高光谱成像技术结合化学计量学可视化花生中蛋白质含量分布

花生中蛋白质含量与分布能够显著影响花生制品品质。利用高光谱图像结合化学计量学研究可视化花生中蛋白质含量分布的可行性。从校正后的花生图像的感兴趣区域(region of interest, ROI)中提取光谱信息,通过传统化学方法测定蛋白质含量。比对了不同光谱预处理和回归算法,以二阶导数(the second derivative, 2nd-der)为最佳的光谱预处理方法,偏最小二乘法(partial least squares, PLS)为最佳的回归算法。基于预处理后的光谱和花生蛋白质的化学值,建立全波长PLS模型,全波长模型具有良好的性能(校正集相关系数为0.91,校正集标准偏差0.86;预测集相关系数为0.86,预测集标准偏差为0.69)。利用回归系数法(regression coefficient, RC)从全波长模型中选择14个特征波长,建立2nd-der-RC-PLS特征波长模型,模型性能(校正集相关系数为0.86,校正集标准偏差1.03;预测集相关系数为0.80,预测集标准偏差为0.77)与全波长模型相当。采用2nd-der-RC-PLS算法将花生高光谱图像转变成蛋白质含量分布图。成对t检验判断凯氏定氮法与高光谱法无显著性差异。结果表明结合化学计量学的高光谱成像技术为测定花生中蛋白质含量分布提供了一种高效非破坏性方法。     

基于SVM算法的近红外光谱技术在鱼糜水分和蛋白质检测中的应用

采用支持向量机(support vector machine,SVM)建立了鱼糜样品中水分和蛋白质含量的近红外光谱校正模型,并采用独立样本集进行了预测。光谱数据经间隔两点一阶导数(DB1G2)、标准正态变换(SNV)、多元散射校正(MSC)相结合的方法预处理后,用偏最小二乘(PLS)降维处理,取前15个投影变量为自变量。获得水分模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP; 蛋白质模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP,有较好的预测准确性。基于SVM算法的近红外光谱技术可用于鱼糜水分和蛋白质含量的快速检测。     

近红外漫反射光谱法测定黄芩中总黄酮及黄芩苷的含量

文章建立了近红外漫反射光谱技术快速测定中药黄芩中主要活性成分黄芩苷和总黄酮含量的方法.对黄芩苷含量在12.24%～21.34%,总黄酮含量在16.08%～26.52%范围内的61个不同产地的黄芩,选择在8 000～4 000 cm-1范围内的近红外吸收光谱,采用偏最小二乘算法(PLS)比较不同光谱预处理方法建市的校正模型,结果表明一阶导数和最小最大归一化的数据预处理方法分别为黄芩苷和总黄酮最优预处理建模方法.黄芩苷校正集相关系数(r)为0.902 4,校正集标准偏差(SEC)为1.01,预测集标准偏差(SEP)为0.876 4;总黄酮校正集相关系数(r)为0.952 7,校正集标准偏差(SEC)为0.785,预测集标准偏差(SEP)为0.521 1,该方法快速简便,适合于黄芩中主要活性成分的快速分析.     

紫花苜蓿粗蛋白和粗纤维近红外分析模型的建立

采用近红外漫反射光谱技术,结合偏最小二乘法(PLS),以152个来源不同的紫花苜蓿样品建立了粗蛋白和粗纤维含量的近红外定量分析校正模型。在近红外光谱范围内(950～1 650 nm)对紫花苜蓿样品采集光谱数据时,分别设置了粗磨样、细磨样两种样品的状态和1,2,5 nm三种光谱扫描间隔,对建立的模型进行准确性和重复性的验证,比较其优劣。结果显示：光谱扫描时样品为细磨样,光谱扫描间隔为2 nm时所建立的粗蛋白和粗纤维含量的校正模型最佳,其相关系数(R2_cal)分别是0.97和0.94,最佳因素数时的定标标准差(SECV)分别是0.42和0.78。所建近红外定量分析模型对独立检验集样品粗蛋白和粗纤维含量的预测值与化学值的相关系数(R2_val)分别为0.96和0.92,预测标准差(SEP)分别为0.43和0.79。该研究结果表明：利用近红外漫反射光谱法测定紫花苜蓿内在主要品质性状是可行的,为紫花苜蓿粗蛋白和粗纤维含量的检验提供了新的方法模式。     

近红外漫反射光谱法测定川西高原产沙棘中异鼠李素含量

提出了用近红外光谱技术快速测定川西高原产沙棘中异鼠李素含量的方法。对异鼠李素含量在0.1%～0.8%范围内的川西高原产沙棘, 采用SiO₂拌样法,测定其在 12 000～4 000 cm-1的近红外吸收光谱, 采用偏最小二乘算法建立了校正模型, 比较了光谱不同预处理方法对校正结果的影响 。当采用消除常数偏移量处理方法时能最有效地提取光谱中的有效信息, 此时校正集相关系数(r2)为0.739 8, 校正集标准偏差(SEC)为0.107, 预测集标准偏差(SEP)为0.073。该方法与传统方法相比更加快速简便。     

近红外漫反射光谱法测定川产黄柏中小檗碱含量

提出了用近红外光谱技术快速测定川产中药黄柏中指标成分小檗碱含量的方法。对小檗碱含量在2.155%～8.245%范围的不同来源的黄柏,根据其在12 500～3 600 cm-1的近红外吸收光谱,采用偏最小二乘算法(PLS)建立了校正模型,比较了光谱不同预处理方法对校正结果的影响 。当采用二阶导数处理方法时能最有效地提取光谱的信息,此时校正集相关系数(r2)为0.922 1,校正集标准偏差(SEC)为0.337,预测集标准偏差(SEP)为0.251 。该方法快速简便,适合于中药指标成分的快速分析。     

便携式近红外光谱仪对涤/棉混纺织物的快速无损鉴别

利用便携式近红外光谱仪对376个涤/棉混纺织物进行研究,利用定量分析模型中的偏最小二乘法(partical least squares,PLS)作为校正方法,结合涤/棉混纺织物中涤、棉含量设定的定性鉴别系数,建立了涤/棉混纺织物的半定量-定性分析校正模型。该模型对涤/棉混纺织物进行定性鉴别的同时得出其相对含量,分析结果具有半定量性质。在建模过程中,采用Savitzky-Golay导数法,消除噪声和基线漂移对光谱的影响,并研究了波段选择和不同预处理方法对定性校正模型的影响。纯棉的主要吸收峰位于1 400~1 600 nm,纯涤的主要吸收峰位于1 600~1 800 nm,随着涤或棉含量的增加,其相应的吸收峰强度增强,因此,建模波段以涤、棉主要吸收峰区间为基本波段,进行双向扩展,得到最佳波长区间1 100~2 500 nm(相关系数0.6,波点数934)。利用所建校正模型对验证集样本进行预测,结果表明,在1 100~2 500 nm处,预处理方法为Savitzky-Golay导数、多元散射校正与均值中心化相结合时,该模型评价参数较佳,其中RC(校正集相关系数)0.978,RP(验证集相关系数)0.940,SEC(校正标准差)1.264,SEP(预测标准差)1.590,样品预测正确率达93.4%。表明该定性分析校正模型能够较好地对涤/棉混纺织物进行半定量-定性预测。     

基于光谱技术和支持向量机的生鲜猪肉水分含量快速无损检测

为实现生鲜肉水分含量的快速无损检测,在波长350～1 700 nm范围内采集生鲜猪肉98个样本的可见近红外反射光谱。经中值平滑滤波、多元散射校正和一阶微分复合预处理方法对原始光谱进行降噪处理。将样本数据随机分为训练集和测试集,以训练集交叉验证网格搜索法确定最佳惩罚参数,利用径向基核函数的支持向量机算法建立了支持向量机预测模型,并与偏最小二乘回归建模法进行比较。用径向基核函数的支持向量机算法所建模型对生鲜肉水分含量进行预测的结果为：训练集的预测相关系数R_c为0.96、标准差SEC为0.32,测试集的预测相关系数R_v为0.87、标准差SEV为0.67。实验结果证实用支持向量机所建模型适合于生鲜猪肉水分含量的无损快速检测。     

近红外光谱技术快速无损测定带鱼糜及其制品中磷酸盐含量

通过拟合带鱼糜及其鱼糕制品的近红外漫反射光谱与建立近红外的定量模型,用于带鱼糜及其鱼糕制品中磷酸盐含量的快速无损检测。以定标集和验证集的相关系数(r_C, r_V)及标准误差(SEC, SEP)作为评价模型优劣的根据。结果表明,采用偏最小二乘法(PLS)所建立的模型效果最佳,带鱼糜及其鱼糕制品的定标模型的相关系数分别为0.983和0.960,预测标准误差分别为0.032和0.101;验证集的相关系数分别为0.951和0.954,预测标准误差分别为0.058和0.097。利用近红外光谱技术快速无损测定带鱼糜及其鱼糕制品中的磷酸盐含量是可行的。     

基于NIR和SOM-RBF网络的兰州百合关键营养物质定量分析方法

为了实现兰州百合关键营养物质蛋白质和多糖的快速无损检测,在12 000~4 000 cm-1光谱范围内采集了59份兰州百合粉的近红外光谱（NIRS）。首先运用SG、Normalize、SNV、MSC、Detrend、OSC、SG+1D、SG+Normalize、SG+SNV和SG+Detrend十种预处理方法对原始光谱数据进行处理,确定蛋白质的最佳预处理方法为SG+Detrend、多糖的最佳预处理方法为Detrend;然后运用CARS、SPA和PCA三种算法对预处理的光谱数据进行特征波长筛选,确定蛋白质和多糖的最佳特征波长提取方法均为SPA算法;最后采用PLSR法建立了兰州百合关键营养物质蛋白质和多糖含量的预测模型,结果显示,经过SG+Detrend_SPA处理所建立的蛋白质PLSR模型中,预测集相关系数R_p为0.810 6,预测集均方根误差RMSEP为1.195 3;经过Detrend_SPA处理所建立的多糖PLSR模型中,预测集相关系数R_p为0.810 9,预测集均方根误差RMSEP为2.0946。考虑到经典PLSR无损预测模型精度的限制,在该研究中提出SOM-RBF神经网络无损预测模型。首先利用SOM网络对数据样本进行聚类,然后将得到的聚类类别数和聚类中心作为RBF网络的隐层节点个数和隐层节点数据中心,以此来优化RBF的结构参数。在建立的蛋白质SOM-RBF神经网络模型中,预测集相关系数R_p为0.866 6,预测集均方根误差RMSEP为1.038 5;建立的多糖SOM-RBF神经网络模型中,预测集相关系数R_p为0.868 1,预测集均方根误差RMSEP为1.799 4。比较PLSR和SOM-RBF两种模型对两种物质的预测结果,确定了SOM-RBF神经网络模型为最优建模方法,最终确定在蛋白质检测中,最优模型为基于SG+Detrend_SPA_SOM-RBF建立的模型,模型的预测集相关系数较PLSR高5.6%,预测集均方根误差较PLSR低0.156 8;在多糖检测中,确定的最优模型为基于Detrend_SPA_SOM-RBF建立的模型,模型的预测集相关系数较PLSR高5.72%,预测集均方根误差较PLSR低0.295 2。研究结果表明,运用NIR和SOM-RBF技术可以实现对兰州百合关键营养物质蛋白质和多糖的快速无损检测,为今后快速无损检测兰州百合营养物质提供理论依据。     

基于GA和SCMWPLS算法的NIR光谱信息变量提取研究

光谱数据压缩、信息变量提取是近红外应用研究的热点,是简化模型、提高预测精度的重要手段。本文以杏可见/近红外光谱为例,采用二阶导数、标准化和正交信号校正(OSC)处理以滤除光谱与浓度阵无关的信号;使用SCMWPLS选择出880,894～910和932 nm为建模区间建立PLS预测模型,其相关系数(R)、校正误差(SEC)和预测误差(SEP)分别为0.920,0.454和0.470;进行独立运行GA程序100次,依次选择入选频率较高的2个波长点888和900 nm作为回归变量,建立GA-MLR预测模型,其R, SEC, SEP分别为0.905,0.488和0.459,均优于全谱的偏最小二乘建模结果。结果显示,OSC可以滤除光谱与浓度阵无关的信号,减少建立模型所用的主因子数;SCMWPLS和GA可以寻找最优信息变量组合。该方法对于建立低维度、高精度近红外快速分析模型具有普遍参考意义。     

衰减全反射红外光谱法快速测定糠醛抽出油烃族组成含量方法研究

提出了一种衰减全反射红外光谱法快速测定糠醛抽出油烃族组成含量的方法,设计了一套重油烃族组成快速分析系统。实验收集了62个减压蜡油经糠醛精制后的抽出油样品,采用NB/SH/T0509-2010方法测定其饱和烃、芳烃含量,由差减法求得胶质和沥青质总含量。采用偏最小二乘法(PLS)分别建立了糠醛抽出油饱和烃、芳烃和胶质+沥青质含量的定量校正模型,其SEC分别为1.43%,0.91%和1.61%,SEP分别为1.56%,1.24%和1.81%,均小于NB/SH/T0509-2010方法规定的再现性误差,模型预测精密度小于标准方法的重复性误差要求。与现行标准方法相比,该方法速度快,操作简单,可显著提高糠醛抽出油烃族组成分析效率。该分析系统也可用于其他重油分析,具有很好的推广应用前景。     

杂交稻种宜香725纯度的可见-近红外反射光谱鉴定

提出了一种基于可见-近红外光谱技术快速、无损鉴定杂交稻种纯度的新方法.以FieldSpec(R)3地物光谱仪采集纯度在90%～99%范围内的杂交稻种(宜香725)光谱数据90份,随机分成校正集(75份)和检验集(15份).根据其在380～2 400 nm的反射光谱,以偏最小二乘算法(PLS)建立了回归模型,并比较了不同光谱预处理方法对模型的影响.分析表明采用一阶导数结合标准归一化处理能最有效地提取光谱信息,此时PLS模型校正集决定系数与检验集决定系数分别为0.988 4与0.922 7,校正标准误差(SEC)与预测标准误差(SEP)分别为0.002 5与0.006 6.将经一阶导数结合标准归一化处理后的光谱进行PCA降维,以前20个主成份(含原始光谱86.09%的特征信息)为输入变量,建立杂交稻种纯度鉴定的BP-ANN模型.分析表明BP-ANN模型校正集决定系数与检验集决定系数分别为0.995 2与0.936 9,SEC与SEP分别为0.001 7与0.006 1,具有比PLS模型更高的精度.结果表明以可见-近红外技术进行杂交稻种纯度的快速、无损鉴定是可行的,且PCA结合BP-ANN是一种优选方法.     

不同预处理方法对多位置种蛋性别鉴定的影响研究

由于猪瘟影响,鸡蛋作为动物性蛋白的需求大幅增加,蛋鸡养殖行业也在逐步发展与壮大以满足人们的需求。如何在幼雏阶段甚至胚胎发育阶段能够简单、准确与方便地判断出雌雄,对蛋鸡养殖行业的发展具有重要意义。对此,选用96个壳色相近、表面无裂纹的新鲜种鸡蛋,以其可见/近红外漫反射光谱为研究对象,探讨数据采集位置、光谱预处理方法对种蛋胚胎性别鉴定定性模型的影响。在样本表面钝端、锐端和赤道共三个不同位置分别采集漫反射光谱强度,经校正后选择（440.27～874.6） nm作为有效光谱波段进行分析,并按照2∶1的比例划分训练集和测试集,分析了采用归一化(Normalize),二阶导数(2nd Derivative),标准正态变量变换(SNV),多元散射校正(MSC),去趋势法(Detrend),光谱转换法(Spectroscopic)共六种方法预处理后的偏最小二乘法判别模型和线性判别分析模型的预测集准确率,与原始数据(Raw)的预测集准确率进行对比,得出准确率差异。通过对入孵后216,240,264,288和312 h不同位置所采光谱数据,与种蛋性别信息综合分析,发现胚胎发育288 h时的预处理效果最好,有效提高了35个模型的准确率;264 h时的预处理效果在分析时间内最差,其处理降低了19个模型的判别准确率;312 h的预处理降低了12个模型的判别准确率;Detrend和Spectroscopic两种预处理方法可显著提高判别效果,其中经Spectroscopic处理后的模型可能无法进行预测;SNV和MSC对模型具有相同作用效果,Normalize对模型的作用效果不能确定,经2nd Derivative处理后准确率不确定,有时与原始数据建模效果一致。综合实验结果发现,对种鸡蛋胚胎发育288 h的数据进行预处理可有效提高模型的判别准确率,其中对种蛋钝端处数据进行Detrend去趋势预处理并利用LDA模型分析较好。研究结果为建立种鸡蛋基于可见/近红外的性别信息早期、快速检测模型提供了参考。     

杉木综纤维素和木质素的近红外光谱法测定

用近红外光谱法对杉木中综纤维素和木质素含量进行了快速测定。用常规湿化学方法测定了48个杉木木材样品的综纤维素和木质素,用近红外光谱仪采集相应的光谱,进行二阶微分处理和平滑预处理后,用偏最小二乘法和完全交互验证方式建立相应预测模型。综纤维素校正模型和预测模型的相关系数分别为0.96和0.93;预测标准误差分别为0.39和0.50;木质素校正模型和预测模型的相关系数分别为0.99和0.90;预测标准误差分别为0.10和0.28。结果表明,近红外光谱法可以快速分析木材中综纤维素和木质素含量。     

便携式中波近红外光谱仪在线无损检测生鲜猪肉胆固醇

应用便携式近红外光谱仪采集320份生鲜猪肉在近红外光谱中波区的光谱信息,采用不同优化方法建立猪肉胆固醇预测模型,并对异常样品的剔除及组合预处理方法对模型性能的改善进行了分析。研究表明：通过对异常值的二次剔除,并使用SG一阶导数(savitzky-golay first derivative, SG 1stD)、SG平滑(savitzky-golay smoothing, SGS)和正交信号校正(OSC)的组合预处理方法,可获得最佳生鲜猪肉胆固醇预测模型,其参数如下：校正集相关系数(R_c)=0.9137,校正标准差(standard error of calibration, SEC)=2.5607,验证集相关系数(R_p)=0.656 7,预测标准差(standard error of prediction, SEP)=4.985 5,主因子数(principal factor, PF)=4,范围误差比(ratio of performance to standard deviation, RPD)=2.5032,相对预测标准差(relative standard error of prediction, RSEP)=8.625 4%,SEP/SEC=1.946 8,说明模型在近红外光谱中波区对猪肉胆固醇的分辨能力和预测准确度较好,通过向校正集中补充代表性样品可使模型稳健性进一步改善。对检验集样品预测值(prediction value, PV)与参比值(reference value, RV)的t检验显示二者之间无显著性差异(p＞0.05),检验集样品总体预测准确率为62.5%,其中50～70 mg·(100 g)-1区段的局部预测准确率达到91.7%,可以用于生鲜猪肉胆固醇浓度的在线快速初步定量分析。该研究将便携式近红外光谱用于在近红外中波区对生鲜猪肉及肉制品中胆固醇浓度的分析和检测,通过进一步的研究和改进,可将其应用于产品的原料分级、品质和过程控制及市售产品的抽检等。