近红外结合极限学习机快速识别牛肉中掺假猪肉

[目的]建立牛肉中掺假猪肉的快速鉴定方法。[方法]采用傅立叶变换近红外结合极限学习机(extreme learning machine,ELM)构建纯牛肉、牛肉中掺假猪肉、纯猪肉的快速识别模型,考察标准正态变换、多元散射校正(multiplicative scatter correction,MSC)、一阶导数及二阶导数结合核主成分分析(kernel principal component analysis,KPCA)等光谱预处理方法对ELM模型预测性能的影响。[结果]MSC+KPCA预处理下,ELM模型的预测效果最优,训练集及测试集的正确识别率分别为86.67%和83.33%。[结论]近红外光谱技术结合ELM在牛肉中掺假猪肉的快速鉴定方面具有较大的潜力。     

基于光谱和Gabor纹理信息融合的油桃品种识别

为实现油桃品种的快速且无损鉴别,对油桃高光谱图像中的光谱和图像信息进行分析。在光谱信息提取中,采用偏最小二乘回归(partial least squares regression,简称PLSR)从全波段光谱数据提取9个特征波长。在图像信息获取中,采用主成分分析(principal component analysis,简称PCA)获得主成分图像,并提取主成分图像的Gabor纹理特征。分别建立基于特征波长光谱特征、主成分图像纹理特征和光谱纹理特征融合的最小二乘支持向量机(least squares support vector machine,简称LS-SVM)和极限学习机(extreme learning machine,简称ELM)油桃品种判别模型。结果表明,基于融合特征的LS-SVM和ELM模型识别率分别为94.7%、92.1%,较单独采用光谱信息和纹理信息的识别率都高,说明采用光谱信息和Gabor纹理信息融合的方法可以实现油桃品种判别,为农产品无损检测提供参考价值。     

基于近红外光谱技术的恩施玉露茶保存年份的快速无损鉴别

为快速、准确、无损鉴别恩施玉露茶的保存年份,扫描在良好条件下连续保存5a(2010-2014年)的100个恩施玉露茶,获得其近红外光谱,对光谱进行预处理,然后结合主成分分析法(PCA)和最小二乘支持向量机法(LS-SVM)建立绿茶保存年份的近红外光谱预测模型。结果表明,前3个主成分的累计贡献率为99.99%,验证集模型的决定系数(R2)为0.971 7,验证均方差(RMSEP)为0.255 0。初步实现了市售绿茶保存年份的快速鉴别,该方法也为其他茶类保存年份的判别提供参考。     

应用可见/近红外光谱技术快速鉴别山西陈醋品种

为了实现对山西老陈醋品种的快速鉴别,应用可见/近红外光谱透射技术,结合化学计量学方法,进行了山西老陈醋品种的判别分类试验研究。对4个不同品种共240个山西老陈醋样品采集其光谱数据,结合主成分分析和神经网络技术分别对山西陈醋原始光谱、一阶微分光谱、二阶微分光谱进行了判别分析。结果表明:可见/近红外原始光谱结合主成分分析神经网络判别分析法的分析结果最优,校正集正确分类的百分比达92.1%,预测集达85.0%;二阶微分光谱分析结果最差。     

不同预处理模式识别下的近红外绿豆产地溯源研究

采用傅里叶变换近红外漫反射光谱仪测定来自吉林省白城市、黑龙江泰来县、黑龙江杜尔伯特蒙古自治县、山东省泗水县绿豆共120份样品的近红外光谱，分别采用一阶导数+9点平滑、标准正态变换（SNV）、多元散射矫正（MSC）、矢量归一化+MSC四种光谱预处理方法，建立偏最小二乘判别模型（PLS-DA），分析不同预处理方法对模型稳定性的影响，结果得出：原始光谱模型判别率为62.5%，一阶导数+9点平滑预处理模型判别率为65%,SNV预处理模型判别率为65%,MSC预处理模型判别率为82.5%，矢量归一化+MSC预处理模型判别率为90%。因此，采用矢量归一化+MSC预处理方法对绿豆产地判别的准确率最高。     

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。     

基于主成分分析和神经网络的近红外光谱烤烟产地判别

为快速准确地对烤烟样品进行产地判别,用近红外光谱对湖南、福建、广东、云南和贵州5个省2015年的459个样品进行扫描,经光谱预处理后,用主成分分析法对烤烟产地进行分析并建立BP人工神经网络模型。结果表明:该模型对未知的92个样品的预测准确率达98.91%。     

利用近红外光谱技术识别不同类别的茶叶

以龙井、碧螺春、祁红和铁观音4种中国名茶为对象,研究了采用近红外光谱结合K最近邻法(KNN)模式识别方法对茶叶进行识别与分类的可行性.选取6500～5500 cm-1(1538～1818 nm)波数范围内的光谱,通过标准正态变量变换(SNV)预处理后,利用KNN的模式识别方法建立识别模型.结果表明,4主成分因子建立的KNN判别模型最佳,模型对训练集与预测集中样本的识别率都达到100%.该结论为快速准确识别茶叶提供了一种新思路.     

基于可见近红外光谱及增强回归树算法的鸡蛋种类鉴别

利用可见-近红外光谱技术,选取湖北地区同一品种不同饲养环境下的鸡蛋,提取鸡蛋的光谱透射率(500~900nm),利用标准正态变量变换对光谱数据进行预处理,结合竞争性自适应重加权与主成分分析对光谱数据进行二次降维,并将提取的特征信息输入增强回归树算法,建立鸡蛋土洋种类鉴别模型,模型的训练集和测试集判别正确率分别为98.33%和97.00%。结果表明,应用基于可见-近红外光谱及增强回归树方法,针对同一母鸡品种但不同饲料产出的土洋鸡蛋的种类鉴别是可行的。     

近红外光谱对小麦产地来源的判别分析

[目的]对不同产地来源小麦的近红外光谱进行判别分析,为小麦的产地鉴别提供一种新方法.[方法]应用近红外光谱分析仪检测2007/2008年度和2008/2009年度中国小麦主产区河北省、河南省,山东省和陕西省共240份小麦籽粒样品,对近红外光谱数据分别进行均值标准化、一阶求导和多元散射校正(MSC)处理后,利用偏最小二乘判别分析法(DPLS)分析预处理后的数据.[结果]2007/2008年度小麦籽粒样品总体正确判别率为87.5%,2008/2009年度样品总体正确判别率为91.7%;用2007/2008年度样品所建模型来预测2008/2009年度的样品,结果总体正确判别率为48.3%;两年样品混合后,总体正确判别率为82.5%.[结论]不同地域来源小麦的近红外光谱特征有显著差异,但其受品种和年际因素影响较大,判别模型的稳定性有待进一步提高.     

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

  目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法＋标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(W_initial=1 445 nm)、吸收峰个数为特征个数(N_tot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23     

近红外反射光谱法测定厚朴酚类物质

为了建立厚朴Magnolia officinalis药材品质快速有效的评价方法,采用近红外反射光谱技术测定厚朴酚及和厚朴酚的质量分数。通过在全波长条件下,运用不同数学预处理、光谱散射校正和统计方法对来发展定标回归方程,其中统计方法包括偏最小二乘法(PLS)、修正的偏最小二乘法回归分析法(MPLS)和主成分回归法(PCR)。在对比分析的基础上,得到最佳的数学方法为"3,6,6,1"组合,光谱散射校正方法为SNV D或SNV,统计方法为MPLS,厚朴酚类物质的定标决定系数RSQ均达到了0.97以上。该定标模型的外部独立检验相关系数也均达0.95以上。用近红外反射光谱技术测定厚朴药材酚类物质质量分数具有与化学法相近的准确性,可在实践中应用。图2表5参11     

近红外光谱技术建立镜鲤新鲜度定量预测模型

以镜鲤为研究对象,利用近红外光谱技术和化学计量法采集、测定相关指标,并应用偏最小二乘法(PLS)、偏最小二乘法和BP人工神经网络两种方法经比较优化模型。经过鱼肉样品光谱的扫描及pH值、TVB-N(挥发性盐基氮)值、TBA(硫代巴比妥酸)值的测定,在21种预处理下,确定最佳建模方式、预处理方式和最优波段。经模型优化得知,pH、TVB-N、TBA均在偏最小二乘法中建立的模型最好,最优预处理方法分别为基线校正和标准正态变量变换、净分析信号、Savitzky-Golay导数和基线校正,最优波段分别为1 000~1 300 nm和1 700~1 799 nm、1 000~1 200 nm和1 300~1 650 nm、1 000~1 799 nm,并且pH、TVB-N和TBA的Rc分别为0.9906、0.99865、0.99971,Rp分别为0.6436、0.021357、0.7723,达到了利用近红外光谱技术对镜鲤新鲜度高效、快捷、无损伤的定量检测预测模型的建立。     

近红外光谱的主成分分析——马氏距离分类法应用于品牌卷烟烟丝的快速鉴别

 研究了对成品卷烟烟丝进行快速分类鉴别的一种方法。利用傅里叶变换近红外光谱对国内部分不同品牌的卷烟烟丝主成分进行分析，应用主成分分析——马氏距离法分类建模，结果建立了两个不同的近红外光谱判别分类模型，一个用于同一厂家生产的3个品牌成品卷烟的分类鉴别，另外一个用于云南省某知名品牌卷烟同省外同一价位的6个知名品牌卷烟的判别分类鉴别。两个模型对校验集烟丝的类归属的正确率为100%，该研究方法对成品卷烟烟丝能够进行快速、准确的定性鉴别。     

基于近红外光谱法的水稻秸秆可溶性糖快速检测

采集并制备不同地域、不同品种的水稻秸秆样本288个,根据浓度梯度法,按照31的比例划分校正集与验证集。采用蒽酮硫酸比色法测定试验样本中可溶性糖含量,并采集在近红外全波段(10 000~4 000cm-1)范围内样本的近红外光谱信息。采用多元散射校正(MSC)、标准正态变量变换(SNV)、导数、S-G平滑及其组合方法对光谱进行预处理,分别运用逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)化学计量学算法,建立基于近红外光谱的逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)定量分析模型。通过比较分析,对光谱进行一阶导数预处理,建立的PLS模型效果最优,校正集实测值与预测值之间的决定系数R2C达到0.880 6,交互验证决定系数(R2CV)和验证集决定系数(R2V)分别为0.771 1、0.857 8,均方根差RMSEC、RMSECV、RMSEP分别为0.318%、0.440%、0.404%,校正集相对分析误差(RPDC)和验证集相对分析误差(RPDV)均大于2.5。结果表明,采用近红外光谱法建立的PLS模型基本可以实现水稻秸秆中可溶性糖含量的快速检测。     

近红外光谱定量分析技术在烟草和烟气化学成分分析中的研究进展

近红外光谱定量分析技术以其高效和快速的优点已经在烟草行业发挥了重要作用。首先详细介绍了近红外光谱分析技术的特点,包括其优点和应用局限;其次对近红外光谱定量分析流程进行了归纳总结;然后总结了近红外定量分析计量学方法,包括光谱预处理方法和近红外定量分析的化学计量学算法;最后综述了近年来近红外光谱定量分析技术在烟草和烟气化学成分分析中的应用状况并对其进行了展望。     

基于BP神经网络近红外光谱鉴别茶饮料的研究

提出了一种快速、准确鉴别茶饮料的新思路。采用美国ASD公司的可见-近红外光谱仪对3种茶原料（龙井茶、乌龙茶和铁观音茶）的饮料进行光谱分析。采用多元散射校正（MSC）方法对样本数据进行预处理,再用主成分分析法提取光谱数据的特征值。通过交互验证确定最佳主成分数为5,作为BP神经网络的输入变量,不同原料茶饮料作为输出变量,建立3层人工神经网络鉴别模型,并用模型对20个预测样本进行预测。模型的回判鉴别率达到100%,模型的预测鉴别率达到98.33%。结果表明,基于BP神经网络的近红外光谱鉴别不同原料茶饮料的方法是可行的。     

近红外光谱技术对红木家具的鉴别

[目的]建立一种快速鉴别一些易混淆的珍稀红木家具的方法。[方法]选择奥氏黄檀、刺猬紫檀、大果紫檀和非洲紫檀4种珍稀木材制作的红木家具,使用便携式光谱仪采集光谱,并进行预处理,建立初始模型。采用不同特征波长提取方法,提取有效信息后,利用SIMCA、PLS-DA建立红木鉴别模型。[结果]不同树种谱线形状类似,近红外光谱吸收强度不同。4种家具在SIMCA的校正集和验证集中的识别率均在92%以上,拒绝率高于98%;PLS-DA模型中识别率和拒绝率成效显著。[结论]采用近红外光谱对红木家具类别进行鉴别是可行的。     

基于高光谱的水稻叶片氮素营养诊断研究

为快速、准确地实现水稻氮素营养诊断,以中嘉早17水稻为试验对象,设置4种施氮水平的水稻栽培试验,利用便携式地物波谱仪获取240组水稻分蘖期顶三叶在350~2 500 nm的光谱数据。随机将样本划分为训练集(160个样本)和测试集(80个样本)。首先,通过多元散射校正(MSC)、变量标准化校正(SNV)、平滑算法(SG)3种方法分别对原始光谱进行预处理;然后,采用主成分分析(PCA)和连续投影算法(SPA)对预处理后的光谱进行特征降维,选取累积贡献率超过99.98%的前24个主成分作为模型的输入变量,对于经过MSC、SNV和SG处理后的光谱数据,还分别筛选出12、15、19个特征波长;最后,应用支持向量机(SVM)基于上述处理分别建立水稻氮素营养诊断模型。结果表明,采用MSC-PCA-SVM模型进行水稻氮素营养诊断的识别准确率最高,其在训练集和预测集上的准确率分别达99.38%和97.50%。