近红外光谱技术用于豆浆粉品牌与假冒豆浆粉的鉴别

采用近红外光谱分析技术结合化学计量学方法研究对不同品牌的豆浆粉以及假冒的豆浆粉鉴别的可行性。采集不同品牌豆浆粉以及假冒豆浆粉在12 500～4 000 cm-1范围内光谱,并进行不同的预处理。采用偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)对不同预处理的光谱进行建模比较,去趋势算法(De-trending)预处理光谱与多元散射校正(multiplicative scatter correction, MSC)结合De-trending(MSC+De-trending)预处理光谱的PLS-DA模型预测集判别正确率最高, 均为100%。采用x-loading weights方法分别基于De-trending和MSC-De-trending预处理光谱选择了6个和7个特征波数,并以特征波数分别建立了线性判别分析(linear discriminant analysis, LDA)和误差反向传播神经网络(back-propagation neural network, BPNN)的判别分析模型。结果表明,以所选出的不同的特征波数建立的BPNN判别分析模型取得了最佳的判别效果,建模集和预测集的判别正确率均为100%。采用近红外光谱分析技术可以准确的判别豆浆粉品牌以及假冒豆浆粉产品。     

近红外透射光谱结合判别分析方法在汽车制动液品牌与新旧鉴别中的应用研究

采用近红外透射光谱研究了汽车制动液品牌及新旧的鉴别。采集宝马(BMW),丰田(Toyota),沃尔沃(Volvo)以及嘉实多(Castrol)四种品牌的汽车制动液全新样本以及用过的样本的透射光谱。分别对每一种品牌下全新与用过汽车制动液样本的光谱数据进行主成分分析(PCA),主成分得分图表明不同品牌制动液以及该品牌下全新样本以及用过的样本能够被较好的区分,其光谱特性存在差异。基于主成分载荷(Loadings)进行特征波数选择,偏最小二乘判别分析(PLS-DA),线性判别分析(LDA),簇类独立软模式法(SIMCA),k最邻近分类算法(KNN),随机森林(RF),误差反向传播人工神经网络(BPNN),径向基神经网络(RBFNN),极限学习机(ELM),支持向量机(SVM),最小二乘支持向量机(LS-SVM)等判别分析方法用于建立基于特征波数的判别分析模型,判别模型的建模集和预测集判别正确率均略低于或达到了100%。与其他三种品牌汽车制动液相比,嘉实多全新样本与用过样本的差异较小,KNN与LS-SVM模型的建模集正确率均低于100%。结果表明,近红外透射光谱结合特征波长选择以及判别分析模型对不同品牌制动液以及同一品牌下全新样本以及用过的样本进行识别是可行的,为开发在线或便携式仪器提供理论支持。     

基于中红外光谱分析技术的香菇产地识别研究

采用中红外光谱分析技术对香菇产地进行识别研究,并将相关向量机(relevance vector machine,RVM)算法应用于中红外光谱判别分析之中,取得了较好的效果。通过采集香菇粉末的中红外透射光谱,去除光谱噪声明显部分,对剩下的3 581~689cm-1透射谱线采用多元散射校正(multiplicative scatter correction,MSC)进行预处理,并基于预处理谱线建立了香菇产地识别的偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、簇类独立软模式分类(soft independent modeling of class analogy,SIMCA)、K最邻近算法(K-nearest neighbor algorithm,KNN)、支持向量机(support vector machine,SVM)、RVM模型等五种判别分析模型。所有模型的识别正确率均高于80%,KNN,SVM和RVM判别分析模型取得了相近的结果,建模集和预测集识别正确率高于90%。基于全谱的PLS-DA模型的加权回归系数,利用加权回归系数法选取了6个特征波数,并基于特征波数建立了PLS-DA,KNN,SVM和RVM模型。基于特征波数的PLS-DA模型的建模集和预测集识别正确率均低于80%,而KNN,SVM和RVM模型的建模集和预测集的识别效果相近,且都高于90%。基于全谱和特征波数的模型中,RVM算法表现出较好的效果,识别正确率优于90%。结果表明,基于中红外光谱技术能用于香菇产地的识别,特征波数的选择以及RVM算法可以有效的用于中红外光谱判别分析中。本文成功将中红外光谱用于香菇产地识别研究,为香菇品质以及其他农产品品质分析提供了一种新的想法,具有实际意义。     

基于中红外光谱技术鉴别转基因大豆的方法研究

转基因技术对于实现粮食增产,保护生物多样性,减少化学农药使用量等方面有着重大意义,但也可能存在一定的安全隐患。因此,转基因作物检测鉴别技术的研究愈发受到重视。本文采用中红外光谱分析技术,研究对不同品种的转基因大豆及其亲本进行鉴别的可行性。实验采集了三种不同的非转基因大豆亲本(HC6, JACK和W82)及其转基因大豆品种在3 818～734 cm-1范围内的光谱信息。采用偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)进行判别分析,三种大豆的建模集的判别正确率分别为96.67%, 96.67%和83.33%,预测集的判别正确率分别为83.33%, 85%和85%。研究中采用X-loading weights、变量投影重要性(variable importance in the projection,VIP)和二阶导数(second derivative,2-Der)三种特征波数选择方法对光谱数据进行处理,并根据得到的特征波数分别建立PLS-DA模型进行判别分析,三种大豆的建模集和预测集的判别正确率均超过76.67%和75%。采用主成分分析(principal component analysis,PCA)和独立组分分析(independent component analysis,ICA)两种特征信息提取方法对光谱数据进行处理,分别建立PCA-PLS-DA和ICA-PLS-DA模型进行判别分析,三种大豆的建模集和预测集的判别正确率均超过80%和75%。研究表明中红外光谱分析技术可以较为准确地鉴别非转基因亲本与转基因品种,为转基因大豆的无损鉴别提供新的思路。同时结合特征波数选择方法与特征信息提取方法可以有效地降低模型复杂度,减少程序运算量。     

基于中红外光谱和化学计量学算法鉴别核桃产地及品种

为探究中红外光谱快速检测核桃产地和品质的可行性,基于中红外光谱分析技术,并将化学计量学的算法应用于中红外光谱判别分析之中,对中国四大核桃主产区的10类主要核桃品种进行检测,取得较好效果。通过提取核桃粉末的光谱透射率,去除原始光谱首尾部分的明显噪声,对保留的700~3 450 cm-1范围的光谱采用小波分析（wavelet transform,WT）算法进行去噪预处理,并采用无信息变量消除结合连续投影算法（UVE-SPA）提取光谱特征波数,采用主成分分析法（PCA）对光谱定性分析,基于反向传播神经网络（BPNN）、极限学习机（ELM）、随机森林(RF)、径向基函数神经网络（RBFNN）及偏最小二乘判别分析（PLS-DA）对全谱和特征波数建模对比。在4类不同产地核桃判别中,得到12个特征波数：803,1 355,1 418,1 541,1 580,1 727,1 747,1 868,2 338,2 462,2 824和3 166 cm-1,基于特征波数分类的正确率高于全谱的分类结果,BPNN算法结合特征波数建模得到的识别正确率高达97%,RF算法分类判别效果最差,正确率仅69.70%;在10类不同品种判别中,得到10个特征波数：903,1 275,1 507,1 541,1 563,1 671,1 868,2 311,2 845和3 437 cm-1,基于特征波数分类的正确率依然高于全谱的分类结果,BPNN算法结合特征波数建模得到的识别正确率高达83.3%。在特征波数通用性方面,两组特征波数范围中有2个特征波数相同：1 541和1 868 cm-1,其他大多特征波数也都相近,将10类品种特征波数作为输入变量对4类不同产地的核桃进行分类,分类结果较差,因此,在10类品种监督值下选取的特征波数无法适用于4类产地的判别问题,由此推断,即使是同一原始数据,基于不同判别问题得到的特征波数在建模时通用性较差。结果表明,经UVE-SPA算法提取特征波数后,变量数可减少99%以上,有效地简化了模型,减少计算量,提高预测的稳定性;总体上,每个分类器的表现为：BPNN>RBFNN>ELM>PLS-DA>RF;基于小波变换结合特征波数选取和反向传播神经网络算法能有效地实现核桃的产地和品种识别。     

基于高光谱成像技术的菜青虫生命状态检测研究

采用近红外高光谱成像技术对菜青虫的存活与死亡状态进行了研究,通过提取菜青虫不同状态的光谱信息,建立判别分析模型。以不同预处理方法对所提取的951.5～1 649.2 nm光谱进行预处理,并建立偏最小二乘判别分析(partial least square-discriminant analysis, PLS-DA)模型对菜青虫的生死状态进行判别分析,判别正确率接近或达到100%。用移动平均(moving average,MA)5点平滑光谱分别采用连续投影算法(successive projections algorithm, SPA)以及加权回归系数(weighted regression coefficient,B_w)分别选取了17和20个特征波长进行生与死状态的判别。基于特征波长建立了PLS-DA, K最邻近节点算法(K-nearest neighbor,KNN),BP神经网络(back propagation neural network,BPNN)以及支持向量机(support vector machine,SVM)模型,判别正确率接近100%。结果表明采用近红外高光谱成像技术对菜青虫生命状态的研究是可行的,为作物虫害的快速诊断提供了新方法。     

近红外高光谱成像技术用于转基因大豆快速无损鉴别研究

以近红外高光谱成像技术,结合化学计量学方法,研究了转基因大豆的快速、无损检测方法。实验以3种不同非转基因亲本(HC6, JACK, TL1)及其转基因大豆作为研究对象。采用高光谱成像系统采集874~1 734 nm波长范围的256个波段范围的高光谱图像,提取大豆的光谱信息,剔除明显噪声部分后,采用Moving Average(MA)平滑预处理的941~1 646 nm范围光谱数据进行分析。采用偏最小二乘判别分析算法(partial least squares-discriminant analysis, PLS-DA),对3种非转基因亲本大豆建立模型进行判别分析,其相应的建模集和预测集的判别正确率分别为97.50%和100%,100%和100%,96.25%和92.50%,结果表明,高光谱成像技术可用于非转基因大豆的识别。对非转基因亲本及其转基因大豆进行判别分析,基于全谱,3种的建模集和预测集的判别正确率分别为99.17%和99.17%,87.19%和81.25%,99.17%和98.33%;以x-loading weights提取非转基因亲本及其转基因大豆判别分析的特征波长并建立PLS-DA模型,3种的建模集和预测集的判别正确率分别为72.50%和80%,80.63%和79.38%,85%和85%,该结果表明非转基因亲本与转基因品种的判别分析是可行的,特征波长的选择也可用于非转基因亲本与转基因品种的判别分析。研究表明采用近红外高光谱成像技术对非转基因大豆、非转基因亲本及其转基因大豆进行鉴别是可行的,为转基因大豆的快速无损准确鉴别提供了一种新方法。     

基于傅里叶变换近红外透射光谱的汽车用 无水冷却液和制动液掺水检测

冷却液和制动液是车辆工作过程中非常重要的油品,对车辆的正常运行具有非常重要的作用。在冷却液和制动液中掺水是掺假的主要手段之一,掺水后的冷却液和制动液,其有效成分会减少,从而影响了冷却液和制动液本来的功能,对车辆造成危害,从而影响车辆的正常运行。实现对冷却液和制动液含水率的快速准确检测,是保证冷却液和制动液品质的关键。采用傅里叶变换近红外光谱对不同品牌的掺水的汽车无水冷却液和制动液含水率检测进行了研究。分别采集了3个不同品牌无水冷却液和4个不同品牌制动液在掺入不同含水率(0%,5%,10%,15%,20%,25%,30%,35%)下的近红外透射光谱,并基于10 067～5 442 cm-1范围内的光谱进行了研究。不同含水率的无水冷却液和制动液近红外透射光谱存在差异。单个品牌不同含水率的无水冷却液及制动液的主成分分析(PCA)表明不同含水率样本之间存在差异。采用二阶导数(Second derivative)对单个品牌以及包含有不同品牌的无水冷却液及制动液(不同含水率)的特征波数进行了选择,发现不同品牌之间选择的特征波数相近,且单个品牌与包含不同品牌之间选择的特征波数也相近,而经过特征波数选择后波数减少了至少98.67%。基于单个品牌样本的全谱以及包含有不同品牌样本的全谱和特征波数,分别建立偏最小二乘(PLS)和最小二乘支持向量机(LS-SVM)模型,所有模型的建模集和预测集决定系数均高于0.9,剩余预测偏差(RPD)均高于3,含水率预测模型取得了较好的预测结果。基于全谱的模型预测效果与基于特征波数的模型预测效果相当,表明特征波数选择可用于无水冷却液和制动液中含水率的检测。基于单个品牌样本的模型预测效果与包含不同品牌样本的模型预测效果相近,表明包含品牌差异,建立基于多个品牌的无水冷却液和制动液掺水量的预测模型是可行的。研究结果表明,近红外透射光谱结合化学计量学方法可用于不同品牌汽车无水冷却液和制动液掺水量检测,为研究开发在线检测仪器奠定了基础,也为其他类型的车用液体制品中含水率的检测提供了技术和方法参考。     

基于共聚焦拉曼光谱技术的油菜菌核病早期判别分析

油菜菌核病是一种真菌性病害,可造成油菜产量严重减少,而快速准确地进行病原物的早期侵染对于植物病害防治意义重大。采用共聚焦拉曼光谱(500～2 000 cm-1波数范围内)技术结合化学计量学方法对油菜菌核病早期侵染进行判别分析。采用共聚焦拉曼光谱仪采集健康和接种12 h核盘菌的油菜叶片表面拉曼光谱,应用小波变换(wavelet transform,WT)进行拉曼光谱预处理以去除荧光背景。并利用基于全谱范围的偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)的回归系数(regression coefficient,RC)进行特征峰的识别,选出983,1 001,1 205,1 521,1 527,1 658,1 670和1 758 cm-1共八个特征峰用于建立PLS-DA模型进行油菜菌核病的早期侵染判别,其识别准确率为100%。结果表明：拉曼光谱技术结合化学计量学方法能够实现油菜叶片中菌核病早期侵染的检测,这为后续探究核盘菌与油菜叶片互作过程以及为进一步的病害早期监测和预防提供理论参考。     

应用近红外光谱技术实现转双价基因(Cry1Ab/Cry2Aj-G10evo)玉米的快速识别

转基因技术在过去的几十年里快速发展, 然而此项技术对生态环境、伦理道德等可能带来的影响尚存争议,因此针对农作物的转基因成分检测和鉴别的相关技术研究十分重要。本研究以转双价基因(cry1Ab/cry2Aj-G10evo)玉米籽粒和玉米面粉为研究对象,采用近红外光谱仪采集900～1 700 nm波段范围的光谱,结合 Savitzky-Golay(SG)平滑算法对提取出的光谱数据进行去除噪声处理。基于全波段光谱和PCA主成分分别建立了偏最小二乘判别分析(PLS)和支持向量机判别模型(SVM)。试验结果表明,在转基因玉米籽粒全谱的判别分析模型中,SVM判别模型效果要优于PLS判别模型,SVM模型识别正确率达到90%以上,PLS的模型识别率只有85%左右。以PCA降维后建立的模型中,SVM模型也取得了最优的效果,建模集和预测集识别正确率达到100%。虽然转基因玉米在研磨加工后外源蛋白和DNA有所下降,但是转基因玉米粉末基于全波段光谱建立的SVM模型的建模集正确率仍有90.625%。结果表明应用近红外光谱技术集合化学计量学方法对转基因玉米的鉴别是可行的,为转基因玉米乃至其他转基因农产品的鉴别提供了技术支持,具有重要的理论意义和应用价值。     

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。     

近红外光谱分辨率对液体样品近红外定量模型影响的研究

以四种组分的液体混合样品为实验对象,研究了不同分辨率下(1,4,16,32和64 cm-1)的近红外光谱模型,采用偏最小二乘法建立校正模型,全交互验证法进行检验。用目标函数值来评价定量模型性能。对于原光谱所建立的模型,苯和苯甲醛在分辨率1 cm-1时的目标函数值最大,甲苯在4 cm-1时的目标函数值最大,而氯苯在16 cm-1时的目标函数值最大;对于一阶导数光谱所建立的模型,四种组分的目标函数值均在1 cm-1时最大。结果表明,首先,仪器分辨率对近红外光谱定量分析结果有影响,对于光谱重叠严重的组分,提高分辨率对定量分析有利;但在分析对象的真实带宽较大的定量分析中,可采用较低分辨率以保证信噪比。其次,仪器分辨率对不同的组分的影响是不同的。此外,原光谱的信噪比及样品中不同组分光谱的带宽共同影响定量结果,在保证光谱信噪比的前提下,高分辨率对定量模型有利。     

可见-近红外光谱分析技术对鱼油掺假定量快速无损检测方法研究

对掺入不同含量大豆油和菜籽油的鱼油进行鱼油掺假含量的可见-近红外光谱(Vis-NIR)研究。向3个不同品牌鱼油中分别掺入不同比例的大豆油,另外3个不同品牌中分别掺入不同比例的菜籽油,共获得300个样本。对所采集样本的光谱数据分别采用原始光谱,以及平滑,变量标准化(SNV),多元散射校正(MSC),一阶求导和二阶求导等预处理算法进行处理后,建立偏最小二乘回归(PLSR)模型。基于全波段光谱的鱼油中大豆油和菜籽油掺假含量预测的最优模型分别为全波段PLSR模型和MSC-PLSR模型,其预测相关系数(R_p)分别达到0.938 6和0.959 3。进一步采用连续投影算法(SPA)分析鱼油中大豆油和菜籽油掺假样品的光谱,并分别获得了11个和15个光谱特征波长变量。基于特征变量的PLSR模型的R_p分别为0.941 2和0.932 6。试验研究表明, 可以采用Vis-NIR技术实现对鱼油掺假物含量的检测。     

基于中红外光谱技术的香菇蛋白质含量测定

研究了中红外光谱预测香菇蛋白质含量的可行性。去掉明显噪声部分后,研究香菇3 581～689 cm-1中红外光谱与蛋白质含量的关系。以Savitzky-Golay(SG)5点平滑预处理光谱建立偏最小二乘法(partial least squares, PLS)的预测模型的效果不理想,模型的建模集和预测集的相关系数均高于0.85,但剩余预测偏差(residual prediction deviation, RPD)值仅为1.77。采用连续投影算法(successive projections algorithm, SPA)算法从3000个波数点中选择7个特征波数,并以七个特征波数分别建立PLS、多元线性回归(multiple linear regression, MLR)、反向传播神经网络(back-propagation neural network, BPNN)和极限学习机模型(extreme learning machine, ELM)。与全谱的PLS相比,以特征波数的PLS模型和MLR模型的预测效果相对较差,而以特征波数的BPNN和ELM模型的预测效果相对较好。其中SPA-ELM模型的预测效果最佳,预测集相关系数(correlation coefficient of prediction)R_p=0.899 5,预测集均方根误差(root mean square error of prediction)RMSEP=1.431 3,剩余预测偏差RPD=2.18。研究结果表明,中红外光谱分析技术可以用于预测香菇蛋白质含量,且SPA选取特征波数能用来代替原始光谱进行建模分析,为香菇蛋白质含量的检测提供了新的思路。     

林药复合种植滇龙胆红外光谱鉴别研究

林药复合种植是一种缓解中药资源减少及提高土地利用率的方法。采用傅里叶变换红外光谱法对70份不同种植模式的滇龙胆进行研究,通过Omnic8.0软件对原始光谱进行基线校正、归一化、二阶导数光谱预处理;对样品与龙胆苦苷标准品的二阶导数光谱进行分析;利用各类样品的平均光谱建立两个光谱数据库Lib1和Lib2,其中Lib1在1 800~600 cm~(-1)光谱范围内进行专家检索,Lib2在全谱范围内进行相关性和平方微分差检索。结果表明,样品的红外光谱较为相似,难以直观分析鉴别;样品与龙胆苦苷标准品具有多个共有峰,其中1 611和1 076 cm~(-1)为标准品的特征峰,各样品在1 076 cm~(-1)处峰形差异较小,通过对1 611 cm~(-1)处峰面积的比较,种植于核桃林下的样品龙胆苦苷含量最高,荒坡种植及与木瓜复合种植的样品有效成分含量最低;不同种植模式样品中有效成分的不同表现为光谱匹配值之间的差异,与核桃树、旱冬瓜、桉树、茶树、杉树复合种植的样品间匹配值的差异小于与木瓜复合种植及荒坡种植的样品,专家检索法对样品的误判数为11,相关性检索和平方微分差检索法对样品的误判数分别为4和9,即在全谱范围内相关性检索法对样品鉴别效果最佳,正确识别率为94.29%。红外光谱法结合二阶导数光谱、光谱检索对不同复合种植模式滇龙胆的鉴别效果较好,为不同复合种植中药药源鉴别提供理论依据。     

近红外光谱的结球甘蓝可溶性糖含量测定

结球甘蓝是一种富含碳水化合物的常见蔬菜,可溶性糖含量是决定其品质的重要参数。可溶性糖易溶于水,是蔬菜和水果口味的有效调节剂。作为碳水化合物,可溶性糖由三种元素C,H和O组成,其分子吸收光谱主要由被检测材料的分子中C-H,O-H和CO等基团的组合频率吸收和倍频吸收组成,包含丰富的有机物信息。因此,采用近红外光谱和化学计量学方法,探索结球甘蓝可溶性糖含量的快速检测方法。用德国布鲁克公司的MATRIX-Ⅰ型傅里叶变换近红外光谱仪采集161份结球甘蓝样本光谱数据。波数范围：12 800～4 000 cm-1(780～2 500 nm)。蒽酮比色法测量样本的可溶性糖。综合应用马氏距离法(MD)和蒙特卡洛交叉验证法(MCCV)剔除异常样本,采用Kennard-Stone(K-S)法将样本按照给定比例划分为校正集和验证集。分别使用Savitzky-Golay卷积平滑(S-G),一阶导数(FD),二阶导数(SD),多元散射校正(MSC)和变量标准化(SNV)及它们的组合共12种方法对样本进行光谱预处理,获得最佳预处理方法,提高光谱数据的信噪比。采用竞争性自适应重加权采样法(CARS)筛选偏最小二乘回归(PLS)模型中回归系数绝对值大的波数点,去掉回归系数绝对值小的波数点,以有效选择与所测特性值相关的最优波数组合,获得具有良好鲁棒性和强预测能力的校正模型。使用模型决定系数R2、交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)作为模型精度评价指标。根据蒙特卡洛交叉验证法和马氏距离剔除异常样本的原理,共剔除10个光谱或者化学值异常的样本。最终参与建模分析的样本个数为151。异常样本剔除后,通过K-S法将样本按照3∶1被分成校正集(110个样本)和验证集(41个样本)。使用原始光谱数据,预处理后的光谱数据和对应于优选波数的光谱数据,建立PLS模型。结果表明,利用MSC+FD光谱预处理可以提高建模精度,校正集R2从处理前的0.68增长到0.93,MSC+FD是本研究中理想的光谱数据预处理方法。利用CARS法共优选了84个建模波数。在12 000~10 000 cm-1波数区域内,有O-H键2级和C-H键3级倍频伸缩振动吸收,此区域主要的背景信息为水和其他含氢基团,在此区域内共包含了36个选定的波数。在8 500~6 000 cm-1区域,存在糖类和水的O-H键的1级倍频伸缩振动吸收,葡萄糖的O-H键的1级倍频伸缩振动吸收,该区域是包含反映可溶性糖成分的主要光谱区间,背景影响较小,CARS方法在此区域共选择了15个建模波数。5 800~4 000 cm-1区域与12 000~10 000 cm-1区域相似,包含的选定波数多,CARS方法在此区域选择了33个建模波数。利用CARS对参与建模的波数进行优选,减少了无关信息,降低了模型的复杂度,选择的波数不但引入了表征待测组分的光谱,同时还引入了代表背景信息的光谱,使得校正模型适应性增强。建立了结球甘蓝可溶性糖的全谱PLS模型,根据CARS波数优选结果,建立了结球甘蓝可溶性糖的CARS-PLS模型。对于全谱PLS定量模型,校正集的决定系数R2为0.93,RMSECV为0.157 2%,RMSEP为0.132 8%。对于CARS-PLS模型,校正集的决定系数R2为0.96,RMSECV为0.076 8%,RMSEP为0.059 4%。数据表明,两种模型具有相当的R2,但CARS-PLS模型的RMSECV是全谱PLS模型的1/2。RMSEP也接近1/2,CARS-PLS模型比全谱PLS定量模型所用建模变量少,模型得到简化,精度更优。用CARS-PLS模型对验证集41个样本进行预测,预测集决定系数R2为0.86,预测标准误差为0.059 4%。提供了一种工作效率较高的结球甘蓝质量无损检测方法。