论文部分内容阅读
本文以宁夏滩寒杂交羊、盐池滩羊和小尾寒羊为研究对象,分别利用400-1000nm可见-近红外高光谱成像技术及900-1700nm近红外高光谱成像技术分别采集其高光谱图像,通过线性判别(LDA)、支持向量机(SVM)、偏最小二乘判别分析(PLS-DA)与聚类分析(HCA)等多种化学计量学方法建立羊肉品种识别的模型。主要研究结果如下：(1)对400-1000nm范围和900-1700nm范围原始光谱和SG、SNV、MSC、OSC、Area normalize、Max normalize、SG derivative、FD、SD、Baseline、Deresolve预处理后光谱进行线性判别分析,通过判别模型的判别率优选出最佳方法对光谱进行预处理并建模。研究表明：在400-1000nm波段范围内,对比原始光谱与11种预处理光谱所建立的模型,基线校正为最佳建模方法,其所建模型校正集判别率为99.44%,预测集为96.67%。在900-1700nm范围内,通过对比原始光谱与11种预处理光谱所建立的模型,SG卷积平滑为最佳建模方法,其所建模型校正集品种判别率为98.89%,预测集为100%。(2)对400-1000nm波段范围与900-1700nm波段范围内三种羊肉品种分别进行支持向量机品种判别分析判别,结果表明：400-1000nm波段范围内三种羊肉的品种判别率为95%：900-1700nm波段范围内三种羊肉品种的正确判别率为96.33%。(3)对400-1000nm范围和900-1700nm范围原始光谱进行聚类分析,结果表明：全波段下HCA的效果比较明显,400-1000nm范围HCA效果比900-1700nm范围HCA更显著。(4)对900-1700nm范围原始光谱进行偏最小二乘判别分析(PLS-DA),结果表明：Rc、Rcv、Rp分别为0.9594、0.9339、0.9559,相关性均比较高,Rc与Rcv只相差0.0255,且RMSEC和RMSEP较低,都为0.23,说明模型的稳定性较高。此外,校正集模型和预测集模型的均方根误差(RMSEC, RMSEP)均小于0.5,说明以各数值为基准,上下0.5个单位以内的数值代表羊肉的类别作为判别依据,可以对羊肉的种类进行有效判别。(5)采用主成分分析法(PCA)对400-1000nm范围和900-1700nm范围高光谱成像仪的三种羊肉样本的光谱信息进行数据降维,通过权重系数选择400-1000nm波段的六个特征波长为990、1028、1103、1312、1440、1642nm：通过权重系数选择900-1700nm波段的七个特征波长为410、492、545、574、631、732、799nm。(6)分别对两台高光谱成像仪所获得的三种羊肉样本光谱信息进行原始光谱与特征波长的模型对比,采用LDA、SVM与HCA三种方法进行品种定性判别分析。结果表明：全波段LDA模型优于特征波长LDA模型,且900-1700nm范围下特征波长LDA模型优于400-1000nm范围；全波段SVM建立的模型优于特征波段SVM模型,900-1700nm范围下全波段SVM模型优于400-1000nm范围,且Nu-SVC类型的SVM模型优于C-SVC类型的模型,并且线性核函数建立的SVM模型最佳。通过对比SVM、LDA和HCA三种模型,LDA模型的识别效果优于SVM和HCA模型。