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。     

基于近红外光谱的土壤全氮含量估算模型

土壤全氮是诊断土壤肥力水平和指导作物精确施肥所需的重要信息,建立土壤全氮的近红外光谱估测模型并对建模波段进行优化选择对于土壤养分信息快速获取和精确农业发展具有重要意义。该研究以中国中、东部地区5种主要类型土壤为研究对象,利用近红外光谱仪采集土壤样品的光谱信息,结合近红外区域分子振动特点选取全谱、合频、一倍频、二倍频和N-H基团及其组合的8个波段,采用多元散射校正等多种预处理方法组合进行处理,结合偏最小二乘法(PLS)对每个波谱区域进行定标建模。结果表明,利用4000～5500cm-1波谱区域结合附加散射校正处理过的原始光谱建立的模型精度表现最好,其内部互验证决定系数达到0.90,均方根误差为0.16。经不同类型土壤的观测资料检验,模型验证决定系数为0.91,均方根误差为0.15,相对分析误差RPD为3.40,表明模型具有极好的预测能力。因此,利用近红外光谱可以实现土壤全氮的快速估测,且以合频波段(4000～5500cm-1)为建模区域可以得到更好的预测效果。     

去除水分影响提高土壤有机质含量高光谱估测精度

土壤水分的影响是当前采用光谱分析法预测土壤养分含量的关键问题,该文旨在探索去除土壤水分影响、提高有机质高光谱定量估测精度的方法。首先采用地物光谱仪进行湿土和过筛干土的高光谱测试,并进行一阶导数变换;然后,采用奇异值分解(singular value decomposition,SVD)结合相关分析筛选土壤水分特征光谱,构建去除水分因素的修正系数,形成湿土光谱的校正光谱;最后基于校正前后湿土光谱,应用偏最小二乘(partial least squares,PLS)回归构建土壤有机质含量的估测模型,并对模型进行验证和比较,分析评价校正前后光谱的预测精度。结果显示:按土壤水分含量梯度划分的2组和全部棕壤及褐土土样共4组样本校正后建模决定系数和均方根误差分别为0.85、0.82、0.74、0.76和0.19%、0.20%、0.23%、0.19%,决定系数提高了0.02~0.09,均方根误差降低了0.01~0.03百分点,验证决定系数、均方根误差和相对分析误差分别为0.78、0.77、0.72、0.76,0.21%、0.15%、0.21%、0.15%和2.03、2.02、1.86、1.98,决定系数提高了0.06~0.15,均方根误差除褐土土样提高0.02百分点外,其他样本组降低了0.01~0.08百分点,相对分析误差提高了0.17~0.43,模型决定系数和相对分析误差得到显著提升;尤其对于土壤水分含量变异系数较小的3组土样,模型从待改进级别提高到性能良好级别,对土壤有机质含量具有较好的预测准确性。说明该方法用于去除土壤水分因素影响和提高有机质含量高光谱估测精度的有效性。     

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.     

多种潮土有机质高光谱预测模型的对比分析

为了对比不同方法建模效果的差异,筛选潮土有机质高光谱最佳预测模型,该研究采集国家潮土土壤肥力与肥料效益长期监测站不同施肥处理耕层土样83份,采用25种光谱预处理方法(15种单一预处理方法,10种预处理方法相加算法)结合3种建模方法(多元线性回归、偏最小二乘回归、支持向量机回归),构建不同的潮土有机质高光谱预测模型。对比模型预测结果表明,最佳光谱建模方法是偏最小二乘回归法,该方法结合多种预处理方法均获得了较高的模型预测精度和可靠性,25个检验模型的平均决定系数、均方根误差值RMSEv和相对分析误差RPD值分别为0.913、1.264 g/kg和3.299。使用预处理方法相加算法能更好地提升模型精度,相比使用单一预处理方法,3种建模方法的检验模型平均决定系数分别提高了0.049、0.033和0.071,RMSEv分别降低了0.318、0.204和0.528 g/kg,RPD值分别提高了0.530、0.307和1.144。先用多元散射校正法再进行5个平滑点数的一阶导数预处理在3种建模方法中表现均较好(平均决定系数=0.934,平均RMSEv=1.17 g/kg,平均RPD=3.59),可作为潮土有机质预测模型的通用预处理方法。偏最小二乘回归模型结合最大值标准化预处理所建模型(决定系数=0.948,RMSEv=0.972 g/kg,RPD=4.276)精度高、可靠性强,且建模过程数据运算更为简便,是筛选出的最佳潮土有机质高光谱预测模型。该研究结果对潮土有机质高光谱预测建模有一定的指导作用,并为筛选最佳高光谱预测模型提供技术参考。     

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。     

结合高光谱信息的土壤有机碳密度地统计模型

传统线性回归模型在借助光谱信息进行土壤属性预测时,通常忽略了土壤自身所具有的空间异质性和依赖性,并且未考虑模型残差的空间结构。针对以上不足,该文以江汉平原232个土壤样本为研究对象,以土壤反射光谱为辅助变量,采用偏最小二乘回归、普通克里格、协同克里格以及回归克里格分别构建土壤有机碳密度预测模型,选取决定系数(R~2)、均方根误差、标准差与预测均方根误差比(ratio of performance to deviation,RPD)对模型预测精度进行对比评价。结果显示,结合高光谱信息,且同时考虑残差空间结构的回归克里格模型表现优于其他模型,预测决定系数R~2为0.617,RPD为1.614。鉴于土壤光谱信息同时还具有测定简单、省时、无损等优点,因此土壤光谱是土壤有机碳密度空间插值的理想辅助因子。     

北京典型耕作土壤养分的近红外光谱分析

为研究土壤养分含量分布信息,以从北京郊区一块试验田采集的72个土壤样品为试验材料,应用傅里叶变换近红外光谱技术分析了土样的全氮、全钾、有机质养分含量和pH值。采用偏最小二乘法(PLS)对光谱数据与土壤养分实测值进行回归分析,建立预测模型,以模型决定系数(R2)、校正标准差(RMSECV)、预测标准差(RMSEP)和相对分析误差(RPD)作为模型精度的评价指标。结果表明,利用该模型与光谱数据对土壤全氮、全钾、有机质养分含量和pH值进行预测,结果与实测数据具有较好的一致性,最高决定系数R2达到0.9544。偏最小二乘回归方法建立的养分预测模型能准确地对北京地区褐土土质全氮、有机质、全钾和pH值4种养分进行预测。     

连续投影算法在猪肉pH值无损检测中的应用

利用鲜肉的近红外光谱中少量特征波长对其pH值进行预测,可以大幅度降低模型复杂性和计算量,对开发无损检测装置, 实施肉品生产加工过程中pH值监测有重要意义。该文通过连续投影算法（SPA）选择特征波长建立简单多元线性回归模型（SPA-MLR）,并对比了SPA-MLR模型与全波段（5 000～10 440 cm-1）偏最小二乘回归模型（PLSR）及逐步线性回归（SMLR）、遗传算法（GA）选择特征波长所建模型的性能。结果表明经连续投影算法提取37个特征波长建立的模型,所用变量数仅占全波段的2.6%,校正集相关系数0.870,校正集均方根误差为0.094,验证集相关系数0.892,验证集均方根误差为0.085;性能与经多元散射校正预处理的PLSR模型接近,但采用变量数明显减少,优于逐步线性回归和遗传算法选择特征波长建立的模型,表明该方法可较好的选择特征波长,建立简单的预测模型。     

牛肉质构特性的近红外光谱无损检测

为了建立基于近红外光谱技术的牛肉质构特性快速检测方法,该试验采集了202个新鲜牛肉样品在800～2500 nm波长范围内的漫反射光谱,测定了牛肉的硬度、弹性、咀嚼性和黏附性,经小波消噪后,分别采用平滑、一阶微分、二阶微分等6种方法预处理,建立了牛肉质构特性的偏最小二乘回归模型,并用最优模型进行预测。结果表明：经小波消噪后采用二阶微分预处理方法建立的牛肉硬度、弹性、咀嚼性的检测模型效果最好,其校正集相关系数 r 均在0.9以上,校正集均方根误差（root means square error of calibration,RMSEC）分别为6.247 N、0.760 mm、14.954 mJ,预测集相关系数均在0.664以上,预测集均方根误差（root means square error of prediction,RMSEP）分别为8.887 N、0.951 mm、22.117 mJ,相对预测误差（ratio of prediction to deviation,RPD）值分别为2.43、1.88、2.32,预测精度较高,能够有效地预测牛肉的硬度、咀嚼性,可以检测精度要求不高的牛肉弹性;试验所建立的牛肉黏附性检测模型的预测性能不是很理想,虽然其校正集和预测集相关系数较高（分别为0.720、0.694）,RMSEC 和 RESEP 均较小（分别为0.302、0.243 N·mm）,但其 RPD 值小于1.5,模型预测精度较差,不可以用于预测未知样品的黏附性,此方法还需进一步研究。研究结果为牛肉质构特性的快速无损评价提供了理论依据。