近红外高光谱图像结合CA RS算法对鸭梨SSC含量定量测定.pdfVIP

第34卷 ，第5期 光 谱 学 与 光 谱 分 析 Vo1．34，No．5，pp1264—1269 20l4年 5月 SpectroscopyandSpectralAnalysis May，2014 近红外高光谱 图像结合 CARS算法对鸭梨 SSC含量定量测定 李江波 。，彭彦 昆 ，陈立平 ，黄文倩¨ 1．北京市农林科学院北京农业智能装备技术研究中心，北京 100097 2．中国农业大学工学院，北京 100083 摘 要 高光谱数据量大、维数高且原始光谱噪声明显、散射严重等特征导致光谱建模时关键波长变量提 取困难。基于此，提出采用竞争性白适应重加权算法(cARs)对近红外高光谱数据进行关键变量选择。鸭梨 作为研究对象。采用决定系数 ，2、预测均方根误差 RMSEP和验证集标准偏差和预测集标准偏差的比值 RPD值进行模型性能评估。基于选择的关键变量建立 PLS模型 (CARS-PLS)与全光谱变量建立的PLS模型 进行比较发现CARS-PLS模型仅仅使用原始变量中15．6 的信息获得了比全变量PLS模型更好的鸭梨SSC 含量预测结果， ，RMSEP和RPD分别为0．9082，0．3120和 3．3005。进一步与基于蒙特卡罗无信息变 量MC-UVE和遗传算法(GA)获得的特征变量建立的PLS模型比较发现 ，CARS不仅可以去除原始光谱数 据中的无信息变量，同时也能够对共线性的变量进行压缩去除，该方法能够有效地用于高光谱数据变量的 选择。结果表明，近红外高光谱技术结合 CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。 从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。 关键词 近红外高光谱；可溶性固形物；鸭梨 ；变量选择；竞争性 自适应重加权算法 中图分类号 ：0657．33 文献标识码：A DOI：10．3964／j．issn．1000-0593(2014)05—1264-06 法(successiveprojectionsalgorithm，SPA)_8J、X-载荷法 (X- 引 言 loadingweights)[、回归系数 (regressioncoefficients)l1、无 信息变量消除(uninformativevariableelimination，UVE)Il1、 近年来，由于高光谱成像技术融合了传统成像学和光谱 蒙特卡罗无信息变量消除(MonteCarlo-uninformativevaria— 学，可以同时获取农产品的空间信息和连续光谱信息，受到 bleelimination，MC-UVE)_1。]等。在这些方法中，iPLS，si— 了国内外农产品品质无损检测领域研究学者的青睐[1,23。然 PLS和MWPLS方法通常可 以获得光谱变量中的几个特征 而，通常现代高光谱谱仪具有较高的光谱分辨率，获得光谱 光谱 区域，而不能确定关键的变量。x_载荷法和回归系数法 数据集包含数百个样本和变量。原始高光谱数据中包含有大 通常需要根据先验光谱知识进行手动选取。SPA在直接光谱 量无用的、不相关的信息，这些信息能够削弱光谱模型的预 变量选取时所选取的变量可能存在较低的信噪比。相 比之 测性能。数以百计的光谱数据中也包含着大量的共线性和冗 下，直接采用 MC-UVE和 GA算法能够获得较好的变量选 余信息。因此，在利用高光谱数据进行农产品内部品质定量 择效果。 和定性分析前进行有效的变量选择是非常必要的。通过变量 鸭梨为梨果中重要的品种之一 ，是我国北方的一种重要 选择可以获得更易解释并且