含反式脂肪酸食品近红外光谱快速无损识别方法研究

为满足食品中反式脂肪酸(TFA)的快检需求,提出了一种采用近红外漫反射光谱识别含TFA食品的快速无损方法。采用光纤探头采集完整样品的傅里叶变换近红外漫反射光谱,应用毛细管气相色谱(GC)法测定食品中TFA的含量作为建模参考数据。根据食品中TFA含量将食品分为含TFA食品和无TFA食品。采用偏最小二乘判别(PLSDA)、支持向量机(SVM)、簇类独立软模式(SIMCA)和K-最邻近法(KNN)等有监督模式识别方法建立了含TFA食品的识别模型,并研究了不同光谱预处理方法和建模波段对模型性能的影响。研究结果表明,PLSDA和SVM两种方法可对含TFA食品进行识别 ,但PLSDA方法识别效果明显优于SVM方法。其中,使用与TFA相关波段,结合标准化和二阶导数预处理所建立的PLSDA识别模型效果最佳,校正集和验证集识别准确率分别可达96.4%和88%,具有快速无损识别含TFA食品的可行性。这种方法不需脂肪提取和研磨等样品预处理,具有简单、快速、无需破坏样品等优点,非常适合现场或在线快速检测。     

煤粉发热量近红外光谱检测的预处理方法研究

煤炭的发热量是评价煤炭品质的重要指标。首先对比分析了平滑处理、微分处理、多元散射校正(MSC)以及标准归一化(SNV)等光谱与处理方法在改善煤粉近红外漫反射光谱信噪比的效果,然后利用偏最小二乘法(PLS)和主成分分析方法(PCR)分别对采用每种预处理方法处理后的光谱建立煤粉发热量模型,发现采用5点平滑处理、多元散射校正和标准归一化处理可使模型的性能有较明显的改观,5点平滑效果最好,相关系数、校正标准差和预测标准差分别为：0.989 9,0.0004 9和0.0005 2,采用25点平滑处理产生了过平滑现象,导致模型的性能变坏,采用微分预处理后的光谱建立的模型没有明显变化,对模型的性能影响不大。     

杉木综纤维素和木质素的近红外光谱法测定

用近红外光谱法对杉木中综纤维素和木质素含量进行了快速测定。用常规湿化学方法测定了48个杉木木材样品的综纤维素和木质素,用近红外光谱仪采集相应的光谱,进行二阶微分处理和平滑预处理后,用偏最小二乘法和完全交互验证方式建立相应预测模型。综纤维素校正模型和预测模型的相关系数分别为0.96和0.93;预测标准误差分别为0.39和0.50;木质素校正模型和预测模型的相关系数分别为0.99和0.90;预测标准误差分别为0.10和0.28。结果表明,近红外光谱法可以快速分析木材中综纤维素和木质素含量。     

近红外光谱技术鉴别花椒产地

采集四川、重庆、云南、贵州、陕西五省市8个不同产地205个花椒样品的近红外光谱,使用主成分分析(principal component analysis, PCA)、判别偏最小二乘法(discriminant partial least squares, DPLS)分析了花椒产地的分类鉴别。结果表明：在12 500～3 800 cm-1波数范围内,采用不同的光谱预处理方法可以建立较为稳健的DPLS模式识别模型,对不同产地的花椒有较好的分类鉴别。其校正集交叉验证除了经一阶微分预处理的模型识别率为99.39%外,其他预处理方法识别率均为100%,独立验证集总体识别正确率在85.37%~97.56%之间,其中经标准正态变量变换(standard normal variate, SNV)、多元散射校正(multiplicative scatter correction, MSC)预处理后的DPLS判别模型效果最好,误判数仅分别为1个,表示该方法在花椒产地识别中具有可行性。     

PLS-DA法判别分析木材生物腐朽的研究

利用近红外光谱结合PLS-DA判别分析方法可用于食品、药品和农产品等的快速识别或检测,因此,研究利用近红外光谱结合PLS-DA方法来检测木材的生物腐朽。研究结果表明：应用近红外光谱结合PLS-DA方法对培训集样本建立的判别模型,其校正及验证结果与实际分类变量的相关系数均超过0.94,SEC和SEP都低于0.17; 利用模型对未参与建模的样本进行检测,发现该模型对未腐朽、白腐和褐腐三种类型样本的判别准确率均为100%(偏差均小于0.5); 与SIMCA法相比,PLS-DA法对木材生物腐朽样本的判别准确率更高,说明应用近红外光谱结合PLS-DA方法能快速地检测到木材的生物腐朽,并能准确地判别出木材的生物腐朽类型。     

近红外光谱技术鉴别海面溢油

为快速了解和掌握海面溢油的种类,以便采取应急措施,提出了近红外光谱技术结合模式识别鉴别海面溢油的方法。自行配制了56个汽油、柴油、润滑油的模拟海水样品,用有机溶剂萃取出海水中的溢油后记录其近红外光谱,将原始光谱进行多元散射校正(MSC)和Norris一阶导数平滑预处理后,在主成分分析(PCA)提取不同种类溢油样品特征的基础上引入马氏距离建立溢油样品的识别模型。研究了光谱预处理对溢油鉴别的影响;探讨了马氏距离阈值的确定。结果表明,主成分分析可将原始数据压缩而马氏距离判别可给出离群点的阈值,本文建立的校正模型能正确判别浓度在0.4 μL·mL-1以上的溢油类别,为近红外光谱结合化学计量学方法建立校正模型进行海面实际溢油样品的分类提供了思路。     

基于漫透射光谱技术的番茄可溶性固形物及总糖含量的无损检测

为了满足果蔬品质快速安全无损检测,基于可见-近红外漫透射原理,设计了番茄专用环形光源,自行搭建了番茄可见-近红外漫透射多品质检测系统,并以可溶性固形物含量(SSC)和总糖(TS)作为内部品质指标,对58个番茄样品进行了快速无损检测研究。基于自主搭建的系统对每个番茄进行四点的光谱采集,对平均后的光谱分别用15点SG卷积平滑(SG-Smooth)、标准正态变量变换(SNV)、多元散射校正(MSC)、一阶导数(FD)等方法进行了预处理,分别建立了SSC及TS的偏最小二乘预测模型,并对该模型进行了验证。结果表明：采用15点SG平滑预处理后的SSC预测模型校正集和预测集相关系数分别为0.995 6和0.976 0,均方根误差分别为0.052 4°Brix和0.082 3°Brix。采用SG平滑后一阶导数预处理的TS预测模型校正集和预测集相关系数分别为0.969 1和0.972 9,均方根误差分别为0.423 8%和0.454 9%。模型验证结果显示,番茄SSC和TS模型预测结果与标准理化值相关系数分别为0.985 5和0.944 9,均方根误差分别为0.066 3°Brix和0.571 5%。利用自行搭建的可见-近红外漫透射光谱检测系统完全可以实现番茄可溶性固形物及总糖含量的快速无损预测,为番茄内部品质的评价提供了实时、无损、快速的检测方法,为其在线分级提供理论基础。     

基于近红外光谱与误差反向传播神经网络技术的三种人工林木材识别研究

利用近红外光谱结合误差反向传播神经网络(BP)对三种人工林木材(尾叶桉、马尾松、南方无性系I-72杨)进行识别,探讨隐含层神经元个数、光谱预处理方法、光谱范围对BP网络模型的影响,并与SIMCA法所建模型做比较。结果表明：(1)BP网络结合全波段(780～2 500 nm)近红外光谱数据建模,识别正确率达到97.78%,并确定隐含层神经元数为13;(2)全波段光谱建模比短波段(780～1 100 nm)和长波段(1 100～2 500 nm)光谱建模识别效果好,其识别正确率分别为97.78%, 95.56%和96.67%,用一阶导数和二阶导数对全波段光谱进行预处理后,BP网络模型识别正确率分别为93.33%和71.11%;用多元散射校正(MSC)对全波段光谱进行预处理后,BP网络模型识别正确率为98.89%,(3)在三种波段(780～2 500,780～1 100和1 100～2 500 nm)光谱建模的情况下,BP网络建模识别正确率分别为95.56%, 96.67%和97.78%,SIMCA模型识别正确率分别为76.67%, 81.11%和82.22%,BP网络建模比SIMCA法建模对三种人工林木材的识别正确率高。     

基于近红外光谱的杂交水稻种子发芽率测试研究

现阶段水稻种子发芽率测试仍然按照传统的农作物种子发芽技术规定进行发芽试验,此方法存在试验周期长、成本高、专业性要求高等缺点,本研究提出一种基于近红外光谱技术的快速、无损测试杂交水稻种子发芽率的新方法。采用人工老化方法在温度45 ℃、湿度100%的条件下分别老化处理2个品种杂交水稻种子0,24,48,72,96,120,144 h;用近红外光谱仪分别采集2个品种不同老化时间段杂交水稻种子光谱数据共280份,随机分成校正集(168份)和检验集(112份);测试不同老化时间段的水稻种子发芽率;以偏最小二乘算法(PLS)建立了回归模型,分析不同光谱波段和比较不同光谱预处理方法对模型精度的影响。2个品种的水稻种子光谱数据采用全波段和标准化＋正交信号校正预处理时模型最优,模型校正集决定系数(R_C)与验证集相关系数(R_P)分别为0.965和0.931,校正标准误差(SEC)与预测标准误差(SEP)分别为1.929和2.899,验证集预测值与真实值之间的相对误差在4.2%以内。研究结果表明利用近红外光谱分析技术进行杂交水稻种子发芽率的快速无损检测是可行的。     

可见-近红外光谱的鸭梨黑心缺陷在线检测AdaBoost集成模型研究

黑心病是鸭梨贮藏期间发生的生理病害,其病变初期表现在内部果核处出现褐色斑块,而在果实外观上与正常果几乎没有任何差异,严重影响鸭梨的贮藏时间和品质,亟需一种快速无损的检测方法为鸭梨质量保驾护航。采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别,结合平滑（Smoothing）、标准正态变量变换（SNV）、多元散射校正（MSC）、SG一阶导数（SG 1st-Der）以及小波变换（WT）预处理方法和主成分分析（PCA）、k近邻（kNN）、朴素贝叶斯（NBC）、支持向量机（SVM）以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究。Adaboost集成了kNN、NBC和SVM三个独立学习器。将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价,采用训练集的查准率/查全率的调和平均值（F-measure）和正确识别率（Accuracy）对分类模型进行优化和评价。研究结果表明：不同属性（正常和黑心）鸭梨样品光谱的前三主成分分布图相互交错,很难直观地对黑心鸭梨进行区分。样品光谱经小波变换（小波基为“Haar”）预处理的kNN模型训练集的F-measure和Accuracy分别为78.98%和82.62%;经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90%和82.11%;经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24%和91.58%;经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46%和92.63%。通过测试集对模型进行验证可知：光谱经小波变换预处理后建立的Adaboost分类模型最优,分类的F-measure达到90.91%,较WT-kNN,SG 1st-Der-NBC和WT-SVM模型分别提高了11.39%,15.23%和2.30%;Accuracy达到92.63 ％,分别提高了10.52%,11.58%和2.10%;模型对测试集样品预测时的计算时间约为0.12s,满足在线分选要求。可见-近红外光谱结合AdaBoost分类方法,可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法。     

SIMCA法判别分析木材生物腐朽的研究

木材是一种生物质材料,容易受到各种微生物的危害,生物腐朽可以迅速导致木材结构的破坏,因此,对木材生物腐朽的快速、准确地检测或鉴定具有重要意义。近几年来,近红外光谱和SIMCA方法正被用于识别或检测食品、药品和农产品等研究中,因此,本研究尝试利用近红外光谱结合SIMCA方法来检测木材的生物腐朽。研究结果表明,应用近红外光谱和SIMCA方法能有效地判别木材的生物腐朽类型,通过培训集样本建立的基于PCA分析的SIMCA判别模型对未腐朽、白腐和褐腐三种类型样本进行回判,判别准确率分别为100%, 82.5%和100%;而对未知腐朽类型的样本(包括未腐朽、白腐和褐腐样本),判别准确率分别为100%, 85%和100%;SIMCA方法对未腐朽和褐腐类型的判别准确率均达到100%,但对白腐样本都有错判,造成这种错判的主要原因可能是由于样本包括的信息不够丰富以及腐朽初期白腐和褐腐试样的性质差异太小等。     

近红外光谱桉树杂交种鉴别

桉树育种和遗传分析是开展桉树世代改良及其目标性状改良等研究的前提。而常用的遗传基础研究方法专业性要求高,且费时费力。该研究旨在利用近红外光谱（NIRs）分析NIRs信息与桉树遗传信息间的关系,并探索NIRs信息用于桉树杂交种判别分析的可行性和准确性。以现有的桉树杂交种测试试验及其亲本材料为对象,用手持式近红外仪Phazir Rx（1624）采集了7个桉树杂交种及其4个亲本树种叶片的NIRs信息。每个树种选择10个单株,每个单株选10片当年生健康叶片,扫描其正面叶脉中部两侧光谱各5次,以均值代表单个叶片的NIRs信息。每种基因型总共各获得100条NIRs信息,其中70条构成训练集样本,30条构成验证集样本。原始NIRs信息采用S.G二阶导数转换预处理,以消除基线及其他因素对光谱信息的影响,增强特征峰信息。经预处理后的NIRs信息用于后续分析,首先通过主成分分析（PCA）的因子得分对树种的分类判断NIRs信息与测试树种遗传信息间的关系。在此基础上,分别用簇类独立软模式（SIMCA）和偏最小二乘判别分析（PLS-DA）两种判别模式建立桉树杂交种的NIRs判别模型。经预处理后的NIRs信息的变异系数曲线显示,在波长2 000 nm后,各树种的NIRs信息存在丰富的特征峰,且特征峰的分布范围存在较大的差异。PCA结果显示,不同的亲本间、杂交种间及杂交种与亲本间样本的PC1和PC2得分可以清晰地将各树种进行分类,这在很大程度上表明NIRs信息可以正确反映桉树不同基因型的遗传信息。NIRs模型的判别效果显示,少数遗传关系比较接近的杂交组合的SIMCA模式相互判别准确率较低,而多数杂交组合间的SIMCA判别准确率则在73%～100%之间;桉树各杂交组合间的单独和综合模型的PLS-DA判别准确率均为100%,且基于PLS-DA判别的综合模型能将7个杂交组合一一与其他组合正确区分开,判别效果明显优于SIMCA模式。结果表明：NIRs信息可以正确反映桉树不同基因型的遗传信息,NIRs判别模型可以比较准确地将各树种进行区分,因此,NIRs信息可用于桉树杂交种和纯种的田间定性判别,从而辅助桉树育种材料遗传基础的研究。     

大米拉曼光谱不同预处理方法的相近产地鉴别研究

用相近产地的大米代替独有的地理因素形成的地域品牌大米,消费者难以辨别。基于拉曼光谱技术,试验对比不同预处理方法包括一阶导数+平移平滑、二阶导数+平移平滑,小波变换+去除基线三种常用的预处理方法,另外提出一种改进的分段多项式拟合+去除基线共四种预处理方法,分别结合偏最小二乘法实现相近产地大米的鉴别分析,提出一种最佳的鉴别相近产地大米的预处理方法。首先用拉曼光谱仪采集了黑龙江省依安县3个相近产地大米的150个拉曼位移为200～3 100 cm-1的大米光谱样本,再对原始拉曼光谱分别用一阶导数+平移平滑、二阶导数+平移平滑、小波变换+去除基线、分段多项式拟合+去除基线进行光谱预处理。分别从每个产地选取33个样本进行训练,并对未知的51个样本建立了基于偏最小二乘法的鉴别分析模型,在训练集中一阶导数+平移平滑的预处理方法相关系数值最大、均方误差和均方根误差最小,小波变换+去除基线的预处理方法相关系数值最小、均方误差和均方根误差最大;在测试集中采用3点2次拟合+去除基线的预处理方法的相关系数值最大、均方误差和均方根误差最小,二阶导数+平移平滑的预处理方法最差。最后再通过PLS建模结果得知,在训练集中,采用四类九种预处理的方法对三个产地大米的总识别率均为100%;在测试集中,采用3点2次拟合+去除基线对三个产地大米总识别率为100%,采用5点2次拟合+去除基线对三个产地大米总识别率为52.9%,其他分段多项式拟合介于二者之间;采用一阶导数+平移平滑、二阶导数+平移平滑和小波变换的总识别率分别为88.2%,86.2%和96.1%;从中发现,分段式多项式拟合中的3点2次拟合+去除基线的优势明显,与其相关系数、均方误差、均方根误差结果吻合,总体识别率高,鉴别效果稳定。     

基于光谱融合的火星表面相关矿物分类方法研究

多源数据融合能在一定程度上扩展数据信息量,更利于建立准确和稳健的分析模型。行星探测中常采用多个载荷协同分析同一目标,因此利用多载荷数据融合辨别分析火星矿物具有重要科学意义和应用前景。分别采用可见近红外(Vis-NIR)反射光谱和拉曼(Raman)散射光谱两种技术手段测量了火星表面主要矿物(硅酸盐、硫酸盐、碳酸盐)的光谱特征曲线,并对获取的光谱数据进行基线校正、Savitzky-Golay平滑以及标准矢量归一化(SNV)等必要的数据预处理。根据光谱特征,首先选取样品Vis-NIR和Raman数据信息丰富、信噪比高、光谱信号重叠小的波段(Vis-NIR：430～2 430 nm,Raman：130～1 100 cm-1),然后运用软独立建模分类法(SIMCA)、主成分分析法-K最邻近分类法(PCA-KNN)分别建立基于Vis-NIR,Raman及两者融合(累加融合、串联融合)的矿物聚类分析模型。采用SIMCA算法的矿物聚类准确率由单一光谱建模的72.6%(Vis-NIR),90.7%(Raman)提升为融合建模的96.3%(累加融合)和98.1%(串联融合);采用PCA-KNN的准确率由单一光谱建模的68.9%(Vis-NIR),72.9%(Raman)提升为融合后的80.3%(累加融合)和92.6%(串联融合)。实验结果表明：光谱融合能够发挥Vis-NIR,Raman各自的数据优势,所建火星表面相关矿物分类模型的预测准确度更高。该研究为我国火星探测任务奠定了岩石分类方法基础。     

Vis-NIR光谱模式识别结合SG平滑用于转基因甘蔗育种筛查

以Savitzky-Golay (SG)平滑筛选,主成分分析(PCA)分别结合有监督的线性判别分析(LDA)、无监督的系统聚类分析(HCA),应用于转基因甘蔗育种筛查的可见-近红外(Vis-NIR)无损检测。提出兼顾随机性、稳定性的定标、预测、检验框架;取田间种植处于伸长期甘蔗叶样品456个,具有Bt基因和Bar基因的转基因样品(阳)306个,非转基因样品(阴)150个;随机选取156个为检验集(阴性50、阳性106),余下为建模集(阴性100、阳性200,共300),建模集再随机划分为定标集(阴性50、阳性100,共150)、预测集(阴性50、阳性100,共150)共50次;扩充SG平滑点数,同时删除绝对值偏小的高阶导数模式,共264个平滑模式用于模型筛选;采用前3个主成分两两组合,再根据模型效果选出最优主成分组合;基于所有定标、预测集划分和SG平滑模式,建立SG-PCA-LDA和SG-PCA-HCA模型,根据平均预测效果优选参数,使模型具有稳定性;最后用检验集进行模型检验。经SG平滑后,PCA-LDA和PCA-HCA的建模精度、稳定性均显著改善;最优SG-PCA-LDA模型阳性、阴性样品检验识别率分别达到94.3%和96.0%;最优SG-PCA-HCA模型阳性、阴性样品检验识别率分别达到92.5%和98.0%。结果表明：Vis-NIR光谱模式识别结合SG平滑可用于转基因甘蔗叶的准确识别,提供了一种简便的转基因甘蔗育种筛查方法。     

应用近红外漫反射光谱对猪肉肉糜进行定性定量检测研究

利用傅里叶变换近红外漫反射光谱结合不同数学建模算法对不同部位取样的猪肉肉糜进行定性判别建模,并建立猪肉肉糜品质指标脂肪、蛋白质和水分含量的定量检测模型。结果表明:不同部位取样猪肉肉糜判别分析PLSDA模型性能良好,最优模型校正集判别正确率为100%,预测集判别正确率为96%;比较两种方法结合,不同光谱预处理建立各品质指标的定量模型,LS-SVM模型性能优于PLSR模型,脂肪和水分含量最佳预测模型校正及预测相关系数r均高于0.9,蛋白质含量最优模型校正及预测相关系数r,RMSEC,RMSEP和RMSECV分别为0.722,0.593,1.595,1.550和1.888,模型精度需进一步提高。研究表明利用傅里叶变换近红外漫反射光谱快速判别不同部位猪肉肉糜的方法是可行的,脂肪和水分含量定量分析模型从预测精度、稳定性及适应性考虑均具一定的通用性,具有良好的市场应用前景。     

基于Vis/NIR光谱技术的酿酒葡萄成熟期间SSC预测研究

酿酒葡萄成熟度是确定葡萄采收期的重要品质指标,针对酿酒葡萄大田中成熟度检测难度大的问题,利用可见/近红外（Vis/NIR）光谱技术和化学计量学,研究了酿酒葡萄可溶性固形物含量（SSC）与光谱数据之间的内在联系。采用USB2000+光谱仪获取5种酿酒葡萄及其叶片在不同成熟时期的Vis/NIR光谱数据,通过OMNIC 8.0软件提取光谱数据,将化学值与光谱吸收率值通过TQ Analyst8.0软件建立模型。选取信噪比高的450~1 000 nm波段,利用PCA剔除异常光谱数据,将一阶导数（FD）、Savitzky-Golay卷积平滑（S-G）、多元散射校正（MSC）、标准正态变换（SNV）分别组合共4种方法用于光谱数据预处理。利用偏最小二乘（PLS）法分别建立了5种葡萄基于酿酒葡萄光谱数据的SSC预测模型,建立了5种葡萄基于冠层叶片光谱数据的SSC预测模型,对比了不同方式预处理后的建模效果,并选择最优预处理方式建模。最后用外部样本分别验证了SSC预测模型。结果表明,采用S-G平滑+FD+MSC的预处理方法时大多数预测模型性能达到最好。5种葡萄浆果校正集和验证集的R分别达到0.93和0.86以上,最高均方根误差分别为0.30和0.48,5种葡萄冠层叶片校正集和验证集的R分别达到0.73和0.65以上,最大均方根误差分别为0.95和0.75。5种葡萄浆果外部试验样本预测值与真实值间的平均RE最高为0.43%。基于酿酒葡萄浆果光谱的SSC预测模型具备良好的预测能力,优于基于酿酒葡萄冠层叶片光谱的SSC预测模型,SSC预测模型能够为酿酒葡萄成熟度评价研究提供理论参考。Vis/NIR光谱技术适用于在酿酒葡萄大田中快速、无损检测SSC。