精料补充料中肉骨粉的显微近红外成像识别

探讨了利用显微近红外成像技术识别精料补充料中肉骨粉的可行性.分别采集奶牛精料补充料和肉骨粉样品,制备沉淀颗粒,规则排列于聚四氟乙烯( PTFE)背景底板上,进行显微近红外图像采集.设置像素点大小为50 μm×50 μm,采集面积为5 000μm×5 000 μm,100×100个像素(共计10 000条光谱).光谱范围为7 800 ～4 000 cm -1,光谱分辨率为8 cm-1.采用主成分分析和模糊聚类分析,对显微近红外图像数据集进行信息提取与处理.结果显示,肉骨粉与精料补充料可依据在图像上不同的主成分得分进行区分;在主成分分析的基础上,通过模糊聚类方法可以进一步细化样本类别.研究表明,显微近红外成像方法可应用于肉骨粉快速检测中.     

基于近红外光谱的山核桃的品种鉴别

为实现对山核桃品种的快速鉴别，采集浙江临安山核桃、安徽宁国山核桃、美国山核桃和四川核桃共4种100个核桃样品的近红外光谱，对光谱数据进行了标准正态变量变换（standard normal variate transformation，SNV）预处理后，采用主成分分析（principal component analysis，PCA）法实现了光谱的差异可视化，基本可实现4种山核桃的鉴别。为提高模型准确率，采用主成分分析降维后数据结合线性判别（PCA-LDA）的分类方法，该法对4种山核桃品种鉴别的校正集和验证集的分类准确度都达到了100%。结果表明，近红外光谱技术可实现对山核桃品种的快速鉴别。      

基于显微图像处理的不同种属肉骨粉鉴别分析

以20个可靠来源的肉骨粉样品（猪源、禽源、反刍源）为研究对象,采用标准方法制备骨颗粒试样,并采用光学显微镜图像系统获取其显微图像。通过系列图像处理提取骨颗粒表面代表性腔隙的显微组织特性数据,计算所得腔隙的面积、周长、长短轴长度及比率。研究发现,猪、鸡、牛、羊肉骨粉骨颗粒腔隙的面积、周长和长短轴长度数据均为正态分布,且不同种属之间均有显著性差异。PLS-DA结果显示,基于骨颗粒腔隙的面积、周长特性数据可以鉴别哺乳动物源与鸡源肉骨粉,而基于长短轴长度数据的不同种属肉骨粉识别率均较低。独立验证集结果表明：基于面积、周长及其组合特性数据可以有效进行鸡源和哺乳动物源肉骨粉的鉴别分析,模型的判别正确率均达0.93。其中基于面积和周长组合特性数据的鉴别分析结果优于基于单一特性数据的结果。而基于骨颗粒显微图像处理,很难进一步对不同哺乳动物（反刍动物和猪）源性肉骨粉进行鉴别分析。     

肉骨粉显微近红外标准光谱库的快速构建方法

利用傅里叶变换显微近红外成像系统,获取了3种不同种属肉骨粉骨颗粒样本的可见光图像和显微近红外图像。采用标记分水岭算法,基于Matlab软件和友好用户界面GUI设计实现图像颗粒的自动化提取与标记,以自动化批处理方式提高了光谱的提取效率,识别率为96.4%。基于颗粒标记,从三维显微成像数据阵中获取单条骨颗粒光谱,以全局马氏距离和邻近马氏距离为指标,提取其中具有代表性的光谱即可构建肉骨粉显微近红外标准光谱库。     

雪莲花产地鉴别的近红外光谱分析方法

以青海、西藏、云南和新疆4个不同产地的雪莲花为研究对象,利用K-最近邻域(KNN)模式识别方法建立雪莲花产地鉴别模型,模型参数K和主成分因子数(PCs)通过交互验证的方法优化;同时比较了标准正态变量变换(SNV)、多元散射校正(MSC)、一阶导数和二阶导数4种预处理方法对模型结果的影响.试验结果显示,通过SNV光谱预处理后,在K为3和PCs为5时,所得到的模型最佳,模型交互验证识别率和预测识别率均为100%.研究表明,近红外光谱技术结合KNN方法可以成功鉴别雪莲花产地.     

近红外玉米品种鉴别系统预处理和波长选择方

以7个品种玉米籽粒的鉴别系统为研究对象,对比研究了6种预处理方法和波长选择对模型鉴别能力的影响.结果表明,在被比较的6种预处理方法中,一阶导数方法能够使模型有更好的鉴别性能.使用一阶导数预处理和全光谱区的模型平均正确识别率和正确拒识率最高,分别为98.6%和98%,有5个品种的模型的正确识别率和正确拒识率都达到了100%.波长选择对一阶导数模型没有明显作用,但能使标准正态变量变换和矢量归一化模型鉴别准确度得到较大提高.     

饲料中动物源性成分显微近红外光谱检测分析

探讨了应用显微近红外光谱分析技术检测饲料中动物源性成分的可行性.利用12个动物源性成分饲料样品和14个植物源性成分饲料样品建立偏最小二乘定标模型,数学预处理方法为导数+多元散射校正,利用平均光谱来优化模型实现数据压缩,模型的决定系数、交互验证标准差分别为0.969、0.090.4个配合饲料样品作为外部验证未出现误判.结果表明显微近红外光谱分析技术可用于检测饲料中动物源性成分.     

雪莲花产地鉴别的近红外光谱分析方法

以青海、西藏、云南和新疆4个不同产地的雪莲花为研究对象,利用K-最近邻域（KNN）模式识别方法建立雪莲花产地鉴别模型,模型参数K和主成分因子数（PCs）通过交互验证的方法优化;同时比较了标准正态变量变换(SNV)、多元散射校正(MSC)、一阶导数和二阶导数4 种预处理方法对模型结果的影响。试验结果显示,通过SNV光谱预处理后,在K为3和PCs为5时,所得到的模型最佳,模型交互验证识别率和预测识别率均为100%。研究表明,近红外光谱技术结合KNN方法可以成功鉴别雪莲花产地。     

鸡肉中假单胞菌的近红外光谱快速识别

假单胞菌是鸡肉腐败最主要的致腐菌,为了快速识别鸡肉中的假单胞菌,首先从腐败鸡肉中分离并筛选出致腐菌,进一步利用聚合酶链反应技术对目标菌株进行生物学鉴别(分别为盖氏假单胞菌、嗜冷假单胞菌、莓实假单胞菌和荧光假单胞菌);配置鉴定的4种假单胞菌和等体积混合的4种假单胞菌菌液,采集菌液近红外透射光谱信息;然后运用标准正态变量变换对光谱进行预处理,利用联合区间偏最小二乘法筛选出特征波段;最后有比较地运用K最近邻法、最小二乘支持向量机和反向传播人工神经网络建立5种假单胞菌菌液的近红外光谱分类识别模型。其中反向传播人工神经网络模型预测效果最佳,其训练集和预测集的识别率分别为99.17%和95.00%。研究结果表明,近红外光谱结合反向传播人工神经网络可以快速识别鸡肉中的假单胞菌。     

基于可见/近红外高光谱的八角茴香与莽草无损鉴别

基于高光谱成像技术提出了一种八角茴香与其伪品莽草的快速鉴别方法。实验采集400~1000nm范围的高光谱数据,依据样本和背景像素点的光谱特征差异,选择850nm和450nm下的图像并进行差运算,结合阈值法去除背景信息,利用线性拉伸去除样本高度引入的阴影噪声像素点,再结合二值图像区域标记法从样本高光谱数据中自动提取其平均光谱数据;利用平均光谱数据,采用连续投影算法（Successive projections algorithm, SPA）选取了4个最优波长：533、617、665、807nm;基于最优波长下的光谱数据,建立了偏最小二乘判别（Partial least square discrimination analysis,PLSDA）模型,模型对鉴别八角和莽草的总体准确率为98.4%;利用所建多光谱模型对外部验证集数据进行预测,总体分类准确率为97.9%。利用常规图像处理技术同时对外部验证集数据进行处理,并对两种技术方法进行了比较,结果表明,依托高光谱成像技术建立的八角和莽草辨识的多光谱分析方法简单、高效,易于实现动态在线便携式检测。     

基于近红外光谱和机器学习的大豆种皮裂纹识别研究

针对目前大豆种皮裂纹检测主要依靠人工、检测效率低、误差大的问题,提出一种基于近红外光谱技术和机器学习的大豆种皮裂纹自动识别方法.采用FT-NIR光谱仪采集150粒大豆样品(裂纹大豆75粒,正常大豆75粒)的近红外光谱,采用原始光谱、标准正态变量变换(Standard normal variate,SNV)、多元散射校正...     

豆粕品质近红外定量分析实验室模型在线应用

为探究豆粕近红外定量分析模型从实验室到工厂在线应用转移的可行性,以全国采集的117个豆粕样品为研究对象,利用偏最小二乘法在实验室建立了豆粕含水率、粗蛋白质量分数的近红外定量分析模型,继而将此模型转移到饲料生产企业进行在线应用。研究结果显示:建立的实验室近红外模型可实现豆粕含水率、粗蛋白质量分数的快速预测,其中,含水率和粗蛋白质量分数的验证集决定系数R2P分别为0. 83和0. 86,相对分析误差分别为2. 40和2. 55,模型效果良好;采用模型校正、样品扩充两种不同方法,将实验室模型转移到饲料生产企业进行在线应用,含水率和粗蛋白质量分数的预测值与实际测量值之间具有很好的吻合性,可以达到在线分析的要求。     

鱼粉中肉骨粉含量的近红外反射光谱分析

收集了112个鱼粉和34个肉骨粉样品，在鱼粉中掺入不同比例（5％～60％）的肉骨粉，制备了163个样本。应用偏最小二乘（PLS）定标方法，在8678．10～4250．34cm。波数范围内，采用变量标准化（SNV）、7点平滑和一阶导数对光谱进行预处理，建立了鱼粉中肉骨粉含量的NIRS定量分析模型。定标集真值与NIRS定标模型预测值之间的决定系数R^2和标准差RMSEC分别为0．9529和3．22，相对分析误差RPD为4．798。验证集真值与NIRS预测值之间的决定系数r^2及标准差RMSEP分别为0．9668和2．68，相对分析误差RPD为5．484。结果表明．利用NIRS分析技术可准确地检测鱼粉中肉骨粉含量．     

基于近红外光谱的寒地水稻稻瘟病检测数据分析

为克服传统稻瘟病目测诊断正确率低的缺陷,以感染了稻瘟病的寒地水稻植株为研究对象,通过近红外光谱技术采集到了健康植株与染病植株不同部位光谱特征:叶瘟病3种病害等级光谱特征;谷粒瘟5种病害等级光谱特征和穗茎瘟4种病害等级光谱特征分析结果表明,得出的结论是,不同情况的植株都有各自的近红外光谱波段,这一结论为将来利用近红外光谱技术实现寒地水稻稻瘟病的实时检测奠定先期基础。     

鱼粉品质的近红外反射光谱快速检测方法

利用近红外光谱分析技术检测145个鱼粉样品化学成分,其中115个作为定标集,其余30个作为检验集。采用偏最小二乘法(PLS)建立定标模型,并对原始光谱进行预处理。结果表明,以一阶导数和9点卷积平滑预处理效果最佳。用所建立的定标模型对检验集样品进行成分预测,并对预测值与化学分析值之间进行F检验,结果表明,在置信度为99％下,除钙之外,其他成分均为高度显著。近红外光谱分析技术可以检测鱼粉中的水分、粗蛋白、粗脂肪、粗灰分、总磷和盐分,但钙的预测结果不理想。     

鱼粉、豆粕样本-样本二维相关近红外光谱判别

为了探讨利用二维相关近红外光谱法快速判别鱼粉和豆粕饲料原料的可行性,共收集了52个鱼粉、60个豆粕样品,其中34个鱼粉和40个豆粕样品作为定标集,其余18个鱼粉和20个豆粕样品作为独立验证集,用Spectrum400型近红外光谱仪扫描获取光谱,并对其特征峰进行解析.采用样本-样本二维相关分析方法定性判别鱼粉、豆粕,当预处理方法为一阶导数时,判断正确率为100％.与偏最小二乘判别分析方法相比,二者均可正确检测鱼粉、豆粕,其中二维相关方法的建模及验证算法简单、计算量小、运算速度快.     

病虫害智能识别喷药装置设计——基于PC图像处理和近红外光谱分析

在自动化喷施农药过程中,为了准确识别病虫害作物、节约农药和降低农业对环境的污染,以及提高药物的去虫效率,提出了一种基于PC图像处理和近红外光谱分析的作物病虫害智能识别喷药装置。该装置分为3个模块,包括近红外病虫害识别模块、喷药自动化调节模块和车载设备,其控制模块为安装在车上的PC机,利用近红外识别装置可以判断作物是否被病虫害污染,并且识别作物污染的等级,采用喷药自动化调节模块可以实现农药的定量调节,利用车载设备实现了全自动化喷药。对装置的性能进行了测试,结果表明:采用近红外识别装置和主成分分析法可有效地识别病虫害污染的作物,识别准确率较高;喷药自动化装置可根据病虫害的等级进行变量化喷药,减少了农药使用量,得到了较高的去虫率,从而验证了装置的可行性和可靠性。     

基于变量选择的小麦粗蛋白含量近红外光谱检测

小麦粗蛋白含量是其品质评价的重要指标,为探讨基于选择的短波近红外光谱变量定量判别小麦籽粒粗蛋白的可能性,采集了52份小麦籽粒样本,用湿化学方法分析其粗蛋白含量,获取其900~1700nm波段的光谱,进而利用该光谱进行预处理方法的优化研究及小麦籽粒蛋白敏感变量的优选研究,以偏最小二乘的方法建立了基于短波近红外光谱的小麦籽粒蛋白定量模型。结果表明：多元散射校正和小波变换结合是短波近红外光谱定量判别小麦籽粒粗蛋白含量较优的预处理方法;利用200次竞争性自适应重加权变量优选的统计结果,优选出1028、1158、1199、1367、1407、1445、1478、1494、1550、1584、1661、1686nm 12个变量为小麦籽粒蛋白敏感变量,占全谱的2%,该方法可稳定、高效地优选光谱变量,降低水分对模型的影响;结合预处理优化及变量优选建立偏最小二乘模型,模型预测决定系数和预测均方差分别为0.961和0.369。可见优选的短波近红外光谱变量可用于定量判别小麦籽粒粗蛋白含量。     

基于近红外光谱的核桃仁蛋白质含量检测分析

为了实现核桃仁蛋白质的快速无损检测,采用近红外光谱技术,建立了核桃仁蛋白质含量预测模型,并对近红外光谱波段筛选方法进行了研究。首先针对3种不同粒度核桃仁样本,采集了1040~2560nm范围全波段信息,采用多元散射校正法和标准正态化方法对原始光谱进行了预处理。然后,采用间隔偏最小二乘算法筛选了光谱特征波段,并建立了全波段和特征波段下核桃仁蛋白质含量偏最小二乘算法预测模型。通过对不同粒度核桃仁样本近红外光谱分析表明,核桃仁粒度大小对核桃仁蛋白质含量预测效果并无显著影响。采用间隔偏最小二乘算法的波段筛选,核桃整仁样本验证集的均方根误差和相关系数分别为0.021和0.913, 表明该方法能够优化模型质量并降低模型复杂度。     

基于HS-GC-IMS和HS-SPME-GC-MS的蛋白酶对豆粕挥发性风味的影响分析

为研究不同蛋白酶酶解对豆粕挥发性风味成分的影响,选用4种蛋白酶（碱性蛋白酶、中性蛋白酶、木瓜蛋白酶、风味蛋白酶）对豆粕进行酶解,采用顶空-气相色谱-离子迁移谱（Headspace-gas chromatography-ion mobility spectroscopy,HS-GC-IMS）和顶空固相微萃取-气相色谱-质谱（Headspace solid phase microextraction-gas chromatography-mass spectrometry,HS-SPME-GC-MS）联用技术分析不同豆粕酶解物（Soybean meal hydrolysates,SMH）的挥发性风味成分,并结合主成分分析（Principal component analysis,PCA）、热图聚类和正交偏最小二乘判别法（Orthogonal partial least squares-discriminant analysis,OPLS-DA）对不同SMH进行分析。结果表明：碱性蛋白酶、中性蛋白酶、木瓜蛋白酶和风味蛋白酶酶解豆粕的挥发性风味成分存在较大差异。HS-GC-IMS鉴定出84种挥发性成分,筛选得到33种差异风味物质,发现酶解后酮类物质显著降低而醛类、醇类和酯类物质含量明显增加。PCA结果表明不同SMH之间的风味存在显著差异。最终通过OPLS-DA筛选出贡献较大的挥发性化合物,同时构建出可靠的用以鉴别SMH的模型。HS-SPME-GC-MS检测出103种差异风味物质,可用于区分不同SMH,被检出的挥发性组分中醛类、醇类和酮类等化合物为SMH风味的形成做出主要贡献,明晰了部分风味化合物形成的原因。PCA和聚类热图结果表明不同蛋白酶酶解对豆粕的挥发性风味物质的种类和含量有显著影响,其中,风味蛋白酶和木瓜蛋白酶对豆粕的风味改善最为显著。