|
|
| ||||||||||||||||||||||
1.内容简介 本专著系统地介绍了光谱技术及其预处理算法、特征选取方法，并在此基础上，分析了国内外的最新研究进展，重点展示了光谱等技术在农业上的应用情况。本专著是多个国家自然科学基金项目、省自然科学基金项目、农业部重点实验室开放课题研究成果的展现，实现了理论与应用的结合。本专著共包含14章，其中第1章概述介绍了光谱技术在农作物/农产品信息检测中应用的现状；第2章至第5章介绍了光谱预处理算法、光谱特征选取方法及定性、定量分析方法；第6章至第14章分别介绍了光谱技术在水稻、生菜、桑叶、大米、鸡蛋、红豆、烟草、玉米、油麦菜等农作物/农产品对象信息检测中的应用实例。 2.前言 随着科学技术的发展，光谱技术已经成为当前的一项高新技术。伴随光谱分析仪器的日益更新，光谱分析处理技术的快速发展，光谱技术的应用也越来越广，并得到了广大学者和研究人员的关注。 本专著所涉及的光谱包括可见光光谱、近红外光谱、荧光光谱等，共包含14章，其中第1章概述介绍了光谱技术在农作物/农产品信息检测中应用的现状；第2章～第5章介绍了光谱预处理算法、光谱特征选取方法及定性、定量分析建模方法；第6章～第14章分别介绍了光谱技术在水稻、生菜、桑叶、大米、鸡蛋、红豆、烟草、玉米、油麦菜等农作物/农产品对象信息检测中的应用实例。 本专著大部分内容是我们科研团队在多个国家自然科学基金项目、省自然科学基金项目、农业部重点实验室开放课题资助下取得的研究成果，涉及的领域包括农作物品种及内部信息检测、农产品品种及品质检测等。 本专著是课题组多年研究成果的积累，感谢毛罕平教授一直以来对课题组科研工作的指导与帮助，感谢张晓东、武小红、倪纪恒、李青林、羊一清、杨宁、朱文静等老师的合作支持，感谢金夏明、董梁、张梅霞、王艳、卫爱国、蒋淑英、张国坤、周鑫、刘彬、路心资、丛孙丽、唐凯等研究生对相关课题研究及本书撰写所做的贡献。 鉴于信息技术特别是光谱技术发展快速，信息知识更新较快，作者及课题组所掌握的专业技术、知识会存在一定的局限，本专著中的内容难免存在不足之处，敬请各位专家、同行、读者批评指正，在此，对各位的大力支持深表谢意。 编者 2017年2月 3.目录 1概述(1) 1.1农作物/农产品信息的光谱技术检测(1) 1.1.1光谱技术在农作物检测中的应用(1) 1.1.2光谱技术在农作物农药残留检测中的应用(4) 1.2农作物/农产品信息的电特性技术检测(7) 1.2.1介电特性技术在水果品质检测中的应用(8) 1.2.2介电特性技术在粮食含水率检测中的应用(9) 1.2.3介电特性在叶片含水率检测中的应用(9) 参考文献(10) 2光谱预处理算法(17) 2.1SavitzkyGolay多项式平滑(17) 2.2移动平均平滑(17) 2.3多元散射校正算法(17) 2.4标准正态变量变换和去趋势算法(18) 2.5导数变换算法(18) 2.6正交信号校正算法(19) 2.7小波阈值(19) 2.8小波分段(19) 参考文献(20) 3光谱特征选取方法(21) 3.1逐步回归分析(21) 3.2连续投影算法(21) 3.3权重回归系数法(21) 3.4主成分分析(22) 3.5竞争性自适应加权算法(22) 3.6LDA算法(22) 3.7LPP算法(22) 3.8SLPP算法(23) 3.9离散小波变换(23) 3.10分段离散小波变换(23) 参考文献(24) 4定性分析方法(26) 4.1支持向量机(26) 4.2K最近邻分类器(26) 4.3AdaboostSVM及AdaboostKNN(26) 4.4MSCPSOSVM(27) 4.5极限学习机(28) 4.6Fisher判别分析(29) 4.7马氏距离判别分析(30) 参考文献(30) 5定量分析方法(31) 5.1一元回归算法(31) 5.2多元线性回归(31) 5.3BP神经网络及改进算法(32) 5.3.1BP神经网络(32) 5.3.2基于贝叶斯算法的BP网络(32) 5.3.3基于LM算法的BP网络(33) 5.3.4遗传神经网络(33) 5.3.5基于思维进化优化BP神经网络(34) 5.3.6PNN神经网络(34) 5.3.7GAPNN神经网络(35) 5.4支持向量机回归算法及其改进(35) 5.4.1支持向量机回归算法(35) 5.4.2GALSSVM算法(36) 5.5ABCSVR(37) 参考文献(38) 6水稻信息检测(40) 6.1样本培育(40) 6.1.1栽培方法(40) 6.1.2水稻光谱数据测定(41) 6.1.3水稻叶片水分含量与氮素含量的测定(42) 6.1.4特征光谱选取(44) 6.2基于高光谱的水稻水分检测(45) 6.2.1水稻叶片含水率与冠层反射光谱的关系(45) 6.2.2水稻叶片含水率与叶片反射光谱的关系(58) 6.2.3本节小结(63) 6.3基于高光谱的水稻叶片氮素检测(63) 6.3.1水稻叶片氮含量与冠层反射光谱的关系(63) 6.3.2水稻叶片氮含量与叶片反射光谱的关系(75) 6.3.3本节小结(79) 参考文献(79) 7生菜信息检测(80) 7.1样本培育(80) 7.1.1氮素营养液的配制(80) 7.1.2样本的育苗移栽及施肥管理(81) 7.1.3叶片样本采集(82) 7.2生菜光谱数据测定(82) 7.2.1光谱仪器的选定(82) 7.2.2叶片光谱图像采集(83) 7.3生菜叶片氮素含量、水分含量的测定(84) 7.3.1叶片氮素含量测定(84) 7.3.2叶片水分含量测定(85) 7.4基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究(85) 7.4.1光谱预处理(85) 7.4.2特征提取(86) 7.4.3生菜氮素水平KNN分类器建模研究(86) 7.4.4生菜氮素水平SVM分类器建模研究(87) 7.4.5生菜氮素水平Adaboost分类器建模研究(88) 7.4.6本节小结(89) 7.5基于高光谱图像及ELM的生菜叶片氮素水平丰缺定性分析(89) 7.5.1光谱预处理(89) 7.5.2特征提取(90) 7.5.3生菜氮素水平SVM建模研究(91) 7.5.4生菜氮素水平BP神经网络建模研究(91) 7.5.5生菜氮素水平ELM建模研究(92) 7.5.6本节小结(92) 7.6基于高光谱图像的生菜叶片氮素含量预测(92) 7.6.1叶片氮含量测定结果(92) 7.6.2光谱预处理(93) 7.6.3特征提取(94) 7.6.4生菜氮含量PLSR建模研究(95) 7.6.5本节小结(95) 7.7基于遗传算法的生菜氮素水平特征优化选择(96) 7.7.1图像采集与预处理(96) 7.7.2图像特征提取及优化(97) 7.7.3生菜氮素水平SVM建模分析(99) 7.7.4本节小结(100) 7.8基于MSCPSO混合核SVM参数优化的生菜品质检测(101) 7.8.1数据源及图像获取(101) 7.8.2图像特征提取及优化(101) 7.8.3生菜氮素水平MSCPSOSVM分类建模分析(101) 7.8.4本节小结(103) 7.9基于高光谱图像光谱与纹理信息的生菜氮素检测(104) 7.9.1高光谱图像预处理(104) 7.9.2图像特征提取(104) 7.9.3生菜氮含量SVR建模分析(106) 7.9.4本节小结(108) 7.10基于有监督特征提取的生菜叶片农药残留浓度高光谱鉴别(109) 7.10.1光谱预处理(109) 7.10.2生菜农药残留浓度水平的SVM建模分析(110) 7.10.3本节小结(111) 7.11基于融合小波的高光谱生菜农药残留梯度鉴别研究(112) 7.11.1光谱预处理(112) 7.11.2特征提取(115) 7.11.3生菜农药残留浓度水平的SVM建模分析(116) 7.11.4本节小结(117) 7.12基于分段离散小波变换及高光谱的生菜叶片农药残留梯度鉴别(117) 7.12.1光谱预处理(117) 7.12.2特征提取(118) 7.12.3生菜农药残留浓度水平SVM建模分析(120) 7.12.4本节小结(121) 7.13基于线性判别法的生菜农药残留定性检测(122) 7.13.1光谱预处理(122) 7.13.2特征提取(123) 7.13.3生菜农药残留浓度水平的线性判别建模分析(124) 7.13.4本节小结(126) 7.14基于荧光光谱的生菜农药残留检测(127) 7.14.1光谱预处理(127) 7.14.2特征提取(129) 7.14.3生菜农药残留浓度水平的SVM建模分析(130) 7.14.4本节小结(132) 7.15基于高光谱图像的生菜叶片水分检测(133) 7.15.1图像特征提取(133) 7.15.2生菜水分含量MLR建模分析(134) 7.15.3生菜水分含量BP神经网络建模分析(134) 7.15.4生菜水分含量PLSANN建模分析(134) 7.15.5本节小结(136) 7.16基于光谱的生菜品种检测(137) 7.16.1光谱预处理(137) 7.16.2特征提取(137) 7.16.3生菜品种SVM建模分析(138) 7.16.4本节小结(139) 参考文献(140) 8桑叶信息检测(142) 8.1桑叶农药残留定性检测(142) 8.1.1桑叶试验样本制备(142) 8.1.2桑叶高光谱图像的采集(142) 8.1.3光谱曲线的分析(143) 8.1.4桑叶光谱信息的预处理(144) 8.1.5桑叶光谱特征波长选取(145) 8.1.6SVM分类建模(145) 8.1.7AdaSVM分类建模(146) 8.1.8本节小结(147) 8.2桑叶农药残留定量检测(148) 8.2.1桑叶定量检测试验样本制备(148) 8.2.2高光谱图像的采集与标定(148) 8.2.3农药残留的气相检测(148) 8.2.4结果与分析(151) 8.2.5本节小结(153) 参考文献(154) 9大米信息检测(155) 9.1基于高光谱图像的大米品种检测(155) 9.1.1高光谱提取与处理(155) 9.1.2高光谱特征选择与特征提取(155) 9.1.3建模分析(157) 9.1.4本节小结(158) 9.2基于高光谱图像的大米水分检测(159) 9.2.1样本制备(159) 9.2.2高光谱图像数据的采集(159) 9.2.3感兴趣区域的提取(159) 9.2.4数据预处理(160) 9.2.5特征波长的选取(161) 9.2.6预测模型(161) 9.2.7结果分析(162) 9.2.8本节小结(163) 9.3基于高光谱图像的大米淀粉检测(163) 9.3.1试验样本制备(163) 9.3.2高光谱图像采集(164) 9.3.3高光谱数据预处理(165) 9.3.4高光谱数据特征波长选择(165) 9.3.5基于全波长光谱的模型研究(166) 9.3.6基于特征波长光谱的模型研究(166) 9.3.7本节小结(167) 参考文献(167) 10鸡蛋信息检测(169) 10.1基于电特性的鸡蛋品种鉴别(169) 10.1.1材料与设备(169) 10.1.2数据采集方法(170) 10.1.3频率对介电特性的影响(171) 10.1.4不同品种鸡蛋介电特性的差异(171) 10.1.5SVM分类模型(172) 10.1.6本节小结(173) 10.2基于电特性的鸡蛋品质检测(173) 10.2.1试验材料(173) 10.2.2试验方法(174) 10.2.3数据信息采集(175) 10.2.4频率对介电特性的影响(176) 10.2.5新鲜度对介电特性的影响(177) 10.2.6本节小结(179) 参考文献(179) 11红豆信息检测(181) 11.1试验材料(181) 11.1.1样本制备与高光谱图像采集(181) 11.1.2高光谱图像的图像分割(181) 11.2样本的光谱特征(182) 11.3高光谱的特征选择和特征提取(183) 11.3.1基于SPA的特征信息选择(183) 11.3.2基于PCA的特征信息提取(183) 11.3.3基于ICA的特征信息提取(184) 11.4PNN神经网络鉴别模型分析(185) 11.5本章小结(186) 参考文献(187) 12烟草信息检测(188) 12.1高光谱烟叶数据采集装置(188) 12.2样品的制备及光谱数据采集(188) 12.3水分的测定(189) 12.4烟叶光谱预处理(190) 12.4.1烟叶光谱数据预处理(190) 12.4.2烟叶光谱样本预处理(191) 12.5烟叶光谱MLR模型(194) 12.6本章小结(195) 参考文献(195) 13玉米信息检测(197) 13.1试验与数据采集(197) 13.1.1仪器与设备(197) 13.1.2试验材料(198) 13.1.3试验方法与步骤(198) 13.1.4介电常数计算(198) 13.1.5湿基含水率的测量(199) 13.2数据分析(199) 13.3数学建模(199) 13.3.1线性建模(199) 13.3.2非线性建模(201) 13.4本章小结(203) 参考文献(204) 14油麦菜信息检测(205) 14.1样本采集与含水率测定(205) 14.2光谱预处理(205) 14.3特征提取(206) 14.3.1CARS特征提取(206) 14.3.2SR特征提取(207) 14.3.3SPA特征提取(208) 14.4油麦菜水分含量SVR建模分析(209) 14.5油麦菜水分含量ABCSVR建模分析(210) 14.6本章小结(211) 参考文献(211) |
精品新书
|
| ||||||
|
| ||||||
|
| ||||||
|
| ||||||
 |
 |
