改进特征波段选取和混合集成建模的东北粳稻叶绿素含量估算

利用光谱信息快速、无损和准确的检测水稻冠层叶片叶绿素含量,对水稻的长势评估、精准施肥、科学管理都具有非常重要的现实意义。以东北粳稻为研究对象,以小区试验为基础,获取关键生长期的水稻冠层高光谱数据。首先采用标准正态变量校正法（SNV）对光谱数据进行预处理,针对处理后光谱数据,以随机蛙跳（RF）算法为基础,结合相关系数分析法（CC）和续投影算法（SPA）,提出一种融合两种初选波段的改进型随机蛙跳算法（fpb-RF）筛选叶绿素含量的特征波段,并分别与标准RF,CC 和SPA方法进行对比。以提取的特征波段作为输入,结合线性模型和非线性模型各自优势,提出一种高斯过程回归（GPR）补偿偏最小二乘（PLSR）的叶绿素含量混合预测模型（GPR-P）：利用PLSR法对水稻叶绿素含量初步预测,得到叶绿素含量的线性趋势,然后利用具有较好非线性逼近能力的GPR对PLSR模型偏差进行预测,两者叠加得到最终预测值。为了验证所提方法优越性,以不同方法提取的特征波段作为输入,分别建立PLSR、最小二乘支持向量机（LSSVM）、BP神经网络预测模型。结果表明：相同预测模型条件下,改进fpb-RF算法提取特征波段作为输入可较好的降低模型复杂性、提高模型预测性能,各模型测试集的决定系数（R2_P）和训练集的决定系数（R2_C）均高于0.704 7。另外,在各算法提取特征波段进行建模时,GPR-P模型的R2_C和R2_P均高于0.755 3,其中,采用fpb-RF方法提取的特征波段作为输入建立的GPR-P模型预测精度最高,R2_C和R2_P分别为 0.781 5和0.779 6,RMSEC和RMSEP分别为0.904 1和0.928 3 mg·L-1,可为东北粳稻叶绿素含量的检测与评估提供有价值的参考和借鉴作用。     

基于遗传算法的安溪铁观音品质快速评价研究

为探究一种快速无损的安溪铁观音品质评价方法,利用遗传算法(GA)对茶样的近红外光谱特征波长进行筛选,结合偏最小二乘(PLS),建立全谱段的PLS定量模型与GA-PLS模型。结果表明,傅里叶变换近红外(FT-NIR)全谱段光谱在经过平滑+二阶导数+归一化处理后,PLS模型预测性能最高,建模结果为：校正集相关系数R_C=0.921,校正集均方根误差RMSEC=0.543,验证集相关系数R_P=0.913,验证集均方根误差RMSEP=0.665。选用近红外光谱6 670～4 000 cm-1谱区,采用遗传算法进行特征波长筛选,参与建模数据点数从1 557缩减到408个。优选波段后,GA-PLS建模结果为：校正集相关系数R_C=0.959,校正集均方根误差RMSEC=0.413,验证集相关系数R_P=0.940,验证集均方根误差RMSEP=0.587。可见,GA-PLS模型的校正集和验证集的预测结果均优于全谱段PLS模型。结果说明,在传统的近红外光谱技术结合化学计量学方法的建模基础上,加入遗传算法进行波长筛选,能有效提高模型预测能力,实现方法学的创新研究,且GA-PLS品质评价模型具有较强的参考和推广价值,为提高我国茶叶品质的检测技术水平提供新的方法借鉴。     

桂花酒中山梨酸钾拉曼表面增强预测模型在其他果酒中的传递

自行搭建的拉曼光谱点扫描系统,以柠檬酸钠还原法配制的SC银溶胶为表面增强剂,建立了桂花酒中山梨酸钾的定量预测模型,模型校正集决定系数(R2_C)和均方根误差(RMSEC)分别为0.978 9和0.070 3 g·kg-1,验证集决定系数(R2_P)和均方根误差(RMSEP)分别为0.934和0.165 7 g·kg-1。桂花酒中山梨酸钾的定量预测模型为主光谱模型,结合K/S算法,探讨了基于DS算法和PDS算法将桂花酒主光谱模型向杨梅酒的修正传递方法。结果显示,用K/S算法选取4个杨梅酒样品,基于DS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.906 1和0.215 0 g·kg-1。K/S算法选取3个杨梅酒样品(窗口宽度为5),基于PDS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.905 5和0.225 0 g·kg-1。DS算法和PDS算法均可以用少量样品将桂花酒中山梨酸钾的主光谱预测模型有效传递给杨梅酒,实现了一种被测物预测模型在同类物种间的传递,具有重要实用意义。     

多模式可调节光学机构的苹果可溶性固形物近红外光谱检测

利用多模式可调节的光学机构采集了苹果漫透射、全透射和漫反射三种检测方式的光谱,研究在不同的检测方式下苹果的光谱特征并采用PLS建立苹果可溶性固形物含量SSC预测的模型。首先分别采集每个样品赤道上四点的漫透射、全透射和漫反射光谱,然后分别使用多元散射校正MSC、基线偏移校正BOC、归一化Normalize和高斯滤波平滑GFS等方法对平均后的120个光谱做预处理,并结合竞争性自适应权重取样CARS法对漫反射光谱进行特征波长筛选,最后采用偏最小二乘法PLS回归建立预测苹果SSC的模型,并另购30个苹果验证模型性能。结果表明,苹果在三种检测方式下采集的光谱吸收峰和波谷所处的波段大致相同,但光谱强度有差异。三种光谱经3点高斯滤波平滑GFS预处理后建立预测苹果SSC含量的模型均取得很好的结果。漫透射的模型性能为R_cal=0.972,R_pre=0.967和RMSEC=0.436%,RMSEP=0.507%;全透射的模型性能为R_cal=0.964、R_pre=0.957和RMSEC=0.5%,RMSEP=0.574%;漫反射的模型性能为R_cal=0.963,R_pre=0.949和RMSEC=0.522%,RMSEP=0.536%;三种光谱经归一化预处理后融合建模的模型性能为R_cal=0.894,R_pre=0.857和RMSEC=0.836%,RMSEP=0.966%。进一步将漫反射光谱结合CARS算法筛选特征波长,使用119个变量建立模型的性能为R_cal=0.986,R_pre=0.977和RMSEC=0.323%,RMSEP=0.362%。最后将该模型导入新型多模式可调节的水果检测系统中,使用30个未参与建模的冰糖心苹果检验该模型预测苹果SSC的性能。结果显示30个外部验证集的相关系数为0.906,验证均方根误差为0.707%。进一步表明使用多模式可调节的水果内部品质检测系统采集的漫反射光谱结合光谱预处理、波段筛选算法和偏最小二乘回归方法可以建立较好的模型预测苹果可溶性固形物SSC含量。本研究为苹果的品质检测提供新的技术支持。     

基于分数阶微分算法的大豆冠层氮素含量估测研究

氮素与作物的生长发育、产量和品质密切相关。作物冠层氮素含量的快速、准确、无损检测对于作物营养诊断和长势评估具有重要意义。传统的氮素检测方法检测周期长、操作复杂,同时具有破坏性,无法实现作物氮素含量在时间和空间上的连续动态监测。基于光谱遥感技术快速、无损地获取作物氮素含量是近年来作物组分快速检测研究的热点。当前的研究大多基于原始光谱或整数阶微分(一阶、二阶)预处理后的光谱进行氮素含量预测,原始光谱或整数阶微分预处理后的光谱会忽略光谱曲线间的渐变信息,影响氮素含量的预测准确度。与原始光谱和整数阶微分方法相比,分数阶微分算法在背景噪声去除、有效信息提取等方面较有优势。为研究分数阶微分预处理算法在作物氮素检测中的应用,本文以不同施肥处理下的盆栽大豆作物为研究对象,获取大豆苗期、花期、结荚期和鼓粒期四个生育期共256组冠层高光谱及对应的大豆冠层氮素含量(CNC)数据,运用分数阶微分算法对光谱数据进行0～2阶微分预处理,微分间隔为0.1,分别采用归一化光谱植被指数NDSI、比值光谱指数RSI对预处理后的光谱数据和大豆冠层氮素含量数据进行相关性分析,得到各阶微分预处理下NDSIα(α代表分数阶微分阶数)与大豆CNC,RSIα与大豆CNC相关系数绝对值的最大值及其对应的波段组合--最优波段组合NDSIα(opt)和RSIα(opt),采用线性回归方法,建立各阶微分下NDSIα(opt)与CNC,RSIα(opt)与CNC的预测模型,并与常用植被指数(VOGII, MTCI, DCNI, NDRE)建立的氮素含量预测模型进行比较,研究分数阶微分算法对大豆作物冠层氮素含量预测模型的效果。结果表明：(1)在0～2阶微分范围内,最优波段组合NDSIα(opt),RSIα(opt)与大豆CNC的相关系数随阶数增加呈现先升高后下降趋势。其中,0.8阶微分下NDSI_0.8(R₇₂₅, R₇₆₉)与大豆CNC的相关系数最大,为0.875 9;0.7阶微分下RSI_0.7(R₅₄₈, R₇₆₇)与大豆CNC的相关系数最大,为0.865 1;(2)分数阶微分预处理能够细化光谱数据中的有效信息,增强光谱数据对冠层氮素含量的敏感性,尤其是增强红边平台波段与氮素含量的正相关性及绿波段与氮含量的负相关性;(3)与整数阶微分、常用植被指数相比,分数阶微分能够提高大豆CNC预测模型的准确性。其中,基于0.7阶微分RSI_0.7(R₅₄₈, R₇₆₇)建立的大豆CNC预测模型与0阶微分RSI₀(R₇₂₅, R₇₆₉)相比建模集决定系数(R2_C)和预测集决定系数(R2_P)分别提高了0.061 9和0.016 6,建模集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别降低了0.552 5和0.180 9,预测相对偏差(RPD)提高了0.110 4。基于0.7阶微分RSI_0.7(R₅₄₈, R₇₆₇)建立的大豆CNC预测模型与VOG II相比R2_C和R2_P分别提高了0.086 6和0.025 5,RMSEC和RMSEP分别降低了0.757 5和0.248 3,RPD提高了0.146 88;(4)基于0.7阶微分比值光谱指数RSI(R₅₄₈, R₇₆₇)建立的大豆LNC预测模型较优,其R2_C为0.748 4,R2_P为0.800 3,RMSEC为4.752 9,RMSEP为3.511 1,RPD为2.253 7,能够较好的估测大豆冠层氮素含量。研究表明分数阶微分算法在大豆冠层氮素含量的定量预测中具有一定的优势,为光谱遥感技术在作物氮营养检测中的应用开拓了新的思路。     

基于荧光多光谱融合的水质化学需氧量的检测

为了对水中的有机污染物进行绿色、快速、准确的检测,提出了一种基于荧光多光谱融合的水质化学需氧量(Chemical Oxygen Demand, COD)的检测方法。实验样本为包含近岸海水和地表水在内的实际水样53份,采用标准化学方法获取样本的化学需氧量的理化值,利用荧光分光光度计采集样本的三维荧光光谱并对光谱数据进行处理和建模。在200～300 nm(间隔5 nm)的激发波长范围内将三维光谱展开成二维的发射光谱(发射波长范围250～500 nm,间隔2 nm)。采用ACO-iPLS(蚁群-区间偏最小二乘)算法提取发射光谱特征,PSO-LSSVM(粒子群优化的最小二乘支持向量机)算法建立预测模型,分别建立了单激发波长下的荧光发射光谱数据预测模型、多激发波长下发射光谱的数据级融合(LLDF)预测模型以及多激发波长下发射光谱的特征级融合(MLDF)预测模型,通过对预测效果的对比,得出结论。实验结果表明,对于不同激发波长下荧光发射光谱数据而言,265 nm激发光作用下的发射谱数据的预测模型最优,其检验集决定系数R2_P和外部检验均方根误差RMSEP分别为0.990 1和1.198 6 mg·L-1;对于荧光多光谱数据级融合模型(简写为：LLDF-PSO-LSSVM)而言,在235,265和290 nm激发光作用下的发射光谱的LLDF模型效果最优,其检验集的R2_ｐ和RMSEP分别为0.992 2和1.055 1 mg·L-1;对于荧光多光谱特征级融合模型(MLDF-PSO-LSSVM)而言,在265,290和305 nm激发光作用下的荧光发射光谱的MLDF模型效果最优,其R2_p=0.998 2,RMSEP=0.534 2 mg·L-1。综合比较各类建模结果可知,MLDF-PSO-LSSVM的模型效果最优,说明基于荧光发射光谱数据,采用多光谱特征级融合模型检测水质COD时,检测的精度更高,预测效果更好。     

基于表面增强拉曼的饮料中山梨酸钾快速定量检测方法

基于实验室自行搭建的拉曼光谱点扫描系统,利用表面增强拉曼技术对橙味饮料中山梨酸钾的含量进行了定量快速检测研究。通过与山梨酸钾标准品拉曼光谱及其水溶液表面增强拉曼光谱等比较分析,确定了山梨酸钾1 648.4,1 389.3和1 161.8 cm-1处的表面增强特征拉曼位移。通过山梨酸钾橙味饮料平行样品的拉曼位移峰强重现性实验并计算其峰强的相对标准偏差证实了该表面增强拉曼方法具有较好的重复性。采集了山梨酸钾浓度范围为1.706～0.180 7 g·kg-1的33个橙味饮料样品的表面增强拉曼光谱,所有原始光谱经S-G 5点平滑及Baseline基线去除荧光背景预处理后分别用一元线性回归分析、多元线性回归分析和偏最小二乘回归分析方法,建立了山梨酸钾的定量预测模型。经比较,选取三个山梨酸钾拉曼特征位移1 161.8,1 389.3和1 648.4 cm-1所建立的多元线性回归模型校正集的相关系数(R2_C)和均方根误差(RMSEC)分别为0.983 7和0.051 7 g·kg-1,验证集的相关系数(R2_P)和均方根误差(RMSEP)分别为和0.969 9和0.052 8 g·kg-1,比一元线性回归模型和偏最小二乘回归模型误差小、精度高。基于表面增强拉曼完全可以实现橙味饮料中山梨酸钾的定量快速预测,为各类食品中山梨酸钾含量的快速监测奠定了技术基础。     

脐橙表皮两种混合农药残留的表面增强拉曼光谱定量检测

针对水果生产中的农药残留问题,利用表面增强拉曼光谱技术(SERS),把害虫防治使用较多的有机磷农药亚胺硫磷与毒死蜱作为研究对象,探索性研究了将金胶用作增强基底检测以脐橙为载体的混合农药残留快速检测。采集混合农药样品的SERS光谱,通过对比农药的特征峰可以对混合农药进行定性分析。同时利用化学计量学方法,建立混合农药的定量数学模型,并通过对比不同的预处理方法和建模波段对混合农药样品拉曼光谱的处理结果,选择出最优预处理方法与算法的组合。在拉曼光谱范围200～2 300 cm-1内,利用PLS算法处理经一阶微分预处理后的光谱数据,建立的脐橙表皮混合农药残留回归模型效果较好,预测相关系数(R_p)为0.912,预测均方根误差(RMSEP)为3.601 mg·L-1。经过波段筛选后并对光谱处理结果对比,发现光谱在200～620,830～1 040及1 250～2 300 cm-1范围内,利用PLS算法处理经一阶微分预处理后的光谱数据,建立的回归模型效果较好,R_p为0.909,RMSEP为3.338 mg·L-1。研究表明使用SERS技术,可以对脐橙表皮上残留的混合农药进行定性与定量的分析。     

基于高光谱图像和偏最小二乘的羊肉pH值特征波段筛选研究

波段筛选方法的选取以及随后的光谱特征波段的提取对高光谱模型效果的影响较大。为了快速准确检测羊肉的pH值,开展并讨论了利用两种特征波段筛选方法对羊肉pH值高光谱模型的影响研究。本研究采用二阶导数(2D)、多元散射校正(MSC)和中心化处理(mean-centering)相结合的方法对所提取纯肌肉部分的代表性光谱进行预处理,利用联合区间偏最小二乘(siPLS)和联合区间偏最小二乘结合遗传算法(siPLS-GA)对全波段473～1000 nm范围光谱进行特征波段的提取,并分别建立相对应特征波段范围羊肉pH的PLS预测模型,同时与全波段的PLS模型效果相比较。结果表明采用siPLS-GA提取的特征波长建立的PLS模型效果最优,其选取的特征波长点数为56,校正集相关系数(R_cal)和均方根误差(RMSEC)分别为0.96和0.043,预测集相关系数(R_P)和均方根误差(RMSEP)分别为0.96和0.048。siPLS-GA方法既能够减少建模使用的光谱变量,又可以提高模型精度,因此利用高光谱图像技术结合siPLS-GA可以实现羊肉pH的特征波段筛选和快速准确检测。     

基于同步荧光光谱的鸡肉中甲磺酸达氟沙星和氧氟沙星残留快速检测方法研究

采用同步荧光技术结合化学计量学方法实现了鸡肉中甲磺酸达氟沙星（DFM）和氧氟沙星（OFL）残留的快速检测。首先,分析了DFM标准溶液、OFL标准溶液、空白鸡肉提取液和含DFM和OFL的鸡肉提取液的同步荧光光谱,确定了鸡肉中DFM和OFL残留的检测波长差（Δλ）分别为130和200 nm,荧光激发峰分别为288和325 nm。其次,采用单因素试验考察了氢氧化钠溶液浓度和表面活性剂种类对荧光强度的影响,确定了鸡肉中DFM和OFL残留的最佳检测条件为：氢氧化钠溶液浓度0.1 mol·L-1和SDS溶液浓度0.1 mol·L-1。最后,利用线性回归和偏最小二乘回归（PLSR）及多元线性回归（MLR）算法分别建立了鸡肉中DFM和OFL残留的预测模型。试验结果表明,与基于线性回归和MLR的DFM残留预测模型相比,基于PLSR的DFM残留预测模型的综合评价更好,其预测集决定系数（R2_P）为0.978 3,预测集均方根误差（RMSEP）为1.934 2 mg·kg-1,相对预测误差（RPD）为5.876 5。与基于线性回归和PLSR的OFL残留预测模型相比,基于MLR的OFL残留预测模型的综合评价更好,其R2_P为0.895 0,RMSEP为3.859 8 mg·kg-1,RPD为2.509 1。该方法操作简单、耗时短,可用于鸡肉中DFM和OFL残留的快速检测。     

青饲大豆主要品质参数的近红外光谱快速分析

饲料是畜牧生产的物质基础,饲草原料和饲料产品营养价值的检测与评估是饲料生产中的重要环节,面对饲草资源中粗蛋白含量低和大量依靠进口饲料的局面,大豆作为优质的高蛋白豆科饲草是畜牧业生产利用的重要资源.不同青饲大豆及其不同刈割期的饲用品质参数可以评价青饲大豆的饲用性能,但目前主要以化学方法进行检测,过程繁琐,试验周期长、易造...     

滩羊肉冷藏期间TBARS含量的高光谱检测

硫代巴比妥酸反应物(TBARS)是表征肉品脂肪氧化程度的主要化学信息.为探究二维相关光谱技术(2DCOS)筛选羊肉中TBARS含量的特征变量的可行性,利用高光谱成像技术结合2DCOS分析建立TBARS含量的快速无损检测方法.采集样本在400～1000 nm的光谱反射图像,通过ENVI 4.8软件在光谱图像上手动设置感兴...     

荧光光谱法检测水质COD时温度、浊度、pH的影响分析

以COD标准液为研究对象,基于特定激发波长下的荧光发射光谱数据,采用化学计量学算法对水质COD进行了检测,分析了水的温度、浊度和pH的变化对发射光谱的影响,并对相关参数的影响进行了补偿校正。在此基础上建立了多参量共同作用时对水质COD预测模型的补偿校正方法。首先采用荧光光谱法对浓度范围为1～55 mg·L-1水质化学需氧量(COD)标准溶液进行三维荧光光谱的采集,去除散射峰以后采用基于蚁群算法优化的偏最小二乘法(ACO-iPLS)对不同激发波长(Ex=255～285 nm,间隔为5 nm)下的荧光发射光谱(Em=275～450nm)数据进行特征提取并采用基于粒子群优化的最小二乘支持向量机算法(PSO-LSSVM)进行预测模型的建立。结果表明,不同激发波长下的荧光发射光谱数据模型的检验集决定系数R2_p在0.961 8～0.998 1范围内,当采用波长为Ex=270 nm的激发光作用时所激发出的荧光发射光谱数据所建模型的效果最优,其检验集决定系数R2_p=0.998 1,预测均方根误差RMSEP=0.348 3 mg·L-1。其次,对温度、浊度、pH对荧光光谱法检测水质COD的影响进行了分析,并给出了相应的补偿模型。结果表明,温度和浊度在检测水质COD时对荧光光谱的影响不可忽略,但通过建立补偿模型可以对其影响进行有效的补偿校正,温度补偿后荧光数据模型的整体平均偏差Bias=0.130 6 mg·L-1,经浊度补偿后可以很好的校正浊度变化对荧光光谱法检测水质COD的影响,而pH范围在4～12.3内变化时对荧光光谱的影响相对较小,因此可忽略。最后,结合单一影响因素的分析结果,对荧光光谱法检测水质COD时水体的多种环境因素(温度、浊度、pH)共同作用的影响进行了分析。实验结果表明,忽略pH影响后,可以采用对温度和浊度同时补偿的方法对二者的影响进行有效的校正。该结果可为水质参数光学传感器在调试过程中抑制环境因素的影响提供参考。     

高光谱技术融合纹理信息的羊肉总酚浓度快速检测

为了研究可见-近红外（Vis-NIR）高光谱成像对滩羊肉中总酚浓度（TPC）快速检测的可行性,基于光谱信息融合图像纹理特征建立TPC含量的预测模型,实现滩羊肉中TPC含量的可视化表达。将样本集根据3∶1的比例划分成校正集和预测集,采用多元散射校正（MSC）、基线校准（Baseline）、去趋势（De-trending）、卷积平滑（S-G）、标准正态变量变换（SNV）、归一化（Normalize）等校正方法去除原始光谱中不良散射等干扰信息。通过竞争性自适应加权抽样（CARS）、引导软收缩（BOSS）、区间变量迭代空间收缩法（iVISSA）和变量组成集群分析-迭代保留信息变量（VCPA-IRIV）提取TPC浓度的代表性特征光谱。采用灰度共生矩阵（GLCM）算法依次提取肉样第1主成分图像中纹理特征。基于特征光谱及图谱融合信息建立滩羊肉中TPC含量的偏最小二乘回归（PLSR）与最小二乘支持向量机（LSSVM）预测模型并进行对比分析。结果表明,（1）利用De-trending+SNV预处理后的光谱数据建立的PLSR预测模型性能较好,其R2_C=0.874 9,R2_P=0.793 2;（2）采用CARS,BOSS,iVISSA和VCPA-IRIV分别提取出了23,35,57和43个特征波长,占全光谱的18.4%,28%,45.6%和16.8%;（3）采用BOSS法提取的关键性波长建立的LSSVM模型性能较好,其R2_C=0.851 3,R2_P=0.745 9,RMSEC=0.116 8和RMSEP=0.155 0;（4）与基于特征波长建立的预测模型相比,BOSS-ASM-ENT-CON-LSSVM模型为滩羊肉中TPC浓度的最佳图谱融合预测模型（R2_C=0.850 0,R2_P=0.770 9,RMSEC=0.116 0,RMSEP=0.144 7）;（5）利用BOSS-PLSR简化模型将TPC浓度反演到样本的高光谱图像上,通过色彩直观化形式展现出来,实现TPC含量的可视化表达。