可见/近红外光谱快速鉴别米粉辐照剂量

为了实现对不同剂量辐照处理后米粉的快速鉴别,提出了一种基于可见-近红外光谱技术的快速、无损检测方法。试验先利用不同剂量的60Coγ-射线对米粉进行辐照处理,得到了4种样品共200个样本。再应用ASD可见-近红外光谱仪获取所有样本的反射光谱数据,并采用主成分分析方法对数据进行聚类分析,将提取的前6个主成分作为BP神经网络的输入值,建立不同米粉样品的鉴别模型。结果表明,在设定偏差标准为±0.1的情况下,利用该模型对预测集样本进行鉴别,识别率达到100%。该文提出的方法具有很好的分类和鉴别作用,为快速鉴别米粉类产品是否经辐照灭菌及处理剂量等提供了新的技术方法。     

基于近红外光谱技术的大米品种快速鉴别方法

为探索大米无损检测技术,提出了一种基于可见-近红外光谱技术快速、无损鉴别大米品种的新方法。首先采用主成分分析法对大米品种进行聚类,然后利用小波变换技术提取光谱特征信息,把光谱特征信息作为人工神经网络的输入建立品种识别模型,对大米品种进行鉴别。从每种大米60个样本共计180个样本中随机抽取150个样本（每种50个样本）用来建立神经网络模型,剩下的30个大米样本用于预测。品种识别准确率达到100%。说明所提出的方法具有很好的分类和鉴别作用,为大米的品种鉴别提供了一种新方法。     

鸭肉中谷氨酸含量的可见-近红外光谱测定研究

为实现鸭肉中谷氨酸含量的快速测定,提出了利用可见-近红外光谱结合PCA、BP神经网络来建立鸭肉中谷氨酸含量测定的定量分析模型.采集试验首先采集光谱范围在350～1800nm的鸭肉可见-近红外反射光谱,并在430～1000、1001～1400和430～1400nm 3个光谱范围内分别用一阶导数(FD)、二阶导数(SD)、...     

柿子可溶性固形物含量的可见-近红外光谱检测

为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。     

基于近红外光谱技术的淡水鱼品种快速鉴别

为探索淡水鱼品种的快速鉴别方法,该文应用近红外光谱分析技术,结合化学计量学方法,对7种淡水鱼品种的判别分类进行了研究。采集了青、草、鲢、鳙、鲤、鲫、鲂等7种淡水鱼,共665个鱼肉样品的近红外光谱数据,经过多元散射校正(multiplicative scatter correction,MSC)、正交信号校正(orthogonal signal correction,OSC)、数据标准化(standardization,S)等20种方法预处理,在1 000~1 799 nm范围内分别采用偏最小二乘法(partial least square,PLS)、主成分分析(principal component analysis,PCA)和BP人工神经网络技术(back propagation artificial neural network,BP-ANN)、偏最小二乘法和BP人工神经网络技术对7种淡水鱼原始光谱数据进行了鉴别分析。结果表明,近红外光谱数据,结合主成分分析和BP人工神经网络技术建立的淡水鱼品种鉴别模型最优,模型的鉴别准确率达96.4%,对未知样本的鉴别准确率达95.5%。模型具有较好的鉴别能力,采用该方法能较为准确、快速地鉴别出淡水鱼的品种。     

基于近红外光谱技术快速鉴别不同产地金银花

应用MicroNIR 1700微型近红外光谱分析仪采集不同产地金银花样品的漫反射光谱,获得数据501份,采用KS (Kennard-Stone)方法对样品集进行划分,通过不同光谱预处理方法,利用偏最小二乘判别分析法(PLS-DA)建立判别模型。结果显示,采用二阶导数和标准正态变量预处理光谱,金银花产地判别模型正确判别率可达100%。结果表明,不同产地来源金银花的近红外光谱特征有显著差异,使用便携式近红外方法可准确判别金银花产地。该方法可推广作为现场应用,具有较好的实际应用价值。     

基于可见-近红外光谱的鸡只粪便分类判别

鸡只粪便的性状是反映鸡只健康状况的重要特征之一,不同性状的鸡便往往与特定的疾病相关联。针对鸡只粪便性状主要依靠人工监测,存在速度慢且易发生交叉感染等问题,该研究提出一种基于可见-近红外光谱技术的鸡只粪便分类判别模型。首先,通过扫描4类典型的鸡只粪便样本（正常粪便、红血丝粪便、绿色粪便和饲料粪便）在400～900 nm波段范围的光谱数据,对每一类别的鸡便样本按随机性原则以3∶1划分为校正集和测试集。其次,分别采用多元散射校正、SG卷积平滑和标准差标准化进行数据预处理,并建立偏最小二乘判别分析模型,根据模型评价指标确定最优预处理方法。然后,使用主成分分析、竞争性自适应重加权采样、改进的混合蛙跳3种方法对预处理后的样本进行数据降维,并最终建立分类判别模型。结果表明：基于模型评价指标确定最优数据预处理方法后,再采用改进后的混合蛙跳降维方法建立的判别模型区分正常粪便、红血丝粪便、绿色粪便表现最优,测试集判别准确率分别为92.27%、92.59%、100%;而对于饲料粪便,所选3种降维方法建立的判别模型,其测试集准确率均可达100%。因此,通过可见-近红外光谱检测手段,结合特征波长优选与偏最小二乘判别分析,可以有效判别不同类型的鸡只粪便,为实现鸡病智能化监测提供技术支持。     

基于近红外光谱土壤水分检测模型的适应性

由于土壤水分的近红外光谱定量分析模型精度依赖于样品状态,故土壤水分定量分析模型的适应性极其重要。以湖北地区的3种土壤为研究对象,利用偏最小二乘法交叉验证建立了处理后样品下的土壤水分分析模型,模型预测值与标准值的决定系数R2为0.9946,交叉验证预测均方差为0.801%,模型预测决定系数R2为0.9919,预测均方差为0.912%;利用主成分分析了未处理土壤样品与处理土壤样品得分图的差异,结果表明定量分析模型对未处理样品的预测精度降低;采用斜率/截距的方法修正了12个未处理样品的模型预测值,预测平均绝对值误差从0.78%降低到0.38%,结果表明斜率/截距校正法能较好的提高近红外光谱土壤水分定量分析模型的适应性。     

可见-近红外光谱联合随机蛙跳算法检测生物柴油含水量

生物柴油是一种优质清洁柴油,可从各种生物质中提炼,其特有的优势受到越来越广泛的关注。该文应用可见-近红外光谱技术原理对生物柴油的含水率进行了检测。配置含水率分别为0、2.5%、5.0%、7.5%和10.0%的试验样品并获取可见-近红外光谱,进行主成分分析,观察不同含水率生物柴油的聚类性,并采用Random Frog算法进行特征波段的提取,最后采用随机蛙跳算法(Random Frog)挑选出的特征波段作为偏最小二乘回归(partial least squares regression,PLSR)和最小二乘支持向量机(least squares-support vector machine,LS-SVM)模型的输入量,建立生物柴油含水量的预测模型。结果发现:采用Random Frog提取出的8条特征波段(563、560、642、565、562、493、559和779 nm)所建立非线性模型LS-SVM所得到的结果较好,其中Random Frog-LS-SVM的结果中R均大于0.95,校正集均方根误差RMSEC=0.722,预测集均方根误差RMSEP=0.520。结果表明采用Random Frog-LS-SVM模型可以准确的预测生物柴油的含水量,为实际应用提供参考。     

近红外漫反射光谱技术快速无损识别灵芝和云芝提取物研究

为了满足食用菌提取物实际生产监管需要,本研究采用近红外漫反射光谱技术对来自不同地区的灵芝和云芝提取物样品进行定性识别研究。在800~2 750nm波段范围,采集灵芝和云芝提取物的漫反射光谱,应用主成分聚类分析和偏最小二乘判别法分别建立识别模型,用146个样品进行建模和48个外部样品集进行验证。结果表明:采用主成分聚类判别分析法,灵芝和云芝提取物的判别界线清晰,正确率达到88.54%;采用偏最小二乘判别法,建立的鉴别分类模型能较好地对灵芝和云芝提取物进行鉴别,校正集和预测集样品的识别正确率均为100%。因此,近红外结合主成分聚类分析和偏最小二乘判别法识别灵芝和云芝提取物是可行的,同时研究结果为灵芝和云芝提取物的快速识别提供了理论依据和使用方法。     

基于近红外光谱的未知类别样品聚类方法

在近红外光谱分析中,针对大量样品参与建模时,需将样品集进行分类,以减少样品光谱变异范围,提高近红外模型的预测准确度。本文以来自中国各地的222份小麦样品为例,在未知样品组分含量和类别归属的前提下,结合样品的近红外光谱信息,采用基于试探的未知类别的样品聚类方法（最邻近规则法和最大最小距离算法）对样品集分类。其中,最邻近规则法在阈值T为1.9时,最大最小距离算法在阈值为样品间的最大距离的1/2时,分类建模指标均优于未分类所建模型。从分类实现过程和结果可以看出：基于试探的未知类别的样品聚类方法中无需多次训练,且对未知类别的样品集无需事先确定分类数目,但需要确定分类阈值,阈值不同,则分类结果会随之改变。研究为近红外建模过程中未知类别样品的分类提供了一种参考方法。     

近红外光谱法快速鉴定干海参产地

该文采用近红外漫反射光谱法,对来自4个不同产地的96个干刺参样品,进行了产地鉴别分析。研究表明：在5 000～4 000 cm-1 波段,干海参样品具有丰富的光谱结构,且反映出了由于海参生长环境不同带来的差异性;对该波段的一次微分光谱数据进行主成分聚类（PCCA）计算,可成功实现对其产地的鉴定分析。该研究为动物性海洋食品的产地快速鉴别分析提供了新方法。     

基于光谱技术的大豆豆荚炭疽病早期鉴别方法

为更好地指导农户进行植物病害防治,提高大豆豆荚的商品性,减少损失,需要运用快速有效的方法来进行大豆豆荚炭疽病的早期检测。该文应用可见-近红外光谱技术结合连续投影算法(SPA)和最小二乘支持向量机(LS-SVM),实现了大豆豆荚炭疽病的早期快速无损检测。对194个大豆豆荚样本进行光谱扫描,通过不同预处理方法比较,建立了大豆豆荚炭疽病早期无损鉴别的最优偏最小二乘法(PLS)模型。同时应用主成分分析(PCA)和连续投影算法(SPA)分别了提取最佳主成分和有效波长,并将其作为LS-SVM的输入变量,建立了PCA-LS-SVM和SPA-LS-SVM模型,以样本鉴别的准确率作为模型评价指标。试验结果显示PCA-LS-SVM和SPA-LS-SVM模型都获得了比较满意的准确率,且SPA-LS-SVM模型的准确率最高为95.45%。研究表明,SPA能够有效地进行波长选择,进而使LS-SVM模型获得较高的鉴别率,说明应用可见-近红外光谱技术鉴别大豆豆荚炭疽病是可行的。这为进一步应用光谱技术进行大豆生长对逆境胁迫的反应提供了新的方法,为实现大豆病害的田间实时在线检测提供参考。     

近红外光谱结合SIMCA法溯源羊肉产地的初步研究

产地溯源是食品安全追溯制度的重要组成部分。该文采用近红外光谱结合簇类独立软模式法(SIMCA)建立了羊肉产地溯源模型。结果表明,在11995～3999cm-1波长范围内,光谱经5点平滑(Smooth)与多元散射校正(MSC)预处理,山东济宁市、河北大厂县、内蒙临河市、宁夏银川市4个产地模型的主成分数分别为5、6、5、6时,采用SIMCA模式识别方法可以建立稳健的羊肉产地溯源模型;在1%的显著水平下,4个产地校正集模型对未知样本的识别率分别为95%、100%、100%、100%,拒绝率均为100%;其验证集模型的识别率分别为100%、83%、100%、92%,拒绝率均为100%。该研究表明,近红外光谱技术作为一种羊肉产地的溯源方法切实可行。     

基于近红外光谱技术的茶油原产地快速鉴别

为研究茶油原产地溯源问题,维护其市场秩序,促进公平竞争。该文利用近红外光谱技术采集湖南、江西、安徽和浙江4个不同产地茶油的光谱数据,并运用 Savitzky-Golay 平滑（savitzky-golay, SG）、多元散射校正（multiplicative scatter correction, MSC）、一阶导数（first derivation, FD）和矢量归一化（vector normalization, VN）等4种方法对其进行预处理。采用偏最小二乘法（partial least squares, PLS）提取最佳主成分,构建 PLS 回归模型;同时,采用主成分分析（principal component analysis, PCA）和 PLS 算法提取最佳主成分,作为 BP 人工神经网络（BP artificial neural network, BPANN）输入变量,构建 PCA-BPANN 和 PLS-BPANN 模型。以验证集相关系数 RP 和验证集均方根误差 RMSEP 为模型的评价指标,分别优选最佳 PLS 和 BPANN 模型。试验结果表明,SG-PLS-DA 和 SG-PLS-BPANN-DA 模型对未知样本的整体分类准确率均大于90%。其中,SG-PLS-BPANN-DA 的鉴别效果优于前者,其建模集相关系数 RC、均方根误差 RMSEC 分别为0.974、0.170,验证集相关系数 RP、均方根误差 RMSEP 分别为0.972、0.172,对上述两类样本集的总体分类准确率分别为98.15%、95.83%,该模型能较准确鉴别茶油原产地。研究结果可为快速辨别茶油原产地提供参考。     

近红外光谱快速检测食用油必需脂肪酸

为了建立食用油必需脂肪酸快速检测的方法,该研究提出了基于近红外光谱技术检测食用油中α-亚麻酸和亚油酸含量的快速测定方法。对光谱信息分别采用偏最小二乘回归方法(PLS)和最小二乘支持向量机(LS-SVM)建立模型。比较了多种光谱预处理方法对模型预测能力的影响。结果表明对于亚油酸含量的预测,采用Savitzky-Golay平滑法结合多元散射校正(MSC)的光谱预处理所建立的LS-SVM模型最优。预测集的决定系数(R2)、预测均方根误差(RMSEP)和剩余预测偏差(RPD)分别达到了0.989,0.0161和9.4783。对于α-亚麻酸含量的预测,采用Savitzky-Golay平滑法结合标准正态变换(SNV)的光谱预处理所建立的LS-SVM模型最优。α-亚麻酸含量预测结果的R2、RMSEP和RPD为0.972,0.0036和6.0561,据此表明,应用近红外光谱技术能够检测食用油中α-亚麻酸和亚油酸的含量,为快速检测食用油的必需脂肪酸提供了参考。