近红外光谱法预测羊肉化学成分的研究

对3个品种、3个部位的106个羊肉样品进行近红外光谱扫描,并测定其蛋白质、水分、脂肪含量,采用Unscrambler软件建立基于偏最小二乘法的近红外光谱预测模型。结果显示:样品水分含量近红外光谱校正决定系数为0.94,验证决定系数是0.86;蛋白质含量近红外光谱预测模型的校正决定系数为0.90,验证决定系数为0.72;脂肪含量近红外光谱校正决定系数0.81,验证决定系数0.64,由此可知近红外光谱用于羊肉品质检测具有可行性。本研究为羊肉化学成分的快速检测提供了基础。     

基于可见/近红外反射光谱的梨树叶片钾含量的快速测定研究

利用可见/近红外反射光谱定量分析技术对梨树鲜叶钾素含量进行快速测定研究。对150个梨树叶片样本进行光谱扫描,其中120个做建模集,30个做验证集。通过对样品的可见/近红外光谱进行多种预处理,并建立钾素预测模型,探讨了可见/近红外光谱数据预处理对预测精度的影响。结果表明,通过原始光谱与S-G(3)平滑相结合的预处理方法,用17个主成分建立的偏最小二乘法模型最好,其交叉验证集和预测集模型的决定系数(R2)分别为0.722 7和0.679 1,交叉验证均方根误差(RMSECV)为1.171,预测的平均相对误差为6.81%,能高效、快速地预测梨树叶片钾素含量,为梨树钾素快速测定提供了新的手段。     

稻米品质近红外光谱法分析中定标样品选择与模型优化

通过对粳型水稻精米粉的直链淀粉含量和氨基酸含量近红外光谱检测模型的定标样品数量和优化的分析,用新复极差检验对不同样品组的粳稻精米粉直链淀粉含量和谷氨酸、亮氨酸含量的近红外建模效果校正决定系数(R2)和交叉检验均方误差(RMSECV)进行了评价,发现样品数为216份、114份、81份的直链淀粉含量样品组间无显著差异,200份、132份、91份谷氨酸和200份、113份和70份亮氨酸含量的样品组间无显著差异。结果表明,优选合适的样品及数量,并对模型进行优化,不仅可保持定标方程的精度,也可节约成本、减少工时。在本试验中,直链淀粉、谷氨酸和亮氨酸含量分别选择81、91、70份分布均匀的样品,可满足各自的建模要求。     

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。     

基于小波变换的番茄总糖近红外无损检测

分别采用小波消噪、常数偏移消除等11种光谱预处理方法,对番茄总糖含量（质量分数）的近红外光谱进行预处理,通过偏最小二乘法定量校正模型预测值比较得出,小波消噪是适合番茄近红外光谱的最佳预处理方法,小波消噪的总糖质量分数近红外光谱优选区域为11 998.9～6 097.8 cm-1和4 601.3～4 246.5 cm-1,在此光谱区内建立的番茄总糖质量分数偏最小二乘法模型预测值与实测值的相关系数为0.930,内部交叉验证均方差为0.466%,校正标准差为0.469%,预测标准差为0.260%。试验结果表明：小波消噪后建立的近红外光谱模型能准确地对番茄总糖含量进行快速无损检测。     

霉变稻谷脂肪酸含量的光谱检测模型构建与优化分析

为了实现霉变稻谷脂肪酸含量无损、快速检测,该文研究应用可见/近红外光谱技术检测霉变稻谷的脂肪酸含量。考虑到直接选用霉变稻谷可见/近红外光谱数据构建脂肪酸含量预测模型存在建模费时、预测失准等问题,研究提出了霉变稻谷脂肪酸含量的可见/近红外优化校正模型。研究中通过光谱-理化值共生距离(sample set partitioning based on joint xy distance,SPXY)算法结合偏最小二乘法初步分析了不同校正集样本预测霉变稻谷脂肪酸含量的差异;利用连续投影算法(SPA)提取了反映霉变稻谷脂肪酸含量变化的特征波段;采用偏最小二乘法(partial least square,PLS)和多元线性回归法(multivariable linear regression,MLR)分别建立了基于特征波段光谱反射值的霉变稻谷脂肪酸含量预测模型,并对比分析了采用SPXY样本集划分的模型预测效果。结果表明:采用SPXY法筛选出的65个校正集样本分布与初始校正集相近,脂肪酸含量变化范围为18.55~127.26 mg,其标准差为32.39;SPA算法最终从256个全光谱波段中优选出9个特征波段,实现了光谱数据的压缩;分别建立的SPXY-SPA-PLSR模型和SPXY-SPA-MLR模型预测霉变稻谷脂肪酸含量相关系数RP为0.922 1和0.915 9,预测均方根误差RMSEP为13.889 3和14.261 0;SPXY筛选校正集所构建模型预测精度与初始校正集所建模型相当,但校正集样本数量减少为初始校正集的41%,运算时长缩短为初始样本集的32%,提高了模型的校正速度。     

煤矿区土壤有机碳含量的高光谱预测模型

可见—近红外光谱已被证明是一种快速、及时、有效的土壤有机碳含量预测工具。利用Field Spec4对济宁鲍店矿区的104个土壤样品进行光谱测量,采用Savitzky-Golay卷积平滑(SG)、多元散射校正(MSC)及数学变换等多种方式组合对光谱预处理,并运用偏最小二乘回归分析建立土壤有机碳含量预测模型,进而探讨煤矿区土壤有机碳含量的高精度预测方法。结果表明:(1)不同的光谱预处理方法对建模结果影响差异较大,建模结果以SG加MSC预处理再结合光谱反射率的一阶微分变换最优,建模R~2=0.86,RMSE=2.0g/kg,验证R~2=0.78,RMSE=1.81g/kg,RPD=2.69。(2)倒数和倒数的对数与土壤有机碳含量的相关性曲线接近重合,与反射率曲线成反比,但是建模效果远低于反射率;光谱反射率的一阶微分能明显提高500~600nm波段相关性。(3)光谱反射率随土壤有机碳的含量减少而增大,当有机碳含量较低时,其波谱的近红外波段反射率响应能力也随之降低,反射率直接建模难度加大。     

基于可见-近红外反射光谱的油区农田土壤石油烃含量估测研究

利用可见-近红外光谱技术,研究油区农田土壤在颗粒为2mm、0.25 mm和0.15 mm时的光谱(原始、一阶微分、连续统去除、多次散射校正)反射率与石油烃含量变化的关系,建立并利用偏最小二乘回归模型估测了石油烃含量.结果表明:原始、连续统去除、多次散射校正光谱的反射率对石油烃含量变化的响应在350 ～ 600 nm最敏感(P＜0.05),一阶微分光谱的敏感波段为2 280 nm(|r|=0.81,P＜0.01);光谱预处理能明显提高石油烃含量的估测精度,但土壤研磨对估测精度的影响因光谱预处理方法而异.基于可见-近红外光谱技术,本研究确立了估测油区农田土壤石油烃含量的颗粒粒径(2 mm)和光谱预处理方法(一阶微分),实现了石油烃含量的快速、有效估测,探索了一种可替代传统分析技术的新方法.     

基于近红外光谱的大豆叶片可溶性蛋白含量快速检测

可溶性蛋白是植物生化及抗性生理研究的重要指标之一。快速、准确、无损测定可溶性蛋白含量对作物生长状况的动态监测及抗性作物品种的筛选具有重要意义。近红外光谱具有快速、简单方便、非破坏性的特点,已在农业、食品、化工等领域广泛应用,尤其是近年来基于光谱技术快速无损的获取作物生理生化信息的研究已成为当前农业领域研究的热点。本文采用近红外光谱技术结合化学计量学方法以实现大豆叶片可溶性蛋白含量的快速无损检测。首先,采用Savitzky-Golay平滑(SG)、一阶导数(1-Der)、二阶导数(2-Der)等7种光谱预处理方法分别建立大豆叶片可溶性蛋白含量的偏最小二乘(PLS)预测模型,经对比发现SG预处理方法为大豆叶片可溶性蛋白含量预测的最优光谱预处理方法。其次,分别采用连续投影算法(SPA)、随机蛙跳(RF)和遗传算法(GA)对SG预处理后的光谱数据进行特征波长提取。最后,基于提取的特征波长分别建立了大豆叶片可溶性蛋白含量的SPA-PLS、RF-PLS和GA-PLS预测模型,发现基于SPA提取的11个特征波长建立的大豆叶片可溶性蛋白含量SPA-PLS模型具有最佳的预测效果,其预测集相关系数(R2p)为0.864,预测均方根误差(RMSEP)为1.894 mg/g,预测偏差为2.061(RPD)。上述结果表明,应用近红外光谱技术检测大豆叶片中可溶性蛋白含量是可行的,可为大豆生长状况动态监测及抗性大豆品种的筛选提供新的方法。     

基于线性渐变分光近红外光谱仪的苹果可溶性固形物含量无损检测研究

为了探讨线性渐变分光近红外光谱仪在水果内部品质无损快速检测方面应用的可行性及其光谱学机理,本文以基于线性渐变分光近红外光谱仪所采集的苹果光谱数据为自变量,以苹果可溶性固形物含量为因变量,采用偏最小二乘回归结合全交互验证算法,分别对全谱、一倍频、二倍频、三倍频、一二倍频、一三倍频、二三倍频共7个谱区建立校正模型并根据模型准确度选择优化谱区。对优化谱区采用平滑、标准正态变量变换、多元散射校正、一阶导数进行光谱数据预处理优化。最后采用外部验证集对优化预处理的模型进行预测准确度评价。结果显示,基于一二倍频区的校正模型准确度较其他谱区最高,其校正测定系数、校正均方根误差、交互验证测定系数、交互验证均方根误差分别为0.753 9、 0.93、 0.745 9、0.95;在此基础上,多元散射校正预处理后所建模型准确度更高,模型校正测定系数、校正均方根误差、交互验证测定系数、交互验证均方根误差分别为0.755 9、 0.92、 0.748 2、 0.94;外部验证集模型预测测定系数、预测均方根误差分别为0.683 4、 1.01。上述3个模型均通过F检验证明其可溶性固形物含量预测值与参考值之间具有显著的相关关系。结果表明,基于一二倍频区数据所建模型基本可以满足苹果可溶性固形物含量快速无损检测的需求,并可为基于线性渐变分光的便携式近红外光谱仪的应用提供一定的参考。     

大米胶稠度近红外光谱分析数学模型的建立

胶稠度是评价大米蒸煮食用品质的重要指标之一。研究了运用近红外光谱分析技术检测大米胶稠度的测试原理，对60个样品的光谱数据用偏最小二乘法(PLS)建立了测定大米胶稠度的数学模型，其回判结果与化学分析值之间的相关系数为0.95，建模标准差为0.66；用41个样品对建立的数学模型进行了交叉验证，其检测结果与用标准化学分析方法测得结果的相关系数达0.92，预测标准差为0.78。试验证明，可以利用近红外光谱分析技术对大米胶稠度进行快速检测。     

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。     

近红外光谱法测定玉米秸秆饲用品质

为了对玉米秸秆的饲用品质进行可靠、便捷、快速的分析和评价,该研究以不同品种、密度、氮肥和水分处理的不同发育时期和不同部位玉米秸秆为试验材料,应用近红外光谱（NIRS）技术和偏最小二乘法（PLS）,采用一阶导数+中心化+多元散射校正的光谱数据预处理方法,构建了玉米秸秆体外干物质消化率（IVDMD）、酸性洗涤纤维（ADF）、中性洗涤纤维（NDF） 和可溶性糖（WSC）含量的NIRS分析模型。所建立的IVDMD、ADF、NDF和WSC含量的NIRS校正模型决定系数（R2cal）分别为0.9906、0.9870、0.9931和0.9802,交叉验证决定系数（R2cv）分别为0.9593、0.9413 、0.9678和0.9342,外部验证决定系数（R2val）分别为0.9549、0.9353、0.9519和0.9191,各项标准差（SEC、SECV和SEP）为0.935～1.904,相对分析误差（RPD）均大于3。结果表明,各参数的NIRS分析模型可用于玉米秸秆饲用品质的分析和品种选育的快速鉴定。     

基于相关系数法与遗传算法的啤酒酒精度近红外光谱分析

以啤酒的酒精度的快速检测为研究对象,针对采用偏最小二乘(Partial Least Squares,PLS)法建立近红外光谱预测模型时波长筛选问题,提出将相关系数法与遗传算法(Genetic Algorithms,GA)相结合提取光谱有效信息,提高预测模型的精度的方法。结果表明：该方法应用于啤酒酒精度近红外光谱检测中,吸收光谱和一阶导数光谱的预测建模的波长个数分别减少了83%、82%,预测平均相对误差分别降低了0.42%、0.64%,不仅简化、优化了模型,而且增强了预测建模型的预测能力,是一种采用PLS法建立预测模型前行之有效的降低和优选波长的方法。     

Optimization of Near‐Infrared Reflectance Model in Measuring Gelatinization Characteristics of Rice Flour with a Rapid Viscosity Analyzer (RVA) and Differential Scanning Calorimeter (DSC)

This study compared the calibration models generated by combinations of different mathematical and preprocessing treatments as well as regression algorithms to optimize the analysis of gelatinization properties of rice flour by using near‐infrared spectroscopy, in comparison with conventional techniques of differential scanning calorimetry (DSC) and rapid viscosity analysis (RVA). A total of 220 milled rice flours were used for model construction. A model generated by the modified partial least squares regression (MPLS) with mathematical treatment “2, 8, 8, 2” (second‐order derivative computed based on eight data points, and eight and two data points in the second smoothing, respectively) and detrend preprocessing was identified as the best for simultaneously measuring onset temperature (T_o), peak temperature (T_p), and conclusion temperature (T_c) of DSC. MPLS/“2, 8, 8, 2”/weighted multiplicative scattering correction preprocessing was identified as the best for RVA properties. The results indicated that near‐infrared reflectance spectroscopy could be used to rapidly predict gelatinization properties of rice flour for the purposes of quality evaluation of germplasm and selection of intermediate lines in breeding programs.     

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.     

大米直链淀粉含量的近红外光谱分析

大米的直链淀粉含量是影响大米蒸煮和加工特性的最重要因素之一,常被用作蒸煮米质构特性评价指标。该文对不同粒度、不同类型大米样品进行了近红外光谱分析,建立了大米直链淀粉含量的预测模型,（精米样品）预测值与化学分析值的相关系数达0.95。预测标准差、平均相对误差分别为0.56和3.1%。     

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。