第35卷：第9期 2015年9月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
高光谱成像技术的柚类品种鉴别研究
Vol. 35,No. 9 , pp2639-2643
September,2015
烈2.3
李勋兰1，2，易时来2.3，何绍兰2,3，吕强2,3，谢让金2,3，郑永强2,3，邓
1.西南大学园艺园林学院，重庆400715
2.西南大学/中国农业科学院柑桔研究所，重庆400712 3.国家柑枯工程技术研究中心，重庆400712
摘要柚类种质和品种资源繁多，现有的柚类品种鉴别方法检测时间长，费用高。旨在利用高光谱成像技术探索主要柚类品种快速识别的可行性。试验选用4个其有代表性的柚类品种，利用高光谱成像技术，采集 240个叶片样本（60个/品种）上表面和下表面的高光谱图像。高光谱图像标定后，提取样本感兴趣区域平均光谱信息作为样本的光谱进行分析。利用Kennard-Stone法将样本划分为校正集（192个）和验证集（48个）。采用多元散射校正(MSC)和标准正态变量变换（SNV)对原始光谱曲线进行预处理后，分别采用主成分分析(PCA)和连续投影算法（SPA)提取最佳主成分和有效波长，并将其作为最小二乘支持向量机(LS-SVM)的输人变量，建立基于叶片上表面和下表面光谱信息的PCA-LS-SVM和SPA-LS-SVM模型。结果显示，基于叶片上表面光谱信息建立的PCA-LS-SVM和SPA-LS-SVM模型对建模集样本的识别正确率分别为 99，46%和98，44%，对预测集样本的识别正确率均为95.83%。基于叶片下表面光谱信息建立的PCA-LS SVM和SPA-LS-SVM模型对建模集样本和预测集样本的识别正确率皆为100%。表明，利用高光谱成像技术结合PCA-LS-SVM和SPA-LS-SVM可实现柚类品种的快速鉴别，叶片下表面光谱信息鉴别效果优于叶片上表面。该研究为柚类的品种快速鉴别提供了一种新方法
关键词高光谱成像；柚；晶种鉴别；连续投影算法；主成分分析；最小二乘支持向量机
中图分类号：0657.3
引言
文献标识码：A
D0I: 10. 3964/j. issn. 10000593(2015 )o9-263905
最小二乘支持向量机（least squares-support vector ma-chine，LS-SVM)由于其优越的学习能力和自适应性被广泛用于光谱数据的分析中[.s)。主成分分析（principal compo-
中国是柚类起源中心和遗传多样性分布中心之一，柚类
种质和品种资源紧多，对品种（系)的鉴定和识别较为困难和复杂。前人已经从形态学、生物化学[]与分子生物学[3]等方面进行了柚类的分类和鉴别研究，但是这些方法繁项、成本较高以及耗时耗力。探索建立一种科学、简单、省时省力的轴类品种鉴别技术很有必要。高光谱成像技术集图像技术与光谱技术于一体，具有波段多、分辨率高、检测快速和无损等优点。近年来，已被用于农产品、食品等品种或类别的鉴别研究，如水稻"，肉类)、西瓜种子[]等，但有关利用
高光谱成像技术对柚类品种的鉴别研究目前还未见报道。收稿日期：2014-07-28，修订日期：2014-11-19
nent analysis，PCA和连续投影算法（successive projections algorithm，SPA)均能大幅度减少建模所用变量的个数，提高建模的速度和效率，使基于PCA和SPA的LS-SVM模型在定性分析得到广泛研究与应用[910]，本试验利用高光谱成像技术分别采集叶片上表面和下表面高光谱图像信息，建立 PCA-LS-SVM和SPA-LS-SVM模型对供试柚类品种进行鉴别，探索采用高光谱成像技术对柚类品种进行快速无损鉴别的可行性，并对基于柚类叶片上表面与下表面的光谱信息的建模效果进行比较，找出最佳光谱采集面，进而用于柚类品种的鉴别研究。
基金项目：国家（863)计划项目（2012AA101904），国家国际科技合作专项（2013DFA11470），国家星火计划项目（2012GA8110017），重庆市
国际科技合作项目（CSTC2011gjhz80001），国家科技支撑计划（2014BAD16B01）和重庆市科技攻关计划项目（cstc2012gg yyjs8002)资助
作者简介：李勋兰，女，1988年生，西南大学园艺园林学院硕士研究生
*通讯联系人
e-mail :liedeng@163. com
e-mail : lixunlan2009126, com