近红外漫反射光谱法快速鉴别石斛属植物

通过采集15种石斛171份样品的近红外漫反射光谱,结合化学计量学统计分析方法建立预测模型,对不同种石斛进行快速无损鉴别。应用Hotelling T2对随机抽取的5份样品的近红外光谱进行稳定性分析,结果表明,样品的近红外光谱具有较好稳定性。设计正交试验L24(2×4×3×8),对光程类型、光谱波段、导数和平滑四个因素进行优化处理。利用主成分分析对正交试验结果进行分析,结果显示,选择6 500～4 000cm-1的光谱波段,采用多元散射校正、二阶导数和Norris平滑对光谱预处理,提取的主成分数为7时,光谱判别正确率为100%。将正交试验优化条件作为偏最小二乘法判别分析的输入值,随机选取123份样本作为校正集建立预测模型,其余48份样本为预测集,评估预测模型的性能。结果表明,该模型前3个主成分累积贡献率为99.36%,设定鉴别标准偏差为±0.1时,该方法的正确识别率为97.92%,获得满意的结果。该方法的建立为不同种石斛的快速鉴别提供了一种新的方法,同时为药用植物的鉴别提供参考。     

花生种子品质的可见-近红外光谱分析

利用600～1 100 nm波段研究花生品种的可见-近红外反射光谱,对选取的三种具有代表性的花生种子进行实验。使用近红外光纤光谱仪采集光谱数据,对原始光谱进行小波分析以提取光谱特征,再用主成分分析方法进行聚类分析,最后把每一个样品的前4个主成分得分作为识别模型的输入,品种类别作为模型的输出,以马氏距离作为判别函数,建立了线性判别分析模型。对于每个品种的50个样品,随机挑选30个样本作为训练集,剩余的20个样本作为预测集。该识别模型对3个花生品种的平均正确识别率为95%。表明该方法能有效的识别花生种子,得到较好的分类效果,为花生种子品质的区分和鉴别提供了一种新方法。     

微型近红外光谱技术快速鉴别霍山石斛种类（英文）

霍山石斛是一种非常珍贵的中药材,具有很高的商品价值和药用价值。不同种的霍山石斛具有不同的商品价格和药效作用,因此需要建立一种快速且绝对无损的方法来鉴别不同种的霍山石斛。该实验,采用微型近红外光谱仪MicroNIR 1700实现对来自于三个不同种的五个不同商品等级的霍山石斛鉴别研究。经光谱预处理、波段选择及主成分数优化后所建最佳SIMCA模型结果的识别率和拒绝率均达到100%,表明微型近红外光谱仪MicroNIR 1700能够成功实现对五类霍山石斛的快速及绝对无损鉴别。     

手持式LIBS结合随机森林用于鱼产品的快速鉴别分析

中国是水产品生产和消费大国。由于不同鱼产品的品质和价格差距悬殊,近缘鱼类外观质地相似等特点,鱼产品掺假和错贴标签的现象频发,直接损害了消费者的消费和健康权益,因此实现鱼产品品种品质的快速检测具有重要的现实意义。激光诱导击穿光谱（LIBS）技术采用脉冲激光烧蚀样品表面产生激光诱导等离子体,通过探测等离子体的发射光谱实现待测样品元素组分的定性和定量分析,具有无需（或少量）样品预处理、多元素同时检测,分析速度快的优势,在食品快速检测分析方面具有很大的应用潜力。将LIBS技术结合随机森林（RF）算法用于不同种类鱼产品快速鉴别分析。首先对6种鱼肉样品进行压片处理,采用手持式LIBS分析仪采集其光谱数据,可探测到清晰的C、Mg、CN、Ca、Na、H、K、O等元素组分的特征谱线。将原始光谱数据进行归一化预处理,采用主成分分析方法（PCA）进行聚类,发现海水鱼和淡水鱼样品可以区分,而不同海水鱼之间和不同淡水鱼之间的样品则难以有效区分,说明PCA方法对鱼肉LIBS光谱分类能力有限。之后采用非线性的随机森林算法建立分类模型,经过优化RF模型的决策树个数与决策深度,得到鱼肉样品的整体识别正确率为90%。为进一步提高模型识别精度和分析效率,通过RF模型输出的变量重要性进行光谱特征提取,识别正确率提高到94.44%,且模型输入变量由23 431个减少到597个,模型运算时间显著降低。表明RF模型结合变量重要性提取可以很好地将LIBS光谱中变量重要性高、对分类贡献大的弱信号提取出来,有效剔除了谱线噪声、背景、以及其他不相关变量的干扰,提高模型的识别精度和分析效率。也验证了手持式LIBS设备结合机器学习方法用于市场鱼产品快速鉴别分析的可行性。     

基于LIBS技术结合PCA-SVM机器学习对猪肉部位的识别研究

近年来,激光诱导击穿光谱（LIBS）与算法相结合分类、识别生物组织逐渐兴起。由于猪肉各部位组织光谱特性相似,仅通过分析光谱信息很难达到准确识别的效果,采用来自于同一个体、四个不同部位的猪肉进行研究,并将其进行切片、压平,应用LIBS技术对4种部位的组织（里脊,梅花,前腿,五花）进行了样品光谱的采集,每种样品采集100幅光谱进行分析,选取Ca,Na,K等6条谱线进行了初步光谱分析,观测谱线发现除脂肪含量较多的五花组织C-N以及C含量较其他组织高以外,其他组织很难区分,进一步对这6个成分进行主成分分析（PCA）,得到PC1,PC2,PC3累计贡献率达到95%,通过特征分数作为支持向量机（SVM）模型输入源,建立SVM分类模型,得到几种部位样品的混淆矩阵图,通过观察混淆矩阵可以清楚分辨出每个种类样品的分类整准确率,发现四种样品准确率分别为96%,98%,97%,100%,平均准确率达到了97%以上。研究证明LIBS结合PCA-SVM可作为一种快速鉴别猪肉不同组织部位的检测方法。     

荧光光谱成像技术结合聚类分析及主成分分析的藻类鉴别研究

为探讨快速、实时藻类检测方法,实验通过荧光光谱成像技术结合模式识别方法对不同藻类进行鉴别研究。发现藻类样本存在着显著的荧光特性,通过采集40个藻类样品的荧光光谱图像,对图像进行去噪、二值化处理,确定有效像素后,根据光谱立方体绘制每个样本的光谱曲线,将所得400～720 nm区段范围内的光谱数据作鉴别分析,再利用系统聚类分析及主成分分析两种不同的模式识别法对光谱数据进行处理。系统聚类分析结果表明： 采用欧氏距离法及平均加权法计算样本间的聚类距离,在距离L=2.452以上水平处可将样本正确分类,准确率为100%;主成分分析结果表明： 通过对原始光谱数据进行一阶微分、二阶微分、多元散射校正、变量标准化等预处理后,再对数据进行主成分分析,其中二阶微分预处理后鉴别效果最佳,八种藻类样品在主成分特征空间中独立分布。因此,利用荧光光谱成像技术结合聚类分析法及主成分分析法对藻类进行鉴别是可行的,操作简便、快速、无损。     

基于可见-近红外光谱技术的葡萄酒真伪鉴别的研究

研究收集了不同品牌的90个葡萄酒样品,为了消除各光谱基线不同带来的影响,对所有光谱曲线都进行了一阶求导,以一阶导数谱线作为有效数据,通过独立主成分(PC)分析可知,前两个主成分的贡献率达到80%以上,主成分聚类使得真伪葡萄酒样品明显分为两类;以前四个主成分作为BP神经网络的输入建立了一个三层人工神经网络的识别模型,该模型对葡萄酒样品的预测识别率达到100%。研究表明,可见-近红外透射光谱结合主成分分析建立的BP神经网络模型能为快速、无损鉴别葡萄酒真伪提供一种准确可靠的新方法。     

栽培和野生中药材灯盏花的近红外光谱鉴别模型

分别在2台傅里叶变换近红外光谱仪上采集了43个栽培和野生中药材灯盏花样品的近红外漫反射光谱,提取光谱信息的15个主成分,方差贡献率达到99%以上。以20个灯盏花样品作为建模集,15个主成分作为网络学习输入层的15个节点,在2台仪器上用2套光谱分别建立了识别栽培和野生灯盏花样品的BP-神经网络模型,并对预测集的23个样品用于实际鉴别分析。两台仪器上的建模集样品模型回代正确识别率均为100%,预测集样品的正确识别率分别为100%和95.7%,结果表明,利用近红外光谱法进行栽培和野生中药材灯盏花的快速鉴别是可行的。     

基于可见-近红外光谱的可乐品牌鉴别方法研究

提出了一种采用可见-近红外光谱分析技术快速鉴别可乐品牌的新方法。采用美国ASD公司的便携式光谱仪对三种不同品牌的可乐进行光谱分析,各获取55个样本数据。将样本随机分成150个建模样本和15个预测样本,采用平均平滑法和标准归一化方法对样本数据进行预处理,再用主成分分析法对光谱数据进行聚类分析并获得各主成分数据。将建模样本的主成分数据作为BP网络的输入变量,可乐品牌作为输出变量,建立三层人工神经网络鉴别模型,并用模型对15个预测样本进行预测。结果表明,预测准确率为100%,实现了可乐品牌快速、准确的鉴别。     

近红外光谱技术的乳粉品牌溯源研究

采用近红外光谱漫反射模式,结合简易分类技术(soft independent modeling of class analogy, SIMCA)对不同品牌乳粉进行了分类溯源研究。实验共采集了四种不同品牌乳粉,包括光明乳粉54组,荷兰乳粉43组,雀巢乳粉33组以及伊利乳粉8组共138组样品的近红外光谱,通过对预处理后的训练集全谱段数据变量进行主成分分析,得出前三个主成分的累积方差贡献率为99.07%。利用SIMCA类建模法建立的乳粉主成分回归模型对预测集乳粉进行分类,研究结果表明,光明乳粉、荷兰乳粉、雀巢乳粉的识别率分别为78%, 75%, 100%,拒绝率分别为100%, 87%, 88%。因此,近红外光谱结合SIMCA建立的模型具备较好的乳粉品牌溯源能力,为快速、准确鉴别乳粉品牌提供了新思路。     

主成分分析结合支持向量机辅助激光诱导击穿光谱对塑料快速分类识别

大量废弃的塑料制品给生态环境造成严重破坏,当务之急是要对塑料进行分类回收。传统的分类方法普遍存在成本高,效率低,操作复杂等问题,不能满足工业生产的需要。激光诱导击穿光谱技术由于具备简单灵活,快速灵敏等优点,在物质鉴别领域有广泛应用。采用激光诱导击穿光谱技术结合主成分分析（PCA）和支持向量机（SVM）算法对20种塑料进行分类识别研究。由于目前有关塑料分类识别速率的研究报道较少,该实验在保证识别准确率的前提下,进一步研究和分析实验过程耗费的时间,满足工业生产中快速分类的要求。每种塑料采集100组光谱数据,随机选取50组数据作为训练集建立模型,余下50组作为测试集测试模型的分类识别效果,所以训练集和测试集各有1 000组光谱数据。将训练集的数据不加处理地输入SVM中进行训练,并采用5折交叉验证建立最佳模型,此时测试集的识别准确率为99.90%,建模时间为1小时58分41.13秒,预测时间为11.96 s。由此可见,单纯使用SVM算法可以得到很高的准确率,但是需要耗费大量时间。为了提高实验效率,引入主成分分析算法,将原来的高维数据变换成低维数据,并用降维后的数据训练模型。针对不同的主成分个数,均采用随机训练十次再取平均值的方法获得相关数值。实验表明,当选取主成分个数为13时,得到相应的识别准确率为99.80%,而PCA处理时间为1.44 s,建模时间为12.16 s,预测时间仅为0.02 s。虽然PCA算法结合SVM算法在对20种塑料进行分类识别时准确率有轻微下降,但是大大减少了模型训练的时间,实验效率得到很大程度的提高。结果表明,结合两种算法辅助激光诱导击穿光谱可以对塑料进行快速准确的分类识别。     

基于LIBS与化学计量学的植物叶片分类研究

激光诱导击穿光谱（LIBS）是一种高效快速的光谱采集手段,可应用于各类物质的元素分析工作中。线性判别分析（LDA）与支持向量机（SVM）是化学计量学中两种常用的有监督算法,均通过对已知不同种类的样本数据进行学习建模,进而实现对未知类别数据的归类。为了实现LIBS技术对有机物的高准确率识别,将这两种算法应用到LIBS光谱数据的分类中。实验利用波长为1 064 nm的纳秒激光烧蚀女贞、珊瑚树、竹子三种植物的叶片,并采集每种树叶220～432 nm波段的100组光谱数据。通过对300组样本的原始光谱数据进行主成分提取,由第一主成分（PC1）和第二主成分（PC2）的得分图得出三种植物光谱的相似度非常高。然后,利用每种叶片70组样本的光谱数据作为训练集建模,其余30组光谱数据作为测试集来进行树叶种类的预测识别。将PCA对原始光谱数据提取得到的前20个主成分作为LDA与SVM建模的属性值。对于LDA算法,将属性值分析后得到前两个判别函数值,通过聚类分析发现不同种类的植物叶片光谱数据在空间上的分离效果较好,同一种类基本聚集在一起。再借助马氏距离可得到测试集的平均分类正确率为96.67%。与此类似,使用SVM方法对训练集样本的数据进行学习得到分类超平面,对测试集的平均分类正确率达到98.9%。研究结果表明,经过PCA对数据的预处理,再结合LDA,SVM这两种方法可实现LIBS技术应用于复杂有机物的快速准确分类,并且PCA与SVM结合的分类正确率更高。该方法可在食品快速溯源、生物组织原位鉴别、有机爆炸物远程分析等领域应用。     

数据驱动模型的血液物种光谱检测技术

介绍一种基于光谱检测和数据驱动模型的非接触式血液物种识别技术。选取了4个物种(猴144,大鼠203,狗133,人169)共计649个血样作为原始样本。超连续谱激光光源的波长范围是450～2 400 nm。分别采集抗凝管盛装血液样本的后向散射可见光谱(294～1 160 nm)和十个不同空间位点的前向散射近红外光谱(1 021～1 757 nm),将十一条光谱数据顺序连接为一维数据作为每个样本的原始数据。利用主成分分析法对数据集进行特征信息提取,保留原始差异信息量的99.99%,同时将数据量压缩为原始数据量的1.5%,提高分类识别的运算效率。对不同数量的训练集和验证集进行训练预测实验表明,十折交叉验证的识别误差率随着样本数量的增加而降低,样本库规模的增大可以提高识别的精确度。由于数据驱动模型是基于机器学习算法的数据流处理模型,因而可以采用多种不同的分类算法实现。通过比较人工神经网络、支持向量机、偏最小二乘回归、多元线性回归、随机森林和朴素贝叶斯的识别效果可以发现,不同算法的识别效果具有类别差异性,即各个算法的正确识别率排序在不同的物种中是有差异的。因而实际应用中,在选择数据驱动模型时,除了需要考虑算法的整体识别率之外,当对部分类别的识别效果有额外要求时,还应该考虑算法本身的类别差异性。     

基于拉曼光谱技术的海水微塑料快速识别技术研究

近年来由于塑料的大量使用和排放,这些塑料经环境作用破碎变成微塑料大量汇聚到海洋中,导致海洋中聚集大量微塑料。微塑料形状较小,难以识别其来源与种类。激光拉曼探测技术具有快速、无损、且各物质指纹峰明显易被精确识别等优点,近年来被广泛应用。本文基于拉曼光谱探测技术,提出了一种结合小波处理、随机森林算法实现海水中微塑料快速识别的智能分类方法。针对六种典型的海水微塑料标准样品（丙烯腈(A)-丁二烯(B)-苯乙烯(S)的三元共聚物（ABS）、聚酰胺（PA）、聚对苯二甲酸乙二醇酯（PET）、聚丙烯（PP）、聚苯乙烯（PS）、聚氯乙烯（PVC））,采用激光拉曼探测技术进行光谱数据收集,对获取的拉曼光谱采用小波基为DB7、分解次数为3的小波,标准差归一化进行了拉曼光谱预处理。为了提高识别速度,同时还需要对光谱数据进行数据压缩预处理,分别进行了数据压缩点为64,128,256,512和1 024点的数据压缩比较,它们的决策树算法识别精度分别为91.51%,91.67%,92.35%,93.17%和93.21%,随机森林算法识别精度分别为93.12%,93.92%,94.83%,96.81%和96.81%,实验结果表明,微塑料的拉曼光谱压缩为512点时为效率和精度的最佳压缩点,可以为实际工程应用中微塑料拉曼数据压缩提供参考。分别采用决策树、随机森林两种算法进行微塑料拉曼光谱识别研究。研究结果表明,基于拉曼光谱数据,随机森林算法的识别微塑料交叉验证精度高于决策树算法。为进一步提高识别精度,进行了模型参数（折次k）优化研究,采用经过优化后的模型参数（k=20）,随机森林算法识别微塑料的交叉验证精度可以达到97.24%。可以为实际海水中微塑料的快速识别提供技术参考。     

近红外光谱的通用聚苯乙烯牌号在线识别方法

在聚合物加工过程中,如果在同一生产线上混用不同牌号的原材料,可能会影响产品性能,降低产品合格率。然而采用传统方法识别相同类型不同牌号的聚合物往往耗时长且具有滞后性,目前还缺乏一种快速实时的牌号识别方法。因此,以5种不同牌号的通用聚苯乙烯(GPPS)为研究对象,利用自主开发的安装于挤出机上的在线近红外光谱测量系统,将近红外光谱与化学计量学、机器学习算法相结合,实现对挤出过程中GPPS牌号的快速在线识别。首先利用在线近红外光谱测量系统实时采集5种不同牌号GPPS熔体的在线近红外光谱,波长范围为900~1 700 nm。经过谱图分析后,利用主成分分析结合K均值聚类算法验证在线近红外光谱数据对于不同牌号的可分性。最后采用偏最小二乘判别分析和随机森林两种算法分别建立GPPS牌号识别模型并进行对比。结果表明：①经过基线校正、最大最小归一化、7点移动平均平滑预处理后,在线近红外光谱在1 207,1 388,1 407和1 429 nm处的特征峰峰值会随着牌号的变化呈阶梯状改变,以前3个主成分得分作为K均值聚类的输入变量得到聚类正确率为88%,说明了不同牌号GPPS在线近红外光谱数据的可分性;②所建立的两种预测模型均能够对GPPS牌号有效识别,最佳主因子数为3的偏最小二乘判别分析模型对验证集的分类正确率为90.4%,以前5个主成分得分作为输入变量建立的随机森林模型对验证集的分类正确率达95.6%,所以随机森林模型的牌号识别性能更好。因此,在线近红外光谱测量系统结合化学计量学、机器学习算法可以实现GPPS牌号的快速在线识别,为在生产线上利用近红外光谱识别同种聚合物的不同牌号提供参考。     

基于可见光光谱分析的黄瓜白粉病识别研究

白粉病是黄瓜常见病害之一,传播速度极快,严重时可造成黄瓜大量减产,对其进行快速准确识别,对黄瓜白粉病诊断和防治具有重要意义,应用可见光谱技术,结合主成分分析和支持向量机算法,实现对黄瓜白粉病的快速识别。配制白粉病菌孢子悬浮液,并人工接种于科研温室内的黄瓜叶片上,以诱发黄瓜白粉病,待白粉病有一定面积暴发后,利用海洋光学USB2000+型便携式光谱仪对黄瓜叶片光谱信息进行采集,利用五点取样法采集样本,在5个检查点,每点选取2株黄瓜进行调查,每株选取4枚感病叶片,每枚叶片随机选取5个感病区域进行光谱采集,共计采集200个感病叶片光谱样本,同样采集200个健康叶片样本作为对照。通过Ocean Optics Spectra-Suite软件采集漫反射标准白板信息和光谱仪暗电流实现光谱仪校正,调节积分时间、扫描次数以及平滑度等参数来实现光谱曲线平滑处理,以有效抑制光谱噪声,对光谱特征进行分类识别,去掉首尾噪声较大的波段,保留光谱的可见光波段进行研究,最终选取450~780 nm波段范围作为研究对象。利用主成分分析对所研究波段范围内的高维光谱数据（947维）进行降维处理,根据主成分的累计贡献率,选取前5个主成分作为分类模型的输入,以白粉病和健康叶片的判别结果作为输出,利用支持向量机算法,通过对样本的分类学习训练构建黄瓜白粉病和健康叶片的分类识别模型,随机选取120个样本作为训练集用于分类模型构建,其余80个样本作为测试集用于模型检验,并通过选取不同的核函数来获得最优模型。利用混淆矩阵对分类识别模型的准确率进行评价,当选取径向基核函数时,分类识别模型对黄瓜健康叶片和白粉病叶片的识别准确率最高,分别为100%和96.25%,总准确率为98.125%,具有较高的准确率。结果表明,利用可见光光谱信息并结合主成分分析和支持向量机算法,可以实现对黄瓜白粉病的快速准确识别,为黄瓜病害诊断提供了方法和参考依据。     

激光诱导击穿光谱技术结合神经网络和支持向量机算法的人参产地快速识别研究

利用激光诱导击穿光谱技术结合机器学习算法,对东北5个产地(大兴安岭、集安、恒仁、石柱、抚松)的人参进行产地识别,建立了主成分分析算法分别结合反向传播(BP)神经网络和支持向量机算法的人参产地识别模型.实验采集了5个产地人参共657组在200-975 nm的激光诱导击穿光谱,经光谱数据预处理后,对C,Mg,Ca,Fe,H,N,O等元素的8条特征谱线进行主成分分析,原光谱数据的前3个主成分累积贡献率达到92.50%,且样品在主成分空间中呈现良好的聚集分类.降维后的前3个主成分以2∶1进行随机抽取,分别作为分类算法的训练集和测试集.实验结果表明主成分分析结合BP神经网络及支持向量机的平均识别率分别为99.08%和99.5%.发生误判的原因是集安和石柱两地地理环境的接近而导致的H,O两元素在Ca元素离子发射谱线下的归一化强度相似.本研究为激光诱导击穿光谱技术在人参产地的快速识别提供了方法和参考.     

基于激光诱导击穿光谱对长白山黑猪肉部位分类

猪肉内部结构成分复杂,各部位的成分相似,分辨较为困难。结合激光诱导击穿光谱技术,通过光谱分析的方式提高分类精度。以5种不同部位的长白山黑猪肉（里脊肉、梅花肉、后腿肉、前腿肉、五花肉）作为待测样品,通过冷藏、切片等预处理方法,探究激光诱导击穿光谱技术鉴别猪肉脂肪与肌肉及其不同部位的可行性。首先通过采集猪肉脂肪样品与肌肉样品的LIBS谱线信息发现,猪肉中Mg,K,Fe,Cu,Ca和Na等元素较为丰富,并在脂肪样品光谱中发现C-N键,与肌肉样品LIBS谱线信息相比,脂肪样品受其内部水分、有机质成分影响致使其谱线信息背景和噪声信号干扰较大,二者谱线信息存在一定差异,说明LIBS可对脂肪组织与肌肉组织进行鉴别。通过对目标元素Ca,Na,Mg,K和Al其LIBS特征谱线强度进行检测,计算Mg/Ca,Al/Ca,Na/Ca和K/Ca比值,发现与Al/Ca和Mg/Ca相比,Na/Ca和K/Ca各部位元素比值分布差异明显,在此基础上,根据Na/Ca和K/Ca比值,计算猪肉各部位元素分布决策阈值[（1-α）=90%]。发现与Al/Ca和Mg/Ca比值相比,Na/Ca和K/Ca更能明显的反应出各部位元素分布的不同。其比值分布阈值基本可对猪肉各部位进行区分。以前腿肉与后腿肉为例,前腿肉Na/Ca和K/Ca比值分别分布在1.29～1.58和0.31～0.42,后腿肉Na/Ca和K/Ca比值分别分布在0.98～1.18和0.15～0.23。其元素比值分布无明显重叠。最后,为提高LIBS技术对猪肉不同组织分类的可靠性,将光谱元素强度比值数据与主成分分析法相结合,基本可以实现对猪肉各部位的分类,说明元素特征谱线强度比值在对猪肉各部位分类时具有一定的预测精度。该工作证明,使用激光诱导击穿光谱技术对猪肉进行分类识别等定性分析时具有一定可行性,有望适用于其他生物组织检测分析。