西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
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。
可见-近红外光谱 精细农业 土壤有机质 粒子群-最小二乘支持向量机 模型传递 Visible and near-infrared spectroscopy Precision agriculture Soil organic matter Particle swarm optimization-based least squares support vector machines Model transfer 光谱学与光谱分析
2022, 42(10): 3148
1 北京工商大学, 中国轻工业工业互联网与大数据重点实验室, 北京 100048
2 江西省农业科学院农业工程研究所, 江西 南昌 330200
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(1stDer)、 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。 1st 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1stDer预处理方法下识别效果最佳, 1st Der-FS-SVM模型总分类精度(OA)为95.98%, Kappa系数为0.948 2, 1st Der-FS-RF模型OA为91.42%, Kappa系数为0.889 2, 1stDer-PCA-SVM模型OA为90.82%, Kappa系数为0.881 6, 1stDer-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。
高光谱成像 主成分分析 支持向量机 随机森林 Hyperspectral imaging Principal component analysis Support vector machines Random forest 光谱学与光谱分析
2021, 41(12): 3837
1 长春理工大学理学院, 吉林 长春 130022
2 长春工业大学机电工程学院, 吉林 长春 130012
3 包头师范学院物理科学与技术学院, 内蒙古 包头 014030
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。
激光诱导击穿光谱 主成分分析 支持向量机 猪肉组织 Laser-induced breakdown spectroscopy Principal component analysis Support Vector Machines Pork tissue 光谱学与光谱分析
2021, 41(11): 3572
光子学报
2021, 50(11): 1106005
1 烟台大学, 山东 烟台 264005
2 中国科学院海岸带环境过程与生态修复重点实验室(烟台海岸带研究所), 山东 烟台 264003
3 中国科学院海洋大科学研究中心, 山东 青岛 266071
4 中国科学院大学, 北京 100049
拉曼光谱作为一种分子“指纹”图谱, 能够根据物质分子间的振动对物质进行定性分析, 广泛应用在很多领域。拉曼光谱可应用于便携式监测系统, 但其数据量偏大, 如果不对其数据处理, 会增加后续的分析时间, 影响自动识别的速度。文中选取九种常见可燃液体90#汽油、93#汽油、97#汽油、丙酮、二甲苯、甲醇、乙醇、乙二醇、叔丁醇为例, 对其进行数据预处理分析, 特征峰提取效果显著, 进而对数据进行512点的压缩, 然后选取支持向量机(support vector machine, SVM)分类算法和随机森林分类算法进行模型训练。研究结果表明, 随机森林算法的识别可燃液体样品的交叉验证精度高于SVM算法, 随机森林算法的均方误差的结果也都优于SVM算法。运用拉曼光谱技术可明显检测出可燃液体样品的谱峰, 对数据进行压缩, 提高分析速度, 可为后续仪器小型化提供技术参考。
拉曼光谱 可燃液体 随机森林 支持向量机 谱峰 Raman spectroscopy combustible liquid random forest (RF) support vector machines (SVM) spectral peak
华东交通大学机电与车辆工程学院, 水果智能光电检测技术与装备国家地方联合工程研究中心, 江西 南昌 330013
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。
荧光光谱 主成分分析 偏最小二乘判别法 支持向量机 线性判别分析 藻斑病 Fluorescence Spectroscopy Principal component analysis Partial least squares discrimination Support vector machines Linear discriminant analysis Cephaleuros virescens Kunze 光谱学与光谱分析
2021, 41(7): 2129
天津大学电气自动化与信息工程学院天津大学机器人与自主系统研究所, 天津市过程检测与控制重点实验室, 天津 300072
针对现有视频图像火焰检测算法前景提取不完整、准确率低和误检率高等问题,提出一种基于改进混合高斯模型(GMM)和多特征融合的视频火焰检测算法。首先针对背景建模,提出了自适应高斯分布数和学习率的改进GMM方法,以提高前景提取效果和算法实时性;然后利用火焰颜色特征筛选出疑似火焰区域,再通过融合改进局部二值模式纹理和边缘相似度特征用于火焰检测。基于支持向量机设计火焰融合特征分类器并进行对比实验,在公开数据集上的实验结果表明,所提算法有效提高了背景建模效果,火焰检测准确率可达到92.26%,误检率低至2.43%。
图像处理 火焰检测 视频图像 混合高斯模型 多特征融合 支持向量机 激光与光电子学进展
2021, 58(4): 0410006
1 厦门大学 航空航天学院, 福建 厦门 361102
2 南方科技大学 电子与电气工程系, 广东 深圳 518055
3 厦门大学 萨本栋微米纳米科学技术研究院, 福建 厦门 361102
传统的人体血糖检测方法是有创的, 具有一定的局限性。文章提出一种结合能量守恒法与光谱法的血糖检测技术, 该技术能够实现人体血糖的无创、实时和准确检测。首先设计了一种人体体征数据采集装置, 用于实时采集血糖相关数据并上传至上位机。然后将数据分别用多元线性回归、k近邻回归和支持向量回归三种机器学习算法进行分析评估, 对比得出最优算法用于无创血糖检测。实验证明, 提出的无创血糖检测技术是可行的, 其中基于支持向量回归算法的测量准确度最高, 相关系数高达0.862, 具有较高的准确性和鲁棒性。
无创血糖测量 能量守恒 光谱法 支持向量回归 non-invasive detection of blood glucose conservation of energy metabolism spectroscopy support vector machines
1 邵阳学院信息工程学院, 湖南 邵阳 422000
2 湖南第一师范学院信息科学与工程学院, 湖南 长沙 410205
提出一种基于二维经验模态分解(BEMD)的合成孔径雷达(SAR)目标识别方法。BEMD可以从原始SAR图像提取多层次的二维固态模函数(BIMF),它们可以更好地描述目标的细节信息,因此联合原始SAR图像及其多层次BIMF,可以为后续的分类决策提供更多有益信息。采用支持向量机(SVM)对原始SAR图像以及各个层次的BIMF进行决策,然后基于Bayesian理论对各个SVM输出的结果进行有效融合,从而获得更为稳健的识别结果。基于MSTAR数据集设置几种典型的实验条件,对本文方法进行性能测试,结果验证本文方法相比几类现有SAR目标识别方法更具有性能优势。
图像处理 合成孔径雷达 目标识别 二维经验模态分解 支持向量机 Bayesian决策融合 激光与光电子学进展
2020, 57(4): 041004