1 河北农业大学食品科技学院， 河北 保定 071000
2 河北农业大学园艺学院， 河北 保定 071000
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。
高光谱成像技术 鸭梨黑斑病 Stacking集成模型 潜育期 基模型 Hyperspectral imaging technology Black spot of pear Stacking integrated model Gley period The base model 光谱学与光谱分析
2023, 43(5): 1541
东北林业大学机电工程学院, 黑龙江 哈尔滨 150000
梨在储藏、 包装和运输等过程中均可能发生不同程度的机械损伤, 若不及时剔除损伤梨, 损伤可能会逐渐严重而演变成腐烂, 造成严重的经济损失。 为建立一种梨早期损伤检测及损伤时间评估的快速、 无损检测方法, 采用高光谱图像结合迁移学习模型对损伤早期水晶梨进行识别。 以无损伤、 挤压损伤24 h和挤压损伤48 h的水晶梨为研究对象, 应用高光谱成像系统采集样品的高光谱图像, 共获取无损伤、 挤压损伤24 h和挤压损伤48 h的水晶梨高光谱图像各80帧。 对高光谱图像进行主成分分析, 选择主成分图像4, 5, 6(PC4, PC5, PC6)作为检测水晶梨损伤的特征图像, 将3个主成分图像拼接后进行数据扩充共得到无损伤、 挤压损伤24 h和挤压损伤48 h的特征图像各160帧。 按照9∶1比例划分样本训练集和测试集后, 分别建立了支持向量机(SVM)、 k-近邻(k-NN)和基于ResNet50网络的迁移学习损伤识别模型。 SVM、 k-NN和基于ResNet50网络的迁移学习模型对测试集样本总体识别准确率分别为83.33%, 85.42%和93.75%, 基于ResNet50网络的迁移学习模型识别效果最佳, 其对测试集中无损伤、 挤压损伤24 h和挤压损伤48 h的样本正确识别率分别达到100%, 83%和95%。 该研究结果表明, 高光谱图像技术结合基于ResNet50网络的迁移学习模型可实现水晶梨早期损伤检测, 并对损伤时间有较好的预测效果, 且损伤时间越长, 识别准确率越高。
高光谱图像 迁移学习 水晶梨 损伤检测 Hyperspectral imaging Transfer leaning Crystal pear Bruise detection 光谱学与光谱分析
2022, 42(11): 3626
1 华东交通大学机电与车辆工程学院, 江西 南昌 330013
2 南昌海关技术中心, 江西 南昌 330038
黑心病是鸭梨贮藏期间发生的生理病害, 其病变初期表现在内部果核处出现褐色斑块, 而在果实外观上与正常果几乎没有任何差异, 严重影响鸭梨的贮藏时间和品质, 亟需一种快速无损的检测方法为鸭梨质量保驾护航。 采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别, 结合平滑(Smoothing)、 标准正态变量变换(SNV)、 多元散射校正(MSC)、 SG一阶导数(SG 1st-Der)以及小波变换(WT)预处理方法和主成分分析(PCA)、 k近邻(kNN)、 朴素贝叶斯(NBC)、 支持向量机(SVM)以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究。 Adaboost集成了kNN、 NBC和SVM三个独立学习器。 将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价, 采用训练集的查准率/查全率的调和平均值(F-measure)和正确识别率(Accuracy)对分类模型进行优化和评价。 研究结果表明: 不同属性(正常和黑心)鸭梨样品光谱的前三主成分分布图相互交错, 很难直观地对黑心鸭梨进行区分。 样品光谱经小波变换(小波基为“Haar”)预处理的kNN模型训练集的F-measure和Accuracy分别为78.98%和82.62%; 经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90%和82.11%; 经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24%和91.58%; 经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46%和92.63%。 通过测试集对模型进行验证可知: 光谱经小波变换预处理后建立的Adaboost分类模型最优, 分类的F-measure达到90.91%, 较WT-kNN, SG 1st-Der-NBC和WT-SVM模型分别提高了11.39%, 15.23%和2.30%; Accuracy达到92.63 %, 分别提高了10.52%, 11.58%和2.10%; 模型对测试集样品预测时的计算时间约为0.12s, 满足在线分选要求。 可见-近红外光谱结合AdaBoost分类方法, 可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法。
鸭梨 黑心病 可见-近红外光谱 集成学习 在线检测 “Yali” pear Black heart disease Vis-near infrared spectroscopy Integrated learning Online detection 光谱学与光谱分析
2021, 41(9): 2764
The prickly pear fruit helps in combating viral based infections. It is used to treat diabetes and declared to possess hypoglycemic effects. There is also record of the usage of the fruit in the olden days as a remedy for diabetes, lipid disorders, inflammation, ulcers, and pharmacologic side effects. The chemical composition and nutritional values of skin, flesh and seed of prickly pear fruit were investigated and discussed on a dry weight situation. The infrared spectra as well as scanning electron microscopy (SEM) techniques were used to identify the functional groups of carbohydrates, amino acids, and protein. The infrared spectral data of all three (skin, flesh, and seeds) species were recorded and assigned to the presence of distinguish peaks that referred to the three different sugars (glucose, fructose and saccharose) and cyclic aliphatic hydrocarbons moieties. On the other hand, the SEM is a powerful tool to investigate the morphological features of the components. SEM assays were examined on the surfaces of skin, flesh and seed branches showing a small particle that tends to form clusters with different shapes compared to each other. The Energy-dispersive X-ray spectroscopy (EDX) is an analytical technique used for the elemental analysis or chemical characterization of a sample. The EDX spectral technique of the skin, flesh and seeds were confirmed the presence of different essential and useful elements such as carbon, oxygen, magnesium, calcium, potassium, sulfur, aluminum, silicon, chloride, and phosphorus.
Infrared spectroscopy SEM EDX Prickly pear fruit Skin Flesh Seed
中国计量学院计量测试工程学院, 浙江 杭州 310018
水果采收期的成熟度决定了其最终食用品质, 选择果实最佳的采收期是提高水果品质的关键措施之一。 可见-近红外光谱技术以其快速、 无损的检测特点, 适合用于水果的成熟度、 采收期检测。 由于采收期果实品质差异大, 传统化学计量学方法需进行复杂的光谱预处理, 模型难以满足不同的季节、 果园等需求。 提出了一种基于全卷积神经网络（CNNs）的黄花梨采收期可见-近红外光谱（Vis-NIR）检测方法, 利用卷积神经网络进行光谱特征信息提取, 采用误差反向传播算法结合随机梯度下降法进行层与层之间的连接权重调节, 输出多采收期的Logistic回归结果, 实现了黄花梨采收期的端到端检测。 设计了包含1个输入层、 2个卷积层、 1个池化层和1个Softmax输出层等5层的一维全卷积神经网络, 采用交叉熵为损失函数, 增加L2正则项以防止模型的过拟合, 无光谱预处理, 对比分析了此方法与PLSDA方法的建模结果。 试验采集了两个年度黄花梨样品共450个, 其中, 第一年度的300个组成训练集, 90个样本组成测试集1, 第二年度的60个样本组成测试集2。 实验结果表明, 当测试集样品与训练集来自相同年份时, PLSDA和CNNs模型对测试样品集采收期正确识别率均为100%, 当测试集样品来自不同年份时, 测试集样品采收期的正确识别率分别降为41.67%和88.33%, 相关系数、 互信息计算模型的回归系数表明, CNNs模型充分利用了样品全波段信息。 可见, CNNs方法通过迭代对卷积核进行优化, 实现了更灵活的光谱预处理, 可降低模型训练难度, 所建模型有较好的可解释性和泛化能力, 该方法对建立稳健的水果采收期可见-近红外光谱检测模型有一定的参考价值, 有利于实现水果精细化的分期、 分批采收。
黄花梨 可见-近红外光谱 卷积神经网络 采收期检测 Huanghua pear Visible-near infrared spectroscopy Convolutional neural networks Determination of harvest time 光谱学与光谱分析
2020, 40(9): 2932
1 中国食品发酵工业研究院有限公司, 北京 100015
2 河北衡水老白干酒业股份有限公司, 河北 衡水 053000
3 北京顺鑫农业股份有限公司牛栏山酒厂, 北京 101300
采用近红外(NIR)漫反射光谱法对新疆特色梨果库尔勒香梨的五种不同果（包括青头、 粗皮、 脱萼、 宿萼、 突顶果）的硬度进行测定。 由于近红外光谱数据量大且原始光谱噪声明显、 测定水果时散射严重等导致光谱建模时关键波长变量提取困难。 以新疆库尔勒香梨为研究对象, 为了有效地消除固体表面散射以及光程变化对NIR漫反射光谱的影响, 首先采用标准正态变量变换（SNV）和多元散射校正（MSC）对库尔勒香梨的原始光谱进行预处理。 为寻找适合近红外光谱检测库尔勒香梨硬度的最佳特征波长筛选方法, 进行香梨近红外光谱的特征波长变量选择方法的比较与研究。 研究比较了两种特征波长筛选方法对库尔勒香梨硬度偏最小二乘法（PLS）建模精度的影响。 同时使用反向偏最小二乘（BiPLS）和遗传算法结合反向偏最小二乘（BiPLS-GA）在全光谱范围内筛选香梨硬度的特征波长变量, 将校正均方根误差（RESMC）、 预测均方根误差（RESMP）以及决定系数（R2）作为模型的评价标准, 并最终确定最优波段选择方法及最佳预测模型。 基于选择的特征波长变量建立的PLS模型（BiPLS-GA）与全光谱变量建立的PLS模型进行比较发现BiPLS-GA模型仅仅使用原始变量中66%的信息就获得了比全变量PLS模型更好的库尔勒香梨硬度的预测结果, 其中R2, RMSEC和RMSEP分别为091, 103和101。 进一步与基于反向偏最小二乘算法（BiPLS）获得的特征变量建立的PLS模型比较发现, BiPLS-GA不仅可以去除原始光谱数据中的无信息变量, 同时也能够对共线性的变量进行压缩去除, 使得建模变量从301个减少到20个。 极大地简化模型的同时有效地提高了模型的预测精准度和稳定性。 因此该方法能够有效地用于近红外光谱数据变量的选择。 证明了近红外光谱分析技术结合BiPLS-GA模型能够高效地选择出建模变量, 去除与库尔勒香梨硬度无关的近红外光谱信息, 显著地提高库尔勒香梨硬度定量模型的预测精度。 这不仅为新疆地区特色梨果库尔勒香梨的快速、 精确、 无损优选分级提供一定的技术支持, 同时也为基于近红外光谱分析技术预测水果内部品质的研究提供了参考。
近红外光谱技术 库尔勒香梨 反向间隔偏最小二乘 遗传算法 硬度 Near-infrared spectroscopy Korla fragrant pear Backward interval partial least square Genetic algorithm Hardness 光谱学与光谱分析
2019, 39(9): 2818
1 火箭军工程大学 测控工程系, 陕西 西安 710025
2 西安航天动力测控技术研究所, 陕西 西安 710025
以某型战斗机为研究对象, 通过三维建模与网格划分过程建立飞机的流场计算模型, 基于商用CFD软件ANSYS Fluent 16.0 对飞机的外流场特性进行数值模拟。计算中利用太阳射线追踪算法综合考虑了太阳辐射对机身温度场的影响, 采用离散坐标法(DO辐射模型)对辐射传输方程进行耦合迭代计算, 利用不带化学反应的组分输运模型(Species Transport Model)模拟燃烧后高温尾焰喷射过程, 获得了飞机外流场的温度、浓度及尾流组分分布数据。简要分析了太阳辐射对温度场变化的影响, 飞行马赫数对流场红外辐射的影响以及尾焰流场分布情况。分析表明: 太阳辐射对蒙皮加热较小, 最高升温效果仅为5 K左右, 随马赫数的增加飞行器机身背部与腹部红外辐射强度差异明显, 最高时腹部辐射强度为机身最大辐射强度2倍左右, 激波作用下尾焰后方会出现最高450 K和580 K两个间断的核心高温区域, 尾焰红外辐射强度分布符合梨形特征分布趋势。
红外辐射 流场数值模拟 离散坐标法 组分输运 梨形分布 infrared radiation numerical simulation of flow field discrete ordinate method species transport pear shape distribution 红外与激光工程
2018, 47(7): 0704001
1 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
2 浙江大学农业与生物技术学院，浙江 杭州 310058
利用高光谱成像技术对库尔勒梨早期损伤进行快速识别检测。 以60个库尔勒梨为研究对象, 采集380～1 030 nm波段范围内完好样本和损伤后1～7天样本的480幅高光谱图像。 提取图像中感兴趣区域（ROI）的平均光谱信息, 利用小波变换（WT）对光谱数据进行去噪平滑, 将去噪后的全部样本按2∶1的比例分成建模集（320个）和预测集（160个）。 利用二阶导数从全谱信息中提取出19个特征波长, 分别基于全谱和提取出的特征波长对建模集和预测集进行支持向量机（SVM）建模分析。 结果表明, 基于全谱和特征波长的判别分析模型中, 两者预测集的识别率都达到93.75%, 表明提取的特征波长包含了光谱数据中的关键信息。 然后, 基于特征波长运用波段比运算挑选最佳波段比, 根据波段比F值的分布确定光谱图像分割的最佳波长684和798 nm。 对最佳波段比（684/798 nm）下的图像, 利用选择性搜索（SS）对高光谱图像中样本的完好和损伤区域进行分割, 从分割结果来看, 1～7天损伤样本的受损区域能够被准确检测出来。 研究结果表明: 基于高光谱成像技术对库尔勒梨进行损伤鉴别是可行的, 该研究所获得的特征波长和波段比为研发在线实时的库尔勒梨损伤检测系统提供支撑。
高光谱成像 损伤检测 支持向量机 波段比运算 库尔勒梨 Hyperspectral imaging Bruised detection SVM Band ratio math Korla pear
华东交通大学光机电技术及应用研究所, 江西 南昌 330013
鸭梨黑心病是鸭梨的主要生理病害, 直接影响鸭梨的出口创汇; 准确快速鉴别鸭梨黑心病对于梨的出口业具有重要现实意义。 探讨可见/近红外漫透射光谱在线检测鸭梨黑心病的可行性, 选取80个正常鸭梨和70个黑心鸭梨作为建模集, 建模集被分为校正集和预测集以求获得最优模型。 未参与建模的30个正常梨和20个黑心梨作为预测集, 用于评价模型的预测能力。 鸭梨的可见/近红外漫透射光谱, 在5个/秒的速度下采集。 建模集能量谱经标准正交变换(SNV)和多元散射校正(MSC)处理后, 分别建立健康梨和黑心梨的偏最小二乘判别模型(DPLS)、 峰面积判别模型(DPA)、 主成分判别模型(DPCA)。 用建模集模型判别预测集鸭梨, 经比较, DPLS模型的判别准确率最高, 黑心梨正确识别率达到100%。 实验结果表明: 可见/近红外漫透射光谱结合DPLS判别方法, 可以实现黑心鸭梨的在线检测。 相比传统的人工破损方法, 在线检测可为梨出口贸易提供技术支撑和科学参考依据。
可见/近红外光谱 漫透射 鸭梨 黑心病 在线 Visible/near-infrared diffuse transmission spectru Pear Blackheart disease On-line detctor 光谱学与光谱分析
2017, 37(12): 3714
中国农业大学食品科学与营养工程学院, 北京 100083
为了提升便携式近红外仪器中单一水果模型应用的广泛性, 创新性的将不同仪器间模型传递的思想应用在不同种类水果间可溶性固形物（soluble solid content, SSC）的模型传递。 基于苹果、 梨、 桃三种水果在SSC含量范围、 果型大小以及果皮厚度等的相近物理化学特性, 提出利用简单的斜率/截距（Slope/Bias）算法对苹果SSC的偏最小二乘(partial least square, PLS)模型进行传递, 仅用少量的梨和桃样品即可将苹果SSC模型应用于其SSC值的预测, 更快捷方便且节约成本。 对于梨样品, 用35个标准样品, 预测集均方根误差（root mean square error of prediction, RMSEP）值由直接预测的1.009 °Brix降为0.565 °Brix; 对于桃样品, 用40个标准样品, RMSEP由直接预测的1.726 °Brix降为0.677 °Brix。 为了验证该模型传递方法的可行性, 通过斜率/截距算法, 采用梨和桃模型对其他两种水果的SSC进行预测, 其中利用建立的梨SSC模型, 经斜率/截距算法模型传递后, 对于苹果样品, 用30个标准样品, RMSEP值达到0.597 °Brix, 对于桃样品, 用40个标准样品, RMSEP值达到0.689 °Brix; 利用建立的桃SSC模型, 经斜率/截距算法模型传递后, 对于苹果样品, 用35个标准样品, RMSEP值达到0.654 °Brix, 对于梨样品, 用30个标准样品, RMSEP值达到0.439 °Brix。 研究结果表明: 斜率/截距（Slope/Bias）方法可用于苹果、 梨、 桃等相近种类水果间的模型传递, 为近红外光谱仪在相似种类物质间的预测提供了新思路。
近红外光谱 模型传递 Slope/Bias算法 苹果 梨 桃 NIR spectroscopy Model transfer Slope/Bias algorithm Apple Pear Peach
