苹果可溶性固形物近红外光谱检测的偏最小二乘回归变量筛选研究

为了提高苹果可溶性固形物含量近红外光谱校正模型的预测能力和稳健性,分别采用反向区间偏最小二乘法、遗传算法和连续投影算法,筛选苹果可溶性固形物的近红外光谱变量,并建立了偏最小二乘回归模型。利用遗传算法筛选的141个变量建立的校正模型,预测效果最好,与全谱建立的校正模型比较,预测相关系数,从0.93提高到0.96,预测均方根误差,从0.30°Brix降低到0.23°Brix。实验结果表明遗传算法结合偏最小二乘回归方法,有效地提高了苹果可溶性固形物近红外光谱检测模型的预测精度。     

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350～1000 nm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。     

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。     

特征变量优选在苹果可溶性固形物近红外便携式检测中的应用

为实现苹果可溶性固形物(SSC)的便携式快速检测,利用环形光纤探头和微型光谱仪搭建便携式苹果可溶性固形物光谱采集系统,结合无信息变量消除(UVE)、遗传算法(GA)、竞争性自适应加权(CARS)算法筛选基于偏最小二乘(PLS)的苹果可溶性固形物的近红外光谱特征波长。另外,采用反向区间最小二乘支持向量机(BiLS-SVM)和GA算法优选基于LS-SVM的特征波长变量,分别建立所选特征波长和全波段的PLS模型和LS-SVM模型。试验结果表明,经过GA-CARS算法从全波段1 512个波长中筛选出的50个特征波长建立的PLS模型效果最好,其预测相关系数和预测均方根误差分别为0.962和0.403°Brix。利用该检测装置结合GA-CARS筛选的特征波长,可有效简化苹果可溶性固形物近红外便携式检测模型并提高模型的预测精度,为进一步构建便携式苹果可溶性固形物检测设备奠定了基础。     

近红外光谱定量分析技术在枇杷可溶性固形物无损检测中的应用

应用近红外漫反射光谱定量分析技术对两个产地三个品种枇杷的可溶性固形物进行无损检测试验研究。通过分析,发现在波长1 400～1 500 nm和1 900～2 000 nm两段范围,样品的可溶性固形物与光谱吸光度之间的相关系数较高;用偏最小二乘回归PLSR、逐步多元线性回归SMLR和主成分回归PCR三种方法分别建立这两个波段和全波段范围的模型,全波段的PLSR模型的效果较优。研究发现一阶和二阶微分光谱建立的模型均不如原始光谱建立的模型效果好。最终建立三个品种枇杷样品的原始光谱在全波段范围经17点平滑后的PLSR模型,模型的校正集和预测集的相关系数分别为0.96和0.95。研究表明近红外光谱检测技术可用于枇杷可溶性固形物含量的定量分析。     

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.     

基于高光谱技术的厌氧发酵液固形物含量检测的研究

实时监测发酵液中固形物含量的变化,对控制厌氧发酵过程的稳定性具有重要作用。研究中采用近红外高光谱技术结合化学计量学方法,对水葫芦和稻草秸秆混合厌氧发酵过程中的固形物含量进行定量检测研究。与传统2540G(APHA,1990)标准方法相比,近红外高光谱技术具有无损、快速的优点。实验过程中,首先获取发酵液样本的高光谱信息,应用移动平均平滑法(MAS)进行光谱预处理,并采用竞争自适应重加权采样算法(CARS)、连续投影算法(SPA)和Random frog算法提取光谱特征信息,然后基于全谱和所选特征波长下的光谱信息分别建立总固形物含量(TS)和挥发性固形物含量(VS)的校正模型,建模方法包括偏最小二乘回归(PLSR)和最小二乘-支持向量机(LS-SVM)。研究表明,SPA-LS-SVM模型的预测结果最好,其中TS的预测均方根误差(RMSEP)及相关系数(R_p)分别为0.005 8和0.841;而VS的RMSEP和R_p分别为0.004 1和0.874。结果表明,利用近红外高光谱结合化学计量学方法可以实现厌氧发酵液中的固形物含量的检测,为布置光谱传感器以便定量检测厌氧发酵过程中的固形物含量奠定了理论依据。     

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。     

LS-SVM的梨可溶性固形物近红外光谱检测的特征波长筛选

为提高梨可溶性固形物含量(soluble solids content,SSC)的近红外光谱模型的精度和稳定性,以160个梨样品为实验对象,分别对原始光谱、多元散射校正(MSC)和标准正态变量变换(SNV)处理后的光谱,经无信息变量消除算法(UVE)挑选后,再结合遗传算法(GA)和连续投影算法(SPA),筛选梨可溶性固形物的近红外光谱特征波长。将筛选后的波长作为输入变量建立梨可溶性固形物的最小二乘支持向量机(LS-SVM)模型。结果表明经过SNV-UVE-GA-SPA从全波段3112个波长中筛选出的30个特征波长建立的梨可溶性固形物LS-SVM模型效果最好,该模型的预测集相关系数(R_p)和预测均方根误差(RMSEP)分别为0.956和0.271。该模型简单可靠,预测效果好,能满足梨的可溶性固形物含量的快速检测,为在线检测和便携式设备开发提供了理论基础。     

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。     

以高光谱数据有效预测苹果可溶性固形物含量

从高光谱数据中选取能够有效进行内部品质检测的特征波长,是利用高光谱成像技术进行水果品质定量分析的关键。本文采用遗传算法(GA)、连续投影算法(SPA)和GA-SPA算法分别从400～1 000 nm的苹果高光谱图像中提取特征波长,利用偏最小二乘法(PLS)、最小二乘支撑向量机(LS-SVM)和多元线性回归(MLR)建模进行苹果可溶性固形物含量(SSC)的定量分析并进行了综合比较。160个样品中,120个用于建模,40个用于预测。比较发现SPA-MLR模型获得了最好的结果,R2_p,RMSEP和RPD分别为0.950 1,0.308 7和4.476 6。结果表明：SPA能够有效地用于高光谱数据的变量选择,利用SPA-MLR可建立稳健的苹果SSC预测模型,较少的有效变量和MLR模型的易解释性表明该模型在在线检测和便携式仪器开发中具有较大的应用潜力。     

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。     

高光谱成像技术结合特征提取方法的草莓可溶性固形物检测研究

采用高光谱成像技术结合不同的特征提取方法,实现了对草莓可溶性固形物含量的检测。通过提取154颗成熟无损伤草莓的高光谱图像的874～1 734 nm范围光谱信息,对941～1 612 nm光谱采用移动平均法(moving average,MA)进行预处理。基于残差法剔除19个异常样本后将剩余135个样本分为建模集(n=90)和预测集(n=45)。采用连续投影算法(successive projections algorithm, SPA),遗传偏最小二乘算法(genetic algorithm-partial least squares, GAPLS)结合连续投影算法(GAPLS-SPA),加权回归系数(weighted regression coefficient, Bw)以及CARS法(competitive adaptive reweighted sampling)选择特征波长分别提取14,17,24与25个特征波长,并采用主成分分析(principal component analysis, PCA)与小波变换(wavelet transform, WT)分别提取20与58个特征信息。分别基于全波段光谱、特征波长与特征信息建立PLS模型。所有模型都取得了较好的效果,基于全波段光谱的PLS模型与基于WT提取的特征信息的PLS模型的效果最优,建模集相关系数(r_c)与预测集相关系数(r_p)均高于0.9。结果表明高光谱成像技术结合特征提取方法可用于草莓可溶性固形物含量的检测。     

基于高光谱漫透射成像可视化检测脐橙可溶性固形物

厚皮类瓜果内部品质的无损检测是目前水果产业的检测技术瓶颈。本文采用高光谱漫透射技术对脐橙可溶性固形物(SSC)含量进行可视化分析研究。通过基线校正(Baseline)预处理结合连续投影算法(SPA)优选9个特征波长,建立SSC偏最小二乘回归(PLSR)模型,校正集相关系数r_(cal)为0.891,校正集均方根误差RSMEC为0.612°Brix,预测集相关系数r_(pre)为0.889,预测集均方根误差RMSEP为0.630°Brix。最后,计算各个像素点的SSC值结合图像处理技术得出SSC的可视化分布图,直观判断脐橙SSC含量高低。     

基于高光谱成像技术的多宝鱼肉冷藏时间的可视化研究

提出了一种应用可见-近红外高光谱成像技术快速无损检测多宝鱼肉冷藏时间并实现其可视化的新方法。采集8种不同冷藏时间的共160个鱼肉样本的高光谱图像,并提取样本感兴趣区域(ROI)的平均光谱。取120个建模集样本的光谱数据与其相应的冷藏时间建立偏最小二乘回归(PLSR)模型,对40个预测集样本的冷藏时间进行预测,预测决定系数(R2)为0.966 2,预测均方根误差(RMSEP)为0.679 9 d,获得了满意的预测精度。最后,用所建模型对预测集图像上每个像素点的冷藏时间加以预测,采用IDL图像编程技术将不同的时间用不同的颜色表示,最终以伪彩图的形式实现多宝鱼肉冷藏时间的可视化。结果表明,高光谱成像技术与化学计量学结合可以准确预测鱼肉的冷藏时间,与图像处理方法结合可以实现预测时间的可视化,能形象、直观地展示出鱼肉的新鲜度状态和分布情况,为实现水产品加工的自动化奠定了基础。     

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(400～1 650 nm)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1 602.32 nm;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。     

可见近红外高光谱成像对灵武长枣定量损伤等级判别

利用可见近红外（Vis-NIR）高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。采用定量损伤装置得到损伤Ⅰ,Ⅱ,Ⅲ,Ⅳ和Ⅴ级的灵武长枣,借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。提取感兴趣区域（region of interest,ROI）并计算样本平均光谱值。利用光谱-理化值共生距离算法（SPXY）将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。灵武长枣原始光谱建立偏最小二乘判别分析（PLS-DA）分类模型,得到校正集和预测集准确率分别为72.70%和86.67%;灵武长枣原始光谱数据采用移动平均（MA）、卷积平滑（SG）、多元散射校正（MSC）、正交信号修正（OSC）、基线校准（baseline）和去趋势（de-trending）等方法进行光谱预处理并建立PLS-DA分类判别模型。通过分析比较,得到MSC-PLS-DA为最优分类判别模型,校正集准确率为76.19%,预测集准确率为86.67%,其中校正集比原始光谱建模准确率提高了3.49%,预测集准确率较原始光谱建模结果未提高;为了提高建模效果,对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法（SPA）、无信息变量消除（UVE）、竞争性自适应加权抽样（CARS）和区间变量迭代空间收缩法（iVISSA）等算法提取特征波长,建立PLS-DA分类判别模型,结果表明,MSC-CARS-PLS-DA为最优模型组合,校正集准确率为77.14%,预测集准确率为89.52%,建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。结果表明,Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。     

基于高光谱成像技术结合SPA和GA算法测定甜玉米种子电导率

种子活力对于农业发展至关重要,而甜玉米种子普遍存在活力较低且不耐贮藏的问题。因此,及时准确地对甜玉米种子活力进行检测尤为重要。电导率测定法作为一种传统的种子活力检测方法,存在对种子有一定破坏性、耗时较长、重复性不佳等缺点。针这些问题,尝试利用可见-近红外（VIS-NIR）高光谱成像系统结合化学计量学算法建立甜玉米种子电导率快速、无损且精确的检测方法。以高温高湿老化的绿色超人甜玉米种子为试验材料,先通过可见-近红外高光谱成像系统采集种子的高光谱图像和进行电导率测定试验,随后对高光谱图像进行黑白板校正、提取感兴趣区域,获取光谱反射率数据。利用多种预处理方法分别为标准正态变量变换（SNV）、二阶导（SD）、一阶导（FD）、和多元散射校正（MSC）建立甜玉米种子电导率的偏最小二乘回归（PLSR）模型,比较分析并筛选出最适预处理方法。再通过连续投影算法(SPA)及遗传算法（GA）对MSC预处理后的高光谱波段进行筛选提取,基于选出的特征波段建立PLSR模型,并与全波段（Full）PLSR模型进行对比分析,得到与甜玉米种子电导率相关性最高的高光谱波段组合,最终确立一种能够预测甜玉米种子电导率的方法体系。实验结果显示：不同预处理方法（SNV,FD,SD和MSC）建立的PLSR模型性能有所差异,其中MSC-PLSR模型的表现最优秀,其校正决定系数和预测决定系数分别为0.983和0.974,相应的校正均方根误差和预测均方根误差分别为0.165和0.226。进一步分析MSC-Full-PLSR,MSC-SPA-PLSR和MSC-GA-PLSR模型,发现GA能够将全光谱的853个波段压缩至25个有效波段,所建立的MSC-GA-PLSR模型仍表现优秀,其校正决定系数和预测决定系数分别为0.976和0.973,相应的校正均方根误差和预测均方根误差分别为0.194和0.212。实验结果表明：基于可见-近红外（VIS-NIR）高光谱成像系统结合化学计量学算法实现对甜玉米种子电导率的预测存在一定的可行性。该研究为甜玉米种子电导率的快速、无损且精确的检测提供一定的理论支持。