猪肉肌内脂肪含量的可见/近红外光谱在线检测

研究基于可见/近红外光谱分析技术的新鲜猪肉肌内脂肪含量在线检测。实验样本为208份背最长肌，实验时样品以0.25m/s的速度运动，采集可见/近红外漫反射光谱，进行小波消噪处理后，结合不同的光谱预处理方法建立肌内脂肪含量的偏最小二乘回归模型。研究发现采用db6小波在6层分解后以极大极小原理选择阈值进行消噪效果较好；消噪的光谱直接建立的PLSR模型预测性能较差，经过多元散射校正、变量标准化及微分等预处理均能提高模型的预测性能；变量标准化结合一阶微分预处理后建立的模型性能最佳，校正集相关系数为0.892、验证集相关系数为0.834、校正集均方根误差为0.090、预测集均方根误差为0.080。结果表明可见/近红外光谱可用于肌内脂肪含量的在线检测，但模型相对分析误差最高为1.738，模型的精度和稳定性仍需进一步提高。     

基于高光谱技术的牛肉含水率无损检测

牛肉含水率的高低不仅直接影响牛肉品质,而且会对消费者造成经济损失。为此,通过实验探究了采用高光谱图像技术对牛肉含水率进行检测的可行性,为检测牛肉品质提供依据。采用82个牛肉后腿样本作为实验材料,按5×4×1cm的规格通过国际烘干法测量其真实含水量,并采集它们的光谱图像;获取样本的光谱信息后,通过ENVI及Mat Lab软件获取感兴趣区域。同时,利用不同的预处理方法,分别建立BP神经网络和偏最小二乘校正模型,通过比对两种模型结果,偏最小二乘校正模型能够更有效预测牛肉含水率,校正集相关系数为0.91,校正标准差为0.121,预测集的相关系数为0.89,预测标准差为0.118。研究结果证实,利用高光谱图像技术可以快速无损检测牛肉含水率。     

基于纳米金粒子比色法的汞离子检测方法

提出了一种基于纳米金粒子比色法的汞离子检测方法，采用铋试剂-Ⅱ修饰的纳米金粒子胶体悬浮液检测汞离子。汞离子与铋试剂-Ⅱ选择性配位，使纳米金粒子胶体悬浮液反团聚，汞离子浓度与溶液吸光度呈一定的线性关系，线性范围为0.05μg/L～1mg/L，相对标准偏差为1.98%~3.52%。在实验条件下，采用Savitzky-Golay一阶导数对连续投影算法提取的特征波长进行了预处理，通过线性支持向量机回归模型进行建模与分析，该模型具有良好的自预测能力和实际预测能力。校正集的相关系数为0.9685，均方根误差为0.0412mg/L，验证集的相关系数为0.9600，均方根误差为0.0434mg/L。本文方法为提高汞离子浓度的检测效率提供了有效支持。     

翠冠梨坚实度可见/近红外光谱在线检测

采用可见/近红外光谱技术对翠冠梨的坚实度进行在线检测研究,并对不同预处理方法和不同平滑点数的影响进行研究.试验采用USB4000微型光纤光谱仪在0.5 m/s的水果运动速度下采集翠冠梨的透射光谱,并应用偏最小二乘(PLS)算法建立预测模型.试验样品为176个,119个样品作为校正集,57个样品作为预测集.研究结果表明,应用可见/近红外光谱技术检测翠冠梨的坚实度是可行的,确定580～840 nm为较合适的建模波段;光谱经一阶微分和变量标准化(SNV)处理后建立的预测模型性能最优,其相关系数R为0.820,校正标准差为2.50 N,预测标准差为3.02 N;对于S-G平滑处理,5点S-G平滑的效果最好,其相关系数R为0.848,校正标准差为2.31N,预测标准差为2.85 N.     

基于太赫兹光谱的土壤重金属铅含量检测初步研究

探索应用太赫兹时域光谱用于农田土壤重金属含量检测的机理和可行性,尝试发展一种新的检测方法和手段。研究了样品制备测量方法,确定了最佳的制备参数为：聚乙烯样品盒尺寸为35mm×3.5mm×35mm,中间空隙1.5mm;压片法样品质量220mg,2.5t压力;分别制作一定浓度梯度（30~900mg/kg）的含铅土壤样品30组,使用Z-2型太赫兹时域光谱仪采集相应的土壤样品太赫兹透射光谱数据,对光谱数据进行预处理,包括平滑处理、多元散射校正、基线校正,采用全谱-偏最小二乘法、区间-偏最小二乘法和遗传算法-偏最小二乘法建立土壤样品中重金属元素铅含量的定标模型并对预测集样本进行预测。实验结果表明,采用样品盒法制作土壤样品并且基于遗传算法进行特征波段选择、结合偏最小二乘法的建模效果最佳,含重金属铅的土壤样本模型的标定集和预测集的相关系数分别为0.86和0.81,标定均方根误差和预测均方根误差分别为23.55mg/kg和39.52mg/kg。本研究通过分析土壤样品的太赫兹透射光谱吸收系数与重金属元素铅含量的相关关系,建立了较好的预测模型。     

便携式蔬菜叶片重金属镉含量无损检测仪设计与试验

针对蔬菜叶片重金属镉检测传统方法存在的检测仪器体积大、检测成本高和具有破坏性等问题,提出一种基于可见光-近红外波段光谱蔬菜叶片重金属镉检测方法,并设计了一款无需预处理、检测速度快、体积小且便于携带的重金属镉检测仪,能够适用于移动式的现场检测。配置4个重金属镉胁迫梯度（0、1、3、5 mg/L）营养液,培育各镉胁迫的生菜样本,通过高光谱成像系统采集叶片反射光谱数据,利用主成分分析法（Principal component analysis, PCA）筛选出3个特征波长（550、680、800 nm）,采用偏最小二乘回归法（Partial least squares regression, PLSR）搭建重金属镉检测模型,该模型测试集相关系数R_p为0.914 9,测试集均方根误差为0.527 1 mg/kg。使用自制的仪器做标定试验,选择A/D采集电压做参考,用标定数据进行建模,模型训练集相关系数R_c为0.858 1,训练集均方根误差为0.497 5 mg/kg,测试集相关系数R_p为0.843 2,测试集均方根误差为0.55...     

基于高光谱成像技术的面条中马铃薯全粉含量检测

为了快速检测面条中马铃薯全粉含量，研究近红外高光谱成像技术定量检测面条中马铃薯全粉含量的可能性，自制了马铃薯全粉质量分数在0~35%内随机均匀分布的120个面条样品，在900~2500nm范围采集高光谱图像，随机选取80个样品作为校正集，分别采用原始光谱和经过6种预处理方法预处理后的光谱建立了偏最小二乘回归、主成分回归、支持向量机回归模型。结果表明经标准化预处理后用偏最小二乘回归建模效果最好，校正集决定系数（R2C）为0.8653，交叉验证集决定系数（R2CV）为0.6914。用回归系数法在经过标准化预处理后的光谱数据中提取了与全粉含量相关的特征波长，建立了马铃薯全粉含量偏最小二乘回归简化模型, 校正集决定系数（R2C）为0.8685，交叉验证集决定系数（R2CV）为0.8021，基于特征波长建立的模型效果优于全波段模型，模型效果得到了一定的提高。以剩余40个未参与校正模型建立的样品作为预测集，基于特征波长建立了标准化-偏最小二乘回归简化预测模型，预测集决定系数（R2P）为0.8546，模型具有较好的预测能力。结果表明利用近红外高光谱成像技术可检测面条中马铃薯全粉含量，可为马铃薯全粉面条的快速无损检测建立新的方法。     

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。     

基于NIRS的苹果酒特征香气生成动力学模型

在前期探明苹果酒特征香气种类的基础上,对苹果酒发酵过程中特征香气的近红外光谱检测模型进行了研究,结果表明选择波数为9747.1 ～7498.3cm-1和6102.0～5446.3cm-1两段谱区,采用一阶导数和多元散射校正处理光谱后,利用偏最小二乘法建模效果较好,其中校正集R2为0.920 5,交叉验证均方根差为4.87 mg/L;验证集预测值与实测值的R2为0.938 8,预测均方根差为3.76 mg/L,表明利用近红外光谱法建立的模型达到了良好的预测效果.研究了苹果酒发酵过程中特征香气的产生特性,基于Luedeking-Piret方程,建立了描述苹果酒特征香气生成的动力学模型(R2为0.993 0),经检验表明该模型能够很好地拟合苹果酒发酵过程特征香气的生成状况.     

基于正交变换与SPXY样本划分的冬小麦叶绿素诊断

冬小麦叶绿素含量的准确预测，可为冬小麦田间精细化管理提供依据。采集冬小麦冠层400~900nm范围反射光谱，经一阶微分预处理后，为了抑制由于连续波长自变量多重共线性对叶绿素含量诊断模型的干扰，利用Gram-Schmidt正交变换算法初步提取叶绿素敏感波长特征参数为848、620、677nm。在定量模型的建立过程中，对比了传统随机样本集划分与以空间中样本间距离远近为指导的SPXY样本集划分方法，并讨论了大田冠层反射光谱对叶绿素浓度诊断的最优精度，研究结果表明，以620nm和677nm两个敏感波长结合SPXY样本划分方法建立的多元线性回归模型预测精度较高，且叶绿素质量浓度为0.3mg/L分辨间隔时，建模决定系数和验证决定系数分别达0.730和0.739，可为无损检测冬小麦拔节期叶绿素含量提供技术支持。     

椰糠基质有效氮近红外检测仪设计与试验

为了实现椰糠基质有效氮含量的快速实时检测,基于漫反射光谱设计了椰糠基质有效氮近红外检测仪。该检测仪的硬件系统主要由前处理装置、气力输送装置、重力式沉降样品室、近红外光谱检测装置、样品回收装置和空气压缩机等组成。制备了不同有效氮含量的椰糠基质样本135个,采用研制的检测仪获取了样本原始光谱数据,并建立了椰糠基质有效氮含量的最优偏最小二乘回归预测模型,其校正集相关系数和验证集相关系数分别为0.973和0.965,校正集均方根误差和验证集均方根误差分别为14.025 mg/(100 g)和15.757 mg/(100 g),残差预测偏差为3.72。基于MFC开发工具,采用C/C++语言开发了检测仪硬件控制及实时检测分析软件界面,将建立的最优有效氮光谱预测模型移植到软件程序中,实现了椰糠基质有效氮近红外检测仪功能硬件控制及有效氮检测的一键式操作。试验验证结果表明,所研制仪器预测值与国标测量值相关系数为0.883,测试集均方根误差为18.605 mg/(100 g)。该检测仪实现了椰糠基质有效氮含量的快速实时检测,并且预测性能较好,可以满足快速评价椰糠基质养分的实际需求。     

基于嗅觉和光谱技术融合的面粉脂肪酸值定量检测

提出了一种基于比色传感器数据和近红外光谱特征融合的储藏期面粉脂肪酸值的定量检测方法。开发比色传感器阵列、搭建便携式近红外光谱测量系统,分别采集不同储藏期面粉样本的比色传感器数据和近红外光谱。利用主成分分析分别对预处理后的比色传感器数据和近红外光谱数据进行特征降维,采用五折交互验证法在反向传播神经网络(BPNN)模型校正过程中进行优化,确定基于单技术分析模型的最佳主成分(PCs)个数。将优化后的基于单技术模型的最佳PCs在特征层进行融合,建立基于融合特征的BPNN分析模型,以实现对面粉储藏过程中脂肪酸值的快速检测。实验结果显示,基于比色传感器特征和基于近红外光谱特征建立的最佳BPNN模型的最佳PCs数量分别为3和4,基于融合特征建立的BPNN模型在预测集中的相关系数和预测均方根误差的均值分别为0.9276和1.9345 mg/(100 g)。研究表明,与单技术数据分析模型相比,基于比色传感器数据和近红外光谱特征融合模型的检测精度和泛化性能都有所提高。本研究可为粮食储藏品质的高精度原位监测提供一种技术方法。     

基于CARS算法的脐橙可溶性固形物近红外在线检测

采用可见/近红外光谱在线检测装置进行赣南脐橙可溶性固形物含量在线检测模型优化研究。样品以5个/s的速度运动,采集可见/近红外漫透射光谱。光谱经过预处理后,分别应用向后区间偏最小二乘法（BiPLS）、遗传算法（GA）和正自适应加权算法（CARS）筛选特征变量,并通过外部验证评价PLS模型预测能力。一阶微分处理后经CARS筛选特征变量建立的PLS模型预测结果最优,预测相关系数和预测均方根误差分别为0.94和0.42%。结果表明CARS算法可有效简化赣南脐橙可溶性固形物可见/近红外光谱在线检测模型并提高模型的预测精度。     

基于随机配置网络的海水养殖氨氮浓度软测量模型

氨氮浓度是水产养殖过程的重要监控指标,水中氨氮浓度过高,会产生较强的神经毒素,导致水生物大面积死亡,因此,需实时准确监测水产养殖过程中水的氨氮浓度。然而,由于影响海水水质因素较多,各因素之间关系复杂、相互影响,目前未能实现海水氨氮浓度的实时监测。通过分析海水养殖水体中氨氮的生成和硝化过程,选取水体中与氨氮浓度相关且易测的水质参数(温度、电导率、p H值、溶解氧质量浓度)为辅助变量,采用收敛速度快且泛化能力较强的随机配置网络建立了氨氮浓度软测量模型。为验证方法的有效性,设计了实验室海水养殖循环水系统,通过试验系统的实测数据,将该方法与其他几种神经网络建模方法进行了比较。结果表明,氨氮浓度随机配置网络模型具有更高的精度和更快的运行速度。基于模型设计了水产养殖水质监控系统,并将此方法嵌入上位机Win CC软件,实现了氨氮浓度的在线监测。     

基于特征光谱提取的有机基质全氮含量快速检测方法

以醋糟有机基质为研究对象,采用便携式可见/近红外光谱仪获得基质样品的光谱信息,经过归一化和一阶微分预处理后,采用逐步回归法提取对有机基质全氮反应敏感的特征光谱,建立基于特征波长组合的线性回归模型.其中,以1 699、746、1 864和2 154 nm为特征波长的四元回归模型为最佳,其预测相关系数和预测均方根误差分别为0.933 4和1.04.结果表明,利用可见/近红外光谱技术,通过特征光谱的提取并建立相应的回归模型,可以实现对有机基质全氮含量的快速准确检测.     

基于近红外光谱和机器学习的大豆种皮裂纹识别研究

针对目前大豆种皮裂纹检测主要依靠人工、检测效率低、误差大的问题,提出一种基于近红外光谱技术和机器学习的大豆种皮裂纹自动识别方法。采用FT-NIR光谱仪采集150粒大豆样品（裂纹大豆75粒,正常大豆75粒）的近红外光谱,采用原始光谱、标准正态变量变换(Standard normal variate, SNV)、多元散射校正（Multiple scatter correction, MSC）、一阶导数结合SG平滑、二阶导数结合SG平滑等5种方法对获得的光谱进行预处理,分别采用偏最小二乘判别分析法（Partial least squares discriminant analysis, PLS-DA）、k-近邻法（k-nearest neighbor, KNN）、支持向量机法（Support vector machine, SVM）、随机森林法（Random forest,RF）、随机梯度提升法（Stochastic gradient boosting, SGB）、极端梯度提升法（Extreme gradient boosting,XGBoost）等6种机器学习方法建立了大豆种皮裂纹识别模型,研究了不同光谱预处理方法对6种机器学习方法分类效果的影响,对比分析了不同建模方法的分类效果。结果表明,光谱预处理方法对不同机器学习方法的分类效果差别较大。在合适的光谱预处理条件下,6种不同的机器学习算法的验证集准确率均不低于80.00%。PLS-DA的分类效果最好,验证集最优准确率达到90.00%;XGBoost的分类效果次之,验证集最优准确率达到86.67%,接下来依次是SVM、KNN、SGB和RF。利用近红外光谱技术和机器学习方法识别大豆种皮裂纹是可行的,在原始光谱条件下,PLS-DA是大豆种皮裂纹识别的最佳方法。     

基于纸质微流控芯片的农药检测系统

针对当前农药检测手段仪器复杂、成本昂贵等问题,提出了一种基于纸质微流控农药检测方法。设计了具有自动进样、混合反应、电化学检测等功能的纸质微流控芯片,采用石墨碳、Ag/AgCl材料以及结合化学交联法制备了环状结构的丝网印刷酶电极,并利用循环伏安法对制备的酶电极进行了电化学表征,构建了一套基于酶抑制法的集成酶电极纸质微流控农药检测系统。最后建立了酶抑制率与对硫磷浓度的数学模型,并测试了酶电极的性能。实验结果表明,酶电极具有良好的制备重复性、稳定性和线性度。抑制率与对硫磷浓度的负对数在1.0×10~(-7)~1.0×10~(-5)g/mL范围内呈良好的线性关系,线性回归方程为:I=158.82+21.11lg C,R~2为0.993,最低检出限为3.3×10~(-8)g/mL。所制备的酶电极微流控传感器抗干扰性较强,对对硫磷农药具有一定的选择性。加标回收率范围在95.8%~115.0%之间。     

基于无参数高效算法的近红外光谱模型传递研究

模型传递可解决不同近红外光谱仪间多元校正模型无法共享的问题。以食用油为研究对象,对其酸值和过氧化值模型进行传递分析。在主机上建立偏最小二乘多元校正模型,利用无参数高效模型传递(PFCE)算法中NS-PFCE无标样算法和FS-PFCE有标样算法分别实现模型传递,探讨了标准化样品数量对模型传递效果的影响。并与经典的3种有标样传递算法和2种无标样传递算法进行对比。结果表明,经NS-PFCE无标样传递后,从机酸值与过氧化值预测集均方根误差分别从0.613 mg/g和16.153 mmol/kg下降到0.275 mg/g和9.523 mmol/kg;而经FS-PFCE有标样传递后,从机酸值与过氧化值预测集均方根误差分别下降到0.274 mg/g和8.945 mmol/kg。且随着标准化样品数量的增加,经PFCE算法传递后预测集均方根误差越低。无参数高效模型传递算法联合应用单一的无标样算法和有标样算法两种传递方式,增强了传递模型的适应性和包容性,同时有效地降低主机光谱与从机光谱之间的差异,实现了不同光谱仪间校正模型的共享。