食品行業(yè)
本文以臍橙為實驗對象，對采集得到的高光譜數(shù)據(jù)行進預(yù)處理和降維處理，提取出它們的特征波長。以降維過的高光譜數(shù)據(jù)建立數(shù)學(xué)模型來實現(xiàn)對樣品農(nóng)藥殘留濃度的判別，分析不同模型的性能好壞。
選取噠螨靈農(nóng)藥為實驗對象，將選取好的80個臍橙樣品洗凈，放置通風(fēng)處等其干燥完畢。然后隨機將其分成4組，每種濃度每組各20個(1:400、1:800、1:1500以及不含農(nóng)藥)。同樣的我們確定臍橙的感興趣區(qū)域，得到感興趣區(qū)域內(nèi)的平均光譜作為原始光譜數(shù)據(jù)，如圖所示。
提取每類樣品的感興趣光譜圖，可以得到四類樣品20組原始光譜圖，下圖為其中一組濃度為1:400的原始光譜。將得到的全部四組樣品各20條原始光譜圖。利用標準正態(tài)變換(SNV)后得到4類樣品各20條原始光譜取平均得到的平均光譜曲線如圖所示。
從圖中可以看出不同濃度農(nóng)藥殘留的臍橙光譜反射率曲線具有明顯差異，不同濃度農(nóng)藥以及蒸餾水組的光譜平均反射率在400-1000nm的范圍類曲線走勢基本一致，并且部分波段下反射率差異較大，部分波段下曲線會重疊，無法識別出光譜反射率區(qū)別。可以看出在670nm和980nm處光譜有一個反射率波谷，而在700nm有一個較小的反射率波峰。在400-650nm反射率曲線基本重疊，在900-1000nm處蒸餾水和嘧霉胺組反射率曲線基本重疊，而在650-890nm處各組反射率曲線有明顯差別。
通過主成分分析算法對預(yù)處理后的原始光譜數(shù)據(jù)進行特征提取，得到主成分圖像和各個主成分的累積貢獻率。一般而言，PC-1具有最多的原始圖像信息，且前幾個主成分基本包含99%的光譜信息，如表所示前四個主成分貢獻率就可以達到99.87%。
用ENVI軟件對實驗樣品進行PCA圖像提取，每個主成分圖像理論上都是由原始數(shù)據(jù)中每個波長下的灰度圖像數(shù)字矩陣經(jīng)過線性運算而形成，通過ENVI軟件計算可以得到每個不同主成分的光譜數(shù)據(jù)，包括每個主成分的協(xié)方差、相關(guān)系數(shù)以及特征向量。一般情況下，PC-1包括的原始信息最多，前4個主成分圖像如圖所示。
通過提取PC-2和PC-3圖像中所有波段的特征向量，我們可以繪制出高光譜主成分圖像PC-2和PC-3的權(quán)重系數(shù)圖如圖4.5。就權(quán)重曲線而言。我們認為波峰和波谷處對應(yīng)的波長就是特征波長，具有最佳信息量。可以看出PC-2的特征波長為500nm,680nm,980nm;PC-3選取的特征波長為500nm,580nm,850nm,930nm。選取500nm,580nm,680,850nm,930nm,980nm為特征波長。
本文對四組表面噴灑有不同濃度嘧霉胺農(nóng)藥的臍橙樣品進行光譜提取和預(yù)處理，選用主成分分析法(PCA)和連續(xù)投影法(SPA)進行高光譜全波段下的降維以提取特征波長，然后就提取的特征波長分別建立支持向量機(SVM)、BP神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(ELM)分類模型，分析不同降維方法和不同分類模型結(jié)合的實驗數(shù)據(jù)結(jié)果，選出判別臍橙表面不同濃度的最優(yōu)模型。
