1 武汉理工大学信息工程学院, 宽带无线通信与传感器网络湖北省重点实验室, 湖北 武汉 430070
2 华中农业大学园艺林学学院, 园艺植物生物学教育部重点实验室, 湖北 武汉 430070
嫁接的目的是为了提高植物抗土传病害和非生物逆境的能力。 甜瓜嫁接愈合状态的早检测是当前育苗厂工业化发展的重要需求。 在标准正态变量变换-Savitzky-Golay平滑-二阶导数(SNV-SG-SD)预处理基础上提出了融合嫁接差异信息的竞争性自适应重加权算法-连续投影法(DIS-CARS-SPA)特征提取算法, 并建立了基于网格寻优径向基核函数支持向量机(GS-RBF-SVM)分类模型, 实现了基于高光谱成像的甜瓜嫁接愈合状态早期分类检测。 首先采集以南瓜为砧木, 甜瓜为接穗的嫁接成活苗和非成活苗愈合期1~7 d内的高光谱图像, 分别采用9种光谱预处理方法, 2种特征提取算法和5种优化算法4种核函数支持向量机(SVM)分类模型进行分析。 结果显示, SNV-SG-SD光谱预处理、 DIS-CARS-SPA特征提取和GS-RBF-SVM分类模型效果最好。 利用该模型进一步分析, 在同一天不同类型二分类中, 愈合期1~7 d内任何一天的分类准确率均能达到99%以上; 在不同天嫁接成活苗二分类中可达 90.17%以上; 在不同天嫁接非成活苗二分类中可达97.03%以上; 在不同天不同类型十四分类中可达到96.85%, 比未融合嫁接差异信息的CARS-SPA特征提取方法准确率提高了0.59%, 比只预处理未特征提取方法提高了3.37%。 结果表明, 所提出的方法不仅能实现同一天不同类型二分类, 还能实现不同天同一类型的二分类, 不同天不同类型的多分类。 在实际应用中, 可将分类时间点提前到嫁接后第1天(肉眼观察第3~4天, 机器视觉技术第1~2天), 同时第3天均是嫁接成活苗和非成活苗的差异突变天数, 嫁接成活苗状态可分为弱—中—强三个阶段, 非成活苗状态可分为弱—更弱两个阶段, 该结论能为甜瓜嫁接苗生产提供有效指导, 具有一定的理论和实践价值。
高光谱成像 甜瓜嫁接 光谱预处理 特征提取 分类识别模型 Hyperspectral imaging Melon grafting Data preprocessing Feature extraction Classification and recognition model 光谱学与光谱分析
2022, 42(7): 2218
1 石河子大学机械电气工程学院, 新疆 石河子 832003
4 农业部食品质量监督检验测试中心(石河子), 新疆 石河子 832000
针对哈密瓜表面农药残留化学检测方法成本高且具有破坏性等问题, 探索了可见-近红外(Vis-NIR)光谱技术对农药残留定性判别的可行性。 以哈密瓜为载体, 百菌清和吡虫啉农药为研究对象, 采集哈密瓜表面无残留、 百菌清和吡虫啉残留的可见-近红外漫反射光谱, 利用格拉姆角场(GAF)将一维光谱数据转换为二维彩色图像, 构建GAF图像数据集。 设计一种包含Inception结构的多尺度卷积神经网络模型用于哈密瓜表面农药残留种类判别, 包括1层输入层、 3层卷积层、 1层融合层、 1层平坦层、 2层全连接层和1层输出层。 模型测试混淆矩阵结果表明, 格拉姆角差场(GADF)变换对哈密瓜表面农药残留的可见-近红外光谱表达能力较强。 此外, 构建AlexNet、 VGG-16卷积神经网络(CNN)模型和支持向量机(SVM)、 极限学习机(ELM)机器学习模型与提出的多尺度CNN模型进行性能对比。 结果表明, 3种CNN模型对哈密瓜表面有无农药残留的判别效果较好, 综合判别准确率均高于SVM和ELM模型。 对比3种CNN模型性能, 多尺度CNN模型的性能最佳, 训练耗时为14 s, 综合判别准确率为98.33%。 多尺度CNN模型结构利用多种小尺寸滤波器组合(1×1, 3×3和5×5)和并行卷积模块, 能够捕获不同层次和尺度的特征, 通过级联融合模式进行深度特征融合, 提高了模型的特征提取能力。 与传统深度CNN模型相比, 在保证计算复杂度不变的情况下, 多尺度CNN模型的精度得到了有效提高。 实验结果表明, GADF变换结合多尺度CNN模型可以有效进行光谱数据解析, 利用可见-近红外光谱技术可以实现哈密瓜表面农药残留的定性判别。 研究结果为大型瓜果表面农药残留的快速无损检测技术的研发提供了理论参考。
哈密瓜 格拉姆角场变换 可见-近红外光谱 多尺度卷积神经网络 农药残留判别 Hami melon Gramian angular fields transformation Visible/near infrared spectroscopy Multi-scale convolutional neural network Pesticide residue discriminant 光谱学与光谱分析
2021, 41(12): 3701
1 石河子大学食品学院, 新疆 石河子 832000
2 石河子大学机械电气工程学院, 新疆 石河子 832000
3 中国农业大学工学院, 北京 100083
可溶性固形物含量(SSC)和硬度是哈密瓜划分等级的重要指标, 同时也是其成熟度的表征因子。 因此, 为满足哈密瓜自动化分级和适宜采摘, 采用高光谱技术结合特征波长筛选的方法, 同时对哈密瓜的可溶性固形物含量、 硬度及成熟度进行了无损检测研究。 对多元散射校正(MSC)处理后的光谱分别利用连续投影算法(SPA)、 竞争性自适应重加权算法(CARS)和CARS-SPA方法筛选了哈密瓜可溶性固形物和硬度的特征波长, 并将原始光谱、 MSC预处理后的光谱和所筛选的特征波长作为输入变量分别建立哈密瓜可溶性固形物和硬度的支持向量机(SVM)预测模型及成熟度判别模型。 结果显示, MSC-CARS-SPA方法所建立的可溶性固形物和硬度SVM预测模型最优, 其Rpre, RMSEP和RPD分别为0940 4, 0402 7, 294 1和0825 3, 3522, 1771。 同时对哈密瓜成熟度进行了判别分析, 并分别建立了基于全光谱、 单一的可溶性固形物或硬度特征波长和主成分分析(PCA)特征融合的哈密瓜成熟度SVM判别模型。 结果显示, CARS-PCA-SVM模型的判别结果与全光谱SNV-SVM模型相同, 其校正集和预测集判别正确率分别为95%和94%。 研究表明, 利用高光谱技术结合特征波长筛选方法可实现同时对哈密瓜可溶性固形物和硬度的定量预测及成熟度判别。
高光谱 哈密瓜 可溶性固形物 硬度 成熟度 特征波长 判别分析 Hyperspectral imaging technology Hami melon Soluble solids content Firmness Maturity Characteristic wavelengths Discriminant analysis 光谱学与光谱分析
2017, 37(7): 2184
1 南海资源开发与保护协同创新中心, 广东 广州 510275
2 中山大学生命科学大学院, 广东 广州 510275
3 中山大学海洋学院, 广东 珠海 519082
中华白海豚是我国一级保护动物, 处于海洋食物链顶端, 而重金属、 持久性有机污染物等污染物易在其体内富集。 额隆是鲸豚回声定位的重要部位, 具有传导信号的作用。 为探究中华白海豚额隆中微量元素的基线水平以及其组成的主要特征成分, 研究采用微波消解电感耦合等离子体质谱(ICP-MS)法测定了中华白海豚额隆中V, Ni, Cr, Mn, Cu, As, Zn, Hg, Se, Cd和Pb 11种微量元素并对其含量进行特征分析。 结果表明该方法具有良好的准确度和精密度, 适合于中华白海豚额隆微量元素的测定分析。 样品分析显示, 额隆中11种微量元素整体含量水平不高, 由于个体生理状况不同, 同种元素含量在不同个体中存在差异; 其平均含量从高到低排序依次为: Zn＞As＞Cu＞Mn＞Se＞Hg＞Cr＞Ni＞Pb＞V＞Cd, 其中As作为非必需有毒微量元素, 含量水平较高(1.158 μg·g-1 ww), 可能会对海豚产生生理毒害作用。 Spearman相关性分析显示, As(r=0.733), Cd(r=0.615)和Hg(r=0.645)含量与海豚体长呈显著正相关性(p<0.05), 表明As, Cd和Hg三种元素可随海豚年龄增加而在额隆中富集; Cs与Ni呈正相关(p<0.05), Mn与As呈负相关(p<0.01), 表明元素间也存在着一定的关联性。 此外, 主成分分析结果表明, V, Mn, Ni, Se, Cu和Hg为中华白海豚额隆主要特征微量元素。 研究在国内首次使用微波消解ICP-MS法对中华白海豚额隆中微量元素进行研究, 结合相关性分析和主成分分析, 有效探究了中华白海豚额隆中微量元素的生物富集模式与含量特征, 实验结果为研究中华白海豚额隆中微量元素基线水平提供了参考。
中华白海豚 额隆 电感耦合等离子质谱 微量元素 微波消解 Indo-Pacific humpback dolphins Melon Trace elements Inductively coupled plasma mass spectrometry Microwave digestion 光谱学与光谱分析
2016, 36(10): 3326
Author Affiliations
Abstract
1 College of Food Science and Nutritional Engineering China Agricultural University, Beijing 100083, P. R. China
2 National Engineering Research Center for Vegetables (NERCV) Beijing 100097, P. R. China
Nondestructive evaluation of melon quality is in great need of comprehensive study. Soluble solids content (SSC) and firmness are the two indicators of melon internal quality that mostly affect consumer acceptance. To provide guidance for fruit classification, internal quality standards was preliminarily established through sensory test, as: Melon with SSC over 12° Brix, firmness 4–5.5 kgf · cm-2 were considered as satisfactory class sample; and SSC over 10° Brix, firmness 3.5–6.5 kgf · cm-2 as average class sample. The near infrared (NIR) nondestructive detection program was set as spectra collected from the stylar-end, Brix expressed by the average SSC of inner and outer mesocarp, each cultivar of melon was detected with its own optimum integration time, and the second derivative algorithm was used to equalize them. Using wavelength selected by genetic algorithms (GA), a robust SSC model of mix-cultivar melon was established, the root mean standard error of cross-validation (RMSECV) was 0.99 and the ratio performance deviation (RPD) nearly reached 3.0, which almost could meet the accuracy requirement of 1.5° Brix. Firmness model of mix-cultivar melon was acceptable but inferior.
Melon nondestructive detection near-infrared fruit quality soluble solids content firmness Journal of Innovative Optical Health Sciences
2015, 8(6): 1550032
云南师范大学物理与电子信息学院,昆明 650500
傅里叶变换红外光谱(FTIR)结合离散小波变换(DWT)对不同种类的瓜籽进行鉴别研究。测试了6种瓜籽30个样品的红外光谱,结果表明:不同种类瓜籽的红外图谱相似,但在1700～900 cm-1范围,光谱的峰位、吸收强度及峰形状存在一定差异。选取该区域光谱进行离散小波变换,发现第二尺度细节系数差异明显。基于第二尺度细节系数对样品进行相关分析、主成分分析和聚类分析,其相关性最大的为丝瓜籽和南瓜籽,相关系数达到0.9279,最小是丝瓜籽和冬瓜籽为0.2147;主成分分析中,前2个主成分的累计贡献率达到95.50%,能准确代表6种瓜籽的光谱信息,且主成分分析和聚类分析正确率达100%。研究结果表明FTIR结合离散小波变换分析方法可以用来鉴别研究不同种类的瓜籽。
傅里叶变换红外光谱 瓜籽 离散小波变换 相关分析 聚类分析 主成分分析 FTIR melon seeds discrete wavelet transform correlation analysis hierarchical cluster analysis principal component analysis
1 石河子大学机械电气工程学院
2 石河子大学新疆兵团农业机械重点实验室，新疆 石河子 832003
提出利用高光谱对哈密瓜坚实度进行检测的方法，对比分析了不同波段范围、不同预处理法、不同光程校正法和不同定量校正算法对哈密瓜坚实度预测模型准确度的影响.实验结果表明，在500~820 nm波段光谱区域，采用偏最小二乘法对经过标准正则变换校正的一阶微分处理的光谱建模效果较优，其校正集相关系数为0.873，校正均方根误差为4.18N，预测集相关系数为0.646，预测均方根误差为6.40N.研究表明，应用高光谱对哈密瓜坚实度的无损检测研究具有可行性.
光谱学 高光谱成像技术 无损检测 偏最小二乘法 坚实度 哈密瓜 Spectroscopy Hyperspectral imaging technique Nondestructive detection Partial least square Firmness Hami melon
1 石河子大学机械电气工程学院, 新疆 石河子832003
2 新疆兵团农业机械重点实验室, 新疆 石河子832003
利用高光谱成像系统获得网纹类哈密瓜糖度漫反射光谱信息, 选择有效波段500～820 nm进行哈密瓜糖度检测建模回归分析。 对比了多元散射信号修正和标准正则变换校正方法, 原始光谱、 一阶微分、 二阶微分光谱预处理方法对建模精度的影响; 采用偏最小二乘法、 逐步多元线性回归和主成分回归方法对比分析了带皮哈密瓜和去皮哈密瓜糖度检测模型效果。 结果表明, 对原始光谱经过MSC和一阶微分光谱处理后, 采用PLS和SMLR方法均可取得很好的建模效果, 应用PLS法检测带皮哈密瓜糖度是可行的, 其校正集相关系数（Rc）为0.861, RMSEC为0.627, 预测集相关系数（Rp）为0.706, RMSEP为0.873; 应用SMLR法检测去皮哈密瓜糖度效果最佳, 校正集相关系数(Rc)为0.928, RMSEC为0.458, 预测集相关系数(Rp)为0.818, RMSEP为0.727。 研究表明, 应用高光谱成像技术检测哈密瓜糖度具有可行性。
高光谱成像 漫反射 哈密瓜 糖度 无损检测 Hyperspectral imaging Diffuse reflection Sugar content Hami melon Nondestructive detecting 光谱学与光谱分析
2012, 32(11): 3093
内蒙古农业大学机电工程学院, 内蒙古 呼和浩特010018
针对蜜瓜可溶性固形物含量透射光谱检测中, 异常建模样品对模型精度的影响及多种可能来源, 提出异常样品的综合评判方法。 为防止漏判, 分别针对不同来源, 采用基于预测浓度残差、 Chauvenet检验法及杠杆值与学生残差T检验准则对85个建模样品(偏最小二乘法建模)进行初步判别, 共判别出9个疑似异常样品。 为防止误判, 对疑似样品逐一回收, 考察其对建模与预测精度的影响。 先后回收5个样品后, 所建校正模型相关系数r为0.889, 均方根校正偏差RMSEC为0.601°Brix, 对35个未知样品的均方根预测偏差RMSEP为0.854°Brix, 比未剔除异常样品前所建模型（r=0.797, RMSEC=0.849°Brix, RMSEP=1.19°Brix）精度明显提高, 比剔除全部疑似异常样品所建模型（r=0.892, RMSEC=0.605°Brix, RMSEP=0.862°Brix）更稳定, 预测精度更高。
蜜瓜 异常样品 判别方法 近红外光谱 校正模型 Melon Outlier sample Discriminating methods NIR spectroscopy Calibration model 光谱学与光谱分析
2012, 32(11): 2987
