西瓜检测部位差异对近红外光谱可溶性固形物预测模型的影响

西瓜可溶性固形物含量的无损检测对提升其内部品质十分重要。为实现近红外光谱对小型西瓜表面各部位可溶性固形物含量的准确预测,减小检测部位差异对预测模型的影响,以"京秀"西瓜为研究对象,分别采集赤道、瓜脐和瓜梗三部位的漫透射光谱信息,利用偏最小二乘算法(PLS)建立并比较单一检测部位和混合所有检测部位的西瓜可溶性固形物近红外光谱预测模型,并分别采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对西瓜可溶性固形物近红外光谱变量进行特征波长筛选。结果显示,相比于单一检测部位的模型,混合所有检测部位的校正集样本建立的模型取得了较优的预测结果。同时,利用CARS算法筛选的42个特征波长变量建模,对三种检测部位预测集样本的预测结果分别为赤道R_P=0.892和RMSEP=0.684°Brix,瓜脐R_P=0.905和RMSEP=0.629°Brix,瓜梗R_P=0.899和RMSEP=0.721°Brix。模型得到了很大的简化,且预测精度较高。比较发现,利用SPA算法筛选的19个特征波长变量所建模型的预测精度较低。利用三种检测部位的西瓜样本建立的PLS混合预测模型,结合CARS算法进行有效特征波长变量筛选,可提高西瓜可溶性固形物预测模型的精度,实现西瓜表面各部位可溶性固形物含量的准确预测,减小检测部位差异对近红外光谱预测模型的影响。结果为今后开发便携式设备检测西瓜表面各部位可溶性固形含量提供参考依据。     

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。     

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350～1000nm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。     

基于变量优选和快速独立成分分析的黄花梨可溶性固形物可见/近红外光谱检测

为建立预测能力高、稳定性强的可见/近红外漫透射光谱无损检测黄花梨可溶性固形物(SSC)数学模型,对比各种预处理方法、变量优选方法、快速独立主成分分析(FICA)以及最小二乘支持向量机(LSSVM)对黄花梨SSC模型的影响,得出最佳的组合方法用于建立黄花梨可溶性固形物(SSC)预测模型。采用Quality Spec型光谱仪采集550~950nm波段范围内的黄花梨漫透射光谱并采用遗传算法、连续投影算法和CARS(competitive adaptive reweighted sampling)三种方法筛选黄花梨可溶性固形物的光谱特征变量,再结合FICA提取光谱主成分,最后采用LS-SVM建立黄花梨的SSC预测模型。结果显示,采用CARS筛选的21个变量,经FICA挑选出12个主成分数,联合LS-SVM所建立的CARS-FICA-LS-SVM黄花梨SSC预测模型性能最佳,建模集和预测集的决定系数及均方根误差分别为0.974,0.116%和0.918,0.158%,同直接采用PLS方法建模相比,变量数从401个下降到21,主成分数由14下降到12,建模集和预测集决定系数分别上升了0.023,0.019,而建模和预测均方根误差分别下降了0.042%和0.010%。CARS-FICA-LS-SVM建立黄花梨SSC预测模型能够有效地简化预测模型并提高预测模型精度。     

基于SiPLS算法的近红外光谱检测梨可溶性固形物含量

为了提高近红外光谱技术在梨的可溶性固形物含量(SSC)检测中的精度和稳定性,对采集的原始光谱进行标准归一化(SNV)预处理,采用联合区间偏最小二乘法(SiPLS)建立了SSC的预测模型;通过交互验证法确定了模型的主成分因子数,以预测时的相关系数(Rp)和预测均方根误差(RMSEP)作为评价指标对模型预测结果进行了分析,并与经典偏最小二乘(PLS)模型、间隔偏最小二乘(iPLS)模型进行了比较.结果表明,利用SiPLS所建的预测模型的最优组合包含21个光谱区间并联合4个子区间和15个主成分因子,其预测集的相关系数和预测均方根误差分别为0.9633和0.203;说明利用近红外光谱结合SiPLS算法可以准确、无损检测梨中可溶性固形物含量.     

新鲜苹果汁可溶性固形物含量的傅里叶变换近红外光谱检测

用傅里叶变换近红外(FTNIR)光谱透射方式对新鲜苹果汁溶性固形物含量(SSC)进行了快速定量分析.实验共测定了60个果汁样品的SSC,并采集了样品的近红外光谱数据.42个样品用来建模,剩下的18个用来验证模型的性能.对实验室测得的SSC与FTNIR光谱数据进行相关性分析,以TQ 6.2.1定量分析软件中集成的主成分回归法(PCR)和偏最小二乘回归法(PLS)建立了检测模型.该研究对比了不同光谱范围内建立的检测模型的性能.根据预测平方根误差(RMSEP)和相关系数(r2)进行不同模型的预测性能,最好的新鲜苹果汁SSC预测模型的RMSEP=0.603°Brix,r2=0.997.结果表明FT-NIR可以作为一种可靠、准确、快速的无损检测方法来评价新鲜果汁的可溶性固形物含量.     

梨可溶性固形物含量的在线近红外光谱检测

应用近红外透射检测技术在线检测梨的可溶性固形物(SSC)。在实验台上以0.5 m.s-1的速度,300 W的光照强度,采用半透射方式检测梨的光谱。实验采用的梨样品为187个,其中147个样品为校正集,40个样品为预测集,应用偏最小二乘回归(PLS)和主成分回归(PCR)建立梨可溶性固形物的在线预测模型。选取550～700 nm,700～850 nm,550～850 nm为建模波段范围,发现无论对于PLS还是PCR,都是550～850 nm波段的建模结果好。本实验还研究对比不同的光谱预处理方法(光谱平滑,一阶微分,二阶微分等)对预测模型性能的影响,其中5点S-G(Savitzky-Golay)光谱平滑能有效地提高光谱的信噪比,改善模型预测精度,而一阶微分、二阶微分对模型性能改善基本上没有影响;最好的预测模型相关系数r=0.948 8,校正标准差RMSEC=0.236,预测标准差RMSEP=0.548。结果表明:PLS模型预测性能较好,梨可溶性固形物的在线检测具有可行性。     

苹果可溶性固形物和糖酸比可见/近红外漫反射与漫透射在线检测对比研究

可溶性固形物和糖酸比是苹果内部品质主要评价指标之一。为此进行苹果糖酸比和可溶性固形物可见/近红外漫反射和漫透射对比检测研究。180个冰糖心和红富士样品被分成建模集和预测集(136∶44),分别用于建立偏最小二乘模型和验证模型的预测能力。在运动速度5个/秒时,采集了冰糖心和红富士两种样品的可见近红外光谱。漫反射和漫透射可见近红外光谱经多元散射校正、标准正态变量变换、基线校正等预处理后,建立了偏最小二乘回归模型。未参与建模的44个样品用于评价模型的预测能力,经比较,漫透射检测方式优于漫反射检测方式,主要因为漫透射检测方式能更有效地克服杂散光。可溶性固形物模型预测相关系数达到0.936,预测均方根误差为0.476°Brix;糖酸比模型预测相关系数达到0.785,预测均方根误差为10.94。研究结果表明:应用可见/近红外漫透射光谱技术,可实现苹果可溶性固形物和糖酸比在线检测。为大宗水果内部品质分选提供了技术支持和参考依据。     

果皮对脐橙可溶性固形物可见/近红外检测精度的影响

利用可见/近红外半透射光谱技术对未剥皮(完整)和剥皮脐橙的可溶性固形物(SSC)进行检测，探索果皮对脐橙SSC检测精度的影响。采用QualitySpec型光谱仪获取未剥皮和剥皮脐橙在350~1 000 nm波段的可见/近红外光谱，并从光谱和模型性能两方面分析果皮的影响。对未剥皮和剥皮脐橙平均光谱进行比较，并提取前20个主成分进行多元方差分析；应用偏最小二乘(PLS)回归结合不同预处理方法分别建立未剥皮和剥皮脐橙SSC的预测模型，对预测模型性能进行比较，并对预测集样本的预测残差平方进行方差分析。结果表明，在5%置信水平下，果皮对脐橙SSC检测精度的影响是显著的。未剥皮和剥皮脐橙SSC的最优PLS模型的预测集相关系数和预测均方根误差分别为0.888，0.456%和0.944，0.324%。     

运动西瓜可见/近红外光谱采集系统及品质检测试验研究

为使可见/近红外漫透射光谱技术用于西瓜品质在线检测,自行设计加工了运动西瓜光谱采集系统,并进行了样品光潜采集.通过运动状态下西瓜光谱与品质指标的建模与预测结果,分析由于运动引起的噪声对光谱的影响,并分别采用最小二乘拟合法、Norris微分滤波等方法进行了光谱的平滑消噪处理,分析这些方法对光谱的平滑消噪效果及对建模与预测结果的影响,发现Norris微分滤波法更适合本系统采集到的两瓜光谱的平滑消噪处理,改善了光谱的平滑性,提高了建模与预测精度;建立了运动西瓜的可溶性固形物含量与可见/近红外光谱的相关关系模型,校正相关系数为0.895,均方根校正标准偏差RMSEC为0.549,均方根预测标准偏差RMSEP为0.760.     

土壤修复过程中盐含量及其光谱特征分析研究

基于盐渍土修复过程中盐分含量和同步实测光谱数据,通过对原始光谱数据、平滑光谱数据及平滑后的不同变换光谱数据等八种光谱数据集,分别以相关系数的极值和不同相关系数范围两种方法分析其最佳敏感波段范围,深入分析了不同变换下土壤的光谱响应特征。在此基础上,运用偏最小二乘回归方法,以全波段(400~1 650nm)和分析获得的最佳敏感波段建立了基于修复过程的土壤盐含量和光谱反射率的关系模型。结果表明:针对八种光谱数据集,采用两种方法提取的土壤最佳敏感波段,均集中在947.11~949.31,1 340.27,1 394.11,1 419,1 457.81~1 461.31,1 537.68~1 551.39和1 602.32nm;且最佳波段的土壤盐含量反演模型,以模型评价参数的决定系数(R2)和均方根误差(RMSE),以及赤池信息量准则(akaike’s information criterion,AIC)作为选择最佳模型的标准,均以SGSD(Log R)模型的建模和预测结果比其他光谱变换的模型更为显著。基于全波段的PLSR建模效果总体上稍优于最佳波段的模型,其中以SGSD的预测精度最为突出,其模型的决定系数R2与标准差RMSEP分别为0.673和1.256;基于两种方法获得的最佳波段的PLSR模型与全波段对比在模型精度方面虽有一定差距,但从模型的复杂程度比较,具有模型简单、变量更少及运算量小的特点。该研究可在土壤盐含量及其光谱特征的研究中,为实现土壤盐渍化定量、快速、便捷的监测和检测提供参考。     

梨和苹果糖度在线检测通用数学模型研究

采用可见/近红外光谱技术在线检测水果糖度,每个水果品种要单独建模,模型升级维护耗时费力。探讨建立苹果、梨等薄皮水果可溶性固形物(SSC)在线检测通用数学模型的可行性。利用自行设计的可见/近红外漫透射光谱在线检测系统,在积分时间80ms、单线速度5个/s的条件下,采集新梨7号、砀山酥梨、玉露香梨和富士苹果四种水果的可见/近红外漫透射光谱。分析了四种水果的可见/近红外漫透射光谱响应特性,采用变异系数法和连续投影算法,筛选通用数学模型建模用光谱变量,并建立了偏最小二乘和最小二乘支持向量机梨与苹果梨通用数学模型。采用新样品评价模型的预测能力,变异系数法筛选光谱波段建立的偏最小二乘通用数学模型预测精度最高,通用模型预测梨和苹果梨模型预测均方根误差分别为0.49%和0.55%,通用模型预测相关系数分别为0.88和0.93;独立模型预测新梨7号、玉露香梨、砀山酥梨和富士苹果的预测相关系数分别为0.93,0.91,0.88和0.95,预测均方根误差分别为0.40%,0.42%,0.41%和0.46%。通用数学模型的预测精度略低于每个品种的独立数学模型,但是通用模型的通用性高于单一模型。实验结果说明采用变异系数法结合偏最小二乘法建立薄皮水果在线检测通用数学模型,实现四种水果糖度在线检测是可行的。     

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。     

基于近红外光谱分析贡梨可溶性固形物全局模型的鲁棒性

贡梨是大众喜爱的水果,为研究不同检测方向对近红外在线检测贡梨可溶性固形物SSC的影响,提出全局模型并分析其鲁棒性。在贡梨六个方向上收集光谱: 茎-花萼轴垂直,茎向上(A1)和茎向下(A5),茎-花萼轴和水平之间45°,茎向上倾斜(A2)和茎向下倾斜(A4),茎-花萼轴水平,茎朝向右侧光(A3),茎花萼轴水平,茎朝向带移动方向(A6)。SSC范围为9.53~14.70的150个样品分为115个标准偏差为1.05的校准集和35个标准偏差为0.93的预测集。采用偏最小二乘回归PLSR分别建立六个局部模型和一个全局模型,局部模型由各方向的115个校正集数据经过Savitzky-Golay卷积平滑、多元散射校正MSC、高斯滤波平滑GFS三种不同的预处理方法处理后使用偏最小二乘回归PLSR建立而来;用本方向校正集数据建立的局部模型验证本方向的35个预测集数据,比较这三种预处理方法后所建立的PLSR模型,结果表明经过GFS处理后建立的模型验证效果最好,因此六个局部模型和全局模型均采用GFS处理后建立的PLSR模型。全局模型是由A1,A2,A3,A4,A5和A6六个方向的690个校正集光谱数据经过GFS预处理后采用PLSR建立的贡梨SSC模型。各方向的预测集分别对七个模型进行验证,验证结果表明,局部模型虽然在本方向的预测效果强于全局模型,但无法验证其他方向,鲁棒性差,由此可知检测方向的不同对预测效果的影响很大;全局模型能够准确预测各个检测方向的贡梨SSC,全局模型的校正集相关系数R_c为0.828,校正集均方根误差RMSEC为0.424;A1,A2,A3,A4,A5和A6方向的预测集相关系数R_p分别为0.818,0.765,0.799,0.821,0.794和0.824,预测集均方根误差RMSEP分别为0.446,0.525,0.478,0.538,0.486和0.619;六个方向的R_p与R_c比较接近且均在0.800左右,RMSEC与RMSEP均在0.500左右,结果表明全局模型在检测不同方向的贡梨SSC上有着极好的鲁棒性。     

基于光谱指数的蜜橘成熟度评价模型研究

本文探索了基于光谱指数的蜜橘成熟度快速无损评价方法及模型。以2016年9~11月份6个不同采收期的300个蜜橘作为实验样品,采集重量、横纵径、叶绿素、色差、可溶性固形物(SSC)、酸度(TA)、近红外光谱等数据。通过对比分析上述各参数的平均值和偏差,筛选出叶绿素、叶绿素/SSC、叶绿素/固酸比作为蜜橘成熟度评价指标。利用光谱变异系数分析光谱的特征,筛选出649、724、672、1 100 nm 4个特征波长,通过特征波长线性组合方法以及相关性分析,得出最佳光谱指数。接着,以225个样品为建模集、75个样品为预测集,在成熟度评价指标与光谱指数间进行多元线性回归(MLR)分析。对比发现,以叶绿素为成熟度评价指标的评价模型的预测结果最准确,建模和预测相关系数分别达到0.98和0.96,建模均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为0.49和0.59,建模和预测偏差分别为-6.1×10-8和-0.014。实验结果表明,利用光谱指数能便捷、准确地评定蜜橘成熟度,为后续开发低成本测量成熟度的仪器提供了理论依据。     

近红外漫反射光谱法测定川产黄柏中小檗碱含量

提出了用近红外光谱技术快速测定川产中药黄柏中指标成分小檗碱含量的方法.对小檗碱含量在2.155%～8.245%范围的不同来源的黄柏,根据其在12 500～3 600 cm-1的近红外吸收光谱,采用偏最小二乘算法(PLS)建立了校正模型,比较了光谱不同预处理方法对校正结果的影响.当采用二阶导数处理方法时能最有效地提取光谱的信息,此时校正集相关系数(r2)为0.922 1,校正集标准偏差(SEC)为0.337,预测集标准偏差(SEP)为0.251.该方法快速简便,适合于中药指标成分的快速分析.     

近红外漫反射光谱法测定川西高原产沙棘中异鼠李素含量

提出了用近红外光谱技术快速测定川西高原产沙棘中异鼠李素含量的方法。对异鼠李素含量在0.1%～0.8%范围内的川西高原产沙棘,采用SiO2拌样法,测定其在12000～4000cm-1的近红外吸收光谱,采用偏最小二乘算法建立了校正模型,比较了光谱不同预处理方法对校正结果的影响。当采用消除常数偏移量处理方法时能最有效地提取光谱中的有效信息,此时校正集相关系数(r2)为0.7398,校正集标准偏差(SEC)为0.107,预测集标准偏差(SEP)为0.073。该方法与传统方法相比更加快速简便。