脐橙可溶性固形物的在线近红外光谱检测

【目的】应用近红外光谱漫反射技术在线检测脐橙内部的可溶性固形物含量(SSC)。【方法】以0.3m/s的速度、400W的光照强度获取脐橙(脐橙样品为97个,其中74个为校正集,23个样品为预测集)的漫反射光谱;对比不同光谱预处理方法(平滑、一阶微分、二阶微分等)对偏最小二乘回归(PLSR)所建预测模型性能的影响,建立PLSR、主成分回归(PCR)和多元线性回归(MLR)在线检测脐橙可溶性固形物含量的预测模型。【结果】在520~1 000nm光谱范围,卷积平滑(S-G)能有效提高光谱的信噪比,改善模型预测精度;基于PLSR所建立的预测模型较PCR和MLR更为理想,其预测相关系数(RP)为0.90,预测均方根误差(RMSEP)为0.61。【结论】利用在线近红外光谱技术检测脐橙可溶性固形物含量是可行的。     

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。     

基于小波消噪柑橘内部品质近红外光谱的无损检测

为探讨柑橘内部品质无损检测方法,通过3阶Daubechies小波4级分解,对柑橘近红外光谱进行消噪预处理,并运用偏最小二乘法建立了柑橘贮藏中可溶性固形物、糖度、酸度和维生素C含量的校正预测模型.结果表明:建立的可溶性固形物含量预测模型,其预测值与标准值的相关系数为0.954,预测校正均方差为0.418%,最优光谱波段为6 101.7～4 246.5 cm-1;建立的可溶性总糖含量预测模型,其预测值与标准值的相关系数达0.975,预测校正均方差为0.490%,最优光谱波段为7 507.7～6 097.8 cm-1;建立的总酸含量预测模型,其预测值与标准值的相关系数达0.948,预测校正均方差为0.022%,最优光谱波段为 6 101.7～4 246.5 cm-1;建立的维生素C含量预测模型,其预测值与标准值的相关系数为0.957,预测校正均方差为0.039 mg/g,最优光谱波段为7 501.7～5 449.8 cm-1.     

成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测

【目的】研究成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测技术,为及时、准确地掌握成熟期梨果实的内部品质特性及田间管理、适时采收、合理储藏提供依据。【方法】基于近红外漫反射光谱检测技术分别建立了成熟期砀山酥梨可溶性固形物含量的偏最小二乘(PLS)、广义回归神经网络(GRNN)和偏最小二乘支持向量机动态预测模型(LSSVM),并综合评价了无信息变量消除法(UVE)优选有效特征波数对于简化模型、提高预测性能的影响。【结果】UVE算法能够很好地提高建模效率、有效改善GRNN和LSSVM模型预测精度,而对PLS分析模型效果不明显。3种模型中,LSSVM模型比GRNN和PLS模型具有明显优势,其中UVE-LSSVM模型具有最佳预测精度和适用性,其校正相关系数(Rc)为0.988,校正均方根误差(RMSEC)为0.074,预测相关系数(Rp)为0.922,预测均方根误差(RMSEP)为0.162。【结论】基于近红外光谱技术的UVE-LSSVM模型可用于成熟期梨可溶性固形物含量的无损检测。     

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。     

近红外光谱法无损检测番茄可溶性固形物含量的研究

应用近红外漫反射光谱技术对番茄可溶性固形物含量进行了非破坏性检测分析,比较了10种不同的光谱预处理方法对偏最小二乘法(PLS)模型的影响.结果表明,常数偏移消除是适合建立近红外光谱法无损检测番茄可溶性固形物含量PLS模型的最优光谱预处理方法,最能反映番茄可溶性固形物含量信息的光谱波段为11998.9-5449.8cm-1和4601.3～4246.5 cm-1.用偏最小二乘法建立的定量分析模型,其预测值和实测值的相关系数为0.954,校正标准差为0.321%,预测标准差为0.475%.近红外漫反射光谱法可非破坏性分析番茄中可溶性固形物的含量.     

赣南脐橙可溶性固形物近红外光谱在线无损检测

通过应用近红外漫透射光谱技术结合最小二乘支持向量机等算法,探索脐橙可溶性固形物含量在线无损检测的可行性。139个样本被分成建模集和预测集(103∶36),分别用于建立检测模型和验证检测模型的预测能力。漫透射近红外光谱,经过一阶微分、多元散射校正和移动窗口平滑组合预处理后,分别建立了偏最小二乘、偏最小二乘支持向量机模型,经比较发现,偏最小二乘支持向量机模型的预测能力更强,模型预测的均方根误差和相关系数分别为0.6423%、0.9059。通过对比发现,主成分分析和径向基函数有利于提高最小二乘支持向量机模型的预测能力。结果表明:采用近红外漫透射光谱技术结合最小二乘支持向量机算法能够很好地实现脐橙可溶性固形物含量的在线无损检测。     

可见近红外漫反射光谱法测定赣南脐橙的表面色泽

[目的]建立赣南脐橙颜色指标定量数学模型,探索用颜色进行水果分级的新方法。[方法]采用色差计来测量50个赣南脐橙样本的表面颜色,用近红外漫反射光谱并结合多元校正算法偏最小二乘法(PLS),建立了赣南脐橙颜色指标L、a、b的定量模型。[结果]在全波段范围内,原始光谱所建模型最佳,其颜色指标L所建校正模型相关系数(r)为0.933,预测均方根偏差(RMSEP)为1.330,完全交互验证相关系数(rcross)达0.926;颜色指标a所建校正模型相关系数为0.970,预测均方根偏差为1.524,完全交互验证的相关系数达0.967;颜色指标b所建校正模型相关系数为0.893,预测均方根偏差为2.676,完全交互验证的相关系数达0.875。[结论]原始光谱所建模型最好,但其模型的校正均方根偏差和完全交互验证均方根偏差都偏高。     

葡萄可溶性固形物的高光谱无损检测技术

为明确采用高光谱成像技术对葡萄可溶性固形物(SSC)检测的可行性。以高光谱成像系统为试验仪器,采集葡萄样本的漫反射光谱,对比分析不同光程校正方法、不同预处理方法对建模精度的影响,建立不同的葡萄SSC定量预测模型。研究结果表明,在波段500~1 000 nm的范围内,采用经过标准正态变化、一阶微分和Savitzky-Golay平滑相结合预处理后的偏最小二乘法建模方法预测能力最强,校正集相关系数(r_c)为0.912 6,校正集均方根误差(RMESC)为0.542,预测集相关系数(r_p)为0.854 0,预测集均方根误差(RMESP)为0.758。由结果可知,应用高光谱成像技术可以对葡萄可溶性固形物含量进行无损检测。     

基于近红外漫反射光谱的多品种桃可溶性固形物的无损检测

【目的】研究基于近红外漫反射光谱的多品种桃可溶性固形物含量的无损检测技术。【方法】在获得3个不同品种桃近红外漫反射光谱的基础上,采用多元散射校正(MSC)方法处理原始光谱,以SPXY算法划分样品集,分别建立了可溶性固形物含量的偏最小二乘回归(PLSR)、极限学习机(ELM)和最小二乘支持向量机(LSSVM)预测模型,并比较和评价了移动窗口偏最小二乘法(MWPLS)和连续投影算法(SPA)优选有效特征波长对于简化模型运算量、改善模型预测性能的影响。【结果】虽然全光谱可以获得较好的识别效果,但是模型比较复杂;MWPLS与SPA优选的有效特征波长均能有效地减少建模变量并简化模型,但MWPLS在提高建模效率和改善模型预测精度方面有更明显的优势;PLSR、ELM与LSSVM模型都取得了较理想的预测结果,其中PLSR方法较适用于全光谱建模分析;MWPLS-ELM模型对样品集中桃可溶性固形物含量的预测性能最好,其校正相关系数、校正均方根误差、预测相关系数和预测均方根误差分别为0.991,0.397,0.983和0.497。【结论】近红外漫反射技术可用于多品种桃可溶性固形物含量的准确、无损检测,也为其他品种果品的内部品质指标快速、无损检测提供了技术借鉴。     

雪梨中可溶性固形物的快速检测

本文采用近红外漫反射法,对雪梨中的可溶性固形物含量进行检测。随机地在每只雪梨上选择2~3个样本,共采集了133个样本。剔除异常样本5个,剩下128个样本,分为校正集90个,预测集38个。使用Unscrambler9.7软件做数据处理。采用不同的光谱预处理方法,结合偏最小二乘(PLS)进行建模预测。发现,使用面积标准化、平均值标准化、标准正态变量变换(SNV)、多元散射校正(MSC)4种光谱预处理方法,均可得到理想的预测效果。使用预测相关系数(R)和预测均方根误差(RMSEP)作为评价指标,R值超过0.96,RMSEP值小于0.20。     

适合温州蜜柑可溶性固形物无损检测的近红外光谱研究

为提升温州蜜柑可溶性固形物近红外光谱无损检测的精确度,对适合温州蜜柑可溶性固形物无损检测的近红外光谱进行了研究。结果表明,利用间隔偏最小二乘法,建立了温州蜜柑可溶性固形物与近红外光谱模型之间的关系,选出可溶性固形物的显著特征波段为890～918 nm,备选特征波段为830～858 nm、860～888 nm、650～688 nm。组合这些波段再次建模,可大大提高模型的预测能力,模型的拟合优度高达0.904 0,交互验证均方根误差降到0.504 6° Birx。     

近红外光谱结合CARS-PLS模型检测草莓可溶性固形物含量研究

为了实现对草莓内部可溶性固形物含量(soluble solids content,SSC)客观、准确、快速和无损检测,采用近红外光谱结合竞争性自适应重加权算法采样(CARS)变量选择以及多变量校正分析的测定方法。164个草莓样本被分成校正集(123个)和预测集(41个)。基于全光谱数据,通过CARS算法获得了可以表征原始光谱信息的117个特征光谱变量。全光谱变量和特征光谱变量分别作为输入构建了偏最小二乘回归PLS和多元线性回归MLR模型,通过比较3类模型发现,基于特征光谱的PLS模型(即CARS-PLS模型)对草莓内部可溶性固形物含量测定性能最优,针对预测集样本,模型预测相关系数r_P和均方跟误差RMSEP分别为0.950 9和0.335 2。     

基于偏最小二乘法的新疆杏可溶性固形物含量的无损检测

利用近红外光谱无损检测技术,以成熟的库车小白杏为研究对象,先通过一阶导数混合标准正态变量变换法进行光谱预处理,再利用偏最小二乘法建立杏可溶性固形物含量预测模型。结果表明,最佳因子数为4,模型的相关系数为0.964 45,校正集标准偏差为0.215,预测集标准偏差为0.456时模型最佳。结果表明,基于近红外光谱技术测定杏的可溶性固形物含有具有可行性,可以为库车小白杏的无损检测提供重要参考与技术支持。     

赣南脐橙叶片含水量和叶绿素含量的近红外检测

[目的]得到一种快速检测叶片含水量和叶绿素含量的定量估计模型。[方法]选取88片赣南脐橙叶片作为研究对象,运用近红外光谱技术检测叶片含水量和叶绿素含量2个指标。通过6种不同预处理方法(SG/MSC/1st D/2nd D/SNV/Baseline)在全波段4 000~12 000 cm-1范围内建立了叶片含水量和叶绿素含量的PLS、PCR和LS-SVM定量检测模型。[结果]试验得出,在预测叶片含水量的模型中,PLS、PCR和LS-SVM预测效果整体相差不大,其最优的预测模型是使用PLS建模,其中RP=0.985,RMSEP=0.023。在预测叶片叶绿素含量的模型中,3种方法预测效果相差不大,最优预测模型是MSC-LS-VSM,其中RP=0.933,RMSEP=0.23。[结论]研究表明,应用近红外光谱技术对赣南脐橙叶片含水量和叶绿素含量的快速检测具有可行性。     

基于近红外光谱技术苹果尺寸差异对糖度模型适用性的影响

为消除水果自身尺寸差异对其糖度预测模型的不利影响，进一步提高水果分选模型精度，应用近红外光谱在线检测装置采集不同果径苹果的近红外光谱，对光谱进行多种预处理后，分别建立苹果可溶性固形物的偏最小二乘法模型，再用苹果果径75~85 mm组中的建模集预测苹果果径分别为65~75、85~95 mm组中的预测集样品，最后用果径组65~75、75~85、85~95 mm中的建模集和预测集，分别作为混合苹果尺寸糖度预测模型的建模集和预测集，并利用特征光谱选择算法对模型进行简化，建立苹果糖度通用预测模型。结果显示：与建模集和预测集果径不同时所建立的苹果糖度预测模型最优组相比，其相关系数R_p由0.805提高至0.943，预测集均方根误差值RMSEP由0.778减小至0.480，RPD由0.96增加至3.05，再对建立的通用模型进行简化，可以降低苹果尺寸对苹果糖度模型的影响，提高模型预测性能。     

基于近红外光谱对冬枣水分糖分的无损检测研究

利用近红外光谱技术对120冬枣水分/糖分进行研究,建立不同光谱特征的糖分/水分的偏最小二乘法(PLS)与主成分回归(PCR)分析模型。将近红外光谱异常样本与光谱正常样本分别建模,显著提高了分析模型的预测精度、扩宽了模型的适用范围。以冬枣主要吸收峰区间为基本建模波段。得到冬枣水分相关系数(R)为0. 99745、校正均方差(RMSEC)为0. 0445、预测均方差(RMSEP)为0. 367、因子数为7,糖分相关系数(R)为0. 96078、校正均方差(RMSEC)为0. 853、预测均方差(RMSEP)为1. 64、因子数为6。     

基于近红外光谱的五味子提取过程在线检测方法研究

目的 利用近红外(NIR)光谱法,建立定量模型,实现五味子提取过程中关键指标的快速检测。方法 在线采集五味子提取液的近红外光谱,以高效液相色谱法和差重法获取参照,采用最小二乘回归法(PLSR)分别建立五味子醇甲、果糖、葡萄糖和可溶性固形物的定量模型。结果 定量模型的校正集相关系数R、校正均方根误差RMSEC、预测均方根误差RMSEP分别为：五味子醇甲0.99792、1.41、8.76,果糖0.99246、0.0919、0.333,葡萄糖0.99371、0.0954、0.448,可溶性固形物0.98723、3.07、11.2。结论 该方法快速、便捷,结果准确,适用于五味子提取过程的快速检测。     

基于冷冻干燥基础的猪肉营养成分近红外快速检测模型构建

为建立和优化基于冷冻干燥基础猪肉样品的水分、粗蛋白和粗脂肪近红外定量预测模型，分别以130个冷冻干燥猪肉粉近红外光谱(near infrared reflectance spectroscopy,NIRS)和其中的水分、粗蛋白、粗脂肪含量为研究对象，应用偏最小二乘法(partial least squares regression,PLS)、内部交叉验证和外部验证建立和优化冷冻干燥猪肉粉水分、粗蛋白、粗脂肪的近红外定量预测模型。结果表明：最优冷冻干燥猪肉粉水分、粗蛋白、粗脂肪含量模型的相关系数(R²)分别为96.58%、99.31%、99.47%；交互验证标准偏差(RMSECV)分别为0.305、0.742、0.692；预测标准偏差(RMSEP)值分别为0.294、2.297、0.460。综上，基于冷冻干燥基础的猪肉营养成分近红外快速检测各指标模型的R²均在96%以上，RMSECV值均在0.8以下，RMSEP值均在2.3以下，证明此次冷冻干燥猪肉粉营养成分近红外快速检测模型构建成功。     

基于微型近红外光谱仪油菜籽粗脂肪 与粗蛋白校正模型的建立

为了验证微型近红外光谱仪的现场分析实用性,利用该光谱仪测定了油菜籽中粗脂肪与粗蛋白的含量。采集油菜籽样品的近红外反射光谱,光谱经预处理和异常样本剔除后,结合偏最小二乘法回归(PLSR)建立油菜籽的粗脂肪与粗蛋白定量分析模型。结果表明,粗脂肪的模型校正相关系数(Rc)、校正均方根误差(RMSEC)、预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.9187、1.1873、0.8162和1.3895;粗蛋白的模型校正相关系数(Rc)、校正均方根误差(RMSEC)、预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.8773、0.8153、0.8033和0.7532。验证了该光谱仪在油菜籽的粗脂肪含量和粗蛋白含量检测方面是可行的,为进一步拓展微型近红外光谱仪的应用奠定了基础。