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。     

基于小波去噪与SVR的小麦冠层含氮率高光谱测定

为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合（小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise）,并利用去噪后的小麦冠层光谱建立偏最小二乘回归（PLS）模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差（RMSEC）为0.260,预测集均方根误差（RMSEP）为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析（PCA）进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型（LS-SVR）,其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明：以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。     

马铃薯黑心病和单薯质量的透射高光谱检测方法

针对单一检测技术不能同时检测马铃薯内外品质的多项指标,采用透射高光谱成像技术并融合光谱和图像信息,对其内部黑心病、质量指标进行检测。通过透射高光谱成像系统获取266个样本高光谱图像（400～1000 nm）,并提取光谱和图像二者信息。采用不同变量选择方法对光谱进行变量选择,用9个光谱变量建立检测马铃薯黑心病偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA）模型与质量偏最小二乘回归（partial least squares, PLS）模型;提取样本透射高光谱图像的面积信息,建立基于光谱-图像的检测马铃薯质量PLS模型。试验结果表明,黑心样本识别率为100%,识别最小黑心面积为1.88 cm2;基于光谱-图像所建立质量检测模型预测效果较好,其预测集相关系数(Rp)为0.99,预测均方根误差(RMSEP）为10.88。结果表明：采用透射高光谱成像技术并融合图像和光谱信息对马铃薯内部黑心病、质量同时进行检测是可行的。     

近红外光谱变量筛选提高西瓜糖度预测模型精度

水果的内部品质是水果分级、保鲜及存储的一项重要指标,利用近红外光谱技术对西瓜内部品质进行快速无损检测研究有着非常重要的意义。为了研究变量筛选方法对西瓜糖度预测模型精度的影响,该文以麒麟瓜为研究对象,利用近红外漫透射光谱技术对麒麟瓜可溶性固形物含量（SSC）进行检测,采用偏最小二乘回归（PLSR）,多元线性回归（MLR）和主成分回归（PCR）建立麒麟瓜可溶性固形物数学模型,并探讨等间隔平均光谱和等间隔抽取光谱变量筛选结合连续投影算法（SPA）对预测模型精度的影响。研究结果表明：光谱经等间隔抽取（间隔5,115个变量）经归一化预处理,结合SPA优选出6个波长建立的PLSR预测模型的相关系数（rpre）为0.828、校正均方根误差（RMSEC）为0.589、预测均方根误差（RMSEP）为0.611。该模型预测效果相对较优,建模时间短,提高了模型的预测能力和预测精度。该研究为西瓜内部品质的在线无损检测提供研究基础。     

基于变量选择的蚕茧茧层量可见-近红外光谱无损检测

以蚕茧茧层量为研究对象,研究了基于可见-近红外光谱技术的蚕茧茧层量无损检测方法。采用最小二乘支持向量机（least square-support vector machine,LS-SVM）建立可见-近红外光谱模型。采用无信息变量消除算法（uninformative variable elimination, UVE）与连续投影算法（successive projections algorithm, SPA）相结合选取光谱有效波长。结果表明,基于UVE-SPA法进行变量选择,最终将原始光谱的600个光谱变量减少到了8个（673,937,963,982,989,992,995和1 008 nm）。基于此8个变量建立的LS-SVM模型得到了预测集的确定系数（Rp2）为0.5354,误差均方根（RMSEP）为0.0373的预测结果。表明可见-近红外光谱可以用于对蚕茧的茧层量进行无损检测,同时UVE-SPA是一种有效的光谱变量选择方法。     

近红外光谱快速检测马铃薯全粉还原糖

还原糖含量是评价马铃薯全粉品质的重要指标之一,该文研究基于近红外光谱技术结合最小二乘支持向量机（least squares support vector machine,LSSVM）算法的马铃薯全粉还原糖含量非线性数学模型。采用移动窗口偏最小二乘法（moving windows partial least square,MWPLS）和连续投影算法（successive projections algorithm,SPA）组合方法筛选出20个特征变量,作为LSSVM的输入向量。优化径向基函数（radial basis function,RBF）的惩罚因子和核参数,训练LSSVM校正模型。经比较,LSSVM校正模型预测结果最优,预测相关系数为0.984,预测标准差为0.223%,相对分析误差（standard deviation ratio,SDR）为5.62。结果表明：近红外光谱结合LSSVM算法提高了马铃薯全粉还原糖含量的预测精度。     

基于近红外光谱的绿茶滋味品质估测模型北大核心CSCD

绿茶中的茶多酚与氨基酸含量之比(即酚氨比)是评价绿茶滋味品质的量化指标。本文提出利用近红外光谱技术快速分析绿茶汤的酚氨比,并对光谱的特征变量进行筛选以提高模型的精度和稳定性。试验采用联合区间偏最小二乘法(siPLS)结合连续投影算法(SPA)筛选特征变量,建立酚氨比的估测模型,并与PLS、iPLS和siPLS方法建立的模型性能相比较。结果表明,应用siPLS结合SPA优选7个特征变量,主成分因子数为4时,所建模型性能最好,模型预测集相关系数(R p)为0.906,预测均方根误差(RMSEP)为0.258。对预测集30个样本的预测值与参考值进行t检验时,预测值与参考值无显著差异,说明模型准确可靠,可实现绿茶滋味品质的近红外光谱快速估测。     

茶叶咖啡碱近红外光谱模型简化方法

该文以茶叶为研究对象,以近红外光谱分析技术快速检测茶叶中的咖啡碱含量为目的,采用一种小波包分析-移动窗口偏最小二乘法（WPA-MWPLS）的处理光谱数据方法,即利用小波包精细的多层分解功能扣除背景、降低噪声的影响,利用移动窗口偏最小二乘法（MWPLS）挑选与茶叶中咖啡碱相关性较大的波数区间使用偏最小二乘法建立校正模型。与只经过Savitzky–Golay预处理后直接利用PLS所建模型相比,采用小波包分析-移动窗口偏最小二乘法使得预测相关系数R由0.9170提高到了0.9625;预测均方差RESEP由0.3071下降为0.2463。该结果表明：该方法具有预处理简单、优选参数和建模变量少等特点,能在很大程度上简化建模过程、提高建模和分析速度。     

基于无人机影像的冠层光谱和结构特征监测甜菜长势

甜菜是中国北方地区重要的经济作物。快速、准确、高通量的获取甜菜的地上部和块根鲜质量、块根含糖率、叶绿素含量对甜菜生产具有重要意义。该研究采用无人机搭载数码和多光谱相机,获取甜菜叶丛快速生长期、块根及糖分增长期和糖分积累期的数码影像和多光谱影像,提取了冠层的结构特征和光谱特征。选择随机森林回归（Random Forest Regression,RFR）和偏最小二乘回归（Partial Least Squares Regression,PLSR）2种建模方法基于获取的冠层特征,构建甜菜全生育期的地上部和块根鲜质量、块根含糖率和SPAD（Soil and Plant Analyzer Development）值估算模型。研究结果表明,随机森林回归模型和偏最小二乘回归模型对地上部和块根鲜质量、含糖率都做出较好的预测,R2范围分别为0.9～0.94、0.88～0.9,rRMSE范围分别为7.6%～17%、8.8%～20%。对SPAD值的预测均较弱,R2分别为0.66和0.67。为了减小输入变量集的大小以及去掉对预测不敏感的变量,该研究采用置换重要性（Permutation Importance,PIMP）来筛选冠层光谱特征和结构特征中对预测有重要影响的变量。结果表明基于筛选出的重要性特征构建的随机森林回归模型和偏最小二乘回归模型对地上部和块根鲜质量、含糖率都做出较好的预测,R2范围分别为0.89～0.94、0.74～0.91,rRMSE范围分别为7.3%～19%、7.6%～19%。对SPAD值的预测均较弱,R2分别为0.65和0.68。进一步表明随机森林回归模型在精度上略好于偏最小二乘回归模型。同时基于PIMP筛选变量的方法在保持原有精度的同时能实现降低数据收集复杂性的目的。研究结果为基于无人机遥感技术快速、准确监测甜菜长势和估测块根类作物的根部活性物质提供了参考。     

应用红外光声光谱技术及支持向量机模型测定土壤有机质含量

快速测定土壤有机质含量对作物生产和土壤肥力评价具有重要意义,红外光声光谱技术的应用为土壤有机质快速测定提供了可能。本研究以江苏省南京市溧水区水稻土土样为材料,探究了红外光声光谱技术在有机质测定中的应用。采用主成分分析、偏最小二乘和独立成分分析,分别提取了土壤光谱的主成分、偏最小二乘潜变量和独立成分,并以提取的信息输入支持向量机,从而构建了三种支持向量机校正模型。同时,偏最小二乘也被用于建立校正模型,作为支持向量机模型的对照。预测结果表明,基于独立成分的支持向量机模型效果最好,预测相关系数R2、均方根误差RMSEP和实际测量值的标准差与光谱模型预测值标准差的比值即RPD值分别为0.808、0.575和2.28。F检验表明,该模型显著优于基于主成分的支持向量机模型,但与基于偏最小二乘潜变量的支持向量机模型,以及经典偏最小二乘模型没有显著差异。t检验表明,各校正模型对有机质的预测结果与化学测定结果没有显著差异。因此,红外光声光谱技术为土壤有机质的快速测定提供了新的技术手段。     

高光谱图像技术快速预测发酵醋醅总酸分布

固态发酵是镇江香醋生产的重要环节之一,直接决定着成品醋的风味和品质。但目前固态发酵的生产控制主要依赖人工经验,难以有效保障镇江香醋的品质。该文分析了总酸（total acid content,TAC）、pH值、含水率在不同阶段的变化规律;采用高光谱图像技术结合联合区间偏最小二乘法（synergy interval partial least squares,siPLS）快速预测固态发酵基质（醋醅）的TAC、pH值和含水率,其最佳模型的相关系数R分别为0.8316、0.9455和0.8503;同时利用主成分分析和逐步多元线性回归模型（stepwise multiple linear regression,SMLR）对醋醅高光谱图像进行分析,研究了总酸在醋醅中的分布情况,以此来快速判断醋醅发酵的均匀性。研究表明,利用高光谱图像技术快速预测醋醅的理化参数及其分布的方法是可行的,结果可为镇江香醋固态发酵的工艺控制提供基础数据和技术手段。     

(Methyl)Mercury,Arsenic, and Lead Contamination of the World’s Largest Wastewater Irrigation System: the Mezquital Valley (Hidalgo State—Mexico)

We investigate the potential of near-infrared (NIR) spectroscopy to predict some heavy metals content (Zn, Cu, Pb, Cr and Ni) in several soil types in Stara Zagora Region, South Bulgaria, as affected by the size of calibration set using partial least squares (PLS) regression models. A total of 124 soil samples from the 0–20 and 20–40 cm layers were collected from fields with different cropping systems. Total Zn, Cu, Pb, Cr and Ni concentrations were determined by Atomic Absorption Spectrometry. Spectra of air dried soil samples were obtained using an FT-NIR Spectrometer (spectral range 700–2,500 nm). PLS calibration models were developed with full-cross-validation using calibration sets of 90 %, 80 %, 70 % and 60 % of the 124 samples. These models were validated with the same prediction set of 12 samples. The validation of the NIR models showed Cu to be best predicted with NIR spectroscopy. Less accurate prediction was observed for Zn, Pb and Ni, which was classified as possible to distinguish between high and low concentrations and as approximate quantitative. The worst model performance in cross-validation and prediction was for Cr. Results also showed that values of root mean square error in cross-validation (RMSE_cv) increased with decreasing number of samples in calibration sets, which was particularly clear for Cu, Pb, Ni and Cr content. A similar tendency was observed in the prediction sets, where RMSEP values increased with a decrease in the number of samples, particularly for Pb, Ni and Cr content. This tendency was not clear for Zn, while even an increase in RMSEP for Cu with the sample size was observed. It can be concluded that NIR spectroscopy can be used to measure heavy metals in a sample set with different soil type, when sufficient number of soil samples (depending on variability) is used in the calibration set.     

基于小波变换的番茄总糖近红外无损检测

分别采用小波消噪、常数偏移消除等11种光谱预处理方法,对番茄总糖含量（质量分数）的近红外光谱进行预处理,通过偏最小二乘法定量校正模型预测值比较得出,小波消噪是适合番茄近红外光谱的最佳预处理方法,小波消噪的总糖质量分数近红外光谱优选区域为11 998.9～6 097.8 cm-1和4 601.3～4 246.5 cm-1,在此光谱区内建立的番茄总糖质量分数偏最小二乘法模型预测值与实测值的相关系数为0.930,内部交叉验证均方差为0.466%,校正标准差为0.469%,预测标准差为0.260%。试验结果表明：小波消噪后建立的近红外光谱模型能准确地对番茄总糖含量进行快速无损检测。     

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.     

近红外光谱快速检测食用油必需脂肪酸

为了建立食用油必需脂肪酸快速检测的方法,该研究提出了基于近红外光谱技术检测食用油中α-亚麻酸和亚油酸含量的快速测定方法。对光谱信息分别采用偏最小二乘回归方法(PLS)和最小二乘支持向量机(LS-SVM)建立模型。比较了多种光谱预处理方法对模型预测能力的影响。结果表明对于亚油酸含量的预测,采用Savitzky-Golay平滑法结合多元散射校正(MSC)的光谱预处理所建立的LS-SVM模型最优。预测集的决定系数(R2)、预测均方根误差(RMSEP)和剩余预测偏差(RPD)分别达到了0.989,0.0161和9.4783。对于α-亚麻酸含量的预测,采用Savitzky-Golay平滑法结合标准正态变换(SNV)的光谱预处理所建立的LS-SVM模型最优。α-亚麻酸含量预测结果的R2、RMSEP和RPD为0.972,0.0036和6.0561,据此表明,应用近红外光谱技术能够检测食用油中α-亚麻酸和亚油酸的含量,为快速检测食用油的必需脂肪酸提供了参考。     

近红外透反射光谱测定单粒稻种的蛋白质含量

为探索NIR光谱技术在水稻种子蛋白质含量分析中的应用,本研究细致分析了单粒稻种在不同光谱采集方式下的近红外光谱(NIRS)特征,并利用离子束诱变育种得到的水稻9311突变体库的种子,建立准确性较好的单粒糙米和单粒稻种的蛋白质定量模型。结果表明,与漫反射光谱采集方式下的单粒糙米蛋白质模型相比,透反射和透射光谱采集方式下能得到相关性较好的糙米蛋白质模型,其中单粒糙米蛋白质最优定量模型的决定系数(R²)为0.97,预测均方根误差(RMSEP)为0.27%。在单粒稻种中,由于种壳的反射作用,漫反射光谱采集方式下依然无法建立准确性高的蛋白质模型,透反射光谱采集方式下能够建立具有一定预测能力的蛋白质定量模型(RMSEP=0.81%),透射光谱采集方式下能够建立准确性高的蛋白质定量模型(R²=0.96,RMSEP=0.24%)。本研究结果为无损快速分析单粒稻种提供了一种解决方法。     

二维相关光谱结合偏最小二乘法测定牛奶中的掺杂尿素

为了检验牛奶中是否掺杂尿素并将其量化测定,配置含有尿素质量浓度范围为1～20g/L之间40个牛奶样品,以掺杂物尿素浓度为外扰,分别研究了掺杂尿素牛奶的二维相关(近红外-近红外,中红外-中红外,近红外-中红外)光谱特性,在此基础上,分别选择随浓度变化大的4200～4800cm-1和1400～1704cm-1为建模区间,采用偏最小二乘方法建立定量分析模型。研究结果表明:4200～4800cm-1建模分析效果优于1400～1704cm-1建模结果,其交叉验证均方根误差为0.266g/L,对未知样品集预测相关系数达到0.999,预测均方根误差为0.219g/L,这表明所建模型具有较好的预测效果。该方法无需样品处理,成本低,为快速判别牛奶是否掺杂提供了一种新的可能的方法。     

羊肉色泽傅立叶变换近红外光谱定量分析方法研究

以从北京市、山西大同市、宁夏吴忠市3个地区筛选的有代表性的227份羊肉样品为试材,应用傅里叶变换近红外光谱技术探讨羊肉色泽无损检测的方法。以决定系数(R2)、校正标准差(RMSECV)和预测标准差(RMSEP)为近红外光谱检测模型的评价指标,采用偏最小二乘法(PLS)对近红外光谱信息与样品的色差e值进行拟合,确定最佳的光谱预处理方法、主成分数和光谱区间范围。结果表明:所选227个羊肉样品的色差e值分布范围为1.556～9.879,其中80%以上的样品e值在1～5之间,具有显著的代表性;在11995.5～4597.6cm-1的波段范围内,最佳主成分数为6时,近红外光谱经最大最小归一法处理后,建立的羊肉色泽预测模型精度最高,R2达到0.776,RMSECV为0.451;用此模型对预测集48个样品进行预测,预测值与实测值的相关系数(R)为0.835,RMSEP为0.517,该研究表明利用近红外光谱技术检测羊肉色泽可行。     

表面增强拉曼光谱检测脐橙果皮混合农药残留

为了研究果皮农药残留快速检测方法。该文以脐橙为例,混合农药(亚胺硫磷和乐果)为研究对象,选用银纳米线作为增强基底,利用共焦显微拉曼光谱仪对农药残留进行检测。通过表面增强拉曼光谱(surface enhanced Raman scattering,SERS)技术,采集脐橙表皮混合农药残留的SERS光谱。对混合农药定性分析,银纳米线对2种农药都有较好的增强效果。对采集的光谱进行预处理后,建立模型,进行定量分析,研究结果表明,经过二阶微分预处理后光谱数据结合偏最小二乘法(partial least squares,PLS)得到的模型预测效果最好,预测相关系数(R_p)为0.954,其预测均方根误差(root-mean-square prediction error,RMSEP)为4.822 mg/L。挑选两种农药特征峰的特征波段,混合农药中亚胺硫磷的特征波段经多元散射校正(multiplicative scatter correction,MSC)处理后,建模效果较好,其中R_p为0.898,RMSEP为6.621 mg/L;混合农药中乐果的特征波段经基线校正处理后,建模效果较好,其中R_p为0.911,RMSEP为7.369 mg/L。研究结果表明SERS技术是一种快速、可靠的检测混合农药残留的方法。