近红外光谱烟叶质量等级快速检测与等级特征分析

烤烟等级质量对配方设计和卷烟工业生产的稳定起着重要的作用。采用传统外观分级法对2018年全国40个地级市产地的768份烤烟烟叶样品进行分类定级,包括7个不同烟叶质量等级。应用近红外光谱建立烟叶质量等级预测模型,分析不同等级烟叶化学基团及相关成分的近红外吸收光谱特征。结果表明：不分产区建立全国烟叶等级预测模型,建模集与预测集的预测标准差不大于1.35。将样品按五大产区分区后,建立各产区模型,发现较全国模型,分区后各个产区所建模型的预测标准差有所降低,其中东南、西南、黄淮烟区模型提高较大,检验集与预测标准差均不大于1.07。对不同质量等级烟叶的平均光谱进行标准正态变量变换预处理后,依据近红外光在不同频率范围吸收的有机基团及相关物质成分信息,发现质量等级较好的烟叶,纤维素含量较低,淀粉等糖类物质含量较高;质量等级较差的烟叶,纤维素含量较高,淀粉等糖类物质含量较低;质量等级最差（上部低等）烟叶,同时具有蛋白质类物质含量较高的特点。因此,应用近红外光谱可实现烟叶质量等级的快速预测,预测偏差基本在相邻等级之间,满足实际应用要求,通过建立不同产区预测模型可进一步提高预测准确度;同时,不同等级烟叶在以纤维素、淀粉和糖类、蛋白质类等物质为主产生的基团吸收特征不同,这也是应用近红外光谱实现烟叶质量等级快速检测的信息基础。该研究结果对完善烟叶分级评价体系,进一步优化分级方案,为产品质量和维护等方面可提供了更加科学的方法指导和技术支撑。     

烤烟的近红外光谱检测模型

对杀青烟叶蛋白质和水溶性总糖含量的光谱检测,发现近红外光谱（1100-2500nm）的检测模型优于可见-近红外光谱（350-2526nm）,烟粉检测模型优于片状烟叶的检测模型.通过对烟叶全部光谱数据不同的预处理来探究其蛋白质和水溶性总糖的近红外光谱的检测模型,并利用近红外有效波长对施木克值的含量进行预测.利用偏最小二乘法（PLS）通过训练集的交叉验证建立回归模型,结果表明：（1）对原始光谱进行二阶导数变换后,得到蛋白质含量预测模型的预测集r=0.9768、RMSE=0.6843;（2）对原始光谱每隔51个点进行移动平滑处理及主成分数为8时,水溶性总糖含量预测模型的预测集r=0.9495、RMSE=0.9049;（3）基于82个波长对施木克值的预测模型的预测集r=0.9356、RMSE=0.1060.     

基于近红外光谱技术的土壤参数BP神经网络预测

利用BP神经网络预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析模型。试验共测量了150个田间土壤样本的近红外光谱,首先采用局部加权散点图平滑滤波法对光谱曲线进行了平滑处理,然后根据对目标参数进行的聚类分析结果进一步平均了输入光谱,最后将反射光谱数据进行对数转换后与目标数据一起进行了归一化处理。对预处理后的光谱数据首先进行主成分分析,然后提取贡献率超过99.98%的主成分建立BP神经网络模型。对土壤有机质含量的分析结果：模型拟合精度为0.999,预测精度达到0.854。对于土壤全氮含量的分析结果：模型的拟合精度近似为1,预测精度达到了0.808。研究表明,基于近红外光谱技术的土壤参数BP神经网络预测模型具有较高的鲁棒性和较强的容错能力。     

MIV波长优选改善VIS/NIR光谱TVB-N模型性能研究

挥发性盐基氮(TVB-N)是衡量肉品新鲜的重要理化指标,利用可见/近红外(VIS/NIR)光谱对TVB-N含量进行定量检测具有重要意义。预测模型是VIS/NIR光谱检测TVB-N含量性能的关键要素,使其兼顾准确性与稳健性可有效改善TVB-N的定量分析结果。以猪肉为例,采集51组不同新鲜度样本的VIS/NIR光谱数据,去除低信噪比区间200～450和900～1 000 nm,选取有效波段450～900 nm的光谱数据用于建模。随后利用主成分分析(PCA)对光谱信息降维,构建一个反向传播神经网络(BPNN)模型。在此基础上,提出用平均影响值(MIV)方法从有效波段中优选与肉质TVB-N含量强相关的特征波长,最终基于221个优选波长,构建一个MIV-PCA-BPNN预测模型。实验表明,初步构建的PCA-BPNN非线性预测模型,校正相关系数(R_C)和校正均方根误差(RMSEC)分别为0.96和1.47 mg/100 g,预测相关系数(R_P)和预测均方根误差(RMSEP)分别为0.93和1.74 mg/100 g,模型稳健性指标为1.18,优于经典的线性预测模型主成分分析回归和偏最小二乘回归,证明TVB-N具有较强的非线性效应。最终构建的MIV-PCA-BPNN预测模型的R_C和RMSEC分别为0.98和1.21 mg/100 g, R_P和RMSEP分别为0.96和1.12 mg/100 g,模型稳健性指标为1.08,在所构建的预测模型中, RMSEC和RMSEP最小,R_C和R_P最大,模型的准确性和稳健性最佳。另外, MIV方法筛选出的特征波长集中在7个波峰附近,皆分布于肉品中化学成分的吸收区内,且与TVB-N中的含氢基团的特征吸收峰表现出高度一致性,为利用MIV方法筛选波长变量提供了理论依据。研究结果显示, MIV波长优选可有效改善预测模型的性能,为利用神经网络剔除无关波长变量提供了新思路,所构建的MIV-PCA-BPNN预测模型满足了肉质中TVB-N定量分析的需求。     

基于近红外光谱的烟叶纵向分切方法

为了研究初烤烟叶纵向分切方法,分别对玉溪K326和昆明红大两个品种3个典型等级初烤烟叶进行纵向等面积分切,并测定不同分切部位的近红外漫反射光谱,利用主成分分析法以及系统聚类法研究初烤烟叶各分切部位的差异性。结果表明:(1)主成分分析对初烤烟叶不同纵切部位的样本有一定的聚类作用,但是需要肉眼判断,带有一定的主观性;(2)系统聚类分析结果表明,昆明红大3个等级样品均是近叶基端(12A部分)为第一类,其余部分为第二类;玉溪K326不同等级分类方法有所不同,但均是近叶基端为一类。(3)本研究认为,不论对于玉溪K326还是昆明红大初烤烟叶品种,均可以切除约占烟叶面积9%—25%(约占烟叶长度15%—30%)的近叶基端部分进行单独切断打叶复烤。研究结果为两段式打叶复烤新技术提供了新的分切方法与理论支持。     

基于可见-近红外光谱技术预测茶鲜叶全氮含量

为快速无损监测茶树氮素营养及其生长状况,基于可见-近红外光谱技术建立了茶鲜叶全氮含量的预测模型。以茶鲜叶为对象,田间试验使用便携式光谱仪采集叶片漫反射光谱信息,通过不同预处理和统计分析,建立茶鲜叶全氮含量预测的光谱模型。试验共采集111个样品,其中86个样品作校正集,25个样品作预测集。通过一阶导数与滑动平均滤波相结合的预处理方法,用7个主成分建立的偏最小二乘模型最好,其校正集均方根误差(RMSEC)为0.097 3,预测集的相关系数为0.888 1,预测均方根误差(RMSEP)为0.130 4,预测的平均相对误差为4.339%。研究结果表明,利用可见-近红外光谱技术可以很好地预测茶鲜叶全氮含量,对于快速实时监测茶树长势和施肥管理具有重要指导意义。     

主成分-逐步回归近红外光谱法测量纸浆卡伯值

主成分 -逐步回归法用于纸浆卡伯值的近红外光谱法测量建模。结果表明 ,这种算法由于主成分分析法消除了变量间的相关性 ,逐步回归法又在一定程度上防止主成分分析法带来的光谱数据信息的损失 ,所以利用该算法建立的纸浆卡伯值测量模型 ,与一元回归、多元回归和主成分回归等方法相比 ,具有更高的预测精度。     

南疆农田土壤全氮含量的中红外光谱反演模型

快速准确监测农田土壤全氮含量,可显著提高土壤肥力诊断与评价工作的效率。传统测定土壤全氮的方法存在耗时费力、成本高、环境污染等缺点,而基于光谱学原理的土壤全氮定量方法克服了传统测量的劣势。中红外(MIR)光谱相较于可见光-近红外(VNIR)光谱而言,具有更多的波段数和信息量,如何利用中红外光谱监测土壤全氮含量是具有重要应用前景的研究课题。为了探索中红外光谱对土壤全氮监测的可行性,以新疆南疆地区采集的246个农田土样为研究对象,以室内测定的全氮含量和中红外光谱反射率数据为数据源,分析了不同全氮含量土样的中红外光谱特征差异,以主成分分析法(PCA)和连续投影算法(SPA)对光谱数据进行降维,然后采用偏最小二乘回归(PLSR)、支持向量机(SVM)、随机森林(RF)和反向传播神经网络(BPNN)四种建模方法分别构建基于全波段和降维数据的土壤全氮含量定量反演模型。研究结果表明：(1)土壤在中红外波段光谱反射率随全氮含量的增加而增加,在3 620,2 520,1 620和1 420 cm-1附近存在明显的吸收谷;将中红外光谱数据进行最大值归一化处理后,可明显提高土壤光谱反射率与全氮含量的相关性。(2)对比两种数据降维方法,PCA和SPA分别使模型变量数减少了99.8%和97.5%,但以PCA提取的8个主成分为自变量建立的模型预测精度总体要高于SPA对应的模型,因此以PCA提取的主成分建模更适于土壤全氮模型的构建。(3)在建模集中,PLSR和SVM模型以全波段建模精度最高,但建模变量数多,建模效率较低,而RF和BPNN模型分别以PCA和SPA降维后的数据建立的模型在保持精度相当的前提下,可显著提高建模效率;在预测集中,基于PCA降维数据的BPNN模型预测能力最高,R2和RMSE分别为0.78和0.12 g·kg-1,RPD和RPIQ值分别为2.33和3.54,模型具备较好的预测能力。研究结果可为农田土壤全氮含量快速估测提供一定的参考价值。     

PCA和SPA的近红外光谱识别白菜种子品种研究

为了实现对不同品种白菜种子的快速无损鉴别,应用近红外光谱技术获取白菜种子的光谱反射率,首先采用变量标准化校正和多元散射校正对原始光谱进行预处理;其次,采用主成分分析法(PCA)对光谱数据进行聚类分析,从定性分析的角度得到三种不同白菜种子的特征差异,并采用连续投影算法(SPA)选取特征波长;最后,分别基于全波段光谱、PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长,建立了最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型进行白菜种子不同品种的鉴别。从主成分PC1、PC2得分图中可以看出,主成分1和2对不同种类白菜种子具有很好的聚类作用。基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型,其中基于特征波长建立的LS-SVM模型识别效果最优,建模集和预测集的品种识别率均达到100%。结果表明,通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息,提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果,为白菜种子品种的识别提供了一种新方法。     

高光谱技术结合特征波长筛选和支持向量机的哈密瓜成熟度判别研究

可溶性固形物含量(SSC)和硬度是哈密瓜划分等级的重要指标,同时也是其成熟度的表征因子。因此,为满足哈密瓜自动化分级和适宜采摘,采用高光谱技术结合特征波长筛选的方法,同时对哈密瓜的可溶性固形物含量、硬度及成熟度进行了无损检测研究。对多元散射校正(MSC)处理后的光谱分别利用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)和CARS-SPA方法筛选了哈密瓜可溶性固形物和硬度的特征波长,并将原始光谱、MSC预处理后的光谱和所筛选的特征波长作为输入变量分别建立哈密瓜可溶性固形物和硬度的支持向量机(SVM)预测模型及成熟度判别模型。结果显示,MSC-CARS-SPA方法所建立的可溶性固形物和硬度SVM预测模型最优,其R_pre, RMSEP和RPD分别为0.940 4, 0.402 7, 2.94 1和0.825 3, 35.22, 1.771。同时对哈密瓜成熟度进行了判别分析,并分别建立了基于全光谱、单一的可溶性固形物或硬度特征波长和主成分分析(PCA)特征融合的哈密瓜成熟度SVM判别模型。结果显示,CARS-PCA-SVM模型的判别结果与全光谱SNV-SVM模型相同,其校正集和预测集判别正确率分别为95%和94%。研究表明,利用高光谱技术结合特征波长筛选方法可实现同时对哈密瓜可溶性固形物和硬度的定量预测及成熟度判别。     

初烤完整烟叶总植物碱的近红外光谱测量方法研究

为了探讨近红外光谱分析技术检测完整烟叶化学成分的可行性,利用近红外光谱分析技术,对初烤完整烟叶的光谱采集方式及总植物碱定量分析建模方法进行了研究。以云南省昆明市不同乡镇、不同品种的初烤烟叶为研究对象,分别采用烟叶的叶尖、叶中、叶基光谱及其平均光谱建立初烤完整烟叶总植物碱近红外偏最小二乘法(PLS)定量分析模型以选择出代表完整烟叶信息的建模光谱;分别用KS和SPXY方法对样品的校正集进行选择,采用向后区间偏最小二乘法(BiPLS)、无信息变量消除法(UVE)、竞争适应性重加权采样法(CARS)等选择特征变量,对模型进一步优化。研究结果表明,采用叶尖、叶中、叶基3个部位的平均光谱建立的模型相比单独每个部位光谱所建立模型的预测精度提高了8.5%~9.5%,与全光谱建模相比,用KS-BiPLS建立模型能明显改善模型的预测能力,模型的预测精度约提高了10%,模型的校正集决定系数和均方根误差分别为0.917 4和0.226 1,检验集决定系数和预测均方根误差分别为0.902 0和0.200 7。本研究方法适用于完整的初烤烟叶,无需对样品进行预处理,对于大量的初烤烟叶,能够快速、无损测定烟叶总植物碱含量,可以节省大量的时间。同时,该研究为初烤烟叶分级、提高原料的品质提供技术支持,也将为卷烟生产的过程控制提供科学依据。     

灰度关联分析结合支持向量机用于近红外光谱研究

灰度关联分析是通过关联度的计算来理清系统中各因素之间的主次关系,找出影响较大的因素。简述了灰度关联分析的基本原理,并利用其对180个烟草样品的近红外谱进行了谱区优化,选取其中120个样品用于建模,另外60个样品用于模型检验。进一步利用偏最小二乘法和径向基支持向量机法分别建立了烟草样品的总糖、还原糖、烟碱及总氮的定量分析模型。结果表明,将灰度关联分析与支持向量机法联合用于烟草近红外光谱四个组分的定量分析,其模型的泛化能力和预测精度均有较明显的提高,从而能够有效地提高建模效率。     

应用近红外光谱和多算法融合方法分析烤烟的香型风格特征

以全国17个主要烤烟产地省份中收集的3 914个烟叶样品的近红外光谱为实验对象,其中浓香型、中间香型、清香型烟叶光谱分别865条、1 403条、1 646条,应用近红外光谱和多算法融合方法分析其香型风格特征。在以产地进行初步划分烟叶香型以及认可过渡型和非典型香型类型的基础上,选取基于主成分及Fisher准则的投影法(PPF)、偏最小二乘判别(DPLS)、支持向量机(SVM)作为单分类器,得到各个算法第1和2判别分析结果;应用PPF-DPLS-SVM融合和各算法第1和2判别分析结果,将预测验证样品的分析结果详细划分为典型、过渡型、非典型香型样品(分别为493,392,115个);其中典型香型烟叶样品的判别准确率达到92.7%,较未进行典型样品划分时PPF,DPLS,SVM单算法的识别准确率分别提高了30.2%,15.4%,16.6%。样品数据来源于全国主要烤烟产地,数据量大,代表性较好,分析结果具有一定普遍性;提出的多算法融合分析方法大幅度提高了通过客观数据判别烤烟香型的准确率;同时,将烤烟香型细划分为典型、过渡型和非典型香型的方式,对烤烟烟叶原料的科学合理利用以及烟叶原料的模块化工业加工等有指导作用。     

PCA-SVR联用算法在近红外光谱分析烟草成分中的应用

由50份烟草样品的近红外漫反射光谱组成的光谱矩阵经过主成分分析降维,采用基于支持向量机回归(SVR)算法,以常规化学分析方法测定的总糖、还原糖、总氮、烟碱的含量为参考值,建立了烟草中主要成分近红外光谱定量分析定标模型,并采用留一法交叉验证(LOOCV)对模型进行验证。以内部交叉验证预测的RMSE值为判据,从核函数类型、惩罚因子C和不敏感函数ε取值等方面对定标模型进行优化,获得不同成分定标模型的优化参数。烟草总糖、还原糖、总氮、烟碱优化定标模型的RMSE值分别为1.581,1.412,0.117和0.313。同时建立了烟草以上成分的偏最小二乘回归(PLS)、多元线性回归(MLR)以及误差反向传播人工神经网络(BP-ANN)定标模型,通过内部交叉验证的RMSE值与SVR定标模型进行比较,结果表明SVR模型具有更好的预测效果。     

FTIR-ATR指纹图谱的主成分分析-马氏距离法应用于烟用香精质量控制

在配制过程正常的条件下,分批采集150个三种正常烟用香精的傅里叶变换衰减全反射红外指纹图谱,并对原始数据进行均值中心化处理,同时对其光谱信号进行二阶导数基线校正和Karl Norris降噪处理,应用化学计量学中的主成分分析-马氏距离法分类建模,然后对烟用香精配制质量进行多元统计过程控制(MSPC),结果表明,将马氏距离上限的控制范围(UCL)设定在该类平均马氏距离的+3σ范围之内,均获得了正确的监控预报。     

局部偏最小二乘回归建模参数对近红外检测结果的影响研究

报道了在局部加权(LWR)回归方法基础上,自主改进的更简单、实用的局部偏最小二乘回归(LPLS)的原理和方法。并以云南优质烤烟为实验材料,在国产光栅漫反射型近红外仪器上,研究了主成分数以及局部建模样品数对检测结果的影响。结果表明：应用交叉验证方法推荐的尼古丁组分模型主成分数并不是最优,通过适当降低主成分数可提高检测效果;局部建模样品数为30～50个时总糖、总氮、尼古丁预测准确度的提高幅度可分别达7%,14%,10%以上。该方法能有效提高近红外数学模型的预测准确度,是建立具有高度适应性近红外数学模型的有效方法。     

FT-NIR光谱仪测定烟草化学成分不同谱区范围对数学模型影响的研究

应用傅里叶近红外技术建立快速定量分析烟草化学成分的数学模型 ,使用BrukerOptics公司的MPA型傅里叶变换近红外光谱仪 ,谱区扫描范围 12 0 0 0～ 4 0 0 0cm- 1 ,选择不同的谱区范围对烟碱、总糖和总氮三种组分的数学模型进行优化 ,结果显示不同谱区范围对同一组分数学模型影响有明显的差异 ,而且不同组分所选择的最佳建模谱区范围是不一样的 ,说明在模型优化过程中选择最佳谱区范围是非常关键的 ,烟碱、总糖和总氮三种组分模型的最佳谱区范围分别是 95 0 0～ 4 2 31 2cm- 1 ,75 0 2 1～ 4 2 4 6 7cm- 1 ,75 0 2 1～4 5 97 7cm- 1 ,三种组分最佳模型交叉检验的均方差 (RMSECV)分别为 0 0 815 ,0 80 8,0 0 5 6。     

基于地面实测光谱的湿地植物全氮含量估算研究

随着再生水越来越多的应用于城市湿地,湿地植物生长状态的大面积监测对于利用再生水的湿地恢复与重建具有重要意义。目前遥感技术已成为植物生长状态大面积监测的重要手段。本研究以北京市典型再生水城市湿地奥林匹克公园南园湿地为研究区,以反映植物生长状态的重要指标全氮(TN)为研究对象,在测定研究区湿地植物芦苇(Phragmites australis)和香蒲(Typha angustifolia)的叶片光谱及TN含量的基础上,对数据进行预处理并建立二者的关系模型,包括单变量模型(比值光谱指数(SR)模型和归一化差值光谱指数(ND)模型),与多变量模型(逐步多元线性回归(SMLR)模型和偏最小二乘回归(PLSR)模型),并利用交叉验证决定系数(R2CV)和均方根误差(RMSECV)对模型精度进行检验。结果表明,不同湿地植物类型相比,利用芦苇反射光谱建立的各种预测模型的精度都高于香蒲;不同回归模型相比,多变量回归模型的精度较高;多变量回归模型中,PLSR模型的精度高于SMLR模型,其R2CV可达0.80,RMSECV仅为0.24,是建立湿地植物光谱与TN含量关系的最优模型。研究成果不仅为湿地植物生长状态遥感探测提供参考借鉴,而且可以为利用再生水的城市湿地监测与管理提供有力的科学依据。     

湿地土壤硝化微生物群落的高光谱研究

氮循环是土壤生态系统元素循环的重要过程,其中硝化作用对于土壤氮循环有重要影响。硝化作用的主要完成者是硝化微生物群落,土壤微生物是湿地生态系统的重要组成部分,其可以指示湿地生态环境变化,对正确认识湿地生态系统氮循环和湿地污染净化功能具有重要意义。尝试从高光谱遥感技术角度,基于土壤氮素光谱监测机理,探索湿地土壤硝化微生物群落高光谱估算技术,进而为估测其时空分布状况提供新技术途径。研究对硝化作用中两个独立阶段的主要完成者氨氧化细菌和亚硝酸氧化细菌,采用最大可能数法分别计数,并以两者计数测量结果的合计,作为各采样区域土壤硝化微生物的数量值。采用光谱倒数的对数(LR)、光谱一阶微分(FD)、光谱二阶微分(SD)、包络线去除(CR)和光谱波段深度(BD)光谱变换技术,以及基于再抽样(bootstrap)技术的多元逐步回归(SMLR)和偏最小二乘回归(PLSR)建模方法,构建湿地土壤硝化微生物数量和全氮含量估算模型。研究结果表明：在采用bootstrap SMLR建模方法时,湿地土壤硝化微生物数量和全氮含量的估算波段位置存在一定的相似性(尤其对于原光谱实测数据R和SD光谱);对于湿地土壤硝化微生物数量和全氮含量的估算,bootstrap PLSR相比于bootstrap SMLR建模方法,具有较高的估算精度;对湿地土壤硝化微生物数量的估算,最高估算精度产生于SD光谱变换技术结合bootstrap PLSR建模;对湿地土壤全氮含量的估算,最高估算精度产生于CR光谱变换技术结合bootstrap PLSR建模。     

土壤养分的红外衰减全反射与漫反射光谱同步测量方法

光谱学分析技术因具有快速、实时、无损等优势,被广泛用于土壤养分检测等各个领域,也是现代农业检测控制中广泛应用的一种有效方法。实验采集不同养分含量的土壤样本,分别获取中红外衰减全反射(ATR)和漫反射(DRIFT)光谱数据。通过不同的光谱预处理算法结合偏最小二乘法(PLS)建立土壤中全碳、全氮、碱解氮的定量分析模型,对土壤养分的ATR和DRIFT光谱分别进行独立模型和叠加模型的分析。并以土壤养分中的全碳和全氮为例,发现经过标准正态变量变换处理的两种光谱建立的PLS模型相关系数均有所提高。全碳的两种光谱模型校正集的R2分别提高至0.826和0.919,而全氮两种模型校正集R2分别提高至0.841和0.928。我们进一步对全碳、全氮各自叠加后的光谱进行分析,模型的R2分别提高至0.942和0.951。用同样的方法分析土壤中的碱解氮,联用两光谱后的R2提高至0.919。研究结果表明,两种光谱的联合使用,为提高模型的相关系数和预测能力提供了一种合理有效的方法。