《表2 高光谱和多光谱成像技术在产毒真菌鉴定及毒素检测中的应用》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《无损检测技术在真菌鉴定及毒素检测中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：—.文献中未提及；MSE.均方误差（mean squared error)；SPXY.光谱-理化值共生距离（sample set partitioning based on joint x-y distance)；CARS.竞争性自适应重加权算（competitive adaptive reweighted sampling)；SVR.支持向量机回归（support vector machine regression

在硬件设施改进的基础上，高光谱技术的建模算法也在不断地改进。HSI提供了有关样本的详细信息，然而使用相关而冗余的波长可能会降低分类的准确性。因此在合理范围内减少特征向量的维数不仅可以提高分类器的性能，而且可以提高计算速度，从而更好地解决问题[56]。最常用的特征向量选择方法是PCA，随着计算机技术的发展，更多简洁且高性能的特征向量选择算法得到应用，例如对比连续投影算法（successive projections algorithm，SPA)[57-59]、非参数加权特征提取（nonparametric weighted feature extraction，NWFE)[60]、基于MLP连接权值显著性度量[56]、SFFS[61]、改进格拉姆斯密特算法（modified Gram-Schmidt，MGS）与遗传无信息变量消除算法（genetic uninformative variable elimination，GAUVE)[62]等方法能有效地提取特征波长，进而建立最高效、准确的模型。表2总结了目前H S I技术在农产品中产毒真菌鉴定或毒素检测的建模方法，其中常用PLS-DA[63]、因子判别分析（factorial discriminant analysis，FDA)[64-65]、LDA、二次判别分析（quadratic discriminant analysis，QDA）、马氏统计判别模型[46，66-67]、SVM[62]、光谱角制图（spectral angle mapper，SAM)[68-69]都具有较高的有效性和准确性，但这些研究主要以单粒样品为研究对象，多集中在光谱信息的分类和识别，而空间信息被忽略。Qi Xiaotong[59]和Jiang Jinbao[70]等则分别利用联合稀疏表示模型（joint sparse representation based classification，JSRC）和带标记控制的分水岭算法能够利用空间信息从而识别图像中受污染像素（部分颗粒）的分布。此外，常用的PLSR、多元线性回归（multiple linear regression，MLR）、主成分回归（principal component regression，PCR）、SVM、KNN等均是有监督的学习算法，即对数据集的正确输出已知情况下的一类学习算法。而Siripatrawan等[71]首次利用无监督学习的化学计量学方法——自组织映射网络（self-organizing map，SOM）对糙米粒受真菌感染的不同程度进行分类，并通过图形可视化，为无损检测提供了一个新的思路。未来的研究应该更多地结合空间信息，在单粒样品的基础上确定严重污染的部位，以防将部分严重污染样品直接认定为正常样品。且非监督学习的方法不需要预先对所要分类的区域进行深入了解，从而降低人为误差的概率，因此将会是未来研究的发展趋势。