近红外光谱测定麦冬中的总皂苷和总黄酮

采用近红外光谱分析技术对麦冬有效成分进行定量分析.对麦冬的原始漫反射光谱采用了Savitzky-Golay平滑、多元散射校正、一阶导数及二阶导数等多种光谱预处理方法进行处理,并结合偏最小二乘法对麦冬总皂苷和总黄酮含量进行了定标建模分析.结果表明,光谱均在经过Savitzky-Golay平滑+多元散射校正(MSC)+一阶导数预处理后得到的定标模型效果最佳,分析结果精度较高,总皂苷模型R2、RMSEC、Rcv2、RMSECV、主因子数分别为0.938、0.76、0.901、0.98和6,总黄酮模型R2、RMSEC、Rcv2、RMSECV、主因子数分别为0.872、1.04、0.857、1.32和4.模型经过验证样品集检验,预测决定系数达到0.930和0.655.     

廿蔗初压汁锤度近红外光谱分析的波段优选

用近红外透射光谱技术和偏最小二乘法建立甘蔗初压汁锤度的定量分析模型.用多元散射校正和Savitzky-Golay平滑化方法对原谱、一阶导数谱和二阶导数谱进行预处理.选取400-1100nm、1100-1400nm、1550-1850nm、2100-2350nm以及全谱(400-2500nm)5个波段,每个波段分别采用原光谱、一阶导数谱、二阶导数谱.同时调整Sayitzky-Golay平滑点数和PLS因子数,通过多次PLS数值实验比较,按照预测效果确定每个模型的最优平滑点数、因子数,再从中选优.结果表明,采用二阶导数谱的1550-1850nm波段的定标效果最好,模型的预测相关系数、预测均方根偏差、相对预测均方根偏差分别为0.896,0.406,1.95%.1550-1850nm波段可以代替全谱波段得到好的定标效果,为设计小型专用近红外分析仪器提供依据.     

甘蔗初压汁锤度近红外光谱分析的波段优选

用近红外透射光谱技术和偏最小二乘法建立甘蔗初压汁锤度的定量分析模型。用多元散射校正和Savitzky-Golay平滑化方法对原谱、一阶导数谱和二阶导数谱进行预处理。选取400—1100nm、1100—1400nm、1550—1850nm、2100—2350nm以及全谱（400—2500nm）5个波段,每个波段分别采用原光谱、一阶导数谱、二阶导数谱。同时调整Savitzky-Golay平滑点数和PLS因子数,通过多次PLS数值实验比较,按照预测效果确定每个模型的最优平滑点数、因子数,再从中选优。结果表明,采用二阶导数谱的1550-1850nm波段的定标效果最好,模型的预测相关系数、预测均方根偏差、相对预测均方根偏差分别为0.896,0.406,1.95%。1550—1850nm波段可以代替全谱波段得到好的定标效果,为设计小型专用近红外分析仪器提供依据。     

近红外光谱法快速测定注射用益气复脉(冻干)中人参总皂苷的含量

采用近红外光谱分析技术对注射用益气复脉(冻干)中人参总皂苷含量进行了定量分析.用50批样品的原始光谱经一阶导数和多元散射校正技术预处理,选取4246-4848cm-1及6098-7502cm-1波段,并结合偏最小二乘回归法对人参总皂苷进行了建模分析,结果R2为90.04,RMSECV为0.614,最佳回归因子为9.用建...     

正交信号校正在人体血糖近红外光谱分析中的研究

本文以血清的近红外光谱为研究对象,首先运用载荷向量分析确定最佳定标谱区为4192-4943 cm-1与5294-7200 cm-1两个波段,然后分别用平滑、一阶导数、正交信号校正(OSC)预处理方法,结合偏最小二乘回归方法建立了血清中血糖的模型.用平滑、一阶导数所建立模型的预测标准偏差(RMSEP)分别是0.545、0.568,用OSC校正后所建立模型的RMSEP是0.390,结果表明使用OSC校正对光谱进行合理的校正,能够滤除光谱矩阵与浓度矩阵无关的信号,降低模型的因子数,从而降低模型的复杂性,提高模型的稳健性.     

近红外漫反射光谱法测定整粒小麦单株蛋白质含量

应用近红外漫反射光谱技术(波长为1 100～2 498 nm,分辨率为2 nm),以整粒小麦为材料建立适合于小麦单株分析的蛋白质含量分析系统。首先选取籽粒蛋白质含量具有梯度差异的小麦样品,然后对样品扫描得到原始光谱信息,通过散射校正及数学处理来消除原始光谱噪声,最后分别采用多元线性回归、主成分分析法和偏最小二乘法法建立回归方程。结果表明,优化各项参数后,光谱经过标准乘性散射校正和一阶导数处理后,回归分析采用修正的偏最小二乘法(MPLS)得到的定标模型效果最佳。最终得到的预测方程定标相关系数(RSQ)、交叉验证标准误差(SECV)、交叉验证相关系数(1-VR)分别为0.94,0.42,0.87。数学模型经过验证样品集检验,预测相关系数达到0.88。该模型达到了快速、无损分析单株小麦的要求,非常适合于品质育种的早代选择。     

人参总皂甙近红外光谱及定标建模分析

采用近红外光谱分析技术对人参进行了光谱及定量分析。对人参的原始漫反射吸收光谱采用二阶导数、散射校正、相关分析等多种光谱解析手段,研究了人参中的主要成分总皂甙的光谱吸收特性,并结合偏最小二乘回归法对人参总皂甙进行了定标建模分析。分析结果精度高,定标标准差(RMSEC)为0.154％,相关系数为0.982 8。     

近红外光谱快速鉴别不同产地药用植物重楼的方法研究

重楼属植物极具药用价值,野生资源主要分布在我国西南省区。应用近红外漫反射光谱,以贵州、广西和云南三个不同产区的70份野生药用植物重楼为研究对象进行产地鉴别。采用多元信号校正、标准正态变量、一阶导数、二阶导数、Norris平滑和Savitzky-Golay滤波六种方法,对训练集(50份样品)原始光谱进行优化处理。结果表明,多元信号校正结合二阶导数和Norris平滑预处理光谱效果最好。采用光谱标准偏差选择光谱波段(7 450~4 050cm-1),结合主成分-马氏距离(principal component analysis-mahalanobis distance,PCA-MD)建立分类模型,前三个主成分累计贡献率、R2、RMSEC和RMSEP分别为89.44%,97.58%,0.179 6,0.266 4,预测正确率90%;采用变量重要性图选择光谱波段(7 135.33~4 007.35cm-1),结合偏最小二乘判别分析法(partial least square discrimination analysis,PLS-DA)建立判别模型,前三个主成分累计贡献率、R2、RMSEC和RMSEP分别为89.28%,95.88%,0.234 8,0.348 2,预测正确率为100%。比较两种方法的结果可知:采用变量重要性图方法选择光谱波段结合偏最小二乘判别分析法建立的判别模型能更准确地鉴别不同产区的重楼,该方法的建立为中药材真伪和品质评价奠定基础。     

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.     

多元散射校正预处理波段对近红外光谱定标模型的影响

利用近红外光谱对非均匀样品进行分析时,所得样品光谱中包含由光散射导致的干扰信息,通常需要借助多元散射校正算法(multiple scattering correction, MSC)对光谱进行预处理。由于不同波段光谱中所包含的散射信息、噪声水平、基线漂移程度等存在差异,利用MSC方法对光谱进行预处理时,基于不同波段的光谱数据会得到不同的校正结果,进而影响所得定标模型的可靠性。以60个全麦粉样品为研究对象,确定定标区间后,对包含定标区间的不同波段的原始光谱分别进行MSC处理,并利用固定区间内的光谱数据结合偏最小二乘回归(partial least square regression, PLSR)方法建立分析样品中蛋白质含量的定标模型,研究了MSC光谱预处理波段对定标模型的影响,并对MSC光谱预处理波段进行了优化,使定标模型的相关系数由0.96提高到0.98,交互验证均方根误差(root mean squares error of cross validation, RMSECV)由0.37%降低到0.32%。结果表明：利用MSC方法对样品光谱预处理时,光谱预处理波段会影响多元散射校正对光谱中非化学吸收信息的校正能力,确定合适的预处理波段是获得可靠分析结果的一个前提条件。     

可见-近红外透射光谱检测活体甘蔗蔗糖分的方法

蔗糖分是衡量甘蔗品质的重要指标,基于光谱学原理的活体甘蔗蔗糖分无损检测的方法具有重要意义。探究了不同光谱测量方式对预测结果的影响,改进了特征提取方法,建立了甘蔗蔗糖分预测模型。采用自行搭建的甘蔗透射光谱采集平台,在光源与探测器夹角为120°,150°和180°的条件下,按照甘蔗表皮蜡质去除与否,获取了123个甘蔗样本在6类不同采集方式下的甘蔗透射光谱数据集。首先采用了偏最小二乘回归（PLS）的建模精度评价了Savitzky-Golay平滑处理（S-G平滑）、标准正态变化（SNV）、多元散射校正（MSC）、一阶微分（FD）等多种光谱预处理方法对模型性能的影响,选取了综合效果最好的SNV进行预处理。接着分析了不同光谱测量方式对蔗糖分建模的影响。结果发现：(1) 对于蜡质覆盖的影响而言,去蜡后的光谱透过率更高、单样本不同采集位点的光谱差异更低、与蔗糖分的相关性也更高;(2) 对于光谱采集角度的影响而言,在一定范围内光谱透过率随角度的增大而降低;(3) 在获取的6类数据集中,去蜡且采集角度为120°的测量方式下获取的透射光谱建模效果最好,预测集相关系数为0.790 6,预测集均方根误差为0.898 6。最后,使用了间隔偏最小二乘法（i-PLS）、遗传算法（GA）、蚁群算法（ACO）和提出的基于全波段PLS建模回归系数的改进蚁群算法（VRC-ACO）筛选特征波长。VRC-ACO挑选得到的特征波长数量最少（10个）,且建模效果最好,预测集相关系数达到0.861 6,比全波段建模结果提高9.0%,预测均方根误差降低到0.746 6,比全波段建模结果降低20.0%。该研究为甘蔗蔗糖分无损检测及相应传感器的研发提供了理论支持。     

基于二次迭代Monte Carlo的羊肉硬度定量检测研究

随着居民生活水平的提高和对健康饮食结构的重视,羊肉作为一种高蛋白且低脂肪和胆固醇的畜肉,需求量逐年上涨。根据国家统计局统计,2012年-2019年我国畜肉产业中羊肉产量占比从6.27%上升到9.02%。研究提出了一种基于二次迭代Monte Carlo（MC）算法剔除异常样本的羊肉硬度定量检测PLSR模型。采用GaiaSorter高光谱分选仪的Image-λ-V10E-H相机采集羊肉样品400~950 nm的高光谱数据,Image-λ-N17E相机采集羊肉样品900~1 650 nm的高光谱数据。首先,对比分析了S-G平滑、二阶求导、多元散射校正（MSC）、标准正态变换（SNV）等光谱预处理方法在消除噪声影响,提高光谱分别率等方面的能力,选取最佳光谱预处理方法。然后,在第一次MC抽样中,计算所有样本预测误差均值和标准差的平均值,以该平均值的2.5~3倍作为可疑样本阈值,3倍作为异常样本阈值;剔除异常样本,保留并标注可疑样本,进行第二次MC抽样,以样本预测误差均值和标准差的3倍值为阈值进行异常样本二次剔除;对第一次MC抽样中标注可疑样本进行二次检测。最后,对比分析了基于全波长建立的偏最小二乘回归（PLSR）模型和基于回归系数法（RC）提取的特征波长建立的PLSR模型。研究结果表明,所提出的二次迭MC算法可以准确判别可疑样本是否为异常样本,有效优化样本集,为建模提供良好的数据基础。以MSC作为光谱预处理算法基于400~950和900~1 650 nm两段高光谱数据建立PLSR模型的R2_P分别为0.947 2和0.978 3,RMSE_P分别为47.789 9和30.590 1 g,优于其他三种光谱预处理算法。另外,基于900~1 650 nm建立的PLSR模型明显优于基于400~950 nm波长样本集建立的模型。通过RC算法选取出羊肉硬度在400~950和900~1 650 nm波长范围的特征波长分别为14个（410,438,450,464,539,558,612,684,701,734,778,866,884和935 nm）和10个（915,949,1 085,1 156,1 206,1 262,1 318,1 384,1 542和1 580 nm）。其中,基于900~1 650 nm波长建立的PLSR模型的R2_P为0.985 0,RMSE_P为24.397 0 g,为羊肉硬度预测的最佳模型。结果表明,所提出的融合二次迭代MC算法的PLSR模型可以有效预测羊肉冷藏过程中硬度特性变化趋势,为羊肉品质无损检测相关研究提供参考。     

赣南脐橙果园土壤全氮和有机质近红外漫反射光谱检测

选取赣南脐橙果园土壤作为研究对象,探讨在4 000～7 500 cm-1范围内的光谱分析土壤全氮和有机质的可行性。采集的近红外光谱采用多元散射校正、一阶微分、二阶微分、七点平滑等多种预处理对比分析,分别建立了有机质和全氮含量偏最小二乘模型。实验得出全氮预测模型在4 000～7 500 cm-1范围内采用七点平滑(SG)进行预处理模型较为理想,校正集相关系数(r_c)为0.802,校正均方根误差(RMSEC)为2.754,预测集相关系数(r_p)为0.715,预测均方根误差(RMSEP)为3.077;有机质预测模型在4 000～7 500 cm-1范围内采用标准正态变量变换(SNV)预处理模型较为理想,r_c为0.848,RMSEC为0.128,r_p为0.790,RMSEP为0.152。研究表明近红外漫反射光谱可快速用于赣南脐橙果园的土壤中全氮和有机质含量的快速检测。     

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。     

南疆沙尘区骏枣叶片水分含量检测的近红外光谱预处理方法对比

南疆地区沙尘多、灰尘大,枣树叶片表面经常覆盖一定程度的粗颗粒度沙尘,为了有效去除沙尘、灰尘在枣树叶片水分光谱测量过程中产生的散射噪声和基线漂移,研究一种适用于风沙较大地区的枣树叶片水分含量的快速检测方法,以不同灌溉梯度下的枣树叶片为研究对象,通过近红外光谱仪获取120个叶片样本的1 000～1 800 nm的光谱数据,并同步测量叶片水分含量,采用归一化、移动窗口平滑、SavitZky-Golay（SG）卷积平滑、SG求导、标准正态变量校正(SNV)和多元散射校正(MSC)等方法对原始光谱进行预处理,分析对比不同方法对散射噪声的处理能力,采用偏最小二乘回归分析方法筛选了敏感波段和建立预测模型。实验结果表明,枣树叶片水分含量强吸收峰为1 443 nm,波谷为1 661 nm;归一化光谱并未消除1 000～1 400 nm波段的散射噪声;移动窗口平滑和SG卷积平滑并未改进光谱曲线,散射噪声仍然存在;SG导数光谱的光谱特征峰和特征谷明显左移,光谱曲线不够平滑,噪声明显;SNV和MSC方法具有较好的散射噪声消除能力。偏最小回归分析方法筛选特征波长的结果表明（设置筛选波长数量为5）,基于原始光谱未筛选到1 443 nm的强波峰和1 661 nm的波谷附近的波段;基于归一化光谱在1 450 nm波峰附近筛选的波长有一定的偏差,在1 661 nm波谷附近的筛选的波长明显高于1 700 nm;基于移动窗口和SG卷积平滑光谱在1 443 nm具有一定的筛选能力,但并未筛选到1 661 nm附近的波长;导数光谱并未筛选到1 443和1 661 nm波段;SNV和MSC在波峰和波谷位置附近均筛选了敏感的光谱波段,其中MSC略优于SNV方法恰好在波峰和波谷位置,共筛选了1 002, 1 383, 1 411, 1 443和1 661 nm五个特征波段,也证明了MSC方法散射噪声和基线漂移处理能力最优,提高了敏感波长的筛选能力。偏最小二乘回归模型结果表明,不同预处理方法的RMSE值均较低,SNV和MSC方法改进了模型的预测结果,R2高于0.7,其中基于MSC方法的模型具有最高的R2和最低的RMSEP和RMSEPCV,R2=0.750 4,RMSEP=0.034 3,RMSECV=0.021 5,预测结果较优。证明MSC方法对沙尘和颗粒度引入的散射噪声具有较好的去除能力,可改进波长的筛选、提高预测模型精度,为南疆沙尘区的枣树叶片水分含量的无损检测提供了有效方法。     

可见/近红外光谱检测冷鲜猪肉中的脂肪、蛋白质和水分含量

采用可见/近红外光谱分析方法对冷鲜猪肉中的脂肪、蛋白质和水分含量进行了研究。光谱数据经多元散射校正(MSC)处理后,分别建立0～4 ℃和20 ℃下的原始光谱、一阶导数和二阶导数的偏最小二乘(PLS)定量分析模型,比较其相关系数(r)、校正标准差(RMSEC)和预测标准差(RMSEP),得到一阶导数处理后的模型最好,并且0～4 ℃下的模型优于20 ℃下的模型。0～4 ℃和20 ℃下脂肪的相关系数(r)分别为0.950和0.924,蛋白质为0.713和0.455,水分为0.944和0.914;脂肪的预测标准差(RMSEP)分别为2.41和2.95,蛋白质为5.44和4.25,水分为2.37和2.38。由此可见,可见/近红外光谱分析方法能够很好的检测冷鲜猪肉中的脂肪和水分,蛋白质的检测结果较差是由冷鲜肉加工工艺引起的。另外,两种温度下光谱曲线在770 nm附近产生了波长漂移,漂移量约10 nm。     

铀污染下的商陆叶片反射光谱特征与铀含量关系研究

通过室内盆栽试验,利用微分技术处理叶片反射光谱数据,研究铀污染下商陆叶片中的铀含量在不同光谱波段与原始光谱反射率、一阶导数光谱的相关关系,找到商陆铀污染诊断的敏感波段范围和最优光谱特征参数,并以相关性较好的敏感波段及光谱特征参数为自变量,与商陆叶片铀含量建立对应的估测拟合模型。如果以该模型为基础创建铀含量的冠层光谱模型,则有可能实现通过遥感影像监测叶片中的铀含量。实验结果表明：当商陆叶片中的铀含量为5.94～71.74 mg·kg-1时,叶片中铀含量与一阶导数光谱数据的相关性较原始光谱数据好,在749～766 nm区间内存在较好的相关性和光谱响应;根据上述相关性分析,选择14个光谱特征参数,计算他们与商陆叶片铀含量的相关系数,其中蓝边面积、红边位置、红边面积与蓝边面积的比值及红边面积与蓝边面积的归一化值与叶片铀含量的相关系数达到了0.05显著检验水平;选取一阶导数光谱中相关系数最高的波段757,758,760和761 nm处的值和上述相关性最高的4个光谱特征参数,与叶片铀含量建立多种形式的估测拟合模型,通过对拟合模型的精度检验,发现以红边面积与蓝边面积的比值、757和760 nm处反射率的一阶导数为自变量的拟合模型的预测效果较好,其中拟合效果最优的模型是以757 nm波段处反射率的一阶导数为自变量的三次函数模型,模型预测精度达到了89.8%。     

利用高光谱扫描技术检测小麦叶片叶绿素含量

利用高光谱扫描技术对小麦叶片进行无损检测试验,探索精确测定小麦叶绿素含量的方法,为农作物生长状况、植物病理诊断等提供科学依据。研究选取90个样本作为校正集,30个样本作为预测集,获取叶片的高光谱反射图像,同时用传统的分光光度计方法测定其叶绿素含量。选取波长491～887 nm范围光谱,用多元散射校正、一阶导数、二阶导数3种方法处理,利用偏最小二乘法和逐步线性回归法分别建立了小麦叶片叶绿素含量与光谱信号间的数学模型。研究发现多元散射校正(MSC)结合二阶导数光谱的多元线性回归(SMLR)模型的效果较优,模型校正集和预测集决定系数分别为0.82和0.79,校正均方根误差和预测均方根误差分别为0.69和0.71。研究结果表明可以利用高光谱扫描技术检测小麦叶片叶绿素含量。     

基于BP-ANN和PLS的近红外光谱无损检测李果实品质的研究

可溶性固形物（SSC）和可滴定总酸（TA）含量是影响李果实品质的重要指标,经典的破坏性检测方法不适用于果实按品质分级,近红外光谱(NIRS)检测方法具有速度快、操作简便、可无损检测果实品质。为实现NIRS无损快速检测安哥诺李果实可溶性固形物和可滴定总酸含量,利用NIRS采集李果实的漫反射光谱,同时采用糖度计测定安哥诺李果实的SSC,采用滴定法测定了李果实TA含量,使用杠杆值和F概率值剔除异常样品,采用软件优化结合人工筛选光谱波段,使用了消除常数偏移量、减去一条直线、矢量归一化（SNV）、最大-最小归一化、多元散射校正（MSC）、一阶和二阶导数结合平滑处理、一阶导数结合减去一条直线和平滑处理、以及一阶导数结合SNV或MSC校正等光谱预处理方法,分别采用偏最小二乘法（PLS）和主成分分析结合反向传播人工神经网络（BP-ANN）建立李果实SSC、TA的定量分析模型。结果表明,李果实SSC和TA的最佳PLS建模效果波段范围分别为4 000～8 852和4 605～6 523 cm-1。SSC的PLS模型的最佳光谱预处理方法为MSC校正,最佳模型校正相关系数（R_c）为0.914 4,预测相关系数（R_p）为0.878 5,校正均方根误差（RMSEC）为0.91,预测均方根误差（RMSEP）为1.00。经一阶微分结合SNV和9点平滑的方法预处理后,TA的PLS模型效果最佳,R_c,R_p,RMSEC,RMSEP分别为0.860 3,0.819 6,0.80和0.86。提取了李果实SSC和TA光谱数据的主成分,并基于前10个主成分得分建立了李果实SSC和TA最佳BP-ANN定量分析模型,其R_c,R_p,RMSEC和RMSEP分别为0.976 7,0.889 7,0.75和0.99;TA的BP-ANN模型的相应参数值依次为0.974 3,0.897 7,0.62和0.83,与采用PLS算法建立的定量模型相比较,BP-ANN模型具有较高的R_c,R_p和较低的RMSEC,RMSEP,因此BP-ANN模型对SSC和TA指标的定量分析结果更佳。     

高光谱成像技术鉴别菠菜叶片农药残留种类

利用高光谱成像技术无损鉴别菠菜叶片农药残留种类。采用高光谱成像仪采集900~1 700 nm波段内的光谱数据,采用多元散射校正对光谱数据进行预处理。利用主成分分析对不同种类菠菜样品的光谱数据进行分析,结果表明主成分分析能在可视化层面对不同种类的农药残留菠菜样品进行有效判别。另外,将卡方检验特征选择算法分别与支持向量机、朴素贝叶斯、决策树和线性判别分析算法结合,并采用10-fold交叉验证评价方法,筛选出最佳波段和最优判别模型（线性判别模型）。筛选出的8个特征波长为1 439.3,1 442.5,1 445.8,1 449,1 452.3,1 455.5,1 458.7,1 462 nm,模型的预测准确率达到0.993且10次交叉验证的标准差为0.009。结果表明,基于高光谱成像技术能准确地识别菠菜叶片上的农药残留种类。