高光谱和集成学习的鸭梨黑斑病潜育期快速识别方法

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。

表面增强拉曼光谱技术在果蔬真菌毒素残留检测中的研究进展

果蔬在采摘后的加工、贮藏、运输等环节中易受到环境中微生物的污染,造成果蔬腐败变质,其中部分产毒真菌在增殖过程中会产生大量真菌毒素,给消费者身心健康造成了严重威胁,因此建立快速、准确的真菌毒素检测方法对保证果蔬品质安全至关重要。近年来,表面增强拉曼光谱技术(surface-enhancement Raman spectroscopy, SERS)因具有高灵敏性、快速性、无破坏性、不受水分干扰等优点备受关注。本文阐述了SERS概况和增强机制,对SERS检测果蔬真菌毒素领域常用的金属溶胶基底和固体复合基底进行了简单介绍,以检测方法、基底制备技术、检测结果和遗留问题为切入点强调了SERS对不同果蔬食品真菌毒素痕量检测的应用,并介绍了SERS在真菌毒素检测领域的应用前景和局限性,对现有问题提出了解决思路,旨在为今后SERS应用于真菌毒素检测领域提供帮助。

基于高光谱成像和卷积神经网络的‘库尔勒’香梨 黑斑病潜育期诊断研究

黑斑病是‘库尔勒’香梨贮藏期的易染病害之一,在潜育期外观无明显变化,很难直接通过肉眼进行准确识别。本研究结合高光谱成像和卷积神经网络(CNN),实现了‘库尔勒’香梨黑斑病潜育期的识别。获取健康和不同病害程度香梨样品的高光谱图像,提取感兴趣区域内光谱后,利用不同预处理方法对其进行处理,分别基于常规算法(最小二乘-支持向量机、K最邻近法、随机森林)和CNN建立病害识别模型。结果表明,与常规算法建模结果相比,CNN模型的识别效果最优。当卷积层数为3,全连接层数为3,学习率为0.0005时,CNN模型的识别效果最佳,对样品的总体识别准确率为99.70%,对潜育期样品的识别准确率为99.76%,分别较常规算法提高了12和14个百分点。该结果证实CNN模型能够显著提高对‘库尔勒’香梨黑斑病潜育期识别的准确率,为‘库尔勒’香梨黑斑病的早期诊断防治提供了1种新的方法。

当前发展农村集体经济的几个问题

稳定和完善以家庭联产承包责任制为基础的双层经营体制,一个十分重要的内容是,要发展社区合作经济组织的集体经济,壮大集体经济实力。这里面既有理论问题,又有实践问题,通过发展村、社集体经济的实践,我们认为,要着重解决好几个问题。1.正确认识强调发展集体经济的背景。在农村改革中,通过实行以家庭联产承包为主的责任制,建立了统分结合的双层经营体制。