基于近紅外和遠(yuǎn)紅外光譜信息融合的核桃品種鑒別方法

焦 俊，圣 陽(yáng)，馬 鑫，李紹辰，滕 燕，李 春，蔣 玲

(南京林業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院，江蘇 南京210037)

0 引言

核桃在我國(guó)栽培歷史悠久，分布廣泛，品種眾多，是世界著名的4大堅(jiān)果之一[1]。由于不同品種的核桃品質(zhì)存在差異，加工適應(yīng)性也有所不同，核桃品種鑒別在核桃生產(chǎn)加工中顯得尤為重要，急需一種普遍適用的低成本、環(huán)保、快速和準(zhǔn)確的核桃品種鑒別方法。

傳統(tǒng)的核桃品種鑒別有基于形態(tài)學(xué)、細(xì)胞學(xué)、孢粉學(xué)、同工酶和分子標(biāo)記等鑒定方法，這些方法受環(huán)境和實(shí)驗(yàn)條件影響較大，導(dǎo)致識(shí)別的準(zhǔn)確性也受到限制，且材料收集周期長(zhǎng)，操作煩瑣[2-7]。紅外光譜技術(shù)因其具有檢測(cè)速度快、檢測(cè)過(guò)程簡(jiǎn)單、對(duì)樣品破壞性小的特點(diǎn)，已被廣泛地應(yīng)用于農(nóng)產(chǎn)品的定性鑒別及定量檢測(cè)[8-9]。何勇等[10]選用中紅外光譜進(jìn)行分析，實(shí)現(xiàn)核桃品種及產(chǎn)地的判別，其中品種的識(shí)別率為83.3%。ZHU H等[11]將中紅外光譜技術(shù)與機(jī)器學(xué)習(xí)算法相結(jié)合對(duì)核桃進(jìn)行產(chǎn)地和品種的區(qū)分，經(jīng)特征波段選取后采用反向傳播神經(jīng)網(wǎng)絡(luò)模型將品種識(shí)別率提高到87.88%。馬文強(qiáng)等[12]和賈昌路等[13]分別對(duì)核桃的仁和殼進(jìn)行近紅外光譜掃描，通過(guò)所得光譜數(shù)據(jù)分析品種間差異，前者建立的支持向量機(jī)模型識(shí)別準(zhǔn)確率達(dá)96%。LUIGI A等[14]采用近紅外光譜技術(shù)結(jié)合偏最小二乘判別分析準(zhǔn)確地鑒別出意大利南部的索倫托地區(qū)出產(chǎn)的索倫托核桃，準(zhǔn)確率達(dá)98.3%?？偟膩?lái)說(shuō)，采用近紅外光譜數(shù)據(jù)的建模效果遠(yuǎn)遠(yuǎn)好于中紅外光譜數(shù)據(jù)，說(shuō)明核桃在近紅外波段更能體現(xiàn)品種間差異，這是由于不同核桃品種的蛋白質(zhì)、糖分和影響口感的酚類(lèi)物質(zhì)等含量差異明顯。這些物質(zhì)分別對(duì)應(yīng)N-H、C-H和O-H官能團(tuán)，而不同化學(xué)鍵在對(duì)應(yīng)的波段會(huì)被吸收，如C-H和O-H的合頻吸收分別出現(xiàn)在1 410～1 470和1 920～2 050 nm波段，N-H的合頻吸收出現(xiàn)在2 100 nm附近，均處于近紅外波段范圍內(nèi)。因此，相比中紅外波段，近紅外波段所含核桃的物質(zhì)信息更豐富。

處于遠(yuǎn)紅外波段的太赫茲波對(duì)生物分子間的作用力更敏感，很多生物大分子的振動(dòng)和轉(zhuǎn)動(dòng)能級(jí)都位于該波段，物質(zhì)的太赫茲光譜(發(fā)射、反射和透射光譜)包含豐富的物理和化學(xué)信息，可實(shí)現(xiàn)樣品的無(wú)損檢測(cè)[15]。前人均只采用單一光譜波段進(jìn)行研究，并通過(guò)對(duì)比多種分類(lèi)模型，往往僅有一種效果較好，即使通過(guò)尋優(yōu)算法調(diào)參，識(shí)別率也很難達(dá)到100%。本研究首次將遠(yuǎn)紅外光譜技術(shù)應(yīng)用于核桃品種的識(shí)別，通過(guò)提取核桃樣品的有效特征光譜信息，并將遠(yuǎn)紅外與近紅外光譜數(shù)據(jù)融合，實(shí)現(xiàn)光譜檢測(cè)技術(shù)與光譜數(shù)據(jù)的有機(jī)結(jié)合，期望提高核桃識(shí)別模型的準(zhǔn)確率及穩(wěn)健性。

1 材料與方法

1.1樣品的制備

選用7個(gè)核桃品種進(jìn)行光譜采集，分別為清香核桃、溫185核桃、香玲核桃、新新2號(hào)核桃、紙皮核桃、漾濞核桃和岱豐核桃。首先將核桃手工去殼取仁后，將其置于60 ℃的恒溫干燥箱中干燥2 h，防止樣本本身水分對(duì)試驗(yàn)結(jié)果造成干擾。再通過(guò)粉碎機(jī)對(duì)核桃仁樣品進(jìn)行粉碎，制成固體粉末。

1.2近紅外光譜采集

采用紫外-可見(jiàn)-近紅外分光光度計(jì)，型號(hào)為美國(guó)PE公司生產(chǎn)的Lambda 950，涵蓋波長(zhǎng)范圍為175～3 300 nm，光學(xué)系統(tǒng)采用涂覆SiO2的全息刻線(xiàn)光柵，其中近紅外為360條/nm，通過(guò)控制電腦設(shè)置掃描波長(zhǎng)為600～2 500 nm范圍。將粉碎樣品裝入直徑約3 cm的樣品池中并壓平，厚度均保證為5 mm，放入近紅外區(qū)域的檢測(cè)器進(jìn)行掃描，具體樣品數(shù)據(jù)及標(biāo)簽如表1所示。

表1 近紅外光譜采集的核桃樣本數(shù)據(jù)及標(biāo)簽

1.3遠(yuǎn)紅外光譜采集

采用傅里葉變換紅外光譜儀(FTIR)測(cè)試核桃的遠(yuǎn)紅外光譜，通過(guò)該儀器獲得樣品在紅外頻段內(nèi)的光學(xué)參數(shù)，該儀器型號(hào)為德國(guó)Bruker公司生產(chǎn)的Vertex80V，系統(tǒng)分辨率優(yōu)于13.5 GHz，信噪比高達(dá)50 000∶1，采用的分束器為25 μm Myalr膜，對(duì)應(yīng)的有效頻段為0.6～3.6 THz。

由于核桃屬于高脂肪類(lèi)堅(jiān)果，在壓片過(guò)程中容易出油而導(dǎo)致樣本受影響，且純樣本在遠(yuǎn)紅外波段的吸收較強(qiáng)，在制備樣本時(shí)，需要摻加聚乙烯稀釋。然后將樣本粉末研磨至混合均勻并倒入13 mm直徑的模具中進(jìn)行壓片，樣品厚度約為1 mm，測(cè)試時(shí)需要對(duì)樣品倉(cāng)抽真空。為選取最佳濃度樣本，制備了濃度為40%、35%、30%、25%、20%和15%的核桃樣本，分別進(jìn)行光譜掃描并對(duì)比所得光譜，得出20%濃度的圖譜噪聲最小且特性最佳，故試驗(yàn)選取樣本濃度為20%做標(biāo)準(zhǔn)制樣，樣品數(shù)據(jù)及標(biāo)簽如表2所示。

表2 遠(yuǎn)紅外光譜采集的核桃樣品數(shù)據(jù)及標(biāo)簽

1.4化學(xué)計(jì)量學(xué)算法

1.4.1降維算法

主成分分析法(principal component analysis，PCA)是一種被廣泛應(yīng)用到光譜數(shù)據(jù)的定性分析方法[16]。PCA通過(guò)線(xiàn)性變換將原始光譜數(shù)據(jù)投射到一些新的主成分變量(principal components，PCs)，每一個(gè)主成分都是由原始數(shù)據(jù)線(xiàn)性組合而成，只需要幾個(gè)方差最大的主成分即可反映數(shù)據(jù)信息，既能大大降低數(shù)據(jù)維度，同時(shí)也不會(huì)造成信息的大量丟失，但其往往適用于樣本數(shù)據(jù)量大于特征波數(shù)的情形。

無(wú)信息變量消除法(uninformative variables elimination，UVE)是基于偏最小二乘回歸系數(shù)建立的波長(zhǎng)選擇算法，用于消除不提供信息的變量[17]。UVE通過(guò)將回歸系數(shù)的平均值與其標(biāo)準(zhǔn)差的比值h作為衡量指標(biāo)，并人為添加一個(gè)隨機(jī)矩陣作為噪聲矩陣，將噪聲矩陣的最大值h0作為閾值，變量的h值小于h0的變量將被剔除。然而，經(jīng)UVE降維后得到的特征波數(shù)依然較多，往往需要采用其他特征選取算法進(jìn)一步降維。

連續(xù)投影法(successive projections algorithm，SPA)是一種前向變量選擇算法[18]。通過(guò)在向量空間中使用投影操作，可以尋找到含有最低限度的冗余信息的變量組，進(jìn)而選擇光譜信息中最重要的波長(zhǎng)點(diǎn)，能極大程度降低光譜數(shù)據(jù)維度。SPA選擇的波長(zhǎng)點(diǎn)之間具有最小的線(xiàn)性關(guān)系，非常適合具有高共線(xiàn)性的變量。

PCA具有既能保留原始數(shù)據(jù)的大量信息又能大大降低數(shù)據(jù)維度的特點(diǎn)，往往是光譜分析中特征波數(shù)選取的首選方法，本文中遠(yuǎn)紅外光譜數(shù)據(jù)包含的波長(zhǎng)點(diǎn)少于樣本數(shù)，而近紅外波段數(shù)據(jù)維度高達(dá)1 201維，遠(yuǎn)遠(yuǎn)大于樣本數(shù)量，故采用PCA對(duì)遠(yuǎn)紅外數(shù)據(jù)進(jìn)行降維，采用UVE和SPA對(duì)近紅外光譜數(shù)據(jù)進(jìn)行特征波數(shù)的選取。

1.4.2機(jī)器學(xué)習(xí)算法

隨機(jī)森林(random forests，RF)可以構(gòu)造不同相互獨(dú)立的決策樹(shù)，是一種使用多種決策樹(shù)的綜合方法[19]。為了構(gòu)建隨機(jī)森林，對(duì)每個(gè)決策的樣本進(jìn)行隨機(jī)抽樣。決策樹(shù)節(jié)點(diǎn)的特征也從訓(xùn)練集的特征中隨機(jī)選擇，基于每個(gè)決策樹(shù)輸出分類(lèi)結(jié)果。

K近鄰(K-nearest neighbor，KNN)分類(lèi)算法是通過(guò)測(cè)量不同特征值之間的距離進(jìn)行分類(lèi)，多采用歐氏距離來(lái)計(jì)算。KNN的優(yōu)點(diǎn)是依據(jù)K個(gè)對(duì)象中占優(yōu)的類(lèi)別進(jìn)行決策，而不是單一的對(duì)象類(lèi)別決策[20]。

支持向量機(jī)(support vector machine，SVM)本質(zhì)上是一個(gè)二分類(lèi)器，面對(duì)多分類(lèi)任務(wù)，它也能通過(guò)訓(xùn)練多個(gè)二分類(lèi)器完成任務(wù)[21]。SVM是通過(guò)在多維空間中尋找一個(gè)超平面，使不同類(lèi)型的樣本在超平面上較好的區(qū)分開(kāi)來(lái)。到這個(gè)超平面的全部向量被稱(chēng)為支持向量，而支持向量機(jī)就是要找到這些支持向量的算法，需要調(diào)優(yōu)的參數(shù)有懲罰因子c和核函數(shù)參數(shù)g。

RF訓(xùn)練速度比較快，對(duì)高維度數(shù)據(jù)的判別能力強(qiáng)，還可以判斷出特征的重要程度，且不容易過(guò)擬合，適用于小樣本數(shù)據(jù)集，但其對(duì)噪聲較為敏感，往往需要對(duì)光譜數(shù)據(jù)進(jìn)行去噪。KNN的思想簡(jiǎn)單，易于理解和實(shí)現(xiàn)，是一種惰性分類(lèi)方法，計(jì)算量比較大，所以適用于降維后數(shù)據(jù)的建模，較為突出的優(yōu)點(diǎn)是對(duì)于像光譜數(shù)據(jù)這種交叉或重疊較多的樣本集更合適，且適合處理多分類(lèi)問(wèn)題。SVM模型有很高的分辨率和泛化能力，能很好地解決高維問(wèn)題，并且對(duì)小樣本的分類(lèi)問(wèn)題效果好，雖然其對(duì)非線(xiàn)性問(wèn)題沒(méi)有通用的解決方案，但可通過(guò)選擇核函數(shù)來(lái)處理，本文選用了徑向基和線(xiàn)性?xún)煞N核函數(shù)分別建立核桃品種鑒別模型?？傊?，3種方法各有優(yōu)劣，分別應(yīng)用于核桃品種的鑒別，可很好地驗(yàn)證本文光譜融合數(shù)據(jù)的有效性。

2 結(jié)果與分析

2.1光譜預(yù)處理

將7種核桃仁壓片制樣后采用FTIR光譜儀進(jìn)行遠(yuǎn)紅外光譜掃描，所得吸收光譜如圖1所示。由于試驗(yàn)儀器、環(huán)境和操作等會(huì)引起系統(tǒng)誤差，原始光譜的首尾部分有明顯噪聲，故選取1.0～3.2 THz波段范圍的光譜進(jìn)行建模分析。

圖1 7種核桃樣品的遠(yuǎn)紅外吸收光譜Fig.1 Far-infrared absorption spectra of 7 kinds of walnut samples

7種核桃仁的近紅外反射光譜如圖2所示，由于系統(tǒng)誤差造成在全波段都存在些許噪聲，首尾的噪聲更為明顯，在光譜圖中存在較多毛刺，采用Savizky-Golay平滑法去噪，為清香核桃光譜圖去噪前后的效果對(duì)比如圖2a所示。最終選取1 000～2 200 nm波長(zhǎng)范圍進(jìn)行研究，7種核桃近紅外光譜如圖2b所示。

圖2 核桃樣品近紅外反射光譜圖Fig.2 Near-infrared reflectance spectrum of walnut samples

2.2基于單一波段光譜數(shù)據(jù)的品種鑒別模型

7種核桃仁樣品的遠(yuǎn)紅外吸收光譜變化趨勢(shì)相似，但吸收峰不明顯，這是因?yàn)楹颂冶旧沓煞謴?fù)雜且包含多種營(yíng)養(yǎng)成分，而不同營(yíng)養(yǎng)物質(zhì)對(duì)遠(yuǎn)紅外信號(hào)的吸收相互干擾產(chǎn)生了光譜疊加導(dǎo)致無(wú)明顯吸收峰。去除首尾噪聲明顯波段后的遠(yuǎn)紅外光譜數(shù)據(jù)維度仍高達(dá)153維，由于是同種物質(zhì)，光譜數(shù)據(jù)之間有很大的相關(guān)性，是典型的多重共線(xiàn)性問(wèn)題，建模之前采用主成分分析對(duì)原始特征矩陣進(jìn)行降維。由圖3a可知，當(dāng)主成分?jǐn)?shù)超過(guò)10時(shí)，其累計(jì)貢獻(xiàn)率可達(dá)99%以上，說(shuō)明此時(shí)主成分分析降維后的數(shù)據(jù)能夠較好地解釋原樣本數(shù)據(jù)的特征。因此，在本研究中選擇的主成分個(gè)數(shù)為10。

基于前3個(gè)主成分的得分如圖3b所示。不同品種間有部分重疊，且出現(xiàn)同一品種較為分散的現(xiàn)象，在此基礎(chǔ)上采用機(jī)器學(xué)習(xí)算法建立核桃品種識(shí)別模型。

圖3 遠(yuǎn)紅外光譜數(shù)據(jù)主成分分析結(jié)果Fig.3 Principal component analysis results of far infrared spectrum data

同時(shí)，近紅外光譜數(shù)據(jù)維度高達(dá)1 201維，遠(yuǎn)多于樣本數(shù)量，不宜采用PCA方法降維，采用UVE-SPA對(duì)近紅外光譜數(shù)據(jù)進(jìn)行特征波數(shù)選取。先通過(guò)UVE算法削減不提供信息的變量后，還剩701個(gè)有效波長(zhǎng)點(diǎn)(如圖4a)，仍然遠(yuǎn)多于樣本數(shù)量，若將該數(shù)據(jù)作為模型輸入，將導(dǎo)致模型復(fù)雜度較高可能會(huì)產(chǎn)生過(guò)擬合現(xiàn)象。于此，再應(yīng)用SPA算法選出光譜信息中最重要的8個(gè)特征波長(zhǎng)點(diǎn)，如圖4b所示。

圖4 近紅外光譜數(shù)據(jù)特征波數(shù)提取結(jié)果Fig.4 Results of feature wavenumber extraction from NIR spectral data

分別利用PCA降維后的遠(yuǎn)紅外光譜數(shù)據(jù)和基于UVE-SPA特征波數(shù)提取后的近紅外光譜數(shù)據(jù)導(dǎo)入隨機(jī)森林、K近鄰和支持向量機(jī)分類(lèi)模型，訓(xùn)練集與預(yù)測(cè)集比例為7∶3，模型的預(yù)測(cè)能力和穩(wěn)定性由訓(xùn)練集準(zhǔn)確率和均方根誤差(RMSEC)、測(cè)試集準(zhǔn)確率和均方根誤差(RMSEP)進(jìn)行評(píng)價(jià)，其判別結(jié)果如表3所示?？梢?jiàn)，基于近紅外光譜數(shù)據(jù)所建立的模型好于遠(yuǎn)紅外光譜數(shù)據(jù)，在近紅外波段，基于RBF核函數(shù)的SVM分類(lèi)模型的識(shí)別率最高，且訓(xùn)練集和預(yù)測(cè)集分別為100%和98.41%，此結(jié)果與前人的研究相符，但本文將核桃品種數(shù)增加到7種，并采用UVE-SPA選取特征波數(shù)，大大降低了模型復(fù)雜度。而遠(yuǎn)紅外波段KNN模型效果最佳，訓(xùn)練集和預(yù)測(cè)集準(zhǔn)確率分別達(dá)93.88%和84.13%。都表現(xiàn)為個(gè)別方法的效果較好，說(shuō)明不同波段光譜數(shù)據(jù)對(duì)于模型的適應(yīng)性存在差異，因此模型普適性還需進(jìn)一步驗(yàn)證。此外，市面上核桃品種繁雜，數(shù)據(jù)量龐大，顯然基于單一光譜數(shù)據(jù)建立的核桃品種鑒別模型還不夠穩(wěn)健。

表3 遠(yuǎn)紅外和近紅外光譜數(shù)據(jù)降維后模型分類(lèi)結(jié)果

2.3基于數(shù)據(jù)融合的品種鑒別模型

數(shù)據(jù)融合分3個(gè)層次，分別為低級(jí)、中級(jí)和高級(jí)融合。低級(jí)融合即將各波段光譜的數(shù)據(jù)矩陣簡(jiǎn)單地按樣本順序拼接為一個(gè)矩陣。中級(jí)融合是分別從每個(gè)數(shù)據(jù)源中提取特征變量，然后將它們組合成一個(gè)矩陣。高級(jí)融合也稱(chēng)為決策級(jí)融合，是從每個(gè)數(shù)據(jù)源計(jì)算單獨(dú)的分類(lèi)或回歸模型，并將每個(gè)單獨(dú)模型的結(jié)果進(jìn)行組合以獲得最終決策。

低級(jí)融合后變量數(shù)將遠(yuǎn)大于樣本數(shù)量，模型復(fù)雜度較高，往往易造成過(guò)擬合，高級(jí)融合的復(fù)雜程度更高，雖模型效率較高，但對(duì)算法要求更嚴(yán)苛?？紤]到中級(jí)光譜數(shù)據(jù)融合可將光譜數(shù)據(jù)中提取的有效特征信息進(jìn)行疊加整合，既能實(shí)現(xiàn)精簡(jiǎn)數(shù)據(jù)，又能實(shí)現(xiàn)多波段光譜統(tǒng)一分析，達(dá)到提高分析準(zhǔn)確度的目的。故將UVE-SPA特征提取后的近紅外光譜數(shù)據(jù)和PCA降維后的遠(yuǎn)紅外光譜數(shù)據(jù)進(jìn)行中級(jí)數(shù)據(jù)融合，得到包含18個(gè)特征變量的數(shù)據(jù)矩陣，作為模型的輸入變量，按照訓(xùn)練集與測(cè)試集為7∶3的比例建立核桃品種鑒別模型，分類(lèi)結(jié)果如表4所示。

表4 數(shù)據(jù)融合后模型分類(lèi)結(jié)果

顯然，基于融合后的光譜數(shù)據(jù)，隨機(jī)森林分類(lèi)器的識(shí)別準(zhǔn)確率仍然較低，但相較于融合前的遠(yuǎn)紅外和近紅外波段都有所提高，其預(yù)測(cè)集RMSEP也減小到0.776 6。而K近鄰模型和基于徑向基與線(xiàn)性核函數(shù)的SVM模型判別結(jié)果均達(dá)到100%，說(shuō)明遠(yuǎn)紅外光譜數(shù)據(jù)所包含的核桃各品種的差異信息能夠作為近紅外光譜信息的補(bǔ)充，本文所采用的降維算法結(jié)合數(shù)據(jù)融合方法能有效提取出核桃品種間的差異信息，提高了核桃品種鑒別模型的準(zhǔn)確率和穩(wěn)健性。

2.4系統(tǒng)聚類(lèi)分析

系統(tǒng)聚類(lèi)是一種無(wú)監(jiān)督的模式識(shí)別方法，常用于光譜的定性分析，依據(jù)樣品的光譜數(shù)據(jù)蘊(yùn)含的化學(xué)信息相似程度，將比較相似的樣品聚為一類(lèi)。其基本思想：先認(rèn)為每個(gè)樣本自成一類(lèi)，然后計(jì)算類(lèi)與類(lèi)之間的距離，選擇距離最小的一對(duì)合并成一個(gè)新的類(lèi)，重復(fù)計(jì)算距離直至所有樣本都聚為一類(lèi)為止，最后可選取合適的分類(lèi)閾值確定最終分類(lèi)結(jié)果。本文分別利用近紅外、遠(yuǎn)紅外和融合后的光譜進(jìn)行聚類(lèi)分析，以驗(yàn)證融合后數(shù)據(jù)更能體現(xiàn)核桃品種間差異。從樣本數(shù)據(jù)中每個(gè)品種隨機(jī)選取9個(gè)樣本進(jìn)行系統(tǒng)聚類(lèi)分析，結(jié)果如圖5所示，橫坐標(biāo)為樣品標(biāo)簽，縱坐標(biāo)為聚類(lèi)策略中常用的歐氏距離。

圖5 7種核桃樣品聚類(lèi)結(jié)果Fig.5 Clustering results of seven walnut samples

結(jié)果顯示，在近紅外波段，溫185和紙皮核桃被聚為一類(lèi)；香玲和新新2號(hào)核桃聚類(lèi)結(jié)果出現(xiàn)交叉，且被分成3類(lèi)，無(wú)法區(qū)分開(kāi)來(lái)，表明兩者化學(xué)成分相似。在遠(yuǎn)紅外波段，多種品種聚類(lèi)混亂，如溫185、香玲及部分清香核桃被劃為一類(lèi)；漾濞和部分岱豐核桃被劃為一類(lèi)；新新2號(hào)核桃被分割成4類(lèi)；新新2號(hào)和紙皮核桃也出現(xiàn)了交叉現(xiàn)象，說(shuō)明遠(yuǎn)紅外光譜數(shù)據(jù)分類(lèi)準(zhǔn)確度低，無(wú)法直接使用。而經(jīng)中級(jí)數(shù)據(jù)融合后，將近紅外無(wú)法區(qū)分的溫185和紙皮核桃、香玲和新新2號(hào)核桃區(qū)分開(kāi)來(lái)，僅部分岱豐和清香核桃出現(xiàn)品種交叉，以及少量香玲核桃聚類(lèi)錯(cuò)誤。表明本文提出的光譜融合方法能有效提升核桃品種鑒別模型的準(zhǔn)確率和穩(wěn)健性。

3 結(jié)論

通過(guò)將遠(yuǎn)紅外和近紅外光譜技術(shù)應(yīng)用于清香、溫185、香玲、新新2號(hào)、紙皮、漾濞和岱豐這7種核桃品種的鑒別，發(fā)現(xiàn)針對(duì)核桃品種鑒別，近紅外波段特征吸收峰較多，能較好地反映核桃蛋白質(zhì)、糖分和酚類(lèi)物質(zhì)的含量差異，而遠(yuǎn)紅外波段雖各品種有差異但沒(méi)有明顯的吸收峰，因其還包含分子間的振動(dòng)信息。利用遠(yuǎn)紅外光譜和近紅外光譜數(shù)據(jù)建立分類(lèi)模型，并分別采用PCA和UVE-SPA進(jìn)行特征波長(zhǎng)選擇，結(jié)果表明在遠(yuǎn)紅外波段KNN模型效果最好，而在近紅外波段SVM模型最優(yōu)，識(shí)別率分別為84.13%和98.41%。誠(chéng)然，近紅外光譜用于核桃品種鑒別效果優(yōu)于遠(yuǎn)紅外光譜，然而僅僅采用近紅外光譜數(shù)據(jù)進(jìn)行建模的模型普適性還不能達(dá)到實(shí)際應(yīng)用的要求，將近紅外和遠(yuǎn)紅外數(shù)據(jù)進(jìn)行中級(jí)數(shù)據(jù)融合后，提取了更多的特征信息，發(fā)現(xiàn)除隨機(jī)森林以外其余3種方法的識(shí)別準(zhǔn)確率均為100%，同時(shí)也驗(yàn)證了中級(jí)融合后的聚類(lèi)結(jié)果可以將單一光譜無(wú)法區(qū)分的品種進(jìn)行區(qū)分，僅出現(xiàn)少量品種交叉現(xiàn)象。

進(jìn)行中級(jí)數(shù)據(jù)融合后所建立的模型更為穩(wěn)健，說(shuō)明融合后的數(shù)據(jù)更能反映核桃各品種間差異，大大提升了光譜技術(shù)應(yīng)用于核桃品種識(shí)別的準(zhǔn)確性和可靠性。為實(shí)現(xiàn)核桃品種的高效、無(wú)損、精確識(shí)別提供了新思路，也為其他鑒別體系的建立提供了借鑒和參考。