基于SAGA-SVR預測模型的水稻種子水分含量高光譜檢測

蘆兵 孫俊 楊寧 武小紅

摘要：【目的】利用高光譜技術測定水稻種子的水分含量，為其品質(zhì)監(jiān)測和篩選提供參考依據(jù)，從而提高水稻良種篩選率?！痉椒ā客ㄟ^電烘箱恒重法制備120份不同水分含量的水稻種子樣本作為研究對象，利用多項式平滑（Savitzky-Golay， S-G）算法對原始光譜數(shù)據(jù)進行降噪平滑處理，采用連續(xù)投影算法（Successive projections algorithm， SPA）對預處理后的數(shù)據(jù)進行特征波長的優(yōu)選。為提高建模效率，提高各水分含量區(qū)間光譜特征值的區(qū)分度，使用模糊C-均值聚類（Fuzzy C-means clustering，F(xiàn)CM）算法對各區(qū)間的樣本數(shù)據(jù)進行聚類處理，最后利用支持向量回歸機（Support vector regression， SVR）定量檢測模型建立特征光譜數(shù)據(jù)與水稻種子水分含量的映射關系?！窘Y(jié)果】由于FCM未達到預期的聚類效果，而引入遺傳模擬退火算法（Simulated annealing genetic algorithm，SAGA）進行聚類，分別對基于原始特征值、FCM及SAGA聚類的SVR訓練結(jié)果進行比較，發(fā)現(xiàn)基于SAGA聚類的光譜樣本數(shù)據(jù)訓練效果更好，預測集決定系數(shù)可達0.8956，均方根誤差3.75%。由于決定系數(shù)不夠理想，引入松弛變量降低間隔閾值，最終模型預測集決定系數(shù)為0.9286，均方根誤差為3.42%，此時模型達最佳性能，能滿足實際應用需求?！窘ㄗh】基于聚類算法，提高光譜數(shù)據(jù)的準確性;通過合理調(diào)整模型參數(shù)，提高預測模型性能;推動高光譜農(nóng)產(chǎn)品檢測相關裝備的研制。

關鍵詞： 水稻種子;高光譜;模糊C-均值聚類（FCM）;遺傳模擬退火（SAGA）;支持向量回歸機（SVR）

中圖分類號：? S126? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標志碼：A 文章編號：2095-1191（2018）11-2342-07

Hyperspectral detection for moisture in rice seeds by

SAGA-SVR prediction model

LU Bing1，2， SUN Jun1， YANG Ning1， WU Xiao-hong1

（1School of Electrical and Information Engineering， Jiangsu University， Zhenjiang， Jiangsu? 212013， China; 2Information Center， Jiangsu University， Zhenjiang，Jiangsu? 212013， China）

Abstract：【Objective】The moisture content of rice seeds was determined by hyperspectral technique， which could provide reference for monitoring and screening the quality of rice seeds， so as to improve the yield of rice fine seeds screening. 【Method】One hundred and twenty rice seed samples with different moisture contents were prepared by oven constant weight method. Savitzky-Golay（SG） algorithm was applied in smoothing and denoising the original hyperspectral data， successive projections algorithm（SPA） was used to select characteristic wavelengths for these preprocessed data. In order to improve the modeling efficiency and increase the discrimination of hyperspectral eigenvalues of each moisture interval， fuzzy C-mean clustering（FCM） algorithm was applied to cluster the sample data of each interval. Finally， the mapping relationship between feature hyperspectral eigenvalues and moisture content of the rice seeds was established by a quantitative detection model called support vector regression（SVR）. 【Result】Whereas， FCM did not achieve the desired clustering result， genetic simulated annealing algorithm（SAGA） was introduced for clustering. Then， comparing the SVR training results based on original eigenvalues， FCM and SAGA clustering respectively， it was found that the best training effects of hyperspectral sample data was based on SAGA clustering，the determinant coefficient of the prediction set was up to 0.8956， and the root mean square error was 3.75%. The interval threshold was reduced by introducing rela-xation variable because the coefficient of decision was not ideal. The final prediction coefficient was 0.9286 and the root mean square error was 3.42%. The model achieved its best function and could meet the need of actual practice. 【Suggestion】The following suggestions are proposed： improving the accuracy of spectral data based on clustering algorithm， the prediction model performance should be improved by adjusting the model parameters reasonably， promoting the development of equipment for detection of hyperspectral agricultural products.

Key words： rice seeds; hyperspectral spectrum; fuzzy C-mean clustering（FCM）; simulated annealing genetic algorithm（SAGA）; support vector regression（SVR）

0 引言

【研究意義】水稻種子中的水分含量直接影響秧苗成活率，進而對糧食產(chǎn)量產(chǎn)生重要的影響。已有研究表明，水稻種子中水分含量的高低直接影響其儲存時間和來年抽芽率，水分含量為6%左右的種子可長期保存，而水分含量超過14%的種子來年抽芽率將下降40%（程宇瓊等，2016）。高光譜技術因其高效、無損的特性在農(nóng)產(chǎn)品檢測中已得到廣泛應用，研究一種基于高光譜技術的水稻種子水分含量檢測方法，可為水稻種子品質(zhì)的監(jiān)測和篩選提供很大的便利。【前人研究進展】國內(nèi)外已有不少專家利用高光譜技術檢測農(nóng)產(chǎn)品的水分含量。田喜等（2016）利用近紅外高光譜信，綜合波段比和閾值2種調(diào)節(jié)方式，通過建立偏最小二乘（Partial least squares，PLS）模型無損檢測玉米籽粒的水分含量。蔡正云等（2017）利用競爭適應重加權采樣（Competitive adaptive reweighted sampling，CARS）提取特征波長，建立偏最小二乘回歸法（Partial least squares regression， PLSR）模型對葡萄中水分含量進行無損檢測研究。孫俊等（2017）通過對比分析CARS、譜殘余法（Spectral residual，SR）和SPA等3種方式對高光譜圖像特征波長的篩選效果，并利用SVR模型分析油麥菜葉片中的水分含量。王純陽（2017）利用近紅外漫反射光譜模型，結(jié)合標準正態(tài)變換預處理（Standard normal variate， SNV）對單粒水稻種子的水分含量進行測定，其方法在單粒水稻種子水分含量預測上取得良好效果，預測集決定系數(shù)達0.941，均方根誤差0.338%。Dong等（2017）以6組不同存儲年份（2002—2007年）的小麥種子為研究對象，利用高光譜紅外技術，使用相似分類法（Soft independent modeling of class analogy， SIMCA）建立不同儲存年份種子及其水分含量之間的預測模型，由于不同年份種子水分含量區(qū)別較明顯，模型預測正確率達97.05%。Crichton等（2018）利用近紅外高光譜信息，通過三分量偏最小二乘回歸預測蘋果切片中水分含量及其表面色度變化的關系。Zhou等（2018）使用WT-PLSR模型，利用高光譜圖像信息預測萵苣葉片中的水分含量。以上研究表明利用高光譜技術無損檢測農(nóng)作物中水分含量完全可行。由于在采集作物光譜信息時，作物的殼皮、莖干等會對采集的光譜數(shù)據(jù)產(chǎn)生一定干擾，信息采集時需要非常精密的測量儀器，但測量的光譜數(shù)據(jù)和真實值仍存在一些偏差（李美凌等，2015）?！颈狙芯壳腥朦c】針對此類問題，部分學者在研究方法和數(shù)據(jù)預處理上進行改進，如通過預加熱消除暗電流的影響，或通過去除首尾一定數(shù)量波段信息的方式，以降低環(huán)境因素對光譜質(zhì)量的影響;但至今通過聚類方式對稻種高光譜數(shù)據(jù)進行處理，以縮小測量值與真實值間誤差的研究尚鮮有報道。【擬解決的關鍵問題】通過遺傳模擬退火算法（Simulated annealing genetic algorithm， SAGA）對水稻種子的光譜數(shù)據(jù)進行聚類，從而提高不同水分含量水稻種子光譜數(shù)據(jù)的區(qū)分度，使得測量值更加接近真實值，最后通過SVR模型實現(xiàn)對水稻種子水分含量的精確預測，為其批量篩選提供指標依據(jù)。

1 材料與方法

1. 1 試驗材料

水稻種子樣本取自江蘇大學農(nóng)業(yè)裝備與技術實驗室水稻實驗田，品種為安優(yōu)18號，于水稻成熟季清晨水稻充分吸收朝露后進行采摘。將采摘后的水稻種子置于40 ℃高溫下暴曬12 h，其間每隔2 h均勻翻動一次，以防受熱不均發(fā)生爆腰現(xiàn)象。本研究中所有樣本的水分含量值均按照食品安全國家標準GB/T 5009.3—2010《食品中水分的測定》的電烘箱恒重法測得，曬干后的初始樣本中水分含量測定值為4.26%。

1. 2 試驗方法

1. 2. 1 試驗設計 將測試樣本分成10組，每組12份，每份50 g，共計120份稻種樣本。試驗設定每組樣本具有相同的水分含量，從第1組4.26%開始以2.00%為步長遞增。將樣本按組封裝入干燥廣口瓶中，并貼上組號標簽。為達到本規(guī)定的水分含量值，每組樣本需要分別添加不同質(zhì)量的蒸餾水，計算公式如下：

△mj=[m0（CMWj-CMW0）1-CMWj]（j=1，2[…]10）? ?（1）

式中，△mj為第j組樣本需要添加的蒸餾水質(zhì)量，m0為樣本初始質(zhì)量（50 g），CMWj為第j組樣本的預設水分含量，CMW0為樣本初始水分含量（4.26%）。為保證樣本中水分含量的準確性，在噴曬注水的同時搖勻試劑瓶中的種子樣本，使水分均勻滲透。密封靜置24 h后，采用恒溫烘干法（閔丹丹等，2015）對樣本水分含量進行核定。

1. 2. 2 高光譜圖像數(shù)據(jù)采集 高光譜圖像的采集設備為芬蘭Spectral Imaging公司生產(chǎn)的ImSpector N17E型高精度光譜圖像采集套件，其分辨率為5 nm@1129 nm。套件包含：CCD相機[Xeva-FPA-2.5-320（100 Hz）， Xenics Ltd.， Leuven， Belgiun];鏡頭（OLES30 f-2.0/30 mm， Oulu， Finland）;光源為150 W鹵鎢燈（Dolan Jenner Industries， 美國）;電控平移臺（SC30021A， Zolix，北京）。為減少環(huán)境噪聲和暗流對光譜采集的影響，提前打開光源進行預熱，對試驗臺進行黑白標定（孫俊等，2014）。試驗時將水稻種子樣本均勻平鋪在一塊6 cm×10 cm的黑板上，并使用平板壓實，使其厚度控制在0.8 cm，然后緩慢推送至移動臺上進行高光譜圖像的采集，設定相機曝光時間20 ms，移動臺速度1.25 nm/s，光譜范圍875～1875 nm。為進一步降低噪聲干擾，去掉高光譜圖像數(shù)據(jù)首尾部各15個波段信息，最終得到波長范圍903～1750 nm、共226個波長的高光譜數(shù)據(jù)。將測得的光譜數(shù)據(jù)按照2∶1的比例進行劃分，共得到校正集樣本80個，預測集樣本40個。圖1為所測得的藍色、綠色和紅色光區(qū)下水稻種子樣品部分的高光譜序列圖。

1. 2. 3 建模算法 模糊C-均值聚類（FCM）是目前廣泛使用的一種聚類算法（Liu and Xu，2008），該算法使用歐幾里得空間確定數(shù)據(jù)點的幾何貼近度，將數(shù)據(jù)分到不同的聚類，然后確定聚類之間的距離。FCM算法為很多其他模糊聚類分析方法提供了理論基礎，應用十分廣泛。支持向量機（SVM）以結(jié)構(gòu)化風險最小化的統(tǒng)計學理論為準則，在最小化樣本點誤差的同時最小化結(jié)構(gòu)風險，因此模型具有很強的泛化能力。由于水稻種子光譜特征值和水分含量的映射是一個線性不可分問題（李丹等，2016），因此，先通過非線性映射Φ∶R2→H，將原輸入空間的樣本映射到高維特征空間（H），然后在高維特征空間構(gòu)造最優(yōu)分類超平面?？紤]到高維轉(zhuǎn)換后仍可能存在少量樣本線性不可分，引入松弛變量進行調(diào)優(yōu)（郭晨晨和朱紅康，2017）。在求解對偶時，通過滿足Mercer條件的核函數(shù)K（xi，xj）=Φ（xi）Φ（xj）代替點積運算，以減少計算量和復雜度。

遺傳模擬退火算法（SAGA）將遺傳算法和模擬退火算法的優(yōu)點相互結(jié)合、取長補短（楊衛(wèi)波等，2016）。該算法克服了傳統(tǒng)遺傳算法的早熟問題，同時可根據(jù)不同問題設計遺傳編碼及適應度函數(shù)，使得算法適用范圍更廣，且能更快速、有效收斂到全局最優(yōu)解。其算法實現(xiàn)是在遺傳算法的運行過程中融入模擬退火算法（郁磊等，2015）。

1. 3 統(tǒng)計分析

對水稻種子樣本高光譜數(shù)據(jù)的聚類處理及SVR預測模型的建立和性能測試均在Matlab 2012a中完成。

2 結(jié)果與分析

2. 1 興趣區(qū)域提取

感興趣區(qū)域（Region of interest， ROI）是光譜圖像采集的重點區(qū)域，區(qū)域選擇的優(yōu)劣直接影響后期建模的分析精度（郭志明等，2014），由于平鋪的水稻種子在黑板邊緣變得不均勻并且存在部分陰影，因此選擇黑板中心位置4 cm×4 cm的方形區(qū)域作為高光譜數(shù)據(jù)采集的ROI。

2. 2 高光譜預處理

如圖2-A所示，由于受硬件特性及隨機誤差的影響，采集到的特征值曲線形態(tài)上松散，數(shù)據(jù)抖動較多，極大地降低了數(shù)據(jù)相關性，增加了建模難度。多項式平滑（S-G）方法不僅可消去抖動和平滑曲線（趙旭婷等，2017），還能最大限度地保留特征數(shù)據(jù)，本研究采用S-G方法對原始數(shù)據(jù)進行降噪處理，效果如圖2-B所示，經(jīng)S-G方法預處理后，光譜數(shù)據(jù)的形態(tài)更加平滑、緊湊，更有利于后期的數(shù)據(jù)分析。

2. 3 選取特征波長

使用ENVI采集到的水稻種子高光譜數(shù)據(jù)中共含256個波長的光譜信息，需要從中提取最具有代表性的特征波長信息，提高后期建模的效率。（1）篩選出水分含量反光性敏感波段。分別選取樣本組中水分含量區(qū)間最低、中間及最高的樣本各2組，即組編號為1、2，5、6及9、10的樣本。交叉計算各樣本間對應各波長光譜反射強度的偏移率，取其平均值作為該波長的典型偏移率，如圖3-A所示，波峰處的波長在水分變化時偏移率最高，說明當水分含量發(fā)生變化時這些波長的高光譜反射信息變化最顯著，波峰處的波長即為對水分含量變化敏感的待篩選波長。（2）Matlab 2012a中運行連續(xù)投影算法（SPA）對特征波長進行選擇，設定預選擇的波長為6≤N≤50，以不同波長數(shù)量下均方根誤差為選取依據(jù)，確定最優(yōu)波長數(shù)。從圖3-B可看出，當波長數(shù)量增加時，均方根誤差逐步遞減;當波長數(shù)大于15時，均方根誤差穩(wěn)定在0.7836（紅點）附近。因此，為提高建模效率選取15個特征波長，分別為914、927、996、1101、1140、1161、1217、1301、1348、1389、1430、1666、1692、1707和1727 nm（圖3-C）。（3）通過十折交叉驗證法對選取的特征波長代表性進行驗證，得到均方根誤差為0.7912，說明通過SPA選取的特征波長能夠較好地反映不同水分含量稻種高光譜數(shù)據(jù)的特征。

2. 4 預測模型及其分析結(jié)果

預測模型通過libsvm軟件包建立。libsvm共實現(xiàn)5種類型的SVR（Li and Zhang， 2011），由于訓練樣本有限，本研究選用ε-支持向量回歸機模型（ε-SVR）作為預測模型。為提高訓練樣本的代表性，使用FCM算法對校驗集樣本進行聚類處理。在實際的聚類過程中，10個樣本中心的聚類過程是一次性完成，但為了更好地說明聚類過程并檢驗聚類效果，選取前4組樣本進行試驗。運行FCM聚類函數(shù)后得到目標函數(shù)值jb=3.5368，每次運行結(jié)果不一樣，可能與初始聚類中心點的選取有關系，因為實際FCM是一種局部搜索優(yōu)化算法（肖滿生等，2015），初始值選取是否適當直接關系到算法能否收斂到最小極值點上。運行SAGA優(yōu)化算法后得到結(jié)果jb=3.3052，且每次聚類后結(jié)果一致，說明SAGA聚類算法的精度和穩(wěn)定性均優(yōu)于FCM聚類。前4組樣本經(jīng)SAGA聚類后的效果如圖4所示，其中，每個樣本組幾何中心位置的三角形標識代表該樣本組的聚類中心。逐步增加聚類樣本數(shù)量，發(fā)現(xiàn)SAGA聚類每次都能快速收斂到全局最優(yōu)解，最終完成10組樣本聚類后得到最優(yōu)目標函數(shù)值jb=3.1242。

為定量分析SAGA聚類對預測模型的提升效果，分別以原始光譜特征值、FCM和SAGA聚類后的特征值作為SVR模型輸入的自變量，以水含率作為輸出因變量對模型進行訓練，并對預測集樣本的水分含量進行預測，分別從決定系數(shù)和均分根誤差2個指標項對模型性能進行對比分析，結(jié)果（表1）表明，F(xiàn)CM-SVR和SAGA-SVR相較于原始特征光譜信息SVR模型性能有了明顯提升，說明經(jīng)過聚類處理過的光譜特征信息可更好地初始化SVR模型的訓練參數(shù)，雖然增加了運算的復雜度，但是模型的決定系數(shù)和均方根誤差分別提高5.94%和43.70%，因為聚類后的樣本數(shù)據(jù)向本組數(shù)據(jù)中心趨同的原因，樣本的區(qū)分度變得更高，SVR模型的訓練參數(shù)能夠快速穩(wěn)定到最優(yōu)值，從而使模型整體的預測性能得到有效提升。

使用SAGA-SVR模型對校正集和預測集的樣本分別進行預測，其對比分析結(jié)果如圖5所示，樣本水分含量的預測值和實際值離中心線（y=x）的距離比較分散，預測結(jié)果不是十分理想。

雖然通過SAGA聚類后的樣本具有更好的收斂性，但通過非線性映射到高維特征空間后仍存在少量樣本游離在線性范圍以外，SAGA-SVR模型的預測集在這些點的干擾下決定系數(shù)只有0.8956，并不是十分理想。因此，引入松弛變量（εi）降低間隔閾值（熊寧等，2012），再通過調(diào)整目標函數(shù)中懲罰因子（c）對游離點進行過濾，當εi=0.32和c=22時校正集的決定系數(shù)為0.9325、均方根誤差為0.0217，預測集的決定系數(shù)為0.9286、均方根誤差為0.0342，說明模型此時達最佳性能，未出現(xiàn)欠擬合和過擬合的情況。圖6為調(diào)優(yōu)后SAGA-SVR模型校驗集和預測集的預測結(jié)果，相較于優(yōu)化前（圖5），預測結(jié)果的分布更加集中于中心線（y=x），說明松弛變量的引入確實提高了模型的預測精度，達到預期效果。

3 討論

種子的水分含量對其抽芽率有重要影響。宋平等（2016）利用低場核磁共振檢測水稻浸種過程中種子水分的相態(tài)分布特征，其優(yōu)點在于能區(qū)分出種子中結(jié)合水和自由水兩種水分狀態(tài)，但無法對種子中水分含量進行精準定量分析。本研究利用高光譜技術能有效預測水稻種子具體的水分含量，且不會破壞種子的分子結(jié)構(gòu)，避免了對種子造成二次污染，在檢測過程中只需采集種子的光譜信息即可實時預測出種子中的水分含量，檢測過程十分便捷。在對光譜數(shù)據(jù)的預處理方面，為提高建模效率，潘冉冉等（2017）通過正態(tài)變量變換（SNV）、去趨勢化（De-trending）和多元散射校正（Multiplicative scatter correction， MSC）等方法對原始數(shù)據(jù)進行預處理，用主成分載荷（PCA Loadings）、載荷系數(shù)法（X-Loading weight， X-LW）、回歸系數(shù)法（Regression coefficient， RC）進行特征波長的選取;Sun等（2018）利用競爭性自適應重加權算法（CARS）和后向迭代的隨機森林（Random forest and recursive feature elimination， RF-RFE）特征選擇方法進行一次特征波長優(yōu)選，再利用SPA進行二次關鍵變量提取，雖然均獲得不錯的分類和預測效果，但是樣本預處理流程繁瑣，不便于實際應用。本研究采用預分類的方法，使用SAGA算法對訓練集樣本進行一次聚類，使各水平樣本區(qū)分度得到顯著提高，通過聚類后的樣本對SVR模型進行訓練和參數(shù)標定。由于SAGA算法集合了遺傳和模擬退火算法的優(yōu)點，使得樣本的每次聚類都能搜索到全局最優(yōu)解，模型的穩(wěn)定性和預測性能得到有效改善。此外，本研究通過引入松弛變量優(yōu)化模型的線性相關性，提高了決定系數(shù)，最終訓練好的模型預測集決定系數(shù)和均方根誤差分別為0.9286和0.0342，較模型優(yōu)化前分別提高3.6%和9.7%，預測性能基本能夠滿足實際應用需求。

4 建議

4. 1 基于聚類算法，提高光譜數(shù)據(jù)的準確性

對農(nóng)作物進行高光譜檢測時，光譜數(shù)據(jù)的準確性直接影響后期預測模型的性能，高光譜的數(shù)據(jù)特征能否反應農(nóng)作物生長指標的真實情況，是衡量光譜數(shù)據(jù)質(zhì)量的直接標準。在進行農(nóng)作物高光譜信息采集的實踐中，植物的莖干、殼皮等會對高光譜信息造成干擾，因此，建議在對殼皮類、莖干類農(nóng)作物使用高光譜技術進行檢測時，使用聚類方法對原始光譜進行聚類處理，以降低殼皮等對光譜信息的干擾，使其更接近光譜的真實值。

4. 2 通過合理調(diào)整模型參數(shù)，提高預測模型性能

預測分析模型通過對訓練集數(shù)據(jù)的學習來完成模型參數(shù)的初始化，實現(xiàn)對未知數(shù)據(jù)的分類預測，但在實際情況中，訓練集樣本的數(shù)量和種類通常無法支持模型而將參數(shù)訓練到最優(yōu)狀態(tài)，此時需要對模型的訓練過程進行干預，通過調(diào)整相關參數(shù)使其逼近最優(yōu)參數(shù)。針對SVR模型而言，可通過優(yōu)化松弛變量的方式提高模型的線性相關性，以提高預測結(jié)果的穩(wěn)定性。

4. 3 推動高光譜農(nóng)產(chǎn)品檢測相關裝備的研制

高光譜技術因其高效、無損的特性，在農(nóng)產(chǎn)品檢測等領域得到國內(nèi)外學者的廣泛關注，但相關檢測裝備的研制和應用尚未普及。實際操作中需進一步優(yōu)化高光譜檢測設備的便捷性、通用性，減少使用成本，降低環(huán)境因素對檢測結(jié)果的干擾，使其更好地適應各種環(huán)境下的作業(yè)。探究得出以上問題的最優(yōu)解決途徑，高光譜檢測設備的應用才能夠真正普及。

參考文獻：

蔡正云， 吳龍國， 王箐， 潘媛， 馬建榮， 李梓溢. 2017. 寧夏赤霞珠葡萄水分含量的高光譜無損檢測研究[J]. 食品工業(yè)科技，38（2）：79-83. [Cai Z Y，Wu L G，Wang Q，Pan Y， Ma J R，Li Z Y. 2017. Non-destructive determination of moisture composition in Ningxia wine grapes based on visible near-infrared hyperspectral imaging technique[J]. Science and Technology of Food Industry，38（2）：79-83.]

程宇瓊， 盧偉， 洪德林， 黨小景，羅慧. 2016. 連續(xù)偏振光譜的稻種發(fā)芽率檢測方法研究[J]. 光譜學與光譜分析，36（7）： 2200-2206. [Cheng Y Q， Lu W， Hong D L， Dang X J， Luo H. 2016. Study on the prediction of germination rate of rice seeds with continuous polarization spectroscopy[J]. Spectroscopy and Spectral Analysis， 36（7）： 2200-2206.]

郭晨晨， 朱紅康. 2017. 一種改進的支持向量機模型研究[J]. 陜西科技大學學報（自然科學版），35（2）：189-194. [Guo C C，Zhu H K. 2017. Research on an improved support vector machine model[J]. Journal of Shaanxi University of Science and Technology（Natural Science Edition），35（2）： 189-194.]

郭志明， 黃文倩， 彭彥昆， 王秀， 李江波. 2014. 高光譜圖像感興趣區(qū)域?qū)μO果糖度模型的影響[J]. 現(xiàn)代食品科技， 30（8）：59-63. [Guo Z M，Huang W Q，Peng Y K，Wang X， Li J B. 2014. Impact of region of interest selection for hyperspectral imaging and modeling of sugar content in apple[J]. Modern Food Science and Technology， 30（8）： 59-63.]

李丹， 何建國， 劉貴珊， 賀曉光， 王松磊， 吳龍國. 2016. 基于高光譜成像技術的小黃瓜水分無損檢測[J]. 紅外與激光工程， 43（7）： 2393-2397. [Li D， He J G， Liu G S， He X G， Wang S L， Wu L G. 2016. Non-destructive detection of moisture content in gherkin using hyperspectral imaging[J]. Infrared and Laser Engineering， 43（7）： 2393-2397.]

李美凌， 鄧飛， 劉穎， 祁享年，張曉. 2015. 基于高光譜圖像的水稻種子活力檢測技術研究[J]. 浙江農(nóng)業(yè)學報， 27（1）： 1-6. [Li M L， Deng F， Liu Y， Qi X N， Zhang X. 2015. Study on detection technology of rice seed vigor based on hyperspectral image[J]. Acta Agriculturae Zhejiangensis， 27（1）： 1-6.]

閔丹丹， 范燕， 胡小文， 王彥榮. 2015. 35種牧草種子含水量測定方法的研究[J]. 種子， 34（4）： 95-98. [Min D D，F(xiàn)an Y，Hu X W，Wang Y R. 2015. Study on water content in 35 kinds of grass seed by high and low constant temperature oven method[J]. Seed， 34（4）： 95-98.]

潘冉冉，駱一凡，王昌，張初，何勇，馮雷. 2017. 高光譜成像的油菜和雜草分類方法[J]. 光譜學與光譜分析， 37（11）： 3567-3572. [Pan R R，Luo Y F，Wang C，Zhang C，He Y，F(xiàn)eng L. 2017. Classifications of oilseed rape and weeds based on hyperspectral imaging[J]. Spectroscopy and Spectral Analysis， 37（11）： 3567-3572.]

宋平， 徐靜， 馬賀男， 王成， 楊濤， 高鶴. 2016. 用低磁場核磁共振檢測水稻浸種過程中種子水分的相態(tài)及分布特征[J]. 農(nóng)業(yè)工程學報， 32（6）： 204-210. [Song P， Xu J， Ma H N， Wang C，Yang T， Gao H. 2016. Moisture phase state and distribution characteristics of seed during rice seed soaking process by low field nuclear magnetic resonance[J]. Transactions of the Chinese Society of A-gricultural Engineering， 32（6）： 204-210.]

孫俊， 叢孫麗， 毛罕平， 武小紅， 張曉東， 汪沛. 2017. 基于高光譜的油麥菜葉片水分CARS-ABC-SVR預測模型[J]. 農(nóng)業(yè)工程學報，33（5）： 178-184. [Sun J，Cong S L， Mao H P，Wu X H， Zhang X D，Wang P. 2017. CARS-ABC-SVR model for predicting leaf moisture of leaf-used lettuce based on hyperspectral[J]. Transactions of the Chinese Society of Agricultural Engineering， 33（5）： 178-184.]

孫俊， 金夏明， 毛罕平， 武小紅， 朱文靜， 張曉東， 高洪燕. 2014. 基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測[J]. 農(nóng)業(yè)工程學報， 30（10）： 167-173. [Sun J， Jin X M，Mao H P，Wu X H，Zhu W J，Zhang X D，Gao H Y. 2014. Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology[J]. Transactions of the Chinese Socie-ty of Agricultural Engineering， 30（10）： 167-173.]

田喜， 黃文倩， 李江波， 樊書祥，張保華. 2016. 高光譜圖像信息檢測玉米籽粒胚水分含量[J]. 光譜學與光譜分析， 36（10）： 3237-3242. [Tian X， Huang W Q， Li J B， Fan S X， Zhang B H. 2016. Measuring the moisture content in maize kernel based on hyperspctral image of embryo region[J]. Spectroscopy and Spectral Analysis， 36（10）： 3237-3242.]

王純陽. 2017. 基于近紅外光譜的單籽粒水稻種子品質(zhì)檢測的方法研究[D]. 合肥：中國科學技術大學. [Wang C Y. 2017. The nondestructive quality analysis of single rice seed using near infrared spectroscopy[D]. Hefei： University of Science and Technology of China.]

肖滿生，文志誠，張居武，汪新凡. 2015. 一種改進隸屬度函數(shù)的FCM聚類算法[J]. 控制與決策， 30（12）： 2270-2274. [Xiao M S，Wen Z C，Zhang J W，Wang X F. 2015. An FCM clustering algorithm with improved membership function[J]. Control and Decision，30（12）：2270-2274.]

熊寧， 張魏， 黃金海， 李曼麗. 2012. 基于約束松弛變量策略的中心校正內(nèi)點法[J]. 電力系統(tǒng)保護與控制， 40（14）： 20-25. [Xiong N， Zhang W， Huang J H， Li M L. 2012. Centrality correction interior point method based on constrained slack variables strategy[J]. Power System Protection and Control， 40（14）： 20-25.]

楊衛(wèi)波， 王萬良， 張景玲， 趙燕偉. 2016. 基于遺傳模擬退火算法的矩形件優(yōu)化排樣[J]. 計算機工程與應用， 52（7）： 259-263. [Yang W B，Wang W L，Zhang J L，Zhao Y W. 2016. Packing optimization of rectangles based on improved genetic annealing algorithm[J]. Computer Engineering and Applications， 52（7）： 259-263.]

郁磊， 史峰， 王輝， 胡斐. 2015. 智能算法30個案例分析[M]. 第2版. 北京： 北京航空大學出版社：190-192. [Yu L，Shi F，Wang H，Hu F. 2015. 30 Cases Analysis of Intelligent Algorithm[M]. The 2nd Edition. Beijing： Beijing Aeronautical University Press：190-192.]

趙旭婷， 張淑娟， 劉蔣龍， 孫海霞. 2017. 高光譜技術結(jié)合CARS-ELM的油桃品種判別研究[J]. 現(xiàn)代食品科技， 33（10）： 281-287. [Zhao X T， Zhang S J，Liu J L，Sun H X. 2017. Study on varieties discrimination of nectarine by hyperspectral technology combined with CARS-ELM algorithm[J]. Modern Food Science and Technology， 33（10）： 281-287.]

Crichton S，Shrestha L，Hurlbert A，Sturm B. 2018. Use of hyperspectral imaging for the prediction of moisture content and chromaticity of raw and pretreated apple slices during convection drying[J]. Drying Technology，36（7）： 804-816.

Dong G，Guo J，Wang C，Liang K H，Lu L G，Wang J，Zhu D Z. 2017. Differentiation of storage time of wheat seed based on near infrared hyperspectral imaging[J]. International Journal of Agricultural & Biological Engineering， 10（2）：251-258.

Li L F，Zhang J W. 2011. A proximal SVR algorithm for water resource demand prediction[J]. Journal of Information and Computational Science， 8（11）： 2207-2212.

Liu J W， Xu M Z. 2008. Kernelized fuzzy attribute C-means clustering algorithm[J]. Fuzzy Sets and Systems，159（18）： 2428-2445.

Sun J，Cong S L，Mao H P，Wu X H，Yang N. 2018. Quantitative detection of mixed pesticide residue of lettuce leaves based on hyperspectral technique[J]. Journal of Food Process Engineering，41（2）： e12654.

Zhou X，Sun J，Mao H P，Wu X H，Zhang X D，Yang N. 2018. Visualization research of moisture content in leaf lettuce leaves based on WT-PLSR and hyperspectral ima-ging technology[J]. Journal of Food Process Engineering， 41（2）： e12647.