文献类型： 中文期刊

作者： 宋少忠 ¹ ; 符少燕 ² ; 刘园园 ² ; 齐春艳 ³ ; 李景鹏 ⁴ ; 高勋 ² ;

作者机构： 1.吉林工程技术师范学院数据科学与人工智能学院

2.长春理工大学物理学院

3.吉林省农业科学院水稻研究所

4.中国科学院东北地理与农业生态研究所

关键词： 激光诱导击穿光谱;机器学习算法;水稻产地识别;识别精度

期刊名称： 光谱学与光谱分析

ISSN： 1000-0593

年卷期： 2024 年 006 期

页码： 1553-1558

收录情况： EI ; SCI ; 北大核心 ; CSCD

摘要： 水稻是中国主要粮食作物，而水稻品质与其生长的外部环境如土壤特性、气候、日照时间和灌溉水等环境息息相关，高品质水稻的产地区域面积有一定地域限制，因此水稻可看成为是一个明显的地理标志物。市场常出现一些假冒或者贴牌的知名优质水稻出售，损害了水稻品牌，降低了消费者的水稻品质保障，并且扰乱了市场稳定性，因此对于水稻产地快速识别技术的需求十分迫切。利用LIBS结合机器学习算法，对吉林省5个产地（大安、公主岭、前郭、松原、洮儿河）的水稻进行产地识别，建立了主成分分析（PCA）算法分别结合Bagged Trees、 Weighted KNN、 Quadratic SVM和Coarse Gaussian SVM共四种机器学习算法的水稻产地识别模型。实验选取了5个水稻产地共450组在200～900 nm的LIBS数据，对水稻LIBS光谱数据采用卷积平滑（S-G平滑）进行降噪和特征谱线归一化预处理，对水稻LIBS光谱数据进行主成分分析，实现了水稻产地具有较好的聚类空间集群分布，但部分水稻产地存在空间重叠。采用5倍交叉验证，采用PCA-Bagged Trees、 PCA-Weighted KNN、 PCA-Quadratic SVM和PCA-Coarse Gaussian SVM共四种机器学习模型，水稻产地的识别精度均达到91.8%以上，并且PCA-Quadratic SVM模型的识别精度高达97.3%。结果表明结合LIBS技术和机器学习算法能够高精度和高效率实现水稻产地的识别。