库尔勒香梨气候品质认证模型设计

根据库尔勒香梨各生长发育阶段对气象条件的要求,采取统计分析法,确定光、温、水等气象要素对库尔勒香梨各生育期影响的优劣评判指标。建立库尔勒香梨气候品质评价模型,将香梨气候品质评价结果划分为特优、优、良好、一般4个等级。使用库尔勒基本气象站、区域自动气象站资料,对2015年库尔勒市民诚香梨合作社的香梨进行品质气候认证分析,开展库尔勒香梨品质气候认证工作,采用主成分分析法对评价模型进行检验,2015年库尔勒市上户镇、沙依东园艺场、哈拉苏农场、库尔楚园艺场气候品质认证结果与抽样理化检测结果一致。     

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。     

不同预处理模式识别下的近红外绿豆产地溯源研究

采用傅里叶变换近红外漫反射光谱仪测定来自吉林省白城市、黑龙江泰来县、黑龙江杜尔伯特蒙古自治县、山东省泗水县绿豆共120份样品的近红外光谱,分别采用一阶导数+9点平滑、标准正态变换（SNV）、多元散射矫正（MSC）、矢量归一化+MSC四种光谱预处理方法,建立偏最小二乘判别模型（PLS-DA）,分析不同预处理方法对模型稳定性的影响,结果得出：原始光谱模型判别率为62.5%,一阶导数+9点平滑预处理模型判别率为65%,SNV预处理模型判别率为65%,MSC预处理模型判别率为82.5%,矢量归一化+MSC预处理模型判别率为90%。因此,采用矢量归一化+MSC预处理方法对绿豆产地判别的准确率最高。     

水果糖酸度品质实时检测装置的设计

采用近红外光谱分析技术对水果糖酸度检测装置进行研究,主要设计了水果传输模块、光照模块、光谱采集模块和数据分析处理模块,再以福建早桔作为试验样本对系统进行验证。结果表明,采用近红外漫反射光谱分析技术实现对水果糖酸度的实时检测是可行的,且采用多元散色校正(MSC)的光谱预处理方法对水果漫反射光谱进行预处理后建立的模型最优,模型具有良好的预测精度和预测稳定性。     

利用可见—短波近红外光谱法检测马铃薯干物质含量

为了快速测定马铃薯干物质含量,利用可见-短波近红外光谱无损检测马铃薯的干物质含量,以207个具有代表性的马铃薯样本作为研究对象,其中115个作为马铃薯切片样本的研究,92个作为完整马铃薯的研究,通过对比两种样本的模型预测效果,探讨可见-短波近红外光谱用于马铃薯干物质含量的完全无损检测的可行性。切片样本光谱数据用Savitzky-Golay(S-G)一阶卷积求导方法预处理,根据局部最大值最小值原则和含氢基团(C-H、O-H)伸缩振动的敏感波段选定了5段特征波长参与建模,模型外部检验决定系数R~2=0.941 6,标准误差RMSE=3.91。完整马铃薯样本光谱数据在Multiplicative Scatter Correction(MSC)基础上使用S-G一阶卷积求导方法预处理,通过选取了线性关系较好的5段波长参与建模。模型外部检验决定系数R2=0.847 5,标准误差RMSE=4.07。结果表明,完整马铃薯样本模型的检测效果虽然没有切片样本效果理想,但仍可以作为实际生产中进行马铃薯干物质含量检验的有效手段。     

基于近红外光谱技术的杏叶含水率反演研究

为实现杏树叶片含水率数据的准确获取，对新疆南疆杏树的节水灌溉提供科学指导，本研究使用近红外光谱技术对杏树叶片含水率进行预测。采集1 000～1 800 nm范围内‘小白杏’叶片的光谱数据，使用多元散射校正（MSC）、标准正态变量变换（SNV）、均值中心化（MC）、归一化处理（Nor）4种方法对原始光谱进行预处理，采用竞争性自适应重加权算法（CARS）及随机蛙跳算法（RF）获取特征波段，分别建立基于不同预处理方法的全波段及特征波段的偏最小二乘回归（PLSR）和BP神经网络预测模型。结果表明MSC为最佳预处理方法，最佳预测模型为MSC-CARS-BP神经网络模型，所建模型预测相关系数Rp为0.986，预测均方根误差RMSEP为0.404，剩余预测偏差RPD为6.09，模型具有较好的预测能力，因此近红外光谱技术可以用于杏树叶片含水率的快速检测。     

便捷式近红外光谱仪在土壤养分中的预测研究

采集位于云南省昆明、安宁、弥勒3个地区的350份土壤样品,利用便携式近红外光谱仪进行光谱的扫描并构建全氮、全钾、全磷和有机质4项养分的近红外预测模型。结果表明,在950～1 650 nm,不同地区的土壤样品光谱的轮廓较为接近;全氮、全磷、有机质的最佳预处理方法为一阶导数,全钾的最佳预处理方法为标准正态变量变换(SNV),光谱数据经过预处理后可提高模型的预测能力,并降低模型的复杂度;在土壤养分的PLS预测模型中,全氮、全钾、全磷和有机质的决定系数(R²)分别为0.789 9、0.910 8、0.947 0和0.833 6,RPD值分别为2.108、2.903、3.938和2.238,模型的拟合效果和预测能力均较好,基于便携式近红外光谱分析技术能实现对土壤养分含量的预测。     

库尔勒香梨不同生育期叶片氮素光谱诊断研究

利用光谱仪(SVC HR-768)对树龄22年的库尔勒香梨叶片进行光谱反射率测定,采集并分析叶片全氮含量。采用逐步回归法分析库尔勒香梨叶片全氮含量与叶片原始光谱反射率、一阶微分光谱反射率的相关性,并建立叶片全氮含量估测模型。结果表明:不同生育期库尔勒香梨叶片光谱的敏感波段和敏感波长均有差异,依据敏感波长建立库尔勒香梨叶片全氮含量估测模型,并对其进行检验。确定基于光谱一阶微分模型Y=50.535X703-40.586可作为坐果期库尔勒香梨叶片全氮含量的最佳估测模型;基于原始光谱模型Y=0.856X769-29.233可作为膨大期库尔勒香梨叶片全氮含量的最佳估测模型;基于原始光谱模型Y=0.728X761-14.142可作为成熟期库尔勒香梨叶片全氮含量的最佳估测模型。不同生育期库尔勒香梨叶片全氮含量估测模型进行比较,坐果期估测模型的拟合效果更好,预测精度更高。     

不同近红外光谱预处理方法对胡杨叶片含水量检测模型的影响

近红外光谱预处理是胡杨叶片含水量光谱检测的前提,然而样本背景、电噪声和杂散射等会干扰近红外光谱的测量结果。为了避免以上因素对近红外光谱产生的影响,采用连续投影算法(successive ections algorithm,简称SPA)、数据中心化、归一化和标准正态变量变换方法(standard normal variate transformation,简称SNV)对原始光谱数据进行预处理,使用偏最小二乘法(partial least squares,简称PLS)建立胡杨叶片水分含量检测的校正集和预测集模型。结果表明,直接使用原始光谱,利用SPA算法筛选变量数为7个,模型预测精度为0. 971 44,RMSPCV为0. 046 132,相关系数r=0. 674 24,RMSEP=0. 021 434;使用原始光谱+标准正态变量变换方法,利用SPA算法筛选变量数为6个,模型预测精度为0. 976 63,RMSPCV为0. 045 642,相关系数r=0. 774 72,RMSEP=0. 018 24。SNV+SPA预处理方法能够有效地消除噪声和散射,提高模型的预测精度,相关性明显增加,降低数据维数和误差,可用于胡杨叶片水分含量的快速、无损检测,同时对其他作物叶片水分含量光谱预处理检测具有一定的参考意义。     

霉变出芽花生的近红外光谱无损检测研究

为了能够客观、快速、无损、便捷地检测花生仁霉变和出芽,研究了一种基于傅里叶变换近红外光谱技术和K最近邻（KNN）模式识别方法的霉变和出芽花生识别方法。依据花生的感官特征和前人研究经验,将花生分为正常、轻度霉变、重度霉变和发芽四类,采用傅里叶变换近红外光谱仪的积分球漫反射方法采集花生光谱（波段4 000~10 000 cm-1）。利用二阶导数算法进行光谱预处理,建立联合区间偏最小二乘（Si-PLS）识别模型,并得到特征光谱区间。然后在特征光谱区间的基础上运用主成分分析进行数据空间降维,最后建立KNN识别模型。KNN模型训练集与预测集识别率均为98.84%,表明应用近红外光谱技术和KNN法检测霉变和出芽花生效果良好,具有可行性。     

利用近红外光谱技术识别不同类别的茶叶

以龙井、碧螺春、祁红和铁观音4种中国名茶为对象,研究了采用近红外光谱结合K最近邻法(KNN)模式识别方法对茶叶进行识别与分类的可行性.选取6500～5500 cm-1(1538～1818 nm)波数范围内的光谱,通过标准正态变量变换(SNV)预处理后,利用KNN的模式识别方法建立识别模型.结果表明,4主成分因子建立的KNN判别模型最佳,模型对训练集与预测集中样本的识别率都达到100%.该结论为快速准确识别茶叶提供了一种新思路.     

基于支持向量机的近红外光谱技术鉴别掺假牛肉

【目的】利用近红外光谱技术对掺入鸭肉的掺假牛肉进行判别研究,为实现掺假牛肉的快速、准确检测提供参考。【方法】市购冷冻储存的牛里脊肉和鸭肉,在牛里脊肉糜中掺入质量分数为0,5%,10%,15%,20%,25%的鸭肉糜(对应m(鸭肉糜)∶m(牛肉糜)分别为0∶20,1∶19,2∶18,3∶17,4∶16和5∶15),制备供试牛肉和掺假牛肉,采用近红外漫反射方式在波数为10 000~4 000cm-1时采集牛里脊肉、掺假牛里脊肉和鸭肉的近红外光谱,对原始光谱经多元散射校正(Multiplicative scatter correction,MSC)、标准正态变量变换(Standard normal variate transformation,SNV)、面积归一化(Area normalization)、15点平滑处理和一阶导数处理等方法预处理后,对所建支持向量机(nu-SVM)判别模型的预测效果进行比较。【结果】经MSC预处理后所建的牛里脊肉、掺假牛里脊肉和鸭肉的nu-SVM判别模型判别性能稳定,对建模集的正确判别率为97.09%,对检验集的正确判别率为94.00%。【结论】近红外光谱技术结合MSC预处理后所建的nu-SVM模型可用于掺杂鸭肉的牛里脊肉的鉴别。     

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。     

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.     

近红外结合极限学习机快速识别牛肉中掺假猪肉

[目的]建立牛肉中掺假猪肉的快速鉴定方法。[方法]采用傅立叶变换近红外结合极限学习机(extreme learning machine,ELM)构建纯牛肉、牛肉中掺假猪肉、纯猪肉的快速识别模型,考察标准正态变换、多元散射校正(multiplicative scatter correction,MSC)、一阶导数及二阶导数结合核主成分分析(kernel principal component analysis,KPCA)等光谱预处理方法对ELM模型预测性能的影响。[结果]MSC+KPCA预处理下,ELM模型的预测效果最优,训练集及测试集的正确识别率分别为86.67%和83.33%。[结论]近红外光谱技术结合ELM在牛肉中掺假猪肉的快速鉴定方面具有较大的潜力。     

基于近红外光谱法对羊肉嫩度测定

南疆小尾寒羊肉的嫩度为研究对象,首先使用近红外光谱仪采集羊肉的近红外光谱数据,使用C-LM4型数显式肌肉嫩度仪进行肌肉嫩度测量;之后分别对原始近红外光谱数据和采用多元散射校正预处理后的光谱数据使用连续投影法选取特征波长,选取的波长数目均为5,最后均采用偏最小二乘法(Partial least squares,PLS)建立嫩度和近红外光谱数据的嫩度预测模型,模型的评价指标使用交叉验证均方差(Cross validation mean square error,RMSPCV)、预测均方差(Mean square error of prediction,RMSEP)、预测精度(precision)和相关系数(correlation coefficient)来衡量,通过比较发现:采用多元散射校正(Multiple scattering correction,MSC)预处理后的光谱数据获得的特征波长来建立的模型的预测精度为0.963 29,相关系数的数值为0.877 5,用原始光谱数据获得的特征波长来建立的模型的预测精度为0.958 47,相关系数的数值是0.859 41,前者明显优于后者,这对以后相关学科的研究起到很好的指导作用。     

基于电学特性的库尔勒香梨振动损伤检测

为实现对库尔勒香梨振动损伤的有效检测,选取不同成熟度的库尔勒香梨作为试验材料,选择2 Hz、3 Hz和4 Hz作为试验振动频率,使用电学参数检测系统采集电学参数并联等效电容（Cp）和并联等效电阻（Rp）,构建电学参数Cp和Rp与振动损伤面积的数学模型并筛选出检测振动损伤库尔勒香梨的最佳电学参数,同时从微观组织结构角度揭示振动损伤的库尔勒香梨电学参数的变化规律。结果表明：随着振动时间以及振动频率的增加,库尔勒香梨损伤面积呈现出递增的变化规律。电学参数Cp、Rp与损伤面积的数学模型均符合二次函数。振动损伤的库尔勒香梨果肉发生塌缩和折叠,果肉组织较为平整,与无损伤库尔勒香梨相比,损伤后库尔勒香梨的电学参数变化表现为Cp增加、Rp减小。在2～4 Hz振动频率下,依据均方根误差（RMSE）和线性回归直线的决定系数（R2）均值筛选出对香梨损伤检测最佳的电学参数为Rp。基于电学特性对库尔勒香梨振动损伤检测具有可行性,研究结果为库尔勒香梨振动损伤检测提供科学理论依据,同时为水果产业减损增效提供理论指导。     

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.     

基于LS-SVM的烤烟烟叶产地判别

为了探索一种快速有效的烤烟烟叶产地鉴别方法,利用近红外光谱技术结合最小二乘支持向量机(LS-SVM)对烤烟烟叶的产地进行了判别。选择云南、湖北、河南三地不同等级烤烟烟叶作为研究对象,对原始光谱数据进行平滑和附加散射校正(MSC)预处理后再进行主成分分析,选择4～12个主成分作为输入变量进行LS-SVM建模。结果显示,该LS-SVM模型预测效果较好,预测相关系数rp≥0.990 7,预测标准误差(SEP)和预测均方根误差(RMSEP)分别为1.755 1和1.737 3,优于偏最小二乘回归(PLS)的预测结果,基于LS-SVM的近红外光谱技术能够很好地对烟叶产地进行判别。     

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。