【目的】柑橘黄龙病(Citrus Huanglongbing,HLB)是一种无法根治且易扩散的病害,建立柑橘黄龙病病情诊断及分类的方法,以及时发现并去除病株,防止感染其他果树。【方法】基于高光谱成像技术,利用最小噪声分离变换进行降维去噪、像元纯净指数获取纯净像元并建立训练集,通过Fisher判别法对柑橘黄龙病病情进行鉴别并分类。【结果】通过对训练集设置适当的门限值,柑橘黄龙病病情识别正确率达90%以上。【结论】利用高光谱技术进行柑橘黄龙病病情诊断具有较高的可行性。

为实现羊肉新鲜度的快速、无损检测,应用高光谱成像技术对不同存储天数的羊肉建立挥发性盐基氮TVB-N(Total volatile basic nitrogen,TVB-N)含量预测模型。通过高光谱成像系统获取羊肉样本935～2 539nm的高光谱图像,选取样本左上、左下、右上、右下和中间5个位置20×20像素的方形作为感兴趣区域(Region of interesting,ROI),提取ROI并计算区域内样本平均光谱。利用二进制粒子群优化算法(Binary particle swarm optimization,BPSO)和相关系数分析法(Correlation coefficient,CC)提取羊肉TVB-N高光谱特征变量,结合偏最小二乘回归(Partial least squares regression,PLSR)和随机森林回归(Random forest regression,RFR)建模算法,分别建立表征羊肉TVB-N含量的BPSO-PLSR、BPSO-RFR、CC-PLSR、CC-RFR预测模型。依据袋外均方根误差RMSEOOB最小原则,对最佳回归子树和分裂特征2个主要参数进行寻优以提高RFR建模算法的预测精度。比较4个模型的预测效果发现,BPSO-RFR模型的预测精度最高,其校正集决定系数R_c~2和均方根误差RMSEC分别为0.87和2.99,预测集决定系数R_p~2和均方根误差RMSEP分别为0.86和3.36。综上,高光谱成像技术和机器学习算法的有机结合为快速有效检测肉品新鲜度提供了理论依据。

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．．．

为使一种柑橘黄龙病碘—淀粉法快速检测技术更好地应用于大田检测,以砂糖橘为试验材料,研究无需冷冻和缩短叶片脱色时间的技术.结果表明,磨掉叶片正反面表面蜡质层后,直接脱色,可以省去冷冻处理步骤,且不影响检测结果;检测结果与常规PCR检出结果的一致率为92.5%;同时,叶片脱色时间缩短7.178.47 h.优化后,冬季样品叶绿素脱除所需时间均值为5.0 h,其他季节叶片脱色时间均值为3.7 h.

柑橘植物组织中富含多糖、酚类、单宁、色素等物质,它们的存在严重干扰了柑橘黄龙病PCR检测的准确性。因此有必要筛选出一种能得到纯度高、结构完整的柑橘总DNA(含黄龙病病原DNA),且操作简便的提取方法。本研究对比试验了3种柑橘总DNA提取方法,方法1采用Sandrine等人的提取法;方法2采用CTAB法;方法3采用试剂盒法。实验研究表明,方法2提取柑橘黄龙病病原DNA的PCR检测准确率最高。

为实现玉米叶片表面未见明显病症的病害早期检测,提出一种基于高光谱成像技术的玉米弯孢叶斑病早期检测方法。以玉米叶片为研究对象,采用人工接种病菌使玉米感染弯孢叶斑病,在接种后1,2,3,4,5d,每天采集接种病菌叶片30片,正常未接种叶片10片,利用高光谱成像系统获取接种病菌叶片和正常未接种叶片在400～1000nm高光谱图像数据,经过分析接种病菌叶片和正常未接种叶片的原始光谱、原始光谱的一阶导数光谱、平均光谱绝对差值,确定玉米弯孢叶斑病早期检测的特征波段选取区。然后通过显著性检验和相关性分析,将置信区间设为95%,在特征波段选取区确定458.9,481.1,500.8,515.7,525.7, 531.9,534.4,550.7,578.3,604.9,625.2,646.8,677.5,735.3,754.7nm,为玉米弯孢叶斑病早期检测的特征波段。最后,基于选定的特征波段构建玉米弯孢叶斑病支持向量机检测模型。结果表明:利用选取的特征波段作为支持向量机的输入矢量,建立的玉米弯孢叶斑病早期检测模型,通过支持向量机选择的线性核函数、多项式核函数、径向基核函数3种不同的核函数,在接种后的第1d,3种核函数测试集准确率达79%以上,线性核函数在接种第3d,测试集准确率达到88.75%。该研究可以对玉米弯孢叶斑病在未见明显叶斑的早期进行快速、无损检测,为玉米病害的早期检测提供新的思路。

为了研究检测苹果表面轻微损伤的有效的方法,以红富士苹果为试验样本,通过高光谱成像采集系统采集苹果样本的高光谱图像,根据正常苹果表面区域和刚损伤、损伤后(3,10,24h)的损伤区域光谱反射率平均曲线得到有效光谱区域;用掩膜法对图像进行背景分割,并基于有效光谱区域做主成分分析,选取第四主成分(PC4)提取损伤区域,运用阈值分割的方法建立提取损伤区域的算法模型;应用该算法模型对正常苹果和损伤苹果进行检测。检测结果表明:正常苹果样本正确检测率达到100%,损伤苹果样本的正确检测率为97.5%,总体检测精确度高达98.75%,说明利用高光谱成像技术可以有效快速检测出苹果表面的轻微损伤。

【目的】实现对结球甘蓝叶片含水量的无损检测，为结球甘蓝田间水分管理提供参考依据。【方法】设置结球甘蓝的整个生长季设置23.33 L/株（CK）、11.33 L/株（W1）、15.33 L/株（W2）、19.33 L/株（W3）、27.33 L/株（W4）、28.33 L/株（W5）共6个灌水量处理，收集结球甘蓝莲座期和结球期各99个结球甘蓝叶片样本光谱数据，采用卷积平滑法（Savitzky-Golay）、移动平均法（Moving Average）、归一化法（Normalization）和多元散射矫正（Multiple Scattering Correction）进行预处理，连续投影算法（Successive project - ion algorithm）进行特征提取，多元线性回归模型（Multiple Linear Regression）进行建模。【结果】在波段400～1000 nm，不同灌水量的结球甘蓝叶片含水量模型的预测精度差异明显。经过预处理的原始光谱建立的预测模型精度均有一定程度提高，其中Savitzky-Golay预处理效果最好。特征提取方法提高了光谱数据质量和准确性；在结球甘蓝莲座期和结球期优选出连续投影算法进行特征波段提取最佳，分别筛选出5和6个特征波长，2个时期筛选出的特征波长基本都在一定的水分敏感波段范围。在结球甘蓝莲座期和结球期，通过多元线性回归建模方法建立的结球甘蓝叶片含水量预测模型都取得了比主成分回归和偏最小二乘回归更高的预测精度；多元线性回归模型的校正集相关系数和均方根误差在莲座期为0.8927和0.8757，在结球期为0.9167和0.9014。【结论】高光谱技术可成功监测结球甘蓝叶片在不同生育期的含水量，为农田水分管理提供依据，为精准灌溉提供技术支撑。

采集不同氮素处理水平下的油菜植株不同叶位和叶片部位的高光谱数据、SPAD值和叶绿素含量实测值,在筛选原始高光谱数据预处理方法的基础上,比较基于偏最小二乘(partial least squares,PLS)模型和最小二乘-支持向量机(least squares support vector machine,LS-SVM)的SPAD预测模型。结果表明,基于标准正态变量校正(standard normal variate,SNV)预处理方法的LS-SVM模型(SNV-LS-SVM)为最佳高光谱-SPAD预测模型,可准确预测油菜叶片SPAD值空间分布和可视化结果。基于SPAD空间分布结果提取不同叶位和叶片部位的SPAD值,将其与对应植株和叶片位置的实测叶绿素含量进行相关性分析,结果显示,油菜SPAD值最佳测量叶位为顶四叶的顶部。

[目的]传统的感官评价和理化分析等检测方法处理时间长，且不能满足批量检测的要求，本研究拟基于近红外高光谱成像技术探索一种快速、无损的大豆紫斑粒和霉变粒的识别方法。[方法]分别将供试种子归为正常粒和病变粒2类以及正常粒、紫斑粒和霉变粒3类，并随机将各类种子分为校正集（用于模型构建）和验证集（用于模型评估）。使用主成分分析（principal component analysis，PCA）结合最大类间方差法（Otsu）对大豆高光谱图像进行背景分割，以对不同类别种子的识别正确率为评价指标，探究光谱判别分析方法与特征波长取样方法的最佳组合方式。[结果]相比于支持向量机判别分析模型（support vector machine discriminant analysis，SVM-DA），基于全谱段构建的偏最小二乘判别分析模型（partial least squares discrimination analysis，PLS-DA）具有更高的识别正确率，对校正集和验证集的总识别正确率分别为95.81%和96.31%。基于竞争性自适应权重取样法（competitive adaptive reweighted sampling，CARS）筛选了15个特征波长，以此构建的CARS-PLS-DA模型对外部验证集的识别正确率为94.26%，高于CARS-SVM-DA模型，可实现对正常粒和病变粒的有效区分。基于全谱段和连续投影法（successive projections algorithm，SPA）筛选的17个特征波长，分别构建了PLS-DA和SPA-PLS-DA模型，可进一步实现对正常粒、紫斑粒和霉变粒的区分。[结论]本研究所构建的判别模型，可实现对大豆紫斑粒和霉变粒的快速检测，为大豆生产、仓储和加工过程中病变种子的高通量快速无损识别提供了理论技术支撑。

南果梨是一种重要的水果品种，其酸度是评估果品质量的重要指标之一。然而，传统的南果梨酸度检测方法通常需要破坏性采样和化学分析，不仅耗时费力，而且容易导致样品污染和浪费。因此，旨在探索一种基于高光谱成像技术的无损检测方法，以实现对南果梨酸度的快速、准确、无损检测。首先，采集室温20℃下不同贮藏天数南果梨的高光谱数据，其光谱波长范围为400～1 000 nm，并且通过理化实验测量南果梨样本的可滴定酸；其次，采用多元散射校正（multipli-cative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）、Savitzky-Golay平滑滤波等多种方法对光谱数据进行预处理，建立偏最小二乘回归模型（partial least squares regression,PLSR），选择出建模效果最佳的预处理方法，结果显示MSC方法效果最优；然后结合连续投影算法（successie projection algorithm,SPA）提取特征波段，在700～900 nm范围内确定9个特征光谱变量；最后，以提取出的9个特征光谱变量作为输入矢量，分别建立PLSR模型、极限学习机（extreme learning machine,ELM）模型以及遗传算法（genetic algorithm,GA）和粒子群算法（particle swarm optimization,PSO）优化的BP神经网络模型。研究结果表明，基于MSC预处理和SPA算法特征提取的PSO-BP模型预测精度最高，效果最好，预测集决定系数Rp2=0.911,RMSEP=0.032。可见，基于高光谱成像技术的SPA-PSO-BP模型可用于南果梨酸度的检测，为南果梨的品质评价提供参考。

为实现准确评估和预测贡梨的冲击损伤，采用波长为397.5～1 014.0 nm的高光谱成像技术与力学参数相结合对贡梨的冲击损伤进行定量研究。利用基于单摆原理的碰撞装置以及智能数据采集系统获得峰值力、平均接触力、损伤面积和平均压强等力学参数，并对力学参数进行统计分析。利用高光谱成像系统获得损伤贡梨的光谱数据。使用Gap-segment求导、SG求导和基线校准(Baseline)3种光谱预处理方法对原始光谱进行预处理，将光谱数据与力学参数相结合分别建立偏最小二乘回归(Partial least squares regression, PLSR)和主成分回归(Principal component regression, PCR)模型。基于基线校准(Baseline)预处理方法，采用竞争性自适应重加权(Competitive adaptive reweighting sampling, CARS)和无信息变量消除(Uninformative variable elimination, UVE)2种算法进行特征波长的选取，将选取的特征波长作为输入变量并结合力学参数建立PLSR模型。力学参数统计分析和建模的结果表明：1)力学参数在一定程度上可以表征贡梨冲击损伤程度。力学参数的平均值随损伤程度的增加而增大，峰值力平均值从138.40 N增大至335.86 N;平均接触力平均值从77.13 N增大至188.20 N;损伤面积平均值从208.07 mm~2增大至544.42 mm~2;平均压强平均值从0.34 MPa增大至0.42 MPa。2)Baseline-CARS-PLSR模型对力学参数的预测效果最优，其峰值力、平均接触力、损伤面积和平均压强的预测集相关系数(R_P)和预测集均方根误差(RMSEP)分别为0.892和31.527 N、0.883和18.861 N、0.895和54.411 mm~2、0.661和0.045 MPa。通过高光谱成像技术与力学参数相结合对贡梨冲击损伤进行定量预测具有一定的可行性，可为贡梨的品质分选及包装方面提供理论支持。

苹果果实易发生病害，传统的苹果病害的检测不适应苹果分级在线检测的要求。为了实现病害苹果快速、有效的在线检测，采用高光谱成像技术对寒富苹果的炭疽病、苦痘病、黑腐病和褐斑病的病害果进行无损检测研究。根据正常区域与病害区域光谱相对反射率差异，提出改进流形距离方法。综合计算病害与正常区域，病害与果梗／花萼区域，正常与果梗／花萼区域的光谱相对反射率的总改进流行距离Ｌ值，从而从全波段中选择了３个特征波段，分别为７００，７６５，９０４ｎｍ。对７００ｎｍ特征波段下的图像进行阈值分割，以此获得掩膜图像，并对掩膜后的图像二次阈值分割提取感兴趣区域。将３个特征波段下对应的光谱相对反射率分别组合，作为ＢＰ神经网络的输．．．

为了实现对苹果品质的等级评价,对果梗的完整性进行检测是必不可少的.选取了苹果样本260个,其中果梗完整果104个、果梗不完整果92个、没有果梗果64个。利用高光谱成像技术提取苹果感兴趣区域光谱信息。采用逐步多元回归算法（stepwisemultiple linear regression,SMLR）从全波段（450970nm）提取了5个特征波长（594.78，572.08，599.84，626.48，666nm），采用连续投影算法（successive projections algorithm,SPA）

【目的】为实现区域尺度上烟田土壤pH的快速估测。【方法】以四川省296份烟田土壤为研究对象，利用高光谱成像获取土壤390～2500 nm波段的光谱反射率，系统研究12种光谱预处理方法、2种特征波段选择方法和4种建模方法对烟田土壤pH高光谱估测模型精度的影响。【结果】在600～2500 nm范围内，不同pH的光谱反射率曲线差异明显；原始光谱经单一预处理或组合预处理方法处理后，建立的估测模型精度均有所提高；其中一阶导数（First derivative， D1）组合标准正态分布（Standard normal variate， SNV）为最佳光谱预处理方法。竞争自适应重加权采样算法（Competitive adaptive reweighted sampling， CARS）筛选出了93个土壤pH特征波段，主要集中在近红外波段800～2500 nm。无论使用光谱全波段还是主成分分析降维得到的光谱特征，核岭回归（Kernel ridge regression， KRR）和支持向量机（Support vector machine， SVM）两种建模方法都取得了比偏最小二乘回归（Partial least square regression， PLSR）和岭回归（Ridge regression， RR）更高的估测精度；但使用CARS筛选的特征波段建模时，PLSR和RR取得了比KRR和SVM更高的估测精度。其中基于D1-SNV预处理方法，使用CARS筛选特征波段建立的土壤pH PLSR估测模型精度较高，模型验证集决定系数为0.758，均方根误差为0.555，相对分析误差为2.034。【结论】运用高光谱成像技术在区域尺度上对烟田土壤pH进行较高精度估测是可行的，pH估测可采用D1-SNV-CARS -PLSR模型。