近红外光谱结合变量优选和GA-ELM模型的干制哈密大枣水分含量研究

水分含量是哈密大枣干制过程中的重要指标,对其外观、口感、贮藏和运输具有重要的影响。因此,为实现哈密大枣水分含量的准确预测,采用近红外光谱结合变量优选方法,建立干制哈密大枣水分含量的GA-ELM预测模型。为提高模型的稳定性和预测精度,开展并讨论了核函数和神经元个数对GA-ELM预测模型的影响。采用多种预处理方法对全波段光谱进行处理,对比分析发现标准正态变换方法(SNV)效果最佳。对标准正态变换处理后的光谱利用连续投影算法(SPA)、联合区间偏最小二乘(si-PLS)和遗传算法(GA)及其组合算法分别从全波段927.77～2 501.14 nm范围内筛选特征波长,并建立对应GA-ELM预测模型,同时与全波段的GA-ELM模型效果相比较,采用SNV+SPA筛选的14个特征波长建立的GA-ELM模型效果最佳,预测结果R_c和R_p分别为0.984 2和0.967 5, RMSEC和RMSEP分别为0.006 1和0.007 9, RPD为3.678 8。研究结果表明:SNV+SPA+GA-ELM方法可实现干制哈密大枣水分含量的准确预测,为近红外光谱技术应用于干制哈密大枣在线检测提供了参考。     

饲料中粗脂肪和粗纤维含量的近红外光谱快速分析

采用近红外光谱(NIRS)结合偏最小二乘(PLS)方法,实现对饲料中粗脂肪和粗纤维的快速定量分析。采用Norris-Williams平滑求导(NW)和多元散射校正(MSC)方法对光谱进行预处理;蒙特卡罗无信息变量消除法(MCUVE)、变量组合集群分析法(VCPA)和区间变量迭代空间收缩法(iVISSA)用于光谱变量选择和优化; PLS用于光谱校正模型的建立,采用校正集相关系数(R_c)、交互验证均方根误差(RMSECV)、预测集相关系数(R_p)和预测集均方根误差(RMSEP)评价模型。光谱预处理中经MSC处理后的光谱模型优于其他预处理方法,其RMSECV和RMSEP值都减小,R_c和R_p值都增大。脂肪定量分析中,原始光谱模型的RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.20和0.88,变量数(V_n)为1 501;经MCUVE方法选择变量后建立的定量模型,其RMSECV和R_c为0.17和0.92, RMSEP和R_p为0.19和0.89,V_n为400个;经VCPA选择变量建立PLS定量模型,其RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.25和0.81,V_n为12;经iVISSA选择变量后的模型,其RMSECV和R_c为0.21和0.86, RMSEP和R_p为0.20和0.87,V_n为20。粗纤维定量分析中,原始模型的RMSECV和R_c为0.28和0.91, RMSEP和R_p为0.25和0.95,V_n为1 501;经MCUVE选择后的模型,其RMSECV和R_c为0.23和0.95, RMSEP和R_p为0.23和0.94,V_n为740;经VCPA选择变量后的模型,其RMSECV和R_c为0.27和0.91, RMSEP和R_p为0.30和0.91,V_n为11;经iVISSA选择后变量的模型,其RMSECV和R_c为0.29和0.90, RMSEP和R_p为0.27和0.93,V_n为20。结果表明, MSC方法可以有效提高光谱质量,消除光谱平移误差; MCUVE变量选择方法可以简化模型提高模型精度和稳定性,建立最优模型。在粗脂肪的定量分析模型中, MSC处理后的光谱经过MCUVE选择后剩余400个变量,R_c和R_p相较于全谱模型提高了0.05和0.01, RMSECV和RMSEP分别降低到了0.17和0.19;经VCPA和iVISSA选择变量的模型其结果与全谱模型相似,但其变量分别只有12和20个。在粗纤维模型中,经MCUVE选择后740个变量用于建立PLS模型,其R_c和R_p为0.95和0.94, RMSECV和RMSEP分别为0.23和0.23; VCPA和iVISSA分别运用11和12个变量建立回归模型,但结果都比MCUVE模型差。利用饲料近红外光谱建立MSC-MCUVE-PLS模型可以有效对饲料粗脂肪和粗纤维进行定量分析。     

IVISSA算法冷鲜滩羊肉嫩度的高光谱模型优化

高光谱成像可同时获取被检测对象的图像信息和光谱信息,并对其内部成分进行定性和定量分析。国内外学者采用高光谱对肉品品质的研究多集中在水分、菌落总数、色泽、 pH、挥发性盐基氮等方面,在肉品嫩度检测中应用区间变量迭代空间收缩法优选特征波长的研究鲜有报道。利用可见-近红外(400～1 000 nm)和近红外(900～1 700 nm)高光谱结合化学计量学方法对冷鲜滩羊肉嫩度进行无损预测,优选最佳建模波段。首先,采集羊肉的高光谱图像,提取样本感兴趣区域的光谱反射值,采用TA-XTplus质构仪测量滩羊肉嫩度;其次,将两个波段下的原始光谱数据进行多元散射校正(multiple scattering correction, MSC)、去趋势(de-trending)、基线校准(baseline)、标准正态变量(standard normal variable, SNV)、归一化(normalize)和卷积平滑(Savitzky-Golay)等预处理;分别采用连续投影算法(successive projection algorithm, SPA)、竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)、变量组合集群分析法(variables combination population analysis, VCPA)和区间变量迭代空间收缩法(interval variable iterative space shrinkage approach, IVISSA)对最佳预处理的光谱数据优选特征波长;最后,建立冷鲜滩羊肉嫩度的偏最小二乘回归(partial least squares regression, PLSR)预测模型,优选最佳建模波段。结果表明:(1)滩羊肉嫩度的近红外高光谱模型的预测效果优于可见-近红外高光谱;(2)经过多种预处理方法所建立的滩羊肉嫩度的模型中,近红外区域的原始光谱(original spectra, OS)模型效果最优,其R_c=0.83,R_p=0.79, RMSEC=874.94, RMSEP=1 465.97;(3)近红外高光谱的原始光谱经SPA, CARS, VCPA, IVISSA四种方法共挑选出15, 16, 13和123个特征波长,占总波长的7%, 6%, 5%和54%;(4)近红外高光谱结合OS-IVISSA-PLSR建立的冷鲜滩羊肉嫩度预测模型最好,其R_c=0.85,RMSEC=850.86,R_p=0.79, RMSEP=1 497.11。IVISSA算法不仅可大幅度减少模型运算次数,还可以保证模型的精准和稳定性。研究表明, OS-IVISSA-PLSR模型对冷鲜滩羊肉嫩度进行高光谱的快速无损检测是可行的。     

不同贮藏温度下滩羊肉pH值的近红外高光谱动力学模型建立

为了比较4℃、15℃两种贮藏温度下滩羊肉pH值的变化,优选出滩羊肉贮藏期间的最优模型,采用pH酸度计测量样本pH值,建立两种贮藏温度下传统动力学的零级和一级模型;应用近红外(900～1 700 nm)高光谱成像采集两种贮藏温度下滩羊肉的光谱数据,剔除异常值后进行光谱预处理;使用连续投影算法(SPA)提取特征波长,建立全波段和特征波长的偏最小二乘(PLSR)预测模型;对比分析得到的最优光谱模型与动力学模型相结合,确定滩羊肉光谱动力学模型。结果表明,4℃和15℃的传统动力学模型的相关系数分别为0.502和0.912;4℃下原始光谱经PLSR建模后效果最优,相关系数R_c为0.821,R_p为0.863,15℃经SG-S(3,7)+De-trending(4)预处理后经PLSR建模效果最优,相关系数R_c为0.876,R_p为0.819。因此,高光谱结合传统动力学的模型检测羊肉pH值的方法是可行的,该模型可以预测15℃下滩羊肉的贮藏期。     

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。     

基于高光谱技术反演大豆生理信息的特征波长提取方法研究

生理信息的准确获取及预测可为种植的精细化管理提供依据。传统的大豆生理信息反演方法检测效率低、操作过程繁琐且多为有损检测。利用高光谱技术建立大豆生理信息的快速无损反演方法。以大豆开花结荚期叶片为研究对象,在2个日期(D1和D2)获取高光谱、叶绿素含量、净光合速率和光合有效辐射数据。首先分别采用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导数(FD)、二阶导数(SD)、 Savitzky-Golay平滑(SG)、 MSC-SG-FD、 MSC-SG-SD、 SNV-SG-FD和SNV-SG-SD共9种方法对原始光谱数据进行预处理,随后结合偏最小二乘法(PLS)建立全波段模型,比较分析,选出最优预处理方法。再分别利用竞争性自适应权重取样法(CARS)、连续投影法(SPA)和相关系数法(CC)对特征波长进行筛选提取。最后将优选出的预处理方法与特征波长变量进行PLS建模并对比分析,以校正集和预测集相关系数R_c和R_p为模型评价指标,最终优选出与大豆生理信息相关性最高的反演模型。结果表明:采用MSC-SG-FD预处理后建立的叶绿素含量全波段PLS模型的Rc和Rp最高,分别为0.909和0.882(D1), 0.909和0.880(D2),采用SNV-SG-FD预处理后建立的光能利用率全波段PLS模型的R_c和R_p最高,分别为0.913和0.894, 0.902和0.869,与原始及其他预处理后建立的模型相比表现出最高的模型性能特征。进一步对比3种特征波长提取方法的建模,发现SPA法筛选出的变量能将叶绿素含量反演模型的建模变量数由512个压缩至20个(D1)和23个(D2),变量压缩率高达96.09%和95.51%,同时能将光能利用率反演模型的建模变量数压缩至27个和37个,变量压缩率高达94.73%和92.77%。最终得出反演叶绿素含量的最优建模方法为MSC-SG-FD-SPA-PLS,R_c值为0.944(D1)和0.941(D2),R_p值为0.911和0.903,反演光能利用率的最优建模方法为SNV-SG-FD-SPA-PLS,R_c值为0.929(D1)和0.925(D2),R_p值为0.912和0.907,所建模型精度较高,可为大面积检测大豆生理信息提供技术支持。     

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。     

基于可见-近红外光谱技术预测茶鲜叶全氮含量

为快速无损监测茶树氮素营养及其生长状况,基于可见-近红外光谱技术建立了茶鲜叶全氮含量的预测模型。以茶鲜叶为对象,田间试验使用便携式光谱仪采集叶片漫反射光谱信息,通过不同预处理和统计分析,建立茶鲜叶全氮含量预测的光谱模型。试验共采集111个样品,其中86个样品作校正集,25个样品作预测集。通过一阶导数与滑动平均滤波相结合的预处理方法,用7个主成分建立的偏最小二乘模型最好,其校正集均方根误差(RMSEC)为0.097 3,预测集的相关系数为0.888 1,预测均方根误差(RMSEP)为0.130 4,预测的平均相对误差为4.339%。研究结果表明,利用可见-近红外光谱技术可以很好地预测茶鲜叶全氮含量,对于快速实时监测茶树长势和施肥管理具有重要指导意义。     

赣南脐橙果园土壤全氮和有机质近红外漫反射光谱检测

选取赣南脐橙果园土壤作为研究对象,探讨在4 000～7 500 cm-1范围内的光谱分析土壤全氮和有机质的可行性。采集的近红外光谱采用多元散射校正、一阶微分、二阶微分、七点平滑等多种预处理对比分析,分别建立了有机质和全氮含量偏最小二乘模型。实验得出全氮预测模型在4 000～7 500 cm-1范围内采用七点平滑(SG)进行预处理模型较为理想,校正集相关系数(r_c)为0.802,校正均方根误差(RMSEC)为2.754,预测集相关系数(r_p)为0.715,预测均方根误差(RMSEP)为3.077;有机质预测模型在4 000～7 500 cm-1范围内采用标准正态变量变换(SNV)预处理模型较为理想,r_c为0.848,RMSEC为0.128,r_p为0.790,RMSEP为0.152。研究表明近红外漫反射光谱可快速用于赣南脐橙果园的土壤中全氮和有机质含量的快速检测。     

梨可溶性固形物含量的在线近红外光谱检测

应用近红外透射检测技术在线检测梨的可溶性固形物(SSC)。在实验台上以0.5 m·s-1的速度,300 W的光照强度,采用半透射方式检测梨的光谱。实验采用的梨样品为187个,其中147个样品为校正集,40个样品为预测集,应用偏最小二乘回归(PLS)和主成分回归(PCR)建立梨可溶性固形物的在线预测模型。选取550～700 nm, 700～850 nm, 550～850 nm为建模波段范围,发现无论对于PLS还是PCR,都是550～850 nm波段的建模结果好。本实验还研究对比不同的光谱预处理方法(光谱平滑,一阶微分,二阶微分等)对预测模型性能的影响,其中5点S-G(Savitzky-Golay)光谱平滑能有效地提高光谱的信噪比,改善模型预测精度,而一阶微分、二阶微分对模型性能改善基本上没有影响;最好的预测模型相关系数r=0.948 8, 校正标准差RMSEC=0.236,预测标准差RMSEP=0.548。结果表明：PLS模型预测性能较好,梨可溶性固形物的在线检测具有可行性。     

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。     

羊肉挥发性盐基氮的高光谱图像快速检测研究

挥发性盐基氮(TVB-N)通常被作为评价羊肉新鲜度的理化参考指标。为了揭示高光谱图像技术(HSI)快速检测羊肉新鲜度的可行性,采集了71个新鲜度具有代表性的羊肉样品的漫反射高光谱图像(400～1 000 nm),并利用半微量定氮法测定了其挥发性盐基氮(TVB-N)的化学值。选择感兴趣区域(ROIs)提取样品的代表性光谱,采用含量梯度法划分校正集和预测集,比较不同的光谱预处理方法,比较逐步多元线性回归(SMLR)、偏最小二乘(PLSR)和主成分分析(PCR)建模方法,建立并验证了TVB-N的校正模型。结果表明,利用多元散射校正(MSC)、一阶导数、Savitzky-Golay(S-G)平滑及中心化处理结合的预处理方法,PLSR和PCR模型都可以实现对羊肉TVB-N的定量检测。对于建立的PLSR模型,采用的预处理方法为MSC、15点2次S-G平滑、1阶导数和中心化相结合的方法,选择的潜变量因子数为11,获得的校正集的相关系数(R)和校正均方根误差(RMSEC)分别为0.92和3.00 mg·(100 g)-1,预测集的相关系数(r)、预测均方根误差(RMSEP)和相对分析误差(RPD)分别为0.92,3.46 mg·(100 g)-1和2.35。研究表明,高光谱图像技术可用于准确快速地检测分析羊肉中新鲜度关键指标TVB-N的含量。该研究为采用高光谱图像技术进一步分析羊肉新鲜度其他指标、改善TVB-N的建模效果及在实际生产中应用该技术提供了基础。     

西范坪矿区土壤铜元素的高光谱响应与反演模型研究

为解决传统的土壤地球化学测量方法成本高、效率低等问题,研究了利用可见-近红外光谱技术检测土壤重金属含量的简易方法。研究对西范坪矿区土壤反射光谱进行微分、连续统去除等六种变换,利用逐步回归法和皮尔逊相关系数选出对土壤铜含量敏感的特征波段,组成综合特征变量集,再应用不同的特征变量选取方法和参数建立估算模型并检验。结果表明：不同的光谱变换方法对土壤铜含量信息提取能力不同,每种光谱变换都对应特定的敏感波谱区间;基于综合光谱变换信息建立的土壤铜含量反演模型精度优于基于单种光谱变换信息建立的模型;利用综合光谱变换信息建立土壤铜含量反演模型,后向剔除法优于前向引入法和逐步回归法,当Removal取0.20时得到最优回归模型,其模型决定系数R2和预测模型决定系数R2_pre分别达到了0.851和0.830,建模均方根误差RMSEC和预测均方根误差RMSEP分别为0.349和0.468 mg·kg-1,能较好地检测土壤铜含量,同时为其他土壤重金属元素的光谱检测提供了思路。     

基于NIRS技术的食用醋品牌溯源研究

以四种品牌152组食用醋样品为研究对象,采用漫反射与透射两种近红外光谱采集模式分别进行光谱数据采集,并以此建立了食用醋品牌溯源模型,重点考察光谱采集模式、光谱预处理方法等对溯源模型精度的影响。结果表明,选取114组样品为训练集,原始光谱数据经过多元散射校正、二阶求导预处理后,采用偏最小二乘判别分析法(PLS1-DA)建立的食用醋NIRS品牌溯源模型,对38组测试集样品进行预测,透射光谱模型的决定系数(R2)、校准均方根误差(root-mean-square error of calibration, RMSEC)、预测均方根误差(root-mean-square error of prediction, RMSEP)分别为0.92,0.113,0.127,正确识别率为76.32%;漫反射光谱模型R2,RMSEC,RMSEP分别为0.97,0.102,0.119,正确识别率为86.84%。由此说明,近红外光谱结合PLS1-DA可以用来建立食用醋品牌溯源模型,且漫反射光谱模型预测效果更好。     

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。     

近红外光谱结合ELM快速检测固态发酵过程参数pH值

pH值是固态发酵过程关键参数之一,为此提出基于近红外光谱技术的秸秆蛋白饲料固态发酵过程参数pH值检测方法。利用近红外光谱系统获取140个固态发酵过程产物样本在10 000～4 000cm-1范围内的近红外光谱数据,通过酸度计测得近红外光谱预测模型的参考测量值;运用ELM算法建立pH值的预测模型,在模型建立过程中由交互验证法确定最佳主成分因子数和ELM网络隐含层节点数。试验结果显示:最佳ELM网络模型的拓扑结构为10-40-1,模型预测集相关系数(Rp)和预测均方根误差(RMSEP)分别为0.961 8和0.104 4。研究结果可为固态发酵过程参数的在线检测提供技术基础。     

基于高光谱成像技术的长枣不同保藏温度的可溶性固形物含量检测方法

应用高光谱成像技术对不同保藏温度的灵武长枣的可溶性固形物含量进行预测模型建立。提取图像中感兴趣区域的平均光谱数据,经过不同光谱预处理后,利用连续投影法(SPA)选择特征波长,对4℃冷藏光谱提取13个特征波段(421,426,512,598,641,670,675,723,814,906,944,978,982 nm),对常温保藏光谱提取12个特征波段(425,507,555,598,673,680,685,718,809,910,954,978 nm)。对于MSC处理、MSC+SPA处理、Savitzky-Golay平滑处理和SNV 4种预处理方法,筛选出的最优预处理方法是冷藏采用MSC处理、常温采用MSC+SPA处理。对应这两种最优预处理方法,分别建立偏最小二乘法(PLSR)、支持向量机(SVM)、主成分回归(PCR)3种预测模型。在以上获得的6个预测模型中,得出冷藏、常温保藏的最优模型分别为MSCPLSR模型(R2C:0.852,RMSEC:0.940;R2P:0.857,RMSEP:0.894)和MSC+SPA-PLSR模型(R2C:0.872,RMSEC:0.866;R2P:0.787,RMSEP:1.007)。结果表明:利用高光谱成像技术,结合多种预测模型建立,能够测定不同保藏温度下的灵武长枣可溶性固形物含量,实现对灵武长枣准确快速的无损检测。     

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。     

有机磷农药残留的快速定量检测方法研究

传统的农药残留检测为理化检验方法,具有前处理过程繁琐、耗时、复杂等不足,以目前农业上使用较广的毒死蜱作为研究对象,提出了一种有机磷农药残留快速定量检测方法。首先,根据毒死蜱的化学特性,综合考虑比色剂的显色效果以及二次污染问题,确定在弱碱性环境下以间苯二酚对毒死蜱进行显色反应的预处理方案;然后,通过分析0.5 ～400 mg·kg-1之间毒死蜱样品的紫外-可见光光谱数据,确定了显色反应后的特征信息主要集中在365～420 nm之间。接着,以偏最小二乘法构建全谱预测模型,其校正相关系数达到0.999 6,预测相关系数达到0.995 6,校正标准差RMSEC为2.814 7 mg·kg-1,验证标准差RMSEP为8.012 4 mg·kg-1;提取400 nm为中心波段的特征区域构建预测模型,其校正相关系数达到0.999 6,预测相关系数达到0.999 3,校正标准差RMSEC为2. 654 6 mg·kg-1,验证标准差RMSEP为3.465 5 mg·kg-1。最后,通过分析0.5～16 mg·kg-1之间毒死蜱样品的近红外光谱数据,发现其显色功能团的特征不是很明显,但会引起间苯二酚本身5 200 cm-1处吸收峰的变化。实验结果证明了所提出用于快速定量预测有机磷农药残留的方法是有效可行的,该方法通过比色剂的显色加强有机磷农药在全光谱特别是紫外-可见光范围内的信息,为实现农产品农药残留的快速检测提供了一条新途经。     

基于特征波段的高光谱技术检测水体中毒死蜱浓度的实验研究

为了探究反射光谱检测水体中毒死蜱农药的可行性,使用由ASD公司的FieldSpecPro地物波谱仪构成的高光谱采集系统在室内、室外环境获取两种不同浓度区间的毒死蜱样品的光谱数据。基于偏最小二乘(PLS)和主成分分析(PCA)算法分别对毒死蜱样品光谱数据建立全波段定量模型,结果两种模型的预测能力均较高。通过相关性分析(CA)计算相关系数来选择毒死蜱样品光谱的特征波长,其中浓度区间为5~75 mg·L-1的室内、室外实验光谱的特征波长为388,1 080,1 276 nm和356,1 322,1 693 nm,浓度区间为0.1~100 mg·L-1的室内外实验样品光谱的特征波长为367,1 070,1 276,1 708 nm和383,1 081,1 250,1 663 nm。结合PLS算法建立样品特征波长光谱数据的定量模型,结果与全波段模型相比,浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波长模型的校正集决定系数R2_C分别提高至0.987 5和0.999 2,预测集决定系数R2_P分别提高至0.989 4和0.994 4,校正集均方根误差RMSEC分别降低为2.841和0.714,预测集均方根误差RMSEP分别降低为1.715和1.244;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波长PLS模型的校正集决定系数R2_C分别提高至0.998 3和0.998 8,预测集决定系数R2_P分别提高至0.998 4和0.999 0,校正集均方根误差RMSEC分别降低为1.383和1.186,预测集均方根误差RMSEP分别降低为1.510和1.229,验证集标准差与预测均方根误差的比值(RPD)有所增加,尤其是针对浓度区间为0.1~100 mg·L-1的实验,RPD值显著增加至21.7,说明基于特征波长建立的毒死蜱样品定量模型具有较高精度的预测能力,但是通过不同浓度区间范围的对比实验发现,ASD地物光谱仪对低浓度的毒死蜱溶液预测的相对误差偏大,存在客观上的检测下限。为了保证不同试验条件下的毒死蜱农药的特征波长都得到分析,增强模型使用的普适性与鲁棒性,根据特征波长选择出4个波段,即351~393,1 065~1 086,1 245~1 281和1 658~1 713 nm作为特征波段。特征波段模型的波长变量个数共38个,相比于全波段模型的432个波长变量,模型变量精简了91.2%,其中浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波段模型的R2_C分别为0.993 7和0.987 8,R2_P分别为0.979 8和0.998 2,RMSEC分别为1.690和2.516,RMSEP分别为1.987和0.659;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波段PLS模型的R2_C分别为0.9882和0.9807,R2_P分别为0.9391和0.9936,RMSEC分别为3.345和3.942,RMSEP分别为8.996和2.663,且四种实验情况下的模型RPD值均大于2.5,满足定量分析条件。因此采用高光谱采集系统对室内和室外环境中毒死蜱农药的快速检测具有一定的可行性,此研究结果对有机磷农药等面源污染物快速检测有实际的应用价值,可为农田水体有机磷农药快速检测仪器的开发提供理论基础。