基于THz光谱分析技术的猪肉K值无损检测方法

K值是评价猪肉新鲜度的一个重要指标,它能够反映猪肉内核苷酸的分解情况,从而评定肉的变质程度。一般采用高效液相色谱法测定K值,此方法过程耗时,需破坏被测样品,不能满足生产和流通环节的快速检测需求。利用太赫兹(THz)光谱分析技术无损检测猪肉K值的可行性,探索快速检测K值的方法。在0.2~2THz范围内,采用衰减全反射模式提取80份不同新鲜度的猪肉THz光谱数据,同时用高效液相色谱法测定每份样品的K值。THz光谱原始数据经过一阶微分和Savitzky-Golay平滑滤波后,分别用主成分回归(PCR)、偏最小二乘回归(PLSR)和反向传播神经网络回归(BP-ANN)建立了THz光谱预测猪肉K值的数学模型。比较研究表明:非线性BP-ANN模型预测精度最高,相关系数为0.75,均方根误差为14.36%;采用THz光谱数据BP-ANN模型能够检测猪肉的新鲜度K值。与HPLC方法相比,该方法具有快速、无损、简单的特点。     

基于近红外漫反射光谱技术的芒果糖度无损检测方法研究

近红外光谱分析技术是近年迅速发展的一门绿色分析技术,具有快速、准确、无损伤检测的特点,正越来越广泛地应用于水果内部品质的无损检测。为此,应用近红外漫反射光谱技术无损检测芒果糖度,光谱数据经一阶微分和Savitzk-Golay预处理后,分别采用主成分回归法(PCR)和偏最小二乘法(PLS)建立芒果糖度近红外分析模型,当主成分数为10时,预测相关系数R分别为0.838 69,0.976 59,RMSEC分别为1.628 4,0.205 8,MEP为1.235 0,0.738 3;采用BP神经网络对70个样品光谱进行训练,建模集相关系数达到0.983 3,而对36个预测样品集的相关系数只有0.663 9;调整建模集和预测集样品,相关系数增大到0.683 6,平均相对误差由10.336 9%降到8.057 6%。研究结果表明,利用近红外漫反射光谱技术对芒果糖度进行无损检测是可行的。     

肉品无损检测光学传感器设计与试验

畜肉品质光谱检测过程中，不同样品之间的厚度差异导致肉品表面到光纤探头的检测距离存在差异，对预测结果影响较大。针对这一问题，设计了一种用于肉品无损检测的光学传感器，并间隔玻璃从下至上对畜肉品质进行检测，消除了样品厚度对检测距离的影响，并分析了光谱曲线随检测距离变化的变化规律。为探究所设计方案的可行性，搭建了试验平台，包括光谱仪、距离调节机构、光源、石英玻璃、光学传感器和计算机，其中石英玻璃可透过220~2500nm波长范围的光而无吸收，光学传感器可以帮助采集更多的肉品漫反射光。选择了18个猪肉样品贮藏在4℃环境中，并在不同的冷藏时间取出进行光谱采集（400～1100nm），采用不同的检测距离（8～22mm，间隔2mm），最后测量样品的挥发性盐基氮（TVB N）含量。在获得样品光谱数据后，分别用1阶导数、多元散射校正（MSC）、标准正态变换（SNV）和1阶导数+SNV等方法进行预处理，并建立猪肉的TVB N含量的偏最小二乘回归（PLSR）预测模型。结果表明：当检测距离为16mm，采用1阶导数+ SNV预处理时，建立的TVB N含量预测模型效果最好，校正集相关系数和均方根误差分别为0.98和0.92mg/(100g)，预测集相关系数和预测均方根误差分别为0.97和1.56mg/(100g)。因此，利用所设计光学传感器对猪肉新鲜度进行检测是可行的。     

基于直接正交信号校正的土壤磷和钾VNIR测定研究

利用可见-近红外光谱(VNIR)检测土壤磷(P)和钾(K)含量存在精度不高的问题。为消除土壤质地、类型、颜色、颗粒大小、形状、密度等对光谱精度的影响,利用VNIR检测土壤P和K,采用直接正交信号校正(DOSC)光谱预处理降低干扰的方法,对美国密苏里州8种类型土壤共1 582个土壤样品、在350~2 500 nm波段内进行VNIR光谱扫描,对光谱进行吸光度、均值归一化、5点均值滤波平滑处理后,分别用DOSC处理和未处理数据建立偏最小二乘回归(PLSR)分析模型对P和K进行预测。实验结果表明,DOSC处理后得到的模型预测精度显著提高,其预测均方根误差(RMSEP)降低21.50%(P)、26.93%(P(0,27))、24.64%(K)和27.67%(K(0,192)),预测决定系数(R2)提高85.76%(P)、108.31%(P(0,27))、59.38%(K)和87.01%(K(0,192)),相对分析误差(RPD)提高27.37%(P)、36.90%(P(0,27))、32.75%(K)和38.29%(K(0,192))。用DOSC算法在多类型土壤的P和K的VNIR测定中,能消除由于土壤质地、类型等引起的噪声信息,提高模型预测精度,为多类型土壤P和K的VNIR测定提供了一种光谱预处理方法。     

近红外光谱检测梨果硬度研究

应用近红外漫反射无损检测梨果硬度。采集240个梨样品的光谱数据,150个梨样品数据用于建模集来建立模型,另外90个样品数据用于预测集,评价模型的性能。采集完整梨果的近红外漫反射光谱(350~1 800nm),为简化模型,原始光谱经小波算法去除噪声,然后采用CARS算法,波长由最初的1 451个降低为58个,采用偏最小二乘回归建立梨果硬度的定量预测数学模型。研究发现,CARS算法在简化模型同时,模型的预测评价指标优于原始光谱建模的模型,硬度定量预测数学模型的决定系数(Rp2)为0.66,均方根误差(RMSEP)为1.66。近红外漫反射光谱作为一种无损的检测方法,可用于评价梨果的硬度。     

生鲜猪肉主要品质参数无损在线检测系统

基于可见近红外光谱技术,设计了生鲜猪肉品质无损在线检测装置.介绍了该系统的工作原理、工作过程、硬件组成及软件系统功能.系统硬件包括光谱信息采集装置、样品传送单元、位置检测单元、控制单元和计算机等.基于Delphi和Matlab语言开发了与PC硬件和Windows XP软件环境兼容的光谱信息自动采集和实时处理的无损在线检测软件系统.该系统可实现生鲜猪肉样品光谱数据的自动采集、光谱数据的在线处理、样品品质参数的在线预测与检测结果的在线显示.将该系统用于生鲜猪肉水分含量的在线检测.结果表明,该在线检测装置检测精度高、可靠性好,可用于肉品主要品质参数的无损在线检测.     

基于时域太赫兹光谱技术的橄榄油氧化程度检测研究

文章通过设定特定储藏条件加速橄榄油氧化酸败,获得不同氧化程度的橄榄油样品,并对样品的脂肪酸变化进行分析。采用太赫兹系统对不同储藏期的橄榄油样品进行检测,选择0.3THz~2.0 THz范围内的THz吸收光谱作为建模数据,结合支持向量机(SVM)、反向传播神经网络(BPNN)、偏最小二乘(PLS)、随机森林(RF)建模方法对橄榄油储藏时间进行预测,结果表明支持向量机所得预测结果最优,再建模集中的预测正确率为98.5%,预测集中的建模正确率为99%。实验结果表明,太赫兹光谱技术结合机器学习算法可以有效检测橄榄油的氧化程度,为橄榄油的快速检测提供了新方法。     

基于近红外光谱的香蕉品质检测方法研究

研究提出了近红外光谱技术无损检测香蕉品质指标的新方法。采用The Unscramble 9.7分析软件,建立了香蕉糖度、坚实度和粘度的预测模型。根据定标集样品常规方法测定结果和所扫描得到的香蕉未剥皮和剥皮的光谱信号间的拟合关系,采用偏最小二乘法建立香蕉糖度、坚实度和粘度的定标模型,并用未参与定标的一组样品作为预测集对模型进行检验。未剥皮香蕉的糖度、坚实度和粘度的预测决定系数分别为0.94,0.95,0.93,剥皮香蕉的糖度、坚实度和粘度的预测决定系数分别为0.92,0.97,0.95,预测精度较高。结果表明,香蕉皮对其的影响不大,近红外光谱技术可应用于未剥皮香蕉品质检测,实现了香蕉品质的快速、无损检测,为香蕉品质的无损检测提供了理论依据。     

鲜切果品新鲜度可见/近红外快速检测装置设计与实验

为了适应日益增长的鲜切果品消费需求,基于光谱分析技术和传感器技术,集成微型光谱仪、质量传感器、照度计和树莓派显示屏等电子元器件,设计了一套鲜切果品新鲜度可见光/近红外快速检测装置。硬件系统包括数据采集模块、光源模块、结果输出显示模块和控制器模块,软件实现处理数据、调用分级模型和反馈分级结果等功能。以鲜切苹果为例,采集24个红富士苹果样本在400～820 nm波段的光谱反射率,并在室温下分别于0～2 h、2. 5～8 h和8. 5～30 h 3个时间段,对每一个待测样品进行4组光谱数据测量,共获取288个原始样本数据。以切开时长2 h为分界线,将苹果样品分为2个等级。利用15点的S-G平滑卷积对反射光谱数据进行平滑处理后,使用核函数为高斯核函数(RBF)的支持向量机建立苹果新鲜度可见/近红外光谱检测分级模型,预测集准确率可达86. 81%。该鲜切果品新鲜度可见/近红外快速检测装置可为果品新鲜度或切后存放时长的快速无损检测提供方法与技术支持。     

基于高光谱技术的燕麦β-葡聚糖含量测定方法研究

为了实现燕麦β-葡聚糖含量的快速、准确、无损测定,研究了一种基于高光谱技术的燕麦β-葡聚糖含量测定方法。采集燕麦400~1 000nm范围的高光谱数据,采用多元散射校正方法处理原始光谱,使用分段线性回归分析方法对光谱数据进行降维,将光谱按照全波段(分1段)、100nm间隔(分3段)、200nm间隔(分6段)进行划分,共分成10段并分别计算出每段的特征拐点,共提取出10个特征拐点波长;将光谱特征拐点波长的反射率作为BP神经网络的输入向量,中间计算隐含层神经元的传递函数,采用S型正切函数logsig,输出向量是一维目标向量(即燕麦β-葡聚糖含量),采用BP神经网络对燕麦β-葡聚糖含量进行预测。结果表明:燕麦β-葡聚糖含量的预测值与国标测定值之间的决定系数R2达到0.75,预测均方根误差(RMSEP)达到0.009 8。将特征拐点波长与β-葡聚糖含量进行统计分析发现:燕麦β-葡聚糖含量的敏感波段在492、874、930nm附近,采用高光谱技术对燕麦β-葡聚糖含量进行无损检测是可行的。研究结果为燕麦β-葡聚糖含量的快速无损检测提供了理论依据和实用方法。     

LIBS结合化学计量学方法在土壤镉检测中的应用

土壤的重金属污染影响农业和食品安全,对重金属污染的快速检测是一个亟需解决的问题。该研究应用激光诱导击穿光谱（Laser induced breakdown spectroscopy,LIBS）结合化学计量学方法对土壤中的镉（Cd）元素进行定量分析。根据土壤重金属污染的不同程度,制作含有Cd元素的15个浓度梯度的土壤样本,并采集各个样本的LIBS谱线。采用光谱预处理方法来减少试验误差和噪声。选取了Cd元素的分析谱线与分析谱线区间,建立基于偏最小二乘回归（Partial least squares regression,PLSR）和反向传播人工神经网络（Back propagation-artificial neural network,BP-ANN）方法Cd元素含量回归模型。分析表明,非线性BP-ANN模型的预测性能优于线性PLSR模型,这可能是因为非线性模型能够通过自适应较好地解决土壤基体效应的影响。研究表明,LIBS技术结合多元化学计量学方法能够对土壤重金属镉进行准确检测,这为分析检测类似重金属元素提供思路,也为开发大田土壤营养元素和重金属检测仪器提供理论基础和技术支撑。      

采用表面增强拉曼光谱技术快速检测脐橙果皮中抑霉唑残留

由于采后处理过程中脐橙保鲜剂抑霉唑易通过果皮渗进果肉中残留，不慎食用后会对人体产生危害。因此，本研究探索一种基于表面增强拉曼光谱技术（Surface-Enhanced Raman Spectroscopy，SERS）的脐橙果皮中抑霉唑残留的快速检测方法。首先对SERS检测条件进行优化，分别确定了最优的检测条件为反应时间2 min，金胶加入量400 μL，NaBr作为电解质溶液且加入量为25 μL。基于以上最优检测条件，以自适应迭代惩罚最小二乘法（Adaptive Iterative Reweighted Penalized Least Squares，air PLS）、air PLS+归一化、air PLS+基线校正、air PLS+一阶导数、air PLS+标准正态变量（Standard Normal Distribution，SNV）和air PLS+多元散射校正（Multiplicative Scatter Correction，MSC）处理后的6组光谱数据为研究对象，分别采用这6种光谱预处理法建立支持向量回归（Support Vector Regression，SVR）模型并对预测性能进行比较后发现，air PLS方法所建立模型的预测集相关系数（Coefficient of the Determinant for the Prediction Set，R_P）最大，预测集均方根误差（Root-Mean-Square Error of Prediction，RMSEP）最小。对光谱数据进行主成分分析（Principal Component Analysis，PCA）特征提取，选择前7个主成分得分作为SVR预测模型的输入值。采用SVR、多元线性回归（Multiple Linear Regression，MLR）和偏最小二乘回归（Partial Least Squares Regression，PLSR）三种建模方法分析比较其对应的预测性能，其中SVR模型的预测集R_P可高达0.9156，预测集RMSEP为4.8407 mg/kg，相对标准偏差（Relative Standard Deviation，RPD）为2.3103，表明基于SVR算法对脐橙表面抑霉唑残留的预测值越接近实测值，越能有效提高模型预测准确性。试验结果表明，利用SERS结合PCA及SVR建模，可实现对脐橙果皮中抑霉唑残留的快速检测。     

不同品种猪肉pH值高光谱检测的模型传递修正算法

针对猪肉pH值高光谱检测模型受品种差异影响存在适用性差的问题,比较了不同算法,提出了一种基于光谱值校正的模型传递算法,以用于品种之间的模型传递。以山黑猪为主品种建立PLS模型,用该模型直接预测零号土猪样本时,预测相关系数仅为0.415,预测均方根误差为0.180 4,预测精度较差。分别用斜率/截距(S/B)算法、模型更新算法以及光谱值校正传递算法对山黑猪模型进行修正或传递并进行了比较。采用S/B法时,山黑猪模型对零号土猪的预测相关系数仍为0.415,预测均方根误差由0.180 4降至0.134 3,下降了25.54%。采用模型更新算法时,把14个零号土猪样本添加到山黑猪校正集,修正后的山黑猪模型对零号土猪样本的预测性能较优,Rp由0.415提高至0.797,提高92.05%,预测均方根误差由0.1804降低为0.1121,下降了37.86%。采用光谱-理化值共生距离法结合DS算法的光谱值校正传递算法时,山黑猪模型对零号土猪样本的预测相关系数由0.415提高至0.837,提高了101.69%,预测均方根误差由0.1804降低至0.0856,下降了52.55%。结果表明,光谱值校正的传递算法能够有效消除品种之间光谱差异,提高了山黑猪模型的适用性,且传递修正效果优于S/B算法和模型更新算法。     

基于SVR算法的苹果叶片叶绿素含量高光谱反演

为实现苹果叶片叶绿素含量的高光谱反演,分析了多种光谱参数与实测SPAD值的相关性,并将归一化光谱参数值及SPAD值进行多项式回归及支持向量回归。其中以归一化植被指数为变量的SVR(Support vector regression)反演模型在建模及模型检验中决定系数分别为0.741 0、0.891 4,均方根误差分别为0.133 2、0.125 6,具有较高的精度及良好的预测能力。与多项式回归相比,SVR具有更好的反演效果,可以作为叶绿素高光谱反演的优选算法。     

小麦秸秆中K和Na元素LIBS同步定量分析研究

快速分析小麦秸秆中K和Na元素含量对提高其燃烧效率具有重要的现实意义。选用华北地区29个小麦秸秆代表性样本作为研究对象,以电感耦合等离子体质谱法(ICP-MS)量测结果作为标准值,探讨激光诱导击穿光谱(LIBS)技术对小麦秸秆中K和Na元素含量进行定量预测分析的可行性。为提高模型定量分析精度,首先分别选取K和Na分析线附近波段光谱作为定标模型原始光谱数据,对比基线校正(BC)、归一化(Norm)与中心化(MC)相互组合算法对LIBS光谱降噪效果影响,分析比较线性建模方法:偏最小二乘回归(PLSR)和非线性建模方法:增强型反向传播人工神经网络(BP-ADaboost)对预处理后光谱数据的适用性。研究结果发现,与PLSR模型相比较,小麦秸秆中K和Na的BP-ADaboost最优模型效果均较好,其预测决定系数R2p分别为0. 908和0. 979,预测均方根误差分别为2. 388 g/kg和0. 138 g/kg,相对分析误差分别为2. 358和4. 203。结果表明,LIBS技术能用于小麦秸秆中K和Na的同步快速定量分析。     

北京典型耕作土壤养分的近红外光谱分析研究

以北京郊区试验田采集的72个土壤样品为实验材料,应用傅里叶变换近红外光谱技术,分析了土样的全氮、全钾、有机质和pH值养分含量。采用偏最小二乘法(PLS)对光谱数据与土壤养分实测值进行回归分析,建立预测模型,以模型决定系数(R2)、校正标准差(RMSECV)、预测标准差(RMSEP)和相对分析误差(RPD)作为模型精度的评价指标。分析结果:土壤的全氮模型R2为95.44%,RMSECV为0.014 1,RMSEP为0.016 8,RPD为4.68;有机质模型R2为89.63%,RMSECV为0.37,RMSEP为0.47,RPD为3.11;全钾模型R2为85.62%,RM-SECV为0.173,RMSEP为0.204,RPD为2.64;pH值模型R2为87.33%,RMSECV为0.031,RMSEP为0.053,RPD为2.81。     

基于可见-近红外光谱的鲜食葡萄成熟品质关键指标检测

酚类物质是评价葡萄成熟品质的重要指标,本文利用可见-近红外光谱技术结合化学计量学定量分析方法对葡萄皮总酚、籽总酚、皮单宁和籽单宁含量开展了无损检测研究。通过手持式可见-近红外光谱仪采集巨玫瑰葡萄波长400～1 029 nm范围内的漫反射光谱,采用SPXY算法将其划分为校正集和预测集,结合标准正态变换(Standard normal variate, SNV)、多元散射校正(Multiplicative scatter correction, MSC)、一阶导数(First derivative, 1D)、二阶导数(Second derivative, 2D)、Savitzky-Golay卷积平滑(Savitzky-Golay smoothing,SG)和Savitzky-Golay卷积平滑+一阶导数(SG+1D)6种预处理方法以及偏最小二乘回归(Partial least squares regression, PLSR)、支持向量机回归(Support vector machine regression, SVR)和卷积神经网络(Convolutional neural networ...     

基于近红外光谱的土壤氮含量模型及生物炭对土壤光谱的影响

采集添加生物炭的土壤（标记为ABS）和不添加生物炭的土壤（标记为CS）,获取其近红外光谱,通过预处理算法和偏最小二乘法（partial least squares,PLS）建立两种土壤氮含量预测模型。试验结果显示,CS和ABS分别经过Baseline和Smoothing预处理的预测模型效果最好,定向系数（determination coefficient,R2）分别为0.913和0.753,预测均方根误差（root mean square error of prediction,RMSEP）分别为0.093和0.753,利用近红外光谱可对两种土壤氮含量建模预测。研究了生物炭对土壤光谱及建模的影响,结果表明,添加生物炭会改变土壤成分含量,使近红外光谱和建模不同于普通土壤,而联合建模可减小差异的影响,取得较好的预测效果,联合建模结果显示,经过Smoothing预处理的预测效果最好,R2为0.907,RMSEP为0.086。      

鲜枣可溶性固形物可见/近红外光谱检测建模方法比较

对采摘于一枣园的180个壶瓶枣样本,随机分成150个样本校正集和30个样本预测集。用FieldSpec3光谱仪采集光谱,并进行多元散射校正(MSC)预处理,之后分别利用连续投影算法(SPA)和逐步回归法(SRA)提取特征波长,并结合光谱理论分析确定,再分别基于偏最小二乘法(PLS)和最小二乘-支持向量机(LS-SVM)建立壶瓶枣可溶性固形物含量预测的简化模型和全波段模型。结果表明,全波段PLS模型预测的相关系数和预测均方根误差分别为0.887 4和1.088 9,预测效果最好;建立的MSC-SPA-PLS模型预测的相关系数和均方根误差分别为0.799 0和1.407 8,建立的MSC-SRA-PLS模型预测的相关系数和均方根误差分别为0.822 4和1.3851,与全波段的MSC-PLS相比,精度均降低;建立的MSC-SPA-LS-SVM模型预测的相关系数和均方根误差分别为0.796 3和1.145 8,与全波段的MSC-LS-SVM相比,精度提高;建立的MSC-SRA-LS-SVM模型预测精度很低,不适用。     

不同预处理可见-近红外光谱对农作物秸秆热值预测的影响

热值是反映农作物剩余物作为燃料利用潜力的重要参数。运用氧弹方法测试热值费时费力。基于可见-近红外光谱分析技术,分别对采用了不同预处理方法处理的光谱建立了5种农作物秸秆的偏最小二乘法（PLR）和主成分回归方法（PCR）热值模型,分析了预测模型的准确性与稳定性。结果显示,10点平滑的PLR模型效果最好,预测相关系数R2和预测标准差RMSEP分别为0.853 7和0.443 4。过多的平滑点处理产生了过平滑现象,导致模型性能变坏,采用了微分处理和多元散射校正（MSC）处理的光谱预测模型性能未见明显提高。研究结果可为热值快速测试设备的研发提供基础数据和数学模型优化支持。