傅里叶近红外光谱的雪青梨酸度偏最小二乘法定量分析

利用近红外漫反射光谱测定法获取了完整雪青梨的近红外光谱(12 500～4 000 cm-1),采用多元校正算法偏最小二乘法(PLS)方法,选取不同的波段范围对漫反射光谱进行有效信息提取和分析,得出了不同因子数时PLS方法进行酸度分析的结果及其因子数与交互有效检验标准偏差(RMSECV)关系,确定了最佳回归的因子数和用于定量分析的最佳波段范围.实验结果表明:校正模型的预测精度在5 452～12 285 cm-1波段范围内,最佳主因子数为7时,雪青梨总酸的预测精度最好,其预测集的相关系数达到了0.79,预测标准偏差为0.018 6.     

近红外漫反射光谱检测赣南脐橙可溶性固形物的研究

研究了应用可见-近红外漫反射光谱技术快速检测赣南脐橙可溶性固形物的方法.以40个赣南脐橙为标准样本,利用漫反射光谱测定法获取完整赣南脐橙的可见-近红外光光谱(350～2 500 nm),采用多种光谱校正算法,选取不同的光谱波段范围对水果样本的漫反射二阶光谱进行有效信息的提取和分析,并结合偏最小二乘法和主成分回归等定量校正方法,建立了赣南脐橙可溶性固形物的定量数学模型.实验结果为:在361～2 488 nm波段范围内,偏最小二乘法校正模型的预测精度最好,校正模型的相关系数为0.929,校正标准偏差和预测标准偏差分别为0.517,0.592,其预测集样本的预测值与真实值的相关系数为0.791.实验结果表明:应用近红外漫反射技术对赣南脐橙可溶性固形物的快速无损检测具有可行性.     

基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究

利用高光谱成像系统获得网纹类哈密瓜糖度漫反射光谱信息,选择有效波段500～820nm进行哈密瓜糖度检测建模回归分析.对比了多元散射信号修正和标准正则变换校正方法,原始光谱、一阶微分、二阶微分光谱预处理方法对建模精度的影响;采用偏最小二乘法、逐步多元线性回归和主成分回归方法对比分析了带皮哈密瓜和去皮哈密瓜糖度检测模型效果.结果表明,对原始光谱经过MSC和一阶微分光谱处理后,采用PLS和SMLR方法均可取得很好的建模效果,应用PLS法检测带皮哈密瓜糖度是可行的,其校正集相关系数(Rc)为0.861,RMSEC为0.627,预测集相关系数(Rp)为0.706,RMSEP为0.873;应用SMLR法检测去皮哈密瓜糖度效果最佳,校正集相关系数(Rc)为0.928,RMSEC为0.458,预测集相关系数(Rp)为0.818,RMSEP为0.727.研究表明,应用高光谱成像技术检测哈密瓜糖度具有可行性.     

短波近红外光谱的整粒小麦蛋白质PLS方法的定量分析

利用漫反射法获得的整粒小麦短波近红外光谱(833～1111nm),采用化学计量学中的偏最小二乘法(PLS)方法,选取不同的波长范围对光谱进行信息提取和分析,给出了不同因子数时PLS方法进行蛋白质分析的结果及其因子数与预测标准偏差平方和(PRESS)关系曲线,确定了最佳回归因子数。并通过选取最佳回归因子和不同波段,对整粒小麦的蛋白质成分进行了定量分析,比较了不同波长范围对分析的影响,并从中获得了较好的预测结果,实验表明,合理选择光谱范围可减少非主要信息的干扰,并以此来提高成分分析精度的方法是切实可行的,在实际应用中有一定的参考价值。     

全透射近红外光谱的苹果整果糖度在线检测模型优化

光谱质量、样本个体差异、检测系统和建模算法等多种因素共同决定水果糖度检测模型的预测精度和稳定性。采用自主研发的短积分全透射近红外在线检测系统以5 ms积分时间和0.5 m·s-1运行速度在线获取了“富士”苹果全透射光谱信号。不同姿态获取的透射光谱强度差异明显,但曲线走势相近,均在920 nm波段具有最大的光谱强度,在850 nm波段存在波谷。采用移动平均平滑、标准正态变量变换和多元散射校正等预处理方法有效去除原始光谱的随机噪声和基线偏差,减小了样本检测姿态引起的光谱差异。为分析不同检测姿态对苹果整果糖度预测模型的影响,构建了单一姿态局限模型和多姿态通用模型,结果表明基于全位点平均透射光谱构建的单一姿态局限模型对检测姿态具有很大的局限性,而多姿态通用模型预测能力较单一检测姿态相当,但却对不同的检测姿态具有更强的适用能力。为进一步提高光谱信号质量,优化模型预测能力,采用信号强度阈值优选方法实现了苹果整果糖度预测模型优化,发现移除中央位点获取的透射光谱信号,有利于提高苹果整果糖度预测模型精度。多姿态通用信号强度优化模型综合考虑不同姿态获取的光谱信息有效性,有效提升了通用信号强度优化模型的预测能力和稳定性,当多姿态通用模型中信号强度阈值为5 000时,模型预测性能最佳,其预测参数R_p,RMSEP和RPD分别为0.79,0.84%和1.58。表明短积分全透射近红外在线检测系统用于不同姿态苹果糖度预测是可行的,多姿态通用模型的建立,扩大了模型在不同姿态的预测稳健性,短积分光谱采集方式结合信号强度阈值优选方法提升了光谱信号的质量和模型的预测能力。     

简化苹果糖度预测模型的近红外光谱预处理方法

采用正交信号校正法(OSC)和净分析物预处理法(NAP)分别对苹果的近红外光谱(1300~2100 nm)进行预处理,并结合偏最小二乘法(PLS)建立了糖度预测模型。应用结果显示,随着预处理过程中所用的正交信号校正因子或净分析物预处理因子的逐渐增加,偏最小二乘糖度模型(OSC/PLS模型和NAP/PLS模型)所采纳的最佳因子数也会随之减少,甚至可减至1。当采用10个正交信号校正因子预处理苹果光谱时,OSC/PLS糖度模型达到最佳性能,最佳模型采纳的因子数为2;采用11个净分析物预处理因子预处理光谱时,NAP/PLS糖度模型达到最佳性能,最佳模型采纳的因子数为1。从总体上评价,最佳OSC/PLS糖度模型和最佳NAP/PLS糖度模型的性能都明显优于原始光谱的最佳偏最小二乘模型。这些结果表明,正交信号校正法和净分析物预处理法都能在保证精度的同时有效地简化苹果糖度预测模型。     

哈密瓜坚实度的高光谱无损检测技术

提出利用高光谱对哈密瓜坚实度进行检测的方法,对比分析了不同波段范围、不同预处理法、不同光程校正法和不同定量校正算法对哈密瓜坚实度预测模型准确度的影响.实验结果表明,在500～820 nm波段光谱区域,采用偏最小二乘法对经过标准正则变换校正的一阶微分处理的光谱建模效果较优,其校正集相关系数为0.873,校正均方根误差为4.18N,预测集相关系数为0.646,预测均方根误差为6.40N.研究表明,应用高光谱对哈密瓜坚实度的无损检测研究具有可行性.     

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.     

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。     

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.     

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.     

可见/近红外光估测完整柑橘水果可溶性固形物含量的研究

研究用可见/近红外光谱(Vis/NIR spectroscopy)漫透射方式对柑橘类水果的可溶性固形物含量(SSC)进行了无损、快速定量分析.通过自行设计的Vis/NIR光谱系统测定了110个柑橘样品的SSC.82个柑橘样品用来建模,其余28个用来验证模型的性能.对实验室测得的柑橘水果的SSC实际值与Vis/NIR光谱数据进行相关性分析,用光谱定量分析软件中集成的偏最小二乘回归法(PLS)和主成分回归法(PCR)建立校正和预测模型.对比了不同光谱预处理方法,如微分处理,标准归一化处理(SNV),多元散射校正(MSC)和Savitzky-Golay光谱平滑方法)对模型检测结果的影响.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评价,建立的最好的柑橘水果SSC预测模型的RMSEP=0.538%,r2=0.896.结果表明Vis/NIR可以作为一种准确、快速的无损检测方法来评价柑橘类水果的可溶性固形物含量.     

黄酒糖度预测的可见-近红外光谱方法研究

提出了用可见近红外光谱结合不同化学计量学方法预测黄酒糖度的新方法。用240个黄酒样本建模,60个样本进行预测。通过对光谱数据进行平滑、变量标准化及一阶导数等预处理,建立并比较了偏最小二乘法,小波变换与偏最小二乘法相结合,主成分分析与人工神经网络相结合以及主成分分析与最小二乘支持向量机相结合四种不同建模方法的预测精度,以相关系数r、预测标准差、偏差等为评判标准,得到黄酒糖度预测的最优模型为最小二乘支持向量机模型。该模型对黄酒糖度预测的相关系数为0.962、预测标准差为0.021、偏差为-0.001,获得了理想的预测精度。结果表明应用可见近红外光谱对黄酒糖度进行预测是可行的,且最小二乘支持向量机模型能得到最优的预测结果。     

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。     

可见/近红外光谱漫透射技术检测西瓜坚实度的研究

西瓜是一种广受世界各国消费者喜爱的水果,坚实度是西瓜的一个重要品质指标,文章利用可见/近红外漫透射光谱技术进行了西瓜坚实度(FM)的无损检测研究.采用偏最小二乘法(PLS)和主成分回归法(PCR)建立了FM与漫透射光谱的无损检测数学模型,对比分析了不同光谱预处理方法(原始光谱%T,一阶微分处理光谱D1(%T),二阶微分处理光谱D2(%T)以及光谱的Savitsk-Golay法滤波)对模型预测性能的影响.根据模型相关系数(r)及预测平方根标准偏差(RMSEP)进行了不同模型的预测性能对比,结果表明:光谱经二阶微分处理并使用Savitsky-Golay法滤波后,采用PLS法可以得到最好的FM建模结果(r=0.974,RMSEP=0.589 N).研究表明:应用可见/近红外漫透射光谱技术检测西瓜的坚实度是可行的,为今后快速无损评价大果形厚果皮类水果坚实度提供了理论依据.     

涩柿可溶性单宁的可见/近红外漫反射光谱无损检测研究

旨在建立可见/近红外漫反射光谱与涩柿内部可溶性单宁之间的关系,以评价可见/近红外漫反射光谱在测量涩柿内部指标可溶性单宁的应用价值.在可见/近红外光谱区域(570～1848 nm),实验对比分析了不同数学建模算法、不同导数处理方法和不同散射及标准化处理的涩柿可溶性单宁定标模型.结果表明,应用改进偏最小二乘回归算法、一阶导处理和去散射处理所建涩柿可溶性单宁定标模型的预测性能较优,其定标交互验证相关系数(Rcv)和预测相关系数(Rp2)分别为0.722 7和0.678 5,定标交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.148 4和0.176 3.研究表明,可见/近红外漫反射光谱对涩柿可溶性单宁的快速无损检测具有一定的可行性,但模型精度有待提高.     

应用近红外光谱技术快速检测果醋糖度

为了对果醋糖度值进行快速准确检测,应用近红外光谱技术并结合最小二乘支持向量机分析方法建立了果醋糖度检测模型.应用近红外透射光谱获取五种类型共计300份果醋样本的光谱透射曲线,利用主成分分析方法对原始光谱数据进行降维处理,根据主成分的累计贡献率选取6个主成分.选取的主成分即作为光谱优化特征子集以替代原来复杂的光谱数据.随后将300份果醋样本数据随机分为定标集和预测集,利用最小二乘支持向量机在225个定标集样本数据基础上建立起果醋糖度预测模型,应用此模型对75个预测集样本进行糖度预测.根据预测均方根误差(RMSEP)和预测结果的相关系数(r)对预测模型进行评价,利用此模型得到的样本糖度预测值r=0.993 9,RMSEP=0.363,均达到了较好的预测效果.     

基于Si-cPLS的小麦种子发芽率近红外模型优化研究

为了提高近红外光谱技术快速测定小麦种子发芽率的准确度和稳健性,比较分析了基于全光谱的单一偏最小二乘(PLS)模型和多模型共识PLS模型(cPLS)性能,并提出了基于特征光谱的多模型共识PLS模型(Si-cPLS)。实验收集84份小麦种子,通过SPXY法将样本集划分为训练集样本66个,预测集样本18个。从训练集中随机抽取50个样本作为校正集建立一系列PLS子模型,选取其中性能较好100个子模型作为成员模型建立cPLS模型,取成员模型预测结果的均值来分析未知样本。在此基础上,采用组合间隔偏最小二乘法(SiPLS)筛选特征谱区建立多模型共识PLS模型(Si-cPLS)。各模型均采用均值中心化预处理方法,PLS模型、cPLS模型以及Si-cPLS模型对预测集的小麦种子发芽率进行50次重复预测的平均相关系数r分别为0.935,0.949和0.967,平均预测均方根误差RMSEP分别为13.735%,12.533%和10.273%,RMSEP的标准偏差分别为1.144%,0.096%和0.08%。实验结果表明cPLS模型较单一PLS模型更加稳定可靠,而基于特征光谱的Si-cPLS模型则进一步提高了cPLS的稳定性与预测精度,为建立性能优秀的小麦种子发芽率近红外模型提供了新思路。     

感兴趣区域对羊肉pH高光谱检测模型的影响研究

感兴趣区域(regions of interest,ROIs)的选择及其光谱提取是高光谱图像无损检测分析的关键一步。为快速准确检测羊肉pH,在473~1 000nm波段,开展了两种不同提取ROIs方法对羊肉pH高光谱检测模型的影响研究。采用"矩形区域法"和"图像分割法"两种ROIs方法分别获得相应的122条羊肉光谱,对比了不同预处理方法对建模效果的影响,并比较了两种ROIs方法下逐步多元线性回归(SMLR)、主成分回归(PCR)和偏最小二乘回归(PLSR)的模型精度。结果表明,提取光谱数据建模中SMLR和PLSR模型效果分别最优。"矩形区域法"提取ROIs对应的SMLR模型校正集的相关系数(R_(cal))和均方根误差(RMSEC)分别为0.85和0.085,预测集的相关系数(R_p)和均方根误差(RMSEP)分别为0.82和0.097。"图像分割法"提取ROIs对应的PLSR模型校正集的Rcal和RMSEC分别为0.95和0.050,预测集的Rp和RMSEP分别为0.91和0.071。其次通过比较"矩形区域法"和PCR,SMLR和PLSR三个模型中,"图像分割法"提取的ROIs光谱数据建模效果较优。表明,应用高光谱图像技术结合"图像分割法"提取ROIs快速无损准确检测羊肉pH具有可行性。     

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。