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.     

适合温州蜜柑可溶性固形物无损检测的近红外光谱研究

为提升温州蜜柑可溶性固形物近红外光谱无损检测的精确度,对适合温州蜜柑可溶性固形物无损检测的近红外光谱进行了研究。结果表明,利用间隔偏最小二乘法,建立了温州蜜柑可溶性固形物与近红外光谱模型之间的关系,选出可溶性固形物的显著特征波段为890～918 nm,备选特征波段为830～858 nm、860～888 nm、650～688 nm。组合这些波段再次建模,可大大提高模型的预测能力,模型的拟合优度高达0.904 0,交互验证均方根误差降到0.504 6° Birx。     

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。     

马铃薯可溶性固形物的近红外光谱快速定量模型及优化

[目的]为了检测马铃薯的饲用品质,用近红外光谱法建立马铃薯可溶性固形物含量(SSC)快速测定模型.[方法]以偏最小二乘法(PLS)建立原始光谱的校正模型为基础,用蒙特卡洛交互验证法剔除异常样本,经比较选择标准正态变量和均值中心化算法进行光谱预处理、光谱-参考值共生距离法划分样本集,然后对所得数据分别以PLS和最小二乘支持向量机(LS-SVM)建立定量校正模型,并用竞争性自适应重加权采样法和风驱动-差分进化混合算法完成相应模型的特征波长和参数优化.[结果]优化的PLS模型和LS-SVM模型波长变量分别减至全光谱的8.67％、67.80％,二者的Rc 2、Rp 2、RMSEC、RMSEP、RPD分别为0.9708、0.9542、0.2586、0.2628、5.91和0.9873、0.9830、0.1705、0.1734、8.96,LS-SVM模型的各项性能指标全面优于PLS模型.[结论]2种定量模型均可用于马铃薯SSC的实际检测工作.     

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.     

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。     

基于高光谱成像技术的生菜叶片水分检测研究

[目的]探索利用高光谱图像技术检测作物含水率的方法。[方法]以意大利全年耐抽苔生菜为试材,利用高光谱成像系统采集生菜叶片的高光谱图像,用ENVI V.4和Matlab V.7.0软件对高光谱图像进行处理。[结果]采用自适应波段选择法从所采集的生菜叶片高光谱图像数据中优选出特征波长1 420 nm;对每个样本特征波长下的图像进行分割,反转以及形态运算等操作得到目标图像;从每个目标图像中提取灰度均值、灰度标准差作为灰度特征,能量、熵、惯性矩、相关性的均值和标准差作为纹理特征;采用GA-PLS法选出最优特征子集,并建立基于最优特征的偏最小二乘回归模型,以检测生菜叶片的含水率。[结论]模型的预测值与实测值的相关系数R为0.902,精度明显高于基于灰度特征或纹理特征的预测模型。     

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。     

基于偏最小二乘法的新疆杏可溶性固形物含量的无损检测

利用近红外光谱无损检测技术,以成熟的库车小白杏为研究对象,先通过一阶导数混合标准正态变量变换法进行光谱预处理,再利用偏最小二乘法建立杏可溶性固形物含量预测模型。结果表明,最佳因子数为4,模型的相关系数为0.964 45,校正集标准偏差为0.215,预测集标准偏差为0.456时模型最佳。结果表明,基于近红外光谱技术测定杏的可溶性固形物含有具有可行性,可以为库车小白杏的无损检测提供重要参考与技术支持。     

基于NIR高光谱成像技术的番茄叶片叶绿素含量检测

利用近红外高光谱成像技术对番茄叶片叶绿素含量的无损检测进行初步探讨。通过高光谱成像系统(900～1 700 nm)采集了192个番茄叶片图像,基于偏最小二乘回归模型(PLSR)对光谱进行样本集划分,对原始光谱与Kubelka-Munk函数曲线及多种光谱预处理的偏最小二乘回归模型进行对比分析,优选出多元散射校正(MSC)为预处理方法。采用5种方法提取特征波长,并根据特征波长建立偏最小二乘回归、多元线性回归(MLR)、主成分回归(PCR)3种模型的叶片叶绿素含量预测模型。结果表明,建立无信息变量消除法(UVE)挑选特征波长的偏最小二乘回归模型最优,其预测集的相关系数(R_P)为0.8495,均方根误差(RMSEP)为4.3375。因此,利用近红外高光谱成像技术提取特征波长进行叶绿素含量检测是可行的,同时也为今后番茄品质在线检测提供了理论依据。     

基于荧光高光谱图像的柑桔糖度无损检测

采用632nm的连续波激光作为激发光,应用激光诱导荧光高光谱成像技术对柑桔的糖度值进行无损测量。先将该激光照射到南丰蜜桔和脐橙样品上,后用高光谱图像采集系统收集诱导出的荧光散射图像;接下来对荧光散射图像进行分析,选取100×50像素的荧光区域作为感兴趣区域(ROIs);再提取感兴趣区域在波长700～1000nm的光谱值作为荧光高光谱图像数据;最后用线性回归方法建立荧光高光谱图像数据预测果实糖度值的预测模型。结果表明,该模型预测柑桔糖度值的相关系数分别为南丰蜜桔的R=0.970,脐橙的R=0.960。因此可以看出,应用激光诱导荧光高光谱成像对柑桔糖度值进行无损检测是一种很有效的方法。     

基于高光谱成像技术的油菜种子油酸含量反演模型

高油酸油菜籽品种是当前油菜育种方向之一,为开发高效、无损测定油酸含量的方法,提高油菜高油酸种质资源筛选效率,选用3个油菜品种为材料,分别采集其种子光谱成像信息及油酸含量数据,首先对光谱信息进行11种预处理,确定多元散射校正（MSC）最佳预处理方法,然后基于主成分分析（PCA）、连续投影（SPA）、竞争性自适应重加权采样（CARS）方法对数据进行降维,最后分别建立支持向量机（SVM）、最小二乘支持向量机（LS-SVM）和极限学习机（ELM）3种定量分析模型,对油菜油酸含量进行无损检测。通过改变训练样本的数量来测试模型,为验证模型的稳定性,用相关系数（R）、均方根误差（RMSE）进行效果评价。结果表明,在所有模型中,多元散射校正+竞争性自适应重加权采样+极限学习机（MSC+CARS+ELM）模型预测效果最好,校正集相关系数（Rc）、均方根误差（RMSEc）分别为0.894、1.993 4%,预测集相关系数（Rp）为0.868,均方根误差（RMSEp）为1.069 8%,可更加准确地预测油酸含量,创建一种快速、无损检测油菜种子油酸含量的方法,为利用高光谱技术进行油菜营养品质无损检测提供理论依...     

基于近红外高光谱图像分析的麦粒硬度分类研究

为对小麦硬度进行自动检测,采集不同硬度小麦品种的近红外高光谱图像,将光谱数据经过求导处理后,提取950~1 645 nm有效光谱区间数据,然后经过多元散射校正,建立偏最小二乘判别分析(PLS-DA)模型。采用120粒小麦对模型进行训练,剩余的90粒进行检验,总体上模型分类准确率为99.63%。表明,采用近红外高光谱成像技术对单籽粒小麦硬度进行分类是可行的。     

基于高光谱成像技术生长发育后期苹果糖度的无损检测

【目的】研究应用高光谱成像技术无损检测生长发育后期苹果糖度的可行性。【方法】以生长发育后期的"富士"苹果为对象,基于采集到的波长900~1 700nm高光谱数据,建立预测苹果糖度的偏最小二乘(PLS)、支持向量机(SVM)和极限学习机(ELM)模型,并比较主成分分析(PCA)和连续投影算法(SPA)2种数据压缩或特征波提取方法对预测模型精度的影响。【结果】采用PCA方法可将全光谱压缩至9个主成分,采用SPA从全光谱的230个波长中提取出了13个特征波长,两者相比,SPA能更有效地提高模型预测能力。预测生长发育后期苹果糖度的最佳模型为基于SPA的PLS模型,其预测集相关系数为0.945,均方根误差为0.628°Brix。【结论】高光谱图像技术可以用于生长发育后期苹果糖度的无损检测,该技术的应用将有助于指导苹果的种植和适时采收。     

基于高光谱成像技术的油菜叶片叶绿素含量预测

叶绿素是作物生长中的重要因素,可用于实时监测作物的生长状况。以常规高油酸油菜品种为材料,采用大田试验研究油菜叶片在不同栽培措施下幼苗期、蕾薹期叶片的光谱响应,通过计算反射光谱及其反射光谱的一阶导数与SPAD值的相关性,结合逐步回归挑选出油菜叶片敏感波段,并计算光谱指数。采用一元线性回归和神经网络建立叶绿素含量估算模型。结果表明,由光谱指数所构建的神经网络叶绿素估算模型,精度评价结果均显示比较高的水平,幼苗期反射率光谱指数构建的模型精度最高,决定系数R2为0807 0,均方根误差（RMSE）为1131 5,蕾薹期一阶导数光谱指数构建的模型精度最高,决定系数R2为 0873 2, 均方根误差（RMSE）为1322 3,在蕾薹期和幼苗期通过构建BP神经网络模型能够较好的对油菜叶绿素进行反演。为利用高光谱技术大范围监测油菜叶绿素含量提供了一定的理论依据。     

克瑞森葡萄主干环剥后果实可溶性糖组分及含量分析

【目的】研究不同时期对克瑞森无核葡萄进行主干环剥后,果实中可溶性糖含量和组分特性与差异,为环剥对果实可溶性糖的影响奠定理论基础。【方法】在4个不同时期,对克瑞森无核葡萄进行主干环剥,监测果实的生长发育情况,用高效液相色谱法测定其成熟期果实中可溶性糖组成成分和含量并进行相关性分析。【结果】5个试验处理中,第1次环剥处理的果实的果形指数最大,比对照处理大5.67%,单粒重也最大,达2.99 g。成熟期最早的是第3次环剥处理, 5个试验处理的果实的可溶性糖主要由果糖、葡萄糖和蔗糖组成,其中葡萄糖和果糖含量高,变化幅度大,蔗糖含量相对稳定,葡萄糖的含量略高于果糖。其中葡萄糖含量最高的是第2次环剥处理,极显著大于对照处理,比其高21.67%;果糖含量最高的是第3次环剥处理,极显著大于对照处理,比其高21.4%;蔗糖含量最高的是第4次环剥处理,比对照处理高29.65%;总糖含量最高的是第2次环剥处理。葡萄糖和果糖与可溶性总糖间存在极显著的正相关,葡萄糖与果糖之间呈极显著正相关,果糖与可溶性总糖间的相关性最大,略高于葡萄糖与可溶性总糖间的相关系数。蔗糖与可溶性总糖间的相关性最小,且无显著相关关系。【结论】主干环剥有利于克瑞森无核果实的生长和可溶性糖的积累,前期(坐果后到果实膨大期)进行环剥明显可以达到增产目的,后期(果实膨大期过后)环剥有利于果实提前成熟。     

高光谱图像技术检测玉米种子真伪的研究进展

玉米种子真伪的检测是玉米种子在品种选育、种子检验、农业生产中的重要环节。随着图像技术和光谱信息的快速发展、高光谱成像系统硬件成本的降低以及性能的大大提升,高光谱图像技术在玉米种子真伪检测方面获得了更广泛的应用。为了能及时利用国内外的最新研究成果,从高光谱图像技术在玉米种子真伪检测方面综述了玉米种子及其他作物种子类型真伪检测的研究进展,并对其未来的发展方向进行了讨论和展望。     

基于高光谱成像的苹果损伤检测方法研究

【目的】研究苹果损伤高光谱特征,建立基于高光谱成像的苹果损伤区域最佳分类模型,为实时、快速、准确地识别苹果损伤提供重要依据。【方法】以北京平谷区收集的苹果样品为研究对象,利用高光谱图像技术检测水果表面机械损伤。利用 390 ~1 000 nm 范围的高光谱图像（HSI）数据,通过比值光谱分析损伤与正常感兴趣区域（ROI）的光谱响应特性,筛选特征波段,并构建较好地突出损伤区域特征的 3 种类型光谱指数：归一化光谱指数（NDSI）、比值光谱指数（RSI）和差值光谱指数（DSI）。在此基础上,优选提取损伤区域能力较强的光谱指数,利用迭代自组织数据分析（ISODATA）无监督据聚类算法提取苹果损伤区域。【结果】当苹果表面受到损伤时,光谱反射率变化显著。波段优化后发现,528、676 nm 的反射率可以有效识别异常区域。基于选定的特征波段,构建苹果损伤检测的识别光谱指数,包括 NDSI、RSI 和 DSI。光谱指数图像的像素值分析发现,损伤区域特征与正常区域特征在各光谱指数（SI）增强图像中区分明显。两类图像特征的 NDSI 像素平均值相差最大、达到 0.629,表明建立的 NDSI 对损伤区域及正常区域特征具有较强的区分能力。利用无监督分类方法 ISODATA 分类,验证了光谱特征指数在检测苹果损伤方面具有较高的特异性,对苹果损伤的检测正确率 达到 92.50%。【结论】研究结果适用于苹果损伤的实时快速检测,为苹果的精准管理生产提供技术基础与参考。     

基于叶面尘的银杏叶片光谱变化特征研究

沿北京市主道路网二、三、四、五环路均匀设置12个采样点,采集银杏叶片样本120片,研究其反射光谱与叶面尘土量的关系。利用光谱仪和电子分析天平获取除尘前后叶片反射光谱及叶面尘土量,分析数据并寻求银杏叶片光谱变化特征波段,筛选出与叶面尘土量相关性高的光谱反射率,利用传统回归和偏最小二乘（PLS）回归方法分别建立模型。结果表明：除尘前后叶片光谱曲线在300~710nm范围内,叶面尘土量与叶片反射光谱特征呈负相关关系;在710~850nm范围内,有尘叶片光谱率＞无尘叶片;在叶面尘土量与叶片光谱各波段组合关系研究中,红边面积和归一化指数与叶面尘土量具有相对较好的相关性,基于可见光波段与部分近红外波段的银杏叶片叶面尘土量预测结果较准;在叶片表面尘土量反演研究中,用偏最小二乘算法可在一定程度上提高叶面尘土量反演精度,在3种回归模型中偏最小二乘法反演效果相对较好。