利用近红外高光谱图像技术快速鉴别西瓜种子品种

为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法（empirical mode decomposition,EMD）和小波分析（wavelet transform,WT）对提取出的光谱数据进行去除噪声处理,采用连续投影算法（successive projections algorithm,SPA）和遗传-偏最小二乘法（genetic algorithm-partial least squares, GA-PLS）进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）,基于特征波长建立了反向传播神经网络（back-propagation neural network,BP NN)判别模型和极限学习机（extreme learning machine,ELM）判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。     

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。     

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。     

除草剂胁迫下大麦叶片丙二醛含量的光谱快速检测方法

丙二醛(MDA)是植物衰老和抗性生理研究中的一个重要指标,传统检测方法程序复杂,检测费时。该研究应用近红外光谱技术实现了除草剂胁迫下大麦叶片丙二醛(MDA)含量的简便、无损、快速检测。采集75个大麦叶片样本的近红外光谱数据,比较了Savitzky-Golay平滑(SG)、变量标准化(SNV)、多元散射校正(MSC)等7种预处理方法,建立了大麦叶片丙二醛含量预测的最优偏最小二乘法(PLS)模型,将PLS提取的特征向量(LV)作为最小二乘-支持向量机(LS-SVM)模型的输入变量,建立了LV-LS-SVM模型。选用回归系数(RC)方法提取原始光谱的特征波长,将其分别作为PLS、MLR和LS-SVM的输入变量建立相应模型。将相关系数(r)和预测集均方根误差(RMSEP)作为模型的主要评价指标。结果表明,LV-LS-SVM模型效果优于PLS模型,LV-LS-SVM模型在SNV及MSC预处理后预测效果相同,其预测的r和RMSEP分别为0.9383和10.4598,获得了满意的预测效果。说明应用光谱技术检测大麦叶片中MDA含量是可行的,且预测精度较高,为大麦生长状况的大田监测及除草剂胁迫对大麦抗性等生理信息的快速检测提供了新的途径。     

基于光谱技术的大豆豆荚炭疽病早期鉴别方法

为更好地指导农户进行植物病害防治,提高大豆豆荚的商品性,减少损失,需要运用快速有效的方法来进行大豆豆荚炭疽病的早期检测。该文应用可见-近红外光谱技术结合连续投影算法(SPA)和最小二乘支持向量机(LS-SVM),实现了大豆豆荚炭疽病的早期快速无损检测。对194个大豆豆荚样本进行光谱扫描,通过不同预处理方法比较,建立了大豆豆荚炭疽病早期无损鉴别的最优偏最小二乘法(PLS)模型。同时应用主成分分析(PCA)和连续投影算法(SPA)分别了提取最佳主成分和有效波长,并将其作为LS-SVM的输入变量,建立了PCA-LS-SVM和SPA-LS-SVM模型,以样本鉴别的准确率作为模型评价指标。试验结果显示PCA-LS-SVM和SPA-LS-SVM模型都获得了比较满意的准确率,且SPA-LS-SVM模型的准确率最高为95.45%。研究表明,SPA能够有效地进行波长选择,进而使LS-SVM模型获得较高的鉴别率,说明应用可见-近红外光谱技术鉴别大豆豆荚炭疽病是可行的。这为进一步应用光谱技术进行大豆生长对逆境胁迫的反应提供了新的方法,为实现大豆病害的田间实时在线检测提供参考。     

基于高光谱技术的霉变稻谷脂肪酸含量无损检测

脂肪酸含量是表征稻谷霉变信息的重要指标。为了解决传统化学分析法测定稻谷脂肪酸含量有损、费时、低效等问题,该文研究应用高光谱技术实施霉变稻谷脂肪酸含量无损检测的方法。研究选取人工制备的不同霉变时期的稻谷样本作为研究对象,利用高光谱仪结合理化试验方法测定其相应的光谱信息和脂肪酸含量,运用移动窗口平滑法(savitzky-golay,SG)和一阶微分(first derivation,FD)对光谱数据进行预处理,采用连续投影算法(successive projections algorithm,SPA)提取反映稻谷脂肪酸含量变化的光谱特征波段,应用回归分析法建立基于特征波段光谱反射值的稻谷脂肪酸含量预测模型,对比分析不同光谱预处理方法的模型预测效果。研究结果显示,原始光谱数据通过SG平滑和一阶微分处理后,分别经SPA方法优选出了14和10个光谱特征波段;采用SG-SPA-MLR(multivariable linear regression)方法构建的模型质量和稻谷脂肪酸含量预测效果均优于FD-SPA-MLR模型,校正时其内部交叉验证的相关系数RCV和均方根误差RMSECV分别为0.9419、11.9646 mg/(100 g);预测时其外部验证的相关系数RP和均方根误差RMSEP分别为0.9366、12.3550 mg/(100 g),模型对不同霉变时期的稻谷脂肪酸含量均具有较强的预测能力。研究表明,利用高光谱技术对稻谷脂肪酸含量实施无损检测具有可行性,可为将来快速检测稻谷霉变提供参考依据。     

基于光谱预处理和机器学习算法的烤烟叶绿素含量预测

叶绿素是作物进行光合作用合成有机物的主要色素,实时监测烤烟叶片叶绿素含量对跟踪烟株氮素营养状况和判别烟叶成熟度具有重要的指导作用。基于对烤烟叶片光谱特征的分析,以不同供氮水平下实测的烟叶高光谱数据及叶绿素相对含量(SPAD)为数据源,采用一阶导数(1st Der)、多元散射校正(MSC)、标准正态变量(SNV)和SG平滑(SG)对原始光谱数据进行预处理,先采用连续投影法(SPA)挑选出每个预处理条件下的特征波长,后将各特征波段下的光谱反射率作为模型的输入变量,利用反向传播神经网络(BPNN)、随机森林(RF)和支持向量机(SVM)3种机器学习的方法分别构建烤烟叶片叶绿素含量估测模型。使用决定系数(R2)、均方根误差(RMSE)和平均绝对值误差(MAE)对每个机器学习模型的性能进行了评估和比较。结果表明:3种机器学习方法训练出的模型相比较,RF模型的预测准确率最高;烤烟叶片原始光谱经MSC和SNV预处理后的光谱信息作为输入变量,经RF算法建模具有较高的精度和良好的预测能力,模型为MSC-SPA-RF(R2=0.96,RMSE=1.15,MAE=0.94)和SNV-SPA-RF(R2=0.96,RMSE=1.14,MAE=0.94)。说明基于机器学习利用高光谱数据估算烤烟叶片叶绿素含量具有可行性,这为实时、精确地监控烤烟生长过程中叶片叶绿素含量变化状况以及合理科学的进行田间管理提供了一定的理论基础。     

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。     

柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。     

基于高光谱的油麦菜叶片水分CARS-ABC-SVR预测模型

为了实现油麦菜生长期间更合理的灌水管理,研究一种基于高光谱技术的精确、快速、有效检测油麦菜叶片水分的新方法。以5种不同水分胁迫水平的油麦菜为研究对象,通过高光谱成像系统获取高光谱图像并利用干燥法测量叶片含水率。采用多项式平滑(Savitzky-Golay,SG)结合标准变量变换(standard normalized variable,SNV)对高光谱数据去噪平滑。利用竞争性自适应加权算法(competitive adaptive reweighted sampling,CARS)进行特征波长选择,并与逐步回归分析(stepwise regression,SR)及连续投影算法(successive projections algorithm,SPA)进行比较,利用支持向量回归机(support vector regression,SVR)分别建立油麦菜叶片全光谱数据、3种特征光谱数据与干基含水率的关系模型。结果表明,基于竞争性自适应加权算法波长选择的支持向量回归模型(CARS-SVR)效果最佳,但预测精度尚不够理想,故引入人工蜂群算法(artificial bee colony,ABC)优化模型的参数惩罚因子和核参数。最终,经人工蜂群算法优化后的模型(CARS-ABC-SVR)的预测集决定系数R2和均方根误差RMSE分别为0.9214和2.95%。因此,利用高光谱技术结合CARS-ABC-SVR模型预测油麦菜叶片水分含量是可行的。     

基于相关系数法与遗传算法的啤酒酒精度近红外光谱分析

以啤酒的酒精度的快速检测为研究对象，针对采用偏最小二乘(Partial Least Squares，PLS)法建立近红外光谱预测模型时波长筛选问题，提出将相关系数法与遗传算法(Genetic Algorithms，GA)相结合提取光谱有效信息，提高预测模型的精度的方法。结果表明：该方法应用于啤酒酒精度近红外光谱检测中，吸收光谱和一阶导数光谱的预测建模的波长个数分别减少了83%、82%，预测平均相对误差分别降低了0.42%、0.64%，不仅简化、优化了模型，而且增强了预测建模型的预测能力，是一种采用PLS法建立预测模型前行之有效的降低和优选波长的方法。     

红茶感官品质及成分近红外光谱快速检测模型建立

以在发酵过程中小叶种工夫红茶为研究对象,分别建立了基于近红外光谱检测技术的感官品质评分和理化品质指标(茶黄素、茶红素、茶褐素、儿茶素和酚氨比)的定量分析模型。在模型建立过程中,探讨了特征变量优选方法对预测模型的影响。首先,对获取的近红外光谱数据进行标准正态变量变换法(standard normal Z transformation,SNV)预处理,进而采用联合区间偏最小二乘回归(synergy interval PLS,Si-PLS)、随机蛙跳算法(shuffled frog leaping algorithm,SFLA)、竞争性自适应权重取样法(competitiveadaptivereweightedsampling,CARS)和连续投影(successive projections algorithm,SPA),筛选出各品质指标的最优特征波长变量;最后基于优选波长分别建立各发酵品质指标的偏最小二乘法(partial least squares regression,PLS)线性预测模型和支持向量机(support vector regression,SVR)非线性预测模型。模型结果比较表明,Si、CARS、SFLA和SPA等变量筛选方法可有效压缩变量,以及进一步提高模型精度。非线性模型的预测均方根误差值(root-mean-square error of prediction,RMSEP)均明显小于PLS模型,相关性系数(correlation coefficient,R)和相对分析误差(relative percent deviation,RPD)均高于PLS模型。对于红茶发酵品质的检测上,非线性模型性能优于线性模型。感官品质、茶褐素和儿茶素的最优变量SVR预测模型的RPD值分别为3.923、3.234和5.462,酚氨比和茶红素模型的RPD值分别为2.815和2.223。除茶黄素的评价模型外(RPD为1.77),基于最优特征波长的各品质指标SVR模型的RPD值均大于2,表明模型具有极好的预测性能。研究结果为实现工夫红茶发酵品质的近红外光谱快速检测的实际应用奠定理论基础。     

Quantitative Analysis of Chlorophyll and Protein in Alfalfa Leaves Using Fiber‐Optic Near‐Infrared Spectroscopy

The performance of near‐infrared (NIR) spectroscopy as a rapid technique for the estimation of chlorophyll and protein contents in alfalfa (Medicago sativa L.) was investigated. A fiber‐optic probe was employed directly on a total of 198 fresh leaves to measure spectra between 1100 and 2200 nm. Partial least squares (PLS) regression models were developed with a calibration set of 120 samples spanning a concentration range of 5.20–158.5 for the chlorophyll content index (CCI), 0.39–4.60 mg g^?1 (fresh weight) for the chlorophyll extracted with dimethylsulfoxide (DMSO), and 9.92–45.32% (dry matter) for protein content. The models obtained were validated with 78 independent samples. Standard errors of prediction of 12.49 were obtained for the CCI, 0.24 mg g^?1 for DMSO‐extracted chlorophyll, and 3.27% for the protein content. These results support the use of NIRS equipped with a fiber‐optic probe to monitor and assess the composition and quality of forages in a nondestructive way.     

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。     

Quantitative analysis of soil nitrogen and carbon at a farm scale using visible and near infrared spectroscopy coupled with wavelength reduction

Reducing large spectral datasets to parsimonious representations of wavelengths is of value for efficient storage and easing analysis, in addition to the potential to use a simpler and cheaper spectrophotometer. This study evaluated the potential of calibrating visible and near infrared (vis‐NIR) spectra to total nitrogen (N), total carbon (C), organic C and inorganic C in soil on a 15‐ha farm, with the aim of comparing several wavelength reduction algorithms and rates in terms of model prediction accuracy. We explored the uninformative variables elimination (UVE), UVE coupled with successive projections algorithm (SPA) and two uniform‐interval wavelength reduction approaches (UWR‐I and UWR‐II) with successive wavelength reduction rates (WRRs) of 2, 5, 10, 20, 50, 100, 200, 500 and 1000. The standard normal variate (SNV)‐transformed absorbance spectra of soil samples recorded from 400 to 2499 nm at 1‐nm intervals were used. The calibration sets were subjected to a partial least squares regression (PLSR) with leave‐one‐out cross‐validation. Prediction results showed that UVE can reduce wavelength variables significantly while retaining good model prediction accuracy. The UVE‐SPA produced only three or four wavelengths, with which PLSR models achieved competitive prediction performance, compared with those based on all 2100 wavelengths, with coefficient of determination (R²) of 0.91, 0.89, 0.91 and 0.53 and residual prediction deviation (RPD) of 3.53, 2.95, 3.27 and 1.53 for soil total N, total C, organic C and inorganic C, respectively. The UWR tests showed that PLSR models responded insensitively to various WRRs from 2 to 100. The models calibrated for the 100‐nm interval spectra (21 remaining wavelengths) performed almost as well as those for the 1‐nm interval spectra. Although these findings might be valid only at the farm scale, it is recommended that the proposed wavelength reduction algorithms for more soil types and soils originated from larger areas should be examined.     

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。