近红外光谱技术结合变量选择方法定性检测食用植物油中的腐霉利

利用近红外光谱技术对食用植物油中的腐霉利进行定性检测研究。以国家标准规定的腐霉利最大残留限量为界线,将不同腐霉利含量的食用植物油样本分为合格组和不合格组。采用QualitySpec台式近红外光谱仪采集两类样本的光谱,利用无信息变量消除 (UVE)和子窗口重排分析(SPA)方法进行波长变量筛选,并应用线性判别分析(LDA)、偏最小二乘-线性判别分析(PLS-LDA)及判别偏最小二乘(DPLS)方法建立两类样本的分类模型。结果表明,近红外光谱技术可以对两类样本进行分类。UVE方法可以有效筛选有用波长变量,提高分类模型的性能。UVE-DPLS所建立的分类模型性能最优,其预测集样本的分类正确率、灵敏度及特异性分别为98.7%,95.0%和100.0%。     

中红外光谱对甲醇汽油甲醇含量检测研究

甲醇汽油是一种清洁能源,甲醇汽油中甲醇的含量决定了汽油的性能。通过中红外光谱对甲醇汽油中甲醇含量进行定量检测和分析。首先,对采集的甲醇汽油原始中红外光谱进行平滑处理（smoothing）、多元散射校正（MSC）、基线校正（baseline）、归一化（normalization）等预处理,再建立PLS模型,对比选择最佳预处理方法,结果表明：在多元散射校正（MSC）处理后建立的PLS模型效果最好,模型的预测集相关系数r为0.918,预测均方根误差RMSEP为2.107。为进一步简化模型,提高预测精度,采用无信息变量消除(uninformative variable elimination, UVE)方法对波长进行筛选,将UVE波段筛选之后的作为模型的输入变量,采用偏最小二乘法（partial least squares, PLS）、主成分回归(principal components regression, PCR)和最小二乘支持向量机（least square support vector machine, LSSVM）三种方法分别建立甲醇汽油中甲醇含量的定量预测模型,并比较不同模型的预测效果和结果。结果表明,使用无信息变量消除可以较好提高数据的运算速度,其中,UVE-PLS模型建模效果最好,r和RMSEP分别为0.923和2.075。该实验表明中红外光谱检测甲醇汽油中甲醇含量是可行的并可以得到较好的效果;UVE是一种对甲醇汽油的中红外光谱非常有效的波段筛选方法,该模型的建立对石油化工领域具有较为重要的意义。     

激光诱导击穿光谱联合UVE变量优选检测大豆油中的铬含量

利用激光诱导击穿光谱(LIBS)技术对大豆油中的重金属Cr进行检测研究。以松木木片对重金属Cr进行富集,采用AvaSpec双通道高精度光谱仪在206.28~481.77 nm波段范围内采集松木木片样本的LIBS光谱,利用无信息变量消除(UVE)方法筛选与重金属Cr相关的波长变量,应用偏最小二乘(PLS)回归建立大豆油中重金属Cr的定标模型,并与单变量及全波段PLS定标模型进行比较。结果表明,相比单变量及全波段PLS定标模型,UVE-PLS定标模型的性能更优,其相关系数、校正均方根误差、交互验证均方根误差及预测均方根误差分别为0.990,0.045,0.050及0.054 mg·g-1。经UVE变量筛选后,UVE-PLS定标模型所用的波长变量数仅为全波段PLS的2%。由此可见,UVE是一种有效的波长变量筛选方法,能有效筛选出与重金属Cr相关的波长变量。     

可见/近红外漫透射光谱结合CARS变量优选预测脐橙可溶性固形物

可溶性固形物(SSC)是脐橙重要内部品质之一。采用QualitySpec型光谱仪在350～1000 nm波段范围采集脐橙的可见/近红外漫透射光谱,采用CARS(competitive adaptive reweighted sampling)变量选择方法筛选出与脐橙SSC相关的重要变量,并与无信息变量消除(UVE)及连续投影算法(SPA)比较。最后,对选择的38个重要波长变量应用偏最小二乘(PLS)回归建立脐橙SSC预测模型,并对未参与建模的75个样品进行预测。研究结果表明,CARS方法优于UVE及SPA变量选择方法,能有效地筛选出重要波长变量。CARS-PLS建立的SSC预测模型优于全光谱的PLS模型,其校正集及预测集的相关系数分别为0.948和0.917,均方根误差分别为0.347%和0.394%。因此,可见/近红外漫透射光谱结合CARS方法可以预测脐橙可溶性固形物,CARS变量选择方法能有效简化预测模型和提高模型的预测精度。     

中红外光谱检测不同浓度乙醇柴油性能指标

利用中红外光谱和化学计量学实现了对乙醇柴油各项性能指标的定量分析。实验样品96个,为32种不同浓度的乙醇柴油溶液。采用S-G平滑、MSC、微分处理(1stD和2ndD)、SNV等四种方法对光谱数据进行预处理,并结合八种波段筛选方法(UVE,CARS,SPA,RPLS,UVE-SPA,UVE-CARS,SPA-CARS,UVE-SPA-CARS)对乙醇柴油MIR光谱数据进行处理,分别建立乙醇柴油密度、粘度、乙醇含量的PLSR模型,得出以下主要结论：综合比较八种变量筛选方法,发现UVE-SPA-CARS-PLS对乙醇含量的建模效果最好,模型预测集的R_p和RMSEP分别为0.978 1和0.825 5。变量筛选较原始光谱建立的模型来说,不仅模型输入数量减少,预测效果也有所提高。     

近红外特征光谱的羊肉TVB-N浓度预测模型

为提高生鲜羊肉储存期内（4,8和20 ℃环境）挥发性盐基氮（TVB-N）的近红外光谱（NIR）检测的稳定性和准确性,选取特征光谱和预测模型是关键步骤。以121个羊肉样品为实验对象,采集生鲜羊肉680~2 600 nm波段的近红外光谱。以多元散射校正（MSC）、标准正态变换（SNV）等散射校正方法,Savitzky-Golay卷积平滑（SGS）、移动平均平滑（MAS）等平滑处理方法,以及归一化（Normalization）、中心化（Centering）、标准化（Autoscaling）等尺度缩放方法分别预处理光谱数据后建立偏最小二乘法（PLS）预测模型。比较发现SGS处理的光谱建模效果最好。利用蒙特卡洛采样（MCS）法及马氏距离法（MD）消除了羊肉光谱的5个异常数据。运用光谱-理化值共生距离（SPXY）算法划分总样本的75%（87个）为校正集样本,剩余29个为验证集样本,利用竞争性自适应重加权法（CARS）、无信息变量消除法（UVE）、改进的无信息变量消除法（IUVE）和连续投影算法（SPA）提取特征光谱得到的波长个数分别为14,713,144和15。将全光谱和4种方法提取的特征波长作为输入变量建立预测模型,CARS提取的波长所建立模型的性能优于UVE、IUVE和SPA提取的波长所建立模型的性能,表明CARS方法可以有效简化输入变量并提高预测模型的性能。改进后得到的IUVE法相比于UVE法,筛选出的波长数更少且模型性能有所提升。以提取的特征波长建立PLS,支持向量机（SVM）和最小二乘支持向量机（LS-SVM）预测模型,SVM模型得到最优的校正集预测结果,其中CARS-SVM预测模型的校正决定系数（R2_C）和校正均方根误差（RMSEC）分别为0.939 1和1.426 7,最优的验证集预测效果为LS-SVM预测模型得到,其中IUVE-LS-SVM预测模型的验证决定系数（R2_V）和验证均方根误差（RMSEV）分别为0.856 8和1.886 2。基于近红外特征光谱建立简化、优化的生鲜羊肉储存期TVB-N预测模型,为实现快速无损检测生鲜羊肉中的TVB-N浓度提供技术支持。     

基于内标法和CARS变量优选的倍硫磷含量LIBS检测

利用共线双脉冲激光诱导击穿光谱（LIBS）技术对溶液中的倍硫磷含量进行定量检测研究。采用石墨对倍硫磷溶液进行富集,利用双通道高精度光谱仪获取样品的LIBS光谱。以碳元素谱线（CⅠ247.856 nm）为内标对210~260 nm波段谱线进行校正,然后利用竞争性自适应重加权算法（CARS）筛选与倍硫磷相关的重要波长变量,最后应用最小二乘支持向量机（LSSVM）建立倍硫磷含量的定标模型,并与基本定标法及内标法建立的单变量定标模型进行比较。研究结果表明,共线双脉冲LIBS技术可以用于溶液中的倍硫磷含量检测。基本定标法建立的最优定标模型的拟合度R²为0.935 04,预测集样品的平均预测相对误差（PRE）为41.50%;内标法建立的最优单变量定标模型的拟合度R²为0.993 61,预测集样品的平均PRE为14.91%;内标-CARS-LSSVM定标模型的拟合度R²为0.998 6,预测集样品的平均PRE为8.06%。对比上述3类定标模型,内标-CARS-LSSVM定标模型性能最优,内标法建立的定标模型次之,而基本定标法建立的定标模型最差。由此可知,CARS方法可以有效筛选倍硫磷相关的重要变量,内标法结合CARS及LSSVM方法可以改善定标模型性能,提高预测精度。     

最小角回归结合竞争性自适应重加权采样的近红外光谱波长选择

近红外光谱分析技术对检测样品无损伤且检测速度快、精度高,因此被广泛应用在了药品检测、石油化工等领域,尤其近年来机器学习和深度学习建模方法的深入应用使其具备了更准确的检测性能。然而,样品的近红外光谱数据具有比较高的维度且存在谱间重合、共线性和噪声等问题,对近红外光谱模型的性能产生消极影响,此时样品有效特征波长的筛选极为重要。为了提高近红外光谱定量和定性分析模型的准确性和可靠性,提出了一种近红外光谱变量选择方法,其结合了最小角回归（LAR）和竞争性自适应重加权采样（CARS）的优点,具有更优的性能。该方法利用LAR初步筛选样品全谱区的特征波长,接着利用CARS对筛选出来的特征波长进一步选择,从而有效去除无关特征波长。为验证该方法的有效性,从定量和定性分析两个方面评价该方法。在定量分析实验中,以FULL,LAR,CARS,SPA和UVE作为对比方法,以药品样品数据集为实例建立PLS回归分析模型,经LAR-CARS筛选出的变量建立的PLS模型在药品数据集表现出较高的预测决定系数和较低的预测标准偏差。在定性分析实验中,以SVM,ELM,SWELM和BP作为对比方法、不同比例训练集的药品数据集为实例建立分类模型,经LAR-CARS筛选出的变量建立的SVM分类模型精度最高达100%。从实验结果可见,LAR-CARS可有效的筛选出表征样品特征的波长,利用其筛选出的波长建立的定量、定性分析模型具有更好的鲁棒性,可用于样品光谱的特征波长筛选。     

大豆水分含量的高光谱无损检测及可视化研究

采用近红外高光谱成像技术对大豆水分含量进行快速无损检测,实现大豆水分含量可视化。采集了96个不同品种大豆样本在900～2 500 nm的高光谱图像,采用直接干燥法测量每个大豆样品的水分含量。利用系统自带的HSI Analyzer软件提取图像感兴趣区域（ROI）的平均光谱信息,代表样品的光谱信息。利用SPXY算法划分样品校正集和预测集,并保留938～2 215 nm波段范围内的光谱数据。采用移动平滑（moving average）、S-G平滑、基线校正（baseline）、归一化（normalize）、标准正态变量变换（standard normal variate,SNV）、多元散射校正（multiple scattering correction,MSC）、去趋势（detrending）共7种光谱预处理方法,发现Normalize方法处理后的PLSR模型效果较好。为了去除光谱冗余信息,简化预测模型,采用连续投影算法（SPA）、竞争性自适应加权算法（CARS）、无信息消除变量法（UVE）提取特征波长,其中SPA,CARS和UVE三种算法优选出14,16和29个波长,分别占总波长的6.5%,7.4%和13.4%。分别对938～2 215 nm波段光谱和特征波长建立预测模型,并将效果较优的模型与Normalize方法结合。建立的14种预测模型效果相比较,发现SPA算法筛选的特征波长建模预测效果较好,并优选出Normalize-SPA-PCR模型,模型的R２_C和Ｒ２_P值较高,分别为0.974 6和0.977 8,RMSEP和RMSECV值较低,分别为0.238和0.313,模型的稳定性和预测性较好,可以对大豆水分含量进行准确预测。将Normalize-SPA-PCR模型作为大豆水分含量可视化预测模型,计算高光谱图像每个像素点的水分含量,得到灰度图像,对灰度图像进行伪彩色变换,得到大豆水分含量可视化彩色图像。对预测集的24个大豆品种进行可视化处理,发现不同水分含量大豆的可视化图像颜色不同,水分含量变化对应的颜色变化较为明显。结果表明,高光谱成像技术结合化学计量学可以准确快速无损预测大豆水分含量,实现大豆水分含量可视化,为大豆收获、贮藏加工过程中水分含量检测提供了技术支持。     

高光谱成像的牛肉丸掺假检测

牛肉丸是一种口感独特的肉类深加工食品。不法商贩为了谋取利益,在牛肉中掺入猪肉、鸡肉等廉价肉制作肉丸冒充纯牛肉丸售卖。传统的肉品掺假检测方法费时费力,成本高昂。高光谱成像技术具有快速无损、低成本等优点,因此对牛肉丸中掺假猪肉和鸡肉进行高光谱成像检测。首先分别制作纯牛肉丸和混有掺假肉猪肉和鸡肉的牛肉丸,掺假肉占原料肉质量比例分别为5%, 10%, 15%, 20%, 25%。采集所有肉丸样本的高光谱信息并提取光谱数据。分别采用1~(st) Der, 2~(nd) Der, MC, MSC, SG和SNVT六种预处理方法对所提取光谱进行预处理,建立全波段下偏最小二乘(PLS)掺假含量预测模型,并比较模型预测效果得出最佳预处理方法。对最佳预处理方法处理后的光谱数据进行特征波长的筛选,筛选方法有:连续投影法(SPA)、竞争性自适应重加权算法(CARS)、联合区间偏最小二乘法(siPLS),并创新性地联用siPLS与CARS的联合区间偏最小二乘-竞争性自适应重加权算法(siPLS-CARS)。最后比较不同波长筛选方法下的模型预测效果。研究表明,牛肉丸掺猪肉和鸡肉PLS预测模型最佳预处理方法分别为MSC和1~(st) Der。SPA, CARS和siPLS-CARS分别筛选了掺猪肉样品光谱中的13, 51和32个特征波长, siPLS将全光谱分为14个子区间,联合第1, 3, 7, 13子区间进行建模,其中CARS筛选波长后的PLS预测模型效果最好,R_C和R_P分别为0.981 4和0.972 1, RMSECV和RMSEP分别为0.016 3和0.020 3。SPA, CARS和siPLS-CARS分别筛选了掺鸡肉光谱中的15, 61和28个特征波长, siPLS将全光谱分为15个子区间,联合第7, 8, 11, 12子区间进行建模,最佳波长筛选方法也是CARS,此时PLS预测模型R_C和R_P分别为0.990 2和0.987 8, RMSECV和RMSEP分别为0.012 3和0.012 6。siPLS-CARS相比于siPLS不仅缩减了特征波长数量,且提高了模型预测的精度;相比于CARS筛选出的波长更少,但精度略低。掺鸡肉样品预测模型效果整体优于掺猪肉样品。研究结果表明高光谱成像技术可以实现牛肉丸中掺假的含量预测,为牛肉丸掺假快速检测提供理论基础。     

基于近红外光谱和变量优选的棉麻混纺织物棉含量快速检测

纺织品纤维成分的快速检测对其生产过程质量监控、贸易和市场监督均具有重要的意义。利用近红外光谱技术联合变量优选对棉麻混纺织物中的棉含量进行快速检测研究。采用NIRFlex N-500型傅里叶近红外光谱仪在4 000～10 000 cm-1光谱范围内采集样本的反射光谱,对样本光谱进行范围初选和预处理分析。在此基础上,利用UVE(uninformative variables elimination),SPA(successive projections algorithm)及CARS (competitive adaptive reweighted sampling)方法对光谱变量进行优选,再应用PLS(partial least squares)建立棉麻混纺织物中的棉含量预测模型。最后,采用最优预测模型对未参与建模的样本进行预测。研究结果表明,4 052～8 000 cm-1光谱范围为棉含量较优的建模光谱范围。CARS变量选择方法能较为有效地提高预测模型的精度,CARS-PLS模型的校正集、预测集相关系数和均方根误差分别为0.903,0.749和8.01%,12.93%。因此,近红外光谱联合CARS变量优选可以用于棉麻混纺织物棉含量的快速检测,CARS方法可以有效简化预测模型,提高预测模型性能。     

基于PLS的水体重金属LIBS特征变量筛选方法研究

在水体重金属激光诱导等离子体光谱定量分析中,一般提取光谱的多个特征变量进行浓度反演,但变量之间所包含的光谱信息可能存在重叠,回归模型的复杂程度也随之增大。为提取有效特征变量,研究了基于偏最小二乘法(PLS)的变量筛选方法。该方法以待测元素浓度为因变量,多个与待测元素浓度相关的LIBS光谱特征值为自变量,进行PLS建模;依据各原始变量的投影重要性指标值进行变量筛选,提取最优变量子集。结果表明湖库水体中Pb元素的最优变量子集为Pb Ⅰ 405.78 nm峰值及峰值前相邻点光谱值、内标校正值和信背比值,训练集的复相关系数R2_m=0.912。以优化变量组合进行PLS回归分析,测试集预测结果的RSD和RE分别为10.2%和7.9%,显著优于内标法的预测结果。结果还表明,变量筛选结果对于不同元素和不同水样具有一定适用性。研究结果为水体重金属LIBS定量分析提供了优质特征数据,研究方法为其他涉及变量筛选的定量分析提供了参考。     

特征变量优选在苹果可溶性固形物近红外便携式检测中的应用

为实现苹果可溶性固形物(SSC)的便携式快速检测,利用环形光纤探头和微型光谱仪搭建便携式苹果可溶性固形物光谱采集系统,结合无信息变量消除(UVE)、遗传算法(GA)、竞争性自适应加权(CARS)算法筛选基于偏最小二乘(PLS)的苹果可溶性固形物的近红外光谱特征波长。另外,采用反向区间最小二乘支持向量机(BiLS-SVM)和GA算法优选基于LS-SVM的特征波长变量,分别建立所选特征波长和全波段的PLS模型和LS-SVM模型。试验结果表明,经过GA-CARS算法从全波段1 512个波长中筛选出的50个特征波长建立的PLS模型效果最好,其预测相关系数和预测均方根误差分别为0.962和0.403°Brix。利用该检测装置结合GA-CARS筛选的特征波长,可有效简化苹果可溶性固形物近红外便携式检测模型并提高模型的预测精度,为进一步构建便携式苹果可溶性固形物检测设备奠定了基础。     

一种基于SCARS策略的近红外特征波长选择方法及其应用

针对近红外光谱数据的内在特点,提出了一种基于稳定性竞争自适应重加权采样(stability competitive adaptive reweighted sampling, SCARS)策略的近红外特征波长优选方法。该方法以PLS模型回归系数的稳定性作为变量选择的依据,其过程包含多次循环迭代,每次循环均首先计算相应变量的稳定性,而后通过强制变量筛选以及自适应重加权采样技术(ARS)进行变量筛选;最后对每次循环后所得变量子集建立PLS模型并计算交互验证均方根误差(RMSECV),将RMSECV值最小的集合作为最优变量子集。利用饲料蛋白固态发酵过程近红外光谱数据集对所提方法进行了验证,并与基于PLS的蒙特卡罗无信息变量消除法(MC-UVE)和竞争自适应重加权采样(CARS)方法所得结果进行了比较。试验结果显示： 建立在SCARS方法优选的21个特征波长变量基础上的PLS模型预测效果更好,其预测均方根误差(RMSEP)和相关系数(R_p)分别为0.054 3和0.990 8;该优选策略能有效地增强固态发酵光谱数据特征波长变量选择的准确性和稳定性,提高了模型的预测精度,具有一定的应用价值。     

近红外光谱的油页岩总有机碳快速检测

为了快速检测油页岩总有机碳（TOC）含量,以松辽盆地某区块所取岩芯为研究对象,测量230个岩石样本的TOC含量和近红外光谱数据。利用蒙特卡洛法剔除异常样本14个,剩余的216个样本进行去趋势加基线校正方法预处理,采用连续投影算法（SPA）、无信息变量消除算法以及竞争自适应算法选取特征波长。使用SPXY方法对样本按照2∶1的比例划分为144个校正集和72个验证集,然后建立线性的偏最小二乘（PLS）模型以及非线性的支持向量机（SVM）模型和随机森林（RF）模型对油页岩TOC含量进行预测。采用测定系数（R2）和均方根误差（RMSE）作为模型的评价指标,探究不同特征波长选择方法对油页岩总有机碳建模的影响,比较不同建模方法对油页岩TOC含量预测的准确度。结果表明,特征波长提取能够起到优化模型的作用。SPA,UVE和CARS分别提取了16,253和65个波长,经过特征波长提取后模型测定系数均有提高,均方根误差均有下降,这说明进行特征波长优选对于简化模型、提高模型运算速度发挥着很重要的作用。此外,非线性的RF和SVM模型性能要优于线性模型PLS。这是因为油页岩中的碳存在于各类烃的中,不同类别含烃基团的吸收峰之间相互影响,使得油页岩总有机碳含量和近红外光谱数据之间存在着复杂的非线性关系,因此,非线性的SVM和RF模型能够表现出更好的效果。相比于其他模型,CARS-SVM模型验证集的测定系数（R2_v）和均方根误差（RMSEV）表现出的结果较好,分别达到了0.906 6和0.222 0,该模型能够用于油页岩总有机碳含量的快速检测。研究结果说明,近红外光谱分析应用于油页岩TOC含量快速检测是可行的;建立的CARS-SVM模型能够表现出较好的预测效果,为我国油页岩TOC含量快速检测提供了一种新的方法和思路。