昭通天麻地理标志产品保护现状及对策

昭通天麻是天麻类产品中最早获得国家地理标志保护的产品,但其保护存在着重视程度不够、保护意识不强、地标使用率低、品牌影响力弱、市场监管体系不够健全等一些不容忽视的问题。对昭通天麻地理标志保护产品保护过程中存在的问题进行分析,并提出对策和建议,希望增强昭通天麻国家地理标志产品保护水平,提高昭通天麻的市场影响力和竞争力。     

基于沙柳冠层可见-近红外光谱的热值预测

热值是灌木生物质能源利用的重要燃烧性能参数之一。针对传统实验室检测方法破坏性大、费时费力、无法实现大量样本的快速检测问题,探讨了沙柳冠层可见-近红外光谱(Vis-NIR)结合不同化学计量学方法预测沙柳热值的精度差异。采用标准正态变量变换(SNV)、归一化数据(normalize)、标准正态变量变换+归一化数据和第二代小波变换即提升小波变换(LWT)对冠层光谱进行预处理,采用偏最小二乘法(PLS)和卷积神经网络(CNN)构建了沙柳热值可见-近红外模型。同时,对比分析了鲸鱼优化算法(WOA)、麻雀搜索算法(SSA)和灰狼优化算法(GWO)对CNN模型参数的优化效果。结果表明：当采用db4小波进行5层分解后,其对沙柳冠层可见-近红外光谱的去躁效果最好,基于LWT-WOA-CNN法构建的沙柳热值可见-近红外模型的预测精度最优,校正模型的决定系数(R²)、均方根误差(RMSE)和相对分析误差(RPD)分别为0.852,0.103和2.599,RPD值较原始的PLS和CNN模型分别提高19.11%和76.80%。该研究可为沙柳生物质能源的高效、精细化利用提供技术支撑。     

湿地松木材近红外光谱与其结晶度的相关性

对湿地松木材近红外光谱与X射线衍射法测定的木材结晶度之间的相关性进行分析,并结合近红外光谱分析技术的基本理论,探讨降低光谱范围和选择相关光谱信息对近红外光谱预测木材结晶度的影响.结果表明:1)降低参与建模的近红外光谱范围仍然可以得到比较理想的近红外光谱模型与预测结果,当选用2 000～2 500 nm区域的光谱建立模型时,预测值与实测值的相关系数r达到0.943;2)当选择光谱范围更小但与木材纤维素吸收峰密切相关的光谱数据(1 400～1 660 nm或2 020～2 250 nm)进行建模时,模型的预测效果并未降低(r＞0.947),甚至仅采用7个光谱数据也可以得到比较理想的预测结果,预测相关系数r可达到0.930,说明采用更少的但与木材纤维素吸收峰密切相关的光谱信息,所建立的预测模型仍可得到比较理想的预测效果,这将有利于低成本、便携式近红外光谱仪的开发.     

基于近红外光谱波段优选的针叶木材基本密度估测模型的优化研究

【目的】木材基本密度在木材质量等级评定中具有重要作用,是木材分流及精细化利用的重要依据。【方法】以东北林区典型针叶树种为研究对象,结合近红外光谱技术,构建红松、落叶松、云冷杉木材基本密度近红外估测模型,分析比较了不同波段优选算法并进行了模型优化。研究采用竞争性自适应重加权法(CARS)、无信息变量消除法(UVE)和间隔偏最小二乘法(iPLS)对木材近红外光谱波段进行优化,基于卷积平滑算法对近红外光谱数据进行预处理,结合偏最小二乘法(PLS)建立针叶木材基本密度估测模型。依据相关系数(R)、均方根误差(RMSEC)等模型参数对模型效果进行评价,对比分析确定最佳波段优选方法,得到最优针叶木材基本密度近红外估测模型。【结果】利用CARS、UVE、i PLS的波段优化方法对近红外光谱波段的筛选,可以起到优化针叶木材基本密度模型的作用,减少参与建模的近红外光谱的波段变量数,明显提升模型的运算速度,使得模型准确度更高、稳定性更好;利用间隔偏最小二乘法结合偏最小二乘法(iPLS-PLS)进行波段优选的针叶木材基本密度模型效果最好,其模型校正相关系数为0.938 0,校正均方根误差为0.021 8,验证相关系数为0.8959,验证均方根误差为0.028 0。【结论】基于波段优选及模型优化构建东北林区典型针叶树种基本密度近红外估测模型,可以有效提高运算速度及估测精度,实现针叶材基本密度的快速、准确、无损估测,为针叶木材材性研究和森林培育提供了理论依据与技术支撑,有利于进一步实现木材的高效节约与精细化利用。     

近红外光谱快速预测乙酰化木材的增重率

采用近红外光谱技术对乙酰化大青杨和樟子松木材的增重率进行快速预测。在近红外波长780～2500 nm范围内,利用偏最小二乘法( PLS)建立木材横切面原始光谱及不同预处理(一阶导数、二阶导数、归一化处理和消噪)光谱乙酰化木材增重率数学模型,并进行比较分析。结果表明：乙酰化大青杨和樟子松木材分别选用归一化处理光谱和消噪光谱建立的增重率校正模型预测效果较好,预测模型相关系数( R)分别为0.90和0.70,预测标准差(RMSEP)分别为1.0072和1.3012,其中乙酰化大青杨木材增重率预测模型实测能力较佳,表明利用木材横切面近红外光谱建立的数学模型可以实现乙酰化木材增重率的快速预测。     

基于SWSRA-UVE算法的纸浆材综纤维素近红外预测模型共享研究

为实现纸浆材综纤维素质量分数的近红外分析模型在3台不同光谱仪器上的共享,提出了光谱信号比值分析筛选波长-无信息变量剔除(SWSRA-UVE)联用算法。即利用无信息变量剔除(UVE)算法,减少光谱信号比值分析筛选波长(SWSRA)方法中无效波长的不利影响,以提高模型传递精度。建立基于SWSRA-UVE算法优选波长的偏最小二乘回归(PLSR)主机模型,并将其模型传递效果与其他常用模型传递方法进行了对比。结果表明,针对2台从机采用SWSRA-UVE方法最终分别优选出的252和105个波长建立模型,分别用于从机1和从机2测量光谱样品的综纤维素质量分数,预测标准偏差(RMSEP)与模型传递前相比分别从2.011 4和9.451 8下降到了1.238 6和1.629 4,且优于SWSRA和其他模型传递算法结果。因此,SWSRA-UVE方法通过UVE算法进一步优选SWSRA一致性波长结果,大大简化了模型传递过程,显著地提高了主机模型的普适性,有利于近红外光谱分析技术的推广应用。     

桦木顺纹抗压强度的SEPA-VISSA-RVM近红外光谱预测

木材顺纹抗压强度是评价木材力学性能的重要指标,而传统测量方法操作复杂、精确度低。以桦木为例,提出基于近红外光谱技术(NIR)的SEPA-VISSA-RVM木材顺纹抗压强度模型,实现对其更加精确的预测。试验选取100个木材试件,在900~1700 nm近红外光谱波段上采集数据并测量抗压强度真值;然后采用卷积平滑(SG)方法进行光谱预处理;使用采样误差分布分析(SEPA)作为变量空间迭代收缩算法(VISSA)的改进策略进行特征波长优选;最后通过粒子群优化算法(PSO)优化核函数参数并建立相关向量机(RVM)的预测模型。试验表明:在特征波长优选方面,以偏最小二乘法(PLS)建模为基础的SEPA-VISSA方法,其预测决定系数为0.9593,预测均方根误差为2.8995,相对分析误差为3.0256,光谱变量数由512减小到111个,占总波长的22%,均优于VCPA、CARS和VISSA算法;在建模预测方面,以SEPA-VISSA所选波长为基础的RVM模型,PSO优化的拉普拉斯(Laplacian)核函数的核宽度为10.4043,决定系数为0.9449,预测均方根误差为2.0432,相对分析误差为4.2936,预测效果优于PLS和SVR。因此,基于近红外光谱的SEPA-VISSA-RVM建模能够实现对桦木顺纹抗压强度更准确和稳定的无损检测。     

基于近红外光谱分析技术的桉木纤维施胶量高低快速判别

【目的】基于近红外光谱分析技术,判别纤维板生产过程中施胶量高低,为施胶工艺阶段提供技术支撑。【方法】以桉木纤维为研究对象,以脲醛树脂胶黏剂施胶量高低为判别指标,对同一批桉木纤维,控制含水率5%左右,建立施胶量为无(0%)、低(3%)、中(12%)、高(20%) 4种类别的近红外光谱偏最小二乘法回归模型(PLS),采用PLS-DA法判别施胶量高低,探究光谱采集方式(施胶纤维运动或静态状态)、施胶后纤维陈放时间对模型判别准确性的影响。【结果】1)随着施胶量增加,近红外光谱吸光度增大,PCA分析可区分无、低、中、高4种施胶量类别的桉木纤维; PLS-DA法能够建立相关性好、准确性高的近红外光谱模型,对未知样品的判别正确率达100%; 2)静态或动态光谱采集方式不会影响模型建立,对未知样品的判别正确率达100%;施胶后纤维陈放时间对近红外光谱影响很大,施胶后长时间陈放的纤维几乎不能正确判别施胶量高低。【结论】不同施胶量桉木纤维对近红外光谱的吸光度不同,PLS-DA法可准确判别桉木纤维施胶量高低;样品处于静止或运动状态均不影响模型建立和判别的准确性,可为在线识别纤维施胶量提供一定思路。     

粗皮桉木材力学性质的近红外光谱方法预测

以人工林粗皮桉木材为研究对象,采用常规力学测试方法和近红外光谱方法对其无疵小试样力学性质进行研究。用近红外光谱仪采集试样表面的近红外光谱,对采集的近红外漫反射光谱进行导数预处理并对不同波段光谱建立校正模型,以1/3试样作为预测集对校正模型进行验证。结果表明:二阶导数预处理、350～25000nm全光谱波段、径切面和弦切面平均光谱值对粗皮桉木材力学性质模型预测效果最好。抗弯弹性模量和抗弯强度、顺纹抗压强度的实测值与近红外光谱方法的预测值存在较好的相关性,相关系数均大于0.88,相对分析误差大于2.0,表明利用近红外光谱方法预测人工林粗皮桉木材力学性质效果较好。     

一种基于近红外光谱判别木材属种的方法

采用近红外光谱结合化学计量学的方法,对桉木和相思木及其属间6种木材的判别分类进行了研究。首先采集了尾巨桉、尾叶桉L11、尾叶桉U6、蓝桉、马占相思、厚荚相思,共计86个样本的近红外光谱图,采用偏最小二乘法判别分析(PLS-DA)建立了桉木和相思木的分类模型,校正集和验证集的预测值与实际值之间的回归线基本重合,决定系数(R2)分别为0.99和0.97,模型效果较好,且对未知样本的识别正确率为100%。为了对属间的6种木材作进一步的判别,采用MSC和Savitzky-Golay平滑对4000~7500 cm-1光谱进行预处理后,结合主成分分析(PCA)建立判别模型,模型识别率和验证正确率均为100%。结果表明基于近红外光谱结合化学计量学算法可以对桉木和相思木的不同属进行快速鉴别。     

不同型号便携式光谱仪间木质素近红外光谱分析模型传递研究

应用便携式近红外光谱仪快速检测制浆材时,如果能实现同系列不同型号仪器之间分析模型共享,将极大降低仪器建模和维护成本。为实现混合木材木质素含量的近红外分析模型从1台主机向2台不同型号从机的模型传递,收集了5种常见制浆材的82个原木样品,经粉碎预处理后分别在3台便携式光谱仪上采集其近红外光谱信号,采用差谱、光谱的平均差异和光谱间的欧氏距离等方法,定量表征了仪器间的信号差异,分析并讨论了差异产生的原因。利用偏最小二乘回归建立了样品主机近红外光谱与木质素含量的关联模型,再分别采用斜率截距、直接校正和典型相关分析算法进行主机与两台从机间的模型传递,比较了模型传递前后预测精度。结果表明,便携式光谱仪间的差异多为非线性,且不同型号从机光谱仪间差异更为复杂。尽管主机向同型号的从机模型传递效果更优,但经直接校正算法和典型相关分析算法传递后两台不同型号从机预测相关系数均大于0.98、预测相对标准偏差均大于3、预测标准偏差均小于1.1%,可实现木材木质素含量的近红外光谱分析模型在3台便携式光谱仪间的传递。该研究结果对于不同型号便携式光谱仪分析模型共享具有重要意义。     

银杏叶中芦丁含量快速定量数学模型的建立

利用傅里叶变换近红外透射光谱收集了19批不同产地银杏叶样品的近红外光谱图,运用OPUS 6.5分析软件对其进行一阶导数和多元散射校正预处理。在7 500~6 099 cm-1和5 450~4 249 cm-1范围内,因子数选择7,采用偏最小二乘法(PLS)对芦丁的含量进行了快速定量测定,根据超高效液相色谱-串联质谱测定的芦丁含量结果,建立了银杏叶中芦丁含量的定量数学模型。近红外模型预测结果与色谱检测结果相吻合,模型均方差为0.194,预测集的平均回收率为98.40%。本方法快速、简便,可应用于银杏叶药材的质量控制和大批量产品的检测。     

落叶松锉叶蜂为害的松林光谱特征分析

通过对不同程度危害的落叶松反射光谱进行测定,研究了不同程度危害的落叶松在绿光区、红光区和近红外区反射光谱的变化特征,并对光谱反射曲线进行微分分析。结果表明,绿光区、红光区和近红外区的落叶松光谱反射率随危害程度的加重分别呈现下降、上升和下降的趋势;对反射率曲线进行微分分析,健康落叶松、轻度、中度和重度为害后的一阶导数光谱反射率最大值随着危害程度增加而下降,并且向短波方向移动(蓝移)。实测光谱数据提取的归一化植被指数(NDVI)与落叶松锉叶蜂危害程度呈显著负相关,对应用遥感技术早期监测落叶松锉叶蜂灾害具有重要指示意义。     

基于红外光谱对2种常涉案木材的比较与分析

通过傅里叶红外光谱技术(FTIR)和近红外光谱技术(NIR),对木材宏观、微观构造相近,性质差距较大的甘巴豆(Koompassia malaccensis)和马达加斯加铁木豆(Swartzia madagascariensis)木材,进行红外光谱和近红外光谱数据测定。结果表明,2种木材的红外光谱图谱在指纹区(1 800～400/cm)存在6个明显差异特征,是区别2种木材的重要特征;近红外光谱中在波长300～1 326 nm之间,2种木材原始光谱图差异明显。通过对2种木材的比较和分析,可为鉴别木材种类、维护木材市场秩序提供依据。     

近红外光谱结合回归分析预测法判别木材的生物腐朽

利用近红外光谱结合多变量回归分析中常用的主成分回归(PCR)和偏最小二乘法回归(PLSR)分析预测法来判别木材的生物腐朽,并与前期采用的SIMCA和PLS-DA 2种判别方法进行对比分析.结果表明:1)应用近红外光谱结合多变量回归分析方法对校正集样本建立的判别模型,其校正及验证结果与标准值的相关性很高,相关系数均大于0.95,SEC和SEP都很低(0.07 ～0.20),利用模型对未参与建模的样本进行检测,发现2个模型对未腐朽、白腐和褐腐3种类型样本的判别准确率均为100％(偏差都小于0.27);2)对于相同样本集的判别效果,PLSR法比PCR法的判别效果好,且二者都比采用SIMCA法的效果好,并都与PLS-DA法的判别结果相近,说明利用近红外光谱结合回归分析预测法能有效地检测木材的生物腐朽,并对生物腐朽的类型进行准确判别.     

基于近红外光谱技术建立湿加松针叶黄芪苷含量的预测模型

研究使用DA2700型近红外光谱仪采集了112个湿加松Pinus elliottii×P.oaribaea松针粉末样本的光谱数据.结合实际测定值,采用偏最小二乘(PLS)回归法并选择最佳光谱预处理方法和最佳主成分数,建立湿加松松针黄芪苷含量的近红外快速预测模型.结果表明:当采用一阶导数(FD)+标准正态变量转换法(SN...     

基于小波模极大值的木材近红外光谱去噪

将光谱一阶导数与小波变换相结合,对杉木木材近红外光谱数据进行预处理,采用db3小波对光谱数据进行4尺度分解,在各分解尺度上根据信号和噪声的不同传播特性.保留信号的模极大值,去除噪声的模极大值.结果表明:光谱导数 小波变换模极大值能够有效消除光谱噪声和各种因素干扰,并很好保留了光谱信号特征,使光谱信噪比有了较大提高.     

基于偏最小二乘法的近红外光谱定量分析模型测定八角茴香中莽草酸含量

采用偏最小二乘法(PLS)建立测定八角茴香中莽草酸含量的近红外(NIR)光谱定量分析模型.应用多种光谱预处理方法分别对八角茴香固体粉末样品的NIR光谱进行预处理,并采用预处理后的光谱建立定量分析模型,每个模型均经过选择最有效的光谱区域和最适主因子数进行优化.经过比较各个模型的内部交互验证均方根误差(RMSECV)和交互验证预测值与真实值间的相关系数(RV),外部预测均方根误差(RMSEP),选取最优的模型,结果表明定量分析模型稳健性好和测定精度高,在中药有效成分定量分析方面有很好的应用前景.     

基于灰狼算法SVM的NIR杉木密度预测

【目的】提出一种基于灰狼算法支持向量机(GWO-SVM)的木材密度预测模型,利用近红外光谱(NIR)对杉木密度进行预测,为杉木性质定量分析提供理论依据。【方法】将109个杉木样品光谱数据和样品密度数据进行归一化,选取88个样品作为训练集、21个样品作为测试集,对2 151维光谱数据提取主成分,以主成分作为输入变量,以杉木样本密度作为输出变量,建立杉木密度多元线性回归(MLR)模型、SVM模型和GWO-SVM模型,采用决定系数(R~2)、均方误差(MSE)和平均绝对百分误差(MAPE)对3种模型的预测结果进行比较分析。【结果】对光谱数据进行主成分分析并选择5个主成分,其累积贡献率达98.7%。MLR模型的R~2为0.771 4,MSE为0.000 282 1,MAPE为3.009 23%; SVM模型的R~2为0.923 8,MSE为0.000 233 1,MAPE为2.794 50%;灰狼算法对SVM进行参数寻优,获得的最优参数分别为C=18.366 6、σ=0.043 3,GWO-SVM模型的R~2为0.919 2,MSE为0.000 183 4,MAPE为2.496 37%。3种模型的平均绝对百分误差均在可接受范围内,且GWO-SVM模型的平均绝对百分误差最小,预测效果最好。【结论】从预测精度分析,GWO-SVM模型明显优于MLR模型和SVM模型;从模型决定系数分析,GWO-SVM模型和SVM模型均优于MLR模型。灰狼算法优化支持向量机结合近红外光谱对杉木密度进行预测分析合理、高效。     

支持向量机结合近红外光谱法测定杉木木质素的含量

采用支持向量机(SVM)结合近红外光谱(NIR)技术建立测定杉木中木质素的定量分析模型。以47个杉木样品作为实验材料,用常规方法测定了样品中木质素的含量,用近红外光谱仪采集相应的光谱,对光谱数据进行平滑、求导、小波压缩以及归一化,结合支持向量机,以径向基(RBF)作为核函数,建立了测定杉木中木质素含量的模型。校正相对误差的平方和为0.007433,预测相对误差的平方和为0.001219。结果表明,该方法测量比较准确,可以用于杉木中木质素含量的预测。