本研究應(yīng)用了400-1000nm的高光譜相機(jī)，可采用杭州彩譜科技有限公司產(chǎn)品FS13進(jìn)行相關(guān)研究。光譜范圍在400-1000nm，波長分辨率優(yōu)于2.5nm，可達(dá)1200個(gè)光譜通道。采集速度全譜段可達(dá)128FPS，波段選擇后最高3300Hz（支持多區(qū)域波段選擇）。

　　大米是我國主要糧食產(chǎn)品之一，不同產(chǎn)地大米的口感與營養(yǎng)價(jià)值具有較大差異，而大米在外觀及品質(zhì)方面用肉眼難以鑒別，使得低質(zhì)高價(jià)、混淆真?zhèn)巍a(chǎn)地造假的現(xiàn)象日益嚴(yán)重，傳統(tǒng)方法例如感官識(shí)別、近紅外光譜、礦物質(zhì)元素等都有一定的劣勢與不足。如感官評(píng)價(jià)不僅對(duì)從業(yè)人員有很高的經(jīng)驗(yàn)要求，且容易受主觀影響而錯(cuò)判；近紅外光譜方法需要對(duì)大米進(jìn)行粉碎處理；礦物質(zhì)元素方法實(shí)驗(yàn)繁瑣且周期長，均無法滿足快速無損的產(chǎn)地確證需求。

　　高光譜圖像技術(shù)結(jié)合機(jī)器學(xué)習(xí)方法是近年來應(yīng)用比較廣泛的農(nóng)產(chǎn)品無損檢測技術(shù)，因其高效、準(zhǔn)確、穩(wěn)定的特點(diǎn)被廣泛應(yīng)用于農(nóng)產(chǎn)品的產(chǎn)地確證，本文選取吉林省梅河口市水稻主產(chǎn)區(qū)大米與非梅河產(chǎn)區(qū)大米作為樣本數(shù)據(jù)，經(jīng)高光譜數(shù)據(jù)采集后對(duì)數(shù)據(jù)進(jìn)行 MSC、SVN、S-G預(yù)處理；對(duì)預(yù)處理后數(shù)據(jù)利用CARS、MDS、PCA三種方法進(jìn)行數(shù)據(jù)降維；最后為迎合高光譜數(shù)據(jù)中所包含的大量非線性數(shù)據(jù)，選取MLP、ELM、OS-ELM、PLS算法進(jìn)行分類模型的建立，并與傳統(tǒng)方法PLS對(duì)比，得到結(jié)論如下∶

　　（1）MSC、SVN、S-G 三種預(yù)處理方法均可對(duì)高光譜數(shù)據(jù)進(jìn)行預(yù)處理，但經(jīng)模型實(shí)際驗(yàn)證后發(fā)現(xiàn)，經(jīng)SVN、S-G處理后的光譜數(shù)據(jù)對(duì)模型準(zhǔn)確率均存在一定的負(fù)影響，所以本文選擇MSC對(duì)后續(xù)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理。

　　（2）CARS、MDS、PCA三種方法均可有效的對(duì)預(yù)處理后高光譜數(shù)據(jù)進(jìn)行降維處理，其中CARS提取了15個(gè)特征波長，MDS提取了13個(gè)特征波長，PCA提取了9個(gè)特征波長，其中基于PCA降維后數(shù)據(jù)建立的四種模型分類準(zhǔn)確率有明顯下降，其中PCA-PLS準(zhǔn)確率已經(jīng)下降到66.5%；基于CARS方法降維后數(shù)據(jù)建立的四種模型準(zhǔn)確率亦有所下降，但基本控制在10%左右，其中OS-ELM模型分類準(zhǔn)確率可達(dá)到88.1%；基于MDS降維后數(shù)據(jù)建立的四種模型準(zhǔn)確率下降均在1.3%以內(nèi)，其中MDS-OS-ELM分類準(zhǔn)確率最高可達(dá)到97%以上，而輸入變量減少了96%，大大提升了模型運(yùn)行效率。

　　（3）以經(jīng) MDS 降維后數(shù)據(jù)作為基礎(chǔ)，對(duì) MLP、ELM、OS-ELM、PLS 四種模型訓(xùn)練效率進(jìn)行對(duì)比分析，結(jié)果表明∶在一次性輸入所有數(shù)據(jù)時(shí)，ELM與OS-ELM模型訓(xùn)練時(shí)間相近且明顯優(yōu)于MLP與PLS。優(yōu)于在實(shí)際應(yīng)用中通常不能一次性獲取所有數(shù)據(jù)，本文將500條數(shù)據(jù)分5次輸入ELM與OS-ELM模型，由于OS-ELM在新加入數(shù)據(jù)時(shí)只需訓(xùn)練新的樣本，避免反復(fù)學(xué)習(xí)的特點(diǎn)，使得在分批次加入數(shù)據(jù)時(shí)，大大提升了模型效率，

　　（4）本文通過高光譜成像技術(shù)獲取不同產(chǎn)地大米數(shù)據(jù)，在經(jīng)數(shù)據(jù)預(yù)處理與降維處理后利用MLP、ELM、OS-ELM、PLS模型進(jìn)行分類，經(jīng)試驗(yàn)表明，四種模型均可實(shí)現(xiàn)對(duì)大米產(chǎn)地鑒別，其中MDS-OS-ELM模型分類性能最好，模型效率最高，以及在后續(xù)分批次添加數(shù)據(jù)時(shí)模型效率更加明顯。滿足了快速無損的大米產(chǎn)地確證需求，在大數(shù)據(jù)背景下的地標(biāo)大米產(chǎn)地確證領(lǐng)域更具有實(shí)用性。