为了实现兰州百合关键营养物质蛋白质和多糖的快速无损检测, 在12 000~4 000 cm-1光谱范围内采集了59份兰州百合粉的近红外光谱(NIRS)。 首先运用SG、 Normalize、 SNV、 MSC、 Detrend、 OSC、 SG+1D、 SG+Normalize、 SG+SNV和SG+Detrend十种预处理方法对原始光谱数据进行处理, 确定蛋白质的最佳预处理方法为SG+Detrend、 多糖的最佳预处理方法为Detrend; 然后运用CARS、 SPA和PCA三种算法对预处理的光谱数据进行特征波长筛选, 确定蛋白质和多糖的最佳特征波长提取方法均为SPA算法; 最后采用PLSR法建立了兰州百合关键营养物质蛋白质和多糖含量的预测模型, 结果显示, 经过SG+Detrend_SPA处理所建立的蛋白质PLSR模型中, 预测集相关系数Rp为0.810 6, 预测集均方根误差RMSEP为1.195 3; 经过Detrend_SPA处理所建立的多糖PLSR模型中, 预测集相关系数Rp为0.810 9, 预测集均方根误差RMSEP为2.0946。 考虑到经典PLSR无损预测模型精度的限制, 在该研究中提出SOM-RBF神经网络无损预测模型。 首先利用SOM网络对数据样本进行聚类, 然后将得到的聚类类别数和聚类中心作为RBF网络的隐层节点个数和隐层节点数据中心, 以此来优化RBF的结构参数。 在建立的蛋白质SOM-RBF神经网络模型中, 预测集相关系数Rp为0.866 6, 预测集均方根误差RMSEP为1.038 5; 建立的多糖SOM-RBF神经网络模型中, 预测集相关系数Rp为0.868 1, 预测集均方根误差RMSEP为1.799 4。 比较PLSR和SOM-RBF两种模型对两种物质的预测结果, 确定了SOM-RBF神经网络模型为最优建模方法, 最终确定在蛋白质检测中, 最优模型为基于SG+Detrend_SPA_SOM-RBF建立的模型, 模型的预测集相关系数较PLSR高5.6%, 预测集均方根误差较PLSR低0.156 8; 在多糖检测中, 确定的最优模型为基于Detrend_SPA_SOM-RBF建立的模型, 模型的预测集相关系数较PLSR高5.72%, 预测集均方根误差较PLSR低0.295 2。 研究结果表明, 运用NIR和SOM-RBF技术可以实现对兰州百合关键营养物质蛋白质和多糖的快速无损检测, 为今后快速无损检测兰州百合营养物质提供理论依据。
兰州百合 蛋白质 多糖 近红外光谱 无损检测 SOM-RBF神经网络 Lanzhou lily Protein Polysaccharide Near infrared spectroscopy Nondestructive testing SOM-RBF neural network 光谱学与光谱分析
2022, 42(7): 2025
土壤有机质是土壤肥力的重要指标, 也是全球土壤碳的重要存在形式, 快速估算土壤有机质含量及其变化是保障粮食安全与评估气候变化的前提与基础。 传统的土壤有机质测定方法存在周期长、 成本高、 有污染物排放等不足。 近年来的大量研究表明, 土壤反射光谱技术可以成功实现土壤有机质估算, 具有时间短、 成本低、 无污染、 无破坏等特点。 但反射光谱技术仅能估算点状土壤样品有机质含量, 要实现土壤有机质的空间制图还必须借助空间插值技术。 成像光谱技术(也称为高光谱成像技术)为每个像元采集一条光谱曲线, 实现了图谱合一, 为土壤有机质空间制图提供了技术基础。 目前利用成像光谱开展土壤有机质制图的研究尚处于起步阶段, 利用室内可见-短近红外波段的成像光谱数据建立土壤有机质光谱指数可以探讨土壤有机质成像光谱估算的机理, 从而为土壤有机质遥感制图奠定理论基础。 建立600 nm“弓曲差”光谱指数并分析其与土壤有机质的相关关系, 通过1 000次随机划分数据集、 建立“弓曲差”非线性回归与偏最小二乘回归模型并对比结果精度, 探讨成像光谱数据估算土壤有机质的可行性。 结果表明, 研究区土壤有机质含量偏低, 变化范围较大, “弓曲差”与有机质含量呈显著的对数关系; 对数函数可以较好实现土壤有机质的建模与预测, 拟合结果稳定性较好, 精度优于偏最小二乘回归。 原因可能是由于偏最小二乘回归所使用的全部光谱数据中包含了部分与有机质无关的信息, 影响了偏最小二乘回归结果精度。 所以, 使用三个波段光谱信息建立的光谱指数“弓曲差”可以用于成像光谱数据的有机质制图, 从而为未来开展土壤有机质卫星遥感制图提供新的思路与方法。
成像光谱 土壤有机质 偏最小二乘回归 弓曲差 Imaging spectroscopy Soil organic matter (SOM) Partial least squares regression (PLSR) Deviation of arch (DOA) 光谱学与光谱分析
2020, 40(10): 3277
1 山东师范大学地理与环境学院， 山东 济南 250358
2 华东师范大学河口海岸学国家重点实验室， 上海 200062
土壤有机质（SOM）含量是衡量土壤质量高低的重要指标， 可以用高光谱快速测定。 在以往研究中， 估算模型多以特征波段与线性经验模型为基础进行构建， 较少考虑波段间信息冗余和共线性， 预测效果不很理想并难以进行推广。 为最大化消除波段信息噪声， 提高模型预测精度， 选取莱州湾南岸滨海平原为研究区， 系统采集了111个土壤样本和实测高光谱数据（325～1 075 nm）， 并测试了土壤样本的有机质含量作为因变量； 通过主成分分析(PCA)将实测光谱信息降维为6个主成分， 并提取水分、 植被光谱特征指数（DI）， 以此作为自变量； 最后建立多元逐步线性回归（MLR）和BP神经网络(BPN)预测模型， 分析不同模型对土壤有机质预测的效果。 结果表明： ①经过主成分的波段信息分析判别提取出6个主成分， 可以表征叶绿素残留物、 盐分、 腐殖酸、 物化矿渣和微地貌的光谱特征。 ②基于6个主成分作为自变量所建立的BPN模型预测精度优于MLR模型， 他们的R2分别为0.704和0.643。 将水分和植被光谱特征指数作为自变量增加到预测模型后， MLR和BPN的预测精度分别提高了6.1%和5.2%， R2达到0.712和0.764； ③将光谱主成分和光谱特征指数作为自变量的BPN模型进行土壤有机质预测可得到精度较高的预测结果， 在土壤有机质的预测与制图中具有一定的应用潜力。
有机质 高光谱 滨海平原 PCA-MLR PCA-MLR PCA-BPN PCA-BPN Soil organic matter(SOM) Hyperspectral data Coastal plain 光谱学与光谱分析
2018, 38(8): 2556
1 河北工业大学， 天津 300400
2 北京师范大学， 北京 100875
除了星系的光谱红移之外， 星系测光红移的估计也对研究宇宙大尺度结构及演变有着重要的研究意义。 利用斯隆巡天项目最新发布的SDSS DR13的150 000个星系的测光及光谱数据， 在红移值Z<0.8范围内， 先使用SOM自组织神经网络对星系样本进行早型星系和晚型星系的聚类， 然后用遗传算法优化后的BP神经网络对星系的测光红移进行估算。 估算结果与作为标准的已知星系光谱红移进行比对， 早型星系的红移估计最小均方误差约为0.001 3， 晚型星系最小均方误差约为0.001 7。 实验结果表明， 遗传优化的BP算法在精度上优于BP神经网络算法， 且效率上优于K近邻、 核回归等传统测光红移估计算法。
测光红移 遗传优化 SOM自组织网络 GABP神经网络 Photometric redshift Genetic algorithm optimization SOM self-organizing network clustering GABP neural network 光谱学与光谱分析
2018, 38(8): 2374
1 中国科学院红外探测与成像技术重点实验室, 上海 200083
2 中国科学院上海技术物理研究所, 上海 200083
3 中国科学院大学, 北京 100049
为了对空间天文望远镜精细导星仪获得的星图完成识别, 提出一种层叠式自组织映射(SOM)神经网络算法模型, 将该模型在硬件中实现星特征矢量匹配算法。首先, 针对精细导星仪的特点详细介绍了导航星库的建立、星特征矢量的构建和筛选方法; 其次, 建立层叠式 SOM神经网络模型, 对其权值进行在线训练; 最后, 设计算法离线运行硬件电路并将其在 FPGA中实现。仿真与测试结果表明, 基于层叠式自组织神经网络的星图识别算法识别率高、抗噪声能力强、识别速度快。星点位置噪声为 0.648., 星等噪声为 0.18视星等条件下星图识别成功率在 80%以上, 新算法在 FPGA中运行速度是 PC机上传统三角形法的 100倍。对精细导星仪星图识别算法的优化设计提供了合理可行的参考依据。
精细导星仪 星图识别 星特征矢量 SOM神经网络 FPGA验证 fine guidance sensor star pattern recognition star feature vector SOM neural network FPGA verification
1 华中师范大学地理过程分析与模拟湖北省重点实验室, 湖北 武汉 430079
2 华中师范大学城市与环境科学学院, 湖北 武汉 430079
3 School of Environmental and Sustainability Sciences, Kean University, New Jersey 07083, USA
土壤高光谱技术具有方便快捷、 无破坏、 成本低等优点, 已被广泛应用于估算土壤有机质含量(SOMC)。 然而, 野外测量的土壤高光谱数据因受外部环境因素(土壤湿度、 温度、 表面粗糙度等)干扰, 导致SOMC估算模型适用性有待提升。 土壤含水率(SMC)是影响野外测量高光谱的最主要的障碍因素之一, 它的变化严重影响可见-近红外(Vis-NIR)光谱反射率的观测结果。 因此, 消除SMC对高光谱数据的干扰是提高土壤高光谱估算SOMC模型预测精度的关键环节。 以江汉平原潜江市潮土样本为研究对象, 在室内人工加湿土样, 分别获取6个SMC水平的土壤高光谱数据, 采用标准正态变换(SNV)对光谱数据进行预处理, 基于外部参数正交化法(EPO)去除土壤水分对高光谱的影响, 利用偏最小二乘方法(PLSR)建立并对比EPO处理前、 后不同SMC水平SOMC反演模型。 结果表明, 土壤水分对Vis-NIR光谱反射率有显著的影响, 掩盖了SOMC的光谱吸收特征； EPO处理前不同SMC水平的光谱曲线之间的差异较为明显, 而EPO处理后的各SMC水平的光谱曲线形态基本相似； 采用EPO处理后的土壤高光谱数据建立SOMC估算模型, 预测集的R2p, RPD分别为084和250, 其精度与EPO处理前所建模型相比有较大提升, 表明EPO算法可以有效去除土壤水分的影响, 从而提升SOMC的估算精度。 对定向去除外部环境参数对土壤高光谱影响进行了实证, 为完善野外原位获取SOMC信息技术提供理论基础。
土壤有机质 高光谱 土壤含水率 外部参数正交化法 江汉平原 Soil oragnic matter (SOM) Hyperspectral Soil moisture content (SMC) External parameter orthogonalization (EPO) Partial least squares regression (PLSR) Jianghan Plain 光谱学与光谱分析
2017, 37(7): 2146
1 浙江大学环境与资源学院, 浙江 杭州 310058
2 中国科学院南京土壤研究所, 土壤与农业可持续发展国家重点实验室, 江苏 南京 210008
土壤有机质是农田肥力评估的重要指标, 要实现快速获取大面积土壤有机质的含量需要建立高效、 稳健的预测模型。 光谱技术能够快速诊断土壤有机质, 以水稻土为例, 从校正样本选择方法的对比, 研究了可见-近红外、 中红外和可见-近红外-中红外三种不同波段光谱对土壤有机质的预测能力。 可见-近红外和中红外区域的光谱反射率转换成吸收率后通过Savitzky-Golay平滑法去噪, 通过三种校正样本选择方法建立相应的偏最小二乘回归预测模型。 通过Rank-KS法建立的三种波段的有机质预测模型均优于Rank法和KS法, 中红外波段光谱的模型预测能力强于可见-近红外和可见-近红外-中红外波段的预测模型, 基于Rank-KS法建立的中红外波段有机质预测模型取得了最好的预测效果, RMSEP仅为3.25 g·kg-1, RPD达到4.24, 依据VIP得分筛选出可见-近红外和中红外波段的水稻土有机质重要建模波段。 因此, 中红外光谱建模技术能够对水稻土有机质进行快速定量分析, Rank-KS法可提高模型的预测能力, 为今后农田肥力评价和科学施肥提供技术支持。
水稻土 有机质预测 可见光-近红外光谱 中红外光谱 Paddy soil Prediction of SOM Visible-near infrared spectra Mid-infrared spectra 光谱学与光谱分析
2016, 36(6): 1712
1 华侨大学 工学院，福建 泉州 362021
2 中国科学院 长春光学精密机械与物理研究所，吉林 长春 130033
3 中国科学院 研究生院，北京 100049
4 中国科学院 光学系统先进制造技术重点实验室，吉林 长春 130033
为了提高自动调焦算法的性能，对调焦评价函数和调焦搜索算法进行了研究。在分析人类视觉系统(HVS)特性研究成果的基础上，提出了一种基于HVS加权的小波调焦评价函数。根据视觉多通道特性和视觉敏感度带通特性，对不同方向、不同空间频带的小波高频系数分别赋予不同的权值。为了克服爬山法搜索速度慢的缺点，提出了一种基于SOM神经网络的搜索算法，采用训练完成的SOM神经网络预测镜头的最佳聚焦位置。实验结果表明，提出的小波调焦评价函数得到了比传统小波调焦评价函数更优的调焦特性曲线;采用本文的搜索算法平均仅需要采集处理73幅图像就能找到最佳聚焦位置，与基于全搜索的爬山法相比，节省了大量的搜索时间。说明提出的调焦方法不但可以得到符合人眼视觉的调焦效果，还可以实现快速自动调焦。
自动调焦 调焦评价函数 调焦搜索算法 人类视觉系统 小波变换 SOM神经网络 autofocusing focus measure function focus search algorithm human visual system wavelet transform SOM neural network
华东交通大学光机电技术及应用研究所, 江西 南昌330013
选取赣南脐橙果园土壤作为研究对象, 探讨在4 000～7 500 cm-1范围内的光谱分析土壤全氮和有机质的可行性。 采集的近红外光谱采用多元散射校正、 一阶微分、 二阶微分、 七点平滑等多种预处理对比分析, 分别建立了有机质和全氮含量偏最小二乘模型。 实验得出全氮预测模型在4 000～7 500 cm-1范围内采用七点平滑（SG）进行预处理模型较为理想, 校正集相关系数(rc)为0.802, 校正均方根误差(RMSEC)为2.754, 预测集相关系数(rp)为0.715, 预测均方根误差(RMSEP)为3.077; 有机质预测模型在4 000～7 500 cm-1范围内采用标准正态变量变换(SNV)预处理模型较为理想, rc为0.848, RMSEC为0.128, rp为0.790, RMSEP为0.152。 研究表明近红外漫反射光谱可快速用于赣南脐橙果园的土壤中全氮和有机质含量的快速检测。
近红外 全氮 有机质 偏最小二乘法 Near infrared TN SOM PLS 光谱学与光谱分析
2013, 33(10): 2679
南京航空航天大学 机械结构力学及控制国家重点实验室, 江苏 南京 210016
对自动显微镜的自动聚焦评价函数及聚焦控制策略进行了研究。首先, 介绍了频域聚焦函数提升小波变换及时域聚焦函数Sobel-Tenengrad算子, 通过将提升小波变换和Sobel-Tenengrad算子有机组合提出了一种新型聚焦评价函数。然后, 利用离焦、正焦样本图像对自组织算法进行无监督训练, 使用粒子群优化算法加速训练过程, 并以经过学习的自组织映射算法作为聚焦控制器。最后, 进行了显微视觉自动聚焦实验。实验结果表明：新型组合算子具有单峰性, 峰值处变化陡峭, 对不同样本、不同倍数物镜均可在正焦位置达到最大值, 鲁棒性强; 经过学习控制器后平均仅用7.6步即可完成自动聚焦, 与爬山法相比, 该聚焦算法不仅大大提高了聚焦速度且性能稳定, 对每幅输入图像处理、识别时间约为120 ms; 满足了显微视觉自动聚焦要求, 获得了良好聚焦效果。
显微视觉 自动聚焦 聚焦策略 离散小波变换 自组织映射 粒子群优化 micro vision auto focus focused controller Discrete Wavelet Transform(DWT) Self-organizing Map(SOM) Particle Swarm Optimization(PSO)
