基于高光谱成像技术的红景天品种神经网络模式识别方法

采用高光谱成像技术采集大花红景天和狭叶红景天的近红外高光谱图像(935~1720 nm),并从中提取出感兴趣区域的平均光谱作为大花红景天和狭叶红景天的原始光谱.在采用多元散射校正(MSC)进行光谱预处理后,运用载荷系数法(X-LW)、连续投影算法(SPA)和竞争自适应重加权算法(CARS)分别提取了红景天近红外高光谱9、20和33个特征波长,最后基于全波长和特征波长建立偏最小二乘判别分析(PLS-DA)、概率神经网络(PNN)和广义回归神经网络(GRNN)分类判别模型.结果表明,基于CARS提取的特征波长建立的PLS-DA、PNN和GRNN模式识别模型优于基于X-LW、SPA提取特征波长建立的识别模型.而且,基于全波长和CARS提取的特征波长建立的PLS-DA、PNN和GRNN判别模型均能很好地区分大花红景天和狭叶红景天,对训练集和测试集样本分类的正确率全部达到100%.因此,高光谱成像技术结合PLS-DA与神经网络模式识别分析方法,能够实现大花红景天和狭叶红景天的无损、快速和准确的分类与鉴别,为红景天药材的质量控制、品种鉴别和临床应用奠定基础.

高光谱成像技术鉴别大花红景天和四裂红景天

目的利用高光谱成像技术鉴别大花红景天和四裂红景天。方法采用高光谱成像系统,采集红景天在波长952.89~1702.23 nm的214个波段高光谱数据;选用径向基核函数(RBF)作为支持向量机(SVM)的核函数,采用布谷鸟搜索(CS)、萤火虫算法(FA)和粒子群算法(PSO)3种参数优化方法,分别建立SVM基于全波段高光谱数据、CARS和SPA选择的特征波段数据的分类、判别模型。结果以最优参数值建立的3种判别模型的测试集的分类准确率都超过了95%,其中,CARS-FA-SVC和FS-FA-SVC的准确率为100%,且CARS-FA-SVC模型的运行时间较短,为最佳分类与判别模型。结论基于SVM的高光谱成像技术能够实现对大花红景天和四裂红景天的快速、准确和无损鉴别,为红景天的品种鉴别和质量控制提供了参考。

高光谱成像技术鉴别红景天的品种

目的采用高光谱成像技术结合化学计量学方法建立红景天的分类判别模型。方法首先获取935~1720 nm大花红景天、长鞭红景天和狭叶红景天的高光谱图像信息,然后分别提取红景天感兴趣区域的反射光谱值,在采用标准正态变量变换法(SNV)和多元散射校正法(MSC)对原始的高光谱数据进行预处理后,分别建立偏最小二乘判别分析模型(PLS-DA),通过对比两种预处理方法对PLS-DA模型判别结果的影响,得到SNV为较优的预处理方法。采用载荷系数法(x-LW)和竞争自适应重加权算法(CARS)提取经SNV预处理后数据的特征波长,并分别建立基于特征波长的线性判别分析(LDA)、PLS-DA和概率神经网络(PNN)分类模型。结果与x-LW特征提取方法比较,CARS算法提取的特征波长建立的LDA、PLS-DA和PNN模型有更好的分类性能;PNN的分类性能优于PLS-DA;SNV-CARS-LDA为区分不同品种红景天的最优判别模型,对训练集和测试集的识别率均为100%。结论高光谱成像技术与化学计量学相结合的方法具有很大的在线检测潜力,可以快速、无损地鉴别红景天品种。

大花红景天和长鞭红景天的无损鉴别

目的将近红外高光谱成像系统(HIS)与人工神经网络(ANN)相结合,对大花红景天和长鞭红景天进行无损、快速、高效地分类与鉴别。方法在935~1720 nm光谱范围内采集了大花红景天和长鞭红景天的高光谱图像,采用ENVI软件从高光谱图像中提取出两种红景天中感兴趣区域的平均光谱作为样本的原始光谱。在对样本全波段的高光谱数据进行主成分分析(PCA)后,采用SPXY法将样本划分成训练集和测试集,用连续投影算法对高光谱数据进行特征变量的选择,根据交叉验证均方根误差最小的原则提取出23个特征波长。分别基于全波长和特征波长建立线性判别模型SIMCA及非线性判别模型,包括概率神经网络(PNN)和广义回归神经网络(GRNN)。结果线性判别模型SIMCA无法将两种红景天进行正确的分类与鉴别,而PNN和GRNN均能很好地区分两种红景天,分类判别的正确率可达100%。结论与PCA和SIMCA模式识别比较,HIS结合ANN建模有效、快速,可无损鉴别大花红景天和长鞭红景天,在不同品种红景天的分类与鉴别方面有明显的优势。

高光谱成像技术结合化学计量学方法鉴别大花红景天和狭叶红景天

目的采用高光谱成像技术结合化学计量学方法鉴别大花红景天和狭叶红景天。方法利用高光谱成像系统,采集大花红景天和狭叶红景天药材粉末在900~1700 nm的高光谱图像,利用标准正态变换的方法进行光谱图像预处理,基于Kennard-Stone算法将样本划分为训练集和预测集,采用连续投影算法、竞争性自适应加权采样从全波长中选取特征波长,分别建立了基于全波长段和特征波长段的支持向量机和极限学习机的判别模型。以预测集的分类准确率、均方根误差、平方相关系数为主要衡量标准,比较分析各模型的性能,选择最优的判别模型。结果不同判别模型的分类准确率都在85%以上,其中,基于竞争性自适应加权采样特征波长选择方法的极限学习机模型的准确率达到了100%。结论采用高光谱成像技术结合化学计量学方法,能够实现对大花红景天和狭叶红景天的在线快速、无损鉴别,可为红景天药材的品种鉴别、质量控制和品质评价提供参考。