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。     

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。     

近红外光谱技术定量测定杨梅汁可溶性固形物

采用近红外光谱分析技术对浙江省不同产地的杨梅汁进行了光谱测定和定量分析,通过计算样品的杠杆值、学生残差和马氏距离来判别异常样品,采用偏最小二乘法(PLS)对杨梅汁的可溶性固形物进行建模分析,选取不同的分辨率和波段范围对光谱进行有效的信息提取和分析,确定了最佳的回归因子数和用于定量分析的最优波段范围。结果显示： 杨梅汁样品中有一个为异常样品,在建模时予以剔除;用于杨梅汁可溶性固形物检测的最佳分辨率和最优波段分别是4 cm-1和4 000～12 267.46 cm-1,最佳的回归因子数是8,该PLS模型的相关系数为0.957 85,校正均方根误差(RMSEC)、预测均方根误差(RMSEP)和交互验证标准偏差(RMSECV)分别是0.431,0.925和1.07°Brix。研究表明近红外光谱检测技术能用于杨梅汁可溶性固形物的定量分析。     

同步荧光技术检测鲜牛乳中掺杂复原乳的可行性研究

近年来随着人们对乳制品需求的不断增加,将复原乳冒充或添加在鲜乳中出售的现象也日益严重,亟需简单、快速的检测方法监测掺假行为。利用同步荧光技术,分别对两种鲜牛乳(未经杀菌的生牛乳和低温处理的巴氏杀菌乳)掺杂复原乳的情况进行了定性判别和定量分析。以各类样本及全部样本的判别正确率作为定性判别模型的评价指标;以相关系数(r)、校正均方根误差(RMSEC)和预测均方根误差(RMSEP)作为定量分析模型的评价指标。通过分析牛乳的三维荧光图谱确定同步荧光扫描的固定波长差Δλ值为80 nm;在对图谱进行二阶求导后,偏最小二乘-判别分析法(PLS-DA)对生鲜牛乳、巴氏杀菌乳和复原乳的种类判别总正确率可达100%,并且在判断两种鲜乳中是否添加复原乳时,校正集样品的正确率均可达到100%,预测集样品的正确率分别为75%和81.25%,鲜牛乳和复原乳的种类判别模型,以及鲜乳与掺假乳的定性判别模型均取得了良好的效果;PLS回归对同步光谱值与复原乳含量建立线性关系时,两种鲜乳定量模型的r值分别为0.911 2和0.936 7,RMSEC分别为0.042 2和0.038 4,RMSEP分别为0.054 8和0.057 5,鲜乳中复原乳含量的定量分析模型的r值均可达到0.9以上,能对添加量较高的样品进行预测。因此,同步荧光技术可以较为准确、快速的检测鲜牛乳中是否掺杂复原乳。     

近红外光谱和电子鼻技术用于葡萄酒发酵过程中酒精度的定量分析

采用近红外光谱和电子鼻对葡萄酒的酒精发酵过程进行了动态采样检测,通过主成分回归和偏最小二乘回归对酒精度变化进行了监控和预测研究。分别建立了近红外光谱、电子鼻以及二者融合数据对酒精度定量分析的主成分回归和偏最小二乘回归模型。结果表明,近红外光谱数据和电子鼻数据的主成分回归和偏最小二乘回归模型的相关系数(r)均大于0.99,但校正均方根误差(RMSEC)和预测均方根误差(RMSEP)较大。近红外光谱和电子鼻数据融合后,模型质量得到提高,建立的偏最小二乘模型r为0.999 2,RMSEC和RMSEP分别降低为0.206%和0.205%(v/v),定量精度较高。近红外光谱和电子鼻均适用于红酒发酵过程中对酒精度的定量分析,且二者结合应用能提高定量精度。     

近红外漫反射光谱法预测紫花苜蓿草颗粒营养价值

研究旨在探讨利用紫花苜蓿草颗粒样品的近红外漫反射光谱信息,建立能够预测其营养价值的校正模型。采集22份全株草颗粒、19份茎颗粒、19份叶颗粒共60份紫花苜蓿草颗粒样品,其中建模样品45份,检验样品15份。利用傅里叶变换近红外漫反射光谱技术(FT-NIRS)采集各实验样品的近红外漫反射光谱,运用偏最小二乘法(PLS)建立了紫花苜蓿草颗粒粗蛋白(CP)、中性洗涤纤维(NDF)和酸性洗涤纤维(ADF)含量的预测模型。3个预测模型的校正模型建模效果均较好,其交叉检验相关系数(R_CV)为0.964 10～0.968 87,交互验证的残差均方根(RMSECV)为0.80%～2.59%。用15个检验样品对模型进行外部检验,预测相关系数(r)为0.966 9～0.974 3,外部验证的残差均方根(RMSEP)为0.85%～2.07%。所建模型的交叉检验和外部检验RPD均大于3,表明近红外光谱分析技术可以准确地预测紫花苜蓿草颗粒的营养价值。     

水果坚实度的近红外光谱检测分析试验研究

应用傅里叶漫反射近红外光谱技术探讨了水果坚实度无损检测的方法。利用偏最小二乘法建立了坚实度与漫反射光谱的无损检测数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行了对比分析。结果表明：利用傅里叶变换光谱仪采集的原始光谱的平滑预处理对结果并没有太大影响;原始光谱在800～2 500 nm范围的模型得到了最好的预测结果：校正集样本的相关系数r为0.869,校正均方根误差RMSEC为3.88 N;预测集样本的相关系数r为0.840,预测均方根误差RMSEP为4.26 N。 通过本研究得出：应用近红外漫反射光谱检测水果坚实度是可行的,为今后快速无损评价水果成熟度提供了理论依据。     

苹果糖度近红外光谱分析模型的温度补偿

温度变化对水果品质近红外评价有很大影响,需要补偿温度波动对模型的影响。文章研究了温度变化(2～42 ℃)对苹果近红外漫反射光谱的影响,采用剔除温度变量法和内校正法补偿温度对模型的影响,提高预测精度。研究表明,温度与光谱信息存在一定相关性, 其模型R2=0.985,RMSEC=1.88,RMSEP=2.32;未进行温度校正模型的预测标准偏差达到2.55;采用复合预处理方法和改进的遗传算法对光谱数据优化,剔除温度变量法模型的R2=0.954,RMSEC=0.63,RMSEP₁=0.72,RMSEP₂=0.74;内校正法的模型R2=0.952,RMSEC=0.64,RMSEP₁=0.69,RMSEP₂=0.68;相比未进行温度补偿模型均提高了预测精度。结果显示：温度对苹果近红外光谱影响呈非线性变化,剔除温度变量法和内校正法可用于补偿温度对模型的影响,可提高模型预测精度。     

小波阈值降噪模型在红外光谱信号处理中的应用研究

针对近红外光谱经常受到噪声干扰的特点,提出了利用小波阈值降噪方法进行光谱数据的降噪处理,以山羊绒表面油脂的近红外光谱检测为例,对比分析了三种小波阈值降噪模型(Penalty阈值降噪模型、Brige-Massart阈值降噪模型、缺省阈值降噪模型)的降噪性能。对降噪后的光谱数据采用偏最小二乘和支持向量机回归相结合建立了校正和预测模型,通过对比校验参数R2,RMSEC,RMSEP,分析评价了三种小波阈值降噪模型的降噪效果。结果表明: 三种降噪模型都能在一定程度上降低光谱信号的噪声,提高信噪比,改善光谱预测模型的精度,其中,Brige-Massart阈值降噪模型和缺省阈值降噪模型的降噪效果明显优于Penalty阈值降噪模型,与原始光谱信号建模的预测精度(R2=0.793,RMSEC=0.233,RMSEP=0.225)相比较,经过Brige-Massart阈值降噪模型降噪后的光谱信号建模的预测精度(R2=0.882,RMSEC=0.144,RMSEP=0.136)和经过缺省阈值降噪模型降噪后的光谱信号建模的预测精度(R2=0.876,RMSEC=0.151,RMSEP=0.142)均有较大程度的改善和提高,说明提出的小波阈值降噪方法能有效地降低原始光谱噪声作用,使光谱数据多变量分析模型更具有代表性和稳健性, 从而可以提高模型的预测精度。     

基于近红外光谱的腐乳白坯硬度检测研究

考察了硬度与腐乳白坯中水分含量和蛋白质含量的相关关系,探讨了利用近红外光谱技术检测白坯硬度的可行性。通过水分以及蛋白质的相关吸收峰建立预测白坯硬度的数学模型;在建模过程中重点讨论了多元散射校正(MSC)、一阶求导和波段选择等优化处理对建模的影响,利用偏最小二乘法得到的最优模型的建模相关系数r=0.935,建模标准差RMSEC＝0.019 3,预测标准差RMSEP=0.023 6,其分级正确率达到94.72%;利用主成分分析法结合判别分析法建立的定性判别模型,分级正确率也达到了90.12%。上述分级结果均好于感观评价的方法,表明近红外技术可以实现白坯硬度的快速无损检测。     

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。     

基于近红外反射光谱的洋葱可溶性固体物检测

研究利用近红外(924～1 720 nm)反射光谱预测了洋葱的可溶性固体物含量。实验选取了三种不同产地和不同采收期的洋葱为样本(268)。在重复采集光谱数据之后,榨取对应光谱采集处洋葱块汁,测定可溶性固体物参考值。研究对比了Savitzky-Golay平滑、散射校正和微分处理等预处理方法,同时基于偏最小二乘回归方法建立了统计模型。结果表明,带S-G平滑的微分处理在平滑窗口为32,跨度为10时效果最佳。一阶微分比二阶微分的预处理效果要好,预测复相关系数R2为0.87,均方根误差RMSEP为2.42 °Brix。对比显示,无平滑处理光谱数据散射校正预处理得到的结果最好,预测复相关系数R2为0.88(RMSEP=2.31 °Brix)。采用交叉验证得到的PLSR模型预测复相关系数R2为0.90,RMSEP为1.84 °Brix,其相对分析误差RPD为3。说明加散射校正处理的近红外反射光谱可用于洋葱的可溶性固体物检测。     

赣南脐橙果园土壤全氮和有机质近红外漫反射光谱检测

选取赣南脐橙果园土壤作为研究对象,探讨在4 000～7 500 cm-1范围内的光谱分析土壤全氮和有机质的可行性。采集的近红外光谱采用多元散射校正、一阶微分、二阶微分、七点平滑等多种预处理对比分析,分别建立了有机质和全氮含量偏最小二乘模型。实验得出全氮预测模型在4 000～7 500 cm-1范围内采用七点平滑(SG)进行预处理模型较为理想,校正集相关系数(r_c)为0.802,校正均方根误差(RMSEC)为2.754,预测集相关系数(r_p)为0.715,预测均方根误差(RMSEP)为3.077;有机质预测模型在4 000～7 500 cm-1范围内采用标准正态变量变换(SNV)预处理模型较为理想,r_c为0.848,RMSEC为0.128,r_p为0.790,RMSEP为0.152。研究表明近红外漫反射光谱可快速用于赣南脐橙果园的土壤中全氮和有机质含量的快速检测。     

液态样本近红外光谱测量中的光程变化误差消减方法研究

以蔗糖溶液为研究对象,利用近红外光谱分别测量4,5和6 mm光程下不同浓度蔗糖溶液的透反射光谱,研究采用矢量归一化、基线偏移校正、多元散射校正、标准正态变量变换、一阶导数5种预处理方法消除光程差异的影响,并结合PLS方法建立校正集模型。与原始光谱的PLS模型相比,五种预处理方法均对模型的预测精度有不同程度的提高,其中,多元散射校正结合PLS方法建立的模型最优,使原始光谱的主成分数PC由6下降为3,决定系数R2由0.891 278提高到0.987 535,交互验证决定系数R2_CV由0.888 374提高到0.983 343,校正标准偏差RMSEC由1.704%下降到0.89%,交互验证的校正标准偏差RMSECV由1.827%下降到1.05%,预测集样本的相关系数由0.950 89上升到0.976 22,预测标准偏差由0.014 36下降为0.01。结果表明,五种预处理方法中,多元散射校正法能够消除光程差异的干扰,提高模型的预测精度,改善稳定性。     

应用近红外光谱对低碳数脂肪酸含量预测

应用近红外光谱技术结合支持向量机回归(support vector machine regression, SVR)方法测量食用植物油脂低碳数脂肪酸(C≤14)含量。使用SupNIR-5700近红外光谱仪采集58个样品的近红外光谱图,通过偏最小二乘(partial least square, PLS)算法剔除奇异样品。选择其中具有代表性的52个样品进行主成分分析(principal component analysis, PCA),选取径向基(radial basis function, RBF)核函数建立支持向量机回归模型,并对光谱预处理方法和参数寻优方法进行了详细的分析和讨论。实验表明,经过粒子群算法(particle swarm optimization, PSO)优化后模型的性能都有所提高,泛化能力更强,预测的准确度和稳健性更好;其中预处理方法2经过PSO优化寻优后的参数C=2.085, γ=22.20时,预测集和校正集相关系数(correlation coefficient, r)分别达到了0.998 0和0.925 8,均方根误差(root mean square error, MSE)分别为0.000 4和0.014 3。研究结果表明,应用近红外光谱结合PSO-SVR方法进行食用植物油脂低碳数脂肪酸含量快速、准确的预测是可行的。     

基于近红外漫反射光谱的丁香蓼叶片重金属铜含量快速检测研究

植物中的重金属离子以一定形式与具有近红外吸收的有机分子基团结合, 因此可以借助近红外光谱技术间接检测其重金属离子含量。研究了基于近红外漫反射光谱技术快速检测丁香蓼叶片中重金属铜含量的方法。通过不同光谱数据预处理方法的对比,结合偏最小二乘法,建立了丁香蓼叶内重金属铜含量近红外光谱检测定量模型。实验结果为,经过平滑处理的光谱建模效果较理想,其建立的校正相关系数为0.950,校正均方根误差为5.99;外部验证相关系数为0.923,预测均方根误差为7.38。研究表明,近红外漫反射光谱技术用于丁香蓼叶片中重金属铜含量的快速检测具有可行性。     

脐橙放置方位对近红外光谱检测结果的影响

研究了不同放置方位对近红外光谱检测脐橙可溶性固形物(soluble solids content, SSC)结果的影响。按照脐橙果梗、窝底与入射光线所成角度的不同,分成垂直(90°)、平行(0°)和任意(不包含0°和90°)三种放置方位,并采用USB4000微型光纤光谱仪在465～1 150 nm范围内以半透射方式分别采集三种放置方位的脐橙光谱。脐橙样品数为336个,其中228个样本作为校正集,其余108个样本作为预测集。应用偏最小二乘回归并结合不同的预处理方法建立不同方位下的脐橙SSC预测模型,结果表明果梗、窝底与光源所成角度为垂直时脐橙SSC预测模型性能较优,其最好的模型相关系数r_c=0.93,RMSEC=0.37%,r_p=0.88,RMSEP=0.49%。     

羊肉挥发性盐基氮的高光谱图像快速检测研究

挥发性盐基氮(TVB-N)通常被作为评价羊肉新鲜度的理化参考指标。为了揭示高光谱图像技术(HSI)快速检测羊肉新鲜度的可行性,采集了71个新鲜度具有代表性的羊肉样品的漫反射高光谱图像(400～1 000 nm),并利用半微量定氮法测定了其挥发性盐基氮(TVB-N)的化学值。选择感兴趣区域(ROIs)提取样品的代表性光谱,采用含量梯度法划分校正集和预测集,比较不同的光谱预处理方法,比较逐步多元线性回归(SMLR)、偏最小二乘(PLSR)和主成分分析(PCR)建模方法,建立并验证了TVB-N的校正模型。结果表明,利用多元散射校正(MSC)、一阶导数、Savitzky-Golay(S-G)平滑及中心化处理结合的预处理方法,PLSR和PCR模型都可以实现对羊肉TVB-N的定量检测。对于建立的PLSR模型,采用的预处理方法为MSC、15点2次S-G平滑、1阶导数和中心化相结合的方法,选择的潜变量因子数为11,获得的校正集的相关系数(R)和校正均方根误差(RMSEC)分别为0.92和3.00 mg·(100 g)-1,预测集的相关系数(r)、预测均方根误差(RMSEP)和相对分析误差(RPD)分别为0.92,3.46 mg·(100 g)-1和2.35。研究表明,高光谱图像技术可用于准确快速地检测分析羊肉中新鲜度关键指标TVB-N的含量。该研究为采用高光谱图像技术进一步分析羊肉新鲜度其他指标、改善TVB-N的建模效果及在实际生产中应用该技术提供了基础。