基于可见/近红外光谱对不同产地晋虞1号桃SSC含量的检测研究

[目的]本文利用可见/近红外光谱定量检测山西省不同产区晋虞1号桃的可溶性固形物(Soluble solids content,SSC)含量,旨在建立一个简单有效、适应性能好的校正模型为后续在线检测设备的开发与利用提供模型参考。[方法]采集3个产区桃的可见/近红外漫反射光谱,选择不同的预处理方法消除客观因素对原始光谱的影响,比较发现SG平滑+多元散射校正(multiplicative scatter correction,MSC)预处理方法建模结果最优。采用Kennard-Stone算法以3∶1比例划分样品集,其中校正集270个用于建立PLS模型,预测集90个用于评价模型性能。为了简化模型运算量、提高模型预测性能使用蒙特卡罗无信息变量消除(Monte Carlo uninformative variables elimination,MCUVE)与连续投影算法(Successive projection algorithm,SPA)相结合筛选有效特征波长。最后,比较了偏最小二乘(Partial least squares,PLS)算法所建单一产地和混合产地下晋虞1号桃SSC含量可见/近红外光谱模型的预测能力。[结果]与单一产地和两两混合产地模型相比,混合3产地桃校正集样本建立的模型预测效果最好,预测的相关系数(Rp)和预测的均方根误差(RMSEP)分别为0.949和0.652°Brix。[结论]利用多个产地的晋虞1号桃样本建立的混合模型具有较强的包容性,可提高对晋虞1号桃SSC含量的预测精度,减小产地差异对SSC含量可见/近红外光谱检测的影响。本文可为山西省内晋虞1号桃内部品质SSC含量的无损检测模型提供了理论基础。     

近红外光谱结合ANN法快速测定水稻叶片氮含量

应用近红外(NlR)光谱和误差反传人工神经网络(BP-ANN)方法建立了水稻叶片氮素含量的定量分析模型.首先对近红外光谱进行Savitzky-Golay求导处理,然后通过相关系数法选择波长范围,采用偏最小二来回归PLS降维并输入BP-ANN建立校正模型,用验证样品对校正模型进行验证.结果表明:BP-ANN最佳模型的预测...     

脐橙糖度近红外光谱在线检测的建模变量优选

【目的】采用小波压缩结合遗传算法,优选脐橙糖度近红外光谱在线检测的建模变量,提高在线检测精度。【方法】利用近红外光谱检测装置采集脐橙样品的光谱,并将其转换为反射比光谱,在700.28～933.79 nm波段,利用小波变换将一阶微分处理后的近红外反射比光谱变量压缩成小波系数变量。经遗传算法优选后,建立偏最小二乘法（PLS）模型,并对该模型的预测结果进行评价。【结果】利用小波压缩结合遗传算法优选变量建立的脐橙糖度PLS模型,预测效果最优,模型的相关系数为0.759,模型预测均方根误差为0.468 °Brix。【结论】采用小波压缩结合遗传算法对变量进行优选,可提高脐橙糖度近红外光谱在线检测的精度。     

成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测

【目的】研究成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测技术,为及时、准确地掌握成熟期梨果实的内部品质特性及田间管理、适时采收、合理储藏提供依据。【方法】基于近红外漫反射光谱检测技术分别建立了成熟期砀山酥梨可溶性固形物含量的偏最小二乘(PLS)、广义回归神经网络(GRNN)和偏最小二乘支持向量机动态预测模型(LSSVM),并综合评价了无信息变量消除法(UVE)优选有效特征波数对于简化模型、提高预测性能的影响。【结果】UVE算法能够很好地提高建模效率、有效改善GRNN和LSSVM模型预测精度,而对PLS分析模型效果不明显。3种模型中,LSSVM模型比GRNN和PLS模型具有明显优势,其中UVE-LSSVM模型具有最佳预测精度和适用性,其校正相关系数(Rc)为0.988,校正均方根误差(RMSEC)为0.074,预测相关系数(Rp)为0.922,预测均方根误差(RMSEP)为0.162。【结论】基于近红外光谱技术的UVE-LSSVM模型可用于成熟期梨可溶性固形物含量的无损检测。     

离散小波变换-支持向量回归方法及其在谷物分析中的应用

先用离散小波变换(DWT)对近红外光谱数据(NIR)压缩去噪及扣除光谱背景,再用支持向量回归(SVR)算法建立近红外光谱校正模型,建立了离散小波变换—支持向量回归(DWT-SVR)测定谷物样品中油类、蛋白质和淀粉的新方法。与偏最小二乘法(PLS)相比较,本研究所建模型具有更好的预测准确度。     

近红外光谱技术在测定纯茶油中棕榈油掺入量中的应用

采用偏最小二乘法(PLS)建立了近红外光谱定量检测模型,以定量分析油茶籽油中掺入的棕榈油成分.通过交互验证和外部检验,考察所建模型的可靠性.结果显示:样品不需要任何光谱预处理,直接进行10 000～4 000 cm-1范围内的近红外透反射光谱扫描;建立的PLS模型相关系数为0.999 9,训练集的交叉验证均方根误差(R...     

基于BiPLS-SPA优选近红外光谱的木材基本密度预测——以柞木为例

以柞木为研究对象,以900~1 700 nm的近红外光谱仪获取木材表面近红外光谱数据,对89个柞木样本进行检测,其中58个组成校正集,31个为预测集。首先,采集样本径切面光谱数据,并利用SG平滑对光谱数据进行预处理;然后,利用反向区间偏最小二乘(Bi PLS)选出均方根误差最小的波长区间组合;再利用连续投影算法(SPA)进一步选择出波长特征;最后,以优选出的波长特征作为输入,建立偏最小二乘法回归模型,确定出木材基本密度与近红外光谱之间的联系。Bi PLS算法将光谱划分区间划分为10时,均方根误差最小,其最佳区间组合为[3 5 6 7 9],变量个数由全光谱117个降至59个;应用SPA算法二次降维,变量个数降至6个,降低变量信息的冗余,减少了变量个数,提高了建模的速度和效率。Bi PLS-SPA模型较PLS、i PLS、Bi PLS、SPA-PLS具有更高的相关系数,更小的均方根误差,柞木基本密度预测相关系数为0.925,预测均方根误差为0.010 4,相对分析误差为2.83。     

巴山木竹蛋白质可见/近红外光谱定量分析模型研究

探讨了运用可见/近红外光谱分析技术建立巴山木竹蛋白质定量分析模型的可行性。运用传统方法实测了样品蛋白质含量,并运用光谱分析软件建立了样品蛋白质含量与光谱数据的PLS与PCR校正模型。基于主要性能指标对不同光谱预处理与建模方法进行评价,筛选出最优校正模型并使用验证集样品对校正模型的预测能力进行了验证。巴山木竹竹叶与竹秆蛋白质最优校正模型的决定系数(R_c~2)分别为0.935和0.862,交叉验证均方差(RMSEC)分别为0.351和0.172;经外部验证,预测模型决定系数(R_p~2)分别为0.916和0.874,验证集样品的相对分析误差(RPD)分别为3.562和2.840。表明应用可见/近红外光谱分析技术可以实现巴山木竹蛋白质含量快速检测。     

近红外光谱技术结合PLS和SPA检测鲜冬枣表面农药残留量的方法

以喷洒不同浓度毒死蜱的鲜冬枣为研究对象,研究近红外光谱技术结合偏最小二乘法(PLS)和连续投影算法(SPA)检测鲜冬枣表面农药残留的方法。运用AntarisⅡ近红外光谱仪对喷洒不同浓度的毒死蜱的鲜冬枣样品进行扫描,首先建立全波段PLS模型,然后应用SPA提取特征波长,作为PLS的输入变量,建立SPA-PLS模型,将全波段PLS模型和SPA-PLS模型进行比较。经SPA提取5个特征波长建立的模型,使用变量数仅占全波段的0.32%,但建立的冬枣表面农药残留模型的准确度和精度优于全波段所建立的模型。近红外光谱技术结合SPA和PLS建立鲜冬枣表面不同浓度毒死蜱农药残留的模型是可行的,同时SPA算法简化模型复杂度,提高模型精度及稳定性。     

不同物理形态烟叶样品的模型转移研究

采用近红外光谱仪采集整烟叶、卷烟丝和烟叶粉末光谱数据,并采用流动分析仪测定烟碱含量,利用偏最小二乘法建立烟叶烟碱的光谱预测模型,再通过斜率截距算法(SBC)、分段直接标准化算法(PDS)和典型相关分析算法(CCA)3种模型转移算法,将整烟叶、卷烟丝和烟叶粉末便携式近红外光谱转移到粉末状烟叶傅立叶近红外光谱模型上,比较分析预测均方根误差值(RMSEP)。结果表明:烟叶粉末烟碱近红外光谱预测模型经SBC、PDS和CCA算法模型转移后的RMSEP值分别为0.741 0、0.736 5、0.298 2,卷烟丝的RMSEP值分别为0.725 0、0.513 2、0.222 2,整烟叶的RMSEP值分别为0.712 6、0.446 6、0.333 9,CCA算法模型转移优于SBC与PDS算法。     

基于小波滤噪和iPLS的草莓近红外光谱糖度检测模型

[目的]获得精度高、鲁棒性强的草莓近红外光谱糖度检测模型。[方法]利用K-S（Kennard-Stone）方法划分样本集,并用小波滤噪法对草莓1000～2500nm近红外光谱进行预处理,最后用偏最小二乘法（PLS）和区间偏最小二乘法（iPLS）分别建立预测模型。[结果]采用区间偏最小二乘法将光谱划分为20个子区间,利用其中的第16个子区间建立的糖度模型效果最佳,其校正时的相关系数Rc和校正均方根误差RMSEC分别为0．9355和0．259,预测时的相关系数邱和预测均方根误差RMSEP分别为0．9202和0．305。[结论]用小波滤噪和联合区间偏最小二乘法所建立的草莓糖度模型不仅能有效地减少建模所用的变量数,缩短运算时间,而且预测能力和精度均得到提高。     

近红外光谱法快速测定河南烟叶中木质素的含量

[目的]实现对河南烟叶中木质素含量的快速测定。[方法]首先改进了烟叶中木质素含量的测定方法,并对该方法测定的准确性进行了评定(对同一样品,8次平行测定的RSD值为3.58%),随后用此方法测定了河南地区95个初烤烟叶样品中的木质素含量,然后用近红外光谱仪采集相应的光谱,进行二阶微分处理和平滑预处理后,用偏最小二乘法和完全交互验证方式建立相应预测模型。[结果]试验建立的烟叶中木质素预测模型的相关系数达到96.13%,内部交叉检验均方根误差(RMSECV)为0.104,说明烟叶中木质素含量和近红外光谱之间存在较好的相关性。[结论]采用近红外光谱法可以快速预测河南烟叶中木质素含量。     

麻疯树种子含油量近红外光谱定标模型的建立

目的本研究旨在建立麻疯树种子含油量的近红外光谱定标模型, 为近红外光谱技术应用于麻疯树种子含油量的测定提供依据。方法利用瑞典波通DA7200型近红外光谱成分分析仪采集了125份麻疯树种子样品的光谱数据, 通过样品化学值测定、光谱数据预处理以及回归统计方法建立了麻疯树含油量的近红外光谱定标模型, 并利用10份未知含油量的种子样品对模型的准确性进行了检验。结果本研究建模所选125份样品的含油量范围为25.23%~39.73%, 平均值为33.91%±2.64%, 中位数为34.31%, 基本覆盖了当前麻疯树的主要品种, 在种子油含量上具有一定的代表性。二阶导数联合标准正态变量转换法为建立麻疯树种子含油量近红外光谱定标模型的最佳预处理方法, 偏最小二乘法为最佳的回归方法。模型验证结果显示, 样品的化学测定值与近红外光谱定标模型预测值极显著相关, 且相关系数达0.9556, 预测标准偏差为0.6536。结论检验结果说明该模型具有较高的可靠性, 可应用于后期麻疯树种子油分含量的大批量快速测定。      

基于微型近红外光谱仪油菜籽粗脂肪 与粗蛋白校正模型的建立

为了验证微型近红外光谱仪的现场分析实用性,利用该光谱仪测定了油菜籽中粗脂肪与粗蛋白的含量。采集油菜籽样品的近红外反射光谱,光谱经预处理和异常样本剔除后,结合偏最小二乘法回归(PLSR)建立油菜籽的粗脂肪与粗蛋白定量分析模型。结果表明,粗脂肪的模型校正相关系数(Rc)、校正均方根误差(RMSEC)、预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.9187、1.1873、0.8162和1.3895;粗蛋白的模型校正相关系数(Rc)、校正均方根误差(RMSEC)、预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.8773、0.8153、0.8033和0.7532。验证了该光谱仪在油菜籽的粗脂肪含量和粗蛋白含量检测方面是可行的,为进一步拓展微型近红外光谱仪的应用奠定了基础。     

近红外光谱在砂糖橘果形指数分析中的应用

基于小波变换的原理,分别利用阈值滤波、小波包、小波收缩3种常用的去噪方法,对砂糖橘样品的可见/近红外光谱信号进行去噪处理,探讨每种去噪方法的最优参数组合(小波函数、分解尺度、阈值)的同时选择最适去噪方法,并通过偏最小二乘法(PLS)对去噪后的重构光谱和砂糖橘果形指数建模。结果表明,小波包去噪有利于消除导数光谱中的噪声,提高建模精度,其最优参数组合为默认阈值条件下,小波函数Bior1.3、2尺度分解,去噪后的砂糖橘果形指数光谱建立的PLS模型的预测集R为0.9632,RMSEP为0.0779。     

基于高光谱图像技术的沙梨无损检测

为探讨基于高光谱图像技术对沙梨糖度无损检测的可行性,采集80个沙梨样本在400～1 000 nm内的高光谱图像数据及其对应的糖度,采用变量标准化、多元散射校正(MSC)、平滑滤波、基线校正等方法对原始光谱数据进行预处理,发现MSC预处理效果最佳,再通过无信息变量消除法对MSC预处理后的光谱数据进行压缩,最后分别建立BP神经网络和PLS沙梨糖度预测模型.结果表明:无信息变量消除法将光谱变量压缩到234个,有效减少了建模的输入变量,建立的PLS预测模型和BP神经网络的预测相关系数均在0.85以上,而PLS预测模型的相关系数为0.9508,均方根误差为0.268,优于BP神经网络模型.     

NIRS结合TQ软件对氯化铵掺假牛奶定量分析

[目的]应用近红外光谱法建立氯化铵掺假牛奶定量分析模型。[方法]氯化铵是提高牛奶中含氮量的典型掺假物质,样品直接使用近红外光谱仪采用漫反射和三氯乙酸预处理后使用透射模块分别扫描并建立定量分析模型,并对模型进行验证。[结果]建立了漫反射氯化铵含量定量分析模型和透射氯化铵含量定量分析模型,后者模型更加准确可靠,均方根校正标准差(RMSEC)、相关系数(R2)、均方根预测标准差(RMSEP)分别为0.032 4、0.998 4、0.049 8,回收率为107.607 4%。[结论]三氯乙酸预处理后的透射模型更加精确,可以用于牛奶中氯化铵掺假检测,为进一步研究牛奶中其他物质掺假检测提供借鉴。     

应用近红外光谱和小波网络构建的木材基本密度预测模型

以柞木为研究对象,将120个样本以2∶1的比例分为校正集和预测集,80个校正集,40个预测集;使用900~1 700 nm的近红外光谱仪,获取样本径切面的近红外光谱数据;采用蒙特卡洛采样法剔除奇异样本,采用多元散射校正和S-G平滑对光谱数据进行预处理,消除光谱漂移、表面散射和噪声的影响;通过Bi PLS-SPA算法对特征波长进行提取,构建小波神经网络模型,预测柞木基本密度;将建模方法与常用的偏最小二乘(PLS)和BP神经网络进行了对比,验证小波网络的有效性。结果表明:小波神经网络对预测集样本验证结果更好,相关系数为0.968,预测均方根误差为0.014 4。     

蒙古栎木材MOR与MOE的近红外光谱预测模型分析

蒙古栎是重要的结构用材,对其抗弯强度(MOR)与抗弯弹性模量(MOE)进行快速准确的无损检测是具有工程应用价值的科学问题。为实现蒙古栎木材MOR与MOE的快速无损检测,以900~1 700 nm的便携式近红外光谱仪为检测手段,提出一阶导数与S-G卷积平滑处理相结合的数据预处理方法,采用木材径切面与弦切面2个切面近红外光谱的平均值作为建模数据,利用Isomap-PLS算法建立预测模型估计木材的MOR、MOE。试验采用135个300 mm20 mm20 mm的无疵小试样为样本,其中90个组成校正集,45个组成预测集。结果表明:一阶导数处理能够消除光谱背景平缓区域干扰,S-G卷积处理能滤除高频噪声;采用径切面与弦切面光谱的平均值,比采用单一切面建模效果好,校正相关系数大,校正标准误差小;Isomap-PLS模型优于PLS、iPLS、MWPLS、CSMWPLS、BiPLS、LLE-PLS模型,MOR预测相关系数为0.89,预测标准误差(SEP)为11.43,相对分析误差(RPD)为2.552.5;MOE预测相关系数为0.88,SEP为2.73,RPD为2.582.5。可见,所建近红外模型可以完成蒙古栎无疵木材快速有效的无损检测。