基于模拟退火波长优化的草莓坚实度近红外光谱检测

为提高近红外光谱技术检测草莓坚实度模型的精度和鲁棒性,研究了一种基于模拟退火算法的波长优选方法,并找到一种与该算法配套的光谱预处理方法.利用光谱仪和物性仪分别采集草莓样品近红外漫反射光谱和坚实度数据,并采用标准正交变换、多元散射校正、一阶导数、二阶导数等方法对原始光谱进行预处理;最后,利用模拟退火算法优选与草莓坚实度高度相关的波数点变量,结合偏最小二乘法建立草莓坚实度预测模型.结果表明:经过标准正交变换预处理后,采用模拟退火算法优选出24个波数点,在主成分数为5时,建立的偏最小二乘模型具有最佳预测效果,模型校正集样本相关系数rc为0.934 2,校正均方根误差为0.665 N/cm2;预测样本相关系数rp为0.919 7,预测均方根误差为0.673 N/cm2.研究表明:模拟退火算法可以提高近红外模型预测草莓坚实度的精度和鲁棒性,并降低预测模型复杂度.     

基于模拟退火波长优化的草莓坚实度近红外光谱检测

为提高近红外光谱技术检测草莓坚实度模型的精度和鲁棒性,研究了一种基于模拟退火算法的波长优选方法,并找到一种与该算法配套的光谱预处理方法。利用光谱仪和物性仪分别采集草莓样品近红外漫反射光谱和坚实度数据,并采用标准正交变换、多元散射校正、一阶导数、二阶导数等方法对原始光谱进行预处理;最后,利用模拟退火算法优选与草莓坚实度高度相关的波数点变量,结合偏最小二乘法建立草莓坚实度预测模型。结果表明：经过标准正交变换预处理后,采用模拟退火算法优选出24个波数点,在主成分数为5时,建立的偏最小二乘模型具有最佳预测效果,模型校正集样本相关系数rc为0.9342,校正均方根误差为0.665N/cm2;预测样本相关系数rp为0.9197,预测均方根误差为0.673N/cm2。研究表明：模拟退火算法可以提高近红外模型预测草莓坚实度的精度和鲁棒性,并降低预测模型复杂度。     

肉品质光谱检测中探头与样品距离对结果影响的校正

针对畜肉品质光谱检测中光纤探头与样品表面不同检测距离对预测结果影响较大的问题,分析了光谱曲线随检测距离变化的变化规律,提出光谱数据的校正方法。通过猪肉嫩度预测,验证校正效果。分别采集光纤探头固定时和光纤探头与样品表面检测点距离在4~18 mm变化范围内的猪肉背肌可见/近红外光谱。对每种情况下的光谱数据进行相同预处理,建立猪肉嫩度PLSR预测模型。探头固定时,预测集猪肉嫩度预测值和实测值相关系数为0.82,均方根误差为5.82 N。五次多项式拟合光纤探头与样品表面检测点距离在4~18 mm范围内380~1 050 nm各个波段的相对光谱数据,拟合相关系数R均大于0.999,均方根误差在0.018 7~0.242 2范围内。利用拟合方程校正后的光谱数据和最优嫩度预测模型对预测集进行预测,光纤探头与样品表面检测点距离在4~17 mm范围内时预测集嫩度预测值和实测值的相关系数在0.83~0.90之间,均方根误差在4.80~5.75 N之间。结果表明:对不同光纤探头与样品表面检测点距离采集的漫反射光谱数据进行校正,能够较好地克服光纤探头与样品表面检测点距离对猪肉嫩度预测模型的影响。     

运用近红外透射光谱技术检测苹果内部品质

通过运用近红外透射光谱技术快速分析了苹果的糖度和硬度,使用偏最小二乘法建立预测模型,得出校正集苹果糖度的最佳主因子维数为3,相关系数R为0.9943,校正标准差为0.2476;校正集苹果硬度交叉校验的最佳主因子维数为3,相关系数R为0.9644,校正标准差为0.3529。研究结果表明：运用近红外透射光谱技术可以准确地无损快速定量分析苹果糖度和硬度。     

不同预处理方法对PLS模型检测哈密瓜糖度的影响

为寻找适合可见近红外光谱检测哈密瓜糖度含量的最佳光谱预处理方法,进行哈密瓜样品可见近红外光谱数据的预处理方法比较与研究。研究比较了4种光谱数据预处理方法对哈密瓜糖度偏最小二乘法建模精度的影响。研究结果表明:标准正态变量变换与二阶导数相结合是哈密瓜糖度含量可见近红外光谱检测的有效光谱预处理方法,其相关系数和内部交叉验证均方差分别为0.6893和0.666,并且利用该方法建立的哈密瓜糖度预测模型的相关系数、预测集均方根误差和校正集的相关系数、校正集均方根误差分别为0.7342、0.573、0.7605、0.588,最佳因子数为11。     

利用可见―近红外光谱术无损检测牛奶中的三聚氰胺

初步探讨了利用可见―近红外光谱术检测牛奶中三聚氰胺的可行性及方法。通过往牛奶中掺入不同浓度三聚氰胺的方法,制备了165个样品,三聚氰胺浓度为0~1000ppm。利用光纤光谱仪采集样本的可见―近红外光谱,其光谱范围为350~1800nm。然后分别采用最小二乘法(PLS)、区间偏最小二乘法(IPLS)及联合区间偏最小二乘法(SIPLS)建立预测模型。比较实验结果表明:把光谱分为10个子区间,通过SIPLS方法,选出3个光谱子区间(4、7、9)联合建立的预测模型最优,其校正集和预测集得相关系数分别为0.9981和0.9946,校正集和预测集的均方根误差分别为0.1942和0.3299。因此,可见近红外光谱术结合联合区间偏最小二乘法能无损、快速的检测牛奶中的三聚氰胺。     

运用近红外漫反射技术检测苹果内部品质

为了建立山东烟台富士苹果糖度和硬度的近红外光谱测定法,本实验应用光纤漫反射近红外光谱检测技术快速定量分析苹果的糖分含量和硬度。使用偏最小二乘法建立预测模型,样品糖分预测值和实测值之间的相关系数为0.97210,校正标准差(RMSEC)为0.363;样品硬度预测值和实测值的相关系数为0.95452,校正标准差(RMSEC)为0.594。通过本次试验研究表明,近红外光谱测定法能准确地对富士苹果糖分含量和硬度进行无损快速定量分析。     

苹果内部品质分级机械手设计与试验

为检测苹果内部品质,基于可见/近红外光谱检测技术并结合分拣机械手,设计了苹果内部品质分级机械手。该装置主要由夹持机构、近红外光谱采集系统、控制系统等组成。机械手稳定夹持苹果后采集苹果的近红外光谱数据,上位机软件中的预测模型对光谱数据进行分析处理,并显示光谱曲线和预测结果。为建立苹果可溶性固形物含量预测模型,基于该装置采集了苹果在650～1 100 nm波长范围内的光谱数据,通过国家标准测量法测得苹果样本的可溶性固形物含量,采用SG卷积平滑(SG-smooth)、标准正态变量变换(SNV)和多元散射校正(MSC)对光谱数据进行预处理,并结合可溶性固形物含量测量值建立偏最小二乘(PLSR)模型。结果表明,采用多元散射校正方法预处理后的建模效果最优,其预测模型的校正集和预测集相关系数分别为0. 978 2、0. 970 1,均方根误差分别为0. 274 6、0. 326 3°Brix。选取20个同品种苹果样本对该装置的稳定性和准确性进行了测试,可溶性固形物含量预测值与测量值相关系数为0. 957 3,均方根误差为0. 422 4°Brix。试验结果表明,苹果内部品质分级机械手在夹持苹果的同时可以实现对苹果可溶性固形物含量的准确预测。     

不同预处理可见-近红外光谱对农作物秸秆热值预测的影响

热值是反映农作物剩余物作为燃料利用潜力的重要参数。运用氧弹方法测试热值费时费力。基于可见-近红外光谱分析技术,分别对采用了不同预处理方法处理的光谱建立了5种农作物秸秆的偏最小二乘法（PLR）和主成分回归方法（PCR）热值模型,分析了预测模型的准确性与稳定性。结果显示,10点平滑的PLR模型效果最好,预测相关系数R2和预测标准差RMSEP分别为0.853 7和0.443 4。过多的平滑点处理产生了过平滑现象,导致模型性能变坏,采用了微分处理和多元散射校正（MSC）处理的光谱预测模型性能未见明显提高。研究结果可为热值快速测试设备的研发提供基础数据和数学模型优化支持。      

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。     

基于近红外光谱法无损检测芦柑表面多种农药残留研究

以表面喷施不同浓度梯度的乙酰甲胺磷和毒死蜱混合农药的芦柑为研究对象。把两种农药以1:1比例混合,然后用自来水配置成1:100、1:300、1:500三种浓度农药溶液,分别喷施在192个芦柑表面上。采集近红外光谱数据后,应用NY/T761―2008方法 ,通过SP―6890气象色谱仪检测芦柑表面两种农药的残留量。对所得数据分别采用多元散射校正(MSC)和标准正态变量变换(SNV)两种光谱预处理方法 ,并结合联合区间偏最小二乘法(SiPLS)建立农药残留预测模型。结果表明:采用MSC的光谱预处理方法时建立的乙酰甲胺磷预测模型较优,其预测集相关系数R为0.8199;而采用SNV的光谱预处理时建立的SiPLS毒死蜱预测模型较优,其预测集相关系数为0.8434。可见,应用近红外光谱技术定量检测芦柑表面多种农药残留是可行的。     

基于可控气流-激光检测技术的鸡肉嫩度评估方法

以鸡肉嫩度为研究对象,采用可控气流-激光检测技术的瞬态、蠕变回复和应力松弛等动静态检测模态,并使用支持向量机分类器和全局变量偏最小二乘算法,结合不同预处理方法,对鸡肉嫩度进行定性判别和定量预测。结果表明3个激励模态结合不同预处理算法均可实现鸡肉嫩度的定性定量评估。在定性方面,瞬态模态对嫩度具有最佳的分类效果;S-G卷积平滑算法表现出最佳的预处理性能,校正集嫩/老分类精度分别为1和0.98,马修斯相关系数为0.97;而验证集分类精度也达到了0.95和0.84。在定量预测方面,S-G卷积平滑算法在提升原始数据的信噪比上同样具有最佳效果;瞬态模态校正集和验证集模型相关系数分别为0.948和0.913,均方根误差分别为0.736N和1.013N。因此,在组织结构引起的品质预测动态模态较静态模态更适用。本研究开展的可控气流-激光技术在鸡肉嫩度评估的应用,为肉品检测领域提供了新的解决方案。     

不同储存时间和取样部位牛肉颜色的高光谱图像检测

为了探讨高光谱图像技术对不同储存时间和取样部位的牛肉颜色检测的可行性,采集具有代表性的牛肉后腿、里脊和背脊共82个牛肉样品的高光谱图像,并测量其亮度、红度、黄度和饱和度等颜色参数.选取感兴趣区域获取样品代表性光谱,通过选择适宜的谱区范围和预处理方法,建立并评价了预测各颜色参数的偏最小二乘校正模型.对于亮度、红度、黄度和饱和度,校正集的相关系数分别为0.80、0.91、0.91和0.93,校正标准差分别为2.23、1.18、0.82和1.12,预测集的相关系数分别为0.92、0.88、0.87和0.89,预测标准差分别为1.66、1.45、0.80和1.27.研究结果表明,高光谱图像技术可用于快速无损检测不同储存时间下、不同部位的牛肉颜色.     

基于近红外光谱的香蕉品质检测方法研究

研究提出了近红外光谱技术无损检测香蕉品质指标的新方法。采用The Unscramble 9.7分析软件,建立了香蕉糖度、坚实度和粘度的预测模型。根据定标集样品常规方法测定结果和所扫描得到的香蕉未剥皮和剥皮的光谱信号间的拟合关系,采用偏最小二乘法建立香蕉糖度、坚实度和粘度的定标模型,并用未参与定标的一组样品作为预测集对模型进行检验。未剥皮香蕉的糖度、坚实度和粘度的预测决定系数分别为0.94,0.95,0.93,剥皮香蕉的糖度、坚实度和粘度的预测决定系数分别为0.92,0.97,0.95,预测精度较高。结果表明,香蕉皮对其的影响不大,近红外光谱技术可应用于未剥皮香蕉品质检测,实现了香蕉品质的快速、无损检测,为香蕉品质的无损检测提供了理论依据。     

不同光谱采集条件下麦秸低位热值NIRS快速检测

采集我国不同地区、不同品种的71个麦秸样品,选取其中54个为校正集,17个为独立的验证集。采用Spectrum 400型和Antaris Target型两种近红外光谱仪,分别对麦秸低位热值进行实验室静态和模拟在线快速预测分析。利用Spectrum 400型近红外光谱仪对麦秸低位热值进行实验室静态分析,建立的预测模型校正集决定系数为0.90,验证集相对分析误差为2.75。利用Antaris Target型近红外光谱仪对麦秸低位热值进行实验室模拟在线分析,建立预测模型,校正集决定系数为0.93,验证集相对分析误差为3.26。对这两种光谱采集条件下的近红外光谱快速分析模型进行了比较分析。     

基于近红外漫反射光谱技术的芒果糖度无损检测方法研究

近红外光谱分析技术是近年迅速发展的一门绿色分析技术,具有快速、准确、无损伤检测的特点,正越来越广泛地应用于水果内部品质的无损检测。为此,应用近红外漫反射光谱技术无损检测芒果糖度,光谱数据经一阶微分和Savitzk-Golay预处理后,分别采用主成分回归法(PCR)和偏最小二乘法(PLS)建立芒果糖度近红外分析模型,当主成分数为10时,预测相关系数R分别为0.838 69,0.976 59,RMSEC分别为1.628 4,0.205 8,MEP为1.235 0,0.738 3;采用BP神经网络对70个样品光谱进行训练,建模集相关系数达到0.983 3,而对36个预测样品集的相关系数只有0.663 9;调整建模集和预测集样品,相关系数增大到0.683 6,平均相对误差由10.336 9%降到8.057 6%。研究结果表明,利用近红外漫反射光谱技术对芒果糖度进行无损检测是可行的。     

鲜切果品新鲜度可见/近红外快速检测装置设计与实验

为了适应日益增长的鲜切果品消费需求,基于光谱分析技术和传感器技术,集成微型光谱仪、质量传感器、照度计和树莓派显示屏等电子元器件,设计了一套鲜切果品新鲜度可见光/近红外快速检测装置。硬件系统包括数据采集模块、光源模块、结果输出显示模块和控制器模块,软件实现处理数据、调用分级模型和反馈分级结果等功能。以鲜切苹果为例,采集24个红富士苹果样本在400～820 nm波段的光谱反射率,并在室温下分别于0～2 h、2. 5～8 h和8. 5～30 h 3个时间段,对每一个待测样品进行4组光谱数据测量,共获取288个原始样本数据。以切开时长2 h为分界线,将苹果样品分为2个等级。利用15点的S-G平滑卷积对反射光谱数据进行平滑处理后,使用核函数为高斯核函数(RBF)的支持向量机建立苹果新鲜度可见/近红外光谱检测分级模型,预测集准确率可达86. 81%。该鲜切果品新鲜度可见/近红外快速检测装置可为果品新鲜度或切后存放时长的快速无损检测提供方法与技术支持。     

基于可见/近红外光谱技术的板栗产地识别

采用可见/近红外光谱分析技术对河北和安徽两个产地的板栗进行检测分级,获得板栗样品在600~1 100 nm波长区间的可见/近红外光谱,采用偏最小二乘判别分析（PLSDA）进行建模,比较不同预处理方法和波长范围对PLSDA模型精度的影响。结果显示,不同预处理方法对模型性能影响较大,一阶导数预处理在全波长范围所建PLSDA模型性能最优,校正集和验证集的决定系数分别为0.884和0.863,均方根误差分别为0.170和0.191。不同波长范围也会影响模型的预测和识别性能,在波长区间为750~1 000 nm的光谱所建立的PLSDA模型性能要高于全波长光谱所建立的模型性能,其中经过Savitzky Golay平滑预处理后,模型性能的提高最为明显,且其与原始光谱在校正集和验证集的敏感性和特异性均达到最优,即识别率均可达到100%。因此,可见/近红外光谱分析技术能够对板栗产地进行鉴别。     

近红外漫反射光谱检测土壤有机质和速效N的研究

利用近红外漫反射光谱检测技术对土壤有机质和速效N含量进行了相关研究。通过自行设计的NIR光谱系统测定了150个土壤样品有机质和速效N。126个土壤样品用来建立校正集模型,其余24个用来验证模型的性能。采集完整土壤样品的近红外漫反射光谱,原始光谱经移动窗口平滑处理、SNV和一阶微分预处理后,分别采用最小二乘支持向量机(LS-SVM)和偏最小二乘法(PLS),建立土壤有机质和速效N含量的定量预测数学模型。结果表明采用一阶微分结合最小二乘支持向量机(LS-SVM)所建模型的预测效果较好,土壤有机质和速效N含量定量预测数学模型的决定系数分别为0.8255和0.8015,均方根误差分别为2.84和16.80。近红外漫反射光谱作为一种检测方法,可用于评价土壤有机质和速效N含量。     

绿茶杀青叶料含水率可见-近红外光谱检测

为实现绿茶杀青叶料含水率的快速无损检测,基于可见-近红外光谱分析建立含水率的预测模型。使用FieldSpec 3型便携式地物光谱仪,采集192个杀青叶料样品的漫反射光谱信息,基于X-Y共生距离的样本划分算法SPXY,确定144个样本的校正集和48个样本的预测集。进行一阶微分和移动平滑滤波预处理后,采用相关系数法优选出11个特征波段,建立了含水率检测的偏最小二乘回归、主成分回归、人工神经网络及其组合的模型。结果表明,选用5个主成分的偏最小二乘回归模型最佳,其校正和预测模型的相关系数分别为0.990和0.819,均方根误差分别为0.011和0.037,预测含水率的平均相对误差为3.30%。