柑橘园紫色土Fe/Mn/Zn含量近红外光谱监测模型研究

 【目的】探索建立基于近红外光谱技术的土壤微量元素监测技术。【方法】采集三峡库区（重庆）主要加工甜橙基地果园背景土壤样品168个,随机选取100个作为建模样本,其余为检验样本;测定所有样本的近红外反射光谱和土壤Fe、Mn、Zn全含量;运用最佳光谱预处理方法和偏最小二乘法（partial least square method, PLS）及内部交叉验证方法建立校正模型,并进行模型精度检验。【结果】变量标准化（standard normal variables,SNV）为土壤Fe、Mn、Zn含量近红外光谱预测的最佳光谱预处理方法;运用SNV光谱预处理和偏最小二乘法（PLS）及内部交叉验证法建立的土壤Fe、Mn、Zn含量校正模型,95%置信区间内的预测精度分别为92.65%、95.59%和95.59%。【结论】利用近红外反射光谱技术进行土壤Fe、Mn、Zn含量检测可行且精度较高。     

基于近红外光谱分析的绿茶水分无损检测模型建立

收集代表性绿茶样品158个,直接对新鲜样品进行近红外光谱扫描,运用改进偏最小二乘法(MPLS)在4种不同的光谱数据预处理方式下进行水分含量建模,并用验证集对最优模型进行检验.结果显示,光谱数据在散射处理方式SNV Detrend下经过一阶导数处理后的预测结果最优,其定标标准差(SEC)为0.32%,样品预测值和实测值之间的决定系数(RSQ)为0.861,预测标准差(SEP)为0.5%,偏差(Bias)为-0.1%.说明应用近红外光谱分析技术实现绿茶中水分含量的无损检测是可行的,并可得到较为满意的预测效果.     

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。     

基于NIR及PLS-PCR-SVR预测森林土壤有机碳含量

森林土壤有机碳含量是表征林地土壤营养状况的重要指标,该文建立了土壤有机碳含量的近红外光谱定标模型,并比较了偏最小二乘法（PLS）、支持向量机回归（SVR）、主成分回归（PCR）3种建模方法及Savitzky-Golay平滑＋多元散射校正、Savitzky-Golay平滑＋一阶导数、Savitzky-Golay平滑＋二阶导数、Savitzky-Golay平滑＋多元散射校正＋一阶导数、Savitzky-Golay平滑＋多元散射校正＋二阶导数5种光谱预处理方法对土壤有机碳含量定标模型精度的影响,同时进行了波段优选。结果表明：当光谱区域为1 380～1 450 nm,1 800～1 950 nm,2 050～2 300 nm,光谱数据采用Savitzky-Golay平滑＋多元散射校正＋一阶导数预处理,采用PLS的建模方法,主成分数为8时,建立的校正模型预测效果最佳。校正模型的R、RMSE、SEC分别为0.805 2、0.512 2、0.512 5;预测模型的R、RMSE、SEP分别为0.768 1、0.514 3、0.514 6。因此,利用近红外光谱技术可以实现土壤有机碳含量的快速估测,为林区实时、大面积、快速测定森林土壤有机碳含量提供了技术可行性。     

基于便携式近红外光谱仪检测梨可溶性固形物

探索采用便携式近红外光谱仪,利用不同光谱预处理算法及波长优选法建立检测模型检测梨可溶性固形物含量(SSC)的可行性。比较了一阶导数(1st)、二阶导数(2nd)、多元散射校正(MSC)、标准正态变量变换(SNV)等9种预处理方法进行PLS建模的效果,确定最佳预处理方法。用相关系数法、无信息变量消除法(UVE)、向后区间偏最小二乘法(biPLS)和向后区间偏最小二乘法结合遗传算法(biPLS+GA)优选波长,用偏最小二乘法(PLS)建立梨SSC的定标模型,根据各个模型的校正集和预测集的相关系数(r)和交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)评价定标模型的精度和稳定性。结果表明:经过SNV预处理后的建模效果最好,校正集和预测集的相关系数r分别为0.890 8和0.868 9,RMSECV和RMSEP分别为0.592 5和0.630 8;相较于其他3种波长优选法,biPLS+GA方法不仅优选的波长数少,而且所建模型的预测效果更好,校正集和预测集的相关系数分别为0.887 9和0.891 0,RMSECV和RMSEP分别为0.599 9和0.571 3。     

近红外光谱法对巴戟天药材中水分含量的快速测定

建立了巴戟天(Morinda officinalis How.)药材中水分含量的近红外定量模型,可快速测定巴戟天中水分含量.按照《中华人民共和国药典》(2010版)规定采用烘干法测定166批巴戟天药材的水分含量,采集并用多元散射校正法、二阶导数法预处理近红外光谱,结合偏最小二乘法建立了近红外水分定量分析模型.所建立的校正模型的内部交叉验证决定系数为0.985 5,内部交叉验证均方差为0.402 7,校正均方差为0.169,预测均方差为0.180.结果表明,该近红外水分定量模型稳定、准确,可快速进行巴戟天药材中水分含量的测定.     

基于改进偏最小二乘法的甜椒可溶性固形物和总酸的近红外光谱检测

以黄色甜椒为研究对象,利用改进偏最小二乘法(MPLS)建立其近红外漫反射光谱无损检测可溶性固形物(SSC)和总酸含量的数学模型。在400~2 500 nm以及400~980 nm+1 108~1 900 nm 2个波长范围内分别建立了甜椒的SSC和总酸质量分数的定标MPLS模型,并用最优模型进行预测。结果表明,最优的预处理是在400~980 nm+1 108~1 900 nm下建立的模型,SSC采用SNV处理的定标模型较好,交互验证相关系数(RCV)、交互验证标准误差(SECV)分别为0.926 9和0.186 2,预测集的相关系数RP和预测标准误差(SEP)分别为0.924 8和0.158 9;总酸则是采用None处理的模型较好,交互验证相关系数(RCV)、交互验证标准误差(SECV)分别为0.868 0和0.012 5,预测集的相关系数RP预测标准误差(SEP)分别为0.903 8和0.011 1。试验结果说明,基于改进偏最小二乘法对甜椒鲜果SSC和总酸含量的近红外漫反射快速无损检测是可行的,近红外光谱与SSC和总酸含量呈显著相关性。     

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。     

液态纯牛奶可见/近红外光谱MPLS全局定标法鉴别研究

结合可见/近红外光谱技术和化学计量学方法,建立一种液态纯牛奶品牌鉴别模型。利用近红外分析仪InfraXactTM获得3种品牌共90个样本的漫反射光谱,对570-1 850 nm的光谱进行光谱散射和数学预处理,而后进行PCA聚类分析,剔除奇异样本;最后对3种品牌赋值,以主成分回归（PCR）和改良偏最小二乘法（MPLS）的全局（Global）定标方法建立鉴别模型,并进行内部交叉检验和外部检验。实验结果表明,MPLS鉴别模型内部交叉检验相关系数（1-VR）和交叉检验标准误差（SECV）分别为0.961、0.326,外部检验相关系数（RSQ）、预测标准差（SEP）、检验偏差（Bias）分别为0.939、0.506、0.198,模型鉴别结果具有较高的精确度。     

基于近红外光谱的金鲳鱼新鲜度快速检测技术

挥发性盐基氮(Total volatile basic nitrogen,TVB-N)是动物性食品的新鲜度指标.传统的TVB-N检测技术工序繁杂,对鱼肉具有不可逆的破坏性.本研究拟用近红外光谱技术进行金鲳鱼肉质新鲜度的检测,采用一阶微分(1st Der)、二阶微分(2nd Der)、多元散射校正(Multiplicative scatter correction,MSC)、标准正态变换(Standard normal variate transform,SNV)对金鲳鱼鱼肉的近红外光谱数据进行预处理,通过比较预测结果,确定多元散射校正为最优预处理方法.分别采用偏最小二乘法(PLS)和主成分回归法(PCR)建立金鲳鱼鱼肉TVB-N的预测模型,最终确立了基于MSC和PLS的最佳模型,其中预测集均方根误差(RMSEP)为1.8454,决定系数(R2)为0.8841.由研究结果看出,基于近红外光谱建立的金鲳鱼肉质预测模型具有较高的精度,可为快速检测金鲳鱼的肉质新鲜度提供理论依据.     

近红外光谱技术在测定纯茶油中棕榈油掺入量中的应用

采用偏最小二乘法(PLS)建立了近红外光谱定量检测模型,以定量分析油茶籽油中掺入的棕榈油成分.通过交互验证和外部检验,考察所建模型的可靠性.结果显示:样品不需要任何光谱预处理,直接进行10 000～4 000 cm-1范围内的近红外透反射光谱扫描;建立的PLS模型相关系数为0.999 9,训练集的交叉验证均方根误差(R...     

采后葡萄可溶性固形物含量的高光谱成像检测研究

提出一种应用高光谱成像技术检测葡萄可溶性固形物含量的方法。使用高光谱成像系统采集葡萄漫反射光谱,在500~1 000 nm光谱,采用多元散射校正(MSC)、标准正态变换(SNV)进行光程校正,结合一阶微分(1-Der)、二阶微分(2-Der)、Savitzky-Golay(S-G)平滑方法及其组合对原始光谱进行预处理,建立可溶性固形物含量的偏最小二乘法(PLS)和逐步多元线性回归(SMLR)模型。结果表明:采用PLS和SMLR建模方法均取得较好的预测效果。采用经过MSC、1-Der和S-G平滑相结合预处理后的光谱建立PLS预测模型,校正集的相关系数Rc为0.979 1,RMSEC为0.265,预测集的相关系数Rp为0.962 0,RMSEP为0.372;采用原始光谱、1-Der和SG平滑相结合预处理后的光谱建立SMLR预测模型,校正集的相关系数Rc为0.967 8,RMSEC为0.327,预测集的相关系数Rp为0.947 2,RMSEP为0.394。以上表明,基于高光谱成像技术可以实现采后葡萄可溶性固形物含量的准确无损检测。     

近红外光谱法非破坏性测定绿豆籽粒粗蛋白质含量的研究

为了找到一种快速、简单的测定绿豆品质的方法,利用瑞典波通(Perten)公司生产的DA7200二极管阵列近红外光谱仪,以来自我国绿豆主产区的77份绿豆资源为试验材料,对样品进行光谱扫描,并测定了直链淀粉含量的参比数据。结果表明:定标集和检验集样品的蛋白质含量预测值与化学测定值之间均呈极显著的正相关,相关系数分别为0.977 2和0.963 1;所建定标模型具有较高的预测精度。本研究利用近红外光谱仪对完整绿豆粗蛋白质的分析,可直接用于育种材料选择以及突变体筛选和种质资源的评价等研究。     

青花菜中矿质元素的近红外光谱快速测定

青花菜矿质元素含量丰富,传统的青花菜矿质养分评价方法步骤繁琐、耗时费力。通过电感耦合等离子体原子发射光谱法(Inductively Coupled Plasma Optical Emission Spectrometer,ICP-OES)测定青花菜中钾(K)、硫(S)、磷(P)、钙(Ca)、铁(Fe)、镁(Mg)等矿质元素含量,同时使用近红外光谱仪扫描样品,获取样品光谱文件,拟建立青花菜矿质元素的近红外光谱快速测定的方法。对化学分析结果与光谱文件在偏最小二乘法(partial least square,PLS)分析的基础上,通过Savitzky-Golay卷积平滑处理,采用不同的散射处理方式[多元散射校正(multiplicative scatter correction,MSC)和标准正态变量变换(standard normal variate transformation,SNV)],以及不同导数处理方式[一阶导数(first derivative, FD)和二阶导数(second derivative,SD)]对光谱进行预处理,从而获得定标方程。结果表明:(1)K、Mg、Ca经过MSC+FD处理的结果最好,校正相关系数(coefficient of determination in calibration, RSQ)分别为0.884、0.944、0.651,验证决定系数(coefficient of determination in valibration, R²)分别为0.893、0.928、0.604,相对分析误差(residual predictive deviation, RPD)分别为2.491、2.710、1.344;(2)P经过SNV+FD处理的效果最好,RSQ、R²和RPD分别为0.733、0.703和1.117;(3)S、Fe经过MSC+SD处理的结果最好,RSQ分别为0.523、0.581,R²分别为0.537和0.416,RPD分别为1.133、1.100。建立的K和Mg的近红外光谱快速检测模型,可以用于实际应用;P可以近似定量预测,但还需要通过增加样品种类提高模型的准确度与稳定度;Ca、S和Fe的近红外模型可以通过建立高浓度和低浓度2个模型来提高模型预测度。     

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。     

基于近红外光谱与 KPCA-SVM鉴别淡水鱼肉

为实现淡水鱼品种的快速鉴别,采用近红外光谱分析技术建立7种淡水鱼鲜肉的快速鉴别模型。试验采集了鲢、草鱼、乌鳢、鲫、鲤、青鱼、鳙7种淡水鱼共772个鲜鱼肉样品的近红外光谱数据,分别考察标准正态变换(standard normalized variate,SNV)、多元散射校正(multiplicative signal correction,MSC)的预处理方法及核主成分分析(kernel principal component analysis,KPCA)和主成分分析(principal component analysis,PCA)的特征提取方法对支持向量机(support vector machine,SVM)判别模型的影响。结果显示,经SNV预处理和KPCA提取特征变量后,对未知样品的整体正确判别率达到92.68%。因此,采用近红外光谱技术结合化学计量学方法所建SVM模型可以实现淡水鱼品种的快速鉴别。     

青花菜中硫代葡萄糖苷RAA和GBC的近红外光谱快速测定

【目的】 青花菜是硫代葡萄糖苷含量非常高的十字花科蔬菜,大量医学和营养学研究表明,青花菜具有防癌抗癌的显著功效,其防癌抗癌特性主要与硫代葡萄糖苷的多种降解产物有关,尤其是4-甲基硫氧丁基硫苷（RAA）和3-甲基吲哚基硫苷（GBC）的降解产物。本研究拟建立青花菜抗癌硫代葡萄糖苷的近红外光谱快速测定方法。【方法】 采用高效液相色谱法（HPLC）测定青花菜中硫代葡萄糖苷RAA和GBC的含量,将近红外光谱仪扫描样品所获得的光谱文件与化学分析结果在偏最小二乘回归法（partial least squares,PLS）分析的基础上,采用不同的散射处理方式（SNV、Detrend、SNV+Detrend）和导数处理方式（FD、SD）对光谱数据进行预处理,从而得到定标方程,再进一步对模型进行验证。【结果】 4-甲基硫氧丁基硫苷（RAA）和3-甲基吲哚基硫苷（GBC）是青花菜中存在的主要硫苷,占总含量的60%以上。90份青花菜的硫苷组分含量结果表明RAA平均含量最高,含量变化范围最大,平均含量为6.20 μmol?g^-1,变化范围为0.66—14.54 μmol?g^-1;GBC平均含量为4.43 μmol?g^-1,变化范围为0.25—10.79 μmol?g^-1。经过筛选,采用SNV+SD处理后RAA预测模型的校正集和预测集相关系数分别为0.867和0.912;采用SNV+SD处理后的GBC预测模型的校正集和预测集相关系数分别为0.918和0.960。【结论】 建立了RAA和GBC的近红外光谱快速检测模型,为青花菜营养品质的快速检测、优异抗癌青花菜种质资源的快速筛选与利用奠定了基础。     

稻米直链淀粉含量近红外检测模型的建立

以147份南方籼稻品种或组合的稻米为供试材料,利用偏最小二乘法(PLS),通过不同波长和不同预处方式建立稻米直链淀粉含量的近红外分析模型。结果表明:全谱段(950～1 650 nm)建模效果最好,其相关系数(R)、预测标准差(SEP)、校准标准差(SEC)分别为0.947 7,1.162 3、0.700 2;采用多元散射校正法(MSC)法对全谱图进行预处理的效果较好,优化后的模型相关系数(R)、预测标准差(SEP)、校准标准差(SEC)分别为0.981 9、0.100 9、0.6831,其相对分析误差(PRD)为3.6;将稻米直链淀粉含量的近红外光谱预测值与化学值进行配对T检验,P=0.3560.05(置信区间为95%),表明近红外光谱法与化学分析法得到的检测结果无显著差异,即应用近红外光谱快速检测稻米直链淀粉含量是可行的。