基于高光谱技术的烤烟成熟度判别研究

提出了一种使用高光谱技术快速、无损检测和鉴别烤烟成熟度的新方法。应用高光谱仪采集获取4个不同成熟度烤烟样本的光谱特征曲线,选取400~2 400nm波段光谱经标准正态变换、Savitzky-Golay平滑滤波和一阶微分滤波预处理优化,建立了烤烟成熟度的偏最小二乘定性判别(PLS-DA)模型。结果显示,模型校正集决定系数R20.812,校准均方根误差(RMSEC)为0.092~0.218,模型正确识别率为100%;模型对验证集中未知成熟度等级烤烟样品的正确识别率达到92.5%以上,不同成熟度烤烟判别模型性能良好。这说明利用高光谱技术结合PLS-DA对烤烟成熟度进行鉴别是可行的。     

基于高光谱成像技术的鲜烟叶叶位识别方法

为实现鲜烟叶叶位的快速无损识别,以不同着生部位烟叶为研究对象,应用高光谱成像技术,构建基于特征光谱的鲜烟叶叶位判别模型。首先,利用标准正态变换（SNV）、二阶导数（2ND）、SavitzkyGolay卷积平滑（SG）和多元散射校正（MSC）4种光谱预处理方法对烟叶原始高光谱数据进行处理,然后采用预处理后的全波段光谱数据和特征波段光谱数据,构建基于支持向量机（SVM）、偏最小二乘判别分析（PLS-DA）和反向传播神经网络（BPNN）的鲜烟叶叶位识别模型。结果表明：采用SG滤波预处理和BPNN所构建的模型识别效果最好,训练集和预测集的预测准确率分别为91.15%和90.63%。此外,利用竞争性自适应重加权算法（CARS）所筛选的特征波长所建立的BPNN模型最优,训练集和预测集的预测准确率达到了93.23%和92.19%。表明利用高光谱成像技术判别鲜烟叶所属部位是可行的,可以实现鲜烟叶所属部位快速、无损检测。     

基于高光谱成像技术识别水稻纹枯病

【目的】利用高光谱成像技术对水稻纹枯病进行早期的快速无损识别,结合判别分析方法建立相应的鉴别模型。【方法】以健康和感染纹枯病的水稻幼苗为研究对象,采集叶片和冠层各180个样本的380~1 030 nm波段的360条高光谱图像,剔除明显噪声部分后,以440~943 nm波段作为水稻样本的光谱范围,分别用不同的方法预处理获得水稻叶片的光谱曲线。采用偏最小二乘–判别分析(PLS-DA)对不同预处理的光谱建模。采用MNF算法对冠层的原始光谱数据进行特征信息提取,并基于特征信息建立线性判别分析(LDA)模型和误差反向传播神经网络(BPNN)判别模型。【结果】标准正态变量变换(SNV)预处理后建立的PLS-DA模型的预测集判别正确率最高,为92.1%。基于特征信息的LAD和BPNN模型的判别结果优于基于全波段的PLS-DA判别模型。基于最小噪声分离变换特征信息提取的BPNN模型取得了最优效果,建模集和预测集正确率分别达99.1%和98.4%。【结论】采用高光谱成像技术对水稻纹枯病生理特征进行无损鉴别是可行的,本研究为水稻纹枯病的识别提供了一种新方法。     

近红外透射光谱法快速测定瓶装醋中挥发酸含量的研究

采用近红外光谱直接对瓶装醋进行透射检测。结果发现,玻璃包装对入射光源强度影响很大。采用室内外置光源解决此问题,在850～2000nm的波长范围内,采用偏最小二乘方法（PLs）对醋中的挥发酸含量进行了定量预测。结果表明,原始光谱结合PLs方法可以很好地预测瓶装醋中的挥发酸含量,校正样本和预测样本的相关系数分别为0．98、0．97;校正样本和预测样本的标准偏差分别为o．776、0．878。此外,对挥发酸含量起主要作用的波段主要集中在900nm和1100nm左右。     

基于近红外光谱的普洱茶产地识别研究

以81份来自西双版纳、普洱市、临沧市3个不同产地的普洱茶样本为研究对象,其中校正集54份,验证集27份,利用近红外光谱采集单个普洱茶样本在1 100～2 498 nm的光谱数据,分别采用主成分聚类分析法和判别分析法建立普洱茶产地识别定性分析模型。结果表明,2种分析模型的校正集正确识别率均大于90%,可用于普洱茶产地的识别。其中,基于判别分析方法建立的判别分析模型效果更好,其校正集和验证集的识别正确率达到98.15%和100%,更适用于普洱茶产地的识别。应用近红外光谱技术可快速、无损识别普洱茶产地,为普洱茶产地检测提供参考。     

小波去噪对近红外光谱鉴别转基因菜籽油的影响分析

【目的】建立基于近红外光谱的转基因菜籽油定性鉴别模型,研究小波去噪对光谱的预处理对鉴别准确率的影响。【方法】利用前期已收集的鲁花、金龙鱼等6种品牌的瓶装或桶装的菜籽油共计117份样品,其中转基因菜籽油样品53份、非转基因菜籽油样品64份,采用德国BRUKER公司的MATRIX-F型傅里叶近红外光谱仪对这些样品进行全谱段的光谱采集;利用小波分析对菜籽油光谱数据进行预处理,选用db3小波对光谱进行软阈值去噪;在菜籽油样品近红外光谱数据的基础上,采用判别偏最小二乘法(DPLS)建立转基因菜籽油定性鉴别模型。【结果】对比小波去噪预处理前后转基因菜籽油鉴别的准确率,DPLS鉴别模型的准确率从96.43%提升到了100%。【结论】小波去噪预处理可以有效地提高近红外光谱转基因菜籽油鉴别模型的准确率。     

基于近红外光谱技术实现掺假山羊奶的定性和定量检测

以近红外光谱(NIRS)技术为基础,实现掺假山羊奶的快速、无损检测。采用主成分分析结合神经网络以及偏最小二乘法(PLS)分别对纯山羊奶和掺有奶油、还原奶的两类掺假山羊奶进行定性和定量研究。结果表明,将主成分分析与多层感知器(Multilayer Perceptron, MLP)神经网络相结合建立的定性判别模型对样品建模集和预测集的正确判别率都达到100%。光谱经预处理、优选波段和主成分维数后,利用PLS分别建立两类掺假奶的定量校正模型。其中掺奶油山羊奶定量校正模型的决定系数(R)为98.54%,交叉验证均方根差(RMSECV)为0.379;掺还原奶山羊奶定量校正模型的 R 为96.38%,RMSECV 为6.20。同时运用马氏距离和二审剔除法判断和剔除异常样本后,两类掺假奶模型的R分别提高到98.85%和97.06%,RMSECV 分别降低到0.333和5.61。外部验证得到预测值与真值的相关系数(R)分别为0.989和0.982,预测效果满意。所得结论表明,近红外光谱技术结合化学计量学方法可以实现掺假山羊奶的定性和定量检测。     

基于近红外光谱技术检测全蛋粉掺假

为提高全蛋粉掺假检测的准确度和检测效果,应用近红外光谱技术对全蛋粉掺假进行定性判别并对掺假含量进行定量分析。分别采用标准正态变换、多元散射校正、卷积平滑、归一化、一阶导数、二阶导数等6种不同预处理方法,对原始光谱数据进行预处理,采用竞争性自适应重加权算法（CARS）、连续投影算法（SPA）及CARS-SPA结合算法对光谱数据进行特征波长筛选,建立集成学习（ensemble learning,EL）模型对掺假蛋粉进行定性判别,建立偏最小二乘模型（PLSR）对掺假含量进行定量分析。结果显示：在对掺假蛋粉进行定性判别方面,一阶导数为最佳预处理方法,CARS算法特征筛选效果最佳,EL模型对掺假蛋粉样本总体判别准确率达到98.18%,对各类掺假蛋粉样品的判别准确率在97.78%以上。在对蛋粉掺假含量进行定量分析方面,多元散射校正为最佳预处理方法,CARS算法特征筛选效果更佳,对一组分掺假、二组分掺假、三组分掺假和所有掺假样本的PLSR浓度预测模型的预测集相关系数（R_p）分别为0.958 5、0.931 2、0.945 6和0.955 8,均方根误差（RMSEP）分别为4.689 1、5.813 4、4.604 1和3.802 9。研究结果表明,近红外光谱技术可用于蛋粉掺假检测,为监管机构检测蛋粉掺假提供参考。     

近红外漫反射技术对货架期樱桃品质的判别

运用近红外光谱技术(NIRS),经过不同预处理和不同光谱波段条件的处理分析,在全光谱范围408.8~2 492.8 nm(近红外光谱波长范围780~2 526 nm)内,采用一阶微分结合去离散处理(SNVD)的方法构建了对樱桃贮藏期果实品质进行定性判别的模型。该模型判别分辨率达99.7%,预测准确率88.9%~99.0%,说明NIRS技术能够很好地对沙蜜豆樱桃品质进行定性判别,从而实现对其内部品质的快速评价。     

中红外光谱结合模式识别法快速检测稻米镉含量

为了研究红外漫反射光谱快速鉴别稻米镉是否超标的可行性,以收集的120个稻米样品为例,利用偏最小二乘识别分析(PLS-DA)方法建立稻米镉的定性鉴别模型,讨论了光谱预处理分析方法对建模结果的影响,同时还比较了其他建模方法对结果的影响。结果表明,稻米中红外(MIR)原始光谱经过平滑、二阶导数以及中心化处理后,结果最优,预测集准确率达到83.3%;且该方法快速、无损、便捷,可用于稻米镉含量的初筛和检测。     

基于近红外光谱技术的茶园土壤酸碱状况快速判别

为了实现对茶园土壤酸碱状况量化判别,以7个省份茶园313份土壤为材料,以酸碱度(pH表示)值在4.5~5.5的范围为最适宜茶树生长区间,将pH值划分为4.5,4.5~5.5和5.5 3个范围,提出了将近红外光谱信息与贝叶斯(Bayes)判别相结合进行定性判别酸碱状况是否适合茶树正常生长。在此基础上,采用多元线性回归(multiple linear regression,MLR)定量预测pH值。通过一阶导数(first derivative,1stDer)对光谱预处理,通过逐步判别分析(stepwise discriminant analysis)优选20条特征光谱,基于特征光谱数据结合Bayes判别构建定性判别模型,再通过MLR构建pH值的定量预测模型。结果表明,采用本研究的方法和构建的模型对茶园土壤酸碱状况总体准确判别率达83.54%,pH值预测相关系数均在0.9286以上,预测精度较高。证明运用该方法能实现对茶园土壤酸碱状况快速预测。     

聚乙烯基木塑复合材料动态弹性模量预测模型1）

以PE基木塑复合材料的动态弹性模量预测模型为研究对象,利用无损检测的方法对PE基木塑复合材料的动态弹性模量进行检测。将制备方式与实验结果分别利用回归预测模型与灰色理论系统的GM（1,N）／GM（1,N,X（0））模型进行拟合预测,结果表明灰色GM（1,N,X（0））模型对PE基木塑复合材料的动态弹性模量有比较好的拟合能力和相对高的预测精度。     

蒙古栎木材MOR与MOE的近红外光谱预测模型分析

蒙古栎是重要的结构用材,对其抗弯强度(MOR)与抗弯弹性模量(MOE)进行快速准确的无损检测是具有工程应用价值的科学问题。为实现蒙古栎木材MOR与MOE的快速无损检测,以900~1 700 nm的便携式近红外光谱仪为检测手段,提出一阶导数与S-G卷积平滑处理相结合的数据预处理方法,采用木材径切面与弦切面2个切面近红外光谱的平均值作为建模数据,利用Isomap-PLS算法建立预测模型估计木材的MOR、MOE。试验采用135个300 mm20 mm20 mm的无疵小试样为样本,其中90个组成校正集,45个组成预测集。结果表明:一阶导数处理能够消除光谱背景平缓区域干扰,S-G卷积处理能滤除高频噪声;采用径切面与弦切面光谱的平均值,比采用单一切面建模效果好,校正相关系数大,校正标准误差小;Isomap-PLS模型优于PLS、iPLS、MWPLS、CSMWPLS、BiPLS、LLE-PLS模型,MOR预测相关系数为0.89,预测标准误差(SEP)为11.43,相对分析误差(RPD)为2.552.5;MOE预测相关系数为0.88,SEP为2.73,RPD为2.582.5。可见,所建近红外模型可以完成蒙古栎无疵木材快速有效的无损检测。      

木醋液对茄子种子萌发的影响及预测模型的建立

试验利用木醋液对茄子种子进行不同浓度浸泡处理,旨在研究木醋液对茄子种子萌发的影响。结果表明,浓度对茄子种子的发芽率、发芽指数、发芽势存在显著影响,稀释400～200倍是刺激种子发芽的最佳剂量范围,该浓度处理的试验组发芽峰期发生在第3天或第4天。稀释100倍与50倍之间存在抑制发芽的半致死计量范围。同时,利用BP神经网络建立了茄子种子发芽率的预测模型,该模型包含了发芽率与时间、浓度的动态关系。结果显示,建立的预测模型平均相对误差E=5.153%,相关系数R2=0.990621,说明该模型预测与试验值具有极其优化的拟合程度。     

Application of Wavelet Transform in the Prediction of Navel Orange Vitamin C Content by Near-Infrared Spectroscopy

This study was to search for an approach for rapid measurement of orange vitamin C （Vc） content. By using different decomposing levels of Daubechies 3 wavelet transform, the near-infrared spectra signals obtained from intact fruits of 100 navel orange samples were denoised, and the results of the predicted Vc contents for the corresponding samples determined by the reconstructed spectra after denoising were validated by means of PLS-CV （partial least squared-cross validation）. It was shown that the prediction effects verified by PLS-CV analysis varied when different wavelet transform decomposing levels were employed. At the wavelet decomposing level 4, the best prediction effect was obtained, with the correlation coefficient R between the prediction and true values being 0.9574 and the expected variance RMSECV being as low as 3.9 mg 100 g^-1. Furthermore, the 11 different approaches for the pretreatment of the near-infrared spectrum were compared. It was found that the calibration model established by PLS using spectra pretreated by wavelet transform denoising provided the best prediction for Vc content, exhibiting the highest correlation between the prediction and true values by cross validation. In conclusion, the near infrared spectral model denoised by means of wavelet transform can be used for accurate, rapid, and nondestructive quantitative analysis on navel orange Vc content.     

基于高光谱成像技术的油菜种子油酸含量反演模型

高油酸油菜籽品种是当前油菜育种方向之一,为开发高效、无损测定油酸含量的方法,提高油菜高油酸种质资源筛选效率,选用3个油菜品种为材料,分别采集其种子光谱成像信息及油酸含量数据,首先对光谱信息进行11种预处理,确定多元散射校正（MSC）最佳预处理方法,然后基于主成分分析（PCA）、连续投影（SPA）、竞争性自适应重加权采样（CARS）方法对数据进行降维,最后分别建立支持向量机（SVM）、最小二乘支持向量机（LS-SVM）和极限学习机（ELM）3种定量分析模型,对油菜油酸含量进行无损检测。通过改变训练样本的数量来测试模型,为验证模型的稳定性,用相关系数（R）、均方根误差（RMSE）进行效果评价。结果表明,在所有模型中,多元散射校正+竞争性自适应重加权采样+极限学习机（MSC+CARS+ELM）模型预测效果最好,校正集相关系数（Rc）、均方根误差（RMSEc）分别为0.894、1.993 4%,预测集相关系数（Rp）为0.868,均方根误差（RMSEp）为1.069 8%,可更加准确地预测油酸含量,创建一种快速、无损检测油菜种子油酸含量的方法,为利用高光谱技术进行油菜营养品质无损检测提供理论依...     

不同类别白菜傅立叶变换红外光谱判别研究

[目的]利用傅立叶变换红外光谱（FTIR）技术对不同类别的白菜进行判别区分分析.[方法]将不同类别的白菜打浆处理,经冷冻真空干燥后结合FTIR技术对白菜溴化钾压片扫描,对中红外光谱数据进行DA聚类判别分析,并对模拟甲醛白菜样品做预测判别分析.[结果]试验得出,30个普通白菜、78个绿色白菜及30个模拟甲醛处理白菜建模样品能有效地聚类分布在不同区域;预测4个模拟甲醛处理的白菜样品都能准确判别分布在甲醛白菜范围内,准确率超过95％.[结论]利用FTIR技术结合光谱数据的DA判别分析,能较准确地对普通白菜、绿色白菜、模拟甲醛处理白菜进行区分分析,并对抽样验证甲醛白菜的类别进行准确预测判别.     

电子鼻在六堡茶陈化年份识别中的应用

[目的]探索电子鼻(EN)技术在六堡茶陈化年份识别上的应用,为建立六堡茶品质评价新技术体系提供参考依据.[方法]采用PEN3型便携式电子鼻气味分析系统提取不同厂家、不同陈化年份六堡茶茶干、茶汤和茶底的响应特征值,用主成分分析法(PCA)和线性判别分析法(LDA)分析其陈化年份和预测模型,以马氏距离(MA)、欧氏距离(EU)和判别函数分析(DFA)法验证预测模型的准确性.[结果]不同陈化年份六堡茶对EN产生不同的响应信号,分别选取171~175、166~170和155~160 s的EN响应值作为建立干茶、 茶汤和茶底识别模型的特征值;LDA较PCA能更好地区分不同陈化年份的六堡茶,不同陈化年份样品分布在不同区域,干茶、茶汤和茶底的判别式LD1和LD2的累计贡献率分别为93.00%、88.31%和80.52%;EU、MA和DFA法对干茶识别模型的验证准确率分别达88.23%、88.23%和94.12%,对茶汤识别模型的验证准确率均为82.35%,对茶底识别模型的验证准确率分别为70.58%、82.35%和94.12%.[结论]EN可识别不同陈化年份六堡茶的芳香物质等特征气味并对其进行区分和归类,可在茶叶陈化年份识别中推广应用.     

不同产地黄硬皮马勃的红外光谱鉴别方法研究

黄硬皮马勃(Scleroderma flavidum Ell.et EV.)主要生长在我国南方地区,有食用和药用价值。利用红外技术对其进行产地鉴别,为黄硬皮马勃的资源鉴别提供基础分析方法和理论依据。利用傅里叶变换红外光谱(Fourier transform infrared spectroscopy,FTIR)仪采集4个不同产地共40个黄硬皮马勃样本的红外光谱,每个样本平行扫描3次,取平均值。随机选择12个样本作为验证集,其余作为校正集,采用1 800~500 cm-1波段的光谱数据,对比多种预处理方法,选择最佳预处理方法建立模型并进行判别分析(discriminant analysis,DA)。结果表明,预处理方法 ND(7∶3)+SD+MSC(ND为诺里斯导数平滑,SD为二阶导数,MSC为多元散射校正)构建的判别模型性能最佳,验证集样本的分类准确率和校正集样本的回判准确率均达到100%,模型鉴别效果良好,可靠性高。傅里叶变换红外光谱法结合判别分析,能有效鉴别不同产地黄硬皮马勃。