CARS特征变量优选近红外光谱法测定初烤烟烟叶厚度

烤烟烟叶厚度是烤烟烟叶分级和品质评价的重要指标之一,采用近红外光谱分析技术实现对烟叶厚度的快速测定具有一定的可行性。对比分析了采用竞争自适应重加权法(CARS)算法优选特征变量和采用全波长变量(1 000~2 500 nm)结合偏最小二乘法(PLS)建立初烤烟烟叶厚度近红外校正模型的效果。结果表明:模型的输入变量数由1 543个降低到180个,决定系数由0.846提高到0.941;适宜主成分数由10降低到6,校正标准误差和交互验证均方根误差分别降低了0.003 4和0.010 3。采用30个外部样品对模型进一步进行验证,模型的验证标准误差和验证标准误差的偏差由0.018 2降低到0.001 1,在α=0.05显著水平,两个模型预测值与实测值间均不存在显著差异,采用CARS筛选特征变量近红外模型预测值与实测值间的差异性更小。CARS筛选特征变量提高了烟叶厚度近红外校正模型的稳定性和预测准确性。

高光谱成像的水稻冠层穗颈瘟早期识别

为实现田间水稻冠层穗颈瘟的早期识别,利用室外高光谱成像系统采集早期自然发病大田的水稻冠层穗颈瘟图像,提取、分析反射率光谱特征.对预处理后的高光谱数据,采用主成分分析(Principal Component Analysis,PCA)、植被指数(Vegetation Index,VI)和竞争性自适应重加权法(Competitive Adaptive Reweighted Sampling,CARS)3种方法提取特征变量,结合支持向量机(Support Vector Machine,SVM)和线性判别分析(Linear Discriminant Analysis,LDA)分类算法构建识别模型.结果显示:以CARS特征波长和植被指数构建的模型,从分类结果看都取得了不错的效果,但是特征波长数量较多,可能存在过拟合的风险;单独使用PCA获得的主成分构建水稻冠层识别模型,没有明显效果.为此,研究尝试对选取的植被指数和提取的CARS特征使用PCA进一步降维,得到4个VI-PCs特征和5个CARS-PCs特征用于建模,取得了很好的效果.基于VI-PCs特征的SVM模型和LDA模型的总体分类精度分别为94%和95%;基于CARS-PCs特征的SVM模型和LDA模型总体分类精度分别为95%和97%,实现用较少变量获得较好的区分效果.从模型构建算法来看,LDA算法模型均优于SVM算法模型,说明LDA方法更适合于水稻冠层穗颈瘟识别模型的构建.研究可为航空、航天大面积的作物病虫害遥感监测提供理论依据.

基于近红外光谱的食用植物油中反式脂肪酸含量快速定量检测及模型优化研究

利用近红外光谱技术对食用植物油中反式脂肪酸(Trans fatty acids,TFA)含量进行快速定量检测,并通过波段选择、预处理方法、变量筛选及建模方法对TFA含量预测模型进行优化。采用AntarisⅡ傅里叶变换近红外光谱仪在4000~10000 cm$1光谱范围采集98个食用植物油样本的近红外透射光谱,然后采用气相色谱法测定TFA的真实含量。首先,对样本原始光谱进行波段、预处理方法优选;在此基础上,采用竞争自适应重加权法(Competitive adaptive reweighted sampling,CARS)筛选TFA相关的重要变量,最后应用主成分回归、偏最小二乘和最小二乘支持向量机方法分别建立食用植物油中TFA含量的预测模型。研究结果表明,近红外光谱技术检测食用植物油中的TFA含量是可行的,优化后的最佳预测模型的校正集和预测集R2分别为0.992和0.989,RMSEC和RMSEP分别为0.071%和0.075%。最佳预测模型所用的变量仅26个,占全波段变量的0.854%。此外,与全波段偏最小二乘预测模型相比,其预测集R2由0.904上升为0.989,RMSEP由0.230%下降为0.075%。由此表明,模型优化非常必要,CARS能有效筛选TFA相关的重要变量,极大减少建模变量数,从而简化预测模型,并较大提高预测模型的精度和稳定性。

基于GA和CARS的真空包装冷却羊肉细菌菌落总数高光谱检测

在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares,PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm,GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling,CARS)分别对预处理后的473~1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS,CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R_c^2)和均方根误差(root mean square error,RMSEC)分别为0.96和0.29,交互验证的决定系数(R_(cv)~2)和均方根误差(root mean square errorof cross validation,RMSECV)分别为0.92和0.46,预测集的决定系数(R_p^2)和均方根误差(root mean square error of prediction,RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation,RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。