草莓品质光谱检测方法比较研究

为快速、无损检测草莓色度及糖度,采用近红外光谱和高光谱成像技术对草莓的色度和糖度进行光谱分析,采用偏最小二乘法构建预测模型,并对这两种光谱检测方式进行简单的对比分析。近红外光谱试验采用近红外光谱仪结合SpectraSuite光谱采集软件对草莓进行近红外光谱信息提取,高光谱成型技术采用高光谱成像系统结合高光谱图像采集软件Hyper Spectral Image以及图像处理软件HSI Analyzer采集草莓图像,并利用ENVI软件从图像中提取高光谱信息,最后利用The Unscrambler9.7软件对草莓的色度和糖度进行这两种光谱的建模和预测。结果表明:对于红色度值,通过近红外光谱建模得到的判定系数R²=0.9913,校正均方根误差RMSEC=0.1313,预测均方根误差RMSEP=0.1307,通过高光谱建模得到的R²=0.9894,RMSEC=0.1559,RMSEP=0.1528;对于可溶性固形物含量,通过近红外光谱建模得到的R²=0.9917,RMSEC=0.1092,RMSEP=0.1028,通过高光谱建模得到...     

近红外光谱结合CARS-PLS模型检测草莓可溶性固形物含量研究

为了实现对草莓内部可溶性固形物含量(soluble solids content,SSC)客观、准确、快速和无损检测,采用近红外光谱结合竞争性自适应重加权算法采样(CARS)变量选择以及多变量校正分析的测定方法。164个草莓样本被分成校正集(123个)和预测集(41个)。基于全光谱数据,通过CARS算法获得了可以表征原始光谱信息的117个特征光谱变量。全光谱变量和特征光谱变量分别作为输入构建了偏最小二乘回归PLS和多元线性回归MLR模型,通过比较3类模型发现,基于特征光谱的PLS模型(即CARS-PLS模型)对草莓内部可溶性固形物含量测定性能最优,针对预测集样本,模型预测相关系数r_P和均方跟误差RMSEP分别为0.950 9和0.335 2。     

脐橙可溶性固形物的在线近红外光谱检测

【目的】应用近红外光谱漫反射技术在线检测脐橙内部的可溶性固形物含量(SSC)。【方法】以0.3m/s的速度、400W的光照强度获取脐橙(脐橙样品为97个,其中74个为校正集,23个样品为预测集)的漫反射光谱;对比不同光谱预处理方法(平滑、一阶微分、二阶微分等)对偏最小二乘回归(PLSR)所建预测模型性能的影响,建立PLSR、主成分回归(PCR)和多元线性回归(MLR)在线检测脐橙可溶性固形物含量的预测模型。【结果】在520~1 000nm光谱范围,卷积平滑(S-G)能有效提高光谱的信噪比,改善模型预测精度;基于PLSR所建立的预测模型较PCR和MLR更为理想,其预测相关系数(RP)为0.90,预测均方根误差(RMSEP)为0.61。【结论】利用在线近红外光谱技术检测脐橙可溶性固形物含量是可行的。     

基于近红外漫反射光谱的多品种桃可溶性固形物的无损检测

【目的】研究基于近红外漫反射光谱的多品种桃可溶性固形物含量的无损检测技术。【方法】在获得3个不同品种桃近红外漫反射光谱的基础上,采用多元散射校正(MSC)方法处理原始光谱,以SPXY算法划分样品集,分别建立了可溶性固形物含量的偏最小二乘回归(PLSR)、极限学习机(ELM)和最小二乘支持向量机(LSSVM)预测模型,并比较和评价了移动窗口偏最小二乘法(MWPLS)和连续投影算法(SPA)优选有效特征波长对于简化模型运算量、改善模型预测性能的影响。【结果】虽然全光谱可以获得较好的识别效果,但是模型比较复杂;MWPLS与SPA优选的有效特征波长均能有效地减少建模变量并简化模型,但MWPLS在提高建模效率和改善模型预测精度方面有更明显的优势;PLSR、ELM与LSSVM模型都取得了较理想的预测结果,其中PLSR方法较适用于全光谱建模分析;MWPLS-ELM模型对样品集中桃可溶性固形物含量的预测性能最好,其校正相关系数、校正均方根误差、预测相关系数和预测均方根误差分别为0.991,0.397,0.983和0.497。【结论】近红外漫反射技术可用于多品种桃可溶性固形物含量的准确、无损检测,也为其他品种果品的内部品质指标快速、无损检测提供了技术借鉴。     

基于神经网络及近红外光谱的草莓成熟度快速识别方法

[目的]探究快速检验草莓的成熟度、提高草莓采摘自动化水平的方法。[方法]采集350～2 500 nm波段草莓的光谱信息,提取光谱的一阶导数值并进行主成分分析,取2个主成分并获得了主成分中贡献率最大的6个峰值点,将各个峰值点两侧各取5个波段点作为特征点。随机选取58个样本组成60×58的矩阵作为训练集,导入用Matlab建立的人工BP神经网络中进行训练。[结果]利用测试集进行识别模型的检验,识别正确率达到93.1%。[结论]利用近红外光谱对草莓成熟度进行识别是可行的。     

草莓常规育种F_1代果实品质比较研究

对7份种质资源相互配组杂交的草莓F_1代果实品质表现进行比较,采果期持续3个月,每月中旬测定其平均单果重量、VC、可溶性固形物、可溶性糖及可滴定酸含量。结果表明,组合6(甜查理×章姬)平均单果重最高,达25.07 g。组合7(09-8-S-9×09-6-N-5)可溶性固形物含量、可滴定酸含量均为最高,分别为10.37%和0.990 4%,固酸比相对适中,为10.47%;组合4(紫金香玉×红颊)可溶性总糖含量最高,达9.9 g/100 g;组合3(甜查理×章姬)VC含量最高,达61.44 mg/10 g。     

2种AM真菌对草莓产量和品质的影响

供试材料为以色列引进的草莓品种S3,在日光温室条件下研究了接种地表球囊霉(Glomus versiforme)和摩西球囊霉(Glomus mosseae)对草莓果实产量及品质的影响。结果表明,这2种AM真菌均能促进根系生长,提高草莓单果重和单株产量,其中,摩西球囊霉的促增效果比地表球囊霉促增效果显著。2个菌种混合使用比1个菌种促增效果更显著,其中,摩西球囊霉和地表球囊霉菌土各16 g的混合处理对草莓果实产量的促进作用最强,草莓果实可溶性固形物含量、维生素C含量、可溶性糖含量分别提高了22.26%、36.09%和15.07%,果实硬度提高,而可滴定酸含量下降了28.99%,改善了草莓风味。     

基于近红外光谱技术的南荻生物质品质快速分析

为快速分析洞庭湖南荻的生物质品质(可溶物、纤维素、半纤维素、木质素、灰分含量和纤维素结晶度、聚合度),以采集的126份种质资源为材料,分别采用2种光谱预处理方法和3种特征光谱筛选方法优化原始光谱,基于不同组合方式优化光谱及原始光谱,结合偏最小二乘法构建近红外光谱分析模型,筛选针对7个品质指标的双重优化模型,基于灰色关联度法对126份种质资源进行工业化潜力评估。结果表明：洞庭湖南荻可溶物、纤维素、半纤维素、木质素、灰分含量及纤维素结晶度、聚合度均存在丰富的多样性,且大致呈正态分布,符合近红外建模的要求;基于直接差分法(DD)结合竞争性自适应重加权算法(CARS)优化的PLS模型对南荻可溶物含量的预测结果表现优异,其校正集的均方根误差(RMSEC)为0.27,决定系数(R2C)为0.99;交叉验证集的均方根误差(RMSECV)为0.77,决定系数(R2CV)为0.97,预测集的相对分析误差为5.07,相关系数(R2V)为0.88;基于DD结合变量组合集群分析混合迭代保留信息变量(VCPA–IRIV)优化的PLS模型在南荻的纤维素、半纤维素、木质素、灰分含量和结晶度、聚合度的预测中表现优异,模型的RMSEC为0.14~10.20,R2C为0.98~0.99,RMSECV为0.28~19.46,R2CV为0.94~0.98,R2V为0.87~0.98,相对分析误差(RPD)为4.84~15.65;表明基于双重优化光谱子集建立的近红外光谱模型能较好地预测南荻的生物质品质,且具有较高的稳定性;通过灰色关联度法对126份南荻种质资源进行评估,发现126个样本的工业化利用潜力分数大致呈正态分布,其利用潜力分数的均值为54.4,一级种质资源4个,二级种质资源40个,三级种质资源63个,四级种质资源14个,五级种质资源5个。     

近红外光谱快速检测葡萄酒品质

为实现葡萄酒品质及理化指标的快速检测,在选择最优波段和光谱最佳处理方法的基础上,利用近红外光谱结合偏最小二乘分析法分别建立葡萄酒样品的总糖、总酸、酒精度、总多酚、花色苷的定量模型。结果表明,模型验证的相关系数分别为0.992 7、0.994 8、0.990 2、0.969 8和0.937 5,模型验证效果较好。基于化学计量学方法和近红外光谱数据可实现葡萄酒理化指标的快速检测。     

近红外光谱法无损检测番茄可溶性固形物含量的研究

应用近红外漫反射光谱技术对番茄可溶性固形物含量进行了非破坏性检测分析,比较了10种不同的光谱预处理方法对偏最小二乘法(PLS)模型的影响.结果表明,常数偏移消除是适合建立近红外光谱法无损检测番茄可溶性固形物含量PLS模型的最优光谱预处理方法,最能反映番茄可溶性固形物含量信息的光谱波段为11998.9-5449.8cm-1和4601.3～4246.5 cm-1.用偏最小二乘法建立的定量分析模型,其预测值和实测值的相关系数为0.954,校正标准差为0.321%,预测标准差为0.475%.近红外漫反射光谱法可非破坏性分析番茄中可溶性固形物的含量.     

基于近红外光谱法的藜麦脂肪含量快速检测

为了探索一种快速测定完整藜麦(Chenopodium quinoa Willd)子粒脂肪含量的方法,采集100个藜麦样品的近红外光谱,运用近红外光谱法建立数学模型并进行预测。结果表明,在10 000~4 000 cm-1波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗脂肪近红外光谱定量模型,校正和预测效果最佳,所得的粗脂肪近红外定量模型的交叉验证决定系数(R2cv)为0.939 3,外部验证决定系数(R2val)为0.9235。建立的脂肪近红外光谱模型,可以用于藜麦脂肪含量的快速检测。     

基于近红外光谱法快速检测藜麦纤维含量

[目的]探索一种快速测定完整藜麦籽粒纤维含量的方法.[方法]采集100个藜麦样品的近红外光谱,运用近红外光谱分析技术建立数学模型并进行预测.[结果]在10 000～4 000cm-1波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗纤维近红外定量模型,校正和预测效果最佳,所得的粗纤维近红外定量模型的交叉验证决定系数(R2cv)为0.884 8,外部验证决定系数(R2val)为0.876 1.[结论]以完整藜麦籽粒为样品所建立的纤维NITS模型可用于藜麦纤维含量的快速检测.     

基于近红外光谱法快速检测藜麦纤维含量

[目的]探索一种快速测定完整藜麦籽粒纤维含量的方法。[方法]采集100个藜麦样品的近红外光谱,运用近红外光谱分析技术建立数学模型并进行预测。[结果]在10 000~4 000 cm~(-1)波长范围内,运用一阶导数+矢量归一化光谱方法进行预处理,结合化学方法所得数据建立藜麦粗纤维近红外定量模型,校正和预测效果最佳,所得的粗纤维近红外定量模型的交叉验证决定系数为0.884 8,外部验证决定系数为0.876 1。[结论]以完整藜麦籽粒为样品所建立的纤维NITS模型可用于藜麦纤维含量的快速检测。     

Rapid Non-destructive Detection for Molds Colony of Paddy Rice Based on Near Infrared Spectroscopy

Near infrared spectrometer technology under a wavelength range of 918-1045 nm was used to rapidly detect paddy rice that was stored at 5℃, 15℃ and 25℃. A total of 121 paddy rice samples were collected from artificial infection with moulds to build the calibration models to calculate the total number colony of moulds based on the principal component regression method and multiple linear regression method. The results of statistical analysis indicated that multiple linear regression method was applicable to the detection of the total number colony of moulds. The correlation of calibration data set was 0.943. The correlation of prediction data set was 0.897. Therefore, the result showed that near infrared spectroscopy could be a useful instrumental method for determining the total number colony of moulds in paddy rice. The near infrared spectroscopy methodology could be applied for monitoring mould contamination in postharvest paddy rice during storage and might become a powerful tool for monitoring the safety of the grain.     

基于近红外光谱技术的大豆种子老化级别快速鉴别方法研究

大豆种子容易发生老化并丧失活力,大豆种子活力检测对目前农业生产具有重要意义。以2020年收获的大豆种子为样本进行人工老化试验,老化时间设置为1、2、3、4、5、6d,以未老化的种子作为对照组,每个老化等级30个样本。扫描获取全部210条近红外光谱数据,以4：1的比例划分样本集。对原始光谱数据建立BP网络模型1,再分别采取多元散射校正和标准正太变量变换对原始光谱进行预处理,建立模型2,模型3。比较3种模型可以发现预处理技术能缩短模型迭代时间,同时可以消除部分噪声,提高模型预测能力,且经过标准正太变量变换处理后的模型结果较优,由于预处理后的数据维度并未发生变化,模型的迭代时间较长,不利于实际应用。因此采取主成分分析、连续投影法、竞争自适应重加权法对经过标准正太变换后的数据进行特征波长变量提取,将光谱数据由原来的1845维降到10维、23维和150维。对经过特征波长变量提取后的数据分别建立BP网络模型,得到模型4、5、6。综合分析上述六种模型,最终建立了150输入、10个隐层、7个输出的神经网络鉴别模型6,其分类准确率达到93.43%,迭代时间2.25s可以较好实现对七类不同老化级别的大豆种子快速、无损鉴别。     

基于近红外光谱苗期玉米叶片叶绿素含量的无损检测方法

试验以42片未经处理的苗期玉米叶片为试材,采用近红外光谱检测技术和SNV+Detrending的预处理方法,应用偏最小二乘回归分析方法建立定量分析模型,通过测定近红外光谱图,研究3 300~10 000 cm-1范围内苗期玉米叶片的光谱特性。结果表明,测定苗期玉米叶片叶绿素含量的决定系数R2为0.989,残差均方根RMSE为0.047,采用近红外光谱快速检测苗期玉米叶片叶绿素含量是可行的。     

近红外光谱分析技术在蔬菜品质检测中的应用研究进展

蔬菜是人类获取维生素、矿质元素、抗氧化剂和膳食纤维等的重要来源,一直是健康饮食的重要组成部分,其产业在国民经济中占有重要地位。随着生活水平的提高,人们在注重蔬菜质量安全的前提下,更加关注蔬菜的品质,口感好、风味浓郁、营养丰富的蔬菜品种是当今发展趋势,但是传统的蔬菜质检及理化特性检测过程耗时、成本高,无法满足蔬菜快速筛选的要求。综述了高效、绿色的近红外光谱分析技术在蔬菜安全品质检测(农药残留检测等)、蔬菜内在质构检测(硬度、水分、粗纤维检测等)、蔬菜风味检测(甜、酸、苦、辣滋味特征等)、蔬菜营养健康成分检测(维生素C、硫代葡萄糖苷、类胡萝卜素等)多个方面的应用,以期为蔬菜全产业链的高效发展提供新思路。     

用近红外光谱法测定大麦品质的研究

采用国标法和近红外光谱法（NIRS）对大麦籽粒水分、蛋白质、淀粉、赖氨酸进行分析,同时用IA-450型近红外分析仪对4个主要品质指标建立了定标方程。其相关系数Rc分别为0．9847、0．9947、0．9559、0．9742,标准误差为0．1649～9．0620,表明用近红外光谱法建立的大麦籽粒水分、蛋白质、淀粉、赖氨酸定标方程可直接用于大麦品质的快速测定和大批育种材料的筛选。     

近红外光谱法在烟草化学检测中的应用

通过对近红外光谱的分析,明确近红外谱分析技术的特点,近红外光谱在烟草化学检测中是重要的检测方式,具有十分广阔的发展和应用前景。     

近红外光谱技术在小麦品质育种中的应用研究

以14种蛋白质含量差异较大的小麦为材料,用凯氏定氮法和近红外光谱法分别测定了蛋白质含量.结果表明,近红外光谱与凯氏定氮法测定结果呈显著正相关,能够快速、准确、无损地测定完整小麦子粒的蛋白质,可以在育种早代用来鉴定、筛选大量中间材料.