近红外光谱技术快速检测莲子粉

莲子是我国重要的药食同源食物,与莲子营养价值相当、便于食用的莲子粉备受消费者青睐。为保证莲子粉的品质,利用近红外光谱(NIRs)技术对掺杂小麦粉、玉米粉和地瓜粉的莲子粉进行鉴定,在样品类别已知下利用支持向量机(SVM)、最小二乘支持向量机(LS-SVM)、偏最小二乘法-判别分析(PLS-DA)模型进行判别,在样品类别未知下基于聚类算法进行判别。同时,对莲子粉中水分含量利用偏最小二乘(PLS)回归进行定量分析。结果表明,LS-SVM模型对纯莲子粉样品与掺入小麦粉、玉米粉和地瓜粉的莲子粉样品的判别率达到100%;基于聚类算法能够有效识别掺入5%地瓜粉、小麦粉和玉米粉的莲子粉样品;PLS模型对莲子粉中水分含量预测综合性能良好,其中经过标准化预处理得到模型效果最佳,其R2_c,RMSEC,R2_p和RMSEP分别达到0.973 2,0.111 5,0.969 5和0.118 9。近红外光谱技术能为隐蔽的莲子粉掺杂的鉴别以及莲子粉中水分含量监控提供一种快速、准确、无损检测的分析方法,为保证高档次莲子品质提供一种有益的思路。     

近红外光谱法定性定量检测蜂蜜中掺入甜菜糖浆的可行性研究

为进一步检验近红外光谱技术(NIRS)快速检测蜂蜜掺假的能力,利用近红外光谱结合化学计量学方法对蜂蜜中掺入甜菜糖浆进行了定性和定量检测。偏最小二乘-判别分析法(PLS-DA)对真假蜂蜜预测集的判别总正确率为90.2%;不同判别方法对掺假量等级预测集的判别总正确率都低于33.3%;PLS回归只对同一蜂蜜样本掺假的定量分析结果满意：预测集真实值与预测值的相关系数(r)为0.982 9,预测均方差(RMSEP)为1.394 2,而对不同植物来源和同一植物来源的不同样本的掺假量的定量分析结果不满意。研究表明,蜂蜜中掺入甜菜糖浆后,NIRS可实现真假蜂蜜的快速鉴别,而不能实现掺假量等级的鉴别及掺假量的定量分析。     

太赫兹时域光谱技术对紫米掺假的检测研究

紫米是生活中常见的食材,具有丰富的营养价值。由于紫米价格较高导致染色紫米大量流入市场。本文使用太赫兹时域光谱技术结合化学计量学方法探索紫米掺假的快速检测方法。采用太赫兹时域光谱技术(THz-TDS)采集0～7 THz范围内紫米掺假的光谱数据,并选择0.5～2.5 THz波段的吸收系数谱和折射率谱进行分析并采用化学计量学方法对光谱数据进行建模分析。分别采用Savitzky-Golay卷积平滑(SG Smoothing,SG平滑)、基线校正(Baseline)、归一化(Normalization)、多元散射校正(MSC)等方法进行光谱预处理,结合偏最小二乘判别分析(PLS-DA)对紫米、紫米掺染色大米和紫米掺染色黑米进行定性分析。定性分析结果显示,通过主成分分析(PCA)的三种样品平面分布存在明显差异;经过基线校正的光谱数据建立的PLS-DA模型效果最佳,误判率为0。接着使用偏最小二乘法(PLS)结合SG平滑、 Baseline、 Normalization、 MSC等预处理方法分别对紫米中掺染色大米和紫米中掺染色黑米的光谱数据建立PLS定量模型。结果显示,采用基线校正预处理方法的PLS建模效果最佳,紫米掺染色大米的预测集相关系数为0.936,预测集均方根误差(RMSEP)为0.095。紫米掺染色黑米的预测集相关系数为0.914,预测集均方根误差为0.096。为对比分析线性(PLS)与非线性(LS-SVM)两种定量模型方法的预测精度,采用相同预处理方法后的紫米掺假含量光谱数据建立最小二乘支持向量机(LS-SVM)预测模型,选用径向基函数(RBF)作为核函数。结果表明采用基线校正处理后LS-SVM模型效果最佳,紫米中掺染色大米的预测集均方根误差(RMSEP)为0.092,预测集相关系数(R_p)为0.979;紫米中掺染色黑米的预测集均方根误差(RMSEP)为0.093,预测集相关系数(R_p)为0.948。对比发现对紫米掺假的含量建立LS-SVM预测模型较PLS模型的稳定性更好、精确度更高。研究表明,太赫兹时域光谱结合化学计量学方法可为紫米掺假的定性定量分析提供快速精确的分析方法。     

基于连续投影算法的光谱主成分组合优化方法研究

应用连续投影算法(successive projections algorithm, SPA)选择由主成分分析(principal component analysis,PCA)得到主成分的最佳组合。首先对奶粉的短波近红外光谱进行PCA分析, 然后通过SPA得到的脂肪和蛋白质含量预测最佳主成分组合分别为主成分1,2,4,5,6和7以及主成分1,2,3,4,5和8。通过最小二乘支持向量机(Least-squares support vector machine, LS-SVM)对奶粉中脂肪和蛋白质含量进行预测, SPA选择得到的主成分组合均优于分别采用前4个到前8个主成分。 基于SPA得到的主成分组合得到脂肪含量预测结果的确定系数(R2p),预测误差均方根(root mean square error for prediction, RMSEP)和剩余预测偏差(residual predictive deviation, RPD)分别为0.989 0,0.170 3和9.534 3。而蛋白质含量预测结果的R2p,RMSEP和RPD分别为0.987 6,0.134 8和8.927 4。说明SPA能够用于快速有效选取最佳的主成分数, 寻优过程简单快速,并且不用对大量参数进行调试。     

高光谱图像信息的柑橘叶片光合色素含量分析技术研究

暗箱环境下采集柑橘叶片高光谱图像,采用阈值法提取整叶有效光谱信息区域的平均光谱,比对分析了柑橘叶片光谱信息不同预处理方法和光谱PLS、BPNN和LS-SVM预测模型对叶绿素a、叶绿素b和类胡萝卜素等光合色素含量的预测精度。结果显示,采用MSC对原始光谱进行预处理和LS-SVM建模对叶绿素a含量的预测效果较好,Rp达0.898 3,RMSEP为0.140 4;采用SNV光谱预处理和LS-SVM模型对叶绿素b含量的预测其Rp为0.912 3,RMSEP为0.042 6;采用MAS预处理和PLS模型对于类胡萝卜素含量预测的Rp和RMSEP分别为0.712 8和0.062 4。结果表明:采用高光谱图像信息可较好地进行柑橘叶片叶绿素a,叶绿素b和类胡萝卜素等光合色素含量的预测,为进一步研究柑橘叶片光合色素含量与组分构成的非损伤实时检测提供了依据。     

基于近红外光谱技术检测除草剂胁迫下油菜叶片中脯氨酸含量的方法

应用近红外光谱技术实现除草剂胁迫下油菜叶片中脯氨酸含量的检测。对248个经过除草剂丙酯草醚处理后的油菜叶片,经过烘干、磨碎后进行光谱扫描。经过Savitzky-Golay平滑、变量标准化(SNV)、二阶求导预处理后,应用偏最小二乘法(PLS)建立脯氨酸含量的预测模型,同时提取有效特征变量作为神经网络(BPNN)和最小二乘-支持向量机(LS-SVM)的输入值,并建立相应的模型。用186个样本建模,62个样本预测。结果表明,最小二乘-支持向量机能够获得最优的预测效果,预测的相关系数(r)、预测标准差(RMSEP)和偏差分别为0.995,0.041和0.000。说明应用近红外光谱技术结合最小二乘-支持向量机能够定量获得油菜叶片中脯氨酸的含量。     

LSSVM模型下的近红外光谱联合区间波长筛选方法

针对传统近红外光谱波长选择方法忽略模型中非线性因素的缺陷,采用具有非线性处理能力的最小二乘支持向量机,结合间隔策略的波长选择方法和联合区间的思想,提出了一种非线性模型下的波长筛选算法—联合区间最小二乘支持向量机(synergy interval least squares support vector machines, siLSSVM)。以苹果糖度近红外光谱数据为例,与传统siPLS波长筛选方法相比,新算法的预测集均方根误差(RMSEP)在PLS模型和LSSVM模型预测时分别提高了37.43%和47.88%,预测集相关系数(RP)在PLS模型和LSSVM模型预测时分别增加了6.04%和7.31%。实例表明,对于存在非线性因素较强的光谱数据,siLSSVM算法能够有效的挑选最优波长区间与提高模型的预测精度和鲁棒性,为近红外光谱在非线性因素下筛选波长提供了新前景。     

基于近红外高光谱成像技术的干制红枣品种鉴别

为实现干制红枣的快速鉴别,提出了一种基于近红外高光谱成像技术的鉴别方法。采集四个品种共240个样本干制红枣的近红外高光谱图像(1 000～1 600 nm)。通过主成分分析法(principal component analysis,PCA)、载荷系数法(x-Loading Weights,x-LW)和连续投影算法(successive projections algorithm,SPA)分别提取7个、8个和10个特征波长;基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)提取第一主成分图像的纹理特征。分别以光谱特征、纹理特征、光谱和纹理融合特征作为输入,建立偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、反向传播神经网络(back-propagation neural network,BPNN)和最小二乘支持向量机(least squares support vector machines,LS-SVM)模型。结果显示,基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率;基于融合特征的BPNN模型的结果最优,对预测集样本鉴别正确率为100%。说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。     

太赫兹光谱技术对红薯淀粉中明矾含量的检测方法研究

明矾是一种可以改良粉条粉丝易断粗糙特性的违法添加剂,明矾的含量过高进入人体后会直接影响身体健康。结合太赫兹光谱技术探索红薯淀粉中明矾含量快速检测方法。采用太赫兹时域光谱系统(Terahertz time domain spectroscopy, THz-TDS)于常温下获取0.5～7 THz范围内红薯淀粉、明矾及其混合物的光谱数据。因0～0.5 THz测得的频谱均为噪声,高频段区域的吸收系数大、信噪比低,故选取0.5～2 THz波段的吸收系数谱和折射率谱进行分析。发现明矾在该波段存在明显的特征吸收峰,可作为指纹特征用于物质识别。分别采用Savitzky-Golay卷积平滑(SG Smoothing,SG平滑)、基线校正(Baseline)、归一化(Normalization)等方法进行光谱预处理,再结合偏最小二乘(partial least squares, PLS)对红薯淀粉中明矾含量建立预测模型。结果表明,采用原始光谱、 SG平滑、 Baseline、 Normalization等光谱数据建立PLS模型的最佳因子数(principal component factors)分别为3, 3, 3和2;校正集相关系数(r_c)分别为0.982, 0.980, 0.982和0.984;预测集相关系数(r_p)分别为0.982, 0.979, 0.982和0.987;校正集均方根误差(root mean square error of calibration, RMSEC)分别为0.011, 0.012, 0.012和0.011;预测集均方根误差(root mean square error of prediction, RMSEP)分别为0.013, 0.014, 0.013和0.012;可知归一化预处理后建立PLS模型效果最佳。为对比分析线性(PLS)与非线性(LS-SVM)两种定量模型方法的预测精度,采用相同预处理方法后的红薯淀粉中明矾含量光谱数据建立最小二乘支持向量机(least squares support vector machine, LS-SVM)预测模型,选用径向基函数(RBF)作为核函数。结果表明,归一化预处理后建立LS-SVM模型效果最佳,其预测集均方根误差(RMSEP)为0.0047,预测集相关系数(r_p)为0.997 2。发现对红薯淀粉中明矾含量建立LS-SVM预测模型的稳定性更好、精确度更高。采用太赫兹时域光谱结合LS-SVM和PLS对红薯淀粉中明矾含量进行定量分析。结果表明,采用归一化预处理后的LS-SVM比PLS模型的预测效果更优,可能是红薯淀粉与明矾混合物中含有更多的非线性信息。研究表明,太赫兹时域光谱结合化学计量学方法可为红薯淀粉中明矾含量的定量分析提供快速精确的分析方法。     

转基因水稻及其亲本叶片的可见/近红外光谱分析

应用可见/近红外光谱技术实现了转基因水稻叶片的快速识别和叶绿素含量(SPAD)的快速检测。建立偏最小二乘-支持向量机(LS-SVM)鉴别模型,校正集的正确率为100%,同时应用连续投影算法(SPA)提取有效波长,建立SPA-LS-SVM鉴别模型,只用了全变量的0.3%进行建模,其预测集的正确率达到87.27%。在定量分析中,各模型的最优结果均来自经过正交信号校正(OSC)的光谱数据,经过SPA处理后的模型均优于最优的全波段PLS模型,说明SPA是一种有效的波长选择方法。最优SPAD值预测模型为SPA-LS-SVM,其相关系数(r)和预测均方根误差(RMSEP)分别为0.902 2和1.312 1,获得了满意的结果。这说明提出的SPA-LS-SVM方法能快速识别转基因水稻叶片并对SPAD值进行准确预测,为实现大田活体鉴别与连续监测提供了新方法。     

可见-近红外光谱的潮间带沉积物有机碳含量的几种模型预测方法

可见-近红外光谱已被证明是一种快速、有效的有机碳(TOC)含量预测方法。但是,当前利用光谱预测TOC含量的研究对象主要为土壤或湖泊沉积物,还未见潮间带海洋沉积物的研究报道。为了快速准确预测潮间带沉积物TOC含量,通过异常样本剔除、光谱特征变换、特征波长提取相结合,构建TOC预测模型,即,采集潮间带沉积物样品光谱,采用马氏距离、标准杠杆值和学生残差联合分析的方法剔除异常样本,利用多元散射校正(MSC)、平滑+微分进行光谱变换,利用遗传算法(GA)提取特征波长,采用偏最小二乘法(PLS)、最小二乘支持向量机(LSSVM)和BP神经网络(BPNN)对沉积物TOC含量进行建模和预测,通过决定系数(R~2)和剩余估计偏差(PRD)来评价模型精度。结果表明,剔除异常样本有助于提升模型精度, BPNN模型的检验R~2和PRD分别提升了28%和39%。MSC光谱变换效果优于平滑+微分,基于MSC光谱变换的PLS, LSSVM和BPNN模型检验R~2分别为0.81, 0.86和0.78, PRD分别为2.25, 2.59和2.07,比平滑+微分提升了9%～20%(R~2)和11%～22%(PRD),意味着MSC具有较强的TOC信息提取能力。GA不利于增加预测模型精度,基于GA特征波长的模型预测R~2降低了9%～36%, PRD降低了18%～33%,可能与GA提取的特征波长数量偏少有关。BPNN模型的预测精度最低,可能与其容易陷入局部极小点有关。PLS模型精度较高,可以很好的预测潮间带沉积物TOC含量。基于异常样本剔除和MSC光谱变换, PLS模型的建模R~2为0.98,检验R~2为0.81, RPD为2.25。LSSVM模型精度更优于PLS, LSSVM模型建模R~2为0.99,检验R~2和RPD分别为0.86和2.59,显示极好的TOC定量预测能力。总之,针对潮间带沉积物TOC含量预测,可以将剔除异常样本、 MSC光谱变换、 LSSVM建模结合起来,以获得可靠、稳定的预测模型。     

不同pH值土壤中铅含量的太赫兹光谱反演建模研究

针对土壤中铅含量的定量检测问题,本研究基于太赫兹光谱技术对不同pH下土壤中铅含量的最佳反演预测模型进行了探索性研究。分别制备了pH为8.5, 7.0和5.5的含铅土壤样品,采集样品的太赫兹光谱数据,并对光谱数据做了多元散射矫正(MSC)、基线校正和Savitzky-Golay平滑等预处理。对预处理后的光谱数据,采用连续投影法(SPA)选取光谱数据的特征频率。基于选取的特征频率分别采用偏最小二乘法(PLS)、支持向量机(SVM)和误差反向传播神经网络(BPNN)建立土壤中铅含量的反演预测模型,采用校正集相关系数(R_c)、校正集均方根误差(RMSEC)、预测集相关系数(R_p)、预测集均方根误差(RMSEP)和剩余预测偏差(RPD)作为评价参数对模型性能进行评估,确定铅在不同pH土壤中的最佳预测模型。实验结果表明:在经过SPA选择特征频率后的建模效果普遍比全光谱的效果好。其中pH 8.5的样品最佳预测模型为SPA-PLS,R_c,R_p, RMSEC, RMSEP和RPD分别为0.997 7, 0.994 6, 14.52 mg·kg~(-1), 22.70 mg·kg~(-1)和9.63; pH 7.0的样品最佳预测模型为SPA-SVM,R_c,R_p, RMSEC, RMSEP和RPD分别为0.996 2, 0.975 7, 20.25 mg·kg~(-1), 33.04 mg·kg~(-1)和4.56; pH 5.5的样品最佳预测模型为SPA-BPNN,R_c,R_p, RMSEC, RMSEP和RPD分别为0.968 7, 0.974 4, 48.83 mg·kg~(-1), 55.03 mg·kg~(-1)和4.44。该研究结果为不同pH土壤中铅含量的光谱反演预测提供了一种新思路,亦可为其他重金属在不同pH土壤中的含量反演预测模型提供理论方法和技术支持。     

基于偏最小二乘增量式神经网络的近红外光谱定量分析模型

提出了一种基于偏最小二乘增量式神经网络的近红外光谱定量分析模型。该模型采用典型三层反向传播神经网络(BPNN),不同波长吸光度和成分浓度是模型的输入和输出。在使用历史样本训练之前先进行偏最小二乘(PLS)回归,所得自变量和因变量的历史负荷矩阵分别用于确定模型输入层和输出层的初始权值,且自变量的主成分个数作为隐层的节点数。当获得新的样本时,对新数据与历史负荷矩阵组合后进行PLS回归,将所得新的负荷矩阵与历史负荷矩阵融合后作为模型输入层和输出层新的初始权值,接着使用新样本对模型进行训练来实现增量式更新。将所提模型与PLS、BPNN、基于PLS的BPNN、递归PLS在天然气燃烧烟气近红外光谱数据上测定后比较。对于烟气中二氧化碳浓度的预测,所提模型的预测均方根误差(RMSEP)分别降低了27.27%,58.12%,19.24%和14.26%;对于烟气中一氧化碳浓度的预测,所提模型的RMSEP分别降低了20.65%,24.69%,18.54%和19.42%;对于烟气中甲烷浓度的预测,此模型的RMSEP分别降低了27.56%,37.76%,8.63%和3.20%。实验结果表明,所提模型不仅通过PLS对BPNN结构和初始权重的优化,使模型具有较强的预测能力,而且能在已建模型信息的基础上,不访问旧数据而用新增样本即可完成自身的增量式更新,从而使模型具有较好的稳健性和泛化性。     

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。     

近红外光谱法对甲醇柴油中甲醇含量测定

应用近红外光谱结合化学计量学方法实现了对甲醇柴油中的甲醇含量的定量分析。以实验室配制的32种不同浓度[浓度范围为2%～25.8%(φ)]的甲醇柴油溶液为研究对象,在4 500～7 000 cm-1光谱范围内,建立偏最小二乘(PLS)、支持向量机(SVM)和最小二乘支持向量机(LS-SVM)三种定量分析模型。在建立SVM模型时,经过比较分析,径向基函数(radial basis function,RBF)作为SVM模型的核函数时可以获得更高的预测精度。最终获得甲醇含量的PLS, SVM和LS-SVM三种模型的预测相关系数R_P分别为0.985 9, 0.990 3, 0.998 9,预测均方根误差RMSEP分别为0.405 2, 0.356 3, 0.062 4,可以看出,三种预测模型都可以达到很好的效果,最优的预测模型是使用LS-SVM建模。研究结果表明,利用近红外光谱法结合化学计量学方法对甲醇柴油中甲醇含量的检测具有可行性,并可以达到很好的效果。采用近红外光谱技术结合化学计量方法对甲醇柴油中甲醇含量进行定量分析,也为近红外光谱技术快速无损检测甲醇柴油甲醇含量提供参考和应用价值。     

DPLS和SVM的掺假花椒粉近红外光谱定性鉴别

花椒是我国的八大调味料之一。目前花椒市场掺假现象较为多见,为实现掺假花椒粉的快速定性鉴别,采用了近红外光谱结合化学计量学方法进行了探讨。将麦麸粉、稻糠粉、玉米粉和松香粉以1 Wt/Wt.%的递增梯度分别掺入红花椒粉和青花椒粉中,制备掺假浓度范围为1~54 Wt/Wt.%的掺假花椒粉样品,以掺假花椒粉和纯花椒粉共462份样品依次采集其800~2 500 nm范围的漫反射近红外光谱。采用主成分分析法(PCA)对光谱数据进行分析,前3个主成分累计贡献率达98.72%,做出的得分图表明PCA法对掺假的花椒粉具有较好的区域划分。347份样本作为校正集,以特征谱区2 000~2 200 nm范围的257个采样点的光谱信号作为输入,采用判别偏最小二乘法(DPLS)和支持向量机(SVM)建立定性鉴别模型,经不同光谱预处理,对115份验证集样本进行预测,总体鉴别正确率在97.39%~100%之间,表明该方法是快速定性鉴别掺假花椒粉的一个有效手段。     

牛奶中三聚氰胺的可见/近红外光谱快速判别分析方法的研究

为探讨基于可见一近红外光谱技术快速检测牛奶中是否含有三聚氰胺的可行性.文章通过往液态奶中添加不同含量的三聚氰胺,共制备样本160个.利用Handheld Field Spec光谱仪获取样本光谱,其后采用不同的预处理方法对光谱数据进行预处理,然后分别建立数学模型,比较模型的好坏,得到采用移动平均平滑作为数据的预处理方法较好.从160个样本中随机的取出120个样本建模,剩下的40个样本作为独立的验证集.采用偏最小二乘回归法(PLS)和最小二乘支持向苗机法(LS-SVM)方法分别建立判别分析模型,利用独立的验证集对判别模型进行了预测验证.预测结果的预测相关系数(R2)分别为0.917 4(PLS)和0.910 9(LS-SVM),预测标准误差(RMSEP)分别为0.030 4(PLS)和0.046 7(LS-SVM).研究结果表明近红外反射光谱可以作为一种快速检测牛奶中三聚氰胺的方法.     

可见/近红外光谱的油茶籽油三元体系掺假检测模型优化

采用可见/近红外光谱技术结合化学计量学方法对油茶籽油三元体系掺假进行定量检测研究。将菜籽油和花生油按不同比例掺入纯油茶籽油中,获得掺假样本。采集纯油茶籽油及掺假样本在350~1 800 nm范围内的可见/近红外光谱数据,随机分为校正集和预测集,并从不同建模波段、预处理方法及建模方法角度对掺假预测模型进行优化。研究结果表明,菜籽油、花生油和总掺伪量的最优建模波段及预处理方法分别为750~1 770,900~1 770 ,870~1 770 nm和多元散射校正(MSC)、标准归一化处理(SNV)和二阶微分,而最优的建模方法均为最小二乘支持向量机(LSSVM)。对于最优掺假模型,菜籽油、花生油和总掺伪量的预测集相关系数(R_p)和预测均方根误差(RMSEP)分别为0.963,0.982,0.993和2.1%,1.5%,1.8%。由此可见,可见/近红外光谱技术结合化学计量学方法可以用于油茶籽油的三元体系掺假定量检测。     

高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定量测定

由于高光谱数据量大、维数高,光谱噪声明显、散射严重等特征导致光谱建模时关键变量提取较为困难,同时,高光谱图像的获取会受非单色光、杂散光、温度等多种因素的影响,从而使高光谱数据与待测性质之间有一定非线性关系。为此,提出采用正自适应加权算法(CARS)对可见-近红外高光谱高维数据进行关键变量筛选,并与全光谱和经典变量提取方法SPA,MC-UVE,GA和GA-SPA方法进行比较。以200个库尔勒香梨为研究对象,采用SPXY方法将样本划分为校正集和预测集,校正集和预测集分别包含150个和50个样本。基于不同方法筛选的变量,分别建立线性PLS模型及非线性LS-SVM模型,r2,RMSEP和RPD用于模型性能的评估。综合比较发现,GA,GA-SPA和CARS变量筛选方法能够有效地筛选出原始高光谱数据中具有强信息且对外界影响因素不敏感的变量,适用于高光谱数据关键变量的提取,其中CARS变量筛选效果最佳,基于CARS获取的关键变量构建的非线性LS-SVM库尔勒香梨SSC含量预测模型获得了最优的预测结果,r2_pre,RMSEP和RPD分别为0.851 2,0.291 3和2.592 4。研究表明,CARS方法是一种有效的高光谱关键变量筛选方法,利用高光谱数据,非线性LS-SVM模型比线性PLS模型更适合于香梨品质的定量预测。     

高光谱成像的牛肉丸掺假检测

牛肉丸是一种口感独特的肉类深加工食品。不法商贩为了谋取利益,在牛肉中掺入猪肉、鸡肉等廉价肉制作肉丸冒充纯牛肉丸售卖。传统的肉品掺假检测方法费时费力,成本高昂。高光谱成像技术具有快速无损、低成本等优点,因此对牛肉丸中掺假猪肉和鸡肉进行高光谱成像检测。首先分别制作纯牛肉丸和混有掺假肉猪肉和鸡肉的牛肉丸,掺假肉占原料肉质量比例分别为5%, 10%, 15%, 20%, 25%。采集所有肉丸样本的高光谱信息并提取光谱数据。分别采用1~(st) Der, 2~(nd) Der, MC, MSC, SG和SNVT六种预处理方法对所提取光谱进行预处理,建立全波段下偏最小二乘(PLS)掺假含量预测模型,并比较模型预测效果得出最佳预处理方法。对最佳预处理方法处理后的光谱数据进行特征波长的筛选,筛选方法有:连续投影法(SPA)、竞争性自适应重加权算法(CARS)、联合区间偏最小二乘法(siPLS),并创新性地联用siPLS与CARS的联合区间偏最小二乘-竞争性自适应重加权算法(siPLS-CARS)。最后比较不同波长筛选方法下的模型预测效果。研究表明,牛肉丸掺猪肉和鸡肉PLS预测模型最佳预处理方法分别为MSC和1~(st) Der。SPA, CARS和siPLS-CARS分别筛选了掺猪肉样品光谱中的13, 51和32个特征波长, siPLS将全光谱分为14个子区间,联合第1, 3, 7, 13子区间进行建模,其中CARS筛选波长后的PLS预测模型效果最好,R_C和R_P分别为0.981 4和0.972 1, RMSECV和RMSEP分别为0.016 3和0.020 3。SPA, CARS和siPLS-CARS分别筛选了掺鸡肉光谱中的15, 61和28个特征波长, siPLS将全光谱分为15个子区间,联合第7, 8, 11, 12子区间进行建模,最佳波长筛选方法也是CARS,此时PLS预测模型R_C和R_P分别为0.990 2和0.987 8, RMSECV和RMSEP分别为0.012 3和0.012 6。siPLS-CARS相比于siPLS不仅缩减了特征波长数量,且提高了模型预测的精度;相比于CARS筛选出的波长更少,但精度略低。掺鸡肉样品预测模型效果整体优于掺猪肉样品。研究结果表明高光谱成像技术可以实现牛肉丸中掺假的含量预测,为牛肉丸掺假快速检测提供理论基础。