基于高光谱成像技术的不同产地小米判别分析

论文摘要

高光谱成像技术被广泛应用于农产品的检测。基于高光谱成像技术结合机器学习算法无损鉴别不同地区的小米样本。将来源7个省份共计23份样品的小米样本根据地理区域划分为东北地区、河北、陕西、山东和山西共5大类,其中东北地区共6份样品,山西地区5份样品,河北、陕西和山东各4份样品。将每份样品均分为10等份并利用高光谱成像仪采集900～1 700 nm波段内小米的高光谱数据。为了减少光照不均匀和暗电流对实验的影响,对采集到的高光谱数据进行黑白校正。利用ENVI软件选取小米高光谱图像的感兴趣区域（ROI）,每份小米样品选取9个ROI。计算ROI内的平均光谱值,以此平均值作为该样本的一条光谱记录,最后共收集到2 070条光谱曲线,其中东北类540条,山西类450条,其他河北类、山东类、陕西类各360条。为了减少样品表面的不平整性引起的散射现象,进而影响小米的真实光谱信息,对收集到的原始光谱进行多元散射校正预处理（MSC）。采用随机划分法对校正过后的光谱数据划分训练集和测试集,测试集占的比例为0.3。利用线性判别分析（LDA）对不同产地小米的光谱数据进行可视化分析,将测试集代入训练好的LDA模型,做出预测结果的混淆矩阵（Confusion Matrix）,结果表明LDA对于陕西和山西类的预测准确率为0.84和0.99,对于东北、河北和山东的预测准确率仅为0.68, 0.68和0.40。进而采用递归特征消除（RFE）对小米的光谱信息进行特征选择,去除冗余的信息,提高模型的预测准确率。将RFE分别与支持向量机（SVM）和逻辑回归（LR）结合,对不同产地小米的判别进行对比分析。将小米光谱数据的训练集分别代入SVM-RFE和LR-RFE模型并结合3折交叉验证技术,以模型F值的微平均（Micro-averaging）最优选择出相应的特征子集。结果表明, LR-RFE选择的波长数为74个,其模型的MicroF为0.59; SVM-RFE选择的波长数为220,其模型的MicroF为0.66。将选择后的特征子集应用到测试集并将测试集分别代入SVM和LR模型,采用模型预测结果的混淆矩阵和模型的受试者工作特征曲线（ROC）作为评价方法。结果表明SVM-RFE对东北地区、河北、陕西、山东和山西的预测准确率分别为1, 0.37, 0.72, 0和1,其ROC曲线下面积（AUC）分别为0.82, 0.92, 0.93, 0.70和0.99。LR-RFE的预测准确率分别为0.92, 0, 0.97, 0和0.80,其AUC分别为0.72, 0.74, 0.94, 0.66和0.88。从预测结果可以看出SVM-RFE模型的综合分类性能优于LR-RFE,而对陕西类的判别LR-RFE要优于SVM-RFE,对于河北类和山东类两个模型都不能有效判别。这两个模型的预测准确率相比LDA有了一定的提升。

论文目录

文章来源

类型: 期刊论文

作者: 吉海彦,任占奇,饶震红

关键词: 高光谱成像,小米,判别分析,递归特征消除

来源: 光谱学与光谱分析 2019年07期

年度: 2019

分类: 基础科学,工程科技Ⅰ辑

专业: 物理学,轻工业手工业

单位: 中国农业大学现代精细农业系统集成研究教育部重点实验室,中国农业大学农业部农业信息获取技术重点实验室,中国农业大学理学院

基金: 国家“十三五”重点研发计划课题(2016YFD0200602)资助

分类号: TS210.7;O433

页码: 2271-2277

总页数: 7

文件大小: 780K

下载量: 353

相关论文文献

• [1].高光谱成像技术在农产品检测中的应用[J]. 农家参谋 2020(08)
• [2].序言[J]. 遥感学报 2020(04)
• [3].基于高光谱成像技术预测牡蛎干制加工过程中的水分含量[J]. 中国食品学报 2020(07)
• [4].第五届高光谱成像技术及应用研讨会征文通知[J]. 红外 2020(06)
• [5].基于高光谱成像快速检测牛肉糜中大豆分离蛋白掺入量[J]. 食品工业科技 2020(20)
• [6].基于高光谱成像技术的艺术品鉴定研究[J]. 文物保护与考古科学 2018(03)
• [7].高光谱成像技术在农业中的应用概述[J]. 浙江农业科学 2017(07)
• [8].高光谱成像技术在食品品质无损检测中的应用[J]. 食品工业科技 2016(03)
• [9].粮油品质安全高光谱成像检测技术的研究进展[J]. 光谱学与光谱分析 2016(11)
• [10].高光谱成像技术在水果无损检测中的应用[J]. 农机化研究 2015(07)
• [11].基于高光谱成像技术的牛羊肉品质无损检测研究进展[J]. 新疆农垦科技 2015(06)
• [12].人工智能和工业4.0视域下高光谱成像技术融合深度学习方法在中药领域中的应用与展望[J]. 中国中药杂志 2020(22)
• [13].无人机载高光谱成像系统识别沥青路面血液痕迹研究[J]. 刑事技术 2020(04)
• [14].近红外高光谱成像用于伊斯兰纸的定量化学分析[J]. 文物保护与考古科学 2020(05)
• [15].浅谈高光谱成像技术在显现消褪字迹中的应用[J]. 法制与社会 2019(01)
• [16].高光谱成像与应用技术发展[J]. 计测技术 2019(04)
• [17].高光谱成像技术在农业中的应用概述[J]. 时代农机 2018(06)
• [18].采后葡萄可溶性固形物含量的高光谱成像检测研究[J]. 河南农业科学 2017(03)
• [19].高光谱成像技术在茶叶中的应用研究进展[J]. 核农学报 2016(07)
• [20].高光谱成像技术在水果多品质无损检测中的应用[J]. 农业科技与装备 2016(05)
• [21].高光谱成像技术下水果内外品质无损检测研究进展[J]. 科技经济导刊 2016(17)
• [22].利用高光谱成像技术检测长枣表面虫伤[J]. 电子制作 2013(21)
• [23].高光谱成像技术在肉品无损检测中的应用及进展[J]. 河南工业大学学报(自然科学版) 2014(01)
• [24].高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J]. 光谱学与光谱分析 2014(10)
• [25].农产品外部品质无损检测中高光谱成像技术的应用研究进展[J]. 黑龙江科技信息 2014(27)
• [26].农产品无损检测中高光谱成像技术的应用研究[J]. 农机化研究 2013(06)
• [27].高光谱成像在食品质量评估方面的研究进展与应用(一)[J]. 肉类研究 2012(04)
• [28].高光谱成像在食品质量评估方面的研究进展与应用(二)[J]. 肉类研究 2012(05)
• [29].农产品外部品质无损检测中高光谱成像技术的应用研究进展[J]. 光谱学与光谱分析 2011(08)
• [30].果蔬品质高光谱成像无损检测研究进展[J]. 激光与红外 2010(06)

标签：高光谱成像论文;  小米论文;  判别分析论文;  递归特征消除论文;