基于近红外光谱的核桃仁蛋白质含量检测分析

为了实现核桃仁蛋白质的快速无损检测，采用近红外光谱技术，建立了核桃仁蛋白质含量预测模型，并对近红外光谱波段筛选方法进行了研究。首先针对3种不同粒度核桃仁样本，采集了1040~2560nm范围全波段信息，采用多元散射校正法和标准正态化方法对原始光谱进行了预处理。然后，采用间隔偏最小二乘算法筛选了光谱特征波段，并建立了全波段和特征波段下核桃仁蛋白质含量偏最小二乘算法预测模型。通过对不同粒度核桃仁样本近红外光谱分析表明，核桃仁粒度大小对核桃仁蛋白质含量预测效果并无显著影响。采用间隔偏最小二乘算法的波段筛选，核桃整仁样本验证集的均方根误差和相关系数分别为0.021和0.913, 表明该方法能够优化模型质量并降低模型复杂度。     

基于高光谱成像技术的面条中马铃薯全粉含量检测

为了快速检测面条中马铃薯全粉含量，研究近红外高光谱成像技术定量检测面条中马铃薯全粉含量的可能性，自制了马铃薯全粉质量分数在0~35%内随机均匀分布的120个面条样品，在900~2500nm范围采集高光谱图像，随机选取80个样品作为校正集，分别采用原始光谱和经过6种预处理方法预处理后的光谱建立了偏最小二乘回归、主成分回归、支持向量机回归模型。结果表明经标准化预处理后用偏最小二乘回归建模效果最好，校正集决定系数（R2C）为0.8653，交叉验证集决定系数（R2CV）为0.6914。用回归系数法在经过标准化预处理后的光谱数据中提取了与全粉含量相关的特征波长，建立了马铃薯全粉含量偏最小二乘回归简化模型, 校正集决定系数（R2C）为0.8685，交叉验证集决定系数（R2CV）为0.8021，基于特征波长建立的模型效果优于全波段模型，模型效果得到了一定的提高。以剩余40个未参与校正模型建立的样品作为预测集，基于特征波长建立了标准化-偏最小二乘回归简化预测模型，预测集决定系数（R2P）为0.8546，模型具有较好的预测能力。结果表明利用近红外高光谱成像技术可检测面条中马铃薯全粉含量，可为马铃薯全粉面条的快速无损检测建立新的方法。     

基于高光谱成像技术的鲜食核桃仁水分检测研究

为实现对货架期内青皮核桃仁水分的快速预测,利用高光谱成像技术采集货架期核桃青皮光谱数据,测定核桃仁含水量,利用连续投影法（SPA）提取11个特征波长,建立了偏最小二乘法（PLS）、多元线性回归（MLR）和最小二乘支持向量机（LS-SVM）模型。结果表明,LS-SVM建模效果最好,预测集的相关系数RP=0.800 7,均方根误差RRMSEP=2.189 7。研究表明,利用高光谱成像技术可以实现货架期青皮核桃仁水分快速预测,为青皮核桃的贮运销提供指导。      

近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测

为了快速检测赣南脐橙果树叶片含水率,提出近红外光谱结合最小二乘支持向量机的快速检测方法。采用积分球漫反射方式采集叶片的近红外光谱,通过间隔偏最小二乘法从2 074个光谱变量中优选出345个变量作为建模的输入向量,分别建立最小二乘支持向量机和偏最小二乘校正模型。经比较,以径向基函数为核函数的最小二乘支持向量机模型预测结果最优,预测相关系数为0.942,预测均方根误差为2.7%,模型建立及预测时间为0.176s。实验结果表明近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测方法是可行的。     

基于近红外的小麦植株含水率检测方法

针对小麦植株含水率快速检测需求，提出了一种基于近红外的小麦植株含水率检测方法。利用不同波长近红外感光元件组成的探测器研发了小麦植株含水率无损快速检测装置，利用该检测装置对采集的多组样品进行了测量，通过均值滤波与参考实时校正方法得到了小麦植株的近红外反射强度。基于测量数据，分别采用多元线性回归、多元逐步回归、偏最小二乘以及最小二乘支持向量机建立了含水率检测模型。结果表明，基于最小二乘支持向量机建立的模型效果最优，校正集决定系数R2达到0.9742。利用建立的检测模型对另一批样品进行含水率检测试验，结果表明：小麦植株含水率真实值与预测值的决定系数R2为0.9337，预测集均方根误差均小于等于3.00%。研究结果为小麦植株含水率无损快速检测提供了一种有效的方法与装置，能够满足联合收获机在作业现场对小麦植株含水率快速调整作业参数的需求。     

南丰蜜桔可溶性固形物近红外特征波段选择

探讨了在350～1 800 nm波段范围内不同光谱预处理方法对提高模型预测能力和稳定性的作用,但其效果不如间隔偏最小二乘法显著.通过间隔偏最小二乘特征波段选择方法,确定了南丰蜜桔可溶性固形物特征波段为:642～787 nm、861～1 006 nm、1 080～1 152 nm和1 226～1 371 nm.采用30个未参与建模的南丰蜜桔样品,预测特征波段建模模型,预测模型的相关系数为0.95,预测均方根误差为0.55°Birx.结果表明:近红外光谱技术结合间隔偏最小二乘特征波段选择方法,可以提高南丰蜜桔可溶性固形物无损检测数学模型预测能力和稳健性.     

南丰蜜桔可溶性固形物近红外特征波段选

探讨了在350～1800nm波段范围内不同光谱预处理方法对提高模型预测能力和稳定性的作用，但其效果不如间隔偏最小二乘法显著。通过间隔偏最小二乘特征波段选择方法，确定了南丰蜜桔可溶性固形物特征波段为：642～787nm、861～1006nm、1080～1152nm和1226～1371nm。采用30个未参与建模的南丰蜜桔样品，预测特征波段建模模型，预测模型的相关系数为0.95，预测均方根误差为0.55°Birx。结果表明：近红外光谱技术结合间隔偏最小二乘特征波段选择方法，可以提高南丰蜜桔可溶性固形物无损检测数学模型预测能力和稳健性。     

基于高光谱的酿酒葡萄果皮花色苷含量多元回归分析

以酿酒葡萄赤霞珠果实为研究对象,利用高光谱成像技术检测葡萄果皮中的花色苷含量。采集60组样本的900~1700nm近红外波段高光谱图像,并用pH示差法测量样本果皮中花色苷含量。选取高光谱图像中葡萄果实区域作为感兴趣区域（ROI）,计算其平均光谱,并采用SG平滑、归一化、多元散射校正等预处理方法提高光谱的信噪比。然后采用偏最小二乘回归（PLSR）、支持向量回归（SVR）和BP神经网络算法建立花色苷含量预测模型。研究表明：基于PLSR模型推荐的13个隐含变量建立的BP神经网络模型的预测决定系数和预测均方根误差分别为0.9102和0.3795。     

基于支持向量机的有机肥总养分含量NIRS分析

以我国22个省市的120份畜禽粪便为原料的有机肥产品样品为研究对象,利用近红外漫反射光谱法与支持向量机相结合建立了有机肥产品中总养分含量的快速测定模型,并与偏最小二乘法所建模型作了比较.利用偏最小二乘回归法所建立的基于原始样品和干燥粉碎样品的总养分含量近红外模型验证决定系数R_v~2、预测标准差SEP和验证相对分析误差RPD分别为0.96、7.95 g/kg、2.47和0.93、8.02 g/kg、3.58.利用支持向量机回归法所建立的干燥粉碎样品中总养分含量的近红外模型验证决定系数R_v~2、预测标准差SEP和验证相对分析误差RPD分别为0.93、7.38 g/kg和3.88.结果表明,近红外漫反射光谱法可以快速测定畜禽粪便为原料的有机肥产品中总养分含量,与偏最小二乘法相比,支持向量机所建模型具有更高的预测精度.     

支持向量机在李果实坚实度近红外检测中的应用

为增强模型的适应性,选取了3个不同成熟期(绿熟、半红熟和红熟)的李果实样品建立坚实度指标的近红外检测模型,建模所使用的光谱范围为4 000~12 492cm-1。为改善模型性能,比较了最小二乘支持向量机和偏最小二乘法两种建模算法对李果实坚实度指标的建模结果。研究结果表明,所建立的最小二乘-支持向量机模型的预测性能和稳定性均好于偏最小二乘模型,并以前10个潜在变量得分作为输入变量的最小二乘-支持向量机模型为最佳模型,其校正相关系数、校正和预测均方根误差分别为0.989及1.31、1.84kg/cm2,剩余预测偏差为4.79。与以往研究文献相比,获得了较为理想的预测精度和稳定性能。研究结果表明,最小二乘支持向量机算法结合偏最小二乘法提取的潜在变量作为输入变量,可以使李果实坚实度近红外定量模型有较大程度的改善。     

绿茶杀青叶料含水率可见-近红外光谱检测

为实现绿茶杀青叶料含水率的快速无损检测,基于可见-近红外光谱分析建立含水率的预测模型。使用FieldSpec 3型便携式地物光谱仪,采集192个杀青叶料样品的漫反射光谱信息,基于X-Y共生距离的样本划分算法SPXY,确定144个样本的校正集和48个样本的预测集。进行一阶微分和移动平滑滤波预处理后,采用相关系数法优选出11个特征波段,建立了含水率检测的偏最小二乘回归、主成分回归、人工神经网络及其组合的模型。结果表明,选用5个主成分的偏最小二乘回归模型最佳,其校正和预测模型的相关系数分别为0.990和0.819,均方根误差分别为0.011和0.037,预测含水率的平均相对误差为3.30%。     

基于DPLS和LS—SVM的梨品种近红外光谱识别

为了实现不同品种梨的快速光谱鉴别,采用主成分分析法(PCA)对光谱数据进行聚类分析,得到3种不同品种梨的特征差异,主成分分析表明,以所有建模样本主成分PC1和PC2做出的得分图,对不同种类梨具有很好的聚类作用。利用主成分分析得到的载荷图可以得到对于梨品种敏感的特征波段,用特征波段图谱作为输入建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。3个品种梨各70个共210个分别建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。对未知的24个样本进行预测,LS-SVM模型品种识别准确率达到100%,DPLS模型的校正及验证结果与实际分类变量的相关系数均大于0.980,交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)都小于0.100,品种识别率为100%。表明提出的方法具有很好的分类和鉴别作用,提供了梨的品种快速鉴别分析方法。     

赣南脐橙叶片SPAD值可见近红外光谱无损检测

为了提供果树精准肥水管理参考数据,进行了果树叶片SPAD值近红外光谱无损检测研究。采用反射方式,采集100片赣南脐橙叶片的可见近红外光谱;利用移动窗口偏最小二乘法结合遗传算法、连续投影算法筛选光谱变量,并建立偏最小二乘回归校正模型。采用移动窗口偏最小二乘法和连续投影算法组合筛选的39个光谱变量建立的校正模型预测结果最优,模型预测相关系数为0.898,模型预测SPAD值均方根误差为2.116。试验表明,应用可见近红外反射光谱技术结合化学计量学算法进行赣南脐橙叶片SPAD值无损检测是可行的。     

基于高光谱和深度迁移学习的柑橘叶片钾含量反演

针对传统柑橘叶片钾含量检测方法耗时费力、操作繁琐且损伤叶片等弊端,引入高光谱信息探索柑橘叶片钾含量快速无损检测与预测模型,选用ASD Field Spec 3光谱仪采集柑橘4个重要物候期(萌芽期、稳果期、壮果促梢期和采果期)的叶片反射光谱,同步采用火焰光度法测定叶片的钾含量;先用正交试验确定小波去噪的最佳去噪参数组合,再进行不同光谱形式变换,对不同物候期光谱进行基于堆栈稀疏编码机-深度学习网络(Stacked sparse autoencoder-deep learning networks,SSAE-DLNs)的特征提取迁移和融合多种特征,对比支持向量机回归、偏最小二乘法回归、广义神经网络、逐步多元线性回归等多种诊断模型,结果表明,模型SSAE-DLNs基于一阶微分光谱特征建立全生长期钾含量预测模型的性能最优,其校正集和验证集决定系数分别为0. 898 8、0. 877 1,均方根误差分别为0. 544 3、0. 552 8。试验表明,深度迁移学习网络可对柑橘叶片钾含量进行精确预测,为高光谱检测技术用于柑橘树长势监测和营养诊断提供了参考。     

银杏叶总黄酮含量近红外光谱检测的特征谱区筛选

通过区间偏最小二乘法(iPLS)谱区筛选方法、反向区间偏最小二乘法(biPLS)谱区筛选方法和联合区间偏最小二乘法(siPLS)谱区筛选方法优化光谱特征区间,建立黄酮含量分析模型,并与波数范围为4 000～8 000 cm-1的全光谱偏最小二乘(PLS)模型进行比较。结果表明,采用siPLS谱区筛选方法将全光谱均匀划分21个子区间,选择两个子区间(7、12区间)联合时,建立的siPLS谱区筛选模型预测效果最佳,其交互验证均方根误差和预测均方根误差分别为2.950 0和3.000,校正集和预测集相关系数分别为0.938 4和0.943 7。因此采用siPLS谱区筛选方法可以有效选择光谱特征区域,提高建模预测能力,实现银杏叶总黄酮含量的快速检测。     

基于近红外光谱技术的紫薯贮藏期间花青素含量检测

紫薯采后贮藏过程中,受环境因素影响,紫薯花青素会逐渐发生降解,导致紫薯色泽变化,营养品质下降。应用近红外光谱技术对贮藏期间的紫薯花青素含量变化进行了分析,建立了快速无损检测模型。实验采集了不同贮藏时间紫薯样本(120个)的近红外光谱,基于全波长范围4 000～10 000 cm-1结合不同光谱信号预处理方法(数据卷积平滑、一阶求导、标准正态变量变换(SNV))建立紫薯花青素的PLS(偏最小二乘)、SNV-PLS、i PLS(区间偏最小二乘)、GA-PLS(遗传算法-偏最小二乘)定量预测模型。结果显示,全波段经SNV为最优的原始光谱预处理方法。对经SNV预处理的光谱进行i PLS、GA特征波段筛选,所建立的GA-PLS模型预测效果最佳,预测集决定系数R2v和均方根误差为0. 913 6和7. 239 8 mg/(100 g),剩余预测偏差为3. 339 7。研究结果表明,应用近红外光谱技术可以较好地检测紫薯花青素含量,研究结果可为紫薯加工原料智能筛选以及贮藏品质监测提供一种可靠手段。     

近红外漫反射光谱检测土壤有机质和速效N的研究

利用近红外漫反射光谱检测技术对土壤有机质和速效N含量进行了相关研究。通过自行设计的NIR光谱系统测定了150个土壤样品有机质和速效N。126个土壤样品用来建立校正集模型,其余24个用来验证模型的性能。采集完整土壤样品的近红外漫反射光谱,原始光谱经移动窗口平滑处理、SNV和一阶微分预处理后,分别采用最小二乘支持向量机(LS-SVM)和偏最小二乘法(PLS),建立土壤有机质和速效N含量的定量预测数学模型。结果表明采用一阶微分结合最小二乘支持向量机(LS-SVM)所建模型的预测效果较好,土壤有机质和速效N含量定量预测数学模型的决定系数分别为0.8255和0.8015,均方根误差分别为2.84和16.80。近红外漫反射光谱作为一种检测方法,可用于评价土壤有机质和速效N含量。     

LS-SVM和BP-ANN在草莓糖度NIR检测中的应用

为了提高草莓糖度近红外光谱定量模型的性能,采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机和反向传播人工神经网络的输入变量,建立了草莓糖度的近红外定量模型,并与偏最小二乘模型结果进行了比较,建模所使用的光谱范围为6 000～9 000 cm-1.结果表明,所建立的最小二乘-支持向量机和反向传播人工神经网络定量模型的校正性能、预测性能和稳定性均优于偏最小二乘定量模型,最优模型为前10个潜在变量得分作为输入变量的最小二乘-支持向量机模型,其校正和预测相关系数分别为0.957和0.951,校正和预测均方根误差分别为0.279％和0.272％,剩余预测偏差为3.23,与以往研究文献相比,获得了较为理想的预测精度和稳定性能.     

鲜枣可溶性固形物可见/近红外光谱检测建模方法比较

对采摘于一枣园的180个壶瓶枣样本,随机分成150个样本校正集和30个样本预测集。用FieldSpec3光谱仪采集光谱,并进行多元散射校正(MSC)预处理,之后分别利用连续投影算法(SPA)和逐步回归法(SRA)提取特征波长,并结合光谱理论分析确定,再分别基于偏最小二乘法(PLS)和最小二乘-支持向量机(LS-SVM)建立壶瓶枣可溶性固形物含量预测的简化模型和全波段模型。结果表明,全波段PLS模型预测的相关系数和预测均方根误差分别为0.887 4和1.088 9,预测效果最好;建立的MSC-SPA-PLS模型预测的相关系数和均方根误差分别为0.799 0和1.407 8,建立的MSC-SRA-PLS模型预测的相关系数和均方根误差分别为0.822 4和1.3851,与全波段的MSC-PLS相比,精度均降低;建立的MSC-SPA-LS-SVM模型预测的相关系数和均方根误差分别为0.796 3和1.145 8,与全波段的MSC-LS-SVM相比,精度提高;建立的MSC-SRA-LS-SVM模型预测精度很低,不适用。     

基于最优权系数组合建模的数控机床热误差在线补偿

针对数控机床热误差建模具有小样本、数据离散的特点,提出一种综合灰色预测和最小二乘支持向量机的热误差在线组合建模方法。根据机床温度和热误差的实验数据,分别建立热误差的灰色模型和最小二乘支持向量机模型,并通过加权系数将两者进行组合。以提高热误差的实测值和组合模型预测值之间的灰色综合关联度为目标,对模型的加权系数进行优化。在一台高架桥式龙门加工中心上进行建模实验,结果表明数控机床热误差最优权系数组合建模方法精度高、泛化能力强,优于灰色预测、最小二乘支持向量机和多元线性回归3种建模方法。利用该方法构建的预测模型进行机床热误差在线补偿,可有效减小热误差对机床加工精度的影响。