近红外反射光谱测定玉米完整籽粒蛋白质和淀粉含量的研究

 以128份常用普通玉米自交系及杂交种的混合籽粒样品为材料,采用偏最小二乘(PLS)回归法,对近红外反射光谱(NIRS)测定玉米完整籽粒蛋白质、淀粉含量的可行性和方法进行了研究。结果表明,采用一阶导数+多元散射校正预处理、谱区为10000～4000cm-1和一阶导数+直线扣减预处理、谱区为9000～4000cm-1,分别建立的蛋白质、淀粉含量的校正模型,其校正和预测效果最佳。其校正决定系数(R2cal)均大于0.97,交叉验证和外部验证决定系数(R2cv、R2val)为0.92～0.95,各项误差(RMSEE     

采后葡萄可溶性固形物含量的高光谱成像检测研究

提出一种应用高光谱成像技术检测葡萄可溶性固形物含量的方法。使用高光谱成像系统采集葡萄漫反射光谱,在500~1 000 nm光谱,采用多元散射校正(MSC)、标准正态变换(SNV)进行光程校正,结合一阶微分(1-Der)、二阶微分(2-Der)、Savitzky-Golay(S-G)平滑方法及其组合对原始光谱进行预处理,建立可溶性固形物含量的偏最小二乘法(PLS)和逐步多元线性回归(SMLR)模型。结果表明:采用PLS和SMLR建模方法均取得较好的预测效果。采用经过MSC、1-Der和S-G平滑相结合预处理后的光谱建立PLS预测模型,校正集的相关系数Rc为0.979 1,RMSEC为0.265,预测集的相关系数Rp为0.962 0,RMSEP为0.372;采用原始光谱、1-Der和SG平滑相结合预处理后的光谱建立SMLR预测模型,校正集的相关系数Rc为0.967 8,RMSEC为0.327,预测集的相关系数Rp为0.947 2,RMSEP为0.394。以上表明,基于高光谱成像技术可以实现采后葡萄可溶性固形物含量的准确无损检测。     

基于近红外光谱的小麦种子发芽率测试

以534份发芽率水平不同的小麦品种种子为样品,采用傅里叶变换近红外光谱仪采集光谱数据,利用偏最小二乘法(PLS)建立其发芽率的无损测定校正模型,并对模型进行留一法交叉验证、外部验证。结果表明,经一阶导数和多元散射校正(MSC)预处理后,对7 502.3~4 246.8 cm-1波段范围所建模型的预测性能最佳,校正集决定系数R2为0.914 4,校正均方根误差(RMSEE)为7.38,平均绝对误差为5.925%;验证集决定系数R2为0.904 4,验证均方根误差(RMSEP)为7.91,平均绝对误差为6.467%。近红外光谱与种子发芽率具有较高相关性,利用近红外光谱技术快速测定小麦种子发芽率具有可行性。     

基于FT-MIR的秸秆炭热值快速检测方法

采集棉花、小麦、玉米、油菜和水稻等5种农作物秸秆,经炭化处理制备秸秆生物炭实验样本,采用C2000型量热仪测定其热值,利用VERTEX 70型傅里叶红外光谱仪采集红外光谱。采用联合光谱影响值和化学值绝对误差法剔除异常样本,光谱理化值共生距离法(SPXY)划分样本集,利用TQ Analyst 8.3定量分析软件对光谱进行预处理,并结合偏最小二乘法(PLS)建立秸秆生物炭高、低位热值的定量分析模型。研究结果显示:经多元散射校正(MSC)和一阶导数(first derivative)对光谱进行预处理后,建立的高位热值定量分析模型效果最优,其验证集相关系数RP为0.909,验证均方根误差RMSEP为614J/g,相对标准差RSD为2.61%;经多元散射校正(MSC)和一阶导数(first derivative)结合S-G平滑法对光谱进行预处理后,建立的低位热值定量分析模型效果最优,验证集相关系数RP为0.873,验证均方根误差RMSEP为707J/g,相对标准差RSD为3.12%。结果表明,利用FT-MIR快速检测秸秆生物炭的热值是一种可行的方法。     

应用近红外光谱分析技术定量检测植物油脂肪酸含量的研究

[目的]建立一种简单、快速、准确且无损的脂肪酸含量的定量检测方法。[方法]应用近红外光谱分析技术快速准确定量检测植物油中3种脂肪酸含量,采用偏最小二乘法PLS建立植物油中3种脂肪酸(油酸、亚油酸、亚麻酸)含量的近红外定量分析模型,并对比分析了10种光谱预处理方法对植物油中3种脂肪酸含量定量分析校正模型结果的影响。[结果]一阶导数(FD)结合多元散射校正(MSC)法的光谱预处理效果最优,经FD+MSC法预处理后采用PLS建立的植物油脂肪酸含量检测的校正模型,对油酸的验证决定系数R2为0.969 3,预测标准差RMSEP为1.3%;对亚油酸的验证决定系数R2为0.960 6,预测标准差RMSEP为1.66%;对亚麻酸的验证决定系数R2为0.973 1,预测标准差RMSEP为0.479%。[结论]研究表明,所建模型可较好地检测植物油中油酸、亚油酸、亚麻酸含量。     

基于SVRM的不同氨、碱化处理玉米秸秆粗蛋白定量分析模型研究

文章采用近红外光谱分析方法验证不同条件下氨化和碱化处理玉米秸秆粗蛋白含量测定效果。选择不同超声条件对玉米秸秆样品前处理,获取54种样品,粗蛋白含量为2.535 6%~6.854 7%,依据X-Y残差法剔除29、30、38、51号异常样本,交互验证决定系数R2C由0.679升至0.840,将剩余50个样品划分为校正集(40samples)及验证集(10 samples),选用OSC方法对光谱去噪处理,对比平滑处理(windowsize 15),R2C由0.827升至0.865,选取波段9 781~1 093 cm-1作为特征波段,对比SVRM、PCR及PLS 3种粗蛋白定量分析模型,选取SVRM(C=0.01,Gamma=100)为最佳模型,校正集决定系数R2C为0.833,RMSEC为0.389,验证集决定系数R2P为0.914,RMSEP为0.296。结果表明,近红外光谱分析方法测定玉米秸秆氨化、碱化处理后粗蛋白含量可行。     

玉米秸秆磷含量近红外漫反射光谱的建模研究

利用近红外光谱(NIRS)技术,建立玉米秸秆磷含量的快速定量分析模型,有利于植物养分利用效率和遗传育种研究。本研究选取了来源广泛的200份玉米自交系秸秆样品,结合近红外光谱仪在4 000～10 000cm~(-1)波段处测量的秸秆样品的光谱数据和钼锑抗比色法测量的样品磷浓度,分别用偏最小二乘(PLS)、最小绝对值收敛和选择算子(LASSO)、支持向量机(SVM)和回归树(RT)的方法,建立了玉米秸秆磷含量的近红外定量分析模型。5折交叉验证结果显示,PLS为最优建模方法,测试集预测值和真实值的相关系数(r_(test))为0.80±0.05,训练集的拟合相关系数(r_(training))为0.97±0.03。将PLS与不同的光谱预处理方法结合来优化模型,在11种预处理方法中,归一化以及平滑化的预处理方法效果最好,r_(test)均为0.80±0.05,与原始光谱数据相比相关性并未显著提高。随着训练集个体的增加,预测准确性不断提高,当训练集和验证集比例为8∶2时,预测相关系数为0.80,与留一法的预测相关系数(0.81)相当。综上,PLS建立的玉米秸秆磷含量的近红外定量分析模型预测准确性较高,可用于育种或者遗传学研究中磷含量的测定。     

基于PLS算法的生物质秸秆元素分析NIRS快速检测

为探讨利用近红外光谱技术快速检测生物质秸秆中N、C、H、S和O元素的可行性,采集并制备水稻、小麦、油菜和玉米秸秆样本199个,采用近红外光谱(NIRS)分析技术,结合偏最小二乘(PLS)化学计量学算法,在7 400~5 550cm-1波段范围内,比较不同光谱预处理方法的定标效果,建立最优的生物质秸秆中N、C、H、S和O元素的定量分析模型,并用独立的验证集样本对模型进行验证。验证结果表明:所建立的N元素的定量分析模型可用于实际检测;O元素的定量分析模型可进行实际估测;采用近红外技术用于C元素定量分析是可行的,但模型需要进一步优化;H、S元素采用NIRS技术无法进行定量分析。     

雪梨中可溶性固形物的快速检测

本文采用近红外漫反射法,对雪梨中的可溶性固形物含量进行检测。随机地在每只雪梨上选择2~3个样本,共采集了133个样本。剔除异常样本5个,剩下128个样本,分为校正集90个,预测集38个。使用Unscrambler9.7软件做数据处理。采用不同的光谱预处理方法,结合偏最小二乘(PLS)进行建模预测。发现,使用面积标准化、平均值标准化、标准正态变量变换(SNV)、多元散射校正(MSC)4种光谱预处理方法,均可得到理想的预测效果。使用预测相关系数(R)和预测均方根误差(RMSEP)作为评价指标,R值超过0.96,RMSEP值小于0.20。     

近红外光谱结合CARS-PLS模型检测草莓可溶性固形物含量研究

为了实现对草莓内部可溶性固形物含量(soluble solids content,SSC)客观、准确、快速和无损检测,采用近红外光谱结合竞争性自适应重加权算法采样(CARS)变量选择以及多变量校正分析的测定方法。164个草莓样本被分成校正集(123个)和预测集(41个)。基于全光谱数据,通过CARS算法获得了可以表征原始光谱信息的117个特征光谱变量。全光谱变量和特征光谱变量分别作为输入构建了偏最小二乘回归PLS和多元线性回归MLR模型,通过比较3类模型发现,基于特征光谱的PLS模型(即CARS-PLS模型)对草莓内部可溶性固形物含量测定性能最优,针对预测集样本,模型预测相关系数r_P和均方跟误差RMSEP分别为0.950 9和0.335 2。     

结合WT预处理的近红外光谱PLS算法预测鲜枣糖度

[目的]研究结合WT预处理的近红外光谱PLS算法模型预测鲜枣糖度的方法。[方法]用S-G、MSC、FD、SD、WT和WT＋MSC 6种预处理法,SMLR、PCR和PLS 3种算法模型,对60个鲜枣样品的近红外光谱数据进行预处理、糖度预测和建模精度分析,建立最佳算法的数学模型。[结果]在鲜枣糖度近红外光谱预处理阶段引进小波变换方法去除导数光谱噪声,得到了很好的去噪效果。不同的小波函数、分解尺度使消噪的结果有所不同。与常见的光谱预处理法相比,在选用db4-3小波函数、默认阈值情况下,采用WT＋MSC预处理及建模算法为PLS时所建立的模型最好,其相关系数R为0.919 02,校正集标准差RMSEC为0.863,预测集标准差RMSEP为1.71。[结论]结合小波变换预处理的PLS算法模型可有效预测鲜枣糖度,改善模型的预测精度。     

基于近红外光谱技术的茶鲜叶海拔高度判别模型建立

以不同海拔高度的茶鲜叶为研究对象,扫描获取其近红外光谱(NIRS)并筛选特征光谱区间后,分别应用逐步多元线性回归法(SMLR)、主成分回归法(PCR)和联合区间偏最小二乘法(Si-PLS)建立茶鲜叶海拔高度预测模型。结果表明,在5 542.41~6 888.48cm-1区间内,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的SMLR模型预测集相关系数和预测均方差分别为0.800 5和0.486;在4 929.16~6 965.62cm-1区间内,当主成分数为3时,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的PCR模型预测集相关系数和预测均方差分别为0.803 6和0.472;当将光谱划分为18个子区间、因子数为13时,选用[5 8 11 17]4个子区间建立的Si-PLS模型预测集相关系数和预测均方差分别为0.944 3和0.295。经比较,Si-PLS模型预测结果最佳。     

基于近红外光谱苗期玉米叶片叶绿素含量的无损检测方法

试验以42片未经处理的苗期玉米叶片为试材,采用近红外光谱检测技术和SNV+Detrending的预处理方法,应用偏最小二乘回归分析方法建立定量分析模型,通过测定近红外光谱图,研究3 300~10 000 cm-1范围内苗期玉米叶片的光谱特性。结果表明,测定苗期玉米叶片叶绿素含量的决定系数R2为0.989,残差均方根RMSE为0.047,采用近红外光谱快速检测苗期玉米叶片叶绿素含量是可行的。     

近红外光谱结合ANN法快速测定水稻叶片氮含量

应用近红外(NlR)光谱和误差反传人工神经网络(BP-ANN)方法建立了水稻叶片氮素含量的定量分析模型.首先对近红外光谱进行Savitzky-Golay求导处理,然后通过相关系数法选择波长范围,采用偏最小二来回归PLS降维并输入BP-ANN建立校正模型,用验证样品对校正模型进行验证.结果表明:BP-ANN最佳模型的预测...     

基于近红外光谱技术的大米掺伪定量判别

针对现在市场上常见的两种大米掺伪现象,利用近红外光谱技术结合化学计量学方法分别建立了大米中掺入低档米和掺入矿物油的定量分析模型。制配不同掺伪比例的大米样品,采集其近红外光谱,并选用标准正态变量变换、最大最小归一化、平滑和一阶导数4种方法对原始光谱进行预处理,分别结合偏最小二乘法建立PLS定量分析模型。通过对比建模结果选出的最优预处理方法是最大最小归一化,建立的掺低档米模型的校正集和预测集相关系数分别为0.9698和0.9845,均方根误差分别为8.66和6.46;掺矿物油米模型的校正集和预测集相关系数分别为0.9739和0.9888,均方根误差分别为0.106和0.0698。模型的预测精度和稳定性均很好,实现了对两种掺伪大米快速、准确的定量判别,为大米的品质监控提供了一种新的方法思路。     

基于NIR及PLS-PCR-SVR预测森林土壤有机碳含量

森林土壤有机碳含量是表征林地土壤营养状况的重要指标,该文建立了土壤有机碳含量的近红外光谱定标模型,并比较了偏最小二乘法（PLS）、支持向量机回归（SVR）、主成分回归（PCR）3种建模方法及Savitzky-Golay平滑＋多元散射校正、Savitzky-Golay平滑＋一阶导数、Savitzky-Golay平滑＋二阶导数、Savitzky-Golay平滑＋多元散射校正＋一阶导数、Savitzky-Golay平滑＋多元散射校正＋二阶导数5种光谱预处理方法对土壤有机碳含量定标模型精度的影响,同时进行了波段优选。结果表明：当光谱区域为1 380～1 450 nm,1 800～1 950 nm,2 050～2 300 nm,光谱数据采用Savitzky-Golay平滑＋多元散射校正＋一阶导数预处理,采用PLS的建模方法,主成分数为8时,建立的校正模型预测效果最佳。校正模型的R、RMSE、SEC分别为0.805 2、0.512 2、0.512 5;预测模型的R、RMSE、SEP分别为0.768 1、0.514 3、0.514 6。因此,利用近红外光谱技术可以实现土壤有机碳含量的快速估测,为林区实时、大面积、快速测定森林土壤有机碳含量提供了技术可行性。     

稻米直链淀粉含量近红外检测模型的建立

以147份南方籼稻品种或组合的稻米为供试材料,利用偏最小二乘法(PLS),通过不同波长和不同预处方式建立稻米直链淀粉含量的近红外分析模型。结果表明:全谱段(950～1 650 nm)建模效果最好,其相关系数(R)、预测标准差(SEP)、校准标准差(SEC)分别为0.947 7,1.162 3、0.700 2;采用多元散射校正法(MSC)法对全谱图进行预处理的效果较好,优化后的模型相关系数(R)、预测标准差(SEP)、校准标准差(SEC)分别为0.981 9、0.100 9、0.6831,其相对分析误差(PRD)为3.6;将稻米直链淀粉含量的近红外光谱预测值与化学值进行配对T检验,P=0.3560.05(置信区间为95%),表明近红外光谱法与化学分析法得到的检测结果无显著差异,即应用近红外光谱快速检测稻米直链淀粉含量是可行的。