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。     

基于PCR和PLS的沙棘汁品种近红外光谱研究

建立可见-近红外漫反射光谱与沙棘汁品种之间的数学模型,以评价可见-近红外漫反射光谱技术快速检测沙棘汁品种。采用美国ASD公司的FieldSpec3光谱仪对三种不同品种的沙棘汁进行光谱分析,各获取30个样本的光谱数据,对原始光谱进行一阶微分和二阶微分预处理,并利用偏最小二乘法(PLS)数学校正方法对三种不同预处理的光谱数据建模。结果表明,采用二阶微分预处理数据,应用PLS方法建模较好,其校正模型相关系数为0.9992,均方根误差为0.0317;采用主成分回归(PCR)和偏最小二乘法(PLS),对沙棘汁的二阶微分数据进行分析比较,结果也表明,基于二阶微分数据,应用PLS方法建模较为理想,其预测集的相关系数为0.9988,所测预测样本的均方根误差为0.0392。近红外光谱可作为一种快速、有效的无损检测方法来识别沙棘汁的品种。     

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。     

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。     

基于近红外光谱结合机器学习算法检测食用明胶品种溯源的研究

采用近红外光谱结合机器学习方法,对5种不同来源的食用明胶进行鉴别。利用Savitzky-Golay平滑去噪、多元散射校正和最大最小归一化等方法对原始光谱数据进行预处理。将预处理的光谱数据划分为训练集和验证集,分别采用支持向量机(support vector machine, SVM)、随机森林(random forest, RF)和反向传播神经网络(back propagation neural network, BPNN)建立识别模型。结果表明,SVM模型、RF模型和BPNN模型的总体准确率均高达97%以上,其中BPNN模型的准确率为100%,明显优于其他2种模型,能够实现5种不同来源食用明胶的完全识别,而且其运算速度最短,更适用于明胶品种的溯源。     

基于可见光-近红外光谱技术的烤烟品种鉴别研究

提出了一种使用可见光-近红外光谱技术快速、无损鉴别烤烟品种的新方法。应用可见光-近红外光谱技术,采集获得4个不同烤烟品种的160个样本光谱特征曲线,选取全波段光谱(350~2 500 nm)经Savitzky-Golay平滑滤波、多元散射校正和标准正态变换优化处理,建立了烤烟品种的偏最小二乘判别(PLS-DA)模型。结果表明,该模型校正及验证结果与样本分类变量的决定系数R2大于0.971,校准均方根误差(RMSEC)和预测均方根误差(RMSEP)均低于0.096,模型对验证集中40个未知的烤烟品种样本的正确识别率均达到100%。该方法具有很好的分类和鉴别效果,说明应用可见光-近红外光谱技术结合PLS-DA可以用来对烤烟品种进行鉴别。     

近红外漫透射光谱快速无损鉴别家蚕种茧茧壳内蚕蛹雌雄

【目的】利用近红外漫透射光谱快速无损鉴别家蚕Bombyx mori种茧茧壳内蚕蛹的雌雄,以提高育种效率、降低人工成本。【方法】以芙9、9芙、湘7和7湘4个蚕品种为研究对象,采集比较了样本在可见和近红外区间的漫透射光谱,建立比较了各品种偏最小二乘判别分析(PLSDA)、后向传播神经网络(BPNN)以及支持向量机分类(SVM)判别模型,通过分类器特性(ROC)曲线研究了各模型的鲁棒性,采用差值法和遗传算法提取了特征波长。【结果】芙9、9芙、湘7和7湘品种利用450~900 nm光谱建模的雌雄鉴别准确率分别为95.20%、95.65%、88.80%和87.50%,利用900~1 700 nm光谱建模的准确率分别为100%、96.00%、92.22%和94.21%;采用PLSDA、BPNN和SVM模型都能够对蚕蛹雌雄做出较好的无损鉴别,3种模型真雌性率分别为95.96%、95.83%和100%,真雄性率分别为98.98%、96.04%和82.18%,准确率分别为97.46%、95.94%和90.86%,进一步通过ROC曲线分析,PLSDA模型效果最优,BPNN模型次之;手动提取20个波段建立PLSDA模型,鉴别真雌性率为93.75%,真雄性率为95.45%,准确率为94.57%。【结论】近红外波段900~1 700 nm的漫透射光谱比可见–近红外波段450~950 nm含有更丰富的蚕蛹雌雄分类信息;3种鉴别模型中,PLSDA模型效果最优;提取特征波段后,准确率能达到生产需要。     

基于近红外光谱茶叶种类的快速识别

分别应用2种不同型号近红外分析仪测定4个不同种类茶叶的光谱曲线,对不同的光谱数据预处理方式和不确定因子系数进行比较,确立最优定性判别定标模型.结果表明,NIRsysterns6500型分析仪对不同种类茶叶的准确识别率达100%,效果较好.这种利用近红外光谱的判别技术可对茶叶的种类进行快速识别.     

麻疯树种子含油量近红外光谱定标模型的建立

目的本研究旨在建立麻疯树种子含油量的近红外光谱定标模型, 为近红外光谱技术应用于麻疯树种子含油量的测定提供依据。方法利用瑞典波通DA7200型近红外光谱成分分析仪采集了125份麻疯树种子样品的光谱数据, 通过样品化学值测定、光谱数据预处理以及回归统计方法建立了麻疯树含油量的近红外光谱定标模型, 并利用10份未知含油量的种子样品对模型的准确性进行了检验。结果本研究建模所选125份样品的含油量范围为25.23%~39.73%, 平均值为33.91%±2.64%, 中位数为34.31%, 基本覆盖了当前麻疯树的主要品种, 在种子油含量上具有一定的代表性。二阶导数联合标准正态变量转换法为建立麻疯树种子含油量近红外光谱定标模型的最佳预处理方法, 偏最小二乘法为最佳的回归方法。模型验证结果显示, 样品的化学测定值与近红外光谱定标模型预测值极显著相关, 且相关系数达0.9556, 预测标准偏差为0.6536。结论检验结果说明该模型具有较高的可靠性, 可应用于后期麻疯树种子油分含量的大批量快速测定。      

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。     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。     

鸡蛋光反射特性及其与新鲜度的关系

为了寻找鸡蛋光反射特性及其新鲜度的变化关系,选取不同新鲜程度的白壳和褐壳鸡蛋,用光谱仪分别采集带壳蛋和去壳液态整蛋的光谱反射曲线,检测时应鸡蛋的新鲜度指标值(哈夫单位),通过对不同鸡蛋组织特征的光谱反射特性分析,获取对鸡蛋壳色、新鲜度敏感的光谱波段与特征波长.结果表明:带壳鸡蛋的反射率与其壳色有关,不同壳色鸡蛋的光反射率差异明湿;去壳液态整蛋的反射率与其新鲜度有关,不同新鲜度的液态整蛋的光反射特性差异明显;带壳鸡蛋在比较新鲜时光反射率最大.     

基于近红外光谱反射技术的砀山酥梨花粉活力快速检测

【目的】研究基于近红外光谱反射技术的砀山酥梨花粉活力快速检测。【方法】以砀山酥梨花粉为试材。4℃下贮藏,以0、7、27、43与65 d贮藏后花粉为试材,用离体萌发法测定花粉活力,利用近红外光谱仪扫描花粉采集光谱数据。以修正偏最小二乘法(MPLS)对采集的100个梨花粉近红外反射光谱与花粉活力进行定标模型拟合,判别鉴定砀山酥梨花粉近红外光谱。【结果】砀山酥梨花粉活力分别为70.6%、60.3%、57.1%、53.2%与34.1%,从开始贮藏活力的70.6%下降到34.1%,活力下降了52%,且不同贮藏花粉活力相互差异均显著。利用近红外光谱快速预测砀山酥梨花粉活力,其定标模型相关系数R²为0.985,交互验证相关系数1-VR为0.952 9,其活力测定的交互验证标准差SECV为2.5%。以光谱反射率算术相加后取对数lg(R1540+R1956)为自变量,拟合的ExpAssoc方程R²为0.999 8,花粉活力与其光谱反射率存在函数关系。【结论】利用近红外反射技术快速测定砀山酥梨花粉活力可行。     

基于 BiP LS－SP A优选近红外光谱的木材基本密度预测1）--以柞木为例

以柞木为研究对象,以900～1700 nm的近红外光谱仪获取木材表面近红外光谱数据,对89个柞木样本进行检测,其中58个组成校正集,31个为预测集。首先,采集样本径切面光谱数据,并利用SG平滑对光谱数据进行预处理;然后,利用反向区间偏最小二乘（ BiPLS）选出均方根误差最小的波长区间组合;再利用连续投影算法（ SPA）进一步选择出波长特征;最后,以优选出的波长特征作为输入,建立偏最小二乘法回归模型,确定出木材基本密度与近红外光谱之间的联系。 BiPLS算法将光谱划分区间划分为10时,均方根误差最小,其最佳区间组合为[35679],变量个数由全光谱117个降至59个;应用SPA算法二次降维,变量个数降至6个,降低变量信息的冗余,减少了变量个数,提高了建模的速度和效率。 BiPLS－SPA模型较PLS、iPLS、BiPLS、SPA－PLS具有更高的相关系数,更小的均方根误差,柞木基本密度预测相关系数为0．925,预测均方根误差为0．0104,相对分析误差为2．83。     

长江口潮滩地带典型盐沼植被光谱特征分析

以长江口典型盐沼植被为研究对象,考虑不同盐沼植被类型、盖度、土壤类型、土壤湿度以及高中低潮滩地形分布因素,分别在崇明东滩国家级自然保护区、崇明北湖边滩、南汇边滩设置光谱测量样带和样方,使用ASD光谱仪进行现场光谱测量,分析不同植被盖度、土壤下垫面、潮位条件下典型盐沼植被的光谱特征反射曲线。研究结果表明:同一类型盐沼植被的光谱反射率差异是由植被盖度和下垫面共同导致的。在相同土壤背景下,光谱反射率与植被盖度在可见光波段相关系数接近-1.00,呈负相关,在近红外波段相关系数接近0.99,呈正相关。不同潮滩土壤背景,盐沼植被光谱反射率有明显差异。在可见光波段,土壤下垫面对植被光谱反射率影响较大,而在近红外波段的影响则较小。植被盖度越小,其反射光谱受土壤下垫面影响越大。盐沼植被与潮位的相关系数最大可达0.97,低潮位时植被反射光谱高于无潮汐时的光谱,且呈现随潮位升高反射率增大的趋势;当潮位上涨到一定高度,植被反射光谱低于无潮汐时的光谱,且呈现随潮位的升高而下降的趋势。     

基于透射光谱技术的温州蜜柑含水率检测

利用可见/近红外光谱透射技术检测温州蜜柑含水率。采用微分处理(differential processing,SD)、多元散射校正(multivariate scattering correction,MSC)、标准正态变换(standard normal variate,SNV)、SG卷积平滑以及标准化等预处理方法比较建立的偏最小二乘回归模型(partial least squares regression,PLS)的拟合准确度,并确定最佳预处理方法,同时采用竞争性自适应重加权采样算法(competitive adaptive reweighted sampling algorithm,CARS)提取特征波长,以此建立基于柑橘含水率的PLS模型、BP神经网络模型和最小二乘支持向量机模型(least squares support vector machine,LSSVM)。结果显示,使用经过SNV预处理后的光谱进行CARS筛选得到的359个波长建立的LSSVM模型预测效果最佳,校正集的相关系数和均方根误差分别为0.937 5和0.008 6,验证集相关系数和均方根误差分别为0.831 6和0.012 0,表明可见/近红外光谱技术用于温州蜜柑的含水率检测是可行的。     

基于卷积神经网络的茶鲜叶主要内含物的光谱快速检测方法

儿茶素和咖啡碱是茶叶品质的重要评价指标，为了探索深度卷积神经网络(CNN)结合可见近红外光谱(Vis/NIR)用于茶叶儿茶素和咖啡碱无损快速检测的可行性，本研究通过高效液相色谱来测定茶叶中的儿茶素和咖啡碱含量，并与样本的光谱信息建立对应关系；采用回归分析和CNN建模构建了光谱与茶叶内含物的定量关系；采用竞争自适应重加权采样(CARS)和连续投影算法(SPA)选择特征波长，用于开发基于这些特征波长的简单模型。结果表明:4种儿茶素和咖啡碱含量从第1叶位到第6叶位呈现出逐渐降低的趋势；提取特征波长不仅减少了光谱变量数，还获得了比全谱更优或接近的模型性能；CNN在回归分析和特征提取中均表现出良好的性能，预测儿茶素和咖啡碱最优模型的决定系数(R²)和残余预测偏差(RPD)分别达到了0.93和3.28以上。因此，卷积神经网络结合可见近红外光谱可以对儿茶素和咖啡碱的含量进行快速无损检测。     

Measuring crop status using multivariate analysis of hyperspectral field reflectance with application to disease severity and plant density

Using spectral reflectance to estimate crop status is a method suitable for developing sensors for site-specific agricultural applications. When developing spectral analysis methods, it is important to know the influence of different crop parameters on the spectral reflectance profile. The objective of this report was to present and evaluate a multivariate method for objective hyperspectral analysis in the examination of how different parts of the reflectance spectrum are affected by disease severity and above ground plant density. Data from two field experiments were used; fungal disease severity assessments in wheat 1998 and above ground plant density measurements 2003. The analysis method consisted of two steps: a pre-processing step where the data was normalized and a classification step for estimating the crop variable. Using only 12% of the data as training data, the method resulted in coefficients of determination (R ²) of 94.3% for the disease severity data and 96.9% for the plant density data. The hyperspectral analysis method presented could also be used to extract spectral signatures of disease severity and plant density using the experimental data. In general, two types of spectral signatures for both data sets, with respect to increasing disease severity and decreasing plant density, were observed (1) a flattening of the green reflectance peak together with a general decrease in reflectance in the near infrared region and, (2) a decrease of the shoulder of the near infrared reflectance plateau together with a general increase in the visible region between 550 and 750 nm.