DOSC在花椒挥发油含量近红外光谱分析中的应用

应用近红外光谱分析技术,采用偏最小二乘法,对141份花椒粉末样品近红外光谱建立挥发油含量定量模型,交叉验证测定系数R2为0.936,交叉验证误差均方根RMSECV为0.421,经直接正交信号校正(DOSC)预处理后,相应的交叉验证测定系数R2提高到0.95,RMSECV减小为0.374.使用105份样品近红外光谱所建立的模型对36份样品的预测集进行预测,光谱采用DOSC预处理前后,预测测定系数R2由0.923提高到0.969,RMSEP由0.452减小到0.289,RSD由11.65%减小到7.44%,RPD由3.622增加到5.573.研究结果表明,使用DOSC预处理后的花椒挥发油含量近红外光谱定量模型的预测效果有较大的提高,且具有较好的稳定性和较强的预测能力,可用于实际的花椒挥发油检测.     

花椒挥发油含量的近红外光谱无损检测

应用近红外漫反射光谱技术,采用偏最小二乘法,针对118份完整花椒颗粒定标样品集,研究了扫描分辨率为4、8、16 cm-1,扫描次数为32、64、128的9种扫描参数组合情况下的挥发油含量近红外光谱预测模型.扫描分辨率为16 cm-1、扫描次数为128时,建立的预测模型最优.在最优参数组合情况下,定标集样品的内部验证决定系数R2为0.907,交互验证误差均方根为0.509,用20份样品作为预测集进行外部验证,外部验证决定系数R2为0.973,预测误差均方根为0.272,相对分析误差为6.28.结果表明,近红外光谱分析技术可以快速、无损地检测花椒颗粒中挥发油的含量.     

单粒玉米种子成熟度快速判别方法

为快速无损检测单粒种子成熟度,推进现代良种单粒播种技术,采用近红外光谱技术结合化学计量学方法建立了单粒玉米种子成熟度快速鉴别模型。采集200份单粒玉米种子样本近红外光谱,采用多种光谱预处理方法消除单粒种子采集过程中由于颗粒形态、杂散光等引入的干扰信息,分别采用分段谱区、连续投影算法筛选特征波长,优化建立种子成熟度判别模型。经SG5_1预处理后,在5 500～4 000 cm~(-1)谱区建立的基于支持向量机的单粒玉米种子成熟度判别模型的分类准确率可达92%。实验结果表明,近红外光谱技术可以快速无损判别单粒玉米种子成熟度。     

基于变量选择的小麦粗蛋白含量近红外光谱检测

小麦粗蛋白含量是其品质评价的重要指标,为探讨基于选择的短波近红外光谱变量定量判别小麦籽粒粗蛋白的可能性,采集了52份小麦籽粒样本,用湿化学方法分析其粗蛋白含量,获取其900~1700nm波段的光谱,进而利用该光谱进行预处理方法的优化研究及小麦籽粒蛋白敏感变量的优选研究,以偏最小二乘的方法建立了基于短波近红外光谱的小麦籽粒蛋白定量模型。结果表明：多元散射校正和小波变换结合是短波近红外光谱定量判别小麦籽粒粗蛋白含量较优的预处理方法;利用200次竞争性自适应重加权变量优选的统计结果,优选出1028、1158、1199、1367、1407、1445、1478、1494、1550、1584、1661、1686nm 12个变量为小麦籽粒蛋白敏感变量,占全谱的2%,该方法可稳定、高效地优选光谱变量,降低水分对模型的影响;结合预处理优化及变量优选建立偏最小二乘模型,模型预测决定系数和预测均方差分别为0.961和0.369。可见优选的短波近红外光谱变量可用于定量判别小麦籽粒粗蛋白含量。     

基于嗅觉和光谱技术融合的面粉脂肪酸值定量检测

提出了一种基于比色传感器数据和近红外光谱特征融合的储藏期面粉脂肪酸值的定量检测方法。开发比色传感器阵列、搭建便携式近红外光谱测量系统,分别采集不同储藏期面粉样本的比色传感器数据和近红外光谱。利用主成分分析分别对预处理后的比色传感器数据和近红外光谱数据进行特征降维,采用五折交互验证法在反向传播神经网络(BPNN)模型校正过程中进行优化,确定基于单技术分析模型的最佳主成分(PCs)个数。将优化后的基于单技术模型的最佳PCs在特征层进行融合,建立基于融合特征的BPNN分析模型,以实现对面粉储藏过程中脂肪酸值的快速检测。实验结果显示,基于比色传感器特征和基于近红外光谱特征建立的最佳BPNN模型的最佳PCs数量分别为3和4,基于融合特征建立的BPNN模型在预测集中的相关系数和预测均方根误差的均值分别为0.9276和1.9345 mg/(100 g)。研究表明,与单技术数据分析模型相比,基于比色传感器数据和近红外光谱特征融合模型的检测精度和泛化性能都有所提高。本研究可为粮食储藏品质的高精度原位监测提供一种技术方法。     

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。     

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。     

农产品近红外光谱分析系统综述

近红外光谱分析系统是农产品品质检测的重要研究内容。为此,主要介绍了近红外光谱分析系统的研究现状,分析总结了建立数学模型、预处理方法、光学系统设计、光源控制系统设计和温度控制系统设计等近红外光谱系统的关键问题,旨在对近红外光谱分析系统的研究、设计提供新的思路与建议。     

基于近红外光谱技术的叶面药液浓度检测

提出了一种应用近红外光谱技术快速检测叶面药液浓度的方法。采用漫反射测量方式获取了叶面药液的近红外光谱。选用标准偏差归一化、三点滑动平均滤波和一阶导数为最优组合预处理。通过7种波段方案的对比,得出最优波段为350～1 900 nm。采用偏最小二乘法建立了叶面药液质量浓度与光谱反射率的定量分析模型。其预测集相关系数为0.994,预测均方根误差为0.039。结果表明,利用近红外光谱技术检测叶面药液浓度具有实际指导意义。     

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。     

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。     

全包围光源结构的单粒小麦蛋白质含量检测装置研究

针对单粒小麦蛋白质含量等内部表型的实时检测需求,设计了基于近红外漫反射光谱的无损定量检测装置,阐述了光源结构设计、硬件系统设计和软件系统构建。选用近红外LED微型灯珠,以6行8列形式均匀分布于圆柱形铝合金灯筒壁上,形成向心全包围的物理结构,LED灯珠引脚通过16根导电铜柱并联连接,灯筒上顶部设有红外对射传感器,当检测到谷物经由灯筒内的玻璃滑道时,光谱仪通过一分二型光纤分别从灯筒上顶部和下底部收集漫反射光谱,基于C++语言的上位机软件将其转换为吸光度,再根据嵌入模型进行实时预测。获取了300粒单粒小麦900~1 700 nm范围的全包围漫反射光谱,进行归一化处理后,分别建立了基于全光谱(FS)和连续投影算法(SPA)提取特征波长的单粒蛋白质含量预测模型。试验结果表明,两个模型校正集的R2分别为0.960 4和0.844 6,验证集R2分别为0.801 6和0.819;从实用性和预测效果出发,选择基于SPA特征波长的蛋白质模型作为嵌入式预测模型;分别验证了该装置的波长重复性、吸光度重复性和预测重复性,结果表明,本装置可以用于单粒谷物内部表型的实时、无损、定量检测。     

基于计算机视觉技术的向日葵种子分选系统设计

针对世界四大主要油料作物之一的向日葵种子的分选问题,结合近红外技术和计算机视觉技术,进行了根据向日葵种子内部含油率高低不同的自动分选系统设计开发。依据不同含油率种子在近红外光下的成像特征,将向日葵种子区分为两个级别。该系统由Labview计算机视觉系统、红外光发生器、图像采集卡、黑白照相机、40 W的环形灯、白色的照相纸及X射线图像处理工作站组成。运用所设计样机进行向日葵种子分选试验,结果表明:与化学分析方法相比较,本系统设计含油率分选准确,从而为满足不同市场需求的向日葵种子分选提供一种方便、快捷的方法,提高了向日葵种子的市场价格经济效益。     

丸粒化玉米种子薄层干燥的数学模型

采用多元线性回归分析程序,将常见的谷物薄层干燥模型化为线性模型。在对丸粒化玉米种子进行三因素三水平干燥试验的基础上,通过试验数据的分析,对不同风温下的干燥曲线进行模型比较,经拟合得出适合丸粒化玉米种子的数学模型为Page模型。丸粒化玉米种子干燥特性不同于非丸粒化种子,丸粒化种子有其薄层干燥方程。该模型能较好地预测各干燥阶段的干燥速率及含水率,确定合理的干燥工艺以便调控干燥环境,达到高效低耗的目的。     

近红外多组分分析中异常样本识别方法

近红外光谱分析中,异常样本的存在严重影响定标模型的预测性能和适配性。基于 X / Y 联合的ODXY异常样本识别和剔除方法,提出并证明了一种专用于多组分分析的MODXY异常样本识别方法。实验采用80组玉米近红外光谱数据,利用不同异常样本识别方法剔除异常样本后建立玉米含水率、含油率、蛋白质含量和淀粉含量4种组分的偏最小二乘预测模型,采用预测均方差和决定系数作为评价指标比较所建模型的性能,检验MODXY方法在多组分分析中的异常样本识别能力。实验结果表明：在近红外多组分分析中,MODXY方法在大多数情况下具有更好的异常样本识别能力;MODXY方法和ODXY方法均有一定的适用范围,它们更适合于相应组分化学值的相对标准偏差较大的情况。     

对花椒收获机研究现状的思考

花椒是我国种植广泛的经济作物.由于花椒收获的农艺要求复杂,使得花椒机械收获的研究起步较晚,花椒收获机的层次低、科技含量不高.为此,探讨了花椒收获机的研究现状及其制约因素,并对今后花椒收获机械的发展进行了理性思考.     

Impact of soil water stress on Nigellone oil content of black cumin seeds grown in calcareous-gypsifereous soils

Nigellone (dithymoquinone) is the main active constituent of volatile oil of black cumin (Nigella sativa) seeds. It is presently used in traditional medicines, for culinary as ornamentals, and is also considered for its abundant nectar secretion. While black cumin, investigated recently (for the oil, essential oil, and other biologically active constituents of their seeds) the effects of deficit irrigation on seeds Nigellone content produced on gypsifereous soils are not known. Randomized complete block design experiments were conducted with three replications and four irrigation treatments on soils with five different gypsum contents over two growing seasons (2008-2009 and 2009-2010). These experiments aim to monitor and quantify water stress and Nigellone volatile oil content of black cumin as a function of crop water stress index and soil gypsum content. The soil gypsum content treatments were 60.0 (G₁), 137.6 (G₂), 275.2 (G₃), 314.2 (G₄) and 486.0 (G₅) g kg⁻¹. Three irrigation treatments were based on replenishing the 0.60 m deep root zone to field capacity when the maximum allowable depletion (MAD) of the available soil water holding capacity of 25% (I₁), 50% (I₂) and 75% (I₃) were maintained in the crop experiments. A dryland treatment (fully stressed, I₄) was also included. The lower (non-stressed) and upper (stressed) baselines were measured to calculate crop water stress index. The crop water stress index behaved as expected, dropping to near zero following an irrigation and increasing gradually as black cumin plants depleted soil water reserves. The seasonal mean values of crop water stress index for the irrigation treatments; I₁, I₂, and I₃ were increased from 0.189, 0.287, 0.380 to 0.239, 0.366, 0.467, respectively when the soil gypsum content increased from 60.0 to 486.0 g kg⁻¹. The highest Nigellone volatile oil content of black cumin seeds was obtained for G₁I₁ treatment (5.1 g kg⁻¹) while the lowest content (3.5 g kg⁻¹) was obtained for G₅I₁ treatment. Equations that can be used to predict the Nigellone volatile oil content of black cumin seeds were developed for the three irrigation schedules of different maximum allowable depletion of available soil water holding capacity using the relationships between the Nigellone volatile oil content and the seasonal mean crop water stress index for different soil gypsum contents. The relationships between black cumin seed yield, Nigellone volatile oil content and seasonal mean crop water stress index values were primarily linear. These relations can be used to predict the yield of black cumin seeds, seeds Nigellone volatile oil content, and irrigation timing in soils with different soil gypsum contents. Thus, the obtained data will be beneficial for further research.     

人工神经网络NIR定量分析方法及其软件实现

在Visual C＋＋环境中采用面向对象技术，开发了PCA-MBP-NIR定量分析模型软件。通过40份小麦样品的原始光谱、加噪光谱（信噪比为14dB）与含水率所建立的PLS-NIR与PCA-MBP-NIR模型，对10份未知小麦样品的原始光谱、加噪光谱分别进行含水率的PLS-NIR与PCA-MBP-NIR预测分析。分析表明，对于含噪声的光谱，与PLS建模相比，使用PCA-MBP-NIR对未知样品预测结果具有更高的相关系数，更低的预测误差标准差。     

农产品品质无损检测技术应用研究

研究目标是开发一种用可见光和近红外光谱(Vis/NIR)检测农产品的非破坏性测定方法。用波长范围为310～1 100nm的可见/近红外分光仪得到枣的光谱测量数据,用于测定交互作用下的枣的内部可溶性固体含量和基于反射系数的枣的表面缺陷;用多元线性回归校准模型来预测可溶性固体含量,校正判别分析判断大枣有或没有表面缺陷。