基于人工神经网络的狼尾草属牧草品质近红外光谱预测研究

本研究利用近红外光谱通过人工神经网络(Artificial neural network, ANN)建立狼尾草属(Pennisetum Rich)牧草水分、粗蛋白、木质素、酸性/中性洗涤纤维及灰分含量的预测模型。结果表明：基于人工神经网络的狼尾草属牧草品质预测模型总体优于全光谱偏最小二乘法(PLS)模型效果。在人工神经网络的方向传播(BP)网络模型中,6项表征牧草品质指标的校正均方根误差(RMSEC)、预测均方根误差(RMSEP)均显著低于PLS模型,同时校正集决定系数(R■)、预测集决定系数(R■)显著提高,除灰分含量预测不理想外,其他预测效果均理想。同时人工神经网络的BP网络对于近红外光谱的非线性数据具有良好的拟合能力,其预测模型对于指导狼尾草属牧草品质预测和分级管理研究具有广阔的应用前景。     

应用手持式近红外光谱仪检测桑椹可溶性固形物含量的偏最小二乘回归模型建立

可溶性固形物含量(SSC)是评价桑椹鲜果品质的重要指标,利用近红外光谱分析技术建立快速、实时无损地检测桑椹鲜果中可溶性固形物的方法。首先用手持式Micro NIR1700型近红外光谱仪采集桑椹的近红外光谱,对光谱进行预处理后,应用偏最小二乘回归(PLS)法建立桑椹鲜果SSC预测模型,并用随机蛙(Random-frog)和自适应重加权采样(CARS)2种方法筛选出最优波长变量,提高PLS模型预测精度。经过1阶求导(1stDer)、标准正态变量变换(SNV)和均值中心化(MNCN)相结合预处理后的全波长光谱PLS模型的预测效果最好,校正集与验证集的相关系数平方(R2)分别为0.916 1和0.925 0,均方根误差分别为0.985 8°Brix和0.654 3°Brix。相较于Random-frog法,用CARS方法优选出19个波长变量,所建PLS模型的预测效果更好,校正集与验证集的R2分别为0.933 2和0.943 4,均方根误差分别为0.782 0°Brix和0.582 8°Brix。研究结果表明,利用手持式Micro NIR 1700型近红外光谱仪结合化学计量学方法,能够用于现场对桑椹鲜果SCC的快速无损检测。     

利用近红外光谱快速检测大青山山羊肉脂肪与蛋白质含量

本试验旨在研究利用近红外光谱分析技术快速检测羊肉中蛋白质与脂肪含量。选择18、30、42月龄3个年龄组的大青山山羊各20只,采集背最长肌(B)、臂三头肌(Q)、股二头肌(H)3个部位的肌肉样本,共180块,测量蛋白质与总脂肪含量并收集样本的近红外光谱。利用偏最小二乘法关联含量与光谱数据,分别建立大青山山羊肉中蛋白质与总脂肪含量定量预测模型。结果显示:蛋白质含量预测模型的均方根误差(RMSEC)值为0.668,交叉验证均方根误差(RMSECV)值为0.697;总脂肪预测模型的RMSEC值为0.503,RMSECV值为0.580;选择未参与建模的不同年龄、不同部位的样本共27个作为验证集对模型进行验证,得到蛋白质含量预测模型RPD值为3.71,总脂肪含量预测模型RPD值为3.23。本研究所建模型精确度符合检测要求,能够很好地实现蛋白质和总脂肪含量的快速测定,为羊肉品质分析测定提供了一种快速简便的检测方法。     

基于近红外光谱技术评估高粱中粗蛋白质、水分含量的研究

本研究旨在探讨利用近红外光谱技术评估高粱中粗蛋白质、水分含量的可行性。以收集的110份高粱样品作为研究对象,采用GB/T 6432—1994、GB/T 6435—2014中方法分别对粗蛋白质、水分含量进行测定,利用傅里叶变换近红外光谱仪采集样品的近红外漫反射光谱,光谱扫描范围4 000～12 800 cm~(-1),分辨率16 cm~(-1),样品重复装样扫描4次,每次扫描64次获得平均光谱,取4次扫描光谱作为样本的原始光谱。分别选取矢量归一化、最小-最大归一化、一阶导数、二阶导数、多元散射校正、一阶导数+减去一条直线、一阶导数+矢量归一化、一阶导数+多元散射校正探索适用于高粱中粗蛋白质、水分含量的光谱预处理方法。利用定标集样品光谱数据,采用偏最小二乘方法结合全交互验证手段来防止过拟合现象,建立定标模型。在此基础上,利用定标决定系数、定标均分根误差、定标相对分析误差、交互验证决定系数、交互验证均方根误差、交互验证相对分析误差确定最优模型。结果显示:粗蛋白质含量扫描光谱采用一阶导数+多元散射校正光谱预处理,光谱范围为9 401.9～5 443.6 cm~(-1)与4 603.0～4 243.9 cm~(-1)。水分含量扫描光谱采用一阶导数+减去一条直线,光谱范围为7 500. 3～6 096. 5 cm~(-1)与5 451. 8～4 243.9 cm~(-1)。高粱中粗蛋白质、水分含量的近红外光谱预测模型定标相对分析误差分别为8.41、12.20;交互验证相对分析误差分别为4.97、7.97;外部验证相对分析误差分别为3.32、5.36。由结果可知,本研究建立的高粱中粗蛋白质和水分含量的近红外光谱预测模型的相对分析误差均大于评估值,具有精确地评估高粱中粗蛋白质和水分含量的应用效果。     

基于近红外反射光谱快速检测豆粕中掺假菜籽粕的研究

试验旨在研究豆粕中掺假菜籽粕的近红外反射（NIR）光谱定量分析方法。在豆粕中掺入0、5%、10%、15%、20%、25%、30%菜籽粕，每个掺杂水平30份重复样品（建模集样本20个，验证集样本10个）。采用傅里叶变换近红外光谱仪获取样品NIR光谱，使用化学计量学软件拟合建模集样品掺假比例的NIR光谱预测模型，验证集样本评价预测模型的准确度。结果表明，豆粕中菜籽粕掺假比例的NIR光谱预测模型的决定系数R2为0.983，交叉验证均方根误差（RMSECV）为1.30。菜籽粕掺假比例为5%、10%、15%、20%、25%、30%的NIR光谱预测值的相对误差分别为8.93%、12.20%、2.21%、1.17%、1.72%、1.69%。研究表明，使用NIR光谱可以对豆粕中菜籽粕的掺假量实现准确定量测定。     

利用近红外反射光谱检测豆粕中掺假棉籽粕的研究

本实验研究了通过近红外反射（NIR）光谱对豆粕中掺假棉籽粕的定量分析方法。在豆粕中分别掺入0%、5%、10%、15%、20%、25%、30%（m/m）棉籽粕，每个处理包含建模集样品20个、验证集样品10个，使用傅立叶变换近红外光谱仪获取掺假样本的NIR光谱，采用OPUS化学计量学软件拟合建模集样品棉籽粕掺假率的NIR光谱预测模型，再用验证集样本对预测模型进行验证，评价预测模型的相对误差。结果表明，豆粕中棉籽粕掺假率的NIR光谱预测模型的决定系数（R2）为0.975、交叉验证均方根误差（RMSECV）为1.58、斜率为0.974，棉籽粕掺假比例为5%、10%、15%、20%、25%、30%的NIR光谱预测值的相对误差分别为15.0%、0.50%、1.87%、1.45%、1.28%、0.87%。因此，利用NIR光谱可以准确定量测定豆粕中棉籽粕的掺假比例。 [关键词] 豆粕|棉籽粕|掺假|近红外反射光谱|预测模型     

基于可见—近红外光谱的蚕茧含水率无损检测研究

以蚕茧含水率为研究对象,研究了基于可见—近红外光谱技术的蚕茧含水率无损检测方法.采用最小二乘支持向量机（least square-support vector machine,LS-SVM）建立可见—近红外光谱模型,采用连续投影算法（suc-cessive projections algorithm,SPA）选取光谱有效波长.结果表明,基于SPA方法进行变量选择,最终将原始光谱的601个光谱变量减少到了11个（487,501,616,718,771,782,789,826,966,977和991nm）.基于此11个变量建立的LS-SVM模型得到了预测集的确定系数（RP2）为0.8517,误差均方根（RMSEP）为0.0504的预测结果.表明可见—近红外光谱可以用于对蚕茧的含水率进行无损检测,同时SPA是一种有效的光谱变量选择方法.     

近红外光谱技术测定苜蓿蛋白质含量的研究

采用近红外光谱分析技术，结合改进最小二乘回归法（MPLS），以63个不同来源的苜蓿饲料为样品，建立苜蓿蛋白质含量分析预测模型。结果显示：预测模型的内部交叉验证标准误差（SECV）为0.433 5，交叉验证相关系数（1-VR）为0.920 1，外部验证的预测标准误差（SEP）为0.264 0，表明近红外光谱分析技术可以准确检测苜蓿中蛋白质的含量。     

建立近红外特征波长模型快速测定羊草常规营养成分的研究

本研究采用近红外光谱法快速测定羊草（Leymus chinensis）中的常规营养成分,利用无信息变量消除法（unknown variable elimination,UVE）、随机蛙算法（random frog algorithm,RF）结合偏最小二乘法（partial least squares,PLS）建立了羊草品质测定模型,有效降低了冗余无信息变量,提高了模型的测量精度和稳定性。研究发现利用UVE-PLS筛选建立的羊草品质测定模型优于全光谱PLS和RF-PLS筛选建立的模型;UVE-PLS模型显著降低了交叉验证均方根误差和预测均方根误差,提高了校正集决定系数、交叉验证决定系数及预测集决定系数。研究表明UVE-PLS模型在测定羊草中的水分、粗蛋白、酸性洗涤纤维和中性洗涤纤维是可行的,校正集决定系数和预测集决定系数95%~98%。     

样品集的数据分布特征对建立玉米粗蛋白近红外预测模型的影响

本实验旨在研究当建模样品集的数据分布分别呈正态分布与均匀分布时对构建玉米粗蛋白的傅立叶近红外预测模型的影响,探讨建立近红外光谱预测模型的快速方法。本试验组建3个不同定标集,且其粗蛋白含量的数据分布分别呈现均匀分布(10.00,0.85)、正态分布1(10.02,0.692)、正态分布2(10.01,0.692)特征,建立粗蛋白的近红外预测模型。结果表明:均匀分布、正态分布1和正态分布2所对应的模型的R2分别为0.9879、0.9858、0.9862,RMSECV分别为0.1055、0.1079、0.1069,RSD%分别为1.06、1.08、1.07;均匀分布模型在预测各个范围的粗蛋白时其误差均在0.04以内,而正态分布1模型的误差依次为0.09、0.06、0.02、0.01、0.07、0.10。结果显示,在相同定标样品数下,定标集呈均匀分布时所建预测模型的预测误差变异小,并且在预测含量偏离平均数较大的样品时效果好于正态分布,而正态分布则是在预测含量在接近平均数的样品时有优势;同时在减少一定数量的定标样品后,使用均匀分布的定标集仍然可以保持所建预测模型的准确性。     

PAM和草类根系对荒坡紫色土物理性质与抗剪性能的影响

为探讨PAM(聚丙烯酰胺)和草类根系对荒坡紫色土物理性质与抗剪性能的影响,选取荒坡紫色土为研究对象,制备了单施PAM、单植草类和“草类+PAM”等试验处理,采用WinRHIZO(Pro.2004c)根系分析系统和ZJ型应变控制式直剪仪分别测定根系指标和土壤/根-土复合体抗剪强度,结合土壤基本物理性质指标,分析了各处理中PAM、草类根系、土壤物理性质及抗剪性能间的关系。结果表明:1)上述处理均能够显著提高土壤通气持水能力,其中“草类+PAM”对土壤孔隙度和含水率的改善效果最好,其次是单植草类;2)各处理的大粒级范围(1~0.25 mm、0.25~0.05 mm)微团聚体含量增加,小粒级范围(<0.01 mm)的则减少;3)较之CK,单植草类和“草类+PAM”可使土壤内摩擦角φ平均值分别提高37.12%和36.59%,黏聚力c平均值分别提高69.47%和83.64%,且根表面积密度(RSAD)和0.7 mm相似文献   

放牧对新疆天山山地草甸土壤团聚体和土壤呼吸潜力的影响

放牧是新疆山地草甸重要的利用方式,探明放牧对草地土壤呼吸的影响机制,可为深入了解草地碳汇功能,合理的利用草地提供参考依据。本研究在天山北坡中段山地草甸开展,以长期放牧和围封草地(CK)的土壤为研究对象,采用干筛法将土壤筛分为＜0.25 mm,0.25~1 mm,1~2 mm,2~4 mm粒径的土壤团聚体,并测定了各粒径团聚体的比例、土壤β-葡萄糖苷酶、土壤β-木糖苷酶、土壤N-乙酰-β-D葡萄糖苷酶活性及其21天的CO₂释放量。研究结果表明：放牧显著增加了＜0.25 mm粒径的团聚体比例,降低了＜0.25 mm,1~2 mm土壤团聚体的CO₂释放量;＜0.25 mm粒径土壤团聚体CO₂释放量均显著高于其他粒径;三种土壤酶活性在＜0.25 mm,1~2 mm粒径的土壤团聚体中与土壤呼吸表现出显著的正相关。综合分析表明,在天山北坡中段山地草甸,放牧会抑制＜0.25 mm,1~2 mm团聚体酶活性,降低土壤呼吸,使得草地整体代谢速率降低。     

黄土高原不同草地类型对水稳性团聚体粒径分布及稳定性的影响

本研究在甘肃兰州选择了4种不同类型的人工草地与天然草地为研究对象,分别为苜蓿草地、冰草草地、柠条灌木草地及针茅草地,其中针茅草地为天然草地。分析了4种草地类型0~40 cm土层的土壤水稳性团聚体粒径分布特征、平均重量直径(mean weight diameter, MWD)以及它们之间的差异性和相关性。结果表明,>2 mm和<0.25 mm粒径的水稳性团聚体为优势粒径;在土壤表层0~20 cm,针茅草地>0.25 mm粒径的水稳性团聚体显著高于其他草地类型(P<0.05),而在20~40 cm土层,苜蓿草地最高,说明在表层针茅草地对土壤结构的改良最优,随土层加深苜蓿草地对土壤结构的改良效果突出;苜蓿草地MWD值由表层0~10 cm的1.04 mm降低到30~40 cm的0.72 mm,下降了31%,而其他草地类型下降了50%~80%,说明苜蓿草地对不同层次土壤结构改良效果的差异性最小。MWD值与>0.25 mm粒径的水稳性团聚体含量和有机质呈极显著的正相关关系,与土壤容重呈极显著的负相关关系,表明水稳性大团聚体和有机质含量的增加可有效促进土壤结构的改良,加强土壤结构的稳定性,提高土壤的抗侵蚀能力。     

饲料添加剂L-赖氨酸硫酸盐中L-赖氨酸含量近红外速测方法研究

为了探讨利用近红外漫反射光谱技术(NIDRS)快速定量分析饲料添加剂L-赖氨酸硫酸盐中L-赖氨酸含量的可行性,本试验在全国范围内收集了具有代表性的L-赖氨酸硫酸盐添加剂76个,采用国家标准方法对样品中的L-赖氨酸含量进行化学赋值;用光栅型近红外光谱仪扫描L-赖氨酸硫酸盐样品,获取了不同物理状态下样品的近红外光谱图。依据L-赖氨酸含量将样品分为定标集和验证集,运用适当的光谱预处理方法,采用竞争性自适应重加权(CARS)算法结合偏最小二乘法(PLS)建立了L-赖氨酸硫酸盐的近红外定标分析模型,并将该模型与全波长模型进行了比较。结果表明:用烘干、60目粉碎后的样品结合CARS算法建立的定标模型最优,定标集校正决定系数(R2C)为0.954,校正集标准偏差(SEC)为0.510,交互验证标准偏差(SECV)为0.659;验证集预测决定系数(R2P)为0.952,预测标准偏差(SEP)为0.554,相对分析误差(RPD)值为3.83。由此可见,NIDRS定量分析L-赖氨酸硫酸盐具有一定可行性,对于丰富我国氨基酸盐及其他氨基酸制品的快速检测方法具有实际的应用意义。     

基于高光谱数据的高寒草地土壤有机碳预测模型研究

土壤退化是草地退化的更深层次指示,运用遥感手段大面积测定土壤有机碳进而评估草地土壤状况有助于对草地退化状态的正确认识。以甘南州高寒草地土壤为研究对象,使用ASD地物光谱仪,在室内条件下对土壤样品进行可见光/近红外光谱测量,分析8种光谱变换形式与土壤有机碳含量的相关性并选取特征波段,利用3种多元回归方法(逐步多元线性回归、主成分回归、偏最小二乘回归),通过验证样本的决定系数(R_v²)、均方根误差(RMSE)和剩余估计偏差(RPD)来评价模型,进而确定高寒草地土壤有机碳的最佳估测模型。结果表明,微分变换方法可以显著提高光谱特征与土壤有机碳含量的相关性,在所有变换形式中以光谱反射率的一阶微分与土壤有机碳含量相关性最好,最大相关系数绝对值为0.865;基于光谱反射率一阶微分变换形式的3种多元回归方法对土壤有机碳均有极好的预测能力,表明对于土壤有机碳的稳定监测来说光谱反射率的一阶微分是非常有效的变换形式;综合考虑基于所有光谱变换形式的3种多元回归方法的预测结果,偏最小二乘回归法具有高的R_v²和RPD,同时具有低的RMSE值,是研究区土壤有机碳估测的最优回归方法;基于光谱反射率对数的一阶微分变换形式所建立的偏最小二乘回归模型具有相对较高的预测集决定系数(R_v²=0.878)、最大剩余估计偏差(RPD=2.946)和最小均方根误差(RMSE=7.520),因此该模型为甘南高寒草地土壤有机碳的最优估测模型,最优模型的RPD大于2.5说明该模型有足够的稳定性可以应用于其他地区土壤有机碳的估测。     

利用近红外光谱技术快速分析全株玉米青贮营养成分

研究旨在利用近红外光谱技术(near infrared reflectance spectroscopy,NIRS)建立全株玉米青贮6种营养成分的近红外预测模型,为生产实践中合理利用全株玉米青贮饲料资源提供理论依据。选取玉米青贮样品64份作为定标集,16份作为验证集。利用NIRS结合改良偏最小二乘法(modified partial least squares,MPLS)构建并且验证其建立预测模型的优劣。结果表明:构建的玉米青贮干物质(DM)、粗蛋白(CP)、酸性洗涤纤维(ADF)和粗灰分(Ash)预测模型的交叉验证相关系数(1-VR)分别为0.83、0.80、0.93和0.78,都在0.80左右,可以用于实际预测。粗脂肪(EE)和中性洗涤纤维(NDF)含量预测模型1-VR为0.64和0.40,低于0.80,构建的模型相关性较差,模型还需要进一步优化。     

Analysis of bovine udder, plate and viscera using near infrared reflectance spectroscopy

The objective of this study was to evaluate near infrared reflectance spectroscopy (NIRS) as an accurate and inexpensive alternative to conventional chemical analyses of nonconsumer bovine tissue. Udder, plate and visceral samples were collected from mature, Charolais-Angus and Hereford-Angus crossbred beef cows at slaughter, ground and analyzed for concentrations of lipid, protein and dry matter using standard AOAC chemical procedures. Samples were analyzed using NIRS. The collection of samples was randomly split into separate calibration and validation sets. Nine calibration equations representing each constituent and tissue combination were developed, using first- or second-order derivative mathematical transformations, and those calibration equations were validated. Correlation coefficients of calibration (R) and validation (r) ranged from .95 to .98 and from .87 to .97, respectively, for all analyses except plate dry matter (r = .77). Standard errors of calibration and prediction ranged from 1.89 to 5.81%. Results from this study are interpreted to indicate that bovine udder, plate and visceral tissue composition can be accurately, quickly and efficiently predicted using NIRS technology.     

不同粒径土壤的反射光谱对荒漠土壤有机质含量的响应

为研究荒漠土壤有机质的高光谱诊断技术,分析了不研磨土样与2 mm土样的高光谱反射特征及与有机质含量的相关性。结果表明：不研磨土样的原始反射光谱在365.0~449.2 nm和567.8~799.8 nm与土壤有机质成极显著负相关。反射光谱经数学变换后,扩展了与有机质极显著相关的波段范围,2 mm土样光谱反射率与有机质的最大相关系数（|r|=0.420）高于不研磨土样（|r|=0.351）。2 mm土样光谱经一阶微分变换后,在569.2 nm和1141.5 nm建立的土壤有机质含量预测模型精度较高,但是当有机质含量低于9 g·kg^-1时,预测精度较差。     

Somatic cell count determination in cow's milk by near-infrared spectroscopy: a new diagnostic tool.

The potential of near-infrared spectroscopy (NIR) in the region from 1,100 to 2,500 nm to measure somatic cell count (SCC) content of cow's milk was investigated. A total of 196 milk samples from seven Holstein cows were collected for 28, consecutive days, starting from 7th d after calving, and analyzed for fat, protein, lactose, and SCC. Three of the cows were healthy, and the remainder had periods of mastitis during the experiment. Near-infrared transflectance milk spectra were obtained using an InfraAlyzer 500 spectrophotometer. The calibration for logSCC was performed using partial least square (PLS) regression and different spectral data pretreatment. The best accuracy of determination was found for an equation that was obtained using smoothed absorbance data and 10 PLS factors. The standard error of calibration was 0.361, the calibration coefficient of multiple correlation was 0.868, the standard error of prediction for independent validation set of samples was 0.382, the correlation coefficient was 0.854, and the coefficient of variation was 7.63%. The accuracy of logSCC determination by NIR spectroscopy would allow health screening of cows and differentiation between healthy and mastitic milk samples. It has been found that SCC determination by NIR milk spectra is based on the related changes in milk composition. The most significant factors that simultaneously influenced milk spectra with the elevation of SCC were alteration of milk proteins and changes in ionic concentration of milk.     

近红外光谱分析技术在黑麦草粉粗蛋白测定中的应用

选取河北省吴桥试区不同品种、不同熟期、不同地块的黑麦草样品65份 ,用凯氏定N法进行了常规粗蛋白含量的测定。从中选出30个粗蛋白含量不同的样品作为近红外漫反射技术(NIR技术)测定的定标样品集。结果指出 :用NIR法得到的预测值与用凯氏定N法得到的测定值间的复相关系数达到R2=0.99 ,定标标样的标准误均方RMSEC=0.34 % ;用21个样品作检测样品集 ,凯氏定N法得到的测定值与NIR预测值间的复相关系数为R2=0.98 ,检测集样品预测标准误均方RMSEP=0.42 %。这一结果表明NIR作为一种黑麦草粉粗蛋白快速分析的技术是可行的