高光谱数据对损伤长枣的检测判别

灵武长枣作为宁夏优势特色枣果,具有重要的经济社会价值和科学研究意义。利用可见近红外(Vis/NIR)高光谱成像系统采集60颗完整长枣光谱图像,然后利用损伤装置对60颗完整长枣进行损伤实验,最终得到60颗损伤（内部瘀伤）长枣,高光谱成像系统采集损伤后五个时间段（损伤后2,4,8,12和24 h）长枣的光谱图像。对采集的长枣光谱图像用ENVI软件提取感兴趣（ROI）区域,并计算完整长枣和每个时间段长枣的平均光谱值。原始光谱利用Savitzky-Golay平滑的一阶导数（SG-1）和二阶导数（SG-2）、标准正态变换（SNV）和去趋势（Detrending）、以及SNV-SG-1、SNV-SG-2、Detrending-SG-1、Detrending-SG-2算法进行预处理,原始光谱和预处理光谱建立偏最小二乘判别分析（PLS-DA）分类模型。选择最优的预处理光谱数据,利用连续投影算法（SPA）、间隔随机蛙跳（IRF）、无信息消除变量（UVE）、变量组合集群分析法（VCPA）、区间变量迭代空间收缩法（IVISSA）和IRF-SPA、UVE-SPA、IVISSA-SPA等算法进行特征变量选择,对选择的特征变量建立PLS-DA、线性判别分析（LDA）和支持向量机（SVM）分类判别模型。结果表明,在原始光谱建立的PLS-DA模型中,模型校正集和预测集准确率分别为82.96%和90%。光谱经过预处理后得到SNV-SG-2-PLS-DA为最优分类判别模型,模型校正集和预测集准确率分别为91.11%和96.67%。在特征变量建立的分类模型中,SNV-SG-2-UVE-PLS-DA模型校正集和预测集准确率分别为86.3%和94.44%;SNV-SG-2-SPA-LDA模型校正集和预测集准确率分别为86.3%和83.33%;SNV-SG-2-UVE-SVM模型校正集和预测集准确率分别为77.78%和71.11%。对于分类模型来说线性分类模型（PLS-DA、LDA）分类结果优于非线性分类模型（SVM）分类结果,在线性分类模型结果中PLS-DA优于LDA分类结果,PLS-DA可以更好的提供分类效果。研究表明,利用高光谱结合偏最小二乘判别分析分类模型,可以有效的实现灵武长枣损伤后随时间变化的快速检测,为灵武长枣在线检测提供理论依据。     

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。     

不同年份和产地美味牛肝菌的红外光谱鉴别研究

采用傅里叶变换红外光谱技术结合多元统计分析建立快速鉴别不同年份、不同产地美味牛肝菌的方法。采集2011年一2014年云南26个不同地区152个美味牛肝菌样品的红外光谱,使用正交信号校正(orthogonal signal correction,OSC)、微波压缩(wavelet compression)方法对原始光谱进行优化处理,OSCW校正前后的光谱数据进行偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA),比较光谱预处理前后PLS-DA的分类效果。将152个美味牛肝菌随机分为训练集(120个)和验证集(32个),建立OS--CW校正前后的PLS分类预测模型。结果显示,经OSCW处理后的PLS-DA分类效果明显优于处理前的结果,主成分得分图能准确区分不同年份、不同产地美味牛肝菌样品,表明OSCW处理能有效滤除光谱中的噪音及与因变量无关的干扰信息,提高光谱分析的准确性和计算速率。OSCW处理前PLS模型训练集的R~2和RMSEE分别为0.790 1和21.246 5,验证集的R~2和RMSEP分别为0.922 5和14.429 2;OSCW预处理后训练集的R~2和RMSEE分别为0.852 3和17.238 1,验证集的R~2和RMSEP分别为0.845 4和20.87,表明OSCW预处理提高了训练集的预测效果,但OSCW-PLS出现了过拟合现象降低验证集的预测能力,因此,OSCW不适宜与PLS结合建立模型。OSCW结合PLS-DA能滤除光谱中大量的干扰信息,准确区分不同年份、不同产地美味牛肝菌样品,为野生食用菌的鉴别分类提供可靠依据。     

木材种类的近红外光谱和模式识别

木材的种类识别是木材加工和贸易的一个重要环节,传统的木材种类识别方法主要有显微检测法和木材纹理识别法,其操作繁琐,耗时长,成本高,不能满足当前需求。本研究利用木材的近红外光谱(NIRS)结合模式识别方法,以期实现木材种类的快速准确识别。采用近红外光谱结合主成分分析法(PCA)、偏最小二乘判别分析法(PLSDA)和簇类独立软模式法(SIMCA)三种模式识别对58种木材进行种类鉴别研究;5点平滑、标准正态变量变换(SNV)、多元散射校正(MSC)、Savitzky-Golay一阶导数(SG 1st-Der)和小波导数(WD)五种光谱预处理方法用于木材光谱的预处理;校正集和测试集样品的正确识别率(CRR)用于模型的评价。采用PCA方法,通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。在建立PLSDA模型,原始光谱的正确识别率最高,分别为88.2%和88.2%;5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%;SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%;MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%;SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD(小波基为“Haar”,分解尺度为80)处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。可知,在PLSDA模型中,木材光谱未经预处理种类识别效果最后好。在建立SIMCA模型过程中,原始光谱的校正集和测试集的CRR分别为99.7%和99.4%;5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%;SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%;MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%;SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD处理的光谱校正集和测试集的CRR分别为100%和100%。可知,在SIMCA模型中,木材光谱经平滑和小波导数处理后的识别效果最好,且光谱的校正集和测试集CRR都为100%。采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时,由于木材样本属性复杂,主成分分布图相互交织,PCA无法识别出58种木材;原始光谱的PLSDA模型可以得到较好的判别模型,但校正集和测试集的CRR只有88.2%和88.2%;木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果,校正集和测试集的CRR均为100%,且WD-SIMCA模型因子数比5点平滑SIMCA模型小,模型更为简化,故WD-SIMCA为58种木材种类识别的最优模型。研究表明光谱预处理方法可以有效的提高木材种类识别精度,有监督模式识别方法SIMCA可以用来建立有效的木材识别模型,近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。     

紫苏种子品质的近红外光谱分析

为加快紫苏优质育种进程,采用近红外光谱(NIRS)技术,结合线性偏最小二乘法(PLS),以250份全国范围内收集的紫苏资源为研究材料,分别较好的建立其种子中含油量,棕榈酸(C16∶0),硬脂酸(C18∶0),油酸(C18∶1),亚油酸(C18∶2),a-亚麻酸(C18∶3)含量的六个近红外光谱校正模型。结果显示,六个模型的校正决定系数(RSQ1)分别为：0.98,0.91,0.92,0.92,0.85,0.93;交叉验证决定系数(1-VR)分别为：0.97,0.89,0.89,0.91,0.85和0.91;外部验证相关系数(RSQ)分别为：0.98,0.91,0.89,0.90,0.80和0.89,且定标标准误差(SEC)分别为0.99,0.21,0.1,0.94,0.81,0.92;交叉验证标准误差(SECV)分别为1.16,0.23,0.11,1.05,0.92,1.02和预测标准误差(SEP)分别为0.97,0.21,0.11,1.12,0.99,1.14。结果表明,此六个校正模型质量均较高。这些首次建立的快速无损的近红外分析模型,可为紫苏资源开发提供指导,对紫苏油分品质育种具有重要意义。     

基于近红外光谱和化学计量学的驴肉鉴别方法研究

驴肉具有极高的食用价值,资源的缺乏使其价格持续走高,由此引发的欺骗和掺假亟待解决。选取了不同部位(脖子、肋板、后墩和腱子)的驴肉样品(n=167)及牛肉(n=47)、猪肉(n=51)和羊肉(n=32)样品在4 000~12 500cm-1光谱范围上建立了驴肉的近红外光谱鉴别模型。比较了马氏距离判别分析、簇类独立软模式分类法、最小二乘-支持向量机方法分别结合平滑(5点、15点及25点)、一阶和二阶微分、多元散射校正和标准归一化的光谱预处理方法对肉块样品及大中小三个不同粉碎粒径(7,5,3mm)肉糜样品的分类模型结果发现,原始光谱前11个主成分得分作为输入的马氏距离判别及前6个主成分作为输入的最小二乘-支持向量机肉块样品分类模型较优,校正集和预测集正确率分别为100%和98.96%;原始光谱前5个主成分作为输入的LS-SVM大粒径肉糜样品分类模型结果较优,校正集和预测集判别正确率为100%和97.53%;原始光谱前8个主成分得分作为输入的簇类独立软模式分类法中粒径肉糜样品分类模型结果较优,校正集和预测集的判别正确率均为100%;而对于小粒径肉糜样品,原始光谱前7主成分输入的马氏距离判别和前9主成分输入的簇类独立软模式分类法模型均得到了校正集和预测集100%的判别正确率。以上模型中的驴肉样品均得到了100%的判别正确率。研究结果表明,使用近红外光谱分析技术结合化学计量学方法鉴别驴肉是可行的。     

祁门红茶加工中氨基酸和儿茶素快速检测模型建立

氨基酸与儿茶素是茶叶品质的重要组成成分。祁门红茶在加工过程中,氨基酸与儿茶素含量发生了显著的变化,而且不同加工阶段差异性很大,但目前在生产中缺乏快速在线检测方法。为了实现对祁门红茶加工过程中氨基酸和儿茶素含量快速测定,试验以鲜叶、萎凋叶、揉捻叶、发酵叶和干燥后毛茶为原料,获取近红外光谱并利用化学方法检测氨基酸和儿茶素含量。对采集的原始光谱进行标准正态变量变换(SNVT)预处理,利用联合区间偏最小二乘回归法(Si-PLS)构建氨基酸和儿茶素含量近红外回归模型,相关系数与交互验证均方根误差作为评价模型的有效指标。结果表明,利用Si-PLS方法建立氨基酸含量的模型最优组合包含20个光谱区间并联合4个子区间和9个主成分因子,校正集的相关系数、校正均方根误差分别为0.955 8和1.768;预测集的相关系数、预测均方根误差分别为0.949 5和2.16。儿茶素含量的模型最优组合包含20个光谱区间并联合3个子区间和10个主成分因子,校正集的相关系数、校正均方根误差分别为0.940 1和1.22;预测集的相关系数、预测均方根误差分别为0.938 5和1.17。所建立模型准确性较好,这为茶叶加工过程中茶叶品质的在线监控提供了理论依据。     

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。     

近红外光谱法快速测定淫羊藿中淫羊藿苷和朝藿定C

基于近红外光谱法对淫羊藿中有效成分淫羊藿苷和朝藿定C的含量进行快速同时定量分析,采用偏最小二乘法(PLS)建立近红外光谱信息与预测组分含量间的数学校正模型。结果表明通过标准正态变量转换(SNV)与一阶导数对光谱进行预处理,所建立的淫羊藿苷和朝藿定C的校正模型效果最佳。淫羊藿苷与朝藿定C校正集均方差(RM SEC)分别为0.217、0.718;相关系数分别为0.9825、0.9863;预测均方差(RM SEP)分别为0.155,0.297。该方法简单、准确,更适合于淫羊藿药材中主要成分的快速分析。     

基于近红外光谱法的沉积物间隙水化学组分快速测量

通过对巢湖柱状沉积物剖面间.隙水样品的近红外光谱(NIR)分析,采用OSC+WC和WC+OSC光谱预处理方法,结合偏最小二乘法(PLS)回归,建立了分层沉积物间隙水中TN,NH3-N,PO33-,TOC和SiO3的校正模型,该模型的TN,NH3-N,PO33-,TOC和SiO-3的预测值与实测值的校正相关系数分别为0....     

拉曼光谱结合模式识别方法用于大豆原油掺伪的快速判别

大豆原油是我国的战略储备物资,然而目前储油市场上频繁出现大豆原油掺混的现象严重影响了食用油储备安全。基于此,通过大豆原油与部分植物精炼油拉曼谱图的特征差异,并结合主成分分析-支持向量机(PCA-SVM)模式识别建立了大豆原油是否掺伪的快速判别方法。以28个大豆原油、46个精炼油、110个掺伪油的拉曼谱图为模型样本;选择位于780～1 800 cm-1波段的谱图,预处理方法同时采用Y轴强度校正、基线校正和谱图归一化法;在此基础上应用PCA法提取特征变量,即以贡献率最高前7个主成分为变量进行SVM分析。SVM校正模型的建立是以随机选取的20个大豆原油和75个掺伪油样组成校正集,以8个大豆原油和35个掺伪油样组成验证集,分别运用并比较四种核函数算法建立的大豆原油SVM分类模型,并采用网格搜索法(grid-search)优化模型的参数,以四种模型的分类性能作为评判标准。结果表明：应用线性核函数算法构建的SVM分类模型可以很好地完成掺伪大豆原油的判别,校正集识别准确率达到100%,预测结果的误判率为0,判别下限为2.5%。结果表明应用拉曼光谱结合化学计量学能够用于大豆原油掺伪的快速鉴别。拉曼光谱简便、快速、无损、几乎没有试剂消耗,适合现场检测,从而为大豆原油的掺伪分析提供了一种新的备选方法。     

近红外光谱法分析油页岩含油率中异常样品识别和剔除方法的研究

研究了漫反射近红外(NIR)光谱法分析油页岩含油率过程中异常样品的识别和剔除方法。在近红外光谱定量分析中,环境变化和操作失误等都会产生异常样品,异常样品的存在会导致模型的预测能力下降,因此异常样品的剔除是建模过程中的关键步骤。分别采用主成分分析—马氏距离(PCA-MD)法和半数重采样(RHM)法识别油页岩光谱数据中的异常样品,通过剔除异常样品后所建的偏最小二乘(PLS)分析模型的性能来评价PCA-MD与RHM方法对异常样品的识别能力。实验中考察了不同MD阈值和RHM置信度对异常样品剔除结果的影响,比较了单独和同时应用PCA-MD及RHM法识别并剔除异常样品后所得PLS模型的预测能力。结果表明：与所有样品参与建模时预测偏差均方根(RMSEP)相比,采用PCA-MD法时阈值取平均值与标准偏差之和时RMSEP降低了48.3%;采用RHM法时置信度取85%时RMSEP降低了27.5%;同时采用PCA-MD法和RHM法时RMSEP降低了44.8%,研究内容有效地提高了分析模型的预测能力。     

应用可见/近红外光谱技术鉴别香菇品源的三维空间建模研究

应用可见/近红外吸收光谱技术对不同品源的香菇进行了无损鉴别研究。通过主成分分析法（PCA）将谱段为375～1 025 nm的光谱数据进行压缩和主成分提取,发现前3个主成分累计可信度可达94.37%,说明在三维空间建立样本 鉴别模型是可行的。提出了一种将PCA和三维空间聚类相结合的方法,应用遗传算法确定了样本空间分割平面。遗传算法以同源样本的分割平面方程符号反向次数最小作为适应度函数。还建立了将PCA和BP神经网络相结合的比较模型。选 取了195个样本,其中150个用于样本建模,其余45个用于检验模型预测能力。两个模型使用相同的建模集和预测集。结果表明,两个模型预测能力基本一样,准确率均高于91％。与BP神经网络相比,新方法更加直观简便,为仪器化鉴别 提供了新途径。     

茶叶定性和定量近红外光谱分析方法研究

分别采集了茉莉花茶、苦丁茶、龙井和铁观音4个种类茶叶共120个样本,利用NIRSystems6500型近红外光谱分析仪对样本进行光谱测量,应用近红外光谱分析技术对茶叶进行定性和定量分析。采用主成分分析法,结合聚类分析法,对4种类别的茶叶进行定性鉴别,通过对不同光谱数据预处理方式和不确定因子系数进行比较,确立了最优定性判别定标模型。同时,采用修正的偏最小二乘法,比较不同光谱预处理方法对定标模型的影响,建立了茶叶中水分、茶多酚和咖啡碱含量的定量分析模型,并对未知样本进行预测。定性分析模型的种类识别准确率达到100％,定量分析模型的决定系数均大于0.91,相对分析误差RPD均大于3。结果表明,利用NIRS分析技术可以快速定性和定量分析鉴别茶叶的类别和成分含量。     

荧光高光谱结合特征波长筛选的脐橙表面农药残留快速检测

采用荧光高光谱成像技术对脐橙表面不同浓度毒死蜱和多菌灵进行判别。实验通过由氙灯光源激发的高光谱成像系统（392～998.2 nm）分别采集浓度为0,0.5,1,2 mg·kg-1的毒死蜱和0,1,3,5 mg·kg-1多菌灵的高光谱图像。使用ENVI软件获取样本的感兴趣区域（ROI）;对原始光谱数据采用卷积平滑（SG）、标准正态标量变换（SNV）及一阶导数（FD）方法进行预处理;采用区间变量迭代空间收缩法（iVISSA）、无信息变量消除算法（UVE）和竞争性自适应加权算法（CARS）进行一次提取特征波长,二维相关光谱（2D-COS）方法进行二次提取特征波长。最后采用主成分分析与线性判别分析相结合算法（PCA-LDA）和偏最小二乘算法（PLS-DA）建立基于两次提取特征波长脐橙表面不同浓度毒死蜱和多菌灵残留的判别模型。将原始光谱数据与经过预处理的3种光谱数据进行建模分析,结果发现毒死蜱和多菌灵的光谱数据经过SG处理后模型效果最优。对经SG预处理后的毒死蜱光谱数据和多菌灵光谱数据进行特征波长一次提取,最佳特征波长分别为iVISSA法和CARS法,分别提取出26个和30个特征波长;再采用二维相关光谱（2D-COS）算法对这26个和30个特征波长进行二次提取,分别得到10个和12个特征波长。对一次提取特征波长和二次提取特征波长后的光谱数据分别建模。结果表明,对于不同浓度的毒死蜱,基于iVISSA-2D-COS建立的PCA-LDA模型判别效果最佳,其校正集与预测集判别正确率分别为98.61%和95.83%;对于不同浓度的多菌灵,基于CARS-2D-COS建立的PCA-LDA模型判别效果最佳,其校正集与预测集判别正确率分别为97.22%和95.83%,均高于全波段光谱数据模型和一次提取特征波长模型判别正确率,说明2D-COS可以捕捉可用的荧光光谱信息。该研究采用2D-COS对一次提取最优特征波长进行二次提取后建模,研究结果为脐橙表面不同浓度农药残留的快速无损判别提供了一定的参考。     

实用化商品玉米籽粒的近红外光谱品种判别方法研究

近年来利用近红外光谱进行农作物品种判别成为农产品检测的一个新兴方向.该文提出一种基于近红外光谱的新的实用化商品玉米品种判别系统,此系统既能对系统学习过的品种做出准确判别也能对未学习过的品种做出准确拒识.首先采用一阶导数法对原始光谱进行预处理,光谱数据经主成分分析后,根据仿生模式识别理论建立判别模型.在建市模型时文章使用了基于二维单形的Ψ-3神经元作为覆盖单元,并提出了包含指数的概念以辅助判定样品的唯一归属.测试结果表明,该系统对参与建模的品种有较强的判别能力,即使建模品种达到34个时系统平均正确判别率仍达到91.8%.同时对于未参与建模的品种也有较强的拒识能力,平均正确拒识率达到95%以上.     

基于可见-近红外光谱的咖啡品牌鉴别研究

利用可见-近红外光谱技术对市场上三种不同品牌咖啡品种进行鉴别。分别采用主成分分析法与BP神经网络结合和小波变换与BP神经网络结合两种组合模型进行分析预测。利用主成分分析法与小波变换的数据压缩功能和BP神经网络的学习预测能力实现对不同品牌咖啡的鉴别。实验采用３个品种共60个样本建立模型,30个样本进行品种鉴别,结果表明,两种鉴别模型的咖啡品种鉴别率均为100%。同时也表明,小波变换用于数据压缩无论是在压缩时间上还是在压缩能力上都优于主成分分析法。说明通过小波变换和BP神经网络相结合建立模型进行不同品牌咖啡鉴别具有分析速度快,鉴别能力强的特点,为快速鉴别纯品咖啡提供了新的方法,同时也为确定不同品牌咖啡选用咖啡豆品种奠定了基础。     

KOPLS-DA在掺杂牛奶判别中的应用

运用核隐变量正交投影(kernel orthogonal projection to latent structure, KOPLS)方法,建立掺杂牛奶与纯牛奶的判别模型。分别配置含有三聚氰胺牛奶(0.01～3 g·L-1)和尿素牛奶(1～20 g·L-1)样品各40个,采集纯牛奶及掺杂牛奶样品的近红外光谱。选择4 200～4 800 cm-1为建模区间,采用KOPLS分别建立掺杂三聚氰胺、掺杂尿素、两种掺杂牛奶与纯牛奶的判别模型,并利用这些模型对未知样品进行判别。研究结果表明：与偏最小二乘判别(partial least squares discriminant analysis, PLS-DA)和隐变量正交投影判别(orthogonal projections to latent structures discriminant analysis, OPLS-DA)建模方法相比,KOPLS-DA具有更强的掺杂判别能力,对掺杂三聚氰胺、掺杂尿素牛奶和两种掺杂牛奶的判别正确率分别为95%,100%和97.5%。     

近红外光谱技术快速鉴别蜂胶品种的可行性研究

不同植物源的蜂胶物质组成不同,其生理和药理活性也存在着一定的差异。目前主要是根据蜂胶中物质组成及其含量的不同来鉴别蜂胶植物源,存在着一些局限性。因此,建立一种快速、准确鉴别蜂胶植物源的方法具有重要的意义。以三种不同植物源的蜂胶(杨树型蜂胶、桦树型蜂胶和橡树型蜂胶)为研究对象,利用傅里叶变换近红外光谱仪对蜂胶的无水乙醇溶液进行光谱扫描,采用主成分分析结合马氏距离判别法和典型判别分析分别建立蜂胶品种的判别模型并对其性能进行检验。结果表明： 在经过光谱预处理和主成分分析后,得到最佳的光谱建模波段为4 500～12 000 cm-1,最佳的光谱预处理方法为一阶导数+Savitzky-Golay(7)平滑;主成分分析结合马氏距离判别法建立的判别模型校正集和检验集的判别准确率分别为93.62%和82.61%;典型判别分析建立的判别模型的判别准确率为91.4%,交叉检验的判别准确率为88.6%。由此可知,主成分分析结合马氏距离判别法与典型判别分析对蜂胶样品的分类效果均较好。近红外光谱技术结合化学计量学方法应用于蜂胶植物源的快速、准确鉴别具有一定的可行性和实用性。     

基于近红外光谱特征提取的花椰菜灰霉病早期检测

花椰菜在生长过程中容易感染灰霉病而导致产量减少,现有的分选方法难以在早期检测到感染灰霉病的花椰菜。应用近红外光谱技术实现花椰菜灰霉病的早期判别检测,对花椰菜病害防治意义重大。以接种灰霉菌孢的花椰菜为研究对象,首先,采集对照组和处理组花椰菜的近红外光谱曲线并进行去噪处理,获取4个批次共608个样本(接菌0.5,1,2和3 d每日的健康和染病花椰菜各76朵)在500～2 400 nm波段范围内的光谱曲线。同时测量花椰菜样本的多酚氧化酶(polyphenol oxidase,PPO)、过氧化物酶(peroxidase,POD)与丙二醛(malondialdehyde,MDA)的活性值,采用单因素方差分析(analysis of variance, ANOVA)对单一批次的健康和染病花椰菜品质指标进行统计分析。然后,采用K-S算法(Kennard-Stone)将单天的样本划分为校正集(114个样本)与预测集(38个样本),使用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)进行4个批次的花椰菜样本的光谱数据特征波段提取,并基于偏最小二乘回归(partial least square regression,PLSR)算法建立单一批次判别模型和组合批次判别模型。结果表明：在接菌早期,用肉眼无法实现染病花椰菜样本的识别,仅在染病第3 d后部分染病样本病害特征明显时可实现判别。测定对照组和处理组花椰菜品质指标后发现：染病2 d后,对照组和染病组样本的所有品质指标均存在显著性差异(p＜0.05),但在第0.5 d时各项指标均无显著性差异,仅在第1 d时MDA值出现显著性差异,说明从品质指标上无法判别早期染病花椰菜。建立单一批次下的PLSR判别模型后表明：第一批次样本(0.5 d)所建模型的判别准确率达到了94.74%,预测集均方根误差为0.835,第二至第四批次(接菌1～3 d)所建判别模型准确率达到100%,表明PLSR模型可以实现单一批次下早期染病花椰菜样本的检测;PLSR组合判别模型在第0.5 d和第1 d判别准确率分别达到了92.11%与97.37%,可以判别出大部分的患病花椰菜,但是PLSR组合批次建模效果低于PLSR单一批次建模。结果表明,基于近红外光谱技术,通过CARS算法提取特征波段结合PLSR模型的建立,可以在早期检测出感染灰霉病的花椰菜,为花椰菜灰霉病的早期检测提供参考,具有一定的实际应用价值。