基于高光谱成像系统和组合优化策略的牛仔布食物残留物识别

农业中的人工智能5（2021）125基于高光谱成像系统和组合优化策略的牛仔布上各种食物残留物识别陈玉珍a，徐子怡a，b，唐文成c，d，胡梦涵a，胡伟，唐斗宁a，b，翟广涛c，李庆利aa华东师范大学通信电子工程学院多维信息处理上海市重点实验室，上海200062b华东师范大学统计学院，上海200062c上海交通大学图像通信与信息处理研究所，上海200240d美国伊利诺伊州埃文斯顿西北大学麦考密克工程学院a r t i c l e i nf o文章历史记录：收到2021年2021年6月20日收到修订版2021年6月20日接受2021年6月26日在线提供关键词：高光谱成像牛仔布上的食物残留组合优化策略变量选择法医学应用a b s t r a c t随着科学技术的发展，犯罪手段和犯罪现场越来越复杂多样. 微量物证分析已成为一项越来越重要的刑事侦查技术，而液体是微量物证的主要表现形式食物不仅能提供能量，还能提供破案的线索在这项研究中，我们建立了一个高光谱成像系统，以检测液体残留痕迹，包括苹果汁，咖啡，可乐，牛奶和茶，在牛仔裤与浅色，中间和深色。首先对获得的高光谱图像进行光谱定标和高光谱数据预处理。随后，应用偏最小二乘法（PLS）在建模阶段，提出了支持向量机（SVM）与随机森林（RF）相结合的组合优化策略来建立分类模型。实验结果表明，该组合优化模型对各种食物残渣污染的织物进行分类时，TPR、FPR、准确率、召回率、F1和AUC分别达到83.5%、2.30%、79.7%、83.5%、81.6%和94.7%对于液体和织物类型的分类，组合优化模型也产生了令人满意的分类性能。在未来的工作中，我们将扩大液体的种类，并对算法进行适当的调整，以提高分类模型的鲁棒性这一研究对和谐社会的构建具有积极的作用版权所有© 2021作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍科学技术的发展是一把双刃剑。它确实给人们的生活带来了安全，但另一方面，它也可能被犯罪分子利用，他们可能超越法律和道德的界限。因此，应将新技术引入犯罪现场勘查，以打击日益复杂多变的犯罪形势。微量物证分析是刑事侦查中的一项重要技术（Sumad-on，2021）。 一方面，热残余对于分析犯罪现场中的热痕迹信息是重要的（Ai等人， 2020年; Xu等人， 2020年; Li等人， 2018），然而，法医调查员经常被要求找到在犯罪现场发现的某种材料的来源（Klaasse等人，2021;Palmer，2016）。液体是微量物证的主要形式，包括饮料、血液、精液、唾液、尿液和汗液。 对微量物证的分析是一项重大挑战，因为犯罪现场留下的一些液体是肉眼看不到的，而且数量有限甚至很小。近年来，研究者们发展了许多有效的化学实验方法，*通讯作者。电子邮件地址：mhhu@ce.ecnu.edu.cn（M. 胡）。在犯罪现场检测液体痕迹Tobe等人介绍了六边形OBIT方法可用于DNA分析，并可通过在可疑区域喷洒鲁米诺来检测血液（Tobe和Daeid，2009年）。Blum等人开发了稳定的DNA标记物，其可以可靠地鉴定血迹和唾液斑（Blum等人， 2006年）。Fereja等人 开发了一种鲁米诺电化学发光生物传感器，当嵌入智能手机作为检测装置时，该生物传感器可以成功地将血迹与其他污渍区分开（Fereja等人，2019年）。然而，化学测试不可避免地具有破坏性，不利于犯罪现场的保护。此外，大多数化学实验需要在实验室进行，结果无法在犯罪现场直接鉴定，给案件侦破带来因此，研究人员开始应用非接触式快速场测量方法，例如近红外光谱法（Oravec等人， 2019; Takamura等人， 2018），拉曼光谱（Doty和Lednev，2018 a; Rosenblatt等人，2019）和计算机视觉，以检测犯罪现场的物证。对于近红外光谱，Takamura et al.证明了一种基于傅立叶变换衰减全反射红外光谱的干尿痕量检测方法，其最终指出了尿供体性别差异的化学来源（Takamura等人，2019年）。Zhao等人提出了一种无损检测https://doi.org/10.1016/j.aiia.2021.06.0012589-7217/© 2021作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/Y. Chen，Z.Xu，W.Tang等人农业人工126¼用于基于近红外超光谱光谱识别血迹的方法，并建立了具有高精度的血液模型（Zhao等人， 2019年）。在拉曼光谱技术的应用方面，Kyle et al.建立了支持向量机判别分析模型，以高精度正确预测献血者的年龄（Doty和Lednev，2018 b）。Muro等人开发了一种使用拉曼光谱的非破坏性检测技术，以高精度确定犯罪现场的唾液捐献者的性别（Muro等人，2016年）。然而，上述检测方法缺乏空间维度信息。此外，研究人员还应用计算机视觉技术来识别和检测物证。Tarawneh提出了一种非接触式识别系统来有效地识别低质量的指纹，因此解决了在低质量图像中难以进行掌纹识别的问题（Tarawneh等人，2018年）。Zhu等人建立了一种基于反射变换成像原理的痕迹检测装置，这表明在刑事侦查中具有重要的应用前景（Zhu等人，2019年）。然而，计算机视觉技术缺乏对犯罪现场分析有重要意义的光谱维数信息和与光谱相对应的成分分析高光谱成像技术由图像和光谱组成。该技术获取的数据包括空间、辐射和光谱三种信息该技术广泛用于农业（Mahesh等人，2015; Ahmed等人，2016）、医学（Chiang等人， 2017年; Li等人， 2017），遥感（Adão等人， 2017;Xue和Baofeng，2017; Duan等人，2020），纺织品（Mirschel等人，2019; Ryu等人， 2017），环境（Foglini等人， 2019; Olmos等人，2019）和化学（Roberts et al.，2018; Jia-Huan等人，2018年）。在医疗犯罪侦查领域，Przemys et al.介绍了一种基于高光谱技术检测织物上的枪击残留物的方法，该方法有利于在犯罪现场收集证据（Gambiombetal.，2018年）。Majda等人提出了一种借助高光谱成像技术通过估计血迹的干燥程度来获得血迹年龄的方法，该方法可以快速有效地按时间区分血迹（Majda et al.， 2018年）。Cadd等人提出了一种可见波长反射率高光谱成像技术，该技术可以清楚地识别白色瓷砖上的血迹，甚至可以将血液中的指纹与红色或棕色介质中的各种其他指纹区分开（Cadd等人，2016年）。Nakamura等人使用高光谱技术测量潜在指纹的亮度，因此，视觉识别和检测未经处理的指纹，成功地实现了指纹（Nakamura等人，2015年）。没有报道说高光谱成像技术已被用于检测犯罪现场的液体食物残留虽然不能直接从液态食物残渣中识别嫌疑人，但液态食物残渣的独特性也可以为案件提供间接证据。通过检测现场遗留的液体食物残留，警方可以获得更多关于案件的细节，并促进调查。从而有利于打击黑恶势力，促进智能化公安系统的发展，为构建和谐社会创造良好的治安环境本研究的目的是探讨使用高光谱反射成像来估计牛仔裤上的各种食物其主要步骤如下：（1）建立高光谱反射率成像，获得预处理后的平均光谱对于这个实验，包括苹果汁，可口可乐，咖啡，乌龙茶和牛奶。棉牛仔面料涵盖轻，中，深颜色选择携带这些液体。为了模拟不同的残留时间，我们用不同的浓度稀释每种液体，包括100%、50%和25%的浓度因此，获得了15种实验液体，即苹果汁、可口可乐、咖啡、乌龙茶和牛奶，其浓度分别为100%、50%和25%用上述预处理的溶液对三种颜色的织物进行污染，得到45个实验组。再加上3个未被污染的组，我们最终有48个实验组。通过将切割的织物浸泡在制备的溶液中获得每个实验组中的样品。三种颜色的纯棉牛仔面料都是裁成4 cm×4 cm大小的小方块为上述每种材料条件制备五个样品干燥后，获得包括15个未染色织物的总共240个实验样品所有样品均单独封装在标有编号的密封袋2.2. 高光谱成像系统采用推扫式成像系统原理图如图所示。1.一、该 成 像 系 统 主 要 由 成 像 光 谱 仪 （ Imspector V10E ， SpectralImaging Ltd.，Finland）连接到1004（空间）×1002（光谱）有源像素的16位电荷耦合检测器相机（Falcon EM285CL，Raptor PhotonicsLed.，英国）和C卡口镜头（型号Xenoplan 1.4/17，Jos.SchneiderOptische Werke GmbH，Germany）、欧司朗卤钨灯、样品台和计算机。传统的线扫描高光谱成像仪采用固定的图像采集模块和移动样品台进行数据采集。然而，在实际场景中，可能不存在可以线性且可靠地移动的样品台。因此，在本研究中，我们设计了一种高光谱成像系统，该系统在工作时保持图像采集模块和样品台的固定。 这种双基地高光谱成像架构是通过在透镜上增加狭缝来实现的，并且狭缝的移动可以由线性电机控制（如图11右上角所示）。①的人。通过控制狭缝的匀速运动，可以实现超立方体的狭缝可达到的最大距离为16 mm。在目前的工作中，狭缝的移动速度设置为0.8 mm/s。相机的曝光时间和增益分别设置为30 ms和1卤素灯的照度设定为44 Klux。利用这些成像参数可以得到光谱范围为328.81-1113.54 nm、半高宽约为0.8 nm的超立方体2.3. 光谱标定为了降低光源在空间维度上的不稳定性，需要对获得的高光谱反射率图像进行光谱定标。使用以下等式来校正原始高光谱图像：研究了不同食物残渣污染牛仔布的检测方法，（2）采用偏最小二乘（PLS）算法选择与食物残渣污染程度相关的波长，（3）建立了组合最优分类器，（4）建立了一种基于最优分类器的检测方法。RIr−IdIw-Idð1Þ用于对牛仔布上的各种食物残渣进行分类和识别的过滤器2. 材料和方法2.1. 牛仔布上的液体残留物样本为了模拟犯罪现场可能留下的各种液体的痕迹，选择了各种常见的饮料作为材料其中，R是经校正的高光谱反射率图像，Ir代表原始高光谱反射率图像，Iw代表使用经校正的曝光时间的正方形白色标准的参考白色图像，Id是使用经校正的曝光时间获得的参考暗图像如果上述等式成立，则应在具有相同曝光时间的图像之间执行图像相减操作。因此，在Eq. 1、分子和分母Y. Chen，Z.Xu，W.Tang等人农业人工1270图1.一、拟议的推扫式可见-近红外高光谱反射成像系统示意图。该系统的亮点之一是当透镜上的狭缝移动时，样品台保持静止，以获得样品不同区域的高光谱数据分别在工作和校正曝光时间下捕获Id是在镜头盖关闭时获得的，主要用于减少成像芯片中暗电流的影响为了保证校准过程的稳定性，每次采集10个参考白和暗图像，然后平均用于校正。2.4. 高光谱数据预处理如上所述，液体在织物上的分布和织物的组成是均匀的。因此，我们忽略了采集到的高光谱数据的空间信息，只对光谱信息进行分析。然而，高光谱图像的空间信息在实际应用场景中非常有用例如，在实际的犯罪现场，织物上的液体残留物的位置对我们来说是未知的，并且我们可以使用高光谱成像系统扫描整个织物，以最终找到液体残留物的确切位置对于每张图像，我们收集了2000个光谱。由于每种材料条件有5个样品，因此最终为每种材料条件选择了总共10，000个光谱。对于每个类别，随机选择80%和20%的光谱作为校准和预测集。为了降低成 像设备带来的噪声，本 研究采用高斯低通滤波 器（GaussLow Pass Filter，GLPF）对光谱值进行空间卷积，并对高频分量进行衰减。GLPF是：−D2u，vHu，ve2D22然后选择一起通过中心处的两条对角线和四个角的交点的五个点作为图像的代表像素2.5. 特征波长选择特征波长的提取可以大大减少数据冗余，保留最具代表性的波长，简化模型，加快模型计算速度。偏最小二乘（PLS）通过将高维的原始特征向量映射到低维的新特征向量来去除无用的噪声和数据之间过于紧密的相关性。因此，PLS被广泛用于建模样本的属性和特征之间的线性关系设输出结果为Ym×1，特征为Xm×p。公式可以表示如下：y<$XWce <$Xbe4其中，X是特征矩阵;W表示X的权重矩阵;c是回归系数向量，e表示预测误差。b，其等于（b1，b2.bpp维。在矩阵b中，第i个（1≤i≤p）元素的绝对值<$bi<$，表示第i个波长对y的重要性。它对y的影响越大。本研究采用偏最小二乘方法提取最后提取10、50和100个特征波长进行建模。2.6. 组合最优分类器Du，vqu−u02v−v02ð3Þ采用支持向量机（SVM）和随机森林（RF）算法对训练数据进行分类建模毛皮-其中（u，v）是当前像素的坐标同时，D（u，v）是当前像素到中心像素的距离，其坐标为（u0，v0）。 D0表示滤波器的半径，它取决于参数σ。为了去除空间信息，我们首先裁剪高光谱图像以有效地保留污染区域。然后使用生物采样计数中常用的点采样方法（称为五点采样方法）五点采样方法从图像的中心开始，同时，我们探索了SVM和RF的结合，以提高最终模型的性能。Random forest（Breiman，2001）是本世纪刚刚出现的一种有监督的机器学习算法它更侧重于准确地描述数据并将其分类到相应的类别，以及汇总数据。 标准SVM更多地关注于二进制分类，但它也应用于多类别分类（Belousov等人， 2002年）。优化策略如算法1所示Y. Chen，Z.Xu，W.Tang等人农业人工128¼¼¼¼1¼算法1组合策略过程FPRFPFPFTTNð6Þ3) 精密度：精密度仅用于评价0-1范围内阳性样本的分类能力。显然，精度越高，系统的效率越高它由以下机构计算精密TP公司简介ð7Þ4) 回想一下：它是一个从0到1的比率显然，它越接近1，系统就越好计算公式为：召回TPTPFFNð8Þ5)F1：它是查全率和查准率的调和平均值在这项研究中，我们认为召回率和精确率的权重相同，这意味着将0.5的权重附加到它们中的任何一其计算公式为：F2精确度精确召回率精确召回率ð9Þ6) ROC曲线和AUC：受试者工作特征曲线（ROC曲线），是评价二元分类器优劣的常用指标x坐标是FPR，y坐标是TPR。一般来说，ROC曲线越接近左上角，分类器的性能越好。首先根据集合比例将所有数据集S_all划分为训练集S_train和测试集S_test。然后，利用SVM分类器的故障参数值在S训练集上训练SVM，并利用测试集S检验计算评价指标，对模型的质量进行检验。在训练和测试之后，分类正确的样本S正确和错误的样本S错误分别被赋予L正确和L错误的标签。在正确样本S正确和得到的SVM分类器的基础上，我们开发了辅助分类器RF，以得到最优的分类模型。 它遵循分类模型的评价值能达到最佳的准则，即由分类错误的样本S错误计算出的评价值。更具体地说，我们将随机发生器产生的参数分配给SVM，然后改变RF的参数以获得性能最佳的模型。同时，我们记录每个参数对（PSVM，P RF），并最终选择最佳对（P SVM（最佳），P RF（最佳））来实现最优模型。2.7. 评价指标为了验证检测系统的有效性，提出了检测系统的评价指标，即：考虑混淆矩阵、TPR、FPR、精确度、召回率、F1、ROC曲线、AUC。1) 混淆矩阵：我们假设“阳性”表示阳性样本，“阴性”表示阴性样本。同时，“True“表示预测是正确的，而“False”表示预测是错误的。因此，“TP”和“TN”分别“FP”和“FN”表示阴性样品标记为“阳性”，阳性样品分类为“假”。这四个指标构成了混淆矩阵。2) TP率（TPR）和FP率（FPR）：这是一个用来估计模型的分类能力在0到1的范围它们可以通过以下公式计算曲线下面积（AUC）定义为ROC曲线下面积AUC值一般在0.5 ~ 1之间，AUC值越大，分类器的效率越好。3. 实验结果与讨论所有工作都在Matlab 2014b中完成通过每一步处理数据，我们仔细分析结果3.1. 预处理结果经高斯低通滤波预处理后，不同σ值的光谱轮廓有不同的变化。以纯液体可口可乐的高光谱数据为例，如图2所示。可以看出，随着σ的增大，谱线的细节变化越来越明显：随着σ的增大，谱线的细节变少，曲线变平滑，即许多尖锐的锯齿消失了。另一方面，平滑也使频谱轮廓减少了许多原始特征。因此，在综合考虑处理后的图像和分类结果的基础上，采用了σ1高斯低通滤波器，达到了减少失真和保留必要的原始特征的目的用高斯低通滤波器对所有的模拟材料和载体进行处理。 苹果汁、可口可乐、咖啡、乌龙茶、牛奶和浅色、中深色织物，如图所示。3和图四、与织物的光谱图相比，液体的光谱图即使治疗后，仍有许多毛刺和尖锐凸起，曲线更不规则。特别是咖啡的光谱图，与可乐、苹果汁和茶有着相似的趋势，这可能是因为它们的颜色非常相似。TPRTPTP-FNð5Þ在这三种织物中，可以看出在三个图像中存在两个峰值这可能是由于这样一个事实，Y. Chen，Z.Xu，W.Tang等人农业人工129图二、采用高斯低通滤波对可口可乐进行预处理，得到了不同σ的光谱曲线。具体地，a）是原始光谱轮廓，而b）、c）和d）是分别由高斯低通滤波器以σ0.5、1和5处理的光谱轮廓织物的组分对两个波段的光更敏感。随着颜色的加深，第一个波峰开始逐渐下降，几乎消失在黑暗的织物。因此，我们得出结论，第一波峰主要可以区分这三种织物。同时，它也可能是这类织物的特征波长3.2. 特征波长结果如上所述，在预处理后，我们使用PLS算法提取特征波长我们采集了10个、50个和100个特征波长，并分别用它们来建模。咖啡的前100个波长在图中详细说明. 五、图3. 用高斯低通滤波器对不同液体的光谱进行了σ 1处理。a）、b）、c）、d）和e）分别代表可口可乐、咖啡、苹果汁、牛奶和茶的光谱分布Y. Chen，Z.Xu，W.Tang等人农业人工130图四、织物的光谱特性。a）、b）和c）分别代表浅色、中等和深色织物正如我们从图5中看到的，前10个approximate的特征波长集中在800 nm，即1136 cm−1，可能是由于与咖啡中的主要成分咖啡因中的官能团C-O和C-N的拉伸模式有关。700 nm即1428 cm −1的特征波长可能来自咖啡因和糖中的官能团C-Hs伸缩模式。其他5个特征波长可能来自咖啡中的其他有机物质。对于前11至50个特征波长，其可以是预计将包括更多的特征。正如预期的那样，对于625 nm至750 nm的范围，即1333 cm-1至1600 cm-1，波长另外代表拉伸模式中的C=C，而780nm至830 nm的波长，即1204 cm-1至1282 cm-1nm可能归因于咖啡因的C-Os和C-N拉伸模式。类似的解释可以应用于前51至100个特征波长。前10个波长更能反映咖啡光谱的特征;前50个波长可以大致覆盖咖啡光谱的特征;前100个波长可以更具体地反映咖啡光谱的特征。利用组合分类器识别出10、50和100号特征波长，分别用于随机森林算法和SVM算法。当特征波长数为50时，分类系统性能最好.在最佳条件下，TP去除率为83.5%，在牛仔布上对液体进行分类时，FP率为2.3%，这在“污染牛仔布分类过滤器的性能”部分中进行了说明。3.3. 用于液体类别分类的液体类别分类结果见表1。根据表1，正如预期的那样，最优策略比SVM和RF算法性能更好。与其他指标相比，可以很容易地观察到，最优策略的准确率达到96.6%，这是最高的，也是提高最多的。除FPR外，最优策略的评价指标几乎都有提升，但下降幅度不大。将支持向量机和RF相结合，很可能得到一个比较满意的分类模型。3.4. 液体残留时间（浓度）判定分级机性能表2显示了液体残留时间的分类结果。 保持不变的是，最优策略是表现最好的策略。还可以注意到，所有类文件的性能都是表1不同类别流体的判别结果FPR精确召回F1AUCSVM百分之八十五点一百分之一点二91.0%百分之八十五点一百分之九十点七百分之九十一点四RF百分之八十四点九二点二百分之八十九点五百分之八十四点九87.1%百分之九十一点二最优策略百分之八十六点二2.3%百分之九十六点六百分之八十六点二百分之九十点九百分之九十二点二图五、 液体咖啡光谱的前100个波长。蓝色代表前10个波长;红色代表前11到51，黑色代表前51到100。Y. Chen，Z.Xu，W.Tang等人农业人工131表2液体残留时间（浓度）的分类结果TPRFPR精度召回F1AUCSVM72.0%百分之六点零百分之六十八点九72.0%百分之七十点四百分之九十四点三RF百分之七十三点七6.5%百分之六十六点四百分之七十三点七百分之六十九点九百分之八十九点四最优策略76.0%7.8%百分之六十八点五76.0%72.1%百分之九十三点五表3液体织物的各种分类器的分类结果TPRFPR精度召回F1AUCSVM百分之八十二点四2.7%百分之七十八点三百分之八十二点四百分之八十点三百分之九十三点七RF百分之八十点六百分之一点八百分之八十二点二百分之八十点六百分之八十一点四百分之九十一点八最优策略百分之八十三点五2.3%百分之七十九点七百分之八十三点五81.6%百分之九十四点七没有液体分类的好这可能是由于以下原因造成的：1）过度分级导致分级器性能下降; 2）同种不同浓度的液体由基本相同的成分组成，因此不同浓度的液体之间的高光谱差异不足以区分它们; 3）浓度差异不够显著，导致干燥后差异相对较小。总体而言，组合方法的整体性能改善了分类系统，这表明我们的分类模型的可行性3.5. 污染牛仔布分级表3给出了不同方法对含液体织物的分类结果不出所料，最优策略在整体上具有最好的值得注意的是，最佳策略的AUC大约接近95%。为了使其更清楚，最优策略的具体结果显示在表4中。可以注意到，该系统在不同类别上显示出一点差异L-Coffee的TPR相对较好，为95.1%，而M-Tea只有70.6%。幸运的是，我们可以看到，所有指标的平均值都是令人满意的。 阳性指标均大于81%，尤其是AUC大于91%。我们的系统能够分类多个类别样本被认为是满意的。3.6. 今后的研究工作该系统可以实现对沾有液体的布块、液体种类、布块种类以及残留物的表4通过优化策略对液体类型和污染织物类型的分类结果。时间但由于整个项目过程都是在实验室中完成的，所以没有考虑到现实中可能出现的一些情况因此在今后的工作中，应注意以下几点：1）液体和布料种类的增加会导致精度的下降鉴于犯罪现场的真实情况，要求较高的召回率;2）样本类别需要扩大。由于布上残留的液体只有在数据库中包括该液体时才能被识别，因此需要添加更多种类的液体; 3）不同浓度的分类准确性相对较低。由于高光谱反射更多的是不同成分之间的差异，因此有必要通过适当的调整来提高精度; 4）我们将尝试使用深度学习来构建分类模型; 5）应考虑系统的可移植性目前，该系统似乎有点太大，无法进入犯罪现场。我们将尝试使用多光谱成像技术的相关模型的建设4. 结论在这项工作中，我们开发了高光谱成像系统的检测液体残留痕迹在犯罪现场。在获取高光谱图像并进行预处理后，选择支持向量机（SVM）和射频（RF）建立分类模型。在此基础上，选择最优组合策略--支持向量机与RF相结合的方法进行该系统可以实现液体种类、液体浓度、甚至不同液体种类的牛仔布上的分类任务可以看出，在处理最具挑战性的任务时，所有积极指标都超过81%，甚至有些超过91%，检测牛仔布上的不同液体类别此外，该系统在分类液体类别和液体浓度时表现得更好。竞争利益声明作者声明，发表本文不存在利益冲突确认本 工 作 由 国 家 自 然 科 学 基 金 （ No.61901172 号 61831015 号U1908210）、上海帆船项目（No.19YF1414100）、上海市教育发展基金会、上海市教委支持的“晨光计划”（编号：19YF1414100）、上海市教育发展基金会资助的“晨光计划”（编号：19YF1414100）、上海市教 育 发 展 基 金 会 资 助 的 “ 晨 光 计 划 ” （ 编 号 ： 19YF1414100 ）19CG27）、上海市科学技术委员会（上海市科委）（上海市科技委）（上海市科技委）（上海市科委）（上海市科技委）（上海市科委）（上海市科技委）（上海市科委）19511120100、No.18DZ2270700、No.18DZ2270800 ） 、 “ 人 工 智 能 教 育 部 重 点 实 验 室 ”（No.18DZ2270700、AI2019002）和中央大学基础研究基金引用A dão，Te lmo，H r uka，Joná，Pádua，Luís，B ess s a，J os é，Per es，Em a n ue l，Moraiss，R au l，Sousa，J oa qu imJoão，20 1 7. H yp er sp ec tr alimaging：ar ev iwon-bas eds ensors，数据处理和应用于农业和林业。远程传感器 9（11），1110.Ahmed，Mohammad Raju，Yasmin，Jannat，Mo，Changyeun，Lee，Hoonsoo，Kim，Moon S.，洪，孙，朱 ， 杨 ，王，等等， 2016高光谱成像技术的应用监测农业作物：审查. J. Biosyst. Eng.41（4），396-40 7.艾，金，胡，孟汉，翟，光涛，张，小平，王，云露，蔡，黎明，李，庆利，孙，WendellQ.，2020年。 快速开发基于运动和热视频的各种条件下的人体热残留模型。红外物理Technol. 110，103468。别 洛 乌 索 夫 ， A. I. ， Verzakov ， S.A. ， Von Frese ， J.， 2002. 支 持 向 量 机 的 应 用 。 J.Chemometrics：J. Chemometrics Soc. 16（8-10），482-48 9.Blum，L.J.，世界语A，菲利普，Rocquefelte，斯蒂芬妮，2006. 一种基于鲁米诺发光的新型高性能潜在血迹检测试剂和方法。J. Can.法医科学学会39（3），81-99。Breiman，Leo，2001年。 随机森林马赫学习. 45（1），5-32。Cadd，Samuel，Li，Bo，Beveridge，Peter，O'Hare，WilliamT.，坎贝尔，安德鲁，伊斯兰，米兹，L、M和D表示浅色、中等和深色织物。2016. 血迹指纹的非接触检测与识别TPRFPR精度召回F1AUC苹果百分之八十四点八3.9%81.6%百分之八十四点八百分之八十三点一百分之九十三点四L咖啡百分之九十五点一4.1%百分之八十六点五百分之九十五点一百分之九十百分之九十六可口可乐百分之七十八点六百分之四点五百分之七十五点九百分之七十八点六百分之七十七点二百分之九十一点九L-牛奶百分之七十八点九4.0%百分之七十七点七百分之七十八点九百分之七十八点三百分之九十二点一L-茶72.1%3.2%百分之八十72.1%百分之七十五点七百分之九十一点四M-Apple百分之七十二点三百分之二点六百分之七十九点七百分之七十六点三百分之七十五点八百分之九十二点七M咖啡百分之八十一点五3.2%百分之八十一点一百分之八十一点五百分之八十一点三百分之九十三点五Y. Chen，Z.Xu，W.Tang等人农业人工132使用可见光波长反射率高光谱成像：第1部分。Sci. Justice 56（3），181-190.Chiang，Nathaniel，Jain，Jitendra K.，Sleigh，Jamie，Vasudevan，Thodur，2017.高光谱成像技术在乳腺癌诊断中的应用外周血管疾病J. Vasc. Surg.66（4），1192-1201。多蒂，凯尔C.，Lednev，Igor K.，2018年a. 拉曼光谱法在法医学中的应用：血清学和枪击残留物分析的最新应用。TrAC趋势分析Chem. 103，215多蒂，凯尔C.，Lednev，Igor K.，2018年b月。基于法医学目的的血迹荧光光谱法区分献血者年龄组。ACS中央科学院 4（7），862-86 7.Duan，Puhong，Lai，Jibao，Kang，Jian，Kang，Xudong，Ghamisi，Pedram，Li，Shutao，2020. 基于纹理感知全变分的高光谱图像太阳闪烁去除。国际摄影测量和遥感学会J.摄影遥感166，359-37 2.Fereja ， Tadesse Haile ， Kitte ， Shimeles Addisu ， Gao ， Wenyue ， Yuan ， Fan ，Snizhko，Dmytro，Qi，Liming，Nsabimana，Anaclet，Liu，Zhongyuan，Xu，Guobao，2019. 青蒿琥酯-鲁米诺化学发光体系测定氯化血红素。Talanta 204，379-385.Foglini，Federica，Grande，Valentina，Marchese，Fabio，Bracchi，Valentina A.，Prampolini ， Mariacristina ， Angeletti ， Lorenzo ， Castellan ， Giorgio ，Chimienti，Giovanni，Hansen，Ingrid M.，Gudmundsen，Magne等人，2019年。高光谱成像在亚得里亚海南部水下生境制图中的应用。传感器19（10）、226 1.2018年，Gogomomb，Przemyszaw，Romaszewski，Michaeli，Cholewa，Michaeli，Domino，Krzysztof应用高光谱成像和机器学习方法检测枪击残留物模式。法医学。Int. 290，227- 237。Jia-Huan，Qu，Wei，Qingyi，Sun，Da-Wen，2018.碳量子点：原理及其在食品质量安全检测中的应用。食品科学评论员Nutr. 58（14），2466-2475。Klaasse，Jill R.Alewijnse，Linda C.，van der Weerd Tracebase，Jaap，2021.用于法医痕迹分析的数据库结构。Sci. Justice 61（4），410-41 8.Li，Duo，Zhang，Xiao-Ping，Hu，Menghan，Zhai，Guangtao，Yang，Xiaokang，2018.通过热序列分析破解物理密码。IEEE Trans.告知。福伦 Security14（5），1142-1154.李翔李伟徐晓东胡伟2017年。医学高光谱图像中使用卷积神经网络的细胞分类。 2017第二届国际图像、视觉与计算大会（ICIVC）IEEE，第 501- 504Mahesh，S.，Jayas，D.S.，Paliwal，J.，怀特，N.D.G.，2015年。高光谱成像技术在农业原料分类和质量监测中的应用。J.存储产品Res. 61，17-26.Majda ， Alicja ， Wietecha-Poseinuszny ， Renata ， Mendys ， Agata ， Wójtowicz ，Anna，Mendys-Kopczyskyska，Barbara，2018.干血斑研究中的高光谱成像和多变量分析。Appl.Phys.A124（4），312.Mirschel，Gabriele，Daikos，Olesya，Scherzer，Tom，2019年。用高光谱成像法在线监测黑色织物层压板中粘合层的厚度分布。Comput. Chem.Eng.124，317-32 5.Muro，Claire K.，de Souza Fernandes，Luciana，Lednev，Igor K.，2016年。 基于唾液痕量荧光光谱法的法医性别鉴定。Anal. Chem. 88（24），12489-1249 3.Nakamura， Atsushi， Okuda ， Hidekazu， Nagaoka ， Takashi， Akiba， Norimitsu ，Kurosawa，Kenji，Kuroki，Kenro，Ichikawa，Fumihiko，Torao，Akira，Sota，Takayuki，2015.便携式高光谱成像仪，带有连续波绿色激光，用于识别和检测墙壁上未经处理的潜在指纹。法医学。Int. 254，100-10 5。Olmos，Víctor，Marro，Mónica，Loza-Alvarez，Pablo，Raldúa，Demetrio，Prats，Eva，Piña，Benjamí，Tajour，Romà，De Juan，Anna，2019.异质生物样品环境组学研究中组织特异性多因素效应的评估：结合高光谱图像信息和化学计量学。 Talanta 194，390-398.Oravec，Michal，Beganović，Anel，Gál，Lukán，Čeppan，Michal，Huck，ChristianW.，2019年。 用傅立叶变换近红外光谱和线性判别分析对黑色喷墨打印品进行指纹分类。法医学。Int. 299，128-13 4.Palmer，Ray，2016.论纤维证据在重大刑事案件侦查中的鉴定。PhDThesis.洛桑大学法学院犯罪学系。Roberts，Jessica，Power，Aoife，Chapman，James，Chandra，Shaneel，Cozzolino，Daniel，2018.关于高光谱和化学成像在食品认证中的优势、应用和局限性的简短更新。应用科学8（4），505。Rosenblatt，Robert，Halámková，Lenka，Doty，Kyle C.，小德奥利维拉Emanuel A.C.，Lednev，Igor K.，2019年。 拉曼光谱法用于法医血迹鉴定：方法验证与环境干扰。法医化学16，100175。Ryu ， Meguya ， Balčytis ， Armandas ， Wang ， Xuewen ， Vongsvivut ， Jitraporn ，Hikima，Yuta，Li，Jingliang，Tobin，Mark J.，Juodkazis，Saulius，Morikawa，Junko，2017. 蚕丝的定向映射增强亚波长超光谱成像。Sci. Rep. 7（1），1-10.唐纳德，2021年。 刑事侦查中微量证据的提取方法。可在SSRN 3832502上获得。 .高村、绫里、渡边、肯、阿久津、智子、小泽、武明，2018年。 使用傅立叶变换红外光谱和化学计量策略进行法医分析的体液的软和鲁棒识别。Sci. Rep. 8（1），1-10.Takamura，Ayari，Halamkova，Lenka，Ozawa，Takeaki，Lednev，Igor K.，2019年。 法医学中的表型鉴定：基于尿液痕量的傅立叶变换红外光谱确定供体性别。Anal.91（9），6288-6295中所述。Tarawneh，Ahmad S.，Chetverikov，Dmitry，Hassanat，Ahmad Basheer，2018. 不同深度特征在低质量图像掌纹识别中的初步比较研究。第九届匈牙利计算机图形学和几何学会议，布达佩斯。Tobe，ShananS.，Daeid，Niamh Nic，2009. 六角针式血液检测试剂盒的比较。法医科学杂志54（1），239.X