可见/近红外光谱结合遗传算法无损检测牛肉pH值

为了实现牛肉在整个货架期内(4℃环境)pH值的无损快速检测,该文采用可见/近红外光谱技术并结合遗传算法(GA,genetic algorithm),搭建了可见/近红外光谱检测系统,采集储藏在4℃下1～18d的120个牛肉样品400～1700nm范围的光谱,用不同预处理方法处理,并分别建立全波段光谱和经过遗传算法提取有效光谱的预测牛肉pH值的多元线性回归(MLR,multiple linear regression)模型、偏最小二乘回归(PLSR,partial least-squares regression)模型和最小二乘支持向量机(LS-SVM,least square-support vector machine)模型。结果表明,多元散射校正(MSC,multiplicatives catter correction)结合Savitzky-Golay(SG)平滑为最佳预处理方法,遗传算法提取光谱后所建模型的预测精度均高于全波段光谱所建模型,其中LS-SVM为最佳预测模型,其预测相关系数和标准差分别为0.935和0.111,相比全波段LS-SVM模型预测,精度得到了提高。研究表明可见/近红外光谱技术结合遗传算法所建LS-SVM预测模型能够实现4℃下牛肉整个货架期内pH值的无损快速检测。该研究为进一步开发实用的牛肉pH值无损快速检测设备提供依据。     

蛋壳品质的近红外光谱检测分析

蛋壳品质对蛋品孵化、贮存和运输均有重要影响。为了探索近红外光谱技术快速检测蛋壳品质的方法,该文在鸡蛋蛋壳品质指标相关性分析的基础上进行了蛋壳品质的近红外光谱检测分析,研究比较了不同建模方法、不同光谱预处理方法和不同波段范围对预测结果的影响。结果表明：在5段特征波长范围内建立的经过多元散射校正的偏最小二乘回归（PLSR,partial least squares regression）模型对蛋壳强度的预测结果最好,相关系数r为0.86,校正、预测均方根误差分别为4.42、7.53 N;同时蛋壳百分比（蛋壳质量/蛋质量）的PLSR模型的相关系数r为0.92,校正、预测误差分别为0.313%、0.529%;蛋壳厚度的PLSR模型的相关系数r为0.81,校正、预测误差分别为0.0176、0.0234 mm。研究结果表明应用近红外光谱技术预测蛋壳品质是可行的,为蛋壳品质的快速无损检测提供了一种新的方法。     

特征波长筛选在近红外光谱测定梨硬度中的应用

为了提高应用近红外光谱分析技术快速测定梨硬度的精度和稳定性,该研究采用联合区间偏最小二乘和遗传算法（siPLS-GA）在校正模型中用来筛选特征光谱区域和波长,通过交互验证法确定模型的主成分因子数和筛选的波长,并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型的评价标准。基于siPLS-GA的最优模型包含4个光谱区、96个变量和10个主成分因子。该模型结果显示：最佳预测模型相关系数（Rp）和RMSEP分别为0.9083和0.5573。研究结果表明,近红外光谱技术结合siPLS-GA建模用于无损、快速测定梨的硬度是可行的。     

霉变稻谷脂肪酸含量的光谱检测模型构建与优化分析

为了实现霉变稻谷脂肪酸含量无损、快速检测,该文研究应用可见/近红外光谱技术检测霉变稻谷的脂肪酸含量。考虑到直接选用霉变稻谷可见/近红外光谱数据构建脂肪酸含量预测模型存在建模费时、预测失准等问题,研究提出了霉变稻谷脂肪酸含量的可见/近红外优化校正模型。研究中通过光谱-理化值共生距离(sample set partitioning based on joint xy distance,SPXY)算法结合偏最小二乘法初步分析了不同校正集样本预测霉变稻谷脂肪酸含量的差异;利用连续投影算法(SPA)提取了反映霉变稻谷脂肪酸含量变化的特征波段;采用偏最小二乘法(partial least square,PLS)和多元线性回归法(multivariable linear regression,MLR)分别建立了基于特征波段光谱反射值的霉变稻谷脂肪酸含量预测模型,并对比分析了采用SPXY样本集划分的模型预测效果。结果表明:采用SPXY法筛选出的65个校正集样本分布与初始校正集相近,脂肪酸含量变化范围为18.55~127.26 mg,其标准差为32.39;SPA算法最终从256个全光谱波段中优选出9个特征波段,实现了光谱数据的压缩;分别建立的SPXY-SPA-PLSR模型和SPXY-SPA-MLR模型预测霉变稻谷脂肪酸含量相关系数RP为0.922 1和0.915 9,预测均方根误差RMSEP为13.889 3和14.261 0;SPXY筛选校正集所构建模型预测精度与初始校正集所建模型相当,但校正集样本数量减少为初始校正集的41%,运算时长缩短为初始样本集的32%,提高了模型的校正速度。     

基于近红外光谱的板栗水分检测方法

含水率是影响板栗贮藏、加工的关键指标之一,该文应用近红外光谱技术对板栗含水率进行快速无损检测。试验对240个板栗样本的带壳光谱和栗仁板栗光谱采用SPXY算法进行样本集划分,利用偏最小二乘法建立含水率定量检测模型,并对微分、多元散射校正、变量标准化等多种预处理方法对建模结果的影响进行比较。结果表明：栗仁和带壳板栗的光谱经一阶微分预处理后所建模型性能最佳,其中栗仁的水分检测模型校正集和验证集的相关系数分别为0.9359和0.8473,校正均方根误差为1.44%,验证均方根误差为1.83%;带壳板栗光谱所建模型校正集和验证集的相关系数分别为0.8270和0.7655,校正均方根误差为2.27%,验证均方根误差为2.35%。受栗壳的影响,带壳板栗光谱模型对含水率的预测精度低于栗仁光谱模型的预测精度。研究表明,近红外光谱分析技术可用于板栗含水率的快速无损检测。     

基于近红外光谱的烤烟烟叶自动分组方法

为了探索烤烟烟叶收购质量的无损检测技术,提出了一种基于近红外光谱技术快速鉴别烟叶分组（部位、颜色）的方法。分析了近红外光谱技术应用于完整烤烟烟叶质量评价的可行性,用不同波段范围、不同光谱预处理方法（多元散射校正MSC、标准正态变量变换SNV、微分光谱）和不同主成分因子数分别对烟叶部位和颜色分类结果的影响进行了对比分析,分别建立了烟叶部位和颜色的定性判别模型。结果表明：用判别分析（discrimant analysis,DA）方法在1?101～2?395?nm范围结合原始光谱建立的DA判别模型最优,该方法对烟叶部位、烟叶颜色的校正集分类正确率均达100%,预测集分类正确率分别达到98.57%和97.14%。说明所提出的方法具有很好的分组作用,近红外光谱技术为烤烟烟叶收购质量等级评价提供了一种新方法。     

苹果质地品质近红外无损检测和指纹分析

为了探索近红外光谱快速无损检测苹果质地品质的方法,采集240个苹果样本的近红外光谱( 波长 8002500 nm),通过解析光谱图和进行不同的预处理,利用偏最小二乘法(PLS)和多元线性回归(MLR)建立回归模型和确定特征指纹图谱.基于波长范围为1300～2500 nm,PLS结合多元散射校正(MSC)所建模型的预测效果最好,硬度模型的预测标准偏差(RMSEP)和决定系数(R2)分别为0.226 kg/cm2、96.52%,脆度模型的 RMSEP和R2分别为0.243 kg/cm2、97.15%.用权重法基于PLS模型选择的硬度特征波长为1657、1725、1790、2455、1929、2304 nm,脆度特征波长为1613、1725、1895、2304、2058、2087、2396 nm,经MLR模型检验,特征波长与苹果的硬度和脆度有很高的相关性,硬度的RMSEP和R2分别为0.271 kg/cm2、90.30%,脆度的RMSEP和R2分别为0.304kg/cn2、91.64%.结果表明,PLS模型和特征指纹光谱均能准确预测苹果的质地品质,为苹果质地品质的评价提供了快速、直观、简便、可行的新方法.     

苹果糖分含量的近红外漫反射检测研究

应用近红外漫反射技术探讨水果糖分含量检测方法并建立其光谱漫反射测量系统,重点对0,2,4 mm和6 mm 4种不同测量距离对苹果糖分含量无损检测的影响分析.试验结果为:当光纤贴紧苹果表面(0 mm测量距离)时建立的校正方程对未知样品的预测效果最好.利用主成分回归多元校正技术,建立在0 mm时红富士苹果样品糖分含量的预测数学模型,其样品预测值和实测值之间的相关系数为0.844,标准校正误差(SEC)为0.729,标准预测误差(SEP)为0.864,偏差(Bias)为0.318.通过本次试验研究表明,应用近红外光谱漫反射技术进行苹果糖分含量无损检测具有可行性,并得到了较为满意的预测效果.     

iPLS-SPA变量选择方法在螺旋藻粉无损检测中的应用

该文研究了基于可见-近红外光谱技术的螺旋藻粉类别无损检测方法。采用簇类独立软模式法（SIMCA）建立可见-近红外光谱模型。全波段光谱所建立的模型得到了93.33%的预测集正确率。文章提出了基于间隔偏最小二乘法（iPLS）和连续投影算法（SPA）的组合光谱变量选择方法进行有效波长的选择。该方法从全波段675个变量中选择了5个最优的有效波段,并且得到了96.67%的预测集正确率。和基于全波段光谱、可见光波段光谱和近红外波段光谱进行SPA运算相比,基于iPLS的SPA运算可以有效减少计算时间。研究表明可见-近红外光谱可以用于对螺旋藻粉类别进行无损检测,同时iPLS-SPA是一个有效的光谱变量选择方法。     

手持式黄油桃可溶性固形物可见近红外光谱检测设备研制

桃在鲜果市场中占有重要份额。可溶性固形物含量（soluble solid content，SSC）是衡量桃品质的重要参数，是挑选优质桃以及预测最佳采摘时期的重要决策依据。该研究开发了一款基于可见近红外光谱技术的手持式黄油桃SSC无损检测设备。该设备的硬件系统主要由微型光谱仪、卤素灯、OLED显示屏、微控制器以及自主设计的驱动电路组成。为了评估所开发设备的检测性能，采用北京平谷区种植的黄油桃作为样品进行验证。首先，获取校正集样品在680～940 nm范围内的可见近红外光谱，经5点平均平滑和最大值归一化对光谱预处理建立黄油桃SSC偏最小二乘回归模型并用于预测集样本的SSC分析，预测相关系数和均方根误差分别为0.947和0.728%，单果检测时间不超过2 s。为了提高模型精度和稳定性，将校正集和预测集合并后作为新的校正集进行建模，并将重新构建的模型对独立验证集进行预测，SSC预测值与实测值的相关系数为0.906，均方根误差为0.732%。采用分段直接校正算法将主机模型传递到从机。经过模型传递后，从机对独立验证集SSC的预测值与实测值的相关系数和均方根误差分别为 0.865和0.919%。该手持式SSC检测设备可将SSC预测数据以蓝牙方式传输到手机客户端，借助手机定位功能，在地图上实现黄油桃SSC空间可视化分布。研究结果表明，该手持式SSC无损检测设备可以实现黄油桃SSC的准确测量，借助模型传递算法。实现了模型在不同设备间的有效传递，避免了重复建模，可为该设备批量生产节约大量成本，具有广阔的应用前景。     

猕猴桃品质光谱无损检测技术研究进展

光谱无损检测技术正越来越广泛地应用在水果内部品质检测中。该文从猕猴桃光谱特性差异及光谱无损检测技术影响因素对比分析等方面出发，对目前光谱分析技术在猕猴桃品质检测中应用的研究现状进行综述。分析了猕猴桃与其它水果光谱吸收特性和散射特性的差异以及不同温度、硬度、成熟度、部位及生长期管理措施对猕猴桃光谱特性的差异。对猕猴桃样品采集、光谱检测及数据处理等方面的不同方法进行了对比分析。指出采用500～2500 nm的可见光及近红外光谱对不同产地、不同生长环境和管理条件、不同储藏期、不同成熟度猕猴桃的果肉颜色、硬度、干物质含量、可溶性固形物含量、含糖量以及水果密度等内部品质进行检测是可行的。数据处理和定标模型建立方面的研究正在从传统多元回归和数值优化方法到包括人工神经网络技术、遗传算法、小波分析和自组织理论等先进数据分析技术的非线性模式识别方向发展。今后研究重点应进一步提高定标模型预测可靠性、通用性和实用性，建议今后对不同猕猴桃品种及不同仪器之间定标模型的通用性、猕猴桃在运动条件下的光谱检测技术等方面进行研究。     

基于可见/近红外反射光谱的梨树叶片钾含量的快速测定研究

利用可见/近红外反射光谱定量分析技术对梨树鲜叶钾素含量进行快速测定研究。对150个梨树叶片样本进行光谱扫描,其中120个做建模集,30个做验证集。通过对样品的可见/近红外光谱进行多种预处理,并建立钾素预测模型,探讨了可见/近红外光谱数据预处理对预测精度的影响。结果表明,通过原始光谱与S-G(3)平滑相结合的预处理方法,用17个主成分建立的偏最小二乘法模型最好,其交叉验证集和预测集模型的决定系数(R2)分别为0.722 7和0.679 1,交叉验证均方根误差(RMSECV)为1.171,预测的平均相对误差为6.81%,能高效、快速地预测梨树叶片钾素含量,为梨树钾素快速测定提供了新的手段。     

Use of visible and near infrared spectroscopy and least squares-support vector machine to determine soluble solids content and pH of cola beverage

Visible and near infrared (VIS/NIR) transmission spectroscopy and chemometric methods were utilized for the fast determination of soluble solids content (SSC) and pH of cola beverage. A total of 180 samples were used for the calibration set, whereas 60 samples were used for the validation set. Some preprocessing methods were applied before developing the calibration models. Several PLS factors, extracted by partial least squares (PLS) analysis, were used as the inputs of least squares-support vector machine (LS-SVM) model according to their accumulative reliabilities. The correlation coefficient (r), root mean square error of prediction (rmsEP), bias, and RPD were 0.959, 1.136, -0.185, and 3.5 for SSC, whereas 0.973, 0.053, 0.017, and 4.1 for pH, respectively. An excellent prediction precision was achieved by LS-SVM compared with PLS. The results indicated that VIS/NIR spectroscopy combined with LS-SVM could be applied as a rapid and alternative way for the fast determination of SSC and pH of cola beverage.     

利用高光谱成像技术和多变量校正方法检测苹果的硬度（英）

高光谱图像集图像信息与光谱信息于一身,应用于农产品品质无损检测领域。该研究尝试利用高光谱图像技术结合多变量校正方法检测苹果硬度的可行性。试验通过获取的高光谱图像中提取有效的光谱信息来建立预测苹果硬度的预测模型。在建立模型过程中,偏最小二乘（PLS）和支持向量回归（SVR）两种多变量校正方法被比较,结果表明在785.11～872.45 nm范围内,SVR模型的性能优于PLS模型,模型对硬度预测结果的相关系数为0.6808。试验结果表明高光谱图像技术可以被用来检测苹果的硬度。     

Estimating Deoxynivalenol Content of Ground Oats Using VIS‐NIR Spectroscopy

The potential of VIS‐NIR spectroscopy as a rapid screening method for resistance of Fusarium‐inoculated oats to replace the costly chemical measurements of deoxynivalenol (DON) was investigated. Partial least squares (PLS) regression was conducted on second‐derivative spectra (400–2,350 nm) of 166 DON‐contaminated samples (0.05–28.1 ppm, mean = 13.06 ppm) with separate calibration and test set samples. The calibration set had 111 samples, and the test set had 55 samples. The best model developed had three PLS components and a root mean square error of prediction (RMSEP) of 3.16 ppm. The residual predictive deviation (RPD) value of the prediction model was 2.63, an acceptable value for the purpose of rough screening. Visual inspection and the VIS spectra of the samples revealed that high‐DON samples tended to be darker in color and coarser in texture compared with low‐DON samples. The second‐derivative spectra showed that low‐DON samples tended to have more water and fat content than high‐DON samples. With an RMSEP value of 3.16 and RPD of value of 2.63, it seems possible to use VIS‐NIR spectroscopy to semiquantitatively estimate DON content of oats and discard the worst genotypes during the early stages of screening.     

傅立叶变换中红外光谱估测水稻叶片氮素含量的研究

通过不同氮素水平的水稻田间试验,在分析测定了水稻叶片叶绿素、氮素等农学参数后,采用傅立叶中红外光谱仪测定了水稻孕穗期叶片干样的透射光谱,利用协同偏最小二乘算法（siPLS）分析选取了傅立叶变换红外光谱估测水稻氮素含量的敏感波段及其组合。结果表明,其最优主成分数是9个,最佳估测建模的波段组合分别为1350.89～1586.57, 1587.53～1822.40 和 3709.41～3943.72 cm-1;建立的水稻氮素预测模型的精度较高,交互验证均方根误差（RMSECV）和预测均方根误差（RMSEP）分别为0.1538和0.1933,预测值与化学分析获得的叶片总氮浓度之间的交互相关系数和独立检验相关系数分别为0.9393和0.6649,高于中红外光谱指数NFS和NFSA的预测精度。说明利用傅立叶红外光谱作为水稻氮含量的诊断技术是可能的,值得进一步验证和完善。     

NIR spectroscopy and partial least-squares regression for determination of natural alpha-tocopherol in vegetable oils

Near-infrared (NIR) spectroscopy and partial least-square regression were used for determination of alpha-tocopherol in edible oils after extraction with ethanol. The standard error of calibration and the standard error of prediction were calculated for evaluation of the calibration models. The chemometric calibration model was prepared in spectral region 6500-4500 cm(-1) for standard alpha-tocopherol solutions (0.54-53.54 mg/mL). Obtained mean concentrations of natural alpha-tocopherol in different types of oils varied from 17.53 to 57.10 mg/100 g. Net analyte signal calculation was used to estimate detection limit (DL = 0.12 mg/mL), quantification limit (QL = 0.40 mg/mL), sensitivity (SEN = 0.045 mg/mL), and selectivity (SEL ranged between 0.24 and 0.54% of the measured reflectance signal) of the proposed NIR method. The comparable precision (RSD = 0.68-2.80% and 0.79-3.06%) and accuracy (recovery, 97.2-102.4% and 96.8-103.2%) for the proposed NIR and standard HPLC methods, demonstrate the benefit of the NIR method in the routine analysis of alpha-tocopherol in vegetable oils.     

基于音频和近红外光谱融合技术的西瓜成熟度判别

为了满足西瓜成熟度的快速无损检测需求,该研究主要利用声学技术、近红外光谱技术结合K最近邻法(k-nearest neighbor,KNN)、线性判别分析(linear discriminant analysis,LDA)和反向传播人工神经网络(back propagation artificial neural network,BP-ANN)3种化学计量学方法对不同成熟度的西瓜进行定性判别;同时采用联合区间偏最小二乘筛选法(synergy interval partial least squares,Si-PLS)分别建立声学技术、近红外光谱技术、融合技术的西瓜可溶性固形物预测模型。结果表明融合技术处理结果均优于单一信号,其LDA模型数据的西瓜成熟度模型识别率较佳,校正集和预测集的识别率分别为100.00%和91.67%。同时,基于融合技术所建立的西瓜可溶性固形物预测模型效果较佳,其校正集的均方差根误差(root mean squared error of the calibration set,RMSECV)为0.601%,预测集的均方差误差(root mean squared error of the prediction set,RMSEP)为0.725%,相比的单独音频信号其均方根误差分别降低了0.081、0.068个百分点。研究结果可为高精度的西瓜品质快速鉴别提供参考。