太阳能电池片在生产过程中，因工序或材料原因会导致其存在缺陷。基于光致发光成像原理，提出了一种基于背景评估的太阳能电池片图像增强方法，以及一种基于形态特征和HOG特征融合的缺陷识别方法。首先分析了电池片缺陷的形态和位置特点，提出了缺陷两步分割法，对分割的缺陷提取多方向HOG特征，采取拉普拉斯特征映射法对HOG特征进行降维；然后融合长宽比、圆形度等形态特征；最后针对支持向量机（support vector machines，SVM）中的核函数和惩罚因子，采用粒子群算法（particle swarm optimization，PSO）加以优化，改善了缺陷分类效果。应用所确立的算法对50幅图像进行检测，分类识别的准确率最高可达98.3%。将新算法与传统的SVM算法以及Le-Net网络等进行对比，可知新算法具有较高的识别准确率。

利用可见-近红外光谱分析技术可以准确快速的获取土壤养分含量, 但不同类型土壤间养分含量校正模型的普适性是亟待解决的关键问题。 为提高有机质含量光谱校正模型在多类型土壤之间的普适性和农田在线检测有机质含量速度, 利用美国M107B区66个样品建立基于可见-近红外光谱的土壤有机质含量的粒子群-最小二乘支持向量机(PSO-LSSVM)校正模型, 预测M107B区的23个验证集样品的决定系数R²=0.859, 相对分析误差RPD=2.660; 将M107B区89个土壤样品作为校正集建模后对N116B区20个验证集样品的有机质含量预测, 预测R²=0.562, 预测RPD=0.952, 模型的预测R²和预测RPD分别降低34.6%和64.2%, 表明M107B区土壤有机质含量的可见-近红外光谱校正模型直接用于N116B区时, 预测精度显著降低; 将N116B区部分土壤样品加入到M107B区样品集后重新建模, 并预测N116B区20个验证集样品的有机质含量, 当加入的N116B区土壤样品数量达到35以上, 预测R²>0.80, 预测RPD>2.0; 加入到校正集的N116B区土壤样品数量从0增加到50, 模型预测R²从0.562增加到0.811, 预测RPD从0.952增加到2.274, 精度逐渐提高。 结果表明, 在M107B区校正模型中加入N116B区部分土壤样品建模, 能够有效提高M107B区土壤校正模型对N116B区土壤有机质含量的预测精度; 加入的N116B区土壤样品数量达到50以上, 模型预测性能趋于稳定, 预测精度达到实用要求, 成功将M107B区土壤有机质含量校正模型传递给N116B区土壤; 优先选择与M107B区土壤样品的有机质含量或光谱曲线差异较大的N116B区土壤样品参与建模, 可有效避免模型传递时模型性能出现突变。 提出的方法能够有效提高M107B区土壤的有机质校正模型对N116B区土壤的预测精度, 为基于可见-近红外光谱的农田土壤有机质含量实时检测提供一种新的经济可行的模型传递方法, 为提高多类型土壤的有机质含量检测模型的普适性提供一种有效的解决方案。

为监测柑橘生长状况, 实现病虫害无损识别, 利用高光谱成像技术和机器学习方法进行柑橘病叶分类研究。 使用高光谱成像仪采集46片柑橘正常叶、 46片溃疡病叶、 80片除草剂危害叶、 51片红蜘蛛叶和98片煤烟病叶的高光谱图像, 在478~900 nm光谱范围内对每个叶片一个或多个发病区提取5×5的感兴趣区域(ROI), 将ROI内每个像素的反射率值作为光谱信息, 则一个ROI得到25个光谱信息样本, 最终五类叶片共得到13250个光谱样本。 利用随机法将全部样本划分为9 938个训练集和3 312个测试集。 分别采用一阶求导(1^stDer)、 多元散射校正(MSC)和标准正态变换(SNV)三种方法对原始光谱信息进行预处理, 对不同预处理方法后的数据采用主成分分析法(PCA)提取特征波长。 1^st Der预处理后得到7个特征波长, 分别是520.2, 689.0, 704.8, 715.4, 731.2, 741.8和757.6 nm; MSC和SNV预处理后得到7个相同的特征波长, 分别是551.9, 678.5, 704.8, 710.1, 725.9, 731.2和757.6 nm; 原始光谱得到7个特征波长, 分别是525.5, 678.5, 710.1, 720.7, 725.9, 757.6和762.9 nm。 分析PCA后的样本分布散点图可知, 正常叶片、 溃疡病叶片和红蜘蛛叶片样本有一定程度聚类, 除草剂叶片和煤烟病叶片样本有大量重叠, 仅依据PCA不能完成病虫害叶片的识别。 对全波段(FS)和PCA特征波长数据在不同预处理方法下进行支持向量机(SVM)和随机森林(RF)建模, 结果表明: 数据在1^stDer预处理方法下识别效果最佳, 1^st Der-FS-SVM模型总分类精度(OA)为95.98%, Kappa系数为0.948 2, 1^st Der-FS-RF模型OA为91.42%, Kappa系数为0.889 2, 1^stDer-PCA-SVM模型OA为90.82%, Kappa系数为0.881 6, 1^stDer-PCA-RF模型的OA为91.79%, Kappa系数为0.894; 对PCA选择的特征波长数据建模, SVM和RF模型下识别率均达到84%, 全波段下模型识别率在88%以上, FS数据建模效果优于PCA特征波长。 研究结果表明, 高光谱成像技术结合机器学习方法进行柑橘叶片分类是可行且有效的, 为柑橘病虫害的无损准确识别提供理论根据。

近年来, 激光诱导击穿光谱(LIBS)与算法相结合分类、 识别生物组织逐渐兴起。 由于猪肉各部位组织光谱特性相似, 仅通过分析光谱信息很难达到准确识别的效果, 采用来自于同一个体、 四个不同部位的猪肉进行研究, 并将其进行切片、 压平, 应用LIBS技术对4种部位的组织(里脊, 梅花, 前腿, 五花)进行了样品光谱的采集, 每种样品采集100幅光谱进行分析, 选取Ca, Na, K等6条谱线进行了初步光谱分析, 观测谱线发现除脂肪含量较多的五花组织C—N以及C含量较其他组织高以外, 其他组织很难区分, 进一步对这6个成分进行主成分分析(PCA), 得到PC1, PC2, PC3累计贡献率达到95%, 通过特征分数作为支持向量机(SVM)模型输入源, 建立SVM分类模型, 得到几种部位样品的混淆矩阵图, 通过观察混淆矩阵可以清楚分辨出每个种类样品的分类整准确率, 发现四种样品准确率分别为96%, 98%, 97%, 100%, 平均准确率达到了97%以上。 研究证明LIBS结合PCA-SVM可作为一种快速鉴别猪肉不同组织部位的检测方法。

为提高基于相敏光时域反射计的分布式光纤声传感系统对入侵振动事件的识别准确率，提出一种基于端点检测与信号重组的光纤振动信号识别方法。该方法首先使用基于EMD_PCC的去噪方式对信号进行去噪，然后对去噪后的信号进行端点检测，将检测到的振动信号进行振动信号的重组，并提出使用一个双输入多尺度卷积神经网络分别提取振动信号的时域特征与频域特征，最后使用支持向量机进行分类。实验证明该识别方法能快速完成对识别模型的训练，并且能有效识别在实际环境中采集的入侵振动信号，对入侵信号的识别准确率可达94.8%。

茶叶是我国重要的经济作物, 对茶叶病害的及早发现与诊断, 有利于农业生产者及时采取有效的防护措施。 为了实现对茶叶病害的准确判别, 采用叶绿素荧光光谱对茶叶的光谱特性展开研究。 实验采集了健康茶叶样本90片, 藻斑病轻度病害叶片90片, 藻斑病重度病害叶片90片, 并根据Kennard-Stone算法将样本数按3:1划分训练集和预测集样本数, 其中校正集为200个、 验证集为70个。 采用叶绿素荧光光谱采集系统对茶叶藻斑病、 正常叶片进行光谱采集, 其中采集参数设置为: 积分时间20 ms, 激光功率40 mW。 分别分析了患病叶片和正常叶片的光谱响应特性, 总体上看, 三种叶片光谱主要存在吸收强度差异, 光谱走势基本一致。 在685和740 nm附近存在叶绿素的荧光峰, 其差异主要表现在正常叶片光谱较另外两种叶片光谱吸收强度较高, 而重度病害强度最低。 然后使用多项式平滑(Savitzky-Golay)对原始光谱进行平滑和降噪处理, 建立了偏最小二乘判别模型(PLS-DA), 在PLS-DA建模集模型中, 误判样品数为3个, 误判率为3%; PLS-DA预测集模型中, 误判样品个数为5个, 误判率为7.1%。 然后建立4种不同核函数的支持向量机模型进行比较得到, 由RBF作为核函数, 经主成分分析法(PCA)降维后的变量建立的SVM模型误判率最低, 准确率达到95.72%, 最后采用PCA结合线性判别分析方法(LDA)建立的模型效果最好, 准确率达到98.9%。 其中最优主成分数的选取由留一验证法取得, 选用前10个主成分进行建模时, 交叉验证准确率最高, 达98%。 通过模型对比得到PLS-DA建模集和预测集精度都达到90%以上, 以四种核函数建立的支持向量机模型中, 径向基核函数模型效果较优, 达到95.72%。 经主成分分析后建立的LDA效果最好, 识别率为98.9%。 该研究采用叶绿素荧光光谱结合化学计量学对茶叶病害进行识别, 为茶叶病害的快速、 准确预测提供一种新方法。