乌拉尔甘草种子硬实率的近红外光谱分析

以收获年份不同、收获地点不同的112份乌拉尔甘草种子为材料,其硬实率分布范围为0.3%～99.3%,根据3:1的比例划分校正集和检验集,采用近红外光谱技术结合定量偏最小二乘法对其硬实率进行了分析。研究结果表明,光谱范围采用5 000～6 000 cm~(-1),主成分数为6时,校正集和检验集的决定系数分别为90.85%和91.51%,相关系数分别为0.953 2和0.957 9,平均绝对误差分别为7.73%和6.96%,标准差分别为9.98和9.57。采用该方法建模时,即使采用不同的建模样品,校正集和检验集的决定系数均在90%以上,校正标准差和预测标准差在10.00左右,平均绝对误差在7.90%左右。该研究旨在利用近红外光谱法提出乌拉尔甘草种子硬实率的快速检测方法,以促进硬实种子在生产上的利用。     

应用近红外光谱技术定量分析杂交玉米纯度的研究

利用近红外光谱分析技术结合定量偏最小二乘法对农大108玉米的纯度进行了定量测定,首先通过在农大108杂交种子加入不同量的母本178种子,获得纯度60%~100%范围内的样本123份,然后测定粉碎后样本的光谱,根据2:1的比例划分建模集和检验集。结果表明:6 000~10 000 cm-1为适宜的建模光谱范围,主成分为8时,建模集内部交叉验证的决定系数达96.61%、校正标准差(SEC)2.15%,平均相对误差(RSD)2.04%;检验集的决定系数达到97.67%,校正标准差(SEP)1.78%,平均相对误差(RSD)1.94%。采用该方法建模时,采用不同比例的建模样品和检验样品,建模集平均决定系数为96.21%,校正标准差2.29%,平均相对误差为2.81%。检验集的平均决定系数为95.75%,预测标准差2.23%,平均相对误差为2.73%,进一步证明模型的稳定性。     

NIRS法定量分析多年生苦荞叶片蛋白质与GABA含量

为满足多年生苦荞育种工作的需要,采用近红外光谱分析技术结合定量偏最小二乘法对多年生苦荞叶片蛋白质和γ-氨基丁酸(GABA)含量进行了快速测定研究,实验使用了222份多年生苦荞材料,扫描光谱后测定其化学值。研究发现样品蛋白质含量的平均值、最大值和最小值含量分别是164, 331和121 mg·g~(-1);样品GABA含量的平均值、最大值和最小值含量分别是2.489, 3.968和1.439 mg·g~(-1)。蛋白质建模结果:采用不同光谱区建模时,建模集的平均决定系数(R~2)、校正标准差(SEP)和平均相对误差(RSD)分别是93.46%, 0.63和3.82%,检验集的平均R~2, SEP和RSD分别是91.77%, 0.88和5.28%。采用不同比例的建模样品和检验样品时,建模集的平均R~2, SEP和RSD分别是93.55%, 0.63和3.82%,检验集的平均R~2, SEP和RSD分别是92.18%, 0.87和5.20%。采用4 000～9 000 cm~(-1)光谱范围,二阶导数(13)预处理光谱,建模集与检验集的比例为4∶1,模型最优,其建模集内部交叉R~2, SEP和RSD分别是93.57%, 0.55和3.38%,检验集内部交叉R~2, SEP和RSD分别是93.35%, 0.73和4.40%。GABA建模结果:采用不同光谱区建模时,建模集的平均R~2, SEP和RSD分别是86.28%, 0.21和8.30%,检验集的平均R~2, SEP和RSD分别是84.35%, 0.22和8.76%。采用不同比例的建模样品和检验样品时,建模集的平均R~2, SEP和RSD分别是88.51%, 0.20和8.04%,检验集的平均R~2, SEP和RSD分别是86.80%, 0.21和8.40%。4 000～10 000 cm~(-1)光谱范围,原始光谱,建模集与检验集的比例为4∶1,模型最优,其建模集内部交叉R~2, SEP和RSD分别是93.28%, 0.15和6.10%,检验集内部交叉R~2, SEP和RSD分别是91.49%, 0.17, 6.68%。证明了使用近红外光谱技术定量测定多年生苦荞叶片蛋白质和GABA含量的可行性以及模型的稳定性。     

近红外光谱技术在小麦条锈病菌和叶锈病菌定性识别和定量测定中的应用

利用近红外光谱技术结合定性偏最小二乘法(DPLS)和定量偏最小二乘法(QPLS)分别实现了小麦条锈病菌和叶锈病菌的定性识别和定量测定。获取两种锈菌单一夏孢子样品各50个以及条锈病菌纯度为2.5%~100%的混合样品120个。采集样品光谱后,将两类样品均按2∶1的比例分为建模集和检验集,在4 000~10 000cm-1内采用内部交叉验证法建模。散射校正预处理方法下、主成分数为3时,定性识别模型的建模集和检验集识别准确率均为100.00%。"极差归一+散射校正"预处理方法下、主成分数为6时,定量测定模型建模集的决定系数(R2)、校正标准差(SEC)、平均相对误差(AARD)分别为99.36%,2.31%,8.94%,检验集的R2、预测标准差(SEP)、AARD分别为99.37%,2.29%,5.40%。结果表明,利用该方法对这两种锈菌定性和定量分析是可行的。本研究为植物病原菌的定性识别和定量分析提供了一种基于近红外光谱技术的新方法。     

乌拉尔甘草单粒种子硬实特性的近红外光谱分析

以乌拉尔甘草种子为材料,采用近红外光谱结合定性偏最小二乘法对244粒种子(硬实种子和非硬实种子比例为1∶1)的硬实性进行了鉴别研究,并特制一样品杯用于单粒种子的光谱采集,以降低人为误差。研究结果表明,4次重复平均光谱所建模型鉴别率显著高于单次光谱所建模型,光谱范围采用4 000～8 000 cm-1时模型效果较好,校正集、检验集、预测集样本的鉴别率分别为95.53%,95.94%和94.53%,采用不同建模样品所建模型其预测准确率均在90%以上,硬实种子和非硬实种子的预测准确率分别为92.50%和96.56%。种子大小和颜色均会影响模型的鉴别率,种子颜色的影响相对更大。     

应用近红外光谱技术快速鉴别玉米杂交种纯度的研究

采用近红外光谱分析技术结合定性偏最小二乘法对农大108玉米杂交种的纯度进行了鉴别研究,实验采用农大108杂交种子与母本178种子各100粒进行单粒光谱扫描(建模集与检验集比例为3:1),结果表明:透射孔直径为3 mm 时,所建模型平均鉴别率为99.82%,显著高于透射孔直径为4.5 mm 时所建模型的鉴别率90.96%;采用胚乳面一次光谱、胚面两次平均光谱、胚乳面两次平均光谱和四次平均光谱进行建模,其平均鉴别率筹异不显著,检验集平均鉴别率均达到99%左右,略高于胚面一次光谱;选择透射孔径3.0 mm,4 000～8 000 cm1 光谱范围,种子胚乳面单次光谱所建立的农大108玉米杂交种的种子纯度鉴定模型的建模集和检验集的鉴别率均达到100%.     

短波近红外光谱法同时定量分析水溶液中葡萄糖、果糖和蔗糖

用通用紫外-可见分光光度计的短波近红外光谱区域(800～1 100 nm),测量了葡萄糖、果糖和蔗糖混合水溶液的近红外光谱,并用偏最小二乘方法建立了同时定量分析水溶液中葡萄糖、果糖和蔗糖的模型。用正交设计法配制了25个校正集样品和9个预测集样品,通过对校正集样品的建模和对预测集样品的检验,结果良好。对浓度范围分别在12.23～61.14 mg·mL-1,12.50～62.50 mg·mL-1,12.09～60.44 mg·mL-1的葡萄糖、果糖和蔗糖水溶液,校正集的相对标准偏差分别为1.43%,4.51%和1.59%,预测集的相对标准偏差分别为3.40%,3.73%和2.80%。该方法对同时定量分析多组分体系,具有简便、快速价廉、易于推广应用等优点。     

鱼粉中掺杂豆粕的可见和近红外反射光谱分析研究

探讨了基于可见和近红外反射光谱分析技术检测鱼粉中是否掺有植物饼粕的可行性。收集了我国常用的鱼粉和豆粕,将豆粕按不同浓度掺杂到鱼粉中制备试验样本,分别进行了定性和定量分析研究。定性分析用206个样本作为校正集,103个样本作为检验集,选择合适的光谱预处理方法和光谱范围建立了定性判别分析模型,模型对外部检验集的正确判断率为96.12％。定量分析用掺杂有豆粕的130个鱼粉样本作为校正集,65个鱼粉样本作为检验集,采用偏最小二乘法(PLS)建立了定量分析模型。以变量标准化处理(SNV)与二阶导数(2, 4, 4, 1)相结合处理效果最佳,其预测值和测量值的决定系数R2和标准差SEC分别为0.989 0和1.539 0;检验集进行外部验证的决定系数R2和标准差SEP分别为0.988 8和1.786 0,RPD为8.61。结果表明,利用近红外光谱分析技术可以成功检测鱼粉中豆粕的存在和含量。     

棉籽油分含量近红外无损检测分析模型与应用

棉花是一种重要的油料作物。建立快速、无损检测棉花种子含油量的方法,对于棉花油分育种工作中的材料鉴定、筛选具有重要意义。利用近红外光谱仪采集118份不同油分含量棉花种籽的近红外漫反射光谱,结合化学方法测定验证,建立了棉籽油分含量快速无损检测的近红外模型。光谱预处理方法采用一阶导数＋多元散射校正(MSC),光谱范围5 446～8 848 cm-1,主成分维数为5,以基本覆盖陆地棉棉籽含油量范围的106份试验材料为校正样品集,利用偏最小二乘法(PLS)建立了棉籽仁油分含量近红外反射光谱(NIR)校正模型。校正模型决定系数R2=0.975,校正标准差SEC=0.67。用外部验证样品集进行外部验证,对所建模型的实际预测能力进行检验。结果表明,油分含量预测值与化学值相关系数r=0.978,预测结果误差范围0.1%～1.7%,建立的模型具有很好的预测性。利用建立的模型对784份育种材料进行了油分含量预测,结果显示,该模型应用可以加快棉花育种材料的油分鉴定。     

近红外漫反射光谱法测定麦冬的多糖含量

采用近红外光谱分析技术对麦冬多糖进行定量分析.对麦冬的原始漫反射光谱采用了一阶导数、二阶导数、平滑、散射校正等多种光谱解析手段,初步选择了建模波段,并结合偏最小二乘回归法对麦冬多糖进行了定标建模分析.结果表明,光谱经过一阶导数+标准乘性散射校正(MSC)+SG平滑处理,选取4 000～4 900,5 100～6 900,7 050～10 000 cm-1波段建模得到的定标模型效果最佳,分析结果精度较高,R2,RMSEC,R2CV,RMSECV,主因子数分别为0.996,0.237,0.973,0.583,6.模型经过验证样品集检验,预测相关系数达到0.968 8.     

基于近红外光谱分析的高丹草种子发芽率检测研究

高丹草中粗蛋白质以及碳水化合物的含量丰富,适合青贮处理。优质的高丹草种子是发展畜牧业十分重要的前提,发芽率是检验种子质量最常规的指标之一,播前种子发芽率检测与筛选十分必要。现阶段采用发芽试验法进行种子发芽率的检测,周期长、成本高。基于此,提出利用近红外光谱对高丹草种子进行发芽率的快速、无损检测。选择适量的高丹草种子样品,采集近红外漫反射光谱,进行一阶导和二阶导预处理以及对比分析R2_c,R2_p,RESEC和RMSEP。采用支持向量机（SVM）建模,使用MATLAB中调用的LIBSVM软件包来实现SVM训练和检测过程,以检测不同发芽率的高丹草种子。对来自不同省份的100组高丹草种子先剔除种子内的杂物、破损以及不能满足试验条件的种子后,用人工气候培养箱进行种子发芽试验,获得100组种子样本的发芽率,其发芽率分布在41%~64%的范围。采用美国Unity Scientific 2600XT近红外光谱仪对样本进行光谱扫描。随机分成校正集70份和检验集30份。分别采用一阶导和二阶导进行了高丹草种子光谱的预处理,将预处理之后的数据采用支持向量机的方法建模,并对其参数进行了分析和讨论。结果表明,近红外光谱预测模型训练集相关系数（R2_c）和测试集相关系数（R2_p）分别为0.94和0.92,校正均方根误差（RMSEC）、预测均方根误差（RMSEP）分别为0.21和0.25,两个产地的高丹草种子数据采用一阶导预处理时模型最优。支持向量机的方法建模采用Rbf核函数,当支持向量机惩罚因子c=2 896.309 4和核函数g=0.5时,测试集种子发芽率的检测准确率为96.666 7%（29/30）。该模型预测种子发芽率是可行的,可以作为初步检测高丹草种子发芽率快速无损检测的手段之一,能够有效的促进种子生产。     

黑土腐殖酸的近红外光谱测定

研究了我国黑土腐殖酸碳含量及其光化学性质,并探索了利用近红外光谱分析法(near infrared spectroscopy, NIRS)对其进行预测的潜力。针对东北典型黑土带土壤样品,利用偏最小二乘法(PLSr)建立定量模型,并用独立样本对模型进行检验。结果表明,模型对腐殖酸碳、胡敏酸碳和富里酸碳含量的预测效果很好,NIRS对富里酸碳和胡敏酸碳的465 nm(E₄)和预测结果也较好,665 nm光密度(E₆)的预测达到可接受水平。胡敏酸碳和富里酸碳含量与SOC的相关性,高于其与NIRS模型预测值的相关性,二者光化学性质与SOC的相关性则低于其与模型预测值的相关性。NIRS在简化黑土腐殖酸碳、胡敏酸碳和富里酸碳含量和光密度测定领域具有很好的应用前景,且能够反映SOC性质方面的信息。     

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。     

近红外光谱的结球甘蓝可溶性糖含量测定

结球甘蓝是一种富含碳水化合物的常见蔬菜,可溶性糖含量是决定其品质的重要参数。可溶性糖易溶于水,是蔬菜和水果口味的有效调节剂。作为碳水化合物,可溶性糖由三种元素C,H和O组成,其分子吸收光谱主要由被检测材料的分子中C-H,O-H和CO等基团的组合频率吸收和倍频吸收组成,包含丰富的有机物信息。因此,采用近红外光谱和化学计量学方法,探索结球甘蓝可溶性糖含量的快速检测方法。用德国布鲁克公司的MATRIX-Ⅰ型傅里叶变换近红外光谱仪采集161份结球甘蓝样本光谱数据。波数范围：12 800～4 000 cm-1(780～2 500 nm)。蒽酮比色法测量样本的可溶性糖。综合应用马氏距离法(MD)和蒙特卡洛交叉验证法(MCCV)剔除异常样本,采用Kennard-Stone(K-S)法将样本按照给定比例划分为校正集和验证集。分别使用Savitzky-Golay卷积平滑(S-G),一阶导数(FD),二阶导数(SD),多元散射校正(MSC)和变量标准化(SNV)及它们的组合共12种方法对样本进行光谱预处理,获得最佳预处理方法,提高光谱数据的信噪比。采用竞争性自适应重加权采样法(CARS)筛选偏最小二乘回归(PLS)模型中回归系数绝对值大的波数点,去掉回归系数绝对值小的波数点,以有效选择与所测特性值相关的最优波数组合,获得具有良好鲁棒性和强预测能力的校正模型。使用模型决定系数R2、交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)作为模型精度评价指标。根据蒙特卡洛交叉验证法和马氏距离剔除异常样本的原理,共剔除10个光谱或者化学值异常的样本。最终参与建模分析的样本个数为151。异常样本剔除后,通过K-S法将样本按照3∶1被分成校正集(110个样本)和验证集(41个样本)。使用原始光谱数据,预处理后的光谱数据和对应于优选波数的光谱数据,建立PLS模型。结果表明,利用MSC+FD光谱预处理可以提高建模精度,校正集R2从处理前的0.68增长到0.93,MSC+FD是本研究中理想的光谱数据预处理方法。利用CARS法共优选了84个建模波数。在12 000~10 000 cm-1波数区域内,有O-H键2级和C-H键3级倍频伸缩振动吸收,此区域主要的背景信息为水和其他含氢基团,在此区域内共包含了36个选定的波数。在8 500~6 000 cm-1区域,存在糖类和水的O-H键的1级倍频伸缩振动吸收,葡萄糖的O-H键的1级倍频伸缩振动吸收,该区域是包含反映可溶性糖成分的主要光谱区间,背景影响较小,CARS方法在此区域共选择了15个建模波数。5 800~4 000 cm-1区域与12 000~10 000 cm-1区域相似,包含的选定波数多,CARS方法在此区域选择了33个建模波数。利用CARS对参与建模的波数进行优选,减少了无关信息,降低了模型的复杂度,选择的波数不但引入了表征待测组分的光谱,同时还引入了代表背景信息的光谱,使得校正模型适应性增强。建立了结球甘蓝可溶性糖的全谱PLS模型,根据CARS波数优选结果,建立了结球甘蓝可溶性糖的CARS-PLS模型。对于全谱PLS定量模型,校正集的决定系数R2为0.93,RMSECV为0.157 2%,RMSEP为0.132 8%。对于CARS-PLS模型,校正集的决定系数R2为0.96,RMSECV为0.076 8%,RMSEP为0.059 4%。数据表明,两种模型具有相当的R2,但CARS-PLS模型的RMSECV是全谱PLS模型的1/2。RMSEP也接近1/2,CARS-PLS模型比全谱PLS定量模型所用建模变量少,模型得到简化,精度更优。用CARS-PLS模型对验证集41个样本进行预测,预测集决定系数R2为0.86,预测标准误差为0.059 4%。提供了一种工作效率较高的结球甘蓝质量无损检测方法。     

近红外光谱法定量测定小麦粉中的石灰类添加物的研究

小麦粉的质量安全一直备受社会各界关注。在比较生石灰、熟石灰和碳酸钙的近红外光谱特征的基础上,采集了掺入不同含量的生石灰、熟石灰和碳酸钙的小麦粉样品的近红外漫反射光谱。采用偏最小二乘算法结合交互验证算法建立了石灰和碳酸钙的近红外定量校正模型,采用外部检验集对各模型进行外部验证。结果表明,石灰、碳酸钙的模型测定系数(R2)分别为99.80%和96.98%;校正集均方根误差分别为0.19和0.34;交互验证集均方根误差分别为0.26和0.75;预测集均方根误差分别为0.63和0.44;相对预测性能RPD分别为8.57和5.24。模型具有较高的精度,可以满足小麦粉中石灰含量的现场快速检测要求。F检验结果表明,模型的校正集、外部检验集的预测值-化学值之间具有极显著的相关关系。本研究可为小麦粉快速质量安全筛查提供参考方法,对小麦粉质量监控具有重要意义。     

基于自编码网络流形学习的毛竹笋不溶性膳食纤维含量红外光谱建模

提出了一种结合自编码网络(AN)流形学习和偏最小二乘(PLS)法的红外光谱建模方法AN-PLS。AN-PLS方法首先用AN算法对红外光谱数据进行非线性降维,再结合PLS建立回归模型。利用该方法建立了毛竹笋中不溶性膳食纤维含量的近红外光谱和中红外光谱回归模型。结果表明,用AN-PLS方法建立的回归模型,比用其他常用光谱数据预处理方法结合PLS及用单独PLS算法建立的模型具有更小的预测均方根误差RMSEP和更高的决定系数R2,因此,AN-PLS具有较优的建模与预测能力,利用近红外光谱和中红外光谱技术结合AN-PLS建模,可实现毛竹笋中不溶性膳食纤维含量的准确测量。     

相思树聚戊糖含量近红外光谱分析模型的建立及修正

建立适应不同产地相思树化学组分含量的近红外光谱分析模型对预测木材化学组分含量具有重要的意义。用常规化学法测量了取自广西78个和福建33个相思树样品的聚戊糖含量,并结合近红外光谱数据用偏最小二乘法建立了广西相思树聚戊糖含量的近红外光谱模型。校正模型的决定系数R2cv为0.947,内部交叉验证均方差RMSECV为0.464,验证模型Rv2al为0.925,RMSEP为0.455。为了扩大模型的适用范围,用福建不同数量样品对该模型进行修正。结果表明:在广西模型的基础上加入一个有代表性的福建样品就能大大降低直接用广西模型预测福建样品的误差。加入3个有代表性的福建样品后能够得到较好的模型。用该模型预测未参加建模的福建样品,预测模型的Rv2al为0.904,RMSEP为0.759。用4组(每组3个样)不同的福建样品修正广西模型,用固定的20个未参与修正广西模型的样品来验证,预测误差略有不同,表明样品的选择在一定程度上影响着修正模型的质量。     

无人机高光谱成像仪场地绝对辐射定标及验证分析

利用2010年11月14日于内蒙古乌拉特前旗开展的无人机遥感载荷综合验证场科学实验数据,对航飞中搭载的高光谱成像仪进行了场地绝对辐射定标。采用朗伯性较好、且光谱性能均一,反射率分别为4.5%,20%,30%,40%,50%和60%的6块高光谱辐射性能灰度靶标,利用反射率基法对高光谱成像仪进行绝对辐射定标。为了验证辐射定标结果,实验中另外铺设了四块高光谱性能辐射刃边靶标用以模拟在自然地物中出现反射峰或吸收峰时采用辐射定标系数计算表观辐亮度所产生的差异。结果表明因仪器噪声较大,在前15个波段(蓝光波段)误差较大。在靶标光谱较为均一的波段定标反演误差较小,一般小于10%,而在靶标光谱出现反射峰区段则误差较大,但一般在10%～25%之间。     

近红外光谱定性与定量分析技术在莲子无损检测中的应用

通过提取采后不同时期的莲子、莲仁的近红外漫反射光谱特征,以莲子的可溶性固形物(SSC)和干物质含量(DM)为指标进行定量和定性分析。利用偏最小二乘回归(PLSR)分析和距离判别分析(DA)计算所得的结果表明：SSC和DM含量与莲子、莲仁的吸收光谱特征具有明显相关。莲子SSC、DM的PLSR模型在5 941～12 480 cm-1谱区综合性能较好,预测相关系数(r₁)分别为0.74和82,校正相关系数(r₂)分别为0.82和0.84,留一交互相关系数(r₃)分别为0.72和0.71。莲仁SSC的PLSR模型在7 891～9 310 cm-1谱区综合性能较好,r₁为0.79,r₂为0.84,r₃为0.77。DM的PLSR模型在全光谱的综合性能较好,r₁为0.92,r₂为0.89,r₃为0.82。莲子在5 400～7 885 cm-1谱区的判别性能较好,正确率达84.2%,而莲仁在9 226～12 480 cm-1谱区的判别性能较好,正确率达90.8%。对不同年份和有膜有芯的干莲仁进行DA判别的精度可达98.9%。研究表明近红外检测技术可用于莲子和莲仁的SSC和DM含量的定量分析及储存期的定性判别,还可对不同年份和有膜有芯的干莲仁进行判别。