芝麻油掺伪的近红外透射光谱检测技术

采用近红外光谱技术结合间隔偏最小二乘法分别建立芝麻油中掺入大豆油、玉米油和花生油的定量检测模型。实验配制不同比例的掺假芝麻油混合样品,采集样品在4 000～12 000 cm-1范围内的近红外透射光谱,把数据分为校正集与预测集。将4 420～12 000 cm-1波段的光谱进行各种预处理,最佳方法为平滑预处理,并利用间隔偏最小二乘波长筛选法(iPLS)选取光谱特征波段,最后采用偏最小二乘法建立掺假芝麻油的定标模型。结果显示:3种掺假芝麻油的PLS模型预测相关系数分别达到0.998、0.999、0.999,预测均方根误差分别为0.24%、0.24%和0.19%,具有较高的预测精度。实验证明近红外光谱技术对芝麻油掺假的快速检测具有可行性。     

基于高光谱成像技术的面条中马铃薯全粉含量检测

为了快速检测面条中马铃薯全粉含量,研究近红外高光谱成像技术定量检测面条中马铃薯全粉含量的可能性,自制了马铃薯全粉质量分数在0~35%内随机均匀分布的120个面条样品,在900~2500nm范围采集高光谱图像,随机选取80个样品作为校正集,分别采用原始光谱和经过6种预处理方法预处理后的光谱建立了偏最小二乘回归、主成分回归、支持向量机回归模型。结果表明经标准化预处理后用偏最小二乘回归建模效果最好,校正集决定系数（R2C）为0.8653,交叉验证集决定系数（R2CV）为0.6914。用回归系数法在经过标准化预处理后的光谱数据中提取了与全粉含量相关的特征波长,建立了马铃薯全粉含量偏最小二乘回归简化模型, 校正集决定系数（R2C）为0.8685,交叉验证集决定系数（R2CV）为0.8021,基于特征波长建立的模型效果优于全波段模型,模型效果得到了一定的提高。以剩余40个未参与校正模型建立的样品作为预测集,基于特征波长建立了标准化-偏最小二乘回归简化预测模型,预测集决定系数（R2P）为0.8546,模型具有较好的预测能力。结果表明利用近红外高光谱成像技术可检测面条中马铃薯全粉含量,可为马铃薯全粉面条的快速无损检测建立新的方法。     

LS-SVM和BP-ANN在草莓糖度NIR检测中的应用

为了提高草莓糖度近红外光谱定量模型的性能,采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机和反向传播人工神经网络的输入变量,建立了草莓糖度的近红外定量模型,并与偏最小二乘模型结果进行了比较,建模所使用的光谱范围为6 000～9 000 cm-1.结果表明,所建立的最小二乘-支持向量机和反向传播人工神经网络定量模型的校正性能、预测性能和稳定性均优于偏最小二乘定量模型,最优模型为前10个潜在变量得分作为输入变量的最小二乘-支持向量机模型,其校正和预测相关系数分别为0.957和0.951,校正和预测均方根误差分别为0.279％和0.272％,剩余预测偏差为3.23,与以往研究文献相比,获得了较为理想的预测精度和稳定性能.     

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。     

近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测

为了快速检测赣南脐橙果树叶片含水率,提出近红外光谱结合最小二乘支持向量机的快速检测方法。采用积分球漫反射方式采集叶片的近红外光谱,通过间隔偏最小二乘法从2 074个光谱变量中优选出345个变量作为建模的输入向量,分别建立最小二乘支持向量机和偏最小二乘校正模型。经比较,以径向基函数为核函数的最小二乘支持向量机模型预测结果最优,预测相关系数为0.942,预测均方根误差为2.7%,模型建立及预测时间为0.176s。实验结果表明近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测方法是可行的。     

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.     

DOSC在花椒挥发油含量近红外光谱分析中的应用

应用近红外光谱分析技术,采用偏最小二乘法,对141份花椒粉末样品近红外光谱建立挥发油含量定量模型,交叉验证测定系数R2为0.936,交叉验证误差均方根RMSECV为0.421,经直接正交信号校正(DOSC)预处理后,相应的交叉验证测定系数R2提高到0.95,RMSECV减小为0.374.使用105份样品近红外光谱所建立的模型对36份样品的预测集进行预测,光谱采用DOSC预处理前后,预测测定系数R2由0.923提高到0.969,RMSEP由0.452减小到0.289,RSD由11.65%减小到7.44%,RPD由3.622增加到5.573.研究结果表明,使用DOSC预处理后的花椒挥发油含量近红外光谱定量模型的预测效果有较大的提高,且具有较好的稳定性和较强的预测能力,可用于实际的花椒挥发油检测.     

饲料总能近红外反射光谱定量分析模型的优化

利用近红外反射分析技术, 采用偏最小二乘(PLS)回归方法,分别对光谱进行附加散射校正、变量标准化、一阶导数和二阶导数处理,建立了饲料中总能的预测模型.通过比较,附加散射校正和一阶导数处理定标效果最优.定标集化学分析值与预测值之间的决定系数R2和标准差RMSEC分别为0.9060和0.153,相对分析误差为3.36;验证集化学分析值与预测值之间的决定系数r2和标准差RMSEP分别为0.8924和0.156,相对分析误差为3.22.结果表明,利用近红外光谱反射(NIRS)分析技术可以定量检测充料总能的含量.     

基于OSC和PLS的土壤有机质近红外光谱测定

分析了经过简单处理的土壤样本光谱特性,将正交信号校正与偏最小二乘算法回归相结合,建立了土壤光谱特性与土壤有机质含量之间的定量分析模型。结果表明,正交信号校正可以消除噪声信息对土壤有机质含量预测的影响,预测样本的预测相关系数达到0.893、标准偏差为0.051%、预测标准差为0.050%;而不采用正交信号校正建立定量分析模型的对应参数分别为0.818、0.069%和0.085%。     

赣南脐橙叶片SPAD值可见近红外光谱无损检测

为了提供果树精准肥水管理参考数据,进行了果树叶片SPAD值近红外光谱无损检测研究。采用反射方式,采集100片赣南脐橙叶片的可见近红外光谱;利用移动窗口偏最小二乘法结合遗传算法、连续投影算法筛选光谱变量,并建立偏最小二乘回归校正模型。采用移动窗口偏最小二乘法和连续投影算法组合筛选的39个光谱变量建立的校正模型预测结果最优,模型预测相关系数为0.898,模型预测SPAD值均方根误差为2.116。试验表明,应用可见近红外反射光谱技术结合化学计量学算法进行赣南脐橙叶片SPAD值无损检测是可行的。