傅里叶变换红外光谱结合PCA及DPLS对薰衣草品种的识别

[目的]采用快速可靠的方法对薰衣草品种进行鉴别.[方法]采用傅里叶变换红外光谱法结合主成分分析(PCA)法及偏最小二乘判别(DPLS)法对不同品种薰衣草进行鉴别分析.[结果]对不同品种薰衣草的快速FTIR光谱鉴别,采用PCA法对光谱数据进行聚类分析,得到四种不同品种薰衣草的特征差异.用特征谱图作为输入建立判别偏最小二乘模型,四个品种薰衣草共47个分别建立偏最小二乘判别(DPLS)模型,对未知的16个样本进行预测,DPLS模型的校正决定系数(R2)为0.991 0,交叉验证均方根标准差(RMSEE)是0.119 3,预测均方根标准差(RMSEP)为0.1462,品种识别率为100;.[结论]PCA对不同薰衣草具有较好的聚类作用,DPLS模型能对薰衣草的品种进行较好的识别,为薰衣草品种快速鉴别提供了较好的分析方法.     

小波去噪对近红外光谱鉴别转基因菜籽油的影响分析

【目的】建立基于近红外光谱的转基因菜籽油定性鉴别模型,研究小波去噪对光谱的预处理对鉴别准确率的影响。【方法】利用前期已收集的鲁花、金龙鱼等6种品牌的瓶装或桶装的菜籽油共计117份样品,其中转基因菜籽油样品53份、非转基因菜籽油样品64份,采用德国BRUKER公司的MATRIX-F型傅里叶近红外光谱仪对这些样品进行全谱段的光谱采集;利用小波分析对菜籽油光谱数据进行预处理,选用db3小波对光谱进行软阈值去噪;在菜籽油样品近红外光谱数据的基础上,采用判别偏最小二乘法(DPLS)建立转基因菜籽油定性鉴别模型。【结果】对比小波去噪预处理前后转基因菜籽油鉴别的准确率,DPLS鉴别模型的准确率从96.43%提升到了100%。【结论】小波去噪预处理可以有效地提高近红外光谱转基因菜籽油鉴别模型的准确率。     

近红外光谱对小麦产地来源的判别分析

[目的]对不同产地来源小麦的近红外光谱进行判别分析,为小麦的产地鉴别提供一种新方法.[方法]应用近红外光谱分析仪检测2007/2008年度和2008/2009年度中国小麦主产区河北省、河南省,山东省和陕西省共240份小麦籽粒样品,对近红外光谱数据分别进行均值标准化、一阶求导和多元散射校正(MSC)处理后,利用偏最小二乘判别分析法(DPLS)分析预处理后的数据.[结果]2007/2008年度小麦籽粒样品总体正确判别率为87.5%,2008/2009年度样品总体正确判别率为91.7%;用2007/2008年度样品所建模型来预测2008/2009年度的样品,结果总体正确判别率为48.3%;两年样品混合后,总体正确判别率为82.5%.[结论]不同地域来源小麦的近红外光谱特征有显著差异,但其受品种和年际因素影响较大,判别模型的稳定性有待进一步提高.     

巨大口蘑不同年限和部位的红外光谱鉴定

为快速准确地鉴别不同部位和不同采集年限的巨大口蘑,采集88份巨大口蘑样品的傅里叶红外光谱进行分析,建立判别模型,鉴别不同部位、不同采集年限的巨大口蘑。对波段进行筛选,并比较多元散射校正（multiplicative scatter correction,MSC）、标准正态变量（standard normal variate,SNV）、一阶微分（first derivative,FD）、二阶微分（second derivative,SD）等预处理方法对模型的影响。结果表明：巨大口蘑子实体主要含蛋白质、糖类、脂类等物质,在光谱波数为1655 cm－1、1554 cm－1和243 cm－1附近是蛋白质的特征峰,在1410 cm－1、1376 cm－1、1243 cm－1、1160 cm－1和952 cm－1附近有脂肪类物质的特征峰,在 1154 cm－1、901 cm－1、880 cm－1和814 cm－1附近为多糖的特征吸收峰。原始光谱结合标准正态变量校正,在1800～600 cm－1对不同部位的巨大口蘑样品的鉴别正确率为100％;对不同年限巨大口蘑菌柄校正集和预测集分类正确率分别为100％和92．3％;不同采集年限的巨大口蘑菌盖校正集和预测集分类正确率均为100％。     

油菜籽校正模型中代表性样品的获取

从挑选有代表性的校正集样品入手,探索改善油菜品质近红外预测模型的精确度与准确度的新方法。以油菜籽油酸为检测对象,利用极大线性无关组的方法从1 800份样品中选取不同数量的代表性样品作为校正集,用偏最小二乘法建立油酸的近红外模型。结果发现,利用极大线性无关组方法挑选出的代表性样品不仅可以更好地反映待测系统的样品信息,而且可以达到少而精的目的,并最终节省了模型的运行成本。并与随机选择法和化学值选择法作比较,选用一定数量的预测集对三种方法的建模效果进行分析对比。结果表明,利用极大线性无关组方法挑选代表性样品建立的校正模型的预测能力优于其他两种方法,证明该方法用于农产品代表性样品的挑选是可行的。     

基于近红外光谱的普洱茶产地识别研究

以81份来自西双版纳、普洱市、临沧市3个不同产地的普洱茶样本为研究对象,其中校正集54份,验证集27份,利用近红外光谱采集单个普洱茶样本在1 100～2 498 nm的光谱数据,分别采用主成分聚类分析法和判别分析法建立普洱茶产地识别定性分析模型。结果表明,2种分析模型的校正集正确识别率均大于90%,可用于普洱茶产地的识别。其中,基于判别分析方法建立的判别分析模型效果更好,其校正集和验证集的识别正确率达到98.15%和100%,更适用于普洱茶产地的识别。应用近红外光谱技术可快速、无损识别普洱茶产地,为普洱茶产地检测提供参考。     

中红外光谱法评价苹果浓缩汁质量评价研究

为建立中红外光谱快速评价苹果浓缩汁质量的检测体系,采集47个批次苹果浓缩汁的中红外ATR吸收光谱.从中选取15个经化验合格的批次样品作为标准,以其对应的红外光谱为标准数据集.建立相似度计算模型,并将其用于计算剩余32个批次样品的相似度.通过设置合理的相似度阈值,根据样品的相似度值来评价该样品的合格与否.该方法的评价结果与常规化验结果高度一致,准确率96.8％.红外光谱法评价苹果浓缩汁不仅结果准确,且具有操作简单、快速,检测成本低等优点.     

近红外光谱法快速测定食用油中的脂肪酸含量

探讨利用近红外光谱技术快速测定食用油中的脂肪酸含量.在实验中采用气相色谱法对45个食用油样品中的硬脂酸、棕榈酸、油酸含量进行测定,同时根据45个食用油样品的近红外线光谱结合模型优化方法来建立起食用油中主要脂肪酸含量的近红外定量分析模型,由此建立起一个可以定量分析食用油脂肪酸含量的快速简便的检测途径,因而极具良好的应用前景.     

小米硒含量近红外预测模型的建立与评价

为实现对多样本小米硒含量的快速检测,以93份遗传背景不同的小米样品为研究对象,将样品分为校正建模集(样本容量n=51)和外部验证集(n=42),利用丹麦生产的NIRSTMDS2500台式近红外光谱仪采集光谱信息,通过标准正态变化(SNV)、卷积平滑(Detrend)等光谱预处理方法和偏最小二乘法(PLSR)建模方法建立脱壳谷子-小米总硒含量的测定模型,用工作流调用模型实现小米总硒含量的快速检测;采用国家标准规定的方法分别测定小米总硒含量,以此作为小米总硒含量预测模型的化学参比值。结果表明:小米总硒含量内部交叉验证的相关系数为84.5%;校正集均方根误差和验证集均方根误差分别为0.039 6和0.089 2,说明小米总硒含量的近红外预测值接近化学参比值;性能偏差比为5.478,大于美国谷物化学家协会和国际谷物科技协会等提出的质量控制标准,本研究建立的模型中预测集和建模集标准误差的比值为1.073 0;因此采用PLSR建立模型具有较高的预测精度且稳健程度较高,可实现对小米总硒含量的快速检测。     

基于近红外光谱技术的红枣水分无损检测

目的 基于近红外光谱技术的红枣水分无损检测,为红枣水分含量模型建立提供科学依据。方法 以塔里木大学园艺试验站红枣资源圃中的脆熟期馒馒枣和保德油枣的果实为试材,采用传统烘干法测定枣果实水分含量,并通过近红外光谱分析仪进行枣水分无损检测。对2个品种样本光谱进行样本集划分并使用预处理的方法Savitzky-Golay平滑法和偏最小二乘回归分析法(PLS)。结果 建立了含水量定量检测分析模型。共获得212个样本,馒馒枣和保德油枣分别为100和112个,2个品种随机校正模型为75和84个,验证模型分别为25和28个,用外部证实法建立样品校正模型和验证模型。建立光谱模型将试验组分别分为红枣含水量校正模型和验证模型。所建2种红枣水分检测模型中SEC(校正集标准偏差)值分别为1.01%和1.29%;SEP(预测标准偏差)值为1.65%和1.41%,2种红枣的校正集与验证集交互相关系数分别为0.878和0.883。结论 以S-G平滑法对光谱数据预处理,以偏最小二乘进行回归分析(PLS)。建立含水量定量检测分析模型对红枣进行水分检测,水分真实值和预测值的交互相关系数均高于0.850。2个品种校正模型和验证模型差异较小均在0.5%左右,建立了红枣近红外光谱和水分含量之间的对应关系。     

近红外光谱技术在黑芝麻糊品牌鉴别中的应用研究

本文探索了使用近红外光谱分析技术鉴别黑芝麻糊品牌的可行性。试验共采集了48个不同品牌黑芝麻糊样品的近红外漫反射光谱,波长范围为800～2 500nm。使用Hierarchical聚类、主成分分析、判别分析及判别偏最小二乘等方法分析了黑芝麻糊品牌的分类鉴别结果,各种方法的校正集和预测集均得到了100%的判别正确率。研究结果表明,近红外光谱分析技术可用于黑芝麻糊品牌的鉴别分析,分析过程具有快速、准确等多方面的优点。     

近红外透射光谱技术测定黍稷蛋白含量的研究(英文)

[目的]探索快速测定完整黍稷籽粒蛋白含量的方法。[方法]采用近红外光谱分析技术建立数学模型并进行预测,比较原始透射光谱经导数处理结合不同回归算法对模型的影响。[结果]分别经一阶和二阶导数处理后利用偏小二乘法和改进的偏小二乘法,4 种方法的分析效果相近,最优的是一阶导数结合改进的偏最小二乘回归法,黍稷蛋白定标模型的定标相关系数(RSQ)为0.880 6,定标标准误差(SEC)为0.342 4,交互定标标准误差(SECV)为 0.375 1,外部预测标准误差(SEP)为 0.454。[结论]以完整黍稷籽粒为样品所建立的蛋白 NITS 模型,可以用于黍稷蛋白含量的快速检测。     

蒙古栎木材MOR与MOE的近红外光谱预测模型分析

蒙古栎是重要的结构用材,对其抗弯强度(MOR)与抗弯弹性模量(MOE)进行快速准确的无损检测是具有工程应用价值的科学问题。为实现蒙古栎木材MOR与MOE的快速无损检测,以900~1 700 nm的便携式近红外光谱仪为检测手段,提出一阶导数与S-G卷积平滑处理相结合的数据预处理方法,采用木材径切面与弦切面2个切面近红外光谱的平均值作为建模数据,利用Isomap-PLS算法建立预测模型估计木材的MOR、MOE。试验采用135个300 mm20 mm20 mm的无疵小试样为样本,其中90个组成校正集,45个组成预测集。结果表明:一阶导数处理能够消除光谱背景平缓区域干扰,S-G卷积处理能滤除高频噪声;采用径切面与弦切面光谱的平均值,比采用单一切面建模效果好,校正相关系数大,校正标准误差小;Isomap-PLS模型优于PLS、iPLS、MWPLS、CSMWPLS、BiPLS、LLE-PLS模型,MOR预测相关系数为0.89,预测标准误差(SEP)为11.43,相对分析误差(RPD)为2.552.5;MOE预测相关系数为0.88,SEP为2.73,RPD为2.582.5。可见,所建近红外模型可以完成蒙古栎无疵木材快速有效的无损检测。      

不同产地黄硬皮马勃的红外光谱鉴别方法研究

黄硬皮马勃(Scleroderma flavidum Ell.et EV.)主要生长在我国南方地区,有食用和药用价值。利用红外技术对其进行产地鉴别,为黄硬皮马勃的资源鉴别提供基础分析方法和理论依据。利用傅里叶变换红外光谱(Fourier transform infrared spectroscopy,FTIR)仪采集4个不同产地共40个黄硬皮马勃样本的红外光谱,每个样本平行扫描3次,取平均值。随机选择12个样本作为验证集,其余作为校正集,采用1 800~500 cm-1波段的光谱数据,对比多种预处理方法,选择最佳预处理方法建立模型并进行判别分析(discriminant analysis,DA)。结果表明,预处理方法 ND(7∶3)+SD+MSC(ND为诺里斯导数平滑,SD为二阶导数,MSC为多元散射校正)构建的判别模型性能最佳,验证集样本的分类准确率和校正集样本的回判准确率均达到100%,模型鉴别效果良好,可靠性高。傅里叶变换红外光谱法结合判别分析,能有效鉴别不同产地黄硬皮马勃。     

FTIR结合化学计量学对两种葡萄果苗的鉴别研究

[目的]利用傅里叶变换红外光谱技术结合主成分（PCA）和偏最小二乘法判别分析（PLS-DA）,研究了红地球和皇家秋天葡萄苗叶片的红外光谱图.[方法]测试了2种葡萄苗60个样品的红外光谱,选取1 800 ～750 cm-1范围内原始光谱数据做二阶导数处理,显示在该区间存在明显的差异,利用该区间的二阶导数光谱数据进行主成分和偏最小二乘法判别分析.[结果] PCA和PLS-DA都能很好地区分2个品种的葡萄苗,其中主成分的正确率为100％,偏最小二乘法在隐含潜变量为9时正确率最高,此时2个葡萄品种的偏最小二乘法判别分析的正确率均达100％.[结论]小波变换结合PCA和PLS-DA用于傅里叶变化红外光谱技术能够准确地识别红地球和皇家秋天,为区分不同品种的葡萄苗提供快速、有效的方法.     

近红外光谱定量和定性分析技术在鲜食葡萄果实无损检测中的应用

选取10种不同鲜食葡萄品种、3个不同成熟期和1种病害的果实共计188个葡萄果实样品,并采集果实样品的近红外光谱。建立了以葡萄果实的总酚、总糖、果糖、蔗糖和可溶性固形物为指标的偏最小二乘(PLS)定量分析模型,模型的可信度较高,除少数指标的相关系数在0.77~0.89,其余指标均在0.90以上,均方根误差在0.022~1.410。结合主成分分析法,对谱区为4 119.20~9 881.46 cm^-1的光谱建立了区分葡萄果实品种、成熟度和是否受病害的判别分析(DA)模型,模型的正识率依次为92.11%、88.89%和96.15%。研究表明,近红外检测技术可用于鲜食葡萄果实的5个主要内含物的定量分析以及果实品种、果实成熟度和有病虫害的二次果进行的定性识别。     

麻疯树种子含油量近红外光谱定标模型的建立

目的本研究旨在建立麻疯树种子含油量的近红外光谱定标模型, 为近红外光谱技术应用于麻疯树种子含油量的测定提供依据。方法利用瑞典波通DA7200型近红外光谱成分分析仪采集了125份麻疯树种子样品的光谱数据, 通过样品化学值测定、光谱数据预处理以及回归统计方法建立了麻疯树含油量的近红外光谱定标模型, 并利用10份未知含油量的种子样品对模型的准确性进行了检验。结果本研究建模所选125份样品的含油量范围为25.23%~39.73%, 平均值为33.91%±2.64%, 中位数为34.31%, 基本覆盖了当前麻疯树的主要品种, 在种子油含量上具有一定的代表性。二阶导数联合标准正态变量转换法为建立麻疯树种子含油量近红外光谱定标模型的最佳预处理方法, 偏最小二乘法为最佳的回归方法。模型验证结果显示, 样品的化学测定值与近红外光谱定标模型预测值极显著相关, 且相关系数达0.9556, 预测标准偏差为0.6536。结论检验结果说明该模型具有较高的可靠性, 可应用于后期麻疯树种子油分含量的大批量快速测定。      

基于红外特征光谱的初榨椰子油掺假检测技术研究

根据不同油脂的红外光谱特性,建立偏最小二乘法(PLS)和反向传递神经网络(BP-ANN)判别分析模型,进行初榨椰子油中大豆油、玉米油、葵花籽油的掺假检测分析。结果发现,PLS和BP-ANN模型均具有较好的掺假检测分析能力,其中BP-ANN模型的分析效果最佳,其对初榨椰子油中大豆油、玉米油、葵花籽油进行掺假检测的准确率均达到了99.67%以上,该方法可用来进行初榨椰子油的掺假分析,具有分辨率高、快速、简便等特点。     

利用FTIR和化学计量学对牛肝菌亲缘关系的研究

采用傅里叶变换红外光谱结合化学计量学对不同种牛肝菌亲缘关系进行研究,为该种群亲缘关系鉴定提供依据,同时为人工栽培牛肝菌奠定理论基础。采集12个种类72份牛肝菌样品的红外光谱,采用二阶导数(2D)、标准正态(SNV)变量和小波压缩(WC)等方法对牛肝菌的原始红外光谱进行优化处理,结合偏最小二乘判别分析(PLS-DA)建立鉴别模型。将PLS-DA得到的前8个主成分数据作为提取数据代入系统聚类分析(HCA),获得亲缘关系树状图。结果显示:12种牛肝菌的原始红外光谱较为相似,共有峰主要归属为蛋白质、多糖、纤维素和氨基酸等物质中OH、C=O、C-O-H、C=O、C-C等官能团的吸收峰。对比不同优化处理的鉴别结果,发现2D+WC预处理方法对不同种类牛肝菌区分效果较好。HCA亲缘关系树状图表明,按照物种层面划分,中华牛肝菌和远东疣柄牛肝菌亲缘关系最近,且2种牛肝菌与圆花孢牛肝菌亲缘关系较近;深褐牛肝菌和美味牛肝菌亲缘关系较近;小美牛肝菌和美柄牛肝菌亲缘关系较近,且2种牛肝菌与栗色牛肝菌亲缘关系较近。傅里叶变换红外光谱法可应用于牛肝菌的亲缘关系分析,能为野生食用菌的亲缘关系研究提供一种新方法。     

The potential of visible-near infrared hyperspectral imaging to discriminate between casing soil, enzymatic browning and undamaged tissue on mushroom (Agaricus bisporus) surfaces

The potential of hyperspectral imaging (HSI) in the visible-near infrared (445-945 nm) wavelength range to discriminate between casing soil, enzymatic browning and undamaged tissue on mushroom (Agaricus bisporus) surfaces was investigated. A calibration set of 108 damage free mushrooms, grown under controlled conditions in a research station, were first tested as undamaged class (U) and then were divided into 2 groups of 54 samples. The first group was smeared with casing soil and designated as casing soil class (C) and the second group was subjected to vibrational damage resulting in enzymatic browning and designated as damaged class (D). Partial least squares discriminant analysis (PLS-DA) models were developed to classify mushroom tissue as one of the three classes investigated (U, C and D) using pixel spectra from each class. Prediction maps were obtained by applying the developed models to the hyperspectral images of candidate mushrooms. Percentages of pixels classified into each class were also calculated for the mushrooms studied in the calibration set. Results obtained showed that the developed models performed satisfactorily to discriminate between the 3 classes studied. Comparison of red-green-blue (RGB) and hyperspectral image analysis showed that HSI was better able to identify the regions containing casing soil. Model validation was performed using 3 different test sets of mushrooms obtained from a commercial producer. It was found that the developed PLS-DA models were satisfactorily capable of identifying undamaged regions, casing soil and enzymatic damaged areas on mushrooms from the validation sets.