共查询到20条相似文献，搜索用时 203 毫秒
1.
《浙江农林大学学报》2017,(3)
为了实现木板材依据节子进行自动化分级,采用近红外光谱技术研究了多种针叶材表面节子缺陷的检测方法。采用Smart Eye 1700近红外光谱仪获取北美黄杉Pseudotsuga menziesii,铁杉Tsuga chinensis,云杉Picea asperata,白云杉Picea glauca-英格曼云杉Picea engelmannii-扭叶松Pinus contorta-冷杉Abies laciocarp a(SPF)等4种板材的近红外光谱(1 000~1 650 nm),比较了光谱预处理方法、建模方法对节子识别的影响,并首次对多种针叶树材进行了节子识别的适应性研究,随后引入一种新的变量选择方法即随机青蛙算法用于优选节子检测的特征波长,在此基础上建立了板材节子识别的最小二乘-支持向量机(LS-SVM)模型。结果显示:一阶导数光谱预处理结合LS-SVM所建混合树种板材节子识别模型性能最优。随机青蛙算法提取了8个特征波长变量,仅占全波段变量的1.23%,所建简化模型效果最好。该模型对测试集的敏感性、特异性和识别准确率分别为98.49%,93.42%和96.30%。近红外光谱技术结合化学计量学方法可以对针叶材树种板材的表面节子进行快速准确检测,随机青蛙算法是提取板材表面节子缺陷特征的有效方法。该结果可为下一步搭建木材节子快速检测系统提供技术支撑。 相似文献
2.
基于可见-近红外光谱变量选择的土壤全氮含量估测研究 总被引：2，自引：0，他引：2
【目的】变量选择是可见光-近红外光谱研究至关重要的步骤,通过分析可见光-近红外光谱不同特征的选择方法筛选出土壤全氮敏感波段,建立基于敏感波段的土壤全氮最佳预测模型,为土壤全氮的快速定量估算提供重要的理论指导依据。【方法】在红壤典型地区江西省吉安县采集代表性土壤样品120个,对可见光-近红外光谱采用主成分分析（PCA）、无信息变量消除（UVE）和无信息变量消除后结合连续投影（UVE-SPA）3种变量特征选择方法,建立基于不同变量选择的偏最小二乘回归（PLSR）模型、最小二乘-支持向量机（LS-SVM）、反向传播神经网络（BPNN）和遗传算法优化的反向传播神经网络（GA-BPNN）模型,从模型对预测集的预测精度分析不同变量选择方法对不同土壤全氮定量估算模型的差异。【结果】经UVE算法筛选后,光谱变量从200个减少至59个,其中可见光波段处10个,其余在近红外光谱的合频区和一倍频区,信息量丰富;进一步采用SPA进行变量选择,得到共线性最小的5个有效波长,分别为820、940、1 040、1 060和1 990nm;基于UVE变量选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型,经不同的土壤全氮的数据检验,预测精度最高的为LS-SVM,决定系数（R2）、均方根误差（RMSEp）和相对偏差（RPD）分别为0.7492、0.2921和1.8904;基于UVE-SPA特征选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型对预测集的验证表明,UVE-SPA提取的特征波段建立的LS-SVM建立模型预测效果最好,其建立的LS-SVM定量估算模型预测集的决定系数R2为0.7945,均方根误差RMSEp为0.2499相对偏差RPD为2.0009,模型稳定;基于PCA提取的7个主成分建立的LS-SVM、BPNN和GA-PBNN模型预测性能差,不能用于定量估算土壤全氮。对比相同的变量建立的GA-BPNN和BPNN,GA-BPNN预测性能比BPNN高。【结论】UVE-SPA变量选择方法结合LS-SVM模型能用来估算土壤中的全氮含量,同时UVE-SPA是一种有效的土壤光谱变量选择方法。 相似文献
3.
[目的]为了检测马铃薯的饲用品质,用近红外光谱法建立马铃薯可溶性固形物含量(SSC)快速测定模型.[方法]以偏最小二乘法(PLS)建立原始光谱的校正模型为基础,用蒙特卡洛交互验证法剔除异常样本,经比较选择标准正态变量和均值中心化算法进行光谱预处理、光谱-参考值共生距离法划分样本集,然后对所得数据分别以PLS和最小二乘支持向量机(LS-SVM)建立定量校正模型,并用竞争性自适应重加权采样法和风驱动-差分进化混合算法完成相应模型的特征波长和参数优化.[结果]优化的PLS模型和LS-SVM模型波长变量分别减至全光谱的8.67％、67.80％,二者的Rc 2、Rp 2、RMSEC、RMSEP、RPD分别为0.9708、0.9542、0.2586、0.2628、5.91和0.9873、0.9830、0.1705、0.1734、8.96,LS-SVM模型的各项性能指标全面优于PLS模型.[结论]2种定量模型均可用于马铃薯SSC的实际检测工作. 相似文献
4.
为了探索一种快速有效的烤烟烟叶产地鉴别方法,利用近红外光谱技术结合最小二乘支持向量机(LS-SVM)对烤烟烟叶的产地进行了判别。选择云南、湖北、河南三地不同等级烤烟烟叶作为研究对象,对原始光谱数据进行平滑和附加散射校正(MSC)预处理后再进行主成分分析,选择4～12个主成分作为输入变量进行LS-SVM建模。结果显示,该LS-SVM模型预测效果较好,预测相关系数rp≥0.990 7,预测标准误差(SEP)和预测均方根误差(RMSEP)分别为1.755 1和1.737 3,优于偏最小二乘回归(PLS)的预测结果,基于LS-SVM的近红外光谱技术能够很好地对烟叶产地进行判别。 相似文献
5.
利用近红外高光谱成像技术对番茄叶片叶绿素含量的无损检测进行初步探讨。通过高光谱成像系统(900～1 700 nm)采集了192个番茄叶片图像,基于偏最小二乘回归模型(PLSR)对光谱进行样本集划分,对原始光谱与Kubelka-Munk函数曲线及多种光谱预处理的偏最小二乘回归模型进行对比分析,优选出多元散射校正(MSC)为预处理方法。采用5种方法提取特征波长,并根据特征波长建立偏最小二乘回归、多元线性回归(MLR)、主成分回归(PCR)3种模型的叶片叶绿素含量预测模型。结果表明,建立无信息变量消除法(UVE)挑选特征波长的偏最小二乘回归模型最优,其预测集的相关系数(RP)为0.8495,均方根误差(RMSEP)为4.3375。因此,利用近红外高光谱成像技术提取特征波长进行叶绿素含量检测是可行的,同时也为今后番茄品质在线检测提供了理论依据。 相似文献
6.
以柞木为研究对象,以900～1700 nm的近红外光谱仪获取木材表面近红外光谱数据,对89个柞木样本进行检测,其中58个组成校正集,31个为预测集。首先,采集样本径切面光谱数据,并利用SG平滑对光谱数据进行预处理;然后,利用反向区间偏最小二乘（ BiPLS）选出均方根误差最小的波长区间组合;再利用连续投影算法（ SPA）进一步选择出波长特征;最后,以优选出的波长特征作为输入,建立偏最小二乘法回归模型,确定出木材基本密度与近红外光谱之间的联系。 BiPLS算法将光谱划分区间划分为10时,均方根误差最小,其最佳区间组合为[35679],变量个数由全光谱117个降至59个;应用SPA算法二次降维,变量个数降至6个,降低变量信息的冗余,减少了变量个数,提高了建模的速度和效率。 BiPLS－SPA模型较PLS、iPLS、BiPLS、SPA－PLS具有更高的相关系数,更小的均方根误差,柞木基本密度预测相关系数为0．925,预测均方根误差为0．0104,相对分析误差为2．83。 相似文献
7.
为实现杏树叶片含水率数据的准确获取，对新疆南疆杏树的节水灌溉提供科学指导，本研究使用近红外光谱技术对杏树叶片含水率进行预测。采集1 000～1 800 nm范围内‘小白杏’叶片的光谱数据，使用多元散射校正（MSC）、标准正态变量变换（SNV）、均值中心化（MC）、归一化处理（Nor）4种方法对原始光谱进行预处理，采用竞争性自适应重加权算法（CARS）及随机蛙跳算法（RF）获取特征波段，分别建立基于不同预处理方法的全波段及特征波段的偏最小二乘回归（PLSR）和BP神经网络预测模型。结果表明MSC为最佳预处理方法，最佳预测模型为MSC-CARS-BP神经网络模型，所建模型预测相关系数Rp为0.986，预测均方根误差RMSEP为0.404，剩余预测偏差RPD为6.09，模型具有较好的预测能力，因此近红外光谱技术可以用于杏树叶片含水率的快速检测。 相似文献
8.
基于小波滤噪和iPLS的草莓近红外光谱糖度检测模型 总被引：2，自引：0，他引：2
[目的]获得精度高、鲁棒性强的草莓近红外光谱糖度检测模型。[方法]利用K-S（Kennard-Stone）方法划分样本集,并用小波滤噪法对草莓1000～2500nm近红外光谱进行预处理,最后用偏最小二乘法（PLS）和区间偏最小二乘法（iPLS）分别建立预测模型。[结果]采用区间偏最小二乘法将光谱划分为20个子区间,利用其中的第16个子区间建立的糖度模型效果最佳,其校正时的相关系数Rc和校正均方根误差RMSEC分别为0．9355和0．259,预测时的相关系数邱和预测均方根误差RMSEP分别为0．9202和0．305。[结论]用小波滤噪和联合区间偏最小二乘法所建立的草莓糖度模型不仅能有效地减少建模所用的变量数,缩短运算时间,而且预测能力和精度均得到提高。 相似文献
9.
为准确预测苹果糖度,基于傅里叶变换近红外光谱、偏最小二乘法和深度学习技术,建立了不同的苹果糖度预测模型.使用傅里叶变换近红外光谱仪和折光仪采集160个苹果的光谱与糖度信息,建立不同光谱预处理方法的偏最小二乘法(Partial least square,PLS)模型,通过常用的竞争性自适应重加权算法减少PLS模型计算量,... 相似文献
10.
在不破坏青砖茶样品的前提下,将近红外光谱技术与标准变量变换、一阶导数、二阶导数光谱等预处理方法和遗传算法相结合,剔除部分噪声信息和精准筛选最佳光谱信息数据点后,应用偏最小二乘法建立青砖茶茶汤品质预测模型。筛选的最佳光谱预处理方法为:标准变量变换+二阶导数,遗传算法筛选得到28个最佳建模光谱数据点;最佳偏最小二乘法模型对验证集样品的预测均方根误差为0.372 6,预测集决定系数为0.975 2;对未知茶汤品质的预测均方根误差为0.392 7,预测集决定系数0.970 2。结果表明,在青砖茶茶汤品质得分(73～93分)范围内,应用近红外光谱技术结合遗传算法和偏最小二乘法实现了对青砖茶茶汤品质的快速、准确评价。 相似文献
11.
基于NIR及PLS-PCR-SVR预测森林土壤有机碳含量 总被引：2，自引：0，他引：2
森林土壤有机碳含量是表征林地土壤营养状况的重要指标,该文建立了土壤有机碳含量的近红外光谱定标模型,并比较了偏最小二乘法（PLS）、支持向量机回归（SVR）、主成分回归（PCR）3种建模方法及Savitzky-Golay平滑＋多元散射校正、Savitzky-Golay平滑＋一阶导数、Savitzky-Golay平滑＋二阶导数、Savitzky-Golay平滑＋多元散射校正＋一阶导数、Savitzky-Golay平滑＋多元散射校正＋二阶导数5种光谱预处理方法对土壤有机碳含量定标模型精度的影响,同时进行了波段优选。结果表明：当光谱区域为1 380～1 450 nm,1 800～1 950 nm,2 050～2 300 nm,光谱数据采用Savitzky-Golay平滑＋多元散射校正＋一阶导数预处理,采用PLS的建模方法,主成分数为8时,建立的校正模型预测效果最佳。校正模型的R、RMSE、SEC分别为0.805 2、0.512 2、0.512 5;预测模型的R、RMSE、SEP分别为0.768 1、0.514 3、0.514 6。因此,利用近红外光谱技术可以实现土壤有机碳含量的快速估测,为林区实时、大面积、快速测定森林土壤有机碳含量提供了技术可行性。 相似文献
12.
通过比较5种不同光谱预处理方法（MSC、SNV、VN、一阶导数、二阶导数）提取胡杨叶片近红外光谱信息,分别采用遗传算法(GA)和连续投影算法(SPA)筛选特征波段,建立并比较偏最小二乘回归(PLS)模型对水分含量的预测效果,研究了胡杨叶片水分含量与叶片光谱信息的关系。结果表明,基于5种预处理方法使用SPA-PLS回归模型预测的相关系数R分别为0.764 4、0.869 79、0.806 01、0.779 93、0.816 8;预测均方根误差(RMSEP)分别为0.017 87、0.014 491、0.018 547、0.020 228、0.018 089;所选取的特征波段个数分别为11、20、24、18、18,较GA-PLS选取的特征波段数少,且预测效果普遍优于GA-PLS,其中基于SNV的预测结果最好。研究表明,基于近红外光谱数据,SPA算法相比于GA算法具有更好的选择特征波长能力,并且SPA-PLS算法的回归预测结果普遍优于GA-PLS,采用SNV-SPA-PLS方法可实现胡杨叶片水分含量的快速检测。 相似文献
13.
利用可见/近红外光谱透射技术检测温州蜜柑含水率.采用微分处理(differential processing,SD)、多元散射校正(multivariate scattering correction,MSC)、标准正态变换(standard normal variate,SNV)、SG卷积平滑以及标准化等预处理方法比... 相似文献
14.
为研究板栗Castanea mollissima林不同除草方式对土壤性质的影响,在浙江省临安市布置了不同除草方式试验,包括对照、翻耕除草、施用除草剂、刈割除草而不翻耕等4个处理。结果表明：不同除草方式对土壤养分无显著影响,传统的翻耕除草方式明显增加土壤微生物量碳和水溶性有机碳质量分数（P＜0.05）;而除草剂除杂草处理,土壤水溶性有机碳、微生物量碳含量以及利用的碳源种类明显下降;对照处理土壤微生物功能多样性最好;刈割除草但不翻耕处理土壤各项指标均为中等。兼顾水土保持和土壤质量,采用刈割除草方式对林地土壤质量维持和板栗生长均较有利。 图1表4参15 相似文献
15.
基于近红外光谱的南疆温185核桃水分无损检测的研究 总被引：1，自引：0，他引：1
[目的]利用近红外光谱技术建立预测南疆核桃水分的检测模型。[方法]通过对南疆温185核桃进行近红外光谱水分无损检测,并用标准烘干法对所建立的检测模型进行验证,形成测定核桃水分的快速检测模型。[结果]试验表明,对采集的光谱数据进行SNV预处理,并采用偏最小二乘回归分析法(PLS)建立模型,得到了较小的SEC值和较高的RC值。其SNV预测的值用标准烘干法得出的平均偏差为0.35%,完全满足对南疆温185核桃进行水分无损检测的要求,可以应用到实际的核桃水分预测当中。[结论]研究可为核桃水分的快速无损检测提供参考依据,同时将此项无损检测技术应用到果农的生产实际当中,可提高果农的收益。 相似文献
16.
为实时监测鲜木薯中水分,指导其加工,建立了近红外光谱法现场快速测定木薯中水分含量的方法。采用横切木薯茎块方式进行制样,对其横截面进行近红外光谱扫描,二阶导数法预处理光谱图,定量偏最小二乘法（QPLS）建立模型,优化了模型条件和参数,建立最佳近红外光谱数学模型。结果：数学模型良好,验证集样品的化学值和近红外预测值间相关系数为O．9755,校正标准偏差（SEC）为1．31％,相对标准偏差（RSD）为2．20％,决定系数（R：）为0．9516。未知样品预测结果相对误差O．5％～3．4％。该水分定量分析NIRS数学模型具有较高的准确性,可满足快速测定鲜木薯中水分的要求,对促进鲜木薯加工业提高效率有积极意义。 相似文献
17.
青花菜矿质元素含量丰富,传统的青花菜矿质养分评价方法步骤繁琐、耗时费力。通过电感耦合等离子体原子发射光谱法(Inductively Coupled Plasma Optical Emission Spectrometer,ICP-OES)测定青花菜中钾(K)、硫(S)、磷(P)、钙(Ca)、铁(Fe)、镁(Mg)等矿质元素含量,同时使用近红外光谱仪扫描样品,获取样品光谱文件,拟建立青花菜矿质元素的近红外光谱快速测定的方法。对化学分析结果与光谱文件在偏最小二乘法(partial least square,PLS)分析的基础上,通过Savitzky-Golay卷积平滑处理,采用不同的散射处理方式[多元散射校正(multiplicative scatter correction,MSC)和标准正态变量变换(standard normal variate transformation,SNV)],以及不同导数处理方式[一阶导数(first derivative, FD)和二阶导数(second derivative,SD)]对光谱进行预处理,从而获得定标方程。结果表明:(1)K、Mg、Ca经过MSC+FD处理的结果最好,校正相关系数(coefficient of determination in calibration, RSQ)分别为0.884、0.944、0.651,验证决定系数(coefficient of determination in valibration, R2)分别为0.893、0.928、0.604,相对分析误差(residual predictive deviation, RPD)分别为2.491、2.710、1.344;(2)P经过SNV+FD处理的效果最好,RSQ、R2和RPD分别为0.733、0.703和1.117;(3)S、Fe经过MSC+SD处理的结果最好,RSQ分别为0.523、0.581,R2分别为0.537和0.416,RPD分别为1.133、1.100。建立的K和Mg的近红外光谱快速检测模型,可以用于实际应用;P可以近似定量预测,但还需要通过增加样品种类提高模型的准确度与稳定度;Ca、S和Fe的近红外模型可以通过建立高浓度和低浓度2个模型来提高模型预测度。 相似文献
18.
为了实现市场上常见红酸枝类Dalbergia spp.木材的快速无损识别,利用高光谱成像技术对不同红酸枝木材进行种类识别研究。以交趾黄檀 Dalbergia cochinchinensis,巴里黄檀 Dalbergia bariensis,奥氏黄檀Dalbergia oliveri和微凹黄檀 Dalbergia retusa为研究对象,采集高光谱图像并提取感兴趣区域内的反射光谱,采用Savitsky-Golay（SG）平滑算法、标准正态变量变换（SNV）和多元散射校正（MSC）对955~1 642 nm 波段光谱进行预处理,并通过主成分分析法（PCA）,回归系数法（RC）以及连续投影法（SPA）选择特征波长,分别建立了偏最小二乘判别分析（PLS-DA）和极限学习机（ELM）判别分析模型。研究结果表明:经SG和MSC光谱预处理,采用SPA选择的特征波长建立的ELM模型性能最优,建模集和预测集的识别率均为100.0%。这为红酸枝木材种类的快速无损识别提供了新的方法。图5表4参17 相似文献
19.
20.
【目的】 青花菜是硫代葡萄糖苷含量非常高的十字花科蔬菜,大量医学和营养学研究表明,青花菜具有防癌抗癌的显著功效,其防癌抗癌特性主要与硫代葡萄糖苷的多种降解产物有关,尤其是4-甲基硫氧丁基硫苷（RAA）和3-甲基吲哚基硫苷（GBC）的降解产物。本研究拟建立青花菜抗癌硫代葡萄糖苷的近红外光谱快速测定方法。【方法】 采用高效液相色谱法（HPLC）测定青花菜中硫代葡萄糖苷RAA和GBC的含量,将近红外光谱仪扫描样品所获得的光谱文件与化学分析结果在偏最小二乘回归法（partial least squares,PLS）分析的基础上,采用不同的散射处理方式（SNV、Detrend、SNV+Detrend）和导数处理方式（FD、SD）对光谱数据进行预处理,从而得到定标方程,再进一步对模型进行验证。【结果】 4-甲基硫氧丁基硫苷（RAA）和3-甲基吲哚基硫苷（GBC）是青花菜中存在的主要硫苷,占总含量的60%以上。90份青花菜的硫苷组分含量结果表明RAA平均含量最高,含量变化范围最大,平均含量为6.20 μmol?g-1,变化范围为0.66—14.54 μmol?g-1;GBC平均含量为4.43 μmol?g-1,变化范围为0.25—10.79 μmol?g-1。经过筛选,采用SNV+SD处理后RAA预测模型的校正集和预测集相关系数分别为0.867和0.912;采用SNV+SD处理后的GBC预测模型的校正集和预测集相关系数分别为0.918和0.960。【结论】 建立了RAA和GBC的近红外光谱快速检测模型,为青花菜营养品质的快速检测、优异抗癌青花菜种质资源的快速筛选与利用奠定了基础。 相似文献