近红外光谱技术定量分析玉米杂交种纯度

摘要：应用近红外光谱分析技术结合定量偏最小二乘法对先玉335杂交种纯度进行了定量分析,将不同年份和来源的杂交种和其母本种子粉碎后混合,按0.5%的梯度获得纯度80～100%范围内的样本123份（每梯度按年份和来源设置3个重复）后采集光谱。结果表明：采用散射校正预处理,4 000～8 000 cm-1光谱范围时建模效果较适宜（建模集∶检验集=3∶1）,建模集内部交叉决定系数达96.06%,校正标准差1.18%,平均相对误差1.03%;检验集的决定系数均达到95.02%,校正标准差1.28%,平均相对误差1.12%。采用不同比例的建模样品和检验样品时,建模集和检验集的决定系数均在94%以上,证明了近红外光谱技术定量测定玉米杂交种纯度的可行性以及所建模型的稳定性。     

苦豆子和披针叶黄华种子特性及硬实破除研究

苦豆子和披针叶黄华种子形状、颜色、表面状态差异显著,种子健壮度和硬实率很高,含水量都很低且差异不显著;苦豆子种子长度显著大于披针叶黄华,披针叶黄华种子体积质量和千粒质量显著大于苦豆子,两种豆类宽度、厚度和相对密度之间无显著差异;在新鲜干净的两个豆类种子中,硬实种子和非硬实种子同时存在,破除苦豆子和披针叶黄华种子硬实的最佳措施是：90%的H2SO4处理70 min和120 min;破除硬实的两种豆类种子萌发的物质转化效率达到了77.94%和77.28%,苦豆子和披针叶黄华种子开始萌发时间均为21 h,最低萌发需水率分别为151.05%和151.71%,两种种子萌发相对需水较多,苦豆子种子萌发40 h达最大发芽值,披针叶黄华种子56 h达最大发芽值。     

柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。     

近红外光谱法快速鉴定干海参产地

该文采用近红外漫反射光谱法,对来自4个不同产地的96个干刺参样品,进行了产地鉴别分析。研究表明：在5 000～4 000 cm-1 波段,干海参样品具有丰富的光谱结构,且反映出了由于海参生长环境不同带来的差异性;对该波段的一次微分光谱数据进行主成分聚类（PCCA）计算,可成功实现对其产地的鉴定分析。该研究为动物性海洋食品的产地快速鉴别分析提供了新方法。     

利用近红外光谱与PCA-SVM识别热损伤番茄种子

为了研究近红外光谱技术用于热损伤种子快速无损识别的可行性,该文以120粒番茄种子为研究对象,其中60粒番茄种子通过高温加热处理的方式成为热损伤种子组,其他60粒番茄种子为正常种子组,利用实验室自主搭建的近红外光谱检测系统获取单粒番茄种子在980~1 700 nm范围内的光谱,分别采用偏最小二乘判别法(partial least squares discriminant analysis,PLS-DA)和支持向量机(support vector machines,SVM)建立了番茄种子热损伤的定性分析模型。试验结果表明:2种判别模型的验证集总正确率均大于96%,均可用于热损伤种子的判别。其中,基于主成分分析(principal component analysis,PCA)预处理的光谱数据构建的支持向量机模型的判别效果最好,其校正集和验证集的判别正确率均为100%,更适用于种子热损伤识别。因此,应用近红外光谱技术可快速无损识别热损伤番茄种子,为种子检验提供了一种新的方法。     

基于可见-近红外光谱识别氧乐果污染的脐橙

该文对喷施过不同浓度氧乐果农药的脐橙样品采集可见-近红外光谱进行识别。采用多元散射校正（MSC）、标准正交变量变换（SNV）、一阶导数（FD）和二阶导数（SD）4种不同光谱预处理方法时,分别选取430～1 000、1 000～1 800和430～1 800 nm 3种波谱范围建立偏最小二乘法（PLS）农药污染预测模型。比较实验结果表明：波谱范围取430～1 000 nm,采用一阶导数的预处理方法时应用建立的PLS预测模型最优,其验证组脐橙表面氧乐果污染程度的实际类别与预测类别的相关系数Rpred为0.9817,预测样本均方根误差RMSEP是0.1564。     

近红外漫反射光谱技术快速无损识别灵芝和云芝提取物研究

为了满足食用菌提取物实际生产监管需要,本研究采用近红外漫反射光谱技术对来自不同地区的灵芝和云芝提取物样品进行定性识别研究。在800~2 750nm波段范围,采集灵芝和云芝提取物的漫反射光谱,应用主成分聚类分析和偏最小二乘判别法分别建立识别模型,用146个样品进行建模和48个外部样品集进行验证。结果表明:采用主成分聚类判别分析法,灵芝和云芝提取物的判别界线清晰,正确率达到88.54%;采用偏最小二乘判别法,建立的鉴别分类模型能较好地对灵芝和云芝提取物进行鉴别,校正集和预测集样品的识别正确率均为100%。因此,近红外结合主成分聚类分析和偏最小二乘判别法识别灵芝和云芝提取物是可行的,同时研究结果为灵芝和云芝提取物的快速识别提供了理论依据和使用方法。     

基于近红外高光谱成像技术鉴别杂交稻品系

种子的筛选和鉴别是农业育种过程中的关键环节。该文基于近红外高光谱成像技术(874~1 734 nm)结合化学计量学方法以及图像处理技术实现杂交稻种的品系鉴别及可视化预测。采集了3类不同品系共2 700粒杂交水稻的高光谱图像,用SPXY算法,按照2∶1的比例划分建模集和预测集。基于水稻样本的光谱特征,采用主成分分析(PCA)方法初步探究3类样本的可分性。采用连续投影算法(SPA),提取出7个特征波长:985.08、1 106、1 203.55、1 399.04、1 463.19、1 601.81、1 645.82 nm。基于特征波长和全波段光谱,建立了偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型。试验结果表明,所建模型判别效果较好,识别正确率均达到了90%以上,其中,SVM模型的判别效果优于PLS-DA模型,基于全谱的判别分析模型结果优于基于特征波长的判别模型。结合SPA-SVM校正模型和图像处理技术,生成样本预测伪彩图,可以直观的鉴别不同品系的水稻种子。结果表明,近红外高光谱成像技术可以实现杂交稻的品系识别及可视化预测,为农业育种过程中种子的快速筛选及鉴定提供了新思路。     

羊肉色泽傅立叶变换近红外光谱定量分析方法研究

以从北京市、山西大同市、宁夏吴忠市3个地区筛选的有代表性的227份羊肉样品为试材,应用傅里叶变换近红外光谱技术探讨羊肉色泽无损检测的方法。以决定系数(R2)、校正标准差(RMSECV)和预测标准差(RMSEP)为近红外光谱检测模型的评价指标,采用偏最小二乘法(PLS)对近红外光谱信息与样品的色差e值进行拟合,确定最佳的光谱预处理方法、主成分数和光谱区间范围。结果表明:所选227个羊肉样品的色差e值分布范围为1.556～9.879,其中80%以上的样品e值在1～5之间,具有显著的代表性;在11995.5～4597.6cm-1的波段范围内,最佳主成分数为6时,近红外光谱经最大最小归一法处理后,建立的羊肉色泽预测模型精度最高,R2达到0.776,RMSECV为0.451;用此模型对预测集48个样品进行预测,预测值与实测值的相关系数(R)为0.835,RMSEP为0.517,该研究表明利用近红外光谱技术检测羊肉色泽可行。     

近红外光谱结合SIMCA法溯源羊肉产地的初步研究

产地溯源是食品安全追溯制度的重要组成部分。该文采用近红外光谱结合簇类独立软模式法(SIMCA)建立了羊肉产地溯源模型。结果表明,在11995～3999cm-1波长范围内,光谱经5点平滑(Smooth)与多元散射校正(MSC)预处理,山东济宁市、河北大厂县、内蒙临河市、宁夏银川市4个产地模型的主成分数分别为5、6、5、6时,采用SIMCA模式识别方法可以建立稳健的羊肉产地溯源模型;在1%的显著水平下,4个产地校正集模型对未知样本的识别率分别为95%、100%、100%、100%,拒绝率均为100%;其验证集模型的识别率分别为100%、83%、100%、92%,拒绝率均为100%。该研究表明,近红外光谱技术作为一种羊肉产地的溯源方法切实可行。     

Authentication of Rice Using Near‐Infrared Reflectance Spectroscopy

The authentication of rice (Korean domestic rice vs. foreign rice) has been attempted using near‐infrared spectroscopy (NIRS). Two sample sets (n₁ = 280 and n₂ = 200) were used to obtain calibration equations and the spectral regions used for this study were 500–600 nm, 700–900nm, and 980–2,498 nm. Modified partial least square (MPLS) regression was used to develop the prediction model. The standard error of cross validation (SECV) and the r² were 0.165 and 0.91 respectively for 1st calibration set and 0.165 and 0.93 for 2nd calibration set respectively. The results of the independent validation (n₃ = 80) showed that all of 80 samples were identified correctly. Even though authentication of rice was performed successfully using NIRS, the calibration statistics in this study showed that further effort is needed for implementation of NIRS for authentication of rice for industry purposes.     

基于dbiPLS-SPA变量筛选的固态发酵湿度近红外光谱检测

为了提高基于近红外光谱技术的固态发酵关键过程参数——湿度快速检测的精度和稳定性,研究采用动态反向区间偏最小二乘（dbiPLS）法结合连续投影算法（SPA）进行最佳光谱子区间和特征组合变量的筛选,通过交互验证法确定偏最小二乘（PLS）模型的主成分因子数,并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型的评价标准。试验结果显示,最佳dbiPLS-SPA模型筛选的组合变量个数为8,其RMSEP和Rp分别为1.1795%（质量分数）和0.9430。试验结果表明,dbiPLS-SPA是一个有效的波长组合变量筛选方法,可简化模型结构、增强模型精度和稳健性。     

Protein and oil composition predictions of single soybeans by transmission Raman spectroscopy

The soybean industry requires rapid, accurate, and precise technologies for the analyses of seed/grain constituents. While the current gold standard for nondestructive quantification of economically and nutritionally important soybean components is near-infrared spectroscopy (NIRS), emerging technology may provide viable alternatives and lead to next generation instrumentation for grain compositional analysis. In principle, Raman spectroscopy provides the necessary chemical information to generate models for predicting the concentration of soybean constituents. In this communication, we explore the use of transmission Raman spectroscopy (TRS) for nondestructive soybean measurements. We show that TRS uses the light scattering properties of soybeans to effectively homogenize the heterogeneous bulk of a soybean for representative sampling. Working with over 1000 individual intact soybean seeds, we developed a simple partial least-squares model for predicting oil and protein content nondestructively. We find TRS to have a root-mean-standard error of prediction (RMSEP) of 0.89% for oil measurements and 0.92% for protein measurements. In both calibration and validation sets, the predicative capabilities of the model were similar to the error in the reference methods.     

二维相关光谱结合偏最小二乘法测定牛奶中的掺杂尿素

为了检验牛奶中是否掺杂尿素并将其量化测定,配置含有尿素质量浓度范围为1～20g/L之间40个牛奶样品,以掺杂物尿素浓度为外扰,分别研究了掺杂尿素牛奶的二维相关(近红外-近红外,中红外-中红外,近红外-中红外)光谱特性,在此基础上,分别选择随浓度变化大的4200～4800cm-1和1400～1704cm-1为建模区间,采用偏最小二乘方法建立定量分析模型。研究结果表明:4200～4800cm-1建模分析效果优于1400～1704cm-1建模结果,其交叉验证均方根误差为0.266g/L,对未知样品集预测相关系数达到0.999,预测均方根误差为0.219g/L,这表明所建模型具有较好的预测效果。该方法无需样品处理,成本低,为快速判别牛奶是否掺杂提供了一种新的可能的方法。     

基于近红外光谱的脐橙产地溯源研究

为研究近红外光谱分析技术鉴别脐橙产地的可行性,该文采用江西、重庆和湖南3个产地脐橙样品1140～1170nm波段的近红外光谱经一阶导数(9点平滑)预处理,分别建立了簇类独立软模式法脐橙产地鉴别模型。在5%显著水平下,模型对3个产地训练集样品的识别率均为100%,拒绝率分别为85.7%、83.3%、100%;对验证集样品的识别率均为100%,拒绝率分别为100%、89.5%、100%,表明簇类独立软模式法模型基本能够判别脐橙产地。将江西、重庆和湖南3个产地的脐橙样品分别赋值0、1、?1,在全波段范围内建立原始光谱脐橙产地的偏最小二乘判别模型,其预测值与真实值的决定系数为0.973,校正标准差为0.110,预测标准差为0.159,模型对训练集和验证集样品的识别率达到100%。因此,应用近红外光谱分析技术可准确、快速地追溯脐橙产地来源。     

Use of NIRS for quantification of mangiferin and hesperidin contents of dried green honeybush (Cyclopia genistoides) plant material

Cyclopia genistoides, normally used for the preparation of an herbal tea, honeybush, is a good source of the bio-active compounds mangiferin and hesperidin and is in demand for the preparation of xanthone-enriched extracts. Near-infrared spectroscopy (NIRS) was used to develop calibration models to predict the mangiferin and hesperidin contents of the dried green plant material. NIRS measurements of plant material and pure compounds were performed in diffuse reflectance mode. The calibration sets for mangiferin and hesperidin contents ranged from 0.7 to 7.21 and 0.64-4.80 g/100 g, respectively. Using independent validation, it was shown that the NIRS calibration models for the prediction of mangiferin (SEP=0.46 g/100 g; R2=0.74; and RPD=1.96) and hesperidin (SEP=0.38 g/100 g; R2=0.72; and RDP=1.90) contents of the dried plant material are adequate for screening purposes, based on RPD values.     

基于支持向量机的多光谱成像稻谷品种鉴别

为解决稻谷品种的快速无损鉴别问题,应用多光谱图像采集设备(VideometerLab)获取了5个品种稻谷共250个试验样本在405~970 nm波长范围内的多光谱图像,提取各品种稻谷在不同波长下的光谱反射率和图像特征(面积,宽长比,色差等)作为稻谷品种鉴别的特征变量,基于最小二乘支持向量机(least-square-support vector machine,LS-SVM)建立鉴别模型,通过粒子群寻优(particle swarm optimization,PSO)算法搜索支持向量机的最优参数。将250个稻谷分为建模集(200个样本)和测试集(50个样本)分别进行试验,结果表明,采用该文的建模方法结合稻谷光谱特征和图像特征对预测集稻谷品种鉴别的正确率均在90%以上,高于对比的其他方法,该研究成果为稻谷品种的快速无损鉴别提供了一种方法。