利用近红外高光谱图像技术快速鉴别西瓜种子品种

为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay(SG)平滑算法,经验模态分解算法(empirical mode decomposition,EMD)和小波分析(wavelet transform,WT)对提取出的光谱数据进行去除噪声处理,采用连续投影算法(successive projections algorithm,SPA)和遗传-偏最小二乘法(genetic algorithm-partial least squares,GA-PLS)进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析(partial least squares–discriminant analysis,PLS-DA),基于特征波长建立了反向传播神经网络(back-propagation neural network,BP NN)判别模型和极限学习机(extreme learning machine,ELM)判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。

近地高光谱成像技术对黑豆品种无损鉴别

基于近地高光谱成像技术结合化学计量学方法，实现了黑豆品种的鉴别。实验以三种不同颜色豆芯的黑豆为研究对象，采用高光谱成像系统采集380～1030 nm波段范围的高光谱图像，提取高光谱图像中的样本感兴趣区域平均光谱信息作为样本的光谱进行分析，建立黑豆品种的判别分析模型。共采集180个黑豆样本的180条平均光谱曲线。剔除明显噪声部分之后以440～943 nm范围光谱为黑豆样本的光谱，采用多元散射校正（multiplicative scatter correction ，MSC）对光谱曲线进行预处理。分别以全部光谱数据、主成分分析（principal component analysis ，PCA）提取的光谱特征信息、小波分析（wavelet transform ，WT）提取的光谱特征信息建立了偏最小二乘判别分析法（partial least squares discriminant analysis ，PLS-DA ），簇类独立模式识别法（soft independent modeling of class analogy ，SIMCA），最邻近节点算法（K-nearest neighbor algo-rithm ，KNN），支持向量机（support vector machine ，SVM），极限学习机（extreme learning machine ，ELM）等判别分析模型。以全谱的判别分析模型中，ELM 模型效果最优；以PCA提取的光谱特征信息建立的模型中，ELM模型也取得了最优的效果；以WT 提取的光谱特征信息建立的模型中，ELM 模型结识别效果最好，建模集和预测集识别正确率达到100％。在所有的判别分析模型中，W T-EL M模型取得了最优的识别效果。实验结果表明以高光谱成像技术对黑豆品种进行无损鉴别是可行的，且WT 用于提取光谱特征信息以及ELM模型用于判别黑豆品种能取得较好的效果。

近红外光谱技术用于豆浆粉品牌与假冒豆浆粉的鉴别

采用近红外光谱分析技术结合化学计量学方法研究对不同品牌的豆浆粉以及假冒的豆浆粉鉴别的可行性。采集不同品牌豆浆粉以及假冒豆浆粉在12500～4000 cm -1范围内光谱，并进行不同的预处理。采用偏最小二乘-判别分析（partial least squares-discriminant analysis ，PLS-DA ）对不同预处理的光谱进行建模比较，去趋势算法（De-trending）预处理光谱与多元散射校正（multiplicative scatter correction ，MSC）结合De-trending（MSC＋De-trending）预处理光谱的 PLS-DA模型预测集判别正确率最高，均为100％。采用 x-loading weights方法分别基于De-trending和MSC-De-trending预处理光谱选择了6个和7个特征波数，并以特征波数分别建立了线性判别分析（linear discriminant analysis ，LDA ）和误差反向传播神经网络（back-propagation neural network ，BPNN）的判别分析模型。结果表明，以所选出的不同的特征波数建立的BPNN判别分析模型取得了最佳的判别效果，建模集和预测集的判别正确率均为100％。采用近红外光谱分析技术可以准确的判别豆浆粉品牌以及假冒豆浆粉产品。

全域旅游视域下农村文化礼堂助力浙江乡村旅游目的地发展

农村文化礼堂建设是新时代背景下凝聚乡村原生态文化的重要载体,是加强农村精神文明建设的重要举措,是丰富农民文化生活的重要阵地;浙江省正大力开展乡村旅游建设,寻找发展乡村旅游和乡村经济的新动能。为农村文化礼堂建设和乡村旅游目的地发展提供一定的理论指导,通过走访调研浙江省乡村旅游目的地及相关文化礼堂,分析乡村旅游目的地发展面临的挑战、农村文化礼堂与乡村旅游目的地发展的关系及农村文化礼堂助力乡村旅游目的地发展的路径与瓶颈,提出了解决乡村旅游目的地发展的对策及建议。

乡村振兴背景下浙江乡村旅游目的地发展现状与对策

乡村旅游作为乡村振兴的重要内容,是顺利完成脱贫攻坚任务、全面建成小康社会的关键抓手,打造优质乡村旅游目的地则是乡村旅游发展的关键突破口。为浙江乡村旅游提质升级提供参考,从产业体系、品牌效应、社会效应3个层面总结浙江乡村旅游目的地发展现状,剖析系列政策、企业主体、优质品牌、N个配套4个方面存在的问题,并从政策机制、企业主体、旅游品牌、设施建设等方面针对性提出加快浙江乡村旅游目的地发展的对策建议。

基于IPA的乡村旅游质量提升因素分析:以浙江台州为例

为推动乡村旅游提质增效提供参考,在对浙江省台州市乡村旅游4类14种感知因子进行体验调查基础上,运用重要表现程度分析法(IPA)分析645份有效问卷,识别乡村旅游发展的优势区、保持区、次要区和短板区。结果表明:自然风光、社会秩序和卫生条件属于发展优势项,应强化创新以巩固深化拓展发展亮点;医疗水平、矛盾化解等因子对游客吸引力相对有限,但满意程度较高,应因地制宜采取措施;物价水平、人文景观、好客程度等因子敏感性不高,不应作为乡村旅游的发展重点;交通设施、服务态度、饮食条件、活动项目、景点密度、卫生条件等预期评价很高,但体验后满意度一般,是浙江省台州市乡村旅游发展亟需补齐的短板项,应予以重点提升。建议从发挥自然美、挖掘文化美、培育产业美3个方面精准发力,进一步挖掘乡村特色、强化设施建设、提高服务水平,助推台州市乡村旅游发展为全国样板。

浙江省台州市乡村旅游产业竞争力评价及障碍因素分析

以浙江省台州市9个县(区、市)为研究对象,构建乡村旅游产业竞争力评价体系,并运用熵权TOPSIS法和障碍模型进行比较研究和障碍因素分析,发现:(1)台州市乡村旅游发展具有不平衡、不充分的特征,温岭市竞争力最强,黄岩区、三门县竞争力较弱,且各区域竞争力空间分布存在差异性,东部沿海经济发达地区和北部、西部资源富集的山地丘陵地区竞争力较强;(2)配套设施和产业链是制约乡村旅游产业发展的最主要因素,资源禀赋、客源市场、政策支持和社会认同对各区域也有不同程度的影响。

浙江省高职院校畜牧业人才培育模式创新研究

高职院校培育畜牧业人才是打造畜牧业品牌体系、实现畜产品提质增效的重要抓手,是高职院校转变畜牧业人才培育模式、构建具体行业人才建设体系的重要举措。目前,畜牧业企业对畜牧业专业人才需求与高职院校人才培育之间存在结构性供需失衡。据此,笔者基于对浙江省的调查,分析了高职教育畜牧业营销专业人才培育模式的难题,提出高职教育畜牧业营销人才培育模式创新的思路和具体建议。

“推销实务”课程教学模式的创新探究与实践

"推销实务"是高职营销专业的一门实践性很强的核心课程。文章以台州职业技术学院为例,探索工学结合人才培养模式下该课程在实际教学实施过程中存在的诸多问题,提出了"做中学、学中做、做中创"模式在该课程教学中的实践与应用,以及该模式对提高学生职业能力和职业素养所起到的积极作用。

基于移动互联网平台的“视频+农产品”营销模式优化策略

基于"现象-问题-路径"的基本研究逻辑,梳理"视频+农产品"销售现状,概括出"互动型、社交式,信息型、单项式,电商型、平台式,复合型、嵌入式"4种具体营销方式,并分析"视频+农产品"销售模式中存在的"信息质量差异性、网络市场无序化,市场竞争激烈性、内容生产同质化,信息数据爆炸性、盈利模式单一化,农业产品特质性、品质保障复杂化"4大现实困境。在此基础上,提出了强化"监督管理、品牌建设、盈利能力、品质管理"4项重点举措,助力"视频+农产品"营销模式优化升级,进一步畅通农产品销售渠道,全力推动农业农村经济高质量发展。

浙江省高职院校农业营销专业人才培养模式创新

基于对浙江省的调查,分析了高职教育培育农业营销专业人才模式的难题,提出高职教育农业营销专业人才培育模式创新思路和具体建议。

本地生活服务业如何借力O2O新平台营销

O2O商业模式是近年来新兴的电子商务模式,在短短的几年时间内,便在国内得到了迅猛的发展和应用,引起广泛关注。首先对O2O商业模式的概念及其平台优势进行介绍,通过对O2O在我国本地生活服务行业发展现状的剖析,总结出本地生活服业还可以怎样借力O2O这个新平台进行更好地营销活动,为消费者带来更便捷和满意的购物与服务体验,为一些生活服务业利用O2O平台营销带来些许启发。

基于光谱和成像技术的作物养分生理信息快速检测研究进展

该文阐述了应用光谱和成像技术进行作物养分生理信息快速检测的主要研究进展和发展趋势。介绍了光谱和成像技术的基本原理、常用数据处理方法、建模方法和模型评价指标,重点总结了光谱和成像技术在5种常见农作物(水稻、小麦、油菜、玉米、大豆)的养分生理信息检测中的应用成果和研究进展(主要包括叶绿素类和氮素检测,病虫害、水分、杂草、重金属、农药胁迫诊断及产量预测等方面),分析了光谱和成像技术在作物生长信息检测的发展趋势。结果表明,光谱和成像技术能够快速无损获取作物养分生理信息,并能有效地对作物长势和逆境胁迫响应进行动态监测,对实现农业的精准化、数字化、信息化及智能化管理和作业具有重要意义。

近红外高光谱成像技术快速鉴别国产咖啡豆品种

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 734nm波段内的光谱数据,去除首尾噪声波段后,分别基于925-1 680nm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。

基于中红外光谱分析技术的香菇产地识别研究

采用中红外光谱分析技术对香菇产地进行识别研究，并将相关向量机（relevance vector machine ， RVM ）算法应用于中红外光谱判别分析之中，取得了较好的效果。通过采集香菇粉末的中红外透射光谱，去除光谱噪声明显部分，对剩下的3581～689 cm-1透射谱线采用多元散射校正（multiplicative scatter correc-tion ，MSC）进行预处理，并基于预处理谱线建立了香菇产地识别的偏最小二乘判别分析（partial least squares-discriminant analysis ，PLS-DA）、簇类独立软模式分类（soft independent modeling of class analogy ， SIMCA）、K 最邻近算法（K-nearest neighbor algorithm ， KNN ）、支持向量机（support vector machine ， SVM ）、RVM模型等五种判别分析模型。所有模型的识别正确率均高于80％，KNN ，SVM 和RVM 判别分析模型取得了相近的结果，建模集和预测集识别正确率高于90％。基于全谱的PLS-DA模型的加权回归系数，利用加权回归系数法选取了6个特征波数，并基于特征波数建立了PLS-DA ，KNN ，SVM 和RVM 模型。基于特征波数的PLS-DA模型的建模集和预测集识别正确率均低于80％，而KNN ，SVM和RVM模型的建模集和预测集的识别效果相近，且都高于90％。基于全谱和特征波数的模型中，RV M 算法表现出较好的效果，识别正确率优于90％。结果表明，基于中红外光谱技术能用于香菇产地的识别，特征波数的选择以及RVM算法可以有效的用于中红外光谱判别分析中。本文成功将中红外光谱用于香菇产地识别研究，为香菇品质以及其他农产品品质分析提供了一种新的想法，具有实际意义。

近红外高光谱成像技术用于转基因大豆快速无损鉴别研究

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 734nm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 646nm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。

高光谱成像技术的库尔勒梨早期损伤可视化检测研究

利用高光谱成像技术对库尔勒梨早期损伤进行快速识别检测。以60个库尔勒梨为研究对象,采集380~1 030nm波段范围内完好样本和损伤后1~7天样本的480幅高光谱图像。提取图像中感兴趣区域(ROI)的平均光谱信息,利用小波变换(WT)对光谱数据进行去噪平滑,将去噪后的全部样本按2∶1的比例分成建模集(320个)和预测集(160个)。利用二阶导数从全谱信息中提取出19个特征波长,分别基于全谱和提取出的特征波长对建模集和预测集进行支持向量机(SVM)建模分析。结果表明,基于全谱和特征波长的判别分析模型中,两者预测集的识别率都达到93.75%,表明提取的特征波长包含了光谱数据中的关键信息。然后,基于特征波长运用波段比运算挑选最佳波段比,根据波段比F值的分布确定光谱图像分割的最佳波长684和798nm。对最佳波段比(684/798nm)下的图像,利用选择性搜索(SS)对高光谱图像中样本的完好和损伤区域进行分割,从分割结果来看,1~7天损伤样本的受损区域能够被准确检测出来。研究结果表明:基于高光谱成像技术对库尔勒梨进行损伤鉴别是可行的,该研究所获得的特征波长和波段比为研发在线实时的库尔勒梨损伤检测系统提供支撑。

高光谱与机器学习相结合的大白菜种子品种鉴别研究

提出了基于高光谱信息的大白菜种子品种分类识别方法。利用近红外高光谱图像采集系统采集了八种共239个大白菜种子样本;提取15pixel×15pixel感兴趣区域平均光谱反射率信息作为样本信息;采用多元散射校正预处理方法对光谱进行消噪;验证了Ada-Boost算法、极限学习机(extreme learning machine,ELM)、随机森林(random forest,RF)和支持向量机(support vector machine,SVM)四种分类算法的分类判别效果。为了简化输入变量,通过载荷系数分析选取了10个大白菜种子品种分类判别的特征波长。实验结果表明,四种分类算法基于全波段的分类识别对81个预测样本的正确区分率均超过90%,最优的分类判别模型为ELM和RF,识别正确率达到了100%;以10个特征波长的分类判别精度略有下降,但输入变量大幅减少,提高了信息处理效率,其中最优分类判别模型为EW-ELM模型,判别正确率为100%,因此以载荷系数选取的特征波长是有效的。利用高光谱结合机器学习对大白菜种子品种进行快速、无损分类识别是可行的,为大白菜种子批量化在线检测提供了一种新的方法。

应用近红外高光谱成像技术预测甘蔗可溶性固形物含量

为了探究应用近红外高光谱成像技术对甘蔗内部可溶性固形物(SSC)预测的可行性,试验样本选择三种不同品种中的240个甘蔗节作为研究对象。通过高光谱成像系统获取甘蔗节的近红外光谱信息和图像信息,并分别探讨了光谱信息和图像纹理信息对甘蔗可溶性固形物预测的可行性。采用最小二乘回归(PLSR),最小二乘支持向量机(LS-SVM)及主成分回归(PCR)建模方法构建甘蔗可溶性固形物的预测模型。比较了连续投影算法(SPA)、无信息变量消除算法(UVE)及区间偏最小二乘(iPLS)特征提取方法对预测结果的影响。实验结果表明:基于甘蔗的光谱信息能实现可溶性固形物的预测,其中偏最小二乘回归模型的建模集和预测集的相关系数分别为0.879和0.843,均方根误差分别为0.644和0.742。通过UVE算法提取105个有效波长所建立的PLSR模型的建模集及预测集相关系数分别为0.860和0.813,均方根误差分别为0.693和0.810。

基于中红外光谱技术的香菇蛋白质含量测定

研究了中红外光谱预测香菇蛋白质含量的可行性。去掉明显噪声部分后，研究香菇3581～689 cm -1中红外光谱与蛋白质含量的关系。以Savitzky-Golay （SG ）5点平滑预处理光谱建立偏最小二乘法（par-tial least squares ，PLS）的预测模型的效果不理想，模型的建模集和预测集的相关系数均高于0.85，但剩余预测偏差（residual prediction deviation ，RPD）值仅为1.77。采用连续投影算法（successive projections algo-rithm ，SPA ）算法从3000个波数点中选择7个特征波数，并以七个特征波数分别建立PLS、多元线性回归（multiple linear regression ，MLR）、反向传播神经网络（back-propagation neural network ，BPNN）和极限学习机模型（extreme learning machine ，ELM）。与全谱的PLS相比，以特征波数的PLS模型和MLR模型的预测效果相对较差，而以特征波数的BPNN和ELM模型的预测效果相对较好。其中SPA-ELM模型的预测效果最佳，预测集相关系数（correlation coefficient of prediction ）Rp ＝0.8995，预测集均方根误差（root mean square error of prediction）RMSEP＝1.4313，剩余预测偏差RPD＝2.18。研究结果表明，中红外光谱分析技术可以用于预测香菇蛋白质含量，且SPA选取特征波数能用来代替原始光谱进行建模分析，为香菇蛋白质含量的检测提供了新的思路。