基于SAGA-SVR预测模型的水稻种子水分含量高光谱检测

芦兵 孙俊 杨宁 武小红

摘要：【目的】利用高光譜技术测定水稻种子的水分含量，为其品质监测和筛选提供参考依据，从而提高水稻良种筛选率。【方法】通过电烘箱恒重法制备120份不同水分含量的水稻种子样本作为研究对象，利用多项式平滑（Savitzky-Golay， S-G）算法对原始光谱数据进行降噪平滑处理，采用连续投影算法（Successive projections algorithm， SPA）对预处理后的数据进行特征波长的优选。为提高建模效率，提高各水分含量区间光谱特征值的区分度，使用模糊C-均值聚类（Fuzzy C-means clustering，FCM）算法对各区间的样本数据进行聚类处理，最后利用支持向量回归机（Support vector regression， SVR）定量检测模型建立特征光谱数据与水稻种子水分含量的映射关系。【结果】由于FCM未达到预期的聚类效果，而引入遗传模拟退火算法（Simulated annealing genetic algorithm，SAGA）进行聚类，分别对基于原始特征值、FCM及SAGA聚类的SVR训练结果进行比较，发现基于SAGA聚类的光谱样本数据训练效果更好，预测集决定系数可达0.8956，均方根误差3.75%。由于决定系数不够理想，引入松弛变量降低间隔阈值，最终模型预测集决定系数为0.9286，均方根误差为3.42%，此时模型达最佳性能，能满足实际应用需求。【建议】基于聚类算法，提高光谱数据的准确性;通过合理调整模型参数，提高预测模型性能;推动高光谱农产品检测相关装备的研制。

关键词： 水稻种子;高光谱;模糊C-均值聚类（FCM）;遗传模拟退火（SAGA）;支持向量回归机（SVR）

中图分类号：  S126                                   文献标志码：A 文章编号：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

【研究意义】水稻种子中的水分含量直接影响秧苗成活率，进而对粮食产量产生重要的影响。已有研究表明，水稻种子中水分含量的高低直接影响其储存时间和来年抽芽率，水分含量为6%左右的种子可长期保存，而水分含量超过14%的种子来年抽芽率将下降40%（程宇琼等，2016）。高光谱技术因其高效、无损的特性在农产品检测中已得到广泛应用，研究一种基于高光谱技术的水稻种子水分含量检测方法，可为水稻种子品质的监测和筛选提供很大的便利。【前人研究进展】国内外已有不少专家利用高光谱技术检测农产品的水分含量。田喜等（2016）利用近红外高光谱信，综合波段比和阈值2种调节方式，通过建立偏最小二乘（Partial least squares，PLS）模型无损检测玉米籽粒的水分含量。蔡正云等（2017）利用竞争适应重加权采样（Competitive adaptive reweighted sampling，CARS）提取特征波长，建立偏最小二乘回归法（Partial least squares regression， PLSR）模型对葡萄中水分含量进行无损检测研究。孙俊等（2017）通过对比分析CARS、谱残余法（Spectral residual，SR）和SPA等3种方式对高光谱图像特征波长的筛选效果，并利用SVR模型分析油麦菜叶片中的水分含量。王纯阳（2017）利用近红外漫反射光谱模型，结合标准正态变换预处理（Standard normal variate， SNV）对单粒水稻种子的水分含量进行测定，其方法在单粒水稻种子水分含量预测上取得良好效果，预测集决定系数达0.941，均方根误差0.338%。Dong等（2017）以6组不同存储年份（2002—2007年）的小麦种子为研究对象，利用高光谱红外技术，使用相似分类法（Soft independent modeling of class analogy， SIMCA）建立不同储存年份种子及其水分含量之间的预测模型，由于不同年份种子水分含量区别较明显，模型预测正确率达97.05%。Crichton等（2018）利用近红外高光谱信息，通过三分量偏最小二乘回归预测苹果切片中水分含量及其表面色度变化的关系。Zhou等（2018）使用WT-PLSR模型，利用高光谱图像信息预测莴苣叶片中的水分含量。以上研究表明利用高光谱技术无损检测农作物中水分含量完全可行。由于在采集作物光谱信息时，作物的壳皮、茎干等会对采集的光谱数据产生一定干扰，信息采集时需要非常精密的测量仪器，但测量的光谱数据和真实值仍存在一些偏差（李美凌等，2015）。【本研究切入点】针对此类问题，部分学者在研究方法和数据预处理上进行改进，如通过预加热消除暗电流的影响，或通过去除首尾一定数量波段信息的方式，以降低环境因素对光谱质量的影响;但至今通过聚类方式对稻种高光谱数据进行处理，以缩小测量值与真实值间误差的研究尚鲜有报道。【拟解决的关键问题】通过遗传模拟退火算法（Simulated annealing genetic algorithm， SAGA）对水稻种子的光谱数据进行聚类，从而提高不同水分含量水稻种子光谱数据的区分度，使得测量值更加接近真实值，最后通过SVR模型实现对水稻种子水分含量的精确预测，为其批量筛选提供指标依据。

1 材料与方法

1. 1 试验材料

水稻种子样本取自江苏大学农业装备与技术实验室水稻实验田，品种为安优18号，于水稻成熟季清晨水稻充分吸收朝露后进行采摘。将采摘后的水稻种子置于40 ℃高温下暴晒12 h，其间每隔2 h均匀翻动一次，以防受热不均发生爆腰现象。本研究中所有样本的水分含量值均按照食品安全国家标准GB/T 5009.3—2010《食品中水分的测定》的电烘箱恒重法测得，晒干后的初始样本中水分含量测定值为4.26%。

1. 2 试验方法

1. 2. 1 试验设计 将测试样本分成10组，每组12份，每份50 g，共计120份稻种样本。试验设定每组样本具有相同的水分含量，从第1组4.26%开始以2.00%为步长递增。将样本按组封装入干燥广口瓶中，并贴上组号标签。为达到本规定的水分含量值，每组样本需要分别添加不同质量的蒸馏水，计算公式如下：

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

式中，△mj为第j组样本需要添加的蒸馏水质量，m0为样本初始质量（50 g），CMWj为第j组样本的预设水分含量，CMW0为样本初始水分含量（4.26%）。为保证样本中水分含量的准确性，在喷晒注水的同时摇匀试剂瓶中的种子样本，使水分均匀渗透。密封静置24 h后，采用恒温烘干法（闵丹丹等，2015）对样本水分含量进行核定。

1. 2. 2 高光谱图像数据采集 高光谱图像的采集设备为芬兰Spectral Imaging公司生产的ImSpector N17E型高精度光谱图像采集套件，其分辨率为5 nm@1129 nm。套件包含：CCD相機[Xeva-FPA-2.5-320（100 Hz）， Xenics Ltd.， Leuven， Belgiun];镜头（OLES30 f-2.0/30 mm， Oulu， Finland）;光源为150 W卤钨灯（Dolan Jenner Industries， 美国）;电控平移台（SC30021A， Zolix，北京）。为减少环境噪声和暗流对光谱采集的影响，提前打开光源进行预热，对试验台进行黑白标定（孙俊等，2014）。试验时将水稻种子样本均匀平铺在一块6 cm×10 cm的黑板上，并使用平板压实，使其厚度控制在0.8 cm，然后缓慢推送至移动台上进行高光谱图像的采集，设定相机曝光时间20 ms，移动台速度1.25 nm/s，光谱范围875～1875 nm。为进一步降低噪声干扰，去掉高光谱图像数据首尾部各15个波段信息，最终得到波长范围903～1750 nm、共226个波长的高光谱数据。将测得的光谱数据按照2∶1的比例进行划分，共得到校正集样本80个，预测集样本40个。图1为所测得的蓝色、绿色和红色光区下水稻种子样品部分的高光谱序列图。

1. 2. 3 建模算法 模糊C-均值聚类（FCM）是目前广泛使用的一种聚类算法（Liu and Xu，2008），该算法使用欧几里得空间确定数据点的几何贴近度，将数据分到不同的聚类，然后确定聚类之间的距离。FCM算法为很多其他模糊聚类分析方法提供了理论基础，应用十分广泛。支持向量机（SVM）以结构化风险最小化的统计学理论为准则，在最小化样本点误差的同时最小化结构风险，因此模型具有很强的泛化能力。由于水稻种子光谱特征值和水分含量的映射是一个线性不可分问题（李丹等，2016），因此，先通过非线性映射Φ∶R2→H，将原输入空间的样本映射到高维特征空间（H），然后在高维特征空间构造最优分类超平面。考虑到高维转换后仍可能存在少量样本线性不可分，引入松弛变量进行调优（郭晨晨和朱红康，2017）。在求解对偶时，通过满足Mercer条件的核函数K（xi，xj）=Φ（xi）Φ（xj）代替点积运算，以减少计算量和复杂度。

遗传模拟退火算法（SAGA）将遗传算法和模拟退火算法的优点相互结合、取長补短（杨卫波等，2016）。该算法克服了传统遗传算法的早熟问题，同时可根据不同问题设计遗传编码及适应度函数，使得算法适用范围更广，且能更快速、有效收敛到全局最优解。其算法实现是在遗传算法的运行过程中融入模拟退火算法（郁磊等，2015）。

1. 3 统计分析

对水稻种子样本高光谱数据的聚类处理及SVR预测模型的建立和性能测试均在Matlab 2012a中完成。

2 结果与分析

2. 1 兴趣区域提取

感兴趣区域（Region of interest， ROI）是光谱图像采集的重点区域，区域选择的优劣直接影响后期建模的分析精度（郭志明等，2014），由于平铺的水稻种子在黑板边缘变得不均匀并且存在部分阴影，因此选择黑板中心位置4 cm×4 cm的方形区域作为高光谱数据采集的ROI。

2. 2 高光谱预处理

如图2-A所示，由于受硬件特性及随机误差的影响，采集到的特征值曲线形态上松散，数据抖动较多，极大地降低了数据相关性，增加了建模难度。多项式平滑（S-G）方法不仅可消去抖动和平滑曲线（赵旭婷等，2017），还能最大限度地保留特征数据，本研究采用S-G方法对原始数据进行降噪处理，效果如图2-B所示，经S-G方法预处理后，光谱数据的形态更加平滑、紧凑，更有利于后期的数据分析。

2. 3 选取特征波长

使用ENVI采集到的水稻种子高光谱数据中共含256个波长的光谱信息，需要从中提取最具有代表性的特征波长信息，提高后期建模的效率。（1）筛选出水分含量反光性敏感波段。分别选取样本组中水分含量区间最低、中间及最高的样本各2组，即组编号为1、2，5、6及9、10的样本。交叉计算各样本间对应各波长光谱反射强度的偏移率，取其平均值作为该波长的典型偏移率，如图3-A所示，波峰处的波长在水分变化时偏移率最高，说明当水分含量发生变化时这些波长的高光谱反射信息变化最显著，波峰处的波长即为对水分含量变化敏感的待筛选波长。（2）Matlab 2012a中运行连续投影算法（SPA）对特征波长进行选择，设定预选择的波长为6≤N≤50，以不同波长数量下均方根误差为选取依据，确定最优波长数。从图3-B可看出，当波长数量增加时，均方根误差逐步递减;当波长数大于15时，均方根误差稳定在0.7836（红点）附近。因此，为提高建模效率选取15个特征波长，分别为914、927、996、1101、1140、1161、1217、1301、1348、1389、1430、1666、1692、1707和1727 nm（图3-C）。（3）通过十折交叉验证法对选取的特征波长代表性进行验证，得到均方根误差为0.7912，说明通过SPA选取的特征波长能够较好地反映不同水分含量稻种高光谱数据的特征。

2. 4 预测模型及其分析结果

预测模型通过libsvm软件包建立。libsvm共实现5种类型的SVR（Li and Zhang， 2011），由于训练样本有限，本研究选用ε-支持向量回归机模型（ε-SVR）作为预测模型。为提高训练样本的代表性，使用FCM算法对校验集样本进行聚类处理。在实际的聚类过程中，10个样本中心的聚类过程是一次性完成，但为了更好地说明聚类过程并检验聚类效果，选取前4组样本进行试验。运行FCM聚类函数后得到目标函数值jb=3.5368，每次运行结果不一样，可能与初始聚类中心点的选取有关系，因为实际FCM是一种局部搜索优化算法（肖满生等，2015），初始值选取是否适当直接关系到算法能否收敛到最小极值点上。运行SAGA优化算法后得到结果jb=3.3052，且每次聚类后结果一致，说明SAGA聚类算法的精度和稳定性均优于FCM聚类。前4组样本经SAGA聚类后的效果如图4所示，其中，每个样本组几何中心位置的三角形标识代表该样本组的聚类中心。逐步增加聚类样本数量，发现SAGA聚类每次都能快速收敛到全局最优解，最终完成10组样本聚类后得到最优目标函数值jb=3.1242。

为定量分析SAGA聚类对预测模型的提升效果，分别以原始光谱特征值、FCM和SAGA聚类后的特征值作为SVR模型输入的自变量，以水含率作为输出因变量对模型进行训练，并对预测集样本的水分含量进行预测，分别从决定系数和均分根误差2个指标项对模型性能进行对比分析，结果（表1）表明，FCM-SVR和SAGA-SVR相较于原始特征光谱信息SVR模型性能有了明显提升，说明经过聚类处理过的光谱特征信息可更好地初始化SVR模型的训练参数，虽然增加了运算的复杂度，但是模型的决定系数和均方根误差分别提高5.94%和43.70%，因为聚类后的样本数据向本组数据中心趋同的原因，样本的区分度变得更高，SVR模型的训练参数能够快速稳定到最优值，从而使模型整体的预测性能得到有效提升。

使用SAGA-SVR模型对校正集和预测集的样本分别进行预测，其对比分析结果如图5所示，样本水分含量的预测值和实际值离中心线（y=x）的距离比较分散，预测结果不是十分理想。

虽然通过SAGA聚类后的样本具有更好的收敛性，但通过非线性映射到高维特征空间后仍存在少量样本游离在线性范围以外，SAGA-SVR模型的预测集在这些点的干扰下决定系数只有0.8956，并不是十分理想。因此，引入松弛变量（εi）降低间隔阈值（熊宁等，2012），再通过调整目标函数中惩罚因子（c）对游离点进行过滤，当εi=0.32和c=22时校正集的决定系数为0.9325、均方根误差为0.0217，预测集的决定系数为0.9286、均方根误差为0.0342，说明模型此时达最佳性能，未出现欠拟合和过拟合的情况。图6为调优后SAGA-SVR模型校验集和预测集的预测结果，相较于优化前（图5），预测结果的分布更加集中于中心线（y=x），说明松弛变量的引入确实提高了模型的预测精度，达到预期效果。

3 讨论

种子的水分含量對其抽芽率有重要影响。宋平等（2016）利用低场核磁共振检测水稻浸种过程中种子水分的相态分布特征，其优点在于能区分出种子中结合水和自由水两种水分状态，但无法对种子中水分含量进行精准定量分析。本研究利用高光谱技术能有效预测水稻种子具体的水分含量，且不会破坏种子的分子结构，避免了对种子造成二次污染，在检测过程中只需采集种子的光谱信息即可实时预测出种子中的水分含量，检测过程十分便捷。在对光谱数据的预处理方面，为提高建模效率，潘冉冉等（2017）通过正态变量变换（SNV）、去趋势化（De-trending）和多元散射校正（Multiplicative scatter correction， MSC）等方法对原始数据进行预处理，用主成分载荷（PCA Loadings）、载荷系数法（X-Loading weight， X-LW）、回归系数法（Regression coefficient， RC）进行特征波长的选取;Sun等（2018）利用竞争性自适应重加权算法（CARS）和后向迭代的随机森林（Random forest and recursive feature elimination， RF-RFE）特征选择方法进行一次特征波长优选，再利用SPA进行二次关键变量提取，虽然均获得不错的分类和预测效果，但是样本预处理流程繁琐，不便于实际应用。本研究采用预分类的方法，使用SAGA算法对训练集样本进行一次聚类，使各水平样本区分度得到显著提高，通过聚类后的样本对SVR模型进行训练和参数标定。由于SAGA算法集合了遗传和模拟退火算法的优点，使得样本的每次聚类都能搜索到全局最优解，模型的稳定性和预测性能得到有效改善。此外，本研究通过引入松弛变量优化模型的线性相关性，提高了决定系数，最终训练好的模型预测集决定系数和均方根误差分别为0.9286和0.0342，较模型优化前分别提高3.6%和9.7%，预测性能基本能够满足实际应用需求。

4 建议

4. 1 基于聚类算法，提高光谱数据的准确性

对农作物进行高光谱检测时，光谱数据的准确性直接影响后期预测模型的性能，高光谱的数据特征能否反应农作物生长指标的真实情况，是衡量光谱数据质量的直接标准。在进行农作物高光谱信息采集的实践中，植物的茎干、壳皮等会对高光谱信息造成干扰，因此，建议在对壳皮类、茎干类农作物使用高光谱技术进行检测时，使用聚类方法对原始光谱进行聚类处理，以降低壳皮等对光谱信息的干扰，使其更接近光谱的真实值。

4. 2 通过合理调整模型参数，提高预测模型性能

预测分析模型通过对训练集数据的学习来完成模型参数的初始化，实现对未知数据的分类预测，但在实际情况中，训练集样本的数量和种类通常无法支持模型而将参数训练到最优状态，此时需要对模型的训练过程进行干预，通过调整相关参数使其逼近最优参数。针对SVR模型而言，可通过优化松弛变量的方式提高模型的线性相关性，以提高预测结果的稳定性。

4. 3 推动高光谱农产品检测相关装备的研制

高光谱技术因其高效、无损的特性，在农产品检测等领域得到国内外学者的广泛关注，但相关检测装备的研制和应用尚未普及。实际操作中需进一步优化高光谱检测设备的便捷性、通用性，减少使用成本，降低环境因素对检测结果的干扰，使其更好地适应各种环境下的作业。探究得出以上问题的最优解决途径，高光谱检测设备的应用才能够真正普及。

参考文献：

蔡正云， 吴龙国， 王箐， 潘媛， 马建荣， 李梓溢. 2017. 宁夏赤霞珠葡萄水分含量的高光谱无损检测研究[J]. 食品工业科技，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.]

程宇琼， 卢伟， 洪德林， 党小景，罗慧. 2016. 连续偏振光谱的稻种发芽率检测方法研究[J]. 光谱学与光谱分析，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， 朱红康. 2017. 一种改进的支持向量机模型研究[J]. 陕西科技大學学报（自然科学版），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， 黄文倩， 彭彦昆， 王秀， 李江波. 2014. 高光谱图像感兴趣区域对苹果糖度模型的影响[J]. 现代食品科技， 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， 何建国， 刘贵珊， 贺晓光， 王松磊， 吴龙国. 2016. 基于高光谱成像技术的小黄瓜水分无损检测[J]. 红外与激光工程， 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， 邓飞， 刘颖， 祁享年，张晓. 2015. 基于高光谱图像的水稻种子活力检测技术研究[J]. 浙江农业学报， 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.]

闵丹丹， 范燕， 胡小文， 王彦荣. 2015. 35种牧草种子含水量测定方法的研究[J]. 种子， 34（4）： 95-98. [Min D D，Fan 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，骆一凡，王昌，张初，何勇，冯雷. 2017. 高光谱成像的油菜和杂草分类方法[J]. 光谱学与光谱分析， 37（11）： 3567-3572. [Pan R R，Luo Y F，Wang C，Zhang C，He Y，Feng L. 2017. Classifications of oilseed rape and weeds based on hyperspectral imaging[J]. Spectroscopy and Spectral Analysis， 37（11）： 3567-3572.]

宋平， 徐静， 马贺男， 王成， 杨涛， 高鹤. 2016. 用低磁场核磁共振检测水稻浸种过程中种子水分的相态及分布特征[J]. 农业工程学报， 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.]

孙俊， 丛孙丽， 毛罕平， 武小红， 张晓东， 汪沛. 2017. 基于高光谱的油麦菜叶片水分CARS-ABC-SVR预测模型[J]. 农业工程学报，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.]

孙俊， 金夏明， 毛罕平， 武小红， 朱文静， 张晓东， 高洪燕. 2014. 基于高光谱图像光谱与纹理信息的生菜氮素含量检测[J]. 农业工程学报， 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， 黄文倩， 李江波， 樊书祥，张保华. 2016. 高光谱图像信息检测玉米籽粒胚水分含量[J]. 光譜学与光谱分析， 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.]

王纯阳. 2017. 基于近红外光谱的单籽粒水稻种子品质检测的方法研究[D]. 合肥：中国科学技术大学. [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.]

肖满生，文志诚，张居武，汪新凡. 2015. 一种改进隶属度函数的FCM聚类算法[J]. 控制与决策， 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.]

熊宁， 张魏， 黄金海， 李曼丽. 2012. 基于约束松弛变量策略的中心校正内点法[J]. 电力系统保护与控制， 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.]

杨卫波， 王万良， 张景玲， 赵燕伟. 2016. 基于遗传模拟退火算法的矩形件优化排样[J]. 计算机工程与应用， 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， 王辉， 胡斐. 2015. 智能算法30个案例分析[M]. 第2版. 北京： 北京航空大学出版社：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.]

赵旭婷， 张淑娟， 刘蒋龙， 孙海霞. 2017. 高光谱技术结合CARS-ELM的油桃品种判别研究[J]. 现代食品科技， 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.