光谱采集位置和数量对番石榴 无损检测的影响

基于漫反射法的番石榴可溶性固形物含量（SSC）无损检测中,确定番石榴最佳光谱取样的位置和数量,对提高检测精度具有重要意义。分别采集番石榴顶端、赤道和底部区域漫反射光谱,每个区域采集4 处,以赤道1处、赤道4 处平均和全部12 处平均光谱作为各样本的光谱,建立PLS 模型并对独立预测集样本进行预测。结果显示,12 处平均光谱数据建模效果最好,其预测相关系数Rp=0.962,预测均方根误差RMSEP=0.432;赤道4 处平均光谱建模效果次之,Rp=0.793,RMSEP 为0.588;赤道1 处光谱建模效果最差,Rp=0.687,RMSEP=0.599。再经过连续投影算法（SPA）筛选全谱变量,得到23 个特征波长,此时PLS 模型的Rp=0.902,RMSEP=0.438。试验结果表明,番石榴多处平均的漫反射光谱充分携带其内在品质信息,建模效果优于单处或单区域采样光谱。     

基于拉曼光谱的家蚕卵滞育解除无损检测

家蚕是以卵态滞育的昆虫,其滞育性与养蚕生产密切相关.以大造和9·芙×7·湘两品种的滞育和解除滞育蚕卵为样本,使用拉曼光谱仪采集各样本的光谱数据,对光谱数据使用三次样条插值(Spline)、自适应迭代惩罚最小二乘法(airPLS)等预处理操作,分别构建偏最小二乘判别分析(partial least squares discriminant analysis,PLSDA)模型和支持向量机(support vector machine,SVM)模型.结果表明,大造蚕卵PLSDA模型的准确率达0.987,AUC(area under curve)值为0.975;9·芙×7·湘蚕卵PLSDA模型准确率达0.975,AUC值为0.999;而两品种混合蚕卵的PLSDA模型准确率达0.975,AUC值为0.999.大造、9·芙×7·湘和两品种混合蚕卵的SVM模型准确率分别为0.925、0.950、0.944,AUC值分别为0.943、0.962、0.964.PLSDA建模效果略好于SVM.此外,根据拉曼峰面积大小、位置和PLSDA回归系数矩阵3种方法提取蚕卵拉曼光谱特征峰,实现对家蚕卵滞育性区分,准确率最高达0.963.综上所述,基于拉曼光谱的家蚕卵滞育解除无损检测方法具有良好的效果,为家蚕卵滞育性的快速检测提供了新途径.     

基于近红外光谱的家蚕种茧雌雄鉴别模型在多设备和多品种间的迁移

【目的】在家蚕种茧雌雄鉴别设备推广应用中,为了减少新品种、新设备需要重新建模的难度和时间,进行了基于近红外光谱的家蚕种茧雌雄鉴别模型在多设备和多品种间的迁移研究。【方法】首先使用2种型号光谱仪(NirQuest512光谱仪和SW2540光谱仪)采集4个品种蚕茧(9芙、7湘、7夏和932)的近红外漫透射光谱数据;然后用源域数据集训练的卷积神经网络作为源域模型,并对其中的中间层输出进行可视化分析;针对不同的种茧品种和不同的采集设备对源域模型进行微调,构建了迁移后的模型;最后将迁移后的模型预测准确率与卷积神经网络(Convolutional neural networks,CNN)、支持向量机(Support vector machine,SVM)和随机森林(Random forests,RF)算法进行对比。【结果】采用源域1 700个9芙样本(NirQuest512光谱仪)构建的CNN源域模型,具有很好的雌雄分辨能力,分辨准确率达到99%以上。以源域CNN模型中间层输出作为输入构建的SVM和RF模型,雌雄分辨准确率分别为92%和90%以上,通过可视化分析表明卷积层能很好地提取雌雄特征。对于目标域中样本数量较少的100个7湘(NirQuest512光谱仪)、77个7夏和112个932的样本(SW2540光谱仪),训练集比例为70%时,通过微调源域CNN模型后得到的目标域CNN模型的准确率分别为96.90%、99.67%、97.29%,效果最优;独立的SVM模型准确率分别为92.49%、94.25%、93.65%,效果次之;独立RF模型的准确率分别为80.93%、80.17%、81.47%,效果稍差;独立CNN模型的准确率分别只有58.87%、56.33%、72.17%,效果最差。通过多次不同训练集数量的建模比较,同样显示在数据量较少的情况下,迁移学习后CNN模型最优,传统机器学习方法次之,深度CNN模型最差。【结论】不同光谱仪或者不同品种的情况下深度迁移学习模型的可迁移性,为使用多种光谱仪和采集多种品种蚕茧时快速建立一个蚕茧雌雄分类模型提供了理论和实践的依据。     

砂糖橘可溶性总糖可见-近红外光谱无损检测

在波长450-2500 nm范围提取189个砂糖橘的漫反射光谱,使用sym8小波的3层分解对其进行去噪预处理,引入连续投影算法(SPA)对光谱进行压缩,从2051个波长中初步提取14个优选波长,以这14个波长建立的多元线性回归模型(MLR)的预测相关系数为0.8855,预测均方根误差为0.5111,效果优于全谱偏最小二...     

龙眼表面农药残留的无损检测研究-基于近红外光谱分析

为进一步探索水果农药残留的快速无损检测技术,利用近红外反射光谱分析技术,对常用的高残留农药敌百虫和敌敌畏在龙眼表面残留的无损检测进行了研究.首先在500～1000nm波段范围内,将采集到的漫反射光谱数据进行主成分分析,利用主成分1和主成分2的得分值对样本进行聚类分析,得到较好的聚类结果;然后用各类样本的主成分得分作为神经网络的输入,建立了三层的BP人工神经网络模型,并进行了农药残留检测.结果表明,对敌百虫农药残留的检测正确率为93%,对敌敌畏农药残留的检测正确率为80%,为水果表面的农药残留快速无损检测探索了一条可能的新途径.     

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.     

漫透射法无损检测荔枝可溶性固形物

为了快速无损检测荔枝内部品质并为荔枝快速检测分级提供科学依据,研究荔枝可溶性固形物无损检测途径。该文首先针对荔枝果皮较硬而且凹凸不平的特征,比较了漫反射法和漫透射法的试验效果,接着采用多种预处理方式对漫透射光谱进行了处理,并采用连续投影算法结合相关系数法优选建模波长,最后比较了最小二乘法和神经网络法的建模效果。试验结果显示漫透射方式是较好的荔枝光谱采集方式;通过连续投影算法结合相关系数法,从全部500个波长变量中最终提取出11个优选波长,只占波长总数的2.2%;基于这11个波长的神经网络模型的预测相关系数为0.867,预测均方根误差为0.370%。结果表明基于漫透射法进行荔枝可溶性固形物无损检测是可行的。     

基于可见-近红外光谱的砂糖橘总酸无损检测

以砂糖橘为对象,建立基于可见-近红外光谱的砂糖橘总酸含量的无损检测方法。试验采集170个完整砂糖橘的500～2 500nm漫反射光谱,然后采用滴定法测定总酸含量。采用Sym8小波变换对光谱进行去噪预处理,并采用连续投影算法(successive projections algorithm,SPA)结合间隔偏最小二乘法(interval partialleast squares,iPLS)优选波长,最终建立BPNN和偏最小二乘法(partial least squares method,PLS)总酸预测模型。结果表明:砂糖橘光谱的小波去噪方法产生的信噪比均值SNR=175.291 1,去噪信号与原始信号间的均方根误差均值RMSE=0.000 13,性能优于常规去噪方法。SPA与iPLS相结合构成的反向偏最小二乘法(back-ward interval partial least squares,BiPLS)_SPA波长选择法能将光谱变量从2 001个压缩到14个,能简化模型并提高建模精度和稳定性。BPNN模型具有更好的非线性映射能力,基于这14个变量的BPNN总酸预测模型的预测相关系数Rp=0.867,预测均方根误差RMSEP=0.061 6,性能优于线性的PLS模型。     

基于人工神经网络的苹果可溶性固形物无损检测

采集了60个苹果在400～1 100nm范围内的可见-近红外漫反射光谱,然后使用连续投影算法将光谱变量进行压缩,最后采用BP神经网络建立了苹果糖度的预测模型。实验表明,连续投影算法从400～1 100nm范围提取出25个优选波长参与建模,有效简化了模型结构。BP神经网络模型对苹果糖度的预测相关系数达到0.853,预测均方根误差为1.303 0。结果表明,基于近红外光谱的苹果糖度无损检测是可行的。     

基于近红外漫透射光谱信息的蚕茧雌雄检测

采用Maya2000pro型近红外光谱分析仪,以3个品种共491粒蚕茧为实验对象,进行了450~1 050 nm波段内的漫反射和漫透射光谱采集和比较。随后对漫透射光谱数据进行了均值中心和一阶求导预处理,并分别对3个品种以及全部样本通过偏最小二乘判别法(PLSDA)进行了判性预测分析。结果表明:相对于漫反射光谱,漫透射光谱更能反映出雌雄蚕蛹组分特性的不同;基于漫透射光谱的PLSDA预测结果显示,分别针对3个品种的鉴别结果(试东A·华3x C·7532判性真雌性率、真雄性率和精确度分别为89.796%、92.424%和90.854%;化中2·华3x C·7532判性真雌性率、真雄性率和精确度分别为96.250%、94.253%和95.210%;9·芙x7·湘判性真雌性率、真雄性率和精确度分别为97.260%、91.954%和94.375%)和全部样本混在一起的雌雄鉴别结果(真雌性率、真雄性率和精确度分别为94.024%、92.917%和93.483%)都较好。