近红外光谱技术在液态食品分析中的应用

近红外光谱作为一种快速、无损的新型检测技术,在农业与食品等研究领域获得越来越广泛的应用。为此,阐述了近红外光谱技术用于食品检测的基本原理和具体检测步骤;从光谱检测方法、建模算法、谱图预处理等方面综述了国内外近红外光谱技术在液态食品中的最新研究进展;就目前研究中存在的问题进行了分析,对以后进一步的研究进行了展望,并提出了一些建议。     

近红外光谱分析技术在大米检测中的应用

近红外光谱分析技术作为一种高效、快速、无损的可多组分分析的检测技术,在食品、农产品的检测中得到广泛应用。为此,综述了近红外光谱分析技术在大米品种鉴别、品质检测、矿物质元素分析中的应用研究现状,并对其应用前景进行了展望。     

基于近红外与中红外光谱技术的淀粉回生度检测

淀粉食品在加工、运输及储藏过程中会逐渐出现回生,其回生程度是影响淀粉食品品质的重要因素。利用近红外和中红外光谱技术快速、无损检测淀粉回生度。首先采集了储存不同时间淀粉的近红外和中红外光谱,分别利用近红外、中红外以及两者融合的光谱数据结合化学计量学方法(偏最小二乘法(PLS、iPLS、biPLS、siPLS))建立淀粉回生度检测模型。结果显示,近红外和中红外融合光谱技术的biPLS检测模型最佳,校正集和预测集相关系数分别为0.965 5和0.931 3。研究结果表明,红外光谱技术可以快速、无损检测玉米淀粉回生度,保障了富含淀粉食品的质量与安全。     

农田杂草识别技术的现状与展望

杂草是农业生产的大敌，其蔓延速度快，危害严重。目前采用的杂草识别技术主要有人工识别、计算机视觉技术识别、绿色识别、近红外光谱分析技术识别。近年来，随着光学仪器的不断发展和近红外技术的不断成熟，近红外技术的应用越来越广，因此基于近红外技术的杂草识别——绿色识别和近红外光谱分析技术识别将是今后农田杂草自动识别的主要措施。     

近红外光谱技术在苹果品质无损检测中的应用

近红外光谱技术是一种高新分析技术,被越来越多地应用于农业领域。概述近年来国内外近红外光谱技术在苹果品质无损检测中的应用情况,分析近红外光谱技术在苹果质检中的应用方向,为果品无损检测技术的发展提供参考。     

近红外光谱技术在水果内部品质无损检测中的应用

针对近红外光谱分析技术在水果内部品质无损检测的应用问题，简单介绍了近红外光谱的基本原理；描述了国内外近红外光谱分析技术无损检测水果内部品质的最新研究进展；并指出当今国内外研究中存在的问题和今后进一步的研究设想。     

近红外图像处理技术在国外农业工程中的应用

介绍了近红外图像应用原理和发展特点，并综合分析了近红外图像处理技术在国外农产品品质检测、杂草识别、病虫害检测、作物生长状态监测等多个方面的应用和研究现状，并对近红外图像处理技术在农业中的应用前景做了展望，以促进我国在该领域的研究。     

农业信息成像感知与深度学习应用研究进展

农业信息感知与准确的数据分析是智慧农业定量决策与管理服务的基础。现代农业中彩色、可见光-近红外光谱、3D与热红外等多源和多维度的成像感知手段提供了丰富的数据源,传统研究中围绕颜色、形态、纹理、反射光谱等特征展开分析,由于样本量和特征抽象层级的局限性,对复杂背景变化及未知样本检测时,还存在噪声抑制鲁棒性不足、识别与检测模型精度不高等问题。深度学习(Deep learning,DL)是机器学习的分支之一,结合神经网络通过组合底层特征形成抽象的高层表示属性类别或特征,以发现数据的分布式特征与属性,在图像目标识别与检测中其模型检测精度与泛化能力比传统方法均有所提升。因而,DL技术在农业信息检测中的应用日益增多。为了深入分析应用DL技术驱动智慧农业继续发展的潜力和方向,本文从农业信息成像感知的数据源与DL技术应用相结合的角度出发,分别以植物识别与检测、病虫害诊断与识别、遥感区域分类与监测、果实在体检测与产品分级、动物识别与姿态检测5个研究方向总结概括DL在农业信息检测中最新的应用研究成果,展望需要加强的方面,以提升对应用DL开展农业信息检测过程的理解,促进农业信息感知技术的发展。     

典型拉曼光谱技术及其在农业检测中应用研究进展

拉曼光谱是一种散射光谱，具有快速、不易受水分干扰、样品无需预处理和在体检测等特点，可作为分析、测试物质分子成分和结构强有力的表征手段。随着拉曼光谱技术的不断发展，其在农业检测领域中逐渐发挥出极其重要的作用。本文概述了拉曼光谱的检测原理，从共聚焦显微拉曼光谱、傅里叶变换拉曼光谱、表面增强拉曼光谱、针尖增强拉曼光谱、共振拉曼光谱、空间偏移拉曼光谱、移频激发拉曼差分光谱、基于非线性光学的拉曼光谱等8个方面介绍了拉曼光谱技术，重点总结了拉曼光谱技术在植物检测、土壤检测、水质检测、食品检测等方面的应用研究进展，并提出了其在农业检测领域中应用需要解决的难题和未来的发展方向，以期对未来农业生产和研究带来启发。     

基于近红外光谱岭回归的甜椒氮素检测试验

针对设施作物营养水平无损检测技术,着重描述了基于近红外光谱数据岭回归分析的甜椒氮素检测试验研究过程.利用近红外反射光谱成像技术对目标作物进行叶片尺度的光谱图像采集,应用计算机图像分析软件进行光谱数字图像处理、提取光谱数据,经过统计分析对数据完成筛选作为变量,结合化学分析试验结果建立作物营养检测模型,检验模型得出结论.为了解决自变量间存在的多重共线性造成模型难以建立的问题,在数据处理阶段,采用了在农业探测领域内并不多见的岭回归分析方法,利用其特殊的有偏估计算法,拟合建立回归方程.同时,由于岭回归分析可以用于进一步筛选特征波段,最终得到的是基于三特征波段近红外光谱反射率数据的甜椒叶片氮营养检测模型.经过模型检验,模型的调整R2为0.843,RMSE为0.105.     

表皮对果蔬品质漫反射光谱检测精度的影响

基于近红外漫反射光谱进行了马铃薯淀粉含量快速检测,并分析了表皮对光谱及淀粉含量检测精度的影响问题。本文对110个样品的漫反射光谱进行平均化(Mean centering)、微分处理及Norris滤波,建模方法选用主成分回归(PCR)及偏最小二乘法(PLS)。检测结果表明:近红外漫反射光谱检测马铃薯淀粉含量具有可行性,但表皮对光谱及检测精度有影响。采用PLS法对经Norris滤波处理的去皮马铃薯一阶微分光谱与淀粉含量建模,效果最好,相关系数r为0.893,根校正偏差RMSEC为1.01%;对预测集样品预测,均方根预测偏差RMSEP为1.38%,精度明显优于带皮马铃薯的建模及预测精度(r为0.834,RMSEC为1.29%,RMSEP为1.74%)。果蔬品质光谱检测中,如要实现样品品质精确检测,表皮影响需进一步校正。     

基于可见/近红外光谱技术的板栗产地识别

采用可见/近红外光谱分析技术对河北和安徽两个产地的板栗进行检测分级,获得板栗样品在600~1 100 nm波长区间的可见/近红外光谱,采用偏最小二乘判别分析（PLSDA）进行建模,比较不同预处理方法和波长范围对PLSDA模型精度的影响。结果显示,不同预处理方法对模型性能影响较大,一阶导数预处理在全波长范围所建PLSDA模型性能最优,校正集和验证集的决定系数分别为0.884和0.863,均方根误差分别为0.170和0.191。不同波长范围也会影响模型的预测和识别性能,在波长区间为750~1 000 nm的光谱所建立的PLSDA模型性能要高于全波长光谱所建立的模型性能,其中经过Savitzky Golay平滑预处理后,模型性能的提高最为明显,且其与原始光谱在校正集和验证集的敏感性和特异性均达到最优,即识别率均可达到100%。因此,可见/近红外光谱分析技术能够对板栗产地进行鉴别。     

基于近红外光谱的花椒品质检测技术

首次提出了建立基于单籽粒红花椒的近红外光谱定量分析模型,用于花椒的挥发油含量检测。由于花椒表面的不规则性,且采用单籽粒花椒扫谱导致光谱信号差异较大,所以采用全谱分析。为此,结合异常样品剔除方法及模型优化方法,共建立了74份红花椒的挥发油近红外模型。实验表明,所建立的单籽粒花椒挥发油的近红外定标模型具有较好的稳定性和预测能力(RSD<10%,RPD>3),从而为花椒育种及品质检测提供了快速和便捷的途径。     

水果糖度近红外光谱在线检测装置

采用短波近红外光谱仪,进行机械传送、光谱采集处理、自动控制等系统的设计和集成,研制水果糖度近红外光谱在线检测装置。在550~850nm范围,采用偏最小二乘法,建立了苹果糖度近红外光谱在线检测数学模型。经比较,标准正交校正和一阶导数处理后的光谱建立的数学模型预测效果最优,模型的相关系数为0.78,模型预测均方根误差为0.67°Brix。实验表明:水果糖度近红外光谱在线检测装置可准确地检测苹果糖度含量。     

基于近红外光谱的核桃仁品种快速分类方法

采用傅里叶变换近红外光谱仪,采集了4个不同品种的200份核桃仁样本的近红外漫反射光谱,建立了核桃仁品种分类模型。光谱范围为3 800~9 600 cm -1 ,预处理方法采用多元散射校正法和标准正态化方法;通过主成分分析法优选出5个主成分因子,光谱信息累计贡献率达到99.21%;采用随机抽取法建立建模集和验证集,以主成分因子为输入变量,建立了基于支持向量机分类模型,并采用网格搜索法对RBF核函数参数 λ和δ 进行寻优。分析结果表明,建立的核桃仁分类识别模型对4个核桃仁品种的总体正确识别率达到96%,为核桃仁品种的快速无损识别提供了一种可行的方法。     

玉米冠层平行多目图像匹配方法

针对一种四通道矩形排列的多光谱相机，开发了一种平行多目成像匹配模型。利用相机拍摄了田间玉米冠层图像，相机的4个通道分别为R（红）、G（绿）、B（蓝）和NIR（近红外），拍摄距离为0.5 m左右。分析了玉米冠层图像的特点，提出了一种图像匹配方法。该方法首先选择某一通道图像作为源图像，其他通道图像作为目标图像，源图像中叶片边缘作为源特征点，由该点18个方向的导数作分量构成特征向量。其次在目标图像中搜索相应的目标特征点，若在其中某一区域内的点与源特征点所在边缘方向夹角小于某阈值，将特征向量与源特征向量的距离为最     

近红外光谱技术检测溶液中毒死蜱含量试验

用近红外光谱(NIR)方法对溶液中极微量毒死蜱进行了测定,通过模拟蔬果成分背景,配制了47个混合液样本,其中37个样本为含有质量比为0.005～0.100mg/kg毒死蜱的混合液样本,用于定量分析,同时10个不含农药的混合液样本,用于聚类分析.结果表明,近红外光谱法对混合溶液中质量比在0.008～0.090mg/kg之间的毒死蜱取得良好的检测效果.     

近红外光谱云计算分析系统构架与实现

传统的近红外光谱分析系统是单机版,建模工作难度大。为了在近红外光谱分析中实现对现有光谱模型资源共享,提出利用云计算中心的高性能服务器代替单机版的主机,然后在云服务器上开发近红外光谱软件分析系统,并详细分析了近红外光谱云分析系统的构架与设计步骤。该系统可以实现近红外光谱数据的预处理、定量分析、定性分析以及光谱模型查找和光谱模型转移等功能。最后以潲水油近红外光谱定性鉴别为例,分析比较了单机版和基于云计算的近红外光谱分析结果。在近红外光谱云分析系统中,对预测集58个样品进行判别,总体鉴别正确率为86.21%,这一结果与在单机环境下的分析结果完全一致。实验结果表明近红外光谱云分析系统具有成本低、建模方便、接入方式灵活、可实现资源共享和远程访问等优点。     

苹果糖度近红外光谱小波去噪和iPLS建模

为了提高苹果近红外光谱糖度预测模型的精度,利用多尺度小波去噪法对苹果近红外光谱进行了预处理,并用改进后的间隔偏最小二乘法(iPLS)建立预测模型。应用结果表明,多尺度小波去噪法滤除了原始光谱中的部分噪声,但又保留了原光谱中的主要信息。运用间隔偏最小二乘法对预处理后的光谱建模,其校正时的相关系数rc和校正均方根误差RMSEC分别为0.9635和0.3026,预测时的相关系数rp和预测均方根误差RMSEP分别为0.9214和0.4113,主因子数为5个。结果表明,用多尺度小波去噪和间隔偏最小二乘法所建立的苹果糖度模型不但精度有所提高,而且更加简洁、数据运算量也更少。     

班菲尔脐橙可溶性固形物近红外光谱特征谱区选择

为探讨快速无损检测班菲尔脐橙可溶性固形物(TSS)含量的方法,利用多元散射校正对脐橙1 000 ～2 500 nm近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型.结果表明,采用siPLS将光谱划分为17个子区间,利用其中的第4(1 267～1355 nm)、5(1 356 ～1 443 nm)、9(1708～1795nm)、15(2 236 ～2 323 nm)号4个子区间联合建立的TSS模型效果最佳,其校正集决定系数和均方根误差分别为0.9109和0.331 2.预测集决定系数和均方根误差分别为0.878 9和0.448 7,主因子数为6个.研究表明,近红外光谱技术结合siPLS可优选出表征班菲尔脐橙TSS含量信息的特征光谱区间简化预测模型,同时提高模型预测能力和精度.