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。     

基于特征波段的高光谱技术检测水体中毒死蜱浓度的实验研究

为了探究反射光谱检测水体中毒死蜱农药的可行性,使用由ASD公司的FieldSpecPro地物波谱仪构成的高光谱采集系统在室内、室外环境获取两种不同浓度区间的毒死蜱样品的光谱数据。基于偏最小二乘(PLS)和主成分分析(PCA)算法分别对毒死蜱样品光谱数据建立全波段定量模型,结果两种模型的预测能力均较高。通过相关性分析(CA)计算相关系数来选择毒死蜱样品光谱的特征波长,其中浓度区间为5~75 mg·L-1的室内、室外实验光谱的特征波长为388,1 080,1 276 nm和356,1 322,1 693 nm,浓度区间为0.1~100 mg·L-1的室内外实验样品光谱的特征波长为367,1 070,1 276,1 708 nm和383,1 081,1 250,1 663 nm。结合PLS算法建立样品特征波长光谱数据的定量模型,结果与全波段模型相比,浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波长模型的校正集决定系数R2_C分别提高至0.987 5和0.999 2,预测集决定系数R2_P分别提高至0.989 4和0.994 4,校正集均方根误差RMSEC分别降低为2.841和0.714,预测集均方根误差RMSEP分别降低为1.715和1.244;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波长PLS模型的校正集决定系数R2_C分别提高至0.998 3和0.998 8,预测集决定系数R2_P分别提高至0.998 4和0.999 0,校正集均方根误差RMSEC分别降低为1.383和1.186,预测集均方根误差RMSEP分别降低为1.510和1.229,验证集标准差与预测均方根误差的比值(RPD)有所增加,尤其是针对浓度区间为0.1~100 mg·L-1的实验,RPD值显著增加至21.7,说明基于特征波长建立的毒死蜱样品定量模型具有较高精度的预测能力,但是通过不同浓度区间范围的对比实验发现,ASD地物光谱仪对低浓度的毒死蜱溶液预测的相对误差偏大,存在客观上的检测下限。为了保证不同试验条件下的毒死蜱农药的特征波长都得到分析,增强模型使用的普适性与鲁棒性,根据特征波长选择出4个波段,即351~393,1 065~1 086,1 245~1 281和1 658~1 713 nm作为特征波段。特征波段模型的波长变量个数共38个,相比于全波段模型的432个波长变量,模型变量精简了91.2%,其中浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波段模型的R2_C分别为0.993 7和0.987 8,R2_P分别为0.979 8和0.998 2,RMSEC分别为1.690和2.516,RMSEP分别为1.987和0.659;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波段PLS模型的R2_C分别为0.9882和0.9807,R2_P分别为0.9391和0.9936,RMSEC分别为3.345和3.942,RMSEP分别为8.996和2.663,且四种实验情况下的模型RPD值均大于2.5,满足定量分析条件。因此采用高光谱采集系统对室内和室外环境中毒死蜱农药的快速检测具有一定的可行性,此研究结果对有机磷农药等面源污染物快速检测有实际的应用价值,可为农田水体有机磷农药快速检测仪器的开发提供理论基础。     

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。     

Lasso算法的油砂钠元素近红外建模

以油砂中钠元素为研究对象,首次应用近红外光谱,结合Lasso(least absolute shrinkage and selection operator)建模方法,建立了油砂金属钠含量的近红外光谱定量校正模型,并与传统的PLS建模方法进行比较。结果表明,两种方法建立的油砂金属钠含量校正模型都具有很高的精度,预测性能方面略有差异。在实验验证集与预测集中,PLS与Lasso算法的相关系数分别是：R_v=0.878 8,R_p=0.857 9和R_v=0.887 4,R_p=0.860 0。实验验证了使用近红外光谱快速测定油砂金属钠含量的有效性,并分析了PLS与Lasso算法的适用范围。     

不同颜色冬枣可溶性固形物可见-近红外光谱分析模型构建

冬枣品质受其品种和生长环境等因素的影响,引起采后化转红指数不同,导致果实的颜色差异较大,从而影响其可溶性固形物（SSC）检测模型的分析精度。采用可见-近红外（Vis-NIR）光谱结合Norris-Williams平滑（NWS）、连续小波导数（CWD）、多元散射校正（MSC）、标准正态变量变换（SNV）和NWS-MSC五种光谱预处理方法构建不同颜色（红绿相间MJ,绿色GJ和红色RJ）冬枣SSC的偏最小二乘（PLS）定量分析模型,分别采用MJ,GJ,RJ,MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型,并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价;以不同建模样品集（校正集）的校正相关系数（R_c）和交互验证均方根误差（RMSECV）作为构建最优模型的评价指标;测试集的预测相关系数（R_p）和预测均方根误差（RMSEP）用于模型预测精度的评价。研究结果表明：分别采用MJ,GJ和RJ的独立样品集进行建模时,模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测;分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时,MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果,其RMSECV,R_c,RMSEP,R_p分别为1.108,0.698,0.980,0.724和1.108,0.698,0.983,0.822,而对RJ样品的预测误差较大,模型的RMSECV,R_c,RMSEP,R_p为1.108,0.698,1.928,0.597;而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果：MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.077,0.668;对GJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,0.881,0.861;对RJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.140,0.841;采用蒙特卡罗无信息变量消除（MCUVE）方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后,模型的R_c和R_p分别由原来的0.796和0.864提高到0.884和0.922,模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721,模型具有较好的分析精度。采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时,当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时,模型具有更好的通用性。     

基于遗传算法的苹果糖度近红外光谱分析

遗传算法(GA)应用在偏最小二乘法(PLS)校正模型的波段优化选择中具有显著的效果。将遗传算法用于波段选择, 能更快达到最优解, 有效提高测量精度,减少建模所用变量。文章研究了在近红外苹果糖度无损检测中,遗传算法作为模块进行波段选择,建立了GA-PLS模型;为了说明遗传算法优选波段可行性,另外建立了全谱和经验谱区的PLS定量模型,并评价了模型的稳健性。首先对傅里叶变换近红外光谱进行多元散射校正、Savitky-Golay卷积平滑后,用遗传算法优选波段(R-SGA),参与建模数据点从原始1 550减少到434个。然后采用一阶导数光谱建立GA-PLS模型,相比全谱PLS(1 550个数据点)和经验谱区PLS(717个数据点)模型具有更高的预测精度,其建模结果为R_C=0.966,RMSEC=0.469,R_P=0.954,RMSEP=0.797。结果表明, 遗传算法可用于PLS法建立苹果糖度校正模型前的数据优化筛选, 有效提高测量精度, 并减少建模变量。     

近红外光谱预测稻谷水分含量特征谱区选择及其效率分析

对364份水分含量在2.24%～32.66%之间的“冈优916”稻谷样品,经均值中心化、一阶微分、标准归一化和多元散射校正等预处理后,采用分段间隔法、组合分段法、滑动窗口法和反向分段法等进行特征谱区选择,分别使用偏最小二乘法(PLS)和主成分回归(PCR)两种定量分析方法,获得稻谷含水量近红外光谱预测模型最佳的特征谱区。首次给出了分段间隔法、组合分段法、滑动窗口法和反向分段法等传统的特征谱区选择方法的计算复杂度的计算公式,并对比分析了这几种特征谱区选择方法的程序运行效率。结果表明：采用PLS建模对稻谷含水量光谱的预测性能优于PCR建模,但PLS建模的效率低于PCR建模;在PLS建模中,采用反向分段法对稻谷光谱含水量的预测性能最好,其预测集的相关系数R_P为0.995 6,预测均方根偏差RMSEP为0.78%;其次是滑动窗口法,其R_P为0.994 3,RMSEP为0.89%;但这两种特征谱区选择方法的程序运行效率较低,反向分段法的平均运行时间为4.87 h,滑动窗口法的平均运行时间为29.82 h。该研究结果为今后在并行计算或分布式计算上开发近红外光谱预测模型的快速算法提供参考。     

砂梨糖度近红外光谱波段遗传算法优化

遗传算法不受搜索空间限制性假设的约束,利用简单的编码技术和繁殖机制来解决复杂近红外光谱数据的优化问题。文章采用遗传算法的波段选择法(R-SGA)对砂梨近红外光谱进行了波段优化,得到丰水、圆黄、黄金三种梨的R-SGA最佳因子数分别为10, 12和16,并分别建立了单一品种GA-PLS模型;丰水梨和黄金梨的GA-PLS模型精度高于全谱PLS模型,其模型的RMSEP分别为0.608/0.632和0.524/0.540;圆黄梨GA-PLS模型精度(RMSEP=0.610)与全谱PLS模型(RMSEP=0.595)相当。经波段优化分析表明,使用552个数据点建立多品种砂梨混合模型,具有较高稳健性和预测性(RMSEC=0.627,RMSEP=0.641)。结果表明:基于遗传算法进行波段优化可以提高砂梨糖度模型精度,提高建模效率,同时说明建立多品种砂梨糖度通用模型是可行的。     

PLS和SMLR建模方法在水蜜桃糖度无损检测中的比较研究

在实际应用中,一些实验条件往往不能严格控制而存在变化,从而影响近红外光谱检测模型的稳健性。文章以50个常温和50个冷藏后的奉化水蜜桃样品组成温度混合样品集,经光谱杠杆值和狄克松检验法进行异常光谱剔除后,采用偏最小二乘法(PLS)和逐步多元线性回归(SMLR)对水蜜桃糖度进行建模分析。PLS的建模结果：校正集相关系数R_C=0.965, 校正均方根标准误差RMSEC=0.301°Brix,交叉验证R_CV=0.812,交叉验证均方根标准误差RMSECV=0.67°Brix,标准偏差与交叉验证均方根标准误差的比值RPD=1.72;SMLR的建模结果：校正集R_C=0.929,RMSEC=0.424°Brix, 交叉验证R_CV=0.887, RMSECV=0.532°Brix, RPD=2.16。SMLR的预测结果要优于PLS的预测结果,在SMLR分析中,在3个不同的光谱区域4 290～7 817,7 817～10 725,4 290～10 725 cm-1的RPD值分别为1.97,1.89,2.16。试验结果表明,将不同温度条件下的样品组成温度混合样品集,用PLS和SMLR建立的模型具有较好的预测效果。     

应用多种近红外建模方法分析梨的坚实度

近红外光谱(near infrared spectroscopy,NIRS)技术是一种快速、无损的仪器分析方法,在农产品品质检测方面引起了广泛的关注,在近红外光谱信息和品质指标之间建立一个稳健的模型是近红外光谱分析中十分重要且有一定难度的过程,常见的多元校正方法有偏最小二乘回归(PLSR)、主成分回归(PCR)和逐步多元线性回归(SMLR)等,该研究中除了常用的线性方法外,还采用了一种结合非线性方法的组合算法[结合了SMLR和径向基神经网络(RBFN)]用于梨坚实度的近红外光谱检测。比较常用的线性建模方法,原始光谱的PLSR模型的得到了较好的结果：校正集相关系数r=0.87, 校正均方根误差RMSEC=3.88 N,预测集r=0.84, 预测均方根误差RMSEP=4.26 N;组合算法的建模结果比SMLR和PCR的结果好,但比PLSR的结果稍差：校正集r=0.85, RMSEC=4.15 N,预测集r=0.82, RMSEP=4.67 N。结果表明：NIRS可用于梨的坚实度检测,但是建模方法的选择值得进一步研究以提高预测的精度。     

不知火杂柑可溶性固形物在线检测模型建立及优化

应用近红外漫透射光谱检测技术对不知火杂柑的可溶性固形物(SSC)进行在线检测具有十分重要的意义。研究变量筛选方法对不知火杂柑可溶性固形物在线检测模型的影响,为实现其快速、准确的在线检测分级奠定基础。实验把形状不整、内藏瓤瓣的不知火杂柑作为研究对象,选取560~930nm的光谱,采用偏最小二乘法(PLS)建立不知火杂柑可溶性固形物的在线检测模型,并讨论不同的光谱预处理方法(卷积平滑(S-G)、一阶微分(1st derivatives)等),不同的变量筛选方法(移动窗口偏最小二乘法MWPLS、遗传算法GA、连续投影SPA)对PLS所建预测模型性能的影响。经对比,多元散射校正(MSC)能有效地消除光散射的影响,遗传算法能大大地降低了建模的波长点数,缩短了建模时间,改善模型预测精度。其最优PLS模型的RP=0.956,RMSEP=0.380,RC=0.967,RMSEC=0.340。实验表明在线检测不知火杂柑的可溶性固形物是完全可行的。     

基于GA和CARS的真空包装冷却羊肉细菌菌落总数高光谱检测

在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares, PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm, GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling, CARS)分别对预处理后的473～1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS, CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R2_c)和均方根误差(root mean square error, RMSEC)分别为0.96和0.29,交互验证的决定系数(R2_cv)和均方根误差(root mean square errorof cross validation, RMSECV)分别为0.92和0.46,预测集的决定系数(R2_p)和均方根误差(root mean square error of prediction, RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation, RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。     

遗传算法在鱼粉中肉骨粉近红外光谱检测中的应用

为了研究近红外光谱模型的优化方法,提高模型的精度.利用遗传算法对64个掺加了肉骨粉的位粉样品近红外光谱进行变量筛选,采用偏最小二乘法回归建模.并用21个样品进行外部验证.遗传算法共选取310个波长变量,相对于全谱的1556个变壁减少了80%,与全谱范围的偏最小二乘法相比,交互验证相关系数(Rcv)从0.80提高剑0.90,交.巨验证均方根误差从5.22%降低到3.62%,预测相关系数(Rv)从0.91提高到0.96,预测均方根误差从3.85%降低到2.95%.模型的稳健性和预测精度都显著提高.试验结果表明遗传算法可以改善近红外光谱法预测鱼粉中肉骨粉含量的效果.     

近红外光谱法快速检测绿茶中儿茶素的含量

提出了一种应用傅里叶近红外漫反射光谱分析技术快速检测茶叶中主要儿茶素含量的新方法.首先获取茶叶在10000～4000 cm<'-1>范围的近红外漫反射光谱,然后以高效液相色谱分析值作参考值.采用偏最小二乘法建立茶叶中表没食子儿茶素没食子酸酯(EGCG)、表儿茶素没食子酸酯(ECG)和表没食子儿茶素(EGC)含量的定量分析模型.通过交互验证方法来优化模型的主成分数和所采用的光谱预处理方法.EGCG、ECG和EGC三个模型预测值和参考值问的相关系数分别为0.9800、0.9763和0.9853,预测均方根误差分别为0.3509、0.1147和0.1365.研究结果表明,近红外光谱技术可成功地检测茶叶中EGCG,ECG和EGC的含量.     

近红外光谱法快速检测猪肉中挥发性盐基氮的含量

为了实现快速无损地检测猪肉新鲜度的目的,应用近红外光谱法测定猪肉新鲜度重要指标一挥发性盐基氮(TVB-N)的含量.猪肉原始光谱经标准偏差归一化方法(SNV)预处理后,用联合区间偏最小二乘法(siPLS)建立猪肉预处理后光谱和TVB-N含量的校正模型并与经典偏最小二乘法(PLS)模型、间隔偏最小二乘法(iPLS)模型作比较.试验结果表明,利用联合区间偏最小二乘法所建的预测模型最佳,其校正集相关系数(Rc)和交瓦验证均方根误差(fRv)分别为0.8332和3.75,预测集的相关系数(Rp)和预测均方根误差(fRP)分别为0.8238和4.17.研究结果表明利用近红外光谱和联合区间偏最小二乘法可以快速地测定猪肉中挥发性盐基氮的含量.     

近红外光谱技术结合RCA和SPA方法检测土壤总氮研究

基于近红外光谱技术结合连续投影算法和回归系数分析对检测土壤总氮含量进行研究。采集农田土壤样本近红外光谱数据,土壤样本数量共394个。由于原始光谱数据量大,在500～2 500 nm光谱波长范围基础上,为简化模型,在原始光谱基础上采用连续投影算法和回归系数分析提取特征变量,以两种变量选择方法提取的特征变量作为输入,分别采用偏最小二乘回归(PLS)、 多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)建模方法建立总氮预测模型,共建立了9个预测模型,最优预测集的决定系数为0.81,剩余预测偏差RPD为2.26。研究表明,基于连续投影算法和回归系数分析选择的特征波长可以应用于近红外光谱检测土壤总氮含量,同时可以大大简化模型,适合开发便携式土壤养分检测仪。     

实测甘草冠层光谱定量估算甘草酸和甘草苷含量

甘草酸(GA)和甘草苷(LQ)是甘草的两个主要的活性成分, 常用作评估甘草的质量主要指标。首次尝试应用实测甘草冠层的可见-短波红外(Vis-SWIR)高光谱数据定量估算甘草中的GA和LQ含量,利用高效液相色谱方法(HPLC)分别测定甘草中GA和LQ含量作为参考值,通过结合一阶导数预处理和运用Wilk’lambda 逐步回归法选择特征波长等光谱预处理方法,在选择9个最优波段基础上建立偏最小二乘(PLS)回归预测模型,甘草GA和LQ的回归精度R2分别为0.953和0.932,校正集的均方根误差(RMSEC)分别为0.31和0.22, 预测精度R2分别为0.875和0.883,验证集的均方根误差(RMSEP)分别为0.39和0.27。结果显示,用光谱预测模型获得甘草GA和LQ含量预测与HPLC方法获得的甘草GA和LQ含量实测之间具有较高的相关性,说明Vis-SWIR技术从遥感数据中来确定GA和LQ含量的可行性。为野外利用外机载和/或星载高光谱传感器对甘草质量遥感监测提供理论依据。     

近红外特征波长筛选在勾兑梨汁中原汁含量的快速检测中的应用

为实现近红外光谱进行勾兑梨汁中原汁含量的快速检测,采用相同可溶性固形物含量的新鲜梨汁和果汁粉冲剂按照原汁含量为0%～100%进行勾兑,并结合遗传算法(GA)、粒子群算法(PSO)以及萤火虫算法(GSO & FA)进行特征波长筛选,比较分析四种算法分别建立的偏最小二乘(PLS)模型。结果表明,GA-PLS,PSO-PLS,GSO-PLS,FA-PLS四种模型均能够剔除大部分波长变量,其中以FA-PLS模型效果最佳,不仅保证模型的稳健性,而且简化了模型,提高了预测的精度。为了进一步优选特征波长,利用连续投影算法(SPA)在FA基础上做进一步波长筛选,并比较全波段PLS,SPA-PLS,FA-PLS,FA-SPA-PLS模型,四种模型泛化能力为：FA-PLS>PLS>FA-SPA-PLS>SPA-PLS,其预测均方根误差分别为0.029 1,0.033 3,0.033 9和0.137 0,相应的波长变量数量依次367,765,20和18。其中SPA-PLS波长变量最少,但预测误差远远高于其他三种模型,综合考虑预测精度与波长变量数目,FA-SPA-PLS模型不仅波长变量较少而且预测精度较高,能够有效鉴别勾兑梨汁中原汁含量。研究利用近红外光谱技术为快速鉴别勾兑果汁提供一种有益思路,并通过波长变量筛选简化定量分析模型。     

高光谱图像信息检测玉米籽粒胚水分含量

通过波段比和阈值相结合的方法,分别提取了玉米籽粒全表面结构和胚结构区域的1 000～2 500 nm近红外高光谱信息,研究了玉米籽粒水分含量与胚结构区域光谱关系,同时采用竞争性自适应重加权变量选择算法(CARS)、遗传算法(GA) 、连续投影算法(SPA)筛选特征波段,建立并比较偏最小二乘回归(PLS)模型对水分含量的预测效果。结果显示,玉米籽粒水分含量与胚结构区域光谱关系显著,随着水分含量的增加,光谱反射值逐渐降低。预测模型结果表明,基于玉米籽粒胚结构区域光谱信息所建立的CARS-PLS,GA-PLS和SPA-PLS回归模型预测相关系数Rp分别为0.931 2,0.917 6和0.922 7,预测均方根误差(RMSEP)分别为0.315 3,0.336 9和0.336 6,所选取的特征波段数量分别为9,14和6,较基于全表面光谱信息所建模型的特征波段数量分别少了49,12和24个,且预测效果与采用全表面光谱信息无显著差别,SPA-PLS算法为基于玉米籽粒胚结构光谱信息的水分含量预测最高效模型。提取胚结构区域所用光谱波段为1 197,1 322和1 495 nm,建立SPA-PLS回归模型所用特征波段为1 322,1 342,1 367,1 949,2 070和2 496 nm。研究结果表明,采用近红外高光谱技术进行玉米籽粒水分含量无损检测时,提取玉米籽粒胚结构的图谱信息较全表面光谱信息更高效。