基于红外ATR光谱的茶油棕榈酸和十四烷酸含量快速分析研究

红外ATR光谱法(ATR-IR)用于山茶油中棕榈酸和十四烷酸含量的快速分析.配制了72个山茶油样本用于ATR光谱的采集,不同的光谱预处理方法用于光谱有效信息的提取,小波压缩(wavelet compression,WC)方法用于建模变量的优化,偏最小二乘回归(partial least square,PLS)用于脂肪酸含量的定量分析模型的构建.结果表明,ATR光谱经小波导数(wavelet derivative,WD)—标准正态变量变换(standard normal variate,SNV)预处理后,棕榈酸模型的预测相关系数(correlation coefficient of prediction,Rp)和预测均方根误差(root mean square error of prediction,RMSEP)分别为由原始光谱的0.789和3.332改善为0.908和2.653;十四烷酸模型的Rp和RMSEP分别由0.870和0.087改善为0.948和0.058;建模变量经WC预处理后由原始光谱的2 500个分别减小为190和180个,为山茶油中脂肪酸含量的测定提供了一种简便快速的分析方法.     

茶叶中低含量氨基酸近红外光谱定量分析模型研究

应用近红外光谱分析方法对茶叶中游离氨基酸进行定量分析。连续小波导数(CWD)和标准正态变量变换(SNV)用于光谱预处理;偏最小二乘回归(PLSR)方法用于校正模型构建;采用蒙特卡洛无信息变量消除(MCUVE)方法和连续投影算法(SPA)对建模变量进行优化。结果表明,CWD-SNV方法可以有效地提高茶叶光谱质量,消除光谱的平移误差;基于MCUVE-SPA的变量筛选方法极大地改善了模型的精度,实现了建模变量的有效压缩,模型的预测相关系数(Rp)和预测均方根误差(RMSEP)分别由0.851和0.117改善为0.895和0.107,建模变量由4 148减小为18;当氨基酸百分含量大于0.1%时,近红外光谱结合化学计量学方法可以得到较优的定量分析模型。为茶叶中低含量氨基酸的分析提供了一种快速简便的分析方法。     

梨可溶性固形物含量NIR与变量筛选无损检测

为提高利用近红外光谱技术快速检测梨可溶性固形物含量的精度和稳定性,结合区间偏最小二乘和遗传算法（iPLS-GA）来筛选校正模型中的特征光谱区和变量,通过交互验证法确定模型中的主成分因子数和筛选的变量,并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型评价标准。试验结果显示：iPLS-GA最优模型包含5个光谱区、50个变量和10个主成分因子。最佳预测模型相关系数（Rp）和RMSEP 分别为0.9398和0.3250,研究结果表明近红外光谱结合iPLS-GA算法可以准确、无损检测梨的可溶性固形物含量。     

玉米主要品质便携式检测装置设计与试验

我国玉米产量高,高效、便携、低成本的玉米成分检测技术及其装置对于玉米品质的检测至关重要,基于可见/近红外光谱技术,设计了一款玉米主要品质便携式检测装置。为探究所设计方案的可行性,自行搭建了可见/近红外光谱采集系统,对不同品种共72份玉米样本进行光谱采集,分别建立了玉米籽粒蛋白质、脂肪和淀粉含量的偏最小二乘（PLS）预测模型以及结合竞争性自适应重加权算法（CARS）的CARS-PLS预测模型。结果表明,CARS方法可以有效筛选出各组分的相关变量,提升模型效果,各组分质量分数的预测集均方根误差（RMSEP）均有所下降, 蛋白质质量分数的RMSEP由0.4866%降至0.4068%;脂肪质量分数的RMSEP由0.1549%降至0.0989%;淀粉质量分数的RMSEP由0.4714%降至0.4675%。预测集相关系数Rp均有所提高,蛋白质质量分数的Rp由0.9309提升至0.9603;脂肪质量分数的Rp由0.9497提升至0.9770;淀粉质量分数的Rp由0.9520提升至0.9605。基于CARS方法所筛选的各组分特征变量,选择了合适的近红外光谱传感器,在此基础上设计了检测装置的光谱采集单元、控制单元、显示单元、电源单元以及散热单元,并基于NodeMCU开发板和Arduino IDE开发工具,采用Arduino语言对装置控制程序进行开发,实现“一键式”快速检测。试验验证了该装置的检测精度和稳定性,结果表明,预测玉米籽粒蛋白质、脂肪和淀粉质量分数的相关系数分别为0.8431、0.8243、0.8154,预测均方根误差分别为0.3576%、0.2318%、0.2333%,相对分析误差分别为1.8577、1.7761、1.5735。对同一样本多次重复预测,各组分预测值的变异系数分别为0.235%、0.241%和0.028%。     

马铃薯干物质含量高光谱检测中变量选择方法比较

为提高利用高光谱成像技术快速检测马铃薯干物质含量的精度,比较了主成分分析法(PCA)、组合间隔偏最小二乘法(siPLS)、遗传偏最小二乘法(GA-PLS)、无信息变量消除法(UVE)以及竞争性自适应重加权算法(CARS)等变量选择方法。在此基础上提出一种竞争性自适应重加权算法与连续投影算法(SPA)相结合的波长选择方法,最终将原始光谱变量从678个减少到了27个。用27个变量建立多元线性回归模型,模型预测集相关系数Rp为0.86,预测均方根误差为1.06%。实验结果表明:高光谱成像技术能够对马铃薯干物质含量进行检测,同时CARS-SPA是一种有效的变量选择方法。     

基于近红外光谱技术的发育后期苹果内部品质检测

为了解发育后期苹果内部品质与近红外光谱特性之间的关系,给田间管理、实时采收等提供依据,利用近红外漫反射技术测量了发育后期3个月内"富士"苹果在833~2 500 nm波长范围内的光谱特性,并测量了各样品的内部品质参数(可溶性固形物含量、硬度、p H值和含水率),分析了单一波长下吸光强度与各内部品质参数之间的线性关系。结果表明,单一波长下吸光强度与苹果各内部品质参数之间的线性相关性均较弱,基于单一波长下的吸光强度很难预测苹果的内部品质。为此,结合化学计量学方法建立了预测可溶性固形物含量、硬度、p H值和含水率的最小二乘支持向量机和极限学习机(ELM)模型,并分析了主成分分析(PCA)、连续投影算法(SPA)和无信息变量消除法等3种降维方法对模型预测性能的影响。结果表明,预测可溶性固形物含量、p H值的最优模型为SPA-ELM,其RMSEP分别为0.443 5°Brix和0.006 8;预测硬度、含水率的最优模型为PCA-ELM,其RMSEP分别为0.2612 kg/cm2和0.623 5%。     

近红外光谱检测梨果硬度研究

应用近红外漫反射无损检测梨果硬度。采集240个梨样品的光谱数据,150个梨样品数据用于建模集来建立模型,另外90个样品数据用于预测集,评价模型的性能。采集完整梨果的近红外漫反射光谱(350~1 800nm),为简化模型,原始光谱经小波算法去除噪声,然后采用CARS算法,波长由最初的1 451个降低为58个,采用偏最小二乘回归建立梨果硬度的定量预测数学模型。研究发现,CARS算法在简化模型同时,模型的预测评价指标优于原始光谱建模的模型,硬度定量预测数学模型的决定系数(Rp2)为0.66,均方根误差(RMSEP)为1.66。近红外漫反射光谱作为一种无损的检测方法,可用于评价梨果的硬度。     

竞争性自适应加权采样算法和连续投影算法在南疆冬枣水分模型中的分析

采用两种不同的波长变量选择方法对南疆冬枣进行偏最小二乘(PLS)建模分析,使用连续投影算法建立的模型预测标准偏差(RMSEP)为1.0672,校正标准偏差(RMSEC)为0.5997,相关系数(R)为0.9017,主因子数为10。使用竞争性自适应加权采样算法建立的模型预测标准偏差(RMSEP)为1.0941,校正标准偏差(RMSEC)为0.6148,相关系数(R)为0.9275,主因子数为7。结果表明连续投影算法和竞争性自适应加权采样算法都能够有效地优选出全光谱的256个变量中的13个变量,降低建模的波长变量,减小了模型的复杂性,提高了模型的精度。两种算法在筛选南疆冬枣的特征波长是可行的。     

基于GSA的厌氧发酵原料碳氮比NIRS快速检测

在以预处理后玉米秸秆、秸秆粪便混合物为原料进行厌氧发酵生产沼气时,为了对厌氧发酵原料碳氮比进行快速检测,将近红外光谱(NIRS)与偏最小二乘(PLS)回归相结合构建快速检测模型,并基于遗传模拟退火算法(GSA)构建遗传模拟退火区间偏最小二乘算法(GSA-iPLS)和双重遗传模拟退火偏最小二乘算法(DGSA-PLS)分别用于特征谱区优选和特征波长点优选,以提高回归模型的检测精度和效率。全谱1844个波长点经GSA-iPLS进行谱区优选后,得到641个波长变量,再经DGSA-PLS进行特征波长点优选后,得到628个波长变量。DGSA-PLS回归模型验证集的决定系数(R2p)为0.920,预测均方根误差为7.178,相对分析误差为3.805。与全谱建模相比,DGSA-PLS模型的RMSEP减小了15.87%。通过波长优选,参与建模的波长点数量显著减少,有效降低了变量维度和模型复杂度,提升了预测精度和预测能力。本文通过优选碳氮比的敏感波长变量,有效提高了预测模型的鲁棒性,为直接、快速、准确测量厌氧发酵原料的碳氮比提供了新途径。     

基于近红外光谱的面粉灰分含量快速检测方法

针对目前面粉灰分含量的检测方法存在操作繁琐、耗时长、费时费力和检测效率低等问题,运用近红外光谱分析技术检测面粉的灰分含量,选择最优的光谱预处理方法和光谱范围,采用偏最小二乘法(PLS)及BP神经网络算法进行定量分析研究。结果表明:采用偏最小二乘法(PLS)所建的定量分析模型的决定系数R2为90.66,预测均方根误差RMSEP为0.055 3,总偏差为0.0279 3;用BP神经网络预测总偏差为0.036 7。研究发现,近红外光谱技术用于快速无损检测面粉灰分含量是可行的,且PLS、BP神经网络算法可进行面粉灰分含量预测。     

牛奶含水率介电谱结合化学计量学检测方法

为了实现牛奶含水率的快速检测,采用网络分析仪和同轴探头测量了室温((25±0.5)℃)下20~4 500 MHz间105个牛奶样品的相对介电常数和介质损耗因子。发现基于单一频率下的介电参数很难预测牛奶的含水率。为此,将介电谱与化学计量学方法相结合预测牛奶的含水率。基于X-Y共生距离法进行了样本集划分,得到校正集样本75个和预测集样本30个。采用连续投影算法从全介电谱中提取出了15个用于预测牛奶含水率的特征变量;建立了基于全介电谱和连续投影算法提取的特征变量预测牛奶含水率(87.28%~91.30%)的广义神经网络、支持向量机和极限学习机模型。结果发现,基于连续投影算法提取的特征变量所建立的极限学习机模型是预测牛奶含水率的最优模型,其预测相关系数、预测均方根误差和剩余预测偏差分别为0.988、0.119%和6.723。研究表明,介电谱结合化学计量学方法可用于检测牛奶的含水率。     

马铃薯干物质空间分布状态可视化研究

采用可见-近红外高光谱检测系统对马铃薯中干物质进行快速检测,并最终实现其分布状态的可视化。采用9种光谱预处理方法对采集的马铃薯高光谱数据进行分析对比,得到标准正态变量(SNV)结合Savitzky-Golay平滑(SG)和一阶导数(FD)的预处理方法效果最好。经过光谱预处理后,采用正自适应加权算法-连续投影法(CARSSPA)对光谱进行特征变量提取,获得22个变量。对所选变量不同的建模方法进行了比较,以偏最小二乘回归(PLSR)模型预测效果最优,预测集决定系数为0.849,均方根误差为0.878%,相对分析误差为2.312,优于全波段模型。将SNV-SG-FD-CARS-SPA-PLSR模型与高光谱图像结合,得到马铃薯干物质主要分布在内髓与维管束环之间、在内髓位置干物质含量最低、由内髓向外干物质逐渐增加的空间分布。内髓位置干物质质量分数最低,为12.16%,外层最高可达24.62%。结果表明:可见-近红外高光谱技术可准确、快速地实现马铃薯干物质的检测和空间分布的可视化。     

基于高光谱与集成学习的单粒玉米种子水分检测模型

为建立单粒玉米种子水分含量的高精度检测模型,制备了80份不同水分含量的玉米种子样本。针对玉米种胚朝上和种胚朝下分别进行高光谱反射图像采集,每份样本取样100粒,波长范围为968.05～2 575.05 nm。采用PCA快速提取单粒种子光谱,经多元散射校正预处理后,分别采用随机森林(RF)和AdaBoost算法建立单粒种子水分检测模型,并集成两种算法特征提出基于加权策略的改进RF用于单粒种子水分含量建模。利用单粒玉米种子胚朝上的光谱信息建立的改进RF模型训练集相关系数R为0.969,训练集均方根误差(RMSEC)为0.094%,测试集R为0.881,测试集均方根误差(RMSEP)为0.404%;利用单粒玉米种子胚朝下的光谱信息建立的改进RF模型训练集R为0.966,RMSEC为0.100%,测试集R为0.793,RMSEP为0.544%。实验结果表明：改进RF的泛化能力和预测精度明显优于RF和AdaBoost算法;种胚朝上的单粒玉米种子水分含量检测模型优于种胚朝下的模型。高光谱检测技术结合集成学习算法建立的玉米种子水分检测模型预测精度高,稳健性好。     

基于Vis-NIR光谱的果园土壤有机质便携式检测仪研究

以赣南脐橙果园土壤为研究对象,对采集到的56个土样风干、过筛,然后进行化学分析,同时使用傅里叶近红外和自主设计的便携式仪器光谱采集。采集到的光谱数据经过一阶微分、平滑、多元散射校正、归一化四种常用的预处理方法,分别应用偏最小二乘法(partial least square regress PLS)进行建立脐橙果园土壤有机质的模型。研究表明,两仪器需要不同的预处理,傅里叶仪器原始光谱建模效果较好,而便携式仪器则需要平滑预处理。傅里叶仪器建立模型的预测相关系数(RP)为0.893,预测均方根误差(RMSEP)为0.474;自行设计的仪器在1 000~1 700nm范围建立赣南脐橙果园土壤有机质含量模型的预测模型的相关系数(RP)为0.801,预测均方根误差(RMSEP)为0.779。研究表明自行设计的便携式仪器可快速用于赣南脐橙果园的土壤中有机质含量的检测。     

基于近红外光谱与PLS-DA的润滑油快速识别

机械故障与润滑油的性状具有紧密关系.因此,研究一种能够快速、无损对润滑油品牌识别方法至关重要.该研究应用近红外光谱分析法结合偏最小二乘判别分析(Partial Least Squares-Discriminant Analysis,PLS-DA)模式识别方法对7种润滑油品牌进行识别.研究结果表明,采用近红外光谱结合PLS-DA方法对校正样本建立判别模型,模型的校正相关系数均大于0.980,校正集均方根误差(RMSEC)和预测集均方根误差(RMSEP)都小于0.062,对7种润滑油品牌识别率均为100％.结合遗传算法对变量进行筛选,选出62个波数点代替全波段进行建模,模型对未知样本的识别率均为98.1％,大大缩减建模的计算量,为在润滑油判别分析仪器开发方面提供一定的理论指导.     

香根草叶片铅含量的近红外光谱快速检测

提出了一种应用近红外光谱技术快速检测香根草叶内重金属铅含量的方法,采用多种预处理方法建立偏最小二乘法(PLS)模型并对建模效果对比分析,得出最优预处理方法。结合不同波段选择方法优化PLS模型参数,建立了香根草叶内重金属铅含量定量分析模型,预测决定系数R2为0.87,预测均方根误差RMSEP为0.18。研究结果表明,利用近红外光谱技术快速定量检测香根草叶内重金属铅含量具有可行性。     

基于CARS-PLS的食用油脂肪酸近红外定量分析模型优化

采用CARS波长变量挑选方法优化建模,对食用油中4种主要脂肪酸（棕榈酸、硬脂酸、油酸和亚油酸）进行近红外定量分析。应用预测浓度残差法剔除奇异样本后,对样品集光谱进行标准化预处理,通过CARS优选出的波长变量分别建立4种脂肪酸的偏最小二乘法（PLS）模型。与采用OPUS软件自动优化建模相比,CARS法所建模型的决定系数（R2）、交叉校验均方根误差(RMSECV)和预测均方根误差(RMSEP)都优于后者所建模型。CARS法有效地简化了模型,且所挑选出的特征波长较少。     

基于DPLS和LS—SVM的梨品种近红外光谱识别

为了实现不同品种梨的快速光谱鉴别,采用主成分分析法(PCA)对光谱数据进行聚类分析,得到3种不同品种梨的特征差异,主成分分析表明,以所有建模样本主成分PC1和PC2做出的得分图,对不同种类梨具有很好的聚类作用。利用主成分分析得到的载荷图可以得到对于梨品种敏感的特征波段,用特征波段图谱作为输入建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。3个品种梨各70个共210个分别建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。对未知的24个样本进行预测,LS-SVM模型品种识别准确率达到100%,DPLS模型的校正及验证结果与实际分类变量的相关系数均大于0.980,交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)都小于0.100,品种识别率为100%。表明提出的方法具有很好的分类和鉴别作用,提供了梨的品种快速鉴别分析方法。     

基于介电特性与回归算法的玉米叶片含水率无损检测

利用0.06~200 k Hz范围内拥有36个频率点的LCR测量仪及自制夹持平行电极板,测量280片不同含水率玉米叶片的相对介电常数ε'及介电损耗因子ε″;利用干燥法测量玉米叶片的湿基含水率。利用逐步回归法(SWR)与多元线性回归(MLR)结合的线性建模方法和连续投影算法(SPA)与支持向量回归(SVR)结合的非线性建模方法,分别建立玉米叶片介电参数(ε'、ε″及两者融合信息3种参数)与湿基含水率的关系模型,并应用留一交叉验证法选取2种建模方法的最佳关系模型。分析表明,非线性模型较线性模型具有更高的预测能力,且基于ε'与ε″的融合信息运用连续投影算法(SPA)与支持向量回归(SVR)相结合的非线性建模方法使模型原72个变量精简到10个,剔除了模型中冗余度较高的变量,有效降低了模型的复杂度,得到最高的测试集决定系数R2P(0.804)和最小的测试集均方根误差RMSEP(0.017 6)。结果表明基于介电特性的玉米叶片含水率无损检测方法是可行的,为快速检测其他农作物的生理信息提供了一种可靠的方法。     

基于MC—UVE的土壤碱解氮和速效钾近红外光谱检测

应用可见/短波近红外光谱分析测量土壤碱解氮和速效钾含量.为了提高该分析方法的预测精度,消除无信息建模变量对模型稳定性的影响,原始光谱平滑后采用蒙特卡罗无信息变量消除方法(MC-UVE)对土壤碱解氮和速效钾的建模变量进行筛选,应用偏最小二乘方法(PLS)建立校正模型.对于碱解氮模型,采用MC-UVE PLS方法,建模变量减少为210,相关系数和预测均方差分别为0.84和17.1 mg/kg.对于速效钾的预测模型,采用MC-UVE方法后,建模变量减少为150,模型的预测相关系数为0.76,预测均方根误差为15.4 mg/kg.