高光谱成像的烟丝中梗签分类识别研究

针对烟丝中梗签分类识别检测问题,利用高光谱成像技术,结合机器学习方法对烟丝中掺杂的梗签进行分类快速识别。首先,基于短波近红外高光谱成像技术,采用标准正态变化(SNV)对烟丝和梗签光谱数据进行预处理,消除光谱散射和漫反射的影响,减少检测干扰信息。然后,利用连续投影算法(SPA)进行特征波长选择,融合极端梯度提升(XGBoost)算法,提出了1种基于XGboost算法的烟丝中梗签分类模型。最后,采用Mean-shift均值漂移算法和形态学梯度算法相结合的方式作为后处理方法,对模型的分类结果进行后处理,实现烟丝中梗签的快速智能检测。结果表明:建立的SNV-SPA-XGBoost分类模型,训练集和测试集准确率分别达到100%和99.32%,经后处理后对A_(1)(1.0~1.5 cm)、A_(2)(0.5~1.0 cm)、A_(3)(<0.5 cm)梗签检测准确率分别达100%、95.50%和86%。

基于高光谱成像技术的宁夏枸杞产地溯源鉴别

本研究基于高光谱成像(400~1000 nm)结合化学计量学开发一种用于识别枸杞产地多元化的检测方法。获取宁夏、甘肃、内蒙古、青海和新疆5个不同产地的枸杞高光谱图像,并基于阈值分割方法从感兴趣区域提取光谱数据。同时使用多种预处理方法消除光谱的干扰信息,研究表明基于归一化反射光谱的判别模型表现出较好的性能。进一步地采用连续投影算法、竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)、粒子群优化算法、迭代保留信息变量算法(iteratively retaining informative variables,IRIV)和CARS+IRIV选择特征波长。研究结果表明CARS+IRIV选取波长建立的简化模型性能最优,从二元分类到五元分类模型,特征波长仅占全波长的15.6%~27.7%,预测集准确率分别为97.7%、90.9%、89.2%、87.1%。此外,为了更加直观辨别分类种类,使用混淆矩阵可视化最佳简化分类模型。在对宁夏枸杞分类中获得了令人满意的灵敏度、特异性和Kappa系数。综上,高光谱成像技术结合化学计量学方法可有效鉴别枸杞产地,可为枸杞产业发展提供关键技术支撑。

高光谱成像结合PSO-SVM的银杏果种类鉴别

银杏果富含维生素、银杏萜内酯和银杏黄酮等成分,具有抗氧化、抗肿瘤、预防心血管疾病等功能,可药食两用。由于银杏果品种不同,其主要成分含量和品质各异。另外,银杏果某些成分含量对其贮藏和加工工艺影响较大。为实现银杏果品种高效无损鉴别,提出一种基于高光谱成像技术的支持向量机(SVM)分类模型,并利用遗传算法(GA)和粒子群算法(PSO)优化模型参数提高种类鉴别正确率。以3个品种630个银杏果为研究对象,按2∶1划分为训练集和测试集,分别为420个和210个。利用高光谱图像采集系统获取900~1700 nm范围内的银杏果图像,黑白校正后选取质心位置25×25 pixel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,信噪比低且有效信息较少,截取945.98~1698.75 nm范围内的光谱波段作为有效波段,并对去噪后光谱波段信息做标准正态变量变换(SNV)预处理,预处理后采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)提取特征波长,将其波长反射率作为输入矩阵X,预设样本类别1、2、3作为输出矩阵Y,分别建立SNV-SPA/CARS-(GA/PSO)-SVM六种银杏果品种鉴别模型。试验结果表明:SNV-CARS-PSO-SVM模型鉴别效果最佳,分类准确率96.67%,说明CARS提取特征波长变量能代表所有波长信息,且PSO-SVM模型具有较好种类鉴别效果,可实现银杏果鉴别,为银杏果种类高效无损鉴别提供新思路。

中红外时间拉伸频率上转换高光谱成像系统研究

高光谱成像技术是一种分析物质化学成分、物理性质和形态等信息的非接触式、无损检测方法。然而,中红外波段分子指纹谱测量,受限于探测器响应速度和固有噪声,传统的高光谱成像技术难以同时实现高速和高信噪比测量。基于时间拉伸频率上转换的光谱测量技术具有高测量速度、高光谱分辨率、宽光谱覆盖等优势,与高光谱成像技术结合后,可为快速获取样品种类与形态信息提供可靠手段。搭建了中红外时间拉伸频率上转换高光谱成像系统,同源产生1047 nm泵浦光与1550 nm信号光平均功率分别为2 W和100 mW,结合同步泵浦技术,可在两块周期性极化铌酸锂晶体中分别实现中红外脉冲的产生与频率上转换,完成将中红外波段分子指纹谱信息传递至近红外波段,解决了难以高速、低噪声探测中红外光谱信息的难题。通过对晶体温度与工作通道的调谐,中红外波段探测范围可覆盖2700~3900 nm,具有多样品检测能力。对频率上转换的近红外脉冲进行时间拉伸并与高光谱成像相结合,通过逐点扫描对比色皿中苯溶液吸收光谱及空间分布信息进行实测,光谱数据与傅里叶变换红外光谱仪测量结果高度吻合,能在8 s内完成600μm×1200μm空间区域的高光谱成像,单个像素点采集时间12.9 ns,光谱测量速度77.6 MSpectra·s^(-1),光谱分辨率5.8 cm-1,证实了系统对光谱覆盖范围内液相分子的高速光谱测量及空间分辨能力。解决了传统高光谱测量方式在中红外波段存在响应速度慢、积分时间长、信噪比低的难点,能以10~7帧率的光谱刷新率完成多组分样品检测及其形态测量,为材料与生物成像分析等领域提供了新途径。