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。     

基于便携式近红外光谱仪检测梨可溶性固形物

探索采用便携式近红外光谱仪,利用不同光谱预处理算法及波长优选法建立检测模型检测梨可溶性固形物含量(SSC)的可行性。比较了一阶导数(1st)、二阶导数(2nd)、多元散射校正(MSC)、标准正态变量变换(SNV)等9种预处理方法进行PLS建模的效果,确定最佳预处理方法。用相关系数法、无信息变量消除法(UVE)、向后区间偏最小二乘法(biPLS)和向后区间偏最小二乘法结合遗传算法(biPLS+GA)优选波长,用偏最小二乘法(PLS)建立梨SSC的定标模型,根据各个模型的校正集和预测集的相关系数(r)和交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)评价定标模型的精度和稳定性。结果表明:经过SNV预处理后的建模效果最好,校正集和预测集的相关系数r分别为0.890 8和0.868 9,RMSECV和RMSEP分别为0.592 5和0.630 8;相较于其他3种波长优选法,biPLS+GA方法不仅优选的波长数少,而且所建模型的预测效果更好,校正集和预测集的相关系数分别为0.887 9和0.891 0,RMSECV和RMSEP分别为0.599 9和0.571 3。     

脐橙可溶性固形物的在线近红外光谱检测

【目的】应用近红外光谱漫反射技术在线检测脐橙内部的可溶性固形物含量(SSC)。【方法】以0.3m/s的速度、400W的光照强度获取脐橙(脐橙样品为97个,其中74个为校正集,23个样品为预测集)的漫反射光谱;对比不同光谱预处理方法(平滑、一阶微分、二阶微分等)对偏最小二乘回归(PLSR)所建预测模型性能的影响,建立PLSR、主成分回归(PCR)和多元线性回归(MLR)在线检测脐橙可溶性固形物含量的预测模型。【结果】在520~1 000nm光谱范围,卷积平滑(S-G)能有效提高光谱的信噪比,改善模型预测精度;基于PLSR所建立的预测模型较PCR和MLR更为理想,其预测相关系数(RP)为0.90,预测均方根误差(RMSEP)为0.61。【结论】利用在线近红外光谱技术检测脐橙可溶性固形物含量是可行的。     

脐橙可溶性固形物含量的光谱检测技术研究

以晚熟脐橙为试材,采用近红外光谱技术与常规检测分析相结合的方法,对比和评价了基于果面和果汁光 谱信息的脐橙可溶性固形物(TSS)含量预测模型精度,并筛选了可溶性固形物预测特征光谱.通过对果面和果汁原 始光谱的多元散射校正(MSC)预处理,利用偏最小二乘法(PLS)分别建立了TSS预测模型,其中,当果面光谱主因 子为5时,其对于可溶性固形物预测相关系数为最大(R=0.8367)、预测均方根误差(RMSEP)为最小(RMSEP= 0.4903);而当果汁光谱主因子为8时,其对果汁可溶性固形物的预测相关系数为最大(R=0.9058)、预测均方根 误差为最小(RMSEP=0.5236).采用联合区间偏最小二乘法(siPLS)对果面和果汁光谱特征波段组合进行筛选, 获得果面光谱建模特征波段组合为1000~1107,1750~1857,2071~2177和2178~2284nm,建立的校正集和 预测集模型相关系数分别为0.9462和0.9020,RMSECV为0.3596,RMSEP为0.4309;获得用于果汁光谱建模 的特征波段组合为1000~1125,1251~1375,1376~1500和1626~1750nm,校正和预测模型相关系数分别为 0.9894和0.9596,RMSECV为0.1631,RMSEP为0.3128.结果表明:试验所筛选出的果面和果汁近红外光谱 特征波段组合建立的校正模型,均可用于晚熟脐橙TSS含量的无损检测,果汁光谱对于甜橙果实固形物含量预测 精度高于果面光谱,近红外光谱技术用于橙汁固形物检测是可行的.     

基于高光谱和CARS-IRIV算法的‘库尔勒香梨’可溶性固形物含量检测

[目的]利用高光谱技术实现‘库尔勒香梨’可溶性固形物含量的有效无损检测具有重要意义,但是高光谱数据通常噪声明显,大量无关信息变量和冗余信息变量的存在降低了模型的预测精度。本文旨在探究对高光谱数据特征变量筛选的有效方法来实现‘库尔勒香梨’可溶性固形物含量的快速检测。[方法]以‘库尔勒香梨’可溶性固形物含量(SSC)为研究指标,利用高光谱成像技术采集样本400~1 000 nm波长的漫反射光谱,对样本感兴趣区域(ROI)的光谱进行预处理,分别采用竞争性自适应重加权算法(CARS)、迭代保留信息变量算法(IRIV)以及CARS-IRIV算法筛选特征变量,基于不同筛选方法分别建立偏最小二乘(PLS)与最小二乘支持向量机(LS-SVM)预测模型,以预测集相关系数(Rp)、预测均方根误差(RMSEP)和预测相对分析误差(RPD)值对模型进行评价。[结果]CARS-IRIV算法可以有效减少CARS算法提取的变量个数,并稳定模型预测精度。LS-SVM模型预测结果优于PLS模型,在LS-SVM模型中CARS-IRIV-LS-SVM预测精度最高,Rp、RMSEP和RPD值分别为0.889、0.300和2.823。[结论]CARS-IRIV是一种有效的高光谱特征变量筛选算法,在提高预测精度的同时简化了模型的运算,CARS-IRIV-LS-SVM模型结合高光谱成像技术可以对‘库尔勒香梨’SSC进行快速有效的无损检测。     

基于近红外漫反射光谱的多品种桃可溶性固形物的无损检测

【目的】研究基于近红外漫反射光谱的多品种桃可溶性固形物含量的无损检测技术。【方法】在获得3个不同品种桃近红外漫反射光谱的基础上,采用多元散射校正(MSC)方法处理原始光谱,以SPXY算法划分样品集,分别建立了可溶性固形物含量的偏最小二乘回归(PLSR)、极限学习机(ELM)和最小二乘支持向量机(LSSVM)预测模型,并比较和评价了移动窗口偏最小二乘法(MWPLS)和连续投影算法(SPA)优选有效特征波长对于简化模型运算量、改善模型预测性能的影响。【结果】虽然全光谱可以获得较好的识别效果,但是模型比较复杂;MWPLS与SPA优选的有效特征波长均能有效地减少建模变量并简化模型,但MWPLS在提高建模效率和改善模型预测精度方面有更明显的优势;PLSR、ELM与LSSVM模型都取得了较理想的预测结果,其中PLSR方法较适用于全光谱建模分析;MWPLS-ELM模型对样品集中桃可溶性固形物含量的预测性能最好,其校正相关系数、校正均方根误差、预测相关系数和预测均方根误差分别为0.991,0.397,0.983和0.497。【结论】近红外漫反射技术可用于多品种桃可溶性固形物含量的准确、无损检测,也为其他品种果品的内部品质指标快速、无损检测提供了技术借鉴。     

基于可见/近红外光谱对不同产地晋虞1号桃SSC含量的检测研究

[目的]本文利用可见/近红外光谱定量检测山西省不同产区晋虞1号桃的可溶性固形物(Soluble solids content,SSC)含量,旨在建立一个简单有效、适应性能好的校正模型为后续在线检测设备的开发与利用提供模型参考。[方法]采集3个产区桃的可见/近红外漫反射光谱,选择不同的预处理方法消除客观因素对原始光谱的影响,比较发现SG平滑+多元散射校正(multiplicative scatter correction,MSC)预处理方法建模结果最优。采用Kennard-Stone算法以3∶1比例划分样品集,其中校正集270个用于建立PLS模型,预测集90个用于评价模型性能。为了简化模型运算量、提高模型预测性能使用蒙特卡罗无信息变量消除(Monte Carlo uninformative variables elimination,MCUVE)与连续投影算法(Successive projection algorithm,SPA)相结合筛选有效特征波长。最后,比较了偏最小二乘(Partial least squares,PLS)算法所建单一产地和混合产地下晋虞1号桃SSC含量可见/近红外光谱模型的预测能力。[结果]与单一产地和两两混合产地模型相比,混合3产地桃校正集样本建立的模型预测效果最好,预测的相关系数(Rp)和预测的均方根误差(RMSEP)分别为0.949和0.652°Brix。[结论]利用多个产地的晋虞1号桃样本建立的混合模型具有较强的包容性,可提高对晋虞1号桃SSC含量的预测精度,减小产地差异对SSC含量可见/近红外光谱检测的影响。本文可为山西省内晋虞1号桃内部品质SSC含量的无损检测模型提供了理论基础。     

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。     

基于高光谱成像的蓝莓内部品质检测特征波长选择方法研究

为了实现蓝莓内部品质快速、准确检测,采用高光谱成像技术对蓝莓的糖度和硬度多指标同时进行检测研究。提出多阶段特征波长选择方法,即采用连续投影法(SPA)和逐步多元线性回归(SMLR)等特征波长选择方法同时将糖度和硬度的特征波长选择出来。通过高光谱成像系统(400~1000nm)采集了200幅蓝莓图像,首先对高光谱图像进行多元散射校正、标准正态变量变换和Savitzky-Golay平滑等光谱预处理,选取最优的预处理方法。然后利用SPA或者SMLR选择出糖度的几个特征波长,在此基础上再利用SPA或者SMLR选择出硬度的几个特征波长,从而形成四个特征波长选择方法 (SPA-SPA、SMLR-SMLR、SPA-SMLR和SMLR-SPA),采用4种多阶段特征波长选择方法提取同时反映蓝莓糖度和硬度的特征波长的组合。最后以全波长光谱信息(FS)和4种多阶段特征波长选择方法得出的光谱信息作为BP神经网络模型的输入矢量,建立了蓝莓糖度和硬度的预测模型。结果表明:Savitzky-Golay平滑为最优的预处理方法 ,结合BP神经网络,采用SPA-SPA多阶段特征波长选择方法所得的预测性能最优,糖度校正集的相关系数(Rc)和校正均方根误差(RMSEC)分别达到0.959和0.318°Brix,硬度校正集的相关系数(Rc)和校正均方根误差(RMSEC)分别达到0.956和0.153°Brix。糖度预测集的相关系数(Rp)和预测均方根误差(RMSEP)分别达到0.952和0.391°Brix,硬度预测集的相关系数(Rp)和预测均方根误差(RMSEP)分别达到0.953和0.234°Brix。该研究表明,应用高光谱成像技术可以对蓝莓糖度和硬度多指标同时进行检测研究,所获得的特征波长可为开发多光谱成像的蓝莓品质检测和分级系统提供参考。     

基于PCR和PLS的沙棘汁品种近红外光谱研究

建立可见-近红外漫反射光谱与沙棘汁品种之间的数学模型,以评价可见-近红外漫反射光谱技术快速检测沙棘汁品种。采用美国ASD公司的FieldSpec3光谱仪对三种不同品种的沙棘汁进行光谱分析,各获取30个样本的光谱数据,对原始光谱进行一阶微分和二阶微分预处理,并利用偏最小二乘法(PLS)数学校正方法对三种不同预处理的光谱数据建模。结果表明,采用二阶微分预处理数据,应用PLS方法建模较好,其校正模型相关系数为0.9992,均方根误差为0.0317;采用主成分回归(PCR)和偏最小二乘法(PLS),对沙棘汁的二阶微分数据进行分析比较,结果也表明,基于二阶微分数据,应用PLS方法建模较为理想,其预测集的相关系数为0.9988,所测预测样本的均方根误差为0.0392。近红外光谱可作为一种快速、有效的无损检测方法来识别沙棘汁的品种。     

成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测

【目的】研究成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测技术,为及时、准确地掌握成熟期梨果实的内部品质特性及田间管理、适时采收、合理储藏提供依据。【方法】基于近红外漫反射光谱检测技术分别建立了成熟期砀山酥梨可溶性固形物含量的偏最小二乘(PLS)、广义回归神经网络(GRNN)和偏最小二乘支持向量机动态预测模型(LSSVM),并综合评价了无信息变量消除法(UVE)优选有效特征波数对于简化模型、提高预测性能的影响。【结果】UVE算法能够很好地提高建模效率、有效改善GRNN和LSSVM模型预测精度,而对PLS分析模型效果不明显。3种模型中,LSSVM模型比GRNN和PLS模型具有明显优势,其中UVE-LSSVM模型具有最佳预测精度和适用性,其校正相关系数(Rc)为0.988,校正均方根误差(RMSEC)为0.074,预测相关系数(Rp)为0.922,预测均方根误差(RMSEP)为0.162。【结论】基于近红外光谱技术的UVE-LSSVM模型可用于成熟期梨可溶性固形物含量的无损检测。     

赣南脐橙可溶性固形物近红外光谱在线无损检测

通过应用近红外漫透射光谱技术结合最小二乘支持向量机等算法,探索脐橙可溶性固形物含量在线无损检测的可行性。139个样本被分成建模集和预测集(103∶36),分别用于建立检测模型和验证检测模型的预测能力。漫透射近红外光谱,经过一阶微分、多元散射校正和移动窗口平滑组合预处理后,分别建立了偏最小二乘、偏最小二乘支持向量机模型,经比较发现,偏最小二乘支持向量机模型的预测能力更强,模型预测的均方根误差和相关系数分别为0.6423%、0.9059。通过对比发现,主成分分析和径向基函数有利于提高最小二乘支持向量机模型的预测能力。结果表明:采用近红外漫透射光谱技术结合最小二乘支持向量机算法能够很好地实现脐橙可溶性固形物含量的在线无损检测。     

基于高光谱成像的枇杷果实品质检测

采用高光谱成像技术(HSI)在可见/近红外(363～1 026 nm)区域检测枇杷果实的可溶性固形物(SSC)和硬度,并判断其成熟度,以实现枇杷果实品质的无损检测和分级分选.利用蒙特卡洛法(MC)剔除异常样本,基于联合X-Y距离(SPXY)进行建模集和预测集样本的划分,再采用竞争性自适应权重采样算法(CARS)和连续投影算法(SPA)选取特征波长,与全波段光谱(FS)比较,分别建立偏最小二乘回归(PLSR)模型.结果显示,CARS-PLSR模型更优,CARS提取的SSC特征波长和硬度特征波长分别占总波长的8.52%和5.36%,枇杷果实中SSC和硬度的建模集相关系数R_c分别为0.981 7,0.970 7,预测集相关系数R_p分别为0.918 5,0.742 3,说明CARS能有效地对光谱进行降维,简化了数据处理过程.枇杷果实SSC和硬度的变化与果实成熟度显著相关,建立判别偏最小二乘法(DPLS)成熟度预测模型,预测集总识别准确率为89.29%.由此说明,高光谱成像技术可对枇杷品质进行有效检测,为枇杷果实的无损检测和分级分选提供了理论依据.     

基于近红外高光谱成像技术的鸡蛋污染过程中菌落总数可视化研究

[目的]为探讨鸡蛋污染过程中微生物总量无损预测的可行性,本文研究了一种基于近红外高光谱成像技术可视化鸡蛋中菌落总数的无损预测方法。[方法]将鸡蛋样本在接种大肠杆菌和铜绿假单胞菌的混合菌悬液后储存,采集并统计不同污染程度鸡蛋样本的原始高光谱信息和菌落总数信息;在完成最佳预处理方法筛选后,结合连续投影算法(SPA)分别建立了基于全波段和特征波段光谱信息下的偏最小二乘法(PLS)和支持向量机(SVM)菌落总数预测模型;优选出相对最佳预测模型后进一步实现对鸡蛋内部污染程度的可视化研究。[结果]二阶导数预处理效果相对最佳,其中交叉验证集相关系数R_(CV)为0.88,交叉验证集均方根误差为0.82 lg(CFU·g~(-1));鸡蛋中菌落总数的相对最佳预测模型为基于特征波段下SVM模型,其中建模集相关系数R_C为0.88,预测集相关系数R_P为0.84,建模集和预测集均方根误差分别为0.86和0.97 lg(CFU·g~(-1));根据鸡蛋内部污染程度及光谱特性的差异,建立了鸡蛋内部污染程度伪彩色图像。[结论]近红外高光谱成像技术结合化学计量学及图像处理方法,可实现对鸡蛋内部菌落总数的无损预测及污染程度的可视化,该技术可以为鸡蛋的安全性在线检测提供参考。     

基于可见/近红外光谱西葫芦硬度的无损检测模型的建立

利用近红外光谱(350～2 500 nm)系统采集180个西葫芦样本的光谱数据,运用多种预处理方法对原始光谱数据进行处理,建立西葫芦果肉硬度的PCR、SMLR和PLSR预测模型;并通过对不同的建模模型进行分析,对西葫芦硬度进行快速检测,实现可见/近红外光谱技术对西葫芦的硬度品质在线无损检测。结果表明,经过卷积平滑法和标准正态变换(S-G+SNV)处理建立的PLSR硬度预测模型效果最好,校正集相关系数为0.979,预测集相关系数为0.976;验证模型结果预测相关系数为0.886,预测均方根误差为0.126。运用可见/近红外光谱技术对西葫芦硬度指标的预测研究具有可行性,研究结果可为今后在线快速无损检测果蔬硬度提供理论依据。     

基于高光谱成像技术的羊肉新鲜度预测

为实现羊肉新鲜度的快速、无损检测,应用高光谱成像技术对不同存储天数的羊肉建立挥发性盐基氮TVB-N(Total volatile basic nitrogen,TVB-N)含量预测模型。通过高光谱成像系统获取羊肉样本935～2 539nm的高光谱图像,选取样本左上、左下、右上、右下和中间5个位置20×20像素的方形作为感兴趣区域(Region of interesting,ROI),提取ROI并计算区域内样本平均光谱。利用二进制粒子群优化算法(Binary particle swarm optimization,BPSO)和相关系数分析法(Correlation coefficient,CC)提取羊肉TVB-N高光谱特征变量,结合偏最小二乘回归(Partial least squares regression,PLSR)和随机森林回归(Random forest regression,RFR)建模算法,分别建立表征羊肉TVB-N含量的BPSO-PLSR、BPSO-RFR、CC-PLSR、CC-RFR预测模型。依据袋外均方根误差RMSEOOB最小原则,对最佳回归子树和分裂特征2个主要参数进行寻优以提高RFR建模算法的预测精度。比较4个模型的预测效果发现,BPSO-RFR模型的预测精度最高,其校正集决定系数R_c~2和均方根误差RMSEC分别为0.87和2.99,预测集决定系数R_p~2和均方根误差RMSEP分别为0.86和3.36。综上,高光谱成像技术和机器学习算法的有机结合为快速有效检测肉品新鲜度提供了理论依据。     

近红外高光谱成像技术检测成熟期酿酒葡萄果皮的花色苷含量

【目的】运用高光谱成像技术检测成熟期酿酒葡萄果皮的花色苷含量。【方法】利用900~1 700 nm近红外高光谱成像和多元回归模型对多品种酿酒葡萄成熟期不同阶段果皮花色苷含量进行预测建模。采集成熟期4~5个阶段的6个品种共75组酿酒葡萄样本的高光谱图像,运用不同预处理方法对光谱数据进行处理。基于主成分分析(PCA)和连续投影法(SPA)降维,将化学方法测量结果作为花色苷含量的参考值,采用支持向量回归(SVR)建立花色苷含量预测模型。【结果】SPA-SVR模型性能优于其他模型,其预测决定系数(R_p~2)为0.869 1,均方根误差(RMSEp)为0.135 9。【结论】将近红外高光谱成像技术应用于多品种成熟期酿酒葡萄果皮的花色苷含量的快速无损检测具有良好的可行性。     

基于近红外光谱的五味子提取过程在线检测方法研究

目的 利用近红外(NIR)光谱法,建立定量模型,实现五味子提取过程中关键指标的快速检测。方法 在线采集五味子提取液的近红外光谱,以高效液相色谱法和差重法获取参照,采用最小二乘回归法(PLSR)分别建立五味子醇甲、果糖、葡萄糖和可溶性固形物的定量模型。结果 定量模型的校正集相关系数R、校正均方根误差RMSEC、预测均方根误差RMSEP分别为：五味子醇甲0.99792、1.41、8.76,果糖0.99246、0.0919、0.333,葡萄糖0.99371、0.0954、0.448,可溶性固形物0.98723、3.07、11.2。结论 该方法快速、便捷,结果准确,适用于五味子提取过程的快速检测。     

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。     

近红外光谱法测定土壤全氮和碱解氮含量

为探寻采用近红外光谱技术在野外快速测定土壤全氮和碱解氮含量的方法,采集土壤光谱信号,结合偏最小二乘法和主成分分析法,分别建立土壤全氮和碱解氮含量测定的定标模型。结果表明,采用PLS方法建模时,土壤全氮和碱解氮含量测定定标模型的精度较高。为提高模型的预测精度,采用多元散射校正、标准归一化、基线校正、卷积平滑和小波变换5种方法对光谱信号进行预处理,当用小波变换法对光谱信号进行去噪处理,并与PLS方法结合时,模型的预测精度最高,土壤全氮样品校正模型的相关系数为0.838 5,均方根误差为0.153 1,对应验证模型的相关系数为0.754 9,均方根误差为0.184 2,校正集和验证集土壤全氮含量预测值(y)与实测值(x)之间的关系模型分别为y=0.685 8x+0.198 0和y=0.621 4x+0.237 9;土壤碱解氮样品校正模型的相关系数为0.866 5,均方根误差为0.007 7,对应验证模型的相关系数为0.796 1,均方根误差为0.009 4,校正集和验证集土壤碱解氮含量预测值(y)与实测值(x)之间的关系模型分别为y=0.749 8x+0.019 4和y=0.700 7x+0.023 3。综合分析结果表明,应用近红外光谱技术对土壤全氮和碱解氮含量进行定量预测是可行的,且应用小波变换方法对光谱冗余信息进行预处理后,再与偏最小二乘法相结合可有效地提高模型的精度。