加工番茄虫眼及霉变的可见近红外高光谱成像检测

为了探求一种快速有效识别虫眼和霉变加工番茄的无损检测方法,利用高光谱成像技术,从光谱和图像2个角度对其进行检测。先借助可见近红外高光谱成像系统获取408~1 013nm的加工番茄高光谱图像数据,提取并分析感兴趣区域的平均光谱曲线进行主成分分析,根据各波段权重系数优选了550,750,900nm 3个特征波长;然后通过特征波长下图像的主成分分析,选择缺陷部位与正常区域强度对照最明显的第一主成分图像,通过掩模、阈值处理和形态学开运算等图像处理方法对缺陷番茄进行检测判别。虫眼、霉变和正常三类番茄的识别率分别为93.3%,90%,100%。同时利用上述3个特征波长进行波段比图像运算,并选择波段比550nm/750nm图像进行缺陷识别,虫眼、霉变和正常三类加工番茄的识别率分别为93.3%,96.7%,100%。研究结果表明,二次主成分分析和波段比检测算法均可以有效地识别缺陷加工番茄。另外研究中仅选用了3个特征波段,数据量大大减少,为搭建开发适于加工番茄缺陷的多光谱在线检测系统提供了可能。

德国利用可见近红外高光谱成像技术对牛肉的新鲜度进行判别

对消费者来说，肉制品的安全性和可信度最为重要。近期发生的有关肉制品的事件表明，对肉制品工业及供应链进行检查是重要且必须的。但高光谱成像技术以往的研究均为新鲜肉与冻融新鲜肉、老化肉与冻融老化肉和新鲜肉与老化肉的辨别分析。

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。

基于可见/近红外高光谱成像技术的梨树叶部病害识别研究

梨树生长期内伴随着病害发生,喷施农药是病害防治的主要措施,而病害识别则是保证精准施药的基本要求。为实现梨树叶部病害的高效识别,提出基于可见/近红外高光谱成像技术结合机器学习对梨树病叶进行分类检测的方法。利用近地面成像高光谱仪在自然光条件下采集健康叶、褐斑病、黑斑病及日灼病四类样本的高光谱图像,提取401~935 nm波段间感兴趣区域的平均光谱数据,对比分析Savitzky-Golay卷积平滑(SG)、标准正态变换(SNV)、SG结合一阶微分和SG结合二阶微分4种预处理算法全波段模型效果,对最佳预处理方法后的数据采用主成分分析法(PCA)和连续投影算法(SPA)进行特征波长提取,建立优化的支持向量机(SVM)和误差反馈神经网络(BPNN)判别模型,并对模型分类性能进行比较,最终优选出适合梨树病害的最佳分类判别模型。研究结果表明,全光谱数据在SNV预处理后识别效果最好,通过PCA和SPA算法分别提取出12、14个特征波长,波长数目减少90%以上,且SPA算法相较于PCA算法在SVM和BPNN模型中表现均更优。经对比发现,梨树病害的最佳判别分类模型为SNV-SPA-SVM,结合混淆矩阵得出该模型测试集总体准确率达93.57%,对各类样本的分类准确率均达到90%,Kappa系数为0.9165。利用可见/近红外高光谱技术能够有效分类识别梨树叶部病害,为实现田间梨树叶片病害的自动诊断提供新方法。

基于近红外高光谱成像技术的地方鸡品种鉴别

我国拥有丰富的地方鸡遗传资源,不同品种的地方鸡在营养、口感和风味上表现出显著区别。该研究利用近红外高光谱成像技术研究地方鸡品种的鉴别方法。以龙游麻鸡、江山乌骨鸡和丝羽乌骨鸡为研究对象,采集3个品种鸡肉在900~1700 nm波段的高光谱图像并提取光谱数据。对光谱数据进行预处理后选取特征波长,建立PLS和SVM鉴别模型。结果显示,Detrending-SNV为最优预处理方法,ACCc、ACCp和ACCt分别为94.17%、95%和94.59%。基于MCUVE-SPA算法选取的16个特征波长建立的PLS鉴别模型为最优模型,ACCc、ACCp和ACCt分别为95.83%、100%和97.92%,与全光谱模型相比分别提高了1.76%、5.26%和3.52%。研究结果表明,利用近红外高光谱成像技术鉴别地方鸡品种具有一定的可行性。

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。

近红外高光谱成像的建筑材料缺陷自动检测系统

为提升建筑材料缺陷自动检测准确率,提高检测效率,研究近红外高光谱成像的建筑材料缺陷自动检测系统。设计系统硬件,组成包括图像采集传感器、高光谱成像仪及ARM处理器,由硬件实现建筑材料高光谱图像的采集。经近红外高光谱图像黑白校正,降低暗电流、噪音、光源强度引起的干扰后,采用MGS算法提取高光谱图像波长,并将其作为稀疏表示分类器的输入变量,分类器的输出结果即为建筑材料缺陷自动检测结果。实验证明:光谱反射率越高则表明缺陷越严重,可实现建筑材料不同类型缺陷自动检测,检测准确率平均可达96.5%;检测效率不受待检测建材数量影响,检测稳定好。

基于可见光-近红外高光谱信息与数据融合的木质化鸡胸肉的判别模型构建

木质化鸡胸肉(wooden breast,WB)制约肉鸡行业发展,传统触诊检测方法耗时且效率低,为提升高光谱成像(hyperspectral imaging,HSI)技术检测鸡胸肉木质化程度的效果,本论文以白羽鸡鸡胸肉为研究对象,将其划分4个木质化等级,采集其在400~1000和1000~2000 nm内的HSI信息,通过不同光谱预处理算法和特征波段筛选方法,建立基于全波段、特征波段和HSI数据融合的偏最小二乘判别分析(Partial least squares-discriminant analysis,PLS-DA)模型和支持向量机(Support vector machine,SVM)模型。结果显示,SVM模型比PLSDA模型更适于判别鸡胸肉木质化程度,基于1000~2000 nm内全波段和特征波段的最佳模型预测集总体正确率均高于400~1000 nm内的模型,基于两波段HSI数据融合的木质化判别模型优于基于单一波段(包括全波段和特征波段)的模型,最佳模型预测集总体正确率为96.7%,能较好地区分出4个木质化等级,且对4个等级的判别准确率均可达90%以上。研究结果为HSI实现木质化鸡胸肉的准确无损检测提供技术支持。

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。

基于近红外高光谱图像的花生内部霉变快速判别方法研究

目的针对外观正常但内部存在不同程度霉变的花生,探索采用近红外高光谱成像技术结合机器学习方法构建花生内部霉变快速无损判别模型的可行性。方法采集100粒内部霉变和100粒健康花生的近红外高光谱图像构成数据集,将多种经典光谱预处理方法与支持向量机(support vector machine,SVM)组合建立花生内部霉变判别模型,并采用蒙特卡洛-无信息变量消除法(Monte Carlo-uninformative variable elimination,MC-UVE)找出霉变判别中有效的光谱特征波长。结果将Savitzky-Golay卷积平滑方法和二阶求导光谱预处理方法与SVM组合,对内部霉变严重样本判别的总体识别准确率可达95%,对不同程度内部霉变样本的平均识别准确率为88%;基于MC-UVE筛选得到10、5、3个特征波长构建的模型总体识别准确率为90%、85%和82%。结论实验结果表明高光谱技术结合机器学习可为花生内部霉变的快速、无损判别提供可行的解决方案,同时特征波长筛选为基于光电原理的霉变花生色选机系统开发提供了参考。

基于近红外高光谱技术的杧果可溶性固形物含量无损检测

【目的】近红外高光谱成像技术(NIR-HSI)在水果内部品质的无损检测方面具有快速、准确和无损的特点。旨在利用NIR-HSI技术分析不同品种杧果的可溶性固形物含量,并探讨400~1000nm波段范围内的光谱差异和可溶性固形物含量的响应。【方法】选择贵妃杧果和台农1号杧果作为研究对象,使用NIR-HSI技术获取杧果样本的光谱数据。采用CARS-PLS模型分析可溶性固形物含量与各波段光谱反射率的相关系数。为了验证模型的性能,计算了建模R^(2)、斜率Slope、截距和RMSE等指标。【结果】得到CARS-PLS模型的性能指标:建模R^(2)为0.8806,斜率为0.8515,截距为12.208,RMSE为0.6366。这些指标表明该模型具有较高的建模拟合度和预测精度。【结论】应用NIR-HSI技术对杧果可溶性固形物含量进行检测具有可行性。为进一步研究不同水果可溶性固形物含量的高精度模型奠定了基础。通过NIR-HSI技术的应用,可以提供一种非破坏性且高效准确的方法,用于水果品质评估和检测。这对农产品质量控制和市场营销具有重要的意义。

基于遗传算法和深度神经网络的近红外高光谱检测猪肉新鲜度

为系统评估基于深度学习的智能辅助高光谱成像系统在猪肉新鲜度指标检测中的效果,采集了猪肉在4℃冷藏12 d中挥发性盐基氮(volatile basic nitrogen,TVB-N)、菌落总数(total viable count,TVC)以及900~2500 nm近红外光谱数据。基于Python的TensorFlow和Keras平台,对高光谱数据进行处理,建立了深度神经网络的定量检测模型。并利用遗传算法(GA)选择与猪肉新鲜度相关的特征光谱波段。结果表明,遗传算法选取波段对光谱模型的性能有明显提升。当光谱波段数达到35和50时,GA+ANN模型预测精度高于全波段的线性回归模型。TVC为预测指标的预测性能优于TVB-N,TVC测试集最佳R_(p)^(2)为0.877,RMSEP为0.575;预测TVB-N的最佳R_(p)^(2)为0.826,RMSEP为1.01。此外,通过研究还发现,遗传算法优选的近红外光谱波段与肉品的O-H,N-H,C=O等分子振动吸收带有较高的吻合度。本研究为处理近红外和高光谱数据提供了新的方法,也为猪肉及其他肉品新鲜度快速无损检测提供了技术参考。

婴幼儿奶粉中多种掺假物近红外高光谱图像检测方法

奶粉市场是食品掺假行为频发领域,其中婴幼儿配方奶粉价格高,其质量是消费者、生产企业和执法部门关注的重点。近红外高光谱成像(Near infrared-hyperspectral imaging,NIR-HSI)技术结合化学计量学和机器学习算法可以检测奶粉中单一掺假物含量。基于NIR-HSI技术研究了不同品牌婴幼儿奶粉中多掺假物(三聚氰胺、香兰素和淀粉)的定量预测。对基于像素点预处理后的高光谱图像划分感兴趣区域(Region of interest,ROI),提取ROI平均光谱。基于经典的过滤式特征选择算法拉普拉斯分数(Laplacian score)(无监督)和ReliefF(有监督)挑选建模关键变量,建立偏最小二乘回归模型(Partial least squares,PLS)。开发包含自定义选择层的一维卷积神经网络模型(One-dimensional convolutional neural networks,1DCNN)。自定义层根据权重系数绝对值,可确定重要波长变量。Laplacian score-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.1110%、0.0570%、0.0349%和0.3481%。ReliefF-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉预测结果均方根误差分别为0.1998%、0.0540%、0.0455%和0.1823%。1DCNN模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.8561%、0.0911%、0.0644%和0.2942%。对Laplacian score、ReliefF和自定义选择层挑选出的前15个重要波长进行对比分析,不同特征选择方法挑选的特征波长子集有所区别,但都选择1210、1474、1524、1680 nm等附近波长。基于ReliefF-PLS模型的可视化结果表明了其良好的预测能力。

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。

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。

近红外高光谱成像技术结合偏最小二乘-判别分析所建模型快速鉴定核桃仁的品质

将近红外高光谱成像技术与偏最小二乘-判别分析(PLS-DA)结合,建立了快速无损鉴定核桃仁品质的分类模型。在900~1 700 nm全波长范围内,采集不同品质核桃仁的光谱数据,以平均光谱作为原始光谱,以标准正态变量对原始光谱数据进行预处理,采用主成分分析对原始光谱数据降维,提取到970,1 151,1 210,1 215,1 256,1 309,1 340,1 379,1 389,1 404,1 460 nm等11个特征波长。基于全光谱和特征波长,分别建立两种PLS-DA分类模型。结果表明:全光谱条件下所建模型在校准集和验证集上的预测正确率最高,可达100%;特征波长条件下所建模型在相同数据集上的分类正确率略有下降,为99.3%;两种模型在测试集上的预测正确率均为100%。

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。

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。