生姜水分含量的可见-近红外光谱检测

近红外光谱技术具有简便、快速和无损检测等优点,应用可见-近红外光谱方法建立生姜水分含量(moisture content)的预测模型.利用可见-近红外光谱仪采集308个生姜的光谱,其光谱范围是350～1 800 nm.分别采用一阶导数(FD)、二阶导数(SD)、标准正交变量变换(SNV)和多元散射校正(MSC)4种方法对光谱进行预处理,结合偏最小二乘法(PLS),分别在430～1 000 nm、1 000～1 800nm、430～1 800 nm 3个波段建立生姜水分含量的PLS预测模型.对实验结果进行分析表明,在波段范围430～1 800 nm使用一阶导数预处理方法建立的PLS模型最优.其验证组的相关系数为0.975 1,预测组的相关系数为0.959 7.结果表明,可见-近红外光谱可以准确、快速地对生姜的含水量进行检测.     

近红外光谱法快速测量平菇菌丝总蛋白含量

本文以平菇平板培养菌丝总蛋白含量为指标,在1 000~1 799 nm近红外光谱区域采集光谱信息,采用化学计量学法建立菌株各参数的偏最小二乘法(PLS)定量预测模型。结果表明:最佳光谱预处理方法为Savitzky-Golay平滑+Savitzky-Golay导数+多元散射校正(MSC)+均值中心化,所建定量模型的校正集相关系数、校正标准差(SEC)、验证集相关系数、预测标准差(SEP)、主因子数、SEP/SEC均在合理范围,模型真实值与预测值的相关系数为0.67263,模型可靠性、稳健性和预测效果较好,可用于菌丝蛋白质含量检测。     

基于近红外光谱不同波段的红松木材含水率预测分析

运用近红外光谱技术结合偏最小二乘法(PLS),对所采集光谱进行一阶导数和二阶导数处理,并对未处理原始光谱、一阶导数处理光谱和二阶导数处理光谱分别在7个不同波段范围内建立红松含水率预测模型.结果表明红松样本近红外光谱经一阶导数处理,波段在1 000～2 100nm范围内所建模型最优,其校正集相关性系数为0.992 5,校...     

近红外光谱法快速测量平菇菌丝总蛋白含量（英文）

该文以平菇平板培养菌丝总蛋白含量为指标,在1 000-1 799 nm近红外光谱区域采集光谱信息,采用化学计量学法建立菌株各参数的偏最小二乘法(PLS)定量预测模型。结果表明:最佳光谱预处理方法为SavitzkyGolay平滑+Savitzky-Golay导数+多元散射校正(MSC)+均值中心化,所建定量模型的校正集相关系数、校正标准差(SEC)、验证集相关系数、预测标准差(SEP)、主因子数、SEP/SEC均在合理范围,模型真实值与预测值的相关系数为0.672 63,模型可靠性、稳健性和预测效果较好,可用于菌丝蛋白质含量检测。     

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。     

基于高光谱遥感的小麦子粒谷氨酰胺合成酶活性估算研究

为利用高光谱遥感技术快速、无损、准确估算小麦子粒中谷氨酰胺合成酶(GS)活性,设置不同小麦品种和氮肥处理组合大田试验,以小麦花后10和20 d子粒中GS酶活性为研究对象,同时测定相应时期小麦冠层的高光谱特征,通过一阶导数、二阶导数和多元散射校正3种方法,对小麦冠层原始光谱进行预处理,分析原始光谱、一阶导数、二阶导数和多元散射校正与小麦子粒GS活性的相关性,并以此为输入,利用偏最小二乘回归、支持向量机回归和BP人工神经网络3种方法,构建了小麦子粒GS活性的高光谱遥感估算模型,运用决定系数(R~2)和均方根误差(RMSE)对模型进行评价。结果表明,经微分(一阶导数、二阶导数)预处理后小麦冠层光谱与小麦子粒GS活性的相关性优于原始光谱和多元散射校正,其所构建的估算模型精度明显高于原始光谱和多元散射校正,尤以基于一阶导数光谱的偏最小二乘法估算模型表现最好,其模型建模集的R~2和RMSE分别为0.942,0.025 4,验证集的R~2和RMSE分别为0.755,0.034 0,具有良好的估算精度和应用潜力。     

锦橙叶片钾含量光谱监测模型研究

【目的】快速、无损、准确地获取柑橘叶片营养信息。【方法】以盆栽蓬安100锦橙为试材,通过精确控制施肥处理(K0:0g,K1:30g,K2:75g,K3:90,K4:120gk2O/株/年),利用鲜叶进行光谱检测钾素营养状况分析。【结果】可见近红外波段范围内,各施钾处理蓬安100锦橙夏梢叶片光谱反射强度呈K3K0K1K2K4趋势。通过对反射光谱、一阶微分、二阶微分和倒数对数光谱进行多元散射(multiple scattering correction,MSC)校正处理,运用偏最小二乘法(partial least square method,PLS)与内部交叉验证建立了钾含量预测回归模型,其中反射光谱的二阶微分光谱钾含量定标模型具有最好的预测能力,其预测相关系数最大,r=0.82;预测均方根误差较小,RMSEP=0.0038;偏差(Bias)绝对值最小,Bias=-2.34E-05。【结论】通过锦橙叶片反射光谱二阶微分值与叶片钾含量构建的PLS回归模型,可以较好地预测蓬安100锦橙夏梢叶片钾含量。进一步分析表明,波段477—515nm、541—588nm、632—669nm、701—718nm和754—794nm是反射光谱二阶微分与蓬安100锦橙叶片钾含量定标模型的特征波长。     

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。     

近红外反射光谱技术测定甜玉米总多糖和淀粉含量的研究

结合酶法测定了104份甜玉米种质总多糖和淀粉的含量,利用近红外光谱分析仪采集了相应的光谱信息,分别建立了甜玉米完整种子的总多糖和淀粉含量的近红外光谱定标模型。结果表明:最优光谱处理方式总多糖的为标准正常化+去散射处理,淀粉的为标准多元散射校正;最优的导数处理总多糖的为3阶导数,淀粉的为2阶导数。总多糖和淀粉定标模型的交互验证相关系数分别为0.680和0.734,交互验证标准偏差分别为2.537和2.406;外部验证集总多糖和淀粉的预测相关系数分别为0.834和0.783,说明所建立的总多糖和淀粉的预测模型具有较好的预测性,可应用于甜玉米种质资源筛选。     

橡胶树叶片钾素含量高光谱估算模型研究

【目的】文章尝试建立橡胶树叶片钾素含量高光谱估算模型。【方法】基于涵盖2个品种和6个割龄的橡胶树叶片钾素含量和光谱反射率,分别采用偏最小二乘法(PLS)和偏最小二乘-支持向量机(PLS-SVM)构建了橡胶树叶片钾素含量高光谱估算模型。采用多元散射校正(MSC)、标准正态变换(SNV)、SG平滑(SG)、一阶导数(FD)和二阶导数(SD)等预处理方法或方法组合对叶片原始光谱反射率进行预处理,通过筛选得到最佳预处理模式为SNV+SG+FD的组合方法,其中,SG平滑点数为7,多项式次数为1或2。【结果】利用验证集对PLS模型和PLS-SVM模型进行验证,结果显示,决定系数R~2分别为0.843和0.868,均方根误差RMSE分别为1.331和1.162 g/kg,相对分析误差RPD分别为2.414和2.764。【结论】2种模型均具有良好的估算效果,PLS-SVM模型具有更高的估算精度。     

长波近红外光谱在土壤总氮分析与稳定性中的应用

[目的]通过定标集、预测集、检验集的建模过程,采用偏最小二乘(PLS)方法结合波段选择建立土壤总氮快速分析的近红外(NIR)光谱模型。[方法]为了避免模型评价失真,基于随机性、相似性和稳定性,提出一种严谨的建模体系。将全谱扫描区(400～2 498nm)分成可见区(400～780 nm)、短波近红外区(780～1 100 nm)和长波近红外区(1 100～2 498 nm)。[结果]经过比较、检验,结果表明长波近红外达到了最好的模型效果和稳定性,最优PLS因子数为8,检验的预测均方根误差(V-SEP)和预测相关系数(V-RP)分别为0.118 g/kg和0.857,得到客观、稳定的预测模型。     

基于近红外光谱法预测杨木的综纤维素含量

为快速测定人工林杨木的综纤维素含量,按国家标准测定了42 个杨木木材样品的综纤维素含量,并用近红 外光谱仪测定相应的光谱。在350 ~ 2 500、1 300 ~ 2 050、2 050 ~ 2 500 nm 3 个不同的光谱区域,采用未处理、 Baseline、一阶导数、二阶导数等光谱预处理方法,再用PLS1、PLS2、PCR 3 种不同建模方法建立相应的校正模型与 交互验证模型。结果表明:当光谱区域为1 300 ~2 050 nm、光谱数据未进行预处理、采用PLS1 的建模方法、主成分 数为8 时,建立的校正模型有最佳预测效果;采用建立的模型对未参与建模的样本进行预测,预测结果与实测结果 间的相关系数为0.818 8。      

A NIR Technique for Rapid Determination of Soil Mineral Nitrogen

The objective of this investigation is to determine the possibility of rapidly sensing soil mineral-N content using near infrared (NIR) reflectance. Simulation studies were conducted to determine the ability of Partial Least Squares (PLS) and Principal Components Regression (PCR) techniques to relate NIR spectral data to soil nitrate content in the presence of interfering effects and experimental noise. The simulation studies revealed that both PLS and PCR techniques were quite robust in predicting soil nitrate content provided the calibration set included the same interfering effects. These techniques failed completely if the prediction set contained interfering effects which were not included in the calibration set. This implies that a site-specific calibration is necessary for this technique to work successfully. Laboratory tests using Yolo loam and Capay clay soil samples as well as verification tests using field soils (Yolo loam and Capay clay) mixed with nitrogen fertilizer indicated that soil mineral-N content can be determined using the NIR technique provided site-specific calibration is used.     

基于样本挑选和不同偏最小二乘方法的近红外光谱玉米淀粉组分校正模型的研究

[目的]获得精度高、鲁棒性强的玉米近红外光谱淀粉组分检测模型。[方法]用一阶导数和Savitzky．Golay平滑对玉米1300～2298nlTl近红外光谱进行预处理,而后分别以RS（random sampling）、KS（Kennard Stone）、Duplex、SPXY（sample set partitioning based on joint x-y distance）方法选取最佳校正集样本集合,最后分别用PLS（Partial Least Squares）、iPLS（intervalPLS）和siPLS（synergy interval PLS）方法建立校正模型。[结果]采用sPXY方法选取有代表性的校正集合样本,以siPLS方法所建立的近红外光谱玉米淀粉组分校正模型最优,校正样本集合中r为0．9917,RMSECV为n1073,预测样本集合中r达到了0．9944,RMSEP为0．0814。[结论]SPXY-siPLS方法建立的近红外光谱玉米淀粉组分校正模型,不但可以减小参与建模的数据规模．而且缩短了运算时间．预测能力和精度也均得到提高。     

砂姜黑土土壤有机碳高光谱特征与定量估算模型的研究

有机碳作为衡量土壤肥力的重要指标,其定量化快速监测成为精确农业研究的热点。以安徽淮北平原区宿州市采集的砂姜黑土为研究对象,进行室内理化分析、预处理与室外光谱测量等一系列工作,在土壤原始光谱反射率的基础上,采用去包络线和波段深度提取突出吸收特征,剖析土壤光谱响应特征。基于原始光谱和8种变换形式,分析不同变换光谱形式与有机碳含量的相关性,结合有机碳光谱响应特征分析和光谱特征参量挑选,确定诊断土壤有机碳含量的最佳敏感波段,利用逐步回归方法建立了土壤有机碳高光谱的预测模型。结果表明,550~750nm波段范围是典型砂姜黑土有机碳的主要光谱响应区域。去包络线和波段深度处理突出了土壤有机碳光谱吸收特征,随着有机碳含量的降低,吸收值呈现下降趋势。在不同光谱转换形式中,归一化比值指数(R/R_(M(450-750)))的转换形式与土壤有机碳相关性最强,最敏感波段分别出现在451 nm和644 nm处,相关系数分别达0.80和–0.90。相关性最好的波段范围主要集中在600~700 nm波段附近。基于相关分析与逐步回归分析方法,确定了606、637和644 nm波段处的归一化比值指数为诊断土壤有机碳含量的最佳敏感波段,基于最佳敏感波段的归一化比值指数(R_(606)/R_(M(450-750)),R_(637)/R_(M(450-750))和R_(644)/R_(M(450-750)))建立的高光谱预测土壤有机碳模型具有良好的预测效果,模型的决定系数(R~2)为0.81,均方根误差(RMSE)为0.14,展现了较好的稳定性和预测精度。     

基于近红外光谱与随机青蛙算法的褐变板栗识别

为了实现板栗Castanea mollissima的快速自动分选,研究了基于近红外光谱技术的褐变板栗无损检测方法。首先采用Antaris Ⅱ傅里叶变换近红外光谱仪获取70个正常板栗和110个褐变板栗的近红外光谱（1 000.00～2 500.00 nm）,比较了不同光谱预处理方法对褐变板栗识别的影响,随后采用一种新的变量选择方法即随机青蛙算法（random frog）提取与板栗褐变相关的特征波长变量,最后基于特征波长建立和比较了褐变板栗识别的偏最小二乘?鄄线性判别分析模型（PLS-LDA）和最小二乘-支持向量机（LS-SVM）模型。结果显示:经标准正态变量变换（SNV）预处理和随机青蛙算法优选的23个特征波长所建LS-SVM模型的性能最优,该模型对测试集的敏感性、特异性和识别正确率分别为0.92,1.00和95.00%。随机青蛙算法可以有效筛选重要的特征变量,不仅能简化模型,而且可以提高识别准确率和识别速度。图4表3参22     

不同载体预混合饲料中维生素E近红外光谱模型

【目的】维生素E是重要饲料添加剂,其含量的准确测定对饲粮配制具有重要意义。文章探讨了不同载体稀释剂预混合饲料中维生素E的快速定量方法,旨在说明近红外光谱分析方法对不同载体预混合饲料的适用性,对日后建立预混合饲料中维生素含量的近红外速测方法提供参考。【方法】采集商品维生素E粉剂,以市场上常见的二氧化硅、脱脂米糠和石粉为载体稀释剂,通过混匀机混匀配制了浓度范围为5—250 IU·g~(-1)的维生素E预混合饲料,并采集其近红外光谱。研究比较了不同扫描次数和分辨率对近红外光谱质量的影响,比较了不同载体稀释剂预混合饲料中维生素E的特征峰及不同光谱预处理方式下维生素E偏最小二乘回归模型的定量精度,并从PLS模型中的VIP Score值的角度来分析模型的差异性。【结果】16 cm~(-1)分辨率和32次扫描次数为适宜的光谱采集参数;不同载体稀释剂预混合饲料的近红外光谱差异明显,二氧化硅、脱脂米糠和石粉为载体的预混合饲料维生素E主要特征吸收峰不同,分别位于8 700—8 200、7 100—7 450、6 020—5 550、4 440—4 200、5 210—4 760,8 550—8 050、7 410、5 950—5 200、4 400—4 050、4 750—4 600 cm-1和8 550—8 050、7 250、5 950—5 200、4 600—4 000、4 800—4 700 cm~(-1)其近红外定量模型的最佳光谱预处理方法分别为SNV+1st Deriv.(2,15)、MSC+1st Deriv(2,21)和SNV+2st Deriv(2,15),其校正决定系数     

应用近红外光谱和小波网络构建的木材基本密度预测模型

以柞木为研究对象,将120个样本以2∶1的比例分为校正集和预测集,80个校正集,40个预测集;使用900~1 700 nm的近红外光谱仪,获取样本径切面的近红外光谱数据;采用蒙特卡洛采样法剔除奇异样本,采用多元散射校正和S-G平滑对光谱数据进行预处理,消除光谱漂移、表面散射和噪声的影响;通过Bi PLS-SPA算法对特征波长进行提取,构建小波神经网络模型,预测柞木基本密度;将建模方法与常用的偏最小二乘(PLS)和BP神经网络进行了对比,验证小波网络的有效性。结果表明:小波神经网络对预测集样本验证结果更好,相关系数为0.968,预测均方根误差为0.014 4。     

基于高光谱图像技术的沙梨无损检测

为探讨基于高光谱图像技术对沙梨糖度无损检测的可行性,采集80个沙梨样本在400～1 000 nm内的高光谱图像数据及其对应的糖度,采用变量标准化、多元散射校正(MSC)、平滑滤波、基线校正等方法对原始光谱数据进行预处理,发现MSC预处理效果最佳,再通过无信息变量消除法对MSC预处理后的光谱数据进行压缩,最后分别建立BP神经网络和PLS沙梨糖度预测模型.结果表明:无信息变量消除法将光谱变量压缩到234个,有效减少了建模的输入变量,建立的PLS预测模型和BP神经网络的预测相关系数均在0.85以上,而PLS预测模型的相关系数为0.9508,均方根误差为0.268,优于BP神经网络模型.