基于小波消噪柑橘内部品质近红外光谱的无损检测

为探讨柑橘内部品质无损检测方法,通过3阶Daubechies小波4级分解,对柑橘近红外光谱进行消噪预处理,并运用偏最小二乘法建立了柑橘贮藏中可溶性固形物、糖度、酸度和维生素C含量的校正预测模型.结果表明:建立的可溶性固形物含量预测模型,其预测值与标准值的相关系数为0.954,预测校正均方差为0.418%,最优光谱波段为6 101.7～4 246.5 cm-1;建立的可溶性总糖含量预测模型,其预测值与标准值的相关系数达0.975,预测校正均方差为0.490%,最优光谱波段为7 507.7～6 097.8 cm-1;建立的总酸含量预测模型,其预测值与标准值的相关系数达0.948,预测校正均方差为0.022%,最优光谱波段为 6 101.7～4 246.5 cm-1;建立的维生素C含量预测模型,其预测值与标准值的相关系数为0.957,预测校正均方差为0.039 mg/g,最优光谱波段为7 501.7～5 449.8 cm-1.     

宁夏玉米营养成分近红外分析模型建立与应用

研究采集宁夏区内各市县(固原、海原、同心、中卫、中宁、永宁、平罗)抽取玉米样品120批,用近红外分析仪扫描定标样品集获得玉米近红外光谱图,利用偏最小二乘法建立模型,并分别经过无预处理、均值中心化、标准正态变量转换、一阶导数、标准正态变量转换结合去趋势校正(SNV+D)预处理光谱,获得水分、粗蛋白、粗脂肪、粗纤维预测模型,分别是经过MC、SNV+D、SNV+D、SNV+D光谱预处理后效果最好。预测决定系数R² _p分别为0.951、0.976、0.728、0.897,相对分析误差RPD除粗脂肪为2.62外,其他均大于3的近红外预测模型,通过预测模型验证集验证后,并对模型预测值与实测值进行U检验,结果为差异不显著(P>0.05)。该近红外预测模型对玉米中水分、粗蛋白、粗纤维具有较佳预测效果,粗脂肪的预测精度有待进一步提高。     

Influence of Soil Particle Size on the Measurement of Sodium by Near-Infrared Reflectance Spectroscopy

This study evaluates the effect of soil particle size (SPS) on the measurement of exchangeable sodium (Na) (EXC-Na) by near-infrared reflectance (NIR) spectroscopy. Three hundred thirty-two (n = 332) top soil samples (0–10 cm) were taken from different locations across Uruguay, analyzed by EXC-Na using emission spectrometry, and scanned in reflectance using a NIR spectrophotometer (1100–2500 nm). Partial least squares (PLS) and principal component regression (PCR) models between reference chemical data and NIR data were developed using cross validation (leaving one out). The coefficient of determination in calibration (R²) and the root mean square of the standard error of cross validation (RMSECV) for EXC-Na concentration were 0.44 (RMSECV: 0.12 mg kg^–1) for soil with small particle size (SPS-0.053) and 0.77 (RMSECV: 0.09 mg kg^–1) for soils with particle sizes greater than 0.212 mm (SPS-0.212), using the NIR region after second derivative as mathematical transformation. The R² and RMSECV for EXC-Na concentration using PCR were 0.54 (RMSECV: 0.07 mg kg^–1) and 0.80 (RMSECV: 0.03 mg kg^–1) for SPS-0.053 and SPS-0.212 samples, respectively.     

近红外反射技术建立合肥地区精米直链淀粉含量测定模型

以合肥地区种植的203份水稻材料为检测对象,用近红外反射技术采集光谱,常规化学方法测定精米直链淀粉含量。结果表明,定标样品的直链淀粉含量分布范围为3.439%～28.046%,代表性和连续性良好。采用多种计量数学处理方法和偏最小二乘法(PLS),优化建立了精米直链淀粉含量的定量分析预测模型。定标集(C-Set)样品数132个,相关系数(Rc)0.9278,定标标准差(SEC)1.6582;验证集(V-Set)样品数67个,相关系数(Rv)0.8736,预测标准差(SEP)1.9083,并证实所建立的模型在测定精米直链淀粉含量上具有很好的准确性和实用性,对合肥地区水稻品质育种及种质资源相关研究具有实用价值。     

近红外光谱变量筛选提高西瓜糖度预测模型精度

水果的内部品质是水果分级、保鲜及存储的一项重要指标,利用近红外光谱技术对西瓜内部品质进行快速无损检测研究有着非常重要的意义。为了研究变量筛选方法对西瓜糖度预测模型精度的影响,该文以麒麟瓜为研究对象,利用近红外漫透射光谱技术对麒麟瓜可溶性固形物含量（SSC）进行检测,采用偏最小二乘回归（PLSR）,多元线性回归（MLR）和主成分回归（PCR）建立麒麟瓜可溶性固形物数学模型,并探讨等间隔平均光谱和等间隔抽取光谱变量筛选结合连续投影算法（SPA）对预测模型精度的影响。研究结果表明：光谱经等间隔抽取（间隔5,115个变量）经归一化预处理,结合SPA优选出6个波长建立的PLSR预测模型的相关系数（rpre）为0.828、校正均方根误差（RMSEC）为0.589、预测均方根误差（RMSEP）为0.611。该模型预测效果相对较优,建模时间短,提高了模型的预测能力和预测精度。该研究为西瓜内部品质的在线无损检测提供研究基础。     

近红外光谱结合偏最小二乘法快速评估土壤质量

以长江中下游粮食主产区水稻土为研究对象,采集17种不同施肥处理下共136个土壤样品在350 ～2 500 nm范围的近红外光谱,利用偏最小二乘回归分析结合交叉验证法建立了近红外漫反射光谱与传统化学分析方法测得的全碳、全氮、碳氮比、速效钾、速效磷、电导率、土壤pH等土壤指标之间的定量分析模型。模型的决定系数（R2）以及化学分析值标准差（SD）与模型的内部交叉验证均方差（RMSECV）的比值RSC用于判定建立的模型的好坏。结果表明：全碳、全氮、碳氮比和pH模型的R2和RSC分别为：R2=0.94,RSC=4.31;R2=0.95,RSC=4.35;R2=0.97,RSC=5.60;R2=0.92,RSC=3.37,说明上述土壤指标的预测结果很好。速效钾模型的R2和RSC分别为：R2=0.87,RSC=2.23,表明预测结果尚好。而速效磷和电导率模型的R2和RSC分别为：R2=0.18,RSC=1.16;R2=0.37,RSC=1.31,说明两者的预测结果均很不理想。综上所述,水稻土的土壤质量相关指标（全碳、全氮、碳氮比、速效钾和土壤pH）可以通过近红外光谱结合偏最小二乘法（NIR-PLS）快速评估。     

基于近红外光谱的室温贮藏下鲜枣霉菌污染动力学模型

为了预测鲜枣常温贮藏的保鲜期,确保鲜枣的品质要求及食用安全,应用近红外光谱建立了室温贮藏下鲜枣内部霉菌菌落总数变化的动力学模型。通过对几种数据预处理方法的比较及特征波数的选择,实现了鲜枣霉菌菌落总数变化的近红外模型的优选。结果表明:经过多元散射校正处理的鲜枣近红外光谱,应用多元线性回归方法建立的霉菌菌落总数模型预测能力较好,校正集相关系数为0.920,均方根误差为1.503,预测集相关系数为0.889,均方根误差为1.514。同时,将近红外光谱模型应用于霉菌菌落总数随贮藏时间变化的零级反应动力学模型中,得到模型的相关系数为0.981。根据近红外光谱吸光度值与贮藏时间的线性关系,当霉菌菌落总数初始值小于等于10cfu/g时,预测出鲜枣在室温下的保鲜期一般为8d。研究表明,结合动力学模型的近红外光谱技术可以作为一种无损、快速检测方法来检测鲜枣霉菌菌落总数变化。     

Comparison of multivariate models and variable selection algorithms for rapid analysis of the chemical composition of field crops

This study evaluates the use of visible and near-infrared spectroscopy for rapid prediction of total carbon, total nitrogen, and total phosphorus concentrations in field crop samples. Two multivariate models (partial least squares regression and support vector machine regression) were compared. In addition, four spectral variable selection algorithms (competitive adaptive reweighted sampling, genetic algorithm, uninformative variable elimination, and variable importance for projection) were applied with support vector machine regression to determine the most accurate predictions. The results showed that support vector machine regression performed better than partial least squares regression for predicting the three chemical compositions. The combination of competitive adaptive reweighted sampling and support vector machine regression outperformed the other models for the predictions of total carbon and total nitrogen with high coefficients of determination of 0.91 and 0.90, respectively. For the determination of total phosphorus, the prediction accuracy of competitive adaptive reweighted sampling was comparable with the best result obtained from genetic algorithm with the coefficients of determination of 0.73 and 0.77, respectively. In conclusion, the support vector machine regression combined with competitive adaptive reweighted sampling has great potential to accurately determine the chemical composition of field crops using the visible and near-infrared spectroscopy.     

利用机器视觉与近红外光谱技术的皮蛋无损检测与分级

为了对优质蛋、次品蛋和劣质蛋这3种皮蛋进行检测及分级,该文应用机器视觉结合近红外光谱技术,研究利用皮蛋凝胶品质无损检测的分级方法。首先采集皮蛋透射光图像,提取18个图像颜色特征值,然后将所提取的18维特征利用主成分分析(principal component analysis,PCA)进行降维,对PCA降维后的3个主成分建立遗传算法优化支持向量机(genetic algorithm-support vector machine,GA-SVM)分级模型,把皮蛋样本分为两大类:可食用蛋(优质蛋与次品蛋)与不可食用蛋(劣质蛋),劣质蛋测试集识别率为100%。然后在机器视觉分类结果的基础上,利用近红外光谱技术获取可食用蛋(优质蛋与次品蛋)的原始光谱,并进行多元散射矫正(multiplicative scatter correction,MSC),利用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)降维提取特征波长,基于支持向量机(support vector machine,SVM)对特征波长变量建立分级模型,区分出优质蛋与次品蛋,优质蛋测试集识别率为96.49%,次品蛋识别率为94.12%。研究结果表明:基于机器视觉和近红外光谱进行皮蛋凝胶品质无损检测分级是可行的。     

近红外光谱技术及其在农作物中的应用

本文阐述了近红外光谱技术的原理与方法,并对近红外光谱技术在农作物领域的应用研究进行了介绍。