近红外光谱结合特征变量筛选方法测定茶汤中的氨基酸含量

采用透射方式获取茶汤的近红外光谱,利用特征变量筛选方法从茶汤的近红外光谱中提取氨基酸光谱信息,建立茶汤中氨基酸含量的快速检测模型.分别利用间隔偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)从茶汤的近红外光谱中提取微弱的氨基酸信息,建立其近红外光谱定量分析模型.结果表明,利用两种方法筛选的特征变量都避开了水的强吸收峰影响,但利用siPLS方法建立的模型性能明显好于iPLS的.最优的siPLS模型对校正集样本的相关系数为0.912,交互验证均方根误差为0.185;用预测集中独立样本检验模型性能,其相关系数为0.887,预测均方根误差为0.202.研究结果可为液体茶饮料中的成分实时快速检测提供参考.     

鸡蛋蛋白pH可见/近红外光谱在线检测信息变量提取研究

利用可见/近红外光谱在线检测鸡蛋品质中的蛋白pH, 采用漫反射方式进行光谱采集.采用反向区间偏最小二乘法(BiPLS)和蒙特卡罗无信息变量消除法(MC-UVE)分别优化鸡蛋蛋白pH可见/近红外光谱的信息区间组合及筛选有效建模变量数.经过最优预处理方法一阶导数对光谱进行预处理校正后,BiPLS方法筛选的区间分隔最优数为25,对应信息区间为598.33~617.55 nm、636.63~655.58 nm、783.25~800.72 nm和852.24~885.82 nm.利用MC-UVE方法筛选出来的最佳建模变量数为250个,BiPLS模型的Rp为0.827和RMSEP值为0.094;MC-UVE-PLS模型的Rp为0.833和RMSEP值为0.086.结果表明利用蒙特卡罗无信息变量消除方法可以有效选择建模变量,既克服了复杂样品各信息区间对PLS建模贡献率不一样的问题,又能提高模型的稳定性和多元校正的预测精度.     

基于光谱技术和SIMCA方法的润滑油鉴别

采用可见-近红外反射光谱结合独立软模式法(SIMCA)建立了不同品牌种类的发动机润滑油鉴别模型。研究在对光谱曲线进行预处理和聚类分析后,选取7个主成分作为SIMCA的最佳主成分,随机采用20×7个样本作为建模样本,其余的10×7个样本作为预测样本,应用SIMCA进行分类,在显著性水平为5%下,其预测分辨率为98.75%。根据变量建模能力值,找到敏感波段420~425 nm、492~518 nm和796~816 nm,并将相应波段的光谱值作为SIMCA的输入,进行建模预测,结果发现,预测分辨率达95.71%,能快速正确区分7类不同品种的发动机润滑油。     

基于近红外光谱技术实现掺假山羊奶的定性和定量检测

以近红外光谱(NIRS)技术为基础,实现掺假山羊奶的快速、无损检测。采用主成分分析结合神经网络以及偏最小二乘法(PLS)分别对纯山羊奶和掺有奶油、还原奶的两类掺假山羊奶进行定性和定量研究。结果表明,将主成分分析与多层感知器(Multilayer Perceptron, MLP)神经网络相结合建立的定性判别模型对样品建模集和预测集的正确判别率都达到100%。光谱经预处理、优选波段和主成分维数后,利用PLS分别建立两类掺假奶的定量校正模型。其中掺奶油山羊奶定量校正模型的决定系数(R)为98.54%,交叉验证均方根差(RMSECV)为0.379;掺还原奶山羊奶定量校正模型的 R 为96.38%,RMSECV 为6.20。同时运用马氏距离和二审剔除法判断和剔除异常样本后,两类掺假奶模型的R分别提高到98.85%和97.06%,RMSECV 分别降低到0.333和5.61。外部验证得到预测值与真值的相关系数(R)分别为0.989和0.982,预测效果满意。所得结论表明,近红外光谱技术结合化学计量学方法可以实现掺假山羊奶的定性和定量检测。     

基于RF-VR的紫丁香叶片叶绿素含量高光谱反演

利用高光谱技术精确估测植物叶片叶绿素含量,对植物生长趋势和营养状况的监测和管理具有重要意义。本文以紫丁香为研究对象,针对高光谱所含波段数量大、波段间相关性强导致数据中冗余信息增多的现象,通过卷积平滑和二阶微分(SG-SD)处理光谱数据,应用随机蛙跳(RF)算法筛选特征波段,最后结合偏最小二乘(PLSR)和投票回归器(VR)建立了植物叶片叶绿素含量反演模型,并与全波段光谱法和5种经典变量提取方法进行了比较。结果显示,相比于原始光谱数据,SG-SD是一种有效的提高建模精度的光谱预处理方法;相比于全波段光谱和经典变量提取方法,RF算法筛选出的敏感波段建模效果最佳;相比于PLSR模型,VR模型的预测精度和预测稳定性能更优。本文对原始光谱数据进行SG-SD预处理后,对经RF算法筛选出的特征波段建立VR模型,变量数由全波段数204个减少为35个,建模集决定系数0.944 2,验证集决定系数0.951 4,最后利用RF-VR模型结合伪彩图技术得到紫丁香叶片叶绿素分布反演图,为紫丁香叶片养分分布提供更直观的信息表达。结果表明,该方法可为紫丁香叶片营养含量诊断和长势监测提供技术支持。     

近红外漫反射光谱云芝提取物快速掺假识别研究

为探索准确识别云芝提取物掺假(糊精)的方法,采用近红外漫反射光谱技术,对不同产地云芝提取物及掺假样品进行定性识别研究。在12 500~4 000 cm-1波段范围,采集样品的光谱,应用偏最小二乘判别法(PLS-DA)建立云芝提取物掺假识别模型。通过Kolmogorov-Smirnov法检验模型中云芝提取物分类变量值的分布规律,从而建立识别云芝提取物的最佳阈值区间,以实现对云芝提取物的掺假研究。结果表明,使用一阶导数(FD)和多元散射校正(MSC)的预处理方法,在主因子数为2,以及分别设置云芝提取物及掺假样品的分类变量为1、0时,云芝提取物的分类变量值服从正态分布,其最佳阈值区间为0.54~1.28(包含0.54和1.28)。建立偏最小二乘判别(PLS-DA)模型,对验证集样品进行识别,正确率可达100%。因此,该方法可较好地对云芝提取物进行掺假识别,同时为云芝提取物掺假识别模型的界限值确立、建立最佳阈值区间提供理论依据和方法。     

基于近红外光谱对蜂蜜掺假的检测

通过运用近红外光谱技术对蜂蜜中掺入糖浆进行快速检测,建立偏最小二乘回归模型。实验一共分成21组,掺假比例0%~100%,间隔5%。对于21组实验结果选取14组作为校正集,7组作为验证集。在MATLAB软件上用IPLS与SIPLS方法筛选波长,之后使用The Unscrambler软件进行主成分分析以及模型建立,并完成验证。研究结果表明:使用IPLS分析得出在8000~8196 cm~(-1)区间建模效果最好,校正集Correlation为0.999655,验证集Correlation为0.996520。使用SIPLS分析得出在9244~9544 cm~(-1)区间建模效果最好,校正集Correlation为0.998131,验证集Correlation为0.983960。     

基于CWT-RF模型估算博斯腾湖湖滨绿洲土壤有机碳含量

为实现博斯腾湖湖滨绿洲土壤有机碳含量的快速估算,结合实测的土壤高光谱数据与土壤有机碳数据,通过连续小波变换(CWT)进行土壤光谱数据预处理,利用相关系数法(CC)、连续投影算法(SPA)、竞争自适应重加权采样(CARS)、遗传算法(GA)筛选的特征波段作为建模输入量,构建随机森林(RF)模型。结果表明：研究区土壤有机碳含量平均值随土层深度增加由12.36 g/kg降低至10.49 g/kg,变异系数平均值为69.62%,空间异质性较强;CWT变换可以有效提高不同土层深度土壤有机碳含量与光谱反射率间的相关性,不同土层深度相关系数均值平均提升约22.41%;光谱数据经过CWT变换构建的模型精度明显提升,RF模型验证集R²与RPD分别平均提高7.09%、10.06%。CC、CARS、SPA、GA方法能消除光谱信息冗余,有效降低CWT-RF模型的输入量与RMSE值,土层深度0～20、20～40、40～60和60～80 cm筛选的特征波段平均压缩至全波段数目分别为8.51%、5.38%、2.21%和3.67%;RMSE值分别平均降低111.67%、135.61%、12.25...     

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.     

SPA-PLS和GA-PLS算法预测胡杨叶片含水量的对比

采用Savit Zky-Golay一阶导数法,分析叶片含水量对近红外光谱吸收谱的影响特征,建立综合利用多波段信息的作物叶片含水量预测模型。通过使用一阶导数法对胡杨叶片近红外光谱信息进行预处理,然后分别采用连续投影算法(SPA)和遗传算法(GA)筛选特征波长,建立并比较偏最小二乘回归(PLS)模型对含水量的预测效果,研究胡杨叶片含水量与叶片光谱信息的关系。试验结果发现,经过一阶导数预处理的光谱数据建模预测结果要优于原始光谱,并且SPA-PLS算法的回归预测结果要优于GA-PLS算法,其中基于一阶导数光谱使用SPA-PLS和GA-PLS算法的建模预测评价指标RMSPCV、RMSEP、Precision、r分别是0. 026 633、0. 014 391、0. 981 23、0. 793 63和0. 033 348、0. 019 726、0. 975 13、0. 758 38,预测变量数分别是18、29个。说明基于一阶导数光谱使用SPA-PLS算法可实现胡杨叶片含水量信息的准确估测,数据优化筛选是可行的,有效提高了测量精度,减少了建模变量。     

CARS-SPA算法结合高光谱检测马铃薯还原糖含量

以竞争性重加权自适应选择算法(CARS)结合连续投影算法(SPA)选择马铃薯还原糖含量特征波长,共制备238个样本,比色法测定马铃薯还原糖含量,选择190个样本作校正集,48个样本作验证集,与全光谱和经典变量提取方法比较。结果表明,CARS-SPA算法筛选波段效果最佳,相比于全谱建模其参与建模波长点由203个减少到17个,模型验证集决定系数r~2由0.8464提高到0.8965,均方根误差(RMSEP)由0.0758降到0.0490。结果表明,采用CARS-SPA结合高光谱成像技术检测马铃薯还原糖含量结果可行。     

应用近红外光谱检测滇南小耳猪肉化学组分含量

应用近红外漫反射光谱技术(near infrared reflectance spectroscopy,NIRS),对滇南小耳猪整块热鲜肉和热鲜均质肉糜的水分、脂肪、蛋白质含量进行建模研究,并筛选出最优的光谱预处理方法。采集11 000~4 300 cm~(-1)波数范围内111份猪肉样品光谱数据,在多元散射校正(multiplicative scattering correction,MSC)、二阶导数(second derivative)、变量标准化校正(standard normalized variate,SNV)不同组合方式的光谱预处理基础上,用偏最小二乘法(partial least squares,PLS),采用交互验证(cross validation)方法,对83份猪肉样品进行建模,28份猪肉样品用于模型的验证,建立滇南小耳猪猪肉的水分、粗脂肪、粗蛋白质3个化学组分的近红外预测模型,筛选最佳的光谱预处理方法和主成分数。结果表明:水分采用整块肉光谱进行MSC预处理的建模效果较好,R~2为0.975,RMSEC为0.304,RMSEP为1.640;脂肪直接采用肉糜光谱SNV预处理建模效果较好,R~2为0.911,且RMSEC为0.409,RMSEP为0.923;光谱对蛋白质的预测肉糜的原始光谱效果较好,R~2为0.946,且RMSEC为0.273,RMSEP为1.101。由此可见,近红外光谱分析方法能够很好地检测滇南小耳猪猪肉中的粗脂肪和水分,粗蛋白的检测结果较差。     

Nondestructive test of total acidity in 'shatangju' (Citrus reticulatablanco) with near-infrared spectroscopy

以砂糖橘为对象,建立基于可见-近红外光谱的砂糖橘总酸含量的无损检测方法.试验采集170个完整砂糖橘的500～2500nm漫反射光谱,然后采用滴定法测定总酸含量.采用Sym8小波变换对光谱进行去噪预处理,并采用连续投影算法(successive projections algorithm,SPA)结合间隔偏最小二乘法(interval partialleast squares,iPLS)优选波长,最终建立BPNN和偏最小二乘法(partial least squares method,PLS)总酸预测模型.结果表明:砂糖橘光谱的小波去噪方法产生的信噪比均值SNR=175.2911,去噪信号与原始信号间的均方根误差均值RMSE=0.00013,性能优于常规去噪方法.SPA与iPLS相结合构成的反向偏最小二乘法(back-ward interval partial least squares,BiPLS)_SPA波长选择法能将光谱变量从2001个压缩到14个,能简化模型并提高建模精度和稳定性.BPNN模型具有更好的非线性映射能力,基于这14个变量的BPNN总酸预测模型的预测相关系数Rp=0.867,预测均方根误差RMSEP=0.0616,性能优于线性的PLS模型.     

柑桔叶片可溶性糖近红外检测非线性模型研究

为了监督柑桔叶片是否缺乏营养元素,对叶片可溶性糖进行分析。采用近红外光谱技术结合误差反馈神经网络(BPNN)和最小二乘支持向量机(LS-SVM)建立定量剖析非线性模型,运用主成分分析(PCA)进行数据压缩、无信息变量消除算法(UVE)和连续投影算法(SPA)进行有效波段筛选的方法来优化模型的输入变量,提高了模型检测精度。同时,利用Savitzke-Golay平滑(S-G)、多元散色校正(MSC)、导数和基线校正(Baseline)等预处理方法进行数据变换,来确定最佳建模方法。结果表明:波长筛选能优化模型,并提高运算速度,其中PCA优化效果最为明显,可溶性糖的相关系数Rp达到最大为0.91,均方根误差RMSEP最小为4.82,显著提高了模型的检测精度和稳健性,经过优化的输入变量所建模型,能够满足定量检测的要求,具有一定的可行性。     

基于光谱技术的土壤快速分类方法研究

针对浙江省4种典型土壤,研究应用可见-近红外光谱、近红外光谱和中红外光谱3个波段范围进行土壤快速分类的方法.在获取光谱信息的基础上,采用不同光谱建模方法以提高检测精度,简化分析计算;并分别采用主成分分析结合人工神经网络(PCA-ANN/BP)、偏最小二乘法(PLS)和偏最小二乘法结合人工神经网络(PLS-ANN)3种方法进行建模.结果表明:中红外光谱波段对土壤分类的效果不理想,而可见-近红外光谱、近红外光谱波段均能较好地进行土壤分类;在可见-近红外波段,PLS-ANN模型对土壤的分类效果优于PCA-ANN/BP和PLS模型,为土壤快速准确分类提供了一种简便可行的方法.     

特征波长筛选结合PCA-LSSVM 对甜瓜叶片SPAD值的预测

【目的】利用光谱技术对定量估测大田甜瓜冠层叶片叶绿素含量,为田间的水肥调控以及田间管理提供理论依据。【方法】采用一阶求导对400～1 100 nm的叶绿素可见近红外反射光谱数据进行预处理,对于冗余的光谱数据,先分别使用特征筛选中的竞争性自适应重加权采样法(CARS)、遗传算法(GA)、蒙特卡罗无信息变量消除法(MC-UVE),再分别与主成分分析(PCA)特征提取算法融合;分别建立极限学习机(ELM)、支持向量机(SVM)、最小二乘支持向量机(LS-SVM)对甜瓜叶片SPAD定量预测模型。【结果】单一的特征筛选下,最优预测模型为CARS+SVM,校正集相关系数为0.903 5,预测集相关系数为0.893 1;特征筛选和特征提取融合下,最优的预测模型为GA+PCA+LSSVM,校正集相关系数0.955 8,预测集相关系数为0.939 7。【结论】优化后的模型可用于定量分析的使用,精准测定甜瓜叶片叶绿素含量。     

滑皮金桔糖度的近红外光谱无损检测技术

[目的]采用近红外光谱技术对滑皮金桔的糖度开展无损检测技术研究,为今后实现滑皮金桔在线糖度品质分级分选提供参考依据.[方法]以NIR Magic 1100型便携式果品近红外光谱分析仪为主要研究设备,对采集的滑皮金桔光谱分别进行S-G卷积平滑(SG-smooth)、标准正态变量变换(SNV)和多元散射校正(MSC)处理,结合偏最小二乘法建立滑皮金桔糖度预测模型并进行验证.[结果]建模的最佳光谱波段为720~920 nm;光谱采用SG-smooth处理后建立模型的校正集相关系数为0.9531,校正集均方根误差为0.6436,相对分析误差为3.55,均优于采用SNV和MSC处理建立的模型效果.对预测模型进行验证显示,糖度预测值与实际值的相关系数为0.9582,均方根误差为0.5187,相对分析误差为3.24.[结论]采用近红外光谱快速检测滑皮金桔糖度可行,建立的预测模型稳定性好、精度较高,可为滑皮金桔在线分选及无损检测设备的开发提供技术参考.     

CARS特征变量优选近红外光谱法测定初烤烟烟叶厚度

烤烟烟叶厚度是烤烟烟叶分级和品质评价的重要指标之一,采用近红外光谱分析技术实现对烟叶厚度的快速测定具有一定的可行性。对比分析了采用竞争自适应重加权法(CARS)算法优选特征变量和采用全波长变量(1 000~2 500 nm)结合偏最小二乘法(PLS)建立初烤烟烟叶厚度近红外校正模型的效果。结果表明:模型的输入变量数由1 543个降低到180个,决定系数由0.846提高到0.941;适宜主成分数由10降低到6,校正标准误差和交互验证均方根误差分别降低了0.003 4和0.010 3。采用30个外部样品对模型进一步进行验证,模型的验证标准误差和验证标准误差的偏差由0.018 2降低到0.001 1,在α=0.05显著水平,两个模型预测值与实测值间均不存在显著差异,采用CARS筛选特征变量近红外模型预测值与实测值间的差异性更小。CARS筛选特征变量提高了烟叶厚度近红外校正模型的稳定性和预测准确性。     

应用近红外光谱法结合波长筛选快速测定 烟草绿原酸、莨菪亭和芸香苷含量

为了进一步提升近红外光谱法测定烟草绿原酸、莨菪亭、芸香苷含量的稳定性和准确性,分别采用7500～4000 cm~(-1)、随机蛙跳(Random Frog)和间隔随机蛙跳(Interval Random Frog)波长或波长筛选方法结合偏最小二乘(PLS)法建立了烟草中上述3种物质的近红外校正模型,并采用模型的内部参数和外部预测集样本对建模效果进行了评价。结果表明:3种物质近红外校正模型的决定系数均有一定程度提高,校正均方根误差(RMSEC)和交叉验证均方差(RMSECV)均在一定程度上降低;外部验证预测平均相对误差均在一定程度上降低。说明采用近红外光谱法测定烟草中绿原酸、莨菪亭和芸香苷时,Interval Random Frog+PLS建模效果优于Random Frog+PLS方法,后者又优于7500～4000 cm~(-1)光谱波长变量+PLS。     

生姜水分含量的可见-近红外光谱检测

近红外光谱技术具有简便、快速和无损检测等优点,应用可见-近红外光谱方法建立生姜水分含量(moisture content)的预测模型.利用可见-近红外光谱仪采集308个生姜的光谱,其光谱范围是350～1 800 nm.分别采用一阶导数(FD)、二阶导数(SD)、标准正交变量变换(SNV)和多元散射校正(MSC)4种方法对光谱进行预处理,结合偏最小二乘法(PLS),分别在430～1 000 nm、1 000～1 800nm、430～1 800 nm 3个波段建立生姜水分含量的PLS预测模型.对实验结果进行分析表明,在波段范围430～1 800 nm使用一阶导数预处理方法建立的PLS模型最优.其验证组的相关系数为0.975 1,预测组的相关系数为0.959 7.结果表明,可见-近红外光谱可以准确、快速地对生姜的含水量进行检测.