基于近红外光谱技术的淡水鱼品种快速鉴别

为探索淡水鱼品种的快速鉴别方法,该文应用近红外光谱分析技术,结合化学计量学方法,对7种淡水鱼品种的判别分类进行了研究。采集了青、草、鲢、鳙、鲤、鲫、鲂等7种淡水鱼,共665个鱼肉样品的近红外光谱数据,经过多元散射校正(multiplicative scatter correction,MSC)、正交信号校正(orthogonal signal correction,OSC)、数据标准化(standardization,S)等20种方法预处理,在1 000~1 799 nm范围内分别采用偏最小二乘法(partial least square,PLS)、主成分分析(principal component analysis,PCA)和BP人工神经网络技术(back propagation artificial neural network,BP-ANN)、偏最小二乘法和BP人工神经网络技术对7种淡水鱼原始光谱数据进行了鉴别分析。结果表明,近红外光谱数据,结合主成分分析和BP人工神经网络技术建立的淡水鱼品种鉴别模型最优,模型的鉴别准确率达96.4%,对未知样本的鉴别准确率达95.5%。模型具有较好的鉴别能力,采用该方法能较为准确、快速地鉴别出淡水鱼的品种。     

基于近红外光谱技术的葡萄酒原产地辨识方法

该文以鉴别葡萄酒原产地为目的,利用快速无损的近红外光谱分析技术,对47份来自昌黎、沙城和法国波尔多（Bordeaux）的红葡萄酒样品进行逐步回归分析选取光谱区域,再进行主成分分析和聚类识别,建立了判别葡萄酒原产地的预测模型。试验结果表明：昌黎、沙城和波尔多产地的葡萄酒产地鉴别的光谱区域为1 400～1 550 nm 和2 000～ 2 300 nm;3个产地的葡萄酒在主成分特征空间中基本为独立分布,其中波尔多酒样和国内酒样间距离最远,国内昌黎和沙城酒样间有小部分交叉;利用9个独立预测集样本对由38个训练集样品所建立的预测模型进行验证,产地的正确识别率达到了88.9%。因此,应用近红外光谱分析技术可准确、快速地辨别葡萄酒的产地。     

基于近红外光谱技术快速鉴别不同产地金银花

应用MicroNIR 1700微型近红外光谱分析仪采集不同产地金银花样品的漫反射光谱,获得数据501份,采用KS (Kennard-Stone)方法对样品集进行划分,通过不同光谱预处理方法,利用偏最小二乘判别分析法(PLS-DA)建立判别模型。结果显示,采用二阶导数和标准正态变量预处理光谱,金银花产地判别模型正确判别率可达100%。结果表明,不同产地来源金银花的近红外光谱特征有显著差异,使用便携式近红外方法可准确判别金银花产地。该方法可推广作为现场应用,具有较好的实际应用价值。     

基于1D-CNN的土壤全氮近红外光谱预测模型

摘要：【目的】传统的基于近红外光谱数据预测土壤全氮的方法需要对原始光谱数据做复杂的预处理,筛选出与土壤全氮含量相关性高的敏感波长之后进行模型的回归拟合。本文提出一种一维卷积神经网络（1D-CNN）模型,可以在对数据进行简单预处理甚至无处理的情况下达到非常理想的结果,实现用近红外光谱技术对土壤全氮含量的预测。【方法】于江苏无锡采集410个土壤样品,利用半微量开氏法(NY/T 53-1987)测定土壤的全氮含量,并利用NIR Quest 512光谱仪,在室内环境下对每份土壤样品做光谱检测,并用均值中心化(CT)、标准正态变换(SNV)、趋势校正(DT)对光谱进行预处理,运用偏最小二乘回归（PLS）、BP神经网络、1D-CNN方法建立土壤全氮含量的回归预测模型。每种模型在采用不同预处理方法的数据集上做十折交叉验证,记录预测模型的决定系数(R2)和均方根误差(RMSE)的平均值,并对比三种预处理方法对模型精度的影响。【结果】证明了本文提出的1D-CNN模型基于土壤近红外光谱数据预测土壤全氮含量的可靠性。使用原始数据与经均值中心化、标准正态变换、趋势校正预处理的数据训练得到的1D-CNN模型的决定系数分别为0.907、0.931、0.922、0.964,构建的PLS回归模型决定系数为0.856、0.863、0.861、0.880,训练的BP神经网络的决定系数为0.874、0.907、0.901、0.911。【结论】本文提出的1D-CNN模型在原始数据和经预处理的光谱数据上的表现都优于PLS和BP神经网络,且可以证明,对光谱数据进行预处理能够有效提高1D-CNN模型的性能,尤其是趋势校正对模型的提升效果最明显。研究表明,1D-CNN能更好地提取光谱特征并建立其与含氮量的映射关系,有效地避免过拟合,在未经过预处理的光谱数据上依然能够达到一定的精度。     

可见/近红外光谱快速鉴别米粉辐照剂量

为了实现对不同剂量辐照处理后米粉的快速鉴别,提出了一种基于可见-近红外光谱技术的快速、无损检测方法。试验先利用不同剂量的60Coγ-射线对米粉进行辐照处理,得到了4种样品共200个样本。再应用ASD可见-近红外光谱仪获取所有样本的反射光谱数据,并采用主成分分析方法对数据进行聚类分析,将提取的前6个主成分作为BP神经网络的输入值,建立不同米粉样品的鉴别模型。结果表明,在设定偏差标准为±0.1的情况下,利用该模型对预测集样本进行鉴别,识别率达到100%。该文提出的方法具有很好的分类和鉴别作用,为快速鉴别米粉类产品是否经辐照灭菌及处理剂量等提供了新的技术方法。     

基于近红外光谱技术的大米品种快速鉴别方法

为探索大米无损检测技术,提出了一种基于可见-近红外光谱技术快速、无损鉴别大米品种的新方法。首先采用主成分分析法对大米品种进行聚类,然后利用小波变换技术提取光谱特征信息,把光谱特征信息作为人工神经网络的输入建立品种识别模型,对大米品种进行鉴别。从每种大米60个样本共计180个样本中随机抽取150个样本（每种50个样本）用来建立神经网络模型,剩下的30个大米样本用于预测。品种识别准确率达到100%。说明所提出的方法具有很好的分类和鉴别作用,为大米的品种鉴别提供了一种新方法。     

利用近红外高光谱图像技术快速鉴别西瓜种子品种

为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法（empirical mode decomposition,EMD）和小波分析（wavelet transform,WT）对提取出的光谱数据进行去除噪声处理,采用连续投影算法（successive projections algorithm,SPA）和遗传-偏最小二乘法（genetic algorithm-partial least squares, GA-PLS）进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）,基于特征波长建立了反向传播神经网络（back-propagation neural network,BP NN)判别模型和极限学习机（extreme learning machine,ELM）判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。     

基于可见-近红外光谱技术的蜜源快速识别方法

蜂蜜蜜源决定了蜂蜜的药用价值。为了实现快速无损识别蜂蜜蜜源,提出了基于可见-近红外光谱技术结合机器学习的方法来实现蜂蜜蜜源的快速无损识别。该研究采集来自4个蜜源共232份蜂蜜样本光谱数据,随机选取其中212个样本用来构建分类器,剩余20个样本进行分类器泛化学习能力的检验评估。光谱数据预处理采用基线校正,数据标准化和平滑消除干扰和噪声。基于一对多分类规则,采用主成分分析结合贝叶斯线性判别构造线性多分类器,并就分类效果和泛化学习能力与前向神经网络器构成的非线性分类器进行比较。结果表明：基于主成分分析结合贝叶斯线性判别构造的多分类器分类正确率为91.95%,前向神经网络的分类正确率为100%。该研究也表明应用可见-近红外技术对蜂蜜蜜源进行快速分类是可行的。     

近红外光谱快速检测食用油必需脂肪酸

为了建立食用油必需脂肪酸快速检测的方法,该研究提出了基于近红外光谱技术检测食用油中α-亚麻酸和亚油酸含量的快速测定方法。对光谱信息分别采用偏最小二乘回归方法(PLS)和最小二乘支持向量机(LS-SVM)建立模型。比较了多种光谱预处理方法对模型预测能力的影响。结果表明对于亚油酸含量的预测,采用Savitzky-Golay平滑法结合多元散射校正(MSC)的光谱预处理所建立的LS-SVM模型最优。预测集的决定系数(R2)、预测均方根误差(RMSEP)和剩余预测偏差(RPD)分别达到了0.989,0.0161和9.4783。对于α-亚麻酸含量的预测,采用Savitzky-Golay平滑法结合标准正态变换(SNV)的光谱预处理所建立的LS-SVM模型最优。α-亚麻酸含量预测结果的R2、RMSEP和RPD为0.972,0.0036和6.0561,据此表明,应用近红外光谱技术能够检测食用油中α-亚麻酸和亚油酸的含量,为快速检测食用油的必需脂肪酸提供了参考。     

基于近红外光谱土壤水分检测模型的适应性

由于土壤水分的近红外光谱定量分析模型精度依赖于样品状态,故土壤水分定量分析模型的适应性极其重要。以湖北地区的3种土壤为研究对象,利用偏最小二乘法交叉验证建立了处理后样品下的土壤水分分析模型,模型预测值与标准值的决定系数R2为0.9946,交叉验证预测均方差为0.801%,模型预测决定系数R2为0.9919,预测均方差为0.912%;利用主成分分析了未处理土壤样品与处理土壤样品得分图的差异,结果表明定量分析模型对未处理样品的预测精度降低;采用斜率/截距的方法修正了12个未处理样品的模型预测值,预测平均绝对值误差从0.78%降低到0.38%,结果表明斜率/截距校正法能较好的提高近红外光谱土壤水分定量分析模型的适应性。     

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。     

水代法从油茶籽中提取茶油的工艺

研究水代法提取油茶籽油的可行性和工艺条件,试图为茶油生产提供新的途径.将脱壳去皮的茶籽仁磨碎后兑浆提取,经离心分离得茶油.以提油率和清油收率为指标,在单因素试验的基础上,进行了三水平四凶素的正交试验,确定了水代法提取茶油的最佳工艺条件为:水料比4.5:1(mL/g),提取温度75℃,提取时间150min,浆液pH值9.0.验证试验显示,优化条件下茶籽提油率可达80.28%,清油收率可达90.19%,在试验条件下所得工艺参数可靠.此工艺的确定表明水代法提取油茶籽油是可行的,可作为提取茶油的一种新方法.     

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。     

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。     

基于近红外光谱的未知类别样品聚类方法

在近红外光谱分析中,针对大量样品参与建模时,需将样品集进行分类,以减少样品光谱变异范围,提高近红外模型的预测准确度。本文以来自中国各地的222份小麦样品为例,在未知样品组分含量和类别归属的前提下,结合样品的近红外光谱信息,采用基于试探的未知类别的样品聚类方法（最邻近规则法和最大最小距离算法）对样品集分类。其中,最邻近规则法在阈值T为1.9时,最大最小距离算法在阈值为样品间的最大距离的1/2时,分类建模指标均优于未分类所建模型。从分类实现过程和结果可以看出：基于试探的未知类别的样品聚类方法中无需多次训练,且对未知类别的样品集无需事先确定分类数目,但需要确定分类阈值,阈值不同,则分类结果会随之改变。研究为近红外建模过程中未知类别样品的分类提供了一种参考方法。     

NIRS分析技术在农业中的应用进展

近红外光谱分析技术是一种间接测量技术。它是应用化学计量学方法建立校正模型,从而实现对未知样品的定性或者定量分析,已经在很多领域得到应用。该文论述了近红外光谱分析技术的分析步骤及其技术特点,以及近年来在国内农产品品质分析、食品分析、饲料工业分析、土壤分析、农产品在线快速检测分析等农业领域中的应用研究现状,并分析该技术在应用中存在的主要问题和相应的解决方案。同时指出了未来几年国内关于近红外光谱仪器硬件的开发及其化学计量学方法和模型优化方面的进一步探索,将成为国内未来几年近红外光谱技术研究的热点。     

基于可见/近红外光谱的菠萝水心病无损检测

水心病近年严重危害菠萝产业,探究一种菠萝水心病的无损检测方法对保证上市果品、指导采后处理、促进产业提升具有重要意义。该研究采用自行搭建的菠萝可见/近红外光谱无损智能检测平台,考虑实际应用成本与效果,搭载覆盖不同波段（400～1 100、900～1 700和400～1 700 nm）的检测器对菠萝样本进行采样,随后人工标定水心病发生程度。研究结果表明,3种不同光谱波段对菠萝水心程度检测的较优方法均为：采用全波段进行多项式平滑（Savitzky Golay,SG）处理,再进行标准正态变量校正（Standard Normal Variate,SNV）,最后结合概率神经网络（Probabilistic Neural Network,PNN）建模识别。其中,400～1 100 nm所建模型对菠萝水心病训练集的回判正确率为98.51%,对验证集的检测正确率为91.18%;900～1 700 nm所建模型对菠萝水心病训练集的回判正确率为100%,对验证集的检测正确率为62%;400～ 1 700 nm所建模型对菠萝水心病训练集的回判正确率为100%,对验证集的检测正确率为91.18%。主成分分析（Principal Component Analysis,PCA）和偏最小二乘回归（Partial Least Squares Regression,PLSR）分析结果均显示,采用400～ 1 700 nm能轻微提升400～1 100 nm的检测效果。综合考虑实际应用成本与效果,实际应用建议采用400～1 100 nm光谱结合SG + SNV + PNN对菠萝水心病进行识别。研究结果证明可见/近红外光谱技术可为菠萝水心病无损、快速、智能检测提供有效的解决方案,为相关领域提供参考。     

加工工艺对油茶籽油氧化稳定性及酚类物质含量的影响

为了探究加工工艺对油茶籽油营养品质的影响,了解油酚类物质在加工工艺中的变化规律,该文从油茶籽油加工企业的生产线中取样,对压榨毛油和浸出毛油精炼工艺以及压榨毛油适度精炼工艺等不同工艺中油茶籽油中总酚、多酚组成及含量、抗氧化活性系数和油的氧化诱导时间等指标进行了测定。压榨毛油精炼工艺包括水洗、脱色、脱臭、冬化;浸出毛油精炼工艺包括碱炼、水洗、脱色、脱臭、冬化;压榨毛油适度精炼工艺包括脱胶、碱炼、水洗、冬化等工艺步骤。结果显示:压榨油茶籽毛油中总酚平均质量分数为103.06μg/g,显著高于浸出油茶籽油48.52μg/g(P0.05);油茶籽毛油经过精炼工艺后总酚和总酚的抗氧化活性均呈现下降趋势,三种精炼工艺后油茶籽油中总酚分别下降了88.9%,86.7%和63.81%,总酚的抗氧化活性分别下降了88.3%,93.51%和83.25%。适度精炼相比普通精炼对于保留油茶籽油中的多酚有明显优势,前者精炼后油茶籽油中总酚及其抗氧化活性系数分别为37.82μg/g和9.33%,后者仅为11.41μg/g和4.71%。通过高效液相色谱测定发现,浸出油茶籽毛油精炼后仅含有少量肉桂酸,压榨毛油传统精炼后压榨油茶籽油中测到苯甲酸、芦丁和肉桂酸等3种多酚的质量分数分别为4.7、1.58和0.22μg/g,压榨毛油适度精炼后的油茶籽油中测到了单宁酸、绿原酸、表儿茶素等9种多酚,其中单宁酸和绿原酸的质量分数最高,分别为4.57和3.26μg/g;适度精炼后油茶籽油氧化诱导时间从初始的8.56 h增加到11.66 h,增加了26.63%;压榨毛油传统精炼后油茶籽油氧化诱导时间从8.14 h增加到10.42 h,增加了21.83%。研究结果表明,压榨毛油适度精炼相比传统精炼工艺对于保留油茶籽油中多酚等成分有明显优势,所生产的茶油具有更强的氧化稳定性。研究结果为油茶籽油中营养成分的保留提供了途径,为油茶籽油加工工艺选择提供参考。     

柑橘病害近红外光谱判别模型及病害对理化指标影响

柑橘病害严重影响柑橘产量与品质,为进一步寻找叶片光谱与其理化指标变化规律,故将近红外光谱技术与化学计量学相结合探索柑橘病害光谱判别及病害对理化指标影响的可行性。利用便携式近红外光谱仪,获取柑橘正常、溃疡病和砂皮病3类叶片光谱并测量理化指标值,开展光谱特性与理化指标规律分析,进行SPA(successive projections algorithm)与PCA（principal component analysis）变量筛选,结合RF （random forest）与LWPLS（locally weighted partial least squares）分别建立柑橘病害定性模型及理化指标定量模型。对比分析模型结果,发现基于原始光谱变量的LWPLS定性模型效果最佳,其判别准确率为94.03%。用401个光谱变量为输入,基于LWPLS的正常叶片SPAD值模型分析结果最优;虽正常、溃疡病和砂皮病3类叶片综合的LWPLS定量模型RMSEP较大为4.46%,但模型对叶片SPAD值具有较好的预测精度,R²和RPD分别为0.93、2.19。研究表明,近红外光谱技术结合化学计量学判别柑橘病害及分析病害对叶片理化指标的影响具有一定可行性,可为柑橘病害实时现场检测提供重要科学参考。