近红外光谱（NIRS）技术在作物种子品种鉴别上具有一定的可行性, 但如果待测种子的存储时间不同, 识别模型的准确性会受到影响。 为了降低存储时间对识别模型的影响、 提高模型的预测能力, 将NIRS技术与图像处理技术相融合, 提取出与品种生理生化指标相关的光谱特征和与品种相关的表观图像特征。 为了提取出最优的光谱特征, 首先提出一种改进的后向间隔偏最小二乘（IM_BiPLS）光谱区间选择算法。 针对BiPLS分段数难以确定的问题, 让分段数在一定范围内变化, 以每个分段数所取得的组合区间建立模型的相关系数和交叉验证均方根误差之比作为评价指标, 该指标最大时的分段数所对应的波段组合为最优。 然后使用竞争自适应重加权法（CARS）去除IM_BiPLS所选波段中的无信息变量和共线性变量实现光谱特征优选。 为了提取与品种相关的表观图像特征, 首先使用基于最大熵和双重区域标记的图像分割算法完成不感兴趣区域去除和单粒种子图像分割; 然后提取单粒种子的形态、 纹理和颜色特征并计算出每个图像样本所有种子的统计平均特征。 最后使用CARS对这些特征进行深层次优选完成图像特征提取。 以10个黄色玉米品种为研究对象, 采集216个样本的NIRS数据和对应的图像。 针对光谱数据, 使用IM_BiPLS算法从全谱1 845个变量中选出了具有736个变量的波段组合, 使用CARS进一步从中优选出光谱变量29个。 针对图像数据, 提取出图像特征29个, 使用CARS进一步优选出图像特征11个。 分别以IM_BiPLS提取的光谱特征波段、 IM_BiPLS-CARS优选的特征波长、 图像特征(Image)、 CARS提取的图像特征(Image-CARS)以及IM_BiPLS-CARS优选的特征波长融合CARS提取的图像特征（Compound）为输入, 以样本对应的类别为输出, 建立BP神经网络模型。 测试结果表明Compound-BP模型的性能最佳, 训练准确率和验证准确率均为100%, 测试准确率为97.7%。 实验结果说明NIRS特征融合图像特征可以有效地提高识别模型的精度, 降低存储时间对模型的影响, 为实现玉米种子品种的无损、 快速、 精确识别提供参考。

为了探讨基于高光谱的苎麻品种识别和分类的方法， 在大田栽培条件下， 采集了4个不同基因型苎麻品种共927个叶片高光谱数据。 根据苎麻叶片高光谱反射曲线， 选择了2组特征参数： 基于高光谱波形峰谷反射率和位置参数（V1组）、 基于偏度和峰度参数（V2组）。 运用逐步判别的方法， 通过设置不同F值筛选不同个数的变量， 分别建立基于2组特征参数的多个Fisher线性判别函数， 并从计算量、 正确率和稳定性三方面对所建立的判别函数进行分析比较。 结论： (1)所有组合的判别函数总体平均正确率为911%， 标准差总体均值为12%； (2)综合权衡， 在所有组合中， V2组且14≥变量个数n≥8判别效果最好——计算量中等， 正确率和稳定性均高于平均值， 其中， 13个变量的Fisher判定函数平均正确率最高有942%， 标准差最低为0%； (3)若优先考虑正确率， V1组且22≥变量个数≥15正确率最高， 平均正确率最大有955%， 但计算量比较大， 稳定性中等， 标准差最低为09%。 研究表明， 利用高光谱参数结合逐步判别方法识别苎麻品种是可行的。

玉米种子的形态特征是玉米品种识别的重要因素之一.采用高光谱成像系统获取9个品种共432粒玉米种子的高光谱反射图像, 对图像进行校正和预处理, 提取每个样本在563.6~911.4 nm共55个波段范围内的形状特征.分别利用单波段、多波段和全波段下的玉米种子形状特征结合偏最小二乘判别法进行模型分类.结果显示, 全波段范围内训练集和测试集的平均正确识别率达到98.31%和93.98%, 均优于多波段和单波段的正确识别率.研究表明, 该方法能充分利用高光谱图像中可见光和近红外区域的有效特征信息, 较准确地鉴别玉米品种, 为玉米品种的自动识别领域提供了一种新方法.

利用高光谱成像技术(550～1　000　nm)， 采集了6个草地早熟禾品种新鲜叶片的高光谱图像， 提取了叶片的光谱信息， 运用Wilks’ Lambda逐步判别分析法， 从94个波段中选择了9个特征波段， 根据特征波段的光谱信息， 采用Fisher线性判别法， 构建草地早熟禾品种的判别分析模型。 结果表明， 选择3个、 6个和9个波段组合， 对120个训练样本的识别正确率分别为98.3%, 100%和100%， 对60个测试样本的识别正确率分别为83.3%, 96.7%和100%， 说明以9个特征波段的光谱信息构建的草地早熟禾品种判别模型是合适的， 利用高光谱成像技术结合判别分析法， 为快速识别草地早熟禾品种提供了一种新的方法。

从玉米籽粒胚的朝向, 中长波漫反射分析和短波透射分析, 进样方式三个方面进行了研究, 通过比较不同的测量方法对品种识别模型性能的影响来选择最佳的玉米单籽粒光谱测量方式, 进而鉴定玉米单籽粒品种真实性。 原始光谱经过预处理后, 使用判别式偏最小二乘法(PLS-DA)对数据进行特征提取和降维, 选取前9个因子建立8个玉米品种的仿生模式识别模型。 结果表明, 玉米籽粒胚正对光源优于胚背对光源, 中长波漫反射分析优于短波透射分析, 小样品池效果好于小光阑。 采用最优测量方法(籽粒胚正对光源, 使用小样品池和中长波漫反射分析)获取玉米单籽粒的近红外光谱, 建立的品种识别模型对本品种样品的平均正确识别率达到94.6%, 对其他品种样品的平均正确拒识率达到96.5%。

利用自主研制的地面成像光谱辐射测量系统(field imaging spectrometer system, FISS）获取了14种典型牛奶样品的高光谱图像数据, 并基于此做了牛奶品种识别研究。 首先剔除2个异常样品, 对剩余12种牛奶样品随机取样, 共取1 200个像元样本; 为消除高频随机噪声和基线偏移, 改善多重共线性, 对所有样本做移动平均平滑和一阶微分预处理, 再运用逐步回归法选择的特征波长建立牛奶多类判别分析模型。 结果表明, 对12种牛奶样本混合识别, 总体判别精度高达95.5%, 其中蒙牛、 伊利和光明三种原味酸奶的总体正确识别率为88.3%; 对这三种原味酸奶构成的样本子集单独识别, 其总体正确识别率为88.7%。 这说明FISS能够用于牛奶品种识别研究, 还发现为实现有针对性的牛奶品种鉴别, 同类型不同厂家生产的牛奶最好单独识别, 这不仅能减少模型变量, 提高模型运算效率和稳定性, 也能提高判别的总体精度。

提出一种可对成品茶的原料品种进行准确识别的方法。在实验中对不同原料品种(龙井43#与其他品种)制成的茶叶样本进行近红外光谱的采集, 通过主成分分析(principal component analysis, PCA)后获得了20个主成分, 利用逐步回归法筛选出8个主成分作为自变量, 建立茶叶原料品种的Fisher识别函数对成品茶的原料品种进行识别分析。实验结果表明建立的识别函数能很好地对茶叶的原料品种进行准确识别, 在定标集中的识别准确率达到了96.8%, 并且利用外部样本进行验证的识别准确率也达到了93.5%。本实验证实了利用PCA和Fisher识别组合分析识别成品茶原料品种的可行性。