基于近红外光谱检测技术的水泥生料成分含量检测研究

近红外光谱检测技术已经成功应用于水泥生料成分的快速检测,但我国水泥企业在生产水泥生料时所用原材料品种不一,使用不同的原材料进行生产时对近红外光谱建模带来一定影响。为了研究不同原料生产的水泥生料近红外光谱建模差异,对不同地区水泥生产线所生产的水泥生料进行建模研究。选取两个不同地区水泥生产线的水泥生料样本各95份和82份,各自选取80份和67份作为校正集,15份作为验证集。首先将两条水泥生产线的样本每份重复装样测3次光谱,取平均光谱做为样本的近红外光谱。然后通过采用S-G平滑法对两个不同地区所生产的水泥生料近红外光谱进行预处理。对比发现两个地区水泥生料近红外光谱存在一定差异,采用偏最小二乘回归算法建立检测模型,所建立的模型精度差异较大。采用CARS波段挑选法,分别对两种水泥生料近红外光谱进行挑选,生产线一的水泥生料样本SiO₂,Al₂O₃,Fe₂O₃和CaO近红外光谱波段由3 113个变量分别保留了85,89,55和67个变量,生产线二的水泥生料近红外光谱则分别保留了51,55,55和55个变量,且保留的波段明显存在一定区别。最后分别建立了两个地区的水泥生料SiO₂,Al₂O₃,Fe₂O₃和CaO近红外光谱检测模型。通过对比发现原材料不同时所挑选的波段不同,且检测模型预测效果良好。生产线一的SiO₂,Al₂O₃,Fe₂O₃和CaO检测模型的RMSEP（预测均方根误差）分别为0.109,0.053,0.034和0.185,生产线二 的SiO₂,Al₂O₃,Fe₂O₃和CaO检测模型的RMSEP分别为0.084,0.024,0.023和0.184。结果表明当水泥生料的原材料发生变化或者产地不一时,不能仅靠修正模型对水泥生料进行检测,而是需要重新进行近红外光谱建模,且光谱波段选择也会发生变化。采用波段挑选法对水泥生料近红外光谱进行波段挑选能够提高检测模型的模型精度。     

应用近红外光谱技术快速检测果醋糖度

为了对果醋糖度值进行快速准确检测,应用近红外光谱技术并结合最小二乘支持向量机分析方法建立了果醋糖度检测模型.应用近红外透射光谱获取五种类型共计300份果醋样本的光谱透射曲线,利用主成分分析方法对原始光谱数据进行降维处理,根据主成分的累计贡献率选取6个主成分.选取的主成分即作为光谱优化特征子集以替代原来复杂的光谱数据.随后将300份果醋样本数据随机分为定标集和预测集,利用最小二乘支持向量机在225个定标集样本数据基础上建立起果醋糖度预测模型,应用此模型对75个预测集样本进行糖度预测.根据预测均方根误差(RMSEP)和预测结果的相关系数(r)对预测模型进行评价,利用此模型得到的样本糖度预测值r=0.993 9,RMSEP=0.363,均达到了较好的预测效果.     

基于背景水分扣除的水泥生料成分的近红外光谱建模

傅里叶变换红外光谱技术(FTIR)在水泥生料成分的在线分析上具有巨大的潜力。但因现场环境复杂,空气湿度不稳定,会对生料样品中Fe_2O_3, SiO_2, CaO和Al_2O_3四种关键成分的在线FTIR定量分析形成一定干扰。使用生料在线FTIR分析仪对不同湿度条件下的水泥生料样品进行了近红外光谱采集,分析了不同湿度对近红外光谱定量分析的影响,并提出一种消除背景水分吸收的方法。具体研究内容为:(1)通过对两种不同湿度条件下的各50个样品的光谱分析得到:高湿度的样品光谱与低湿度的样品光谱比较,形状类似,但吸光度整体降低,基线倾斜。表明背景水分影响了样品的近红外光谱。(2)分别建立高湿度、低湿度条件下的样品的定量分析模型,预测另一湿度条件下的预测集中8个样品的四种成分含量。得到:①高湿度模型预测样品中4种成分含量与标准值之间的相关系数(r)为83.74%～92.74%,均方根误差(RMSE)为0.12～0.83;②低湿度模型预测的r为67.32%～82.41%, RMSE为0.12～0.84。表明背景水分影响了水泥生料成分的FTIR定量分析。(3)为了消除背景水分造成的影响,从实测光谱中消除背景水分的特征吸收后,分别建立了高湿度、低湿度条件下的样品的FTIR定量分析模型,并对预测集样品的四种成分含量进行预测。得到:①高湿度条件下,消除背景水分后的模型较未消除前的模型预测的准确度提高,预测的r为90.73%～97.76%, RMSE为0.12～0.82;②低湿度条件下,消除背景水分后的模型较未消除前的模型预测的准确度提高,预测的r为94.07%～98.69%, RMSE为0.12～0.82;③高湿度、低湿度条件下,消除背景水分后的2个模型预测的r均达到90%以上。表明了该方法可有效消除背景水分对水泥生料成分定量分析模型预测的影响,为实现基于FTIR的水泥生料成分的在线分析提供了理论基础和技术支持。     

水果坚实度的近红外光谱检测分析试验研究

应用傅里叶漫反射近红外光谱技术探讨了水果坚实度无损检测的方法。利用偏最小二乘法建立了坚实度与漫反射光谱的无损检测数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行了对比分析。结果表明：利用傅里叶变换光谱仪采集的原始光谱的平滑预处理对结果并没有太大影响;原始光谱在800～2 500 nm范围的模型得到了最好的预测结果：校正集样本的相关系数r为0.869,校正均方根误差RMSEC为3.88 N;预测集样本的相关系数r为0.840,预测均方根误差RMSEP为4.26 N。 通过本研究得出：应用近红外漫反射光谱检测水果坚实度是可行的,为今后快速无损评价水果成熟度提供了理论依据。     

应用可见/近红外光谱技术快速检测果珍中二氧化钛的含量

为了实现快速检测果珍中的二氧化钛含量,提出了应用近红外光谱技术结合化学计量学的快速检测方法。研究采用了320份果珍样本进行光谱特性的检测,其中200个样本用来建模,120个样本进行预测。首先比较了标准正态变量校正(SNV)、变量标准化(Normalize)、多元散射校正(MSC)等6种不同的数据预处理方法对偏最小二乘法(PLS)建模预测效果的影响。然后将PLS模型与应用主成分(PC)建立的主成分-神经网络校正(PC-ANN)模型进行比较。结果表明,MSC预处理的效果最好,PLS模型的最佳主成分数为7,预测值与标准值的相关系数R2达0.900 8,预测标准误差RMSEP为0.05。PC-ANN模型预测值与标准值的R2为0.868 4,RMSEP为0.04。说明PLS模型比PC-ANN模型的预测效果好。同时本研究也说明能够应用可见/近红外技术对二氧化钛进行快速定量测定。     

近红外光谱预测猕猴桃硬度模型的简化研究

为简化猕猴桃硬度的预测模型,利用标准正态变量变换对猕猴桃1 000～2 500 nm近红外光谱进行预处理,在优选建模波段和采用净分析物预处理（NAP）降低建模主因子数两个方面简化猕猴桃硬度偏最小二乘（PLS）模型。结果表明,优选5 189～5 370 cm^-1,4 549～4 620 cm^-1,6 049～6 230 cm^-1,6 999～7 730 cm^-1,6 249～6 614 cm^-1等5个波段进行建模,NAP/PLS模型性能最佳,主因子数为5,校正集相关系数R2和均方根误差RMSECV分别为0.819 41和0.701 77,预测集相关系数R2和均方根误差RMSEP为0.780 67和0.882 71。与简化前的PLS模型相比,模型不仅更加简洁,而且预测能力和精度均有所提高。     

S/B和DS算法校正土壤水分对土壤有机质近红外光谱预测的影响

土壤水分对近红外光谱表现出强烈的吸收和对土壤有机质含量的预测造成干扰。研究选择41个样本作为校正集和9个样本作为预测集,所有样本做不同含水率（5%,10%,15%和17%）的处理。采用S/B和DS算法分别对预测结果和全光谱进行校正,消除土壤水分的影响。结果得出预测结果偏差减小和模型预测性能得到改善,R_p高于0.89和RMSEP低于0.885%。研究表明S/B和DS算法能有效消除土壤水分的影响和提高土壤有机质预测的准确性。     

应用数字傅里叶滤波方法提高近红外光谱多元校正模型稳健性的研究

在近红外光谱多元校正方法实际应用中,经常遇到这样的情况,近红外光谱校正模型仅适用于建模时的测量条件,而在测量条件稍有变化时就无法实现样品的准确预测。文章主要研究采用数字傅里叶滤波预处理方法提高近红外光谱多元校正模型稳健性。文章将数字傅里叶滤波预处理方法应用于葡萄糖水溶液的温度实验,实验1和实验2分别在恒温25 ℃和恒温30 ℃进行光谱测量;实验3在未控温的室内环境下进行光谱测量。采用实验1和实验2的样品作为训练集进行模型训练和优化,模型建立完毕之后,采用实验3的样品作为验证集进行模型预测能力评价。结果表明,如果训练集样品未经过预处理而直接建立偏最小二乘(PLS)多元校正模型,则验证集样品均方根预测误差(RMSEP)为664.47 mg·dL-1。而训练集和验证集样品经过傅里叶滤波预处理之后分别进行PLS建模和预测,验证集样品均方根预测误差(RMSEP)降低为58.43 mg·dL-1,样品预测值与参考值的相关性也得到提高。可见,采用数字傅里叶滤波预处理方法可以提高多元校正模型的稳健性。     

S/B和DS算法校正土壤水分对土壤有机质近红外光谱预测的影响（英文）

土壤水分对近红外光谱表现出强烈的吸收和对土壤有机质含量的预测造成干扰。研究选择41个样本作为校正集和9个样本作为预测集,所有样本做不同含水率(5%, 10%, 15%和17%)的处理。采用S/B和DS算法分别对预测结果和全光谱进行校正,消除土壤水分的影响。结果得出预测结果偏差减小和模型预测性能得到改善,R_p高于0.89和RMSEP低于0.885%。研究表明S/B和DS算法能有效消除土壤水分的影响和提高土壤有机质预测的准确性。     

基于主成分正交信号校正算法和加强正交信号校正算法对柑桔酸度的检测

应用便携式近红外光谱分析仪对112个柑桔进行无损检测,运用主成分正交信号校正、加强正交信号校正结合广义回归神经网络的方法分别建立柑桔酸度定量分析模型。结果表明：采用EOSC方法能够使模型具有良好的预测能力并能够防止对数据造成过度校正。EOSC柑桔酸度模型校正集相关系数R_c=0.888 0,预测集相关系数R_p=0.885 6,RMSEP=0.081 65。研究结果表明EOSC预处理方法结合广义回归神经网络可以用于柑桔样本的酸度测定。     

相思树聚戊糖含量近红外光谱分析模型的建立及修正

建立适应不同产地相思树化学组分含量的近红外光谱分析模型对预测木材化学组分含量具有重要的意义。用常规化学法测量了取自广西78个和福建33个相思树样品的聚戊糖含量,并结合近红外光谱数据用偏最小二乘法建立了广西相思树聚戊糖含量的近红外光谱模型。校正模型的决定系数R2cv为0.947,内部交叉验证均方差RMSECV为0.464,验证模型Rv2al为0.925,RMSEP为0.455。为了扩大模型的适用范围,用福建不同数量样品对该模型进行修正。结果表明:在广西模型的基础上加入一个有代表性的福建样品就能大大降低直接用广西模型预测福建样品的误差。加入3个有代表性的福建样品后能够得到较好的模型。用该模型预测未参加建模的福建样品,预测模型的Rv2al为0.904,RMSEP为0.759。用4组(每组3个样)不同的福建样品修正广西模型,用固定的20个未参与修正广西模型的样品来验证,预测误差略有不同,表明样品的选择在一定程度上影响着修正模型的质量。     

Evaluation of the Mooney Viscosity of Natural Rubber by Near‐Infrared Spectroscopy

Abstract

The direct near‐infrared spectroscopic reflectance measurements of prevulcanized natural rubber (brown crepe) was employed for determination of its Mooney viscosity. NIR reflectance spectra were obtained for a total of 100 samples whose Mooney viscosity (VM in the range 68–95 units) have been determined by the standard reference procedure using a commercial computerized Mooney viscometer. These samples were employed as the raw material or were treated to achieve better homogenization. A Fourier transform near infrared (FT‐NIR) spectrophotometer was employed, and the reflectance spectra were obtained with resolution of 4 cm^?1 in the range 4000–10,000 cm^?1 as an average of 75 scans. The samples were split in a calibration set containing 70 samples and in an external validation set consisting of the remaining 30 samples. The calibration and validation spectra sets were treated to correct for baseline shift, further transformed by first derivative and finally modeled by partial least squares (PLS) employing four latent variables. The model was evaluated with the external sample test set, and a RMSEP of 3.6 and 3.9 units of Mooney viscosity were obtained for homogenized and nonhomogenized samples, respectively. The NIR method is capable of determining the Mooney viscosity in few minutes in the non‐pretreated sample with an error that is satisfactory for quality control of natural rubber destined for automobile tire manufacturing.     

NIRS法对栀子不同炮制品栀子苷含量的快速检测

以96批栀子不同炮制品为研究对象,高效液相色谱测定栀子苷含量为参考值,利用近红外光谱仪积分球漫反射测定其光谱图,建模波段取8 660~7 500,6 650~5 600和4 900~4 000 cm-1,以标准正态变换(SNV)和二阶导数法(2nd derivative)为预处理方法,主成分数为8,采用偏最小二乘法(PLS)对83批栀子样品建立栀子苷的定量校正模型,最终以13批栀子不同炮制品对模型进行验证。结果,定量模型的内部交叉验证决定系数(R2)为0.992 85,校正均方差(RMSEC)为0.240,预测均方差(RMSEP)为0.254,内部交叉验证均方差(RMSECV)为0.386 91,RMSEP/RMSEC=1.06。模型验证得到的相对分析误差(RPD)为8.81,绝对偏差范围-0.39%~0.23%,说明模型预测性较好。通过相关系数法,优选样品装样量、扫描次数、重复次数、分辨率实验条件;并由近红外一阶导和二阶导图,除去温湿度和样品水分影响波段,结合栀子苷对照品近红外光谱图,确定建模波段。首次利用NIRS法建立栀子不同炮制品栀子苷定量校正模型,方法简单快速,模型稳定可靠、准确性高,可同时应用于不同炮制品栀子中栀子苷含量的预测。     

波长漂移对近红外光谱PLSR分析模型的影响

在近红外光谱分析过程中,单台仪器在不同时间的波长变化及多台仪器间的波长一致与否会对化学计量学定标模型的校正及传递效果产生影响,上述问题可以统一为波长漂移对定标模型的影响。以分析小麦粉中粗蛋白含量为例,首先结合不同谱区光谱数据,利用偏最小二乘回归（PLSR）方法建立了两个定标模型。再由计算机生成不同类型、不同幅度的波长漂移信息,并叠加至验证集样品光谱中,使新光谱相对于定标集光谱产生波长漂移信息。通过考察原定标模型对新光谱的预测与校正情况,研究了波长漂移对PLSR定标模型的影响。结果表明：相对于定标集样品光谱,验证集光谱中无波长漂移信息时,模型的预测标准差（RMSEP）不超过0.3%,预测相关系数不小于0.98;验证集样品光谱在不同波长处的波长漂移信息为一恒定值时,模型的RMSEP会随波长漂移幅度的增大而增大,波长漂移量为-32 cm-1时对应RMSEP为3.69%,预测相关系数变化不大;当验证集样品光谱在不同波长处的波长漂移信息随机变化时,基于长波区光谱所得原始模型的预测结果几乎不受影响;当含有不同波长漂移信息的一系列样品光谱加入到定标集对长波区PLSR分析模型进行校正时,校正后模型的RMSEP为0.3%,几乎不受波长漂移信息的影响,但模型的回归因子数从3显著增大到8,其稳健性变弱;总的来说,当仪器存在波长漂移且幅度不大时,模型预测相关系数几乎不受影响,可通过对预测结果的校正来改善RMSEP,以保证分析结果的准确性。该研究为确定仪器设计参数及分析方法的操作规程,提高近红外光谱分析结果的可靠性提供了实验依据。     

利用高光谱扫描技术检测小麦叶片叶绿素含量

利用高光谱扫描技术对小麦叶片进行无损检测试验,探索精确测定小麦叶绿素含量的方法,为农作物生长状况、植物病理诊断等提供科学依据。研究选取90个样本作为校正集,30个样本作为预测集,获取叶片的高光谱反射图像,同时用传统的分光光度计方法测定其叶绿素含量。选取波长491～887 nm范围光谱,用多元散射校正、一阶导数、二阶导数3种方法处理,利用偏最小二乘法和逐步线性回归法分别建立了小麦叶片叶绿素含量与光谱信号间的数学模型。研究发现多元散射校正(MSC)结合二阶导数光谱的多元线性回归(SMLR)模型的效果较优,模型校正集和预测集决定系数分别为0.82和0.79,校正均方根误差和预测均方根误差分别为0.69和0.71。研究结果表明可以利用高光谱扫描技术检测小麦叶片叶绿素含量。     

薰衣草精油的衰减全反射红外光谱辨别分析

为建立薰衣草精油品种品质的快速辨别分析模型,采用衰减全反射红外光谱法测定三个品种共96个薰衣草精油样品,对原始光谱数据求二阶导数,通过方差计算,确定1 750～900 cm-1波长段为判别分析用数据。分析结果表明,主成分分析(PCA)基本能实现精油品种区分,前三个主成分主要代表着酯、醇和萜类物质。使用68个样品的校正集建立正交偏最小二乘判别分析(OPLS-DA)模型,三个品种薰衣草精油的回归曲线测定系数分别为0.959 2, 0.976 4, 0.958 8,验证集中三个品种精油预测均方根误差(RMSEP)分别为0.142 9, 0.127 3, 0.124 9,OPLS-DA法建立的模型对校正集和验证集的判别率和预测率都达到100%,模型对薰衣草精油品种品质有很好的识别能力。为薰衣草精油品种品质提供一个快速、直观的方法。     

应用差异光谱法建立绵羊采食复杂日粮干物质消化率模型的研究

研究旨在探讨利用放牧家畜“日粮—粪”差异光谱,建立干物质消化率模型的可行性。通过人工混合复杂日粮饲喂绵羊进行室内代谢试验,获得104份“日粮—粪”样品对,同时将相应的日粮和粪光谱做差获得104份差异光谱,将70份用于建模,34份用于检验。结合偏最小二乘法,利用差异光谱建立绵羊在采食成分较复杂时干物质消化率预测模型。最佳光谱范围为8 656～4 310 cm-1;光谱预处理方法以多元散射校正+一阶导数处理+Norris平滑(MSC+1st Deriv+Norris)处理的效果最好,最佳主因子数为7。经外部检验得到预测标准误差(RMSEP)为2.46%,相对标准误差(RPD)大于2.5,预测值与实际值的决定系数为0.833 9,说明所建近红外模型具有较好的预测效果。