高光谱成像技术的三文鱼多品质指标的预测与分布可视化研究

采用颜色、剪切力和K值评价冰鲜与冻融三文鱼的品质,利用高光谱成像技术结合化学计量学方法对三个品质指标进行预测,并讨论了不同波长选择算法所建模型的预测效果。准备不同冻融次数三文鱼样本,进行高光谱数据采集和品质指标真实值的测定。采用六种预处理方法减少光谱数据中暗电流以及噪声的干扰,采用竞争性自适应重加权算法（CARS）、区间变量迭代空间收缩法(iVISSA), iVISSA-CARS筛选出与待测指标相关的变量,通过比较三种波长选择算法筛选的特征变量所建偏最小二乘(PLS)模型的预测结果,优选出三个品质指标最佳的变量选择方法。结果表明1st Der-CARS-PLS模型对颜色中的a*预测效果最好,筛选出的51个变量建立模型的R_c和R_p分别为0.931 6和0.929 7,RMSECV和RMSEP分别为0.716和0.735;2nd Der-CARS-PLS模型对剪切力的预测效果最好,筛选出的61个特征变量建立模型的R_c和R_p分别为0.892 1和0.887 3,RMSECV和RMSEP分别为0.67 N和0.80 N;模型N-CARS-PLS取得了K值最好的预测效果,筛选出的51个特征变量所建模型的R_c,R_p,RMSECV和RMSEP分别为0.951 4, 0.950 0, 1.33, 1.53。说明CARS变量筛选方法能够有效提取与特征指标相关的变量,提高模型的预测性能。除此之外,特征变量筛选联合算法iVISSA-CARS-PLS对三个指标的预测也取得了较好的结果,对三个指标测试集的R_p分别为CARS-PLS预测模型的97.48%,97.02%,98.98%,而所用变量数仅为CARS-PLS的60.78%,62.29%,60.78%,说明变量筛选组合算法极大的减少了建立模型所用的数据量。三个指标的CARS-PLS以及iVISSA-CARS-PLS模型取得的预测效果均高于iVISSA-PLS,说明对于三文鱼三个品质指标的预测,CARS波长点筛选策略优于iVISSA波段选择策略。将优选出来的PLS模型分别用于构建三个品质指标的可视化分布图,清楚的展示了不同冻融次数三个品质指标的大小以及空间分布。因此,高光谱成像技术结合化学计量学方法可以较好的表征三文鱼的品质指标,为三文鱼多品质指标的同时快速检测提供了部分理论参考。     

基于近红外光谱和变量优选的棉麻混纺织物棉含量快速检测

纺织品纤维成分的快速检测对其生产过程质量监控、贸易和市场监督均具有重要的意义。利用近红外光谱技术联合变量优选对棉麻混纺织物中的棉含量进行快速检测研究。采用NIRFlex N-500型傅里叶近红外光谱仪在4 000～10 000 cm-1光谱范围内采集样本的反射光谱,对样本光谱进行范围初选和预处理分析。在此基础上,利用UVE(uninformative variables elimination),SPA(successive projections algorithm)及CARS (competitive adaptive reweighted sampling)方法对光谱变量进行优选,再应用PLS(partial least squares)建立棉麻混纺织物中的棉含量预测模型。最后,采用最优预测模型对未参与建模的样本进行预测。研究结果表明,4 052～8 000 cm-1光谱范围为棉含量较优的建模光谱范围。CARS变量选择方法能较为有效地提高预测模型的精度,CARS-PLS模型的校正集、预测集相关系数和均方根误差分别为0.903,0.749和8.01%,12.93%。因此,近红外光谱联合CARS变量优选可以用于棉麻混纺织物棉含量的快速检测,CARS方法可以有效简化预测模型,提高预测模型性能。     

近红外光谱的三种蓝莓果渣花色苷含量测定

为了提高对蓝莓果渣的开发利用,探索了近红外光谱测定三种蓝莓(北陆、蓝美1号、灿烂)果渣中花色苷含量的可行性。通过DA7200采集三种蓝莓果渣的近红外光谱,利用PCA-MD对北陆、蓝美1号、灿烂果渣分别剔除1, 4和8个异常样本。运用K-S划分样本集得到校正集(686个样本)和验证集(171个样本)。对样本集分别进行归一化、变量标准化(SNV)、多元散射校正(MSC)、 Norris一阶导数(NFD)、 Norris二阶导数(NSD)、 SG卷积一阶导数(SGCFD)、 SG卷积二阶导数(SGCSD)、 Savitzky-Golay(SG)卷积平滑、正交信号校正预处理,并建立相应全谱PLS模型。比较并选择MSC、 SGCSD、 SG卷积平滑、正交信号校正,进行预处理方法顺序组合的比较,结果显示,全谱PLS模型中最优预处理方法为正交信号校正+SGCSD+SG卷积平滑,其R■为0.940 0、R■为0.886 7、 RMSEC为0.722 5、 RMSECV为0.246 2、 RMSEP为1.000 5、 RPD为2.970 8。利用SPA和CARS对预处理过的光谱数据分别进行波长变量的筛选,依次建立PLS回归模型,并定量分析其对蓝莓果渣花色苷的预测能力。在所有预处理方法进行波长变量筛选中, SPA与CARS算法均可以有效地筛选出波长变量,但SPA筛选出的波长变量,无法全部建立PLS回归模型,而CARS算法筛选出的波长变量,均可建立PLS回归模型。数据表明, CARS-PLS最佳组合为正交信号校正+MSC+SG卷积平滑+SGCSD,选择波长数为25个,相较于原始光谱,其R■从0.900 8增长到0.940 3,R■从0.881 8增长到0.885 7, RMSEC从0.929 1减少到0.720 9, RMSECV从0.317 6减少到0.245 6, RMSEP从1.021 8减少到1.004 9, RPD从2.908 8增长到2.957 5。近红外光谱的蓝莓果渣花色苷含量测定中,正交信号校正表现出强大的去噪效果, CARS算法具有简化模型、适用性较好和预测精度较高等优点。研究结果表明,应用近红外光谱技术可以较好地实现三种不同品种蓝莓果渣中花色苷含量的测定,可为蓝莓果渣品质分级提供一种快速、支持大样本量的检测方法。     

基于遗传算法的安溪铁观音品质快速评价研究

为探究一种快速无损的安溪铁观音品质评价方法,利用遗传算法(GA)对茶样的近红外光谱特征波长进行筛选,结合偏最小二乘(PLS),建立全谱段的PLS定量模型与GA-PLS模型。结果表明,傅里叶变换近红外(FT-NIR)全谱段光谱在经过平滑+二阶导数+归一化处理后,PLS模型预测性能最高,建模结果为：校正集相关系数R_C=0.921,校正集均方根误差RMSEC=0.543,验证集相关系数R_P=0.913,验证集均方根误差RMSEP=0.665。选用近红外光谱6 670～4 000 cm-1谱区,采用遗传算法进行特征波长筛选,参与建模数据点数从1 557缩减到408个。优选波段后,GA-PLS建模结果为：校正集相关系数R_C=0.959,校正集均方根误差RMSEC=0.413,验证集相关系数R_P=0.940,验证集均方根误差RMSEP=0.587。可见,GA-PLS模型的校正集和验证集的预测结果均优于全谱段PLS模型。结果说明,在传统的近红外光谱技术结合化学计量学方法的建模基础上,加入遗传算法进行波长筛选,能有效提高模型预测能力,实现方法学的创新研究,且GA-PLS品质评价模型具有较强的参考和推广价值,为提高我国茶叶品质的检测技术水平提供新的方法借鉴。     

近红外高光谱图像结合CARS算法对鸭梨SSC含量定量测定

高光谱数据量大、 维数高且原始光谱噪声明显、 散射严重等特征导致光谱建模时关键波长变量提取困难。 基于此,提出采用竞争性自适应重加权算法(CARS)对近红外高光谱数据进行关键变量选择。 鸭梨作为研究对象。 采用决定系数r2、 预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。 基于选择的关键变量建立PLS模型(CARS-PLS)与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果,r2_pre,RMSEP和RPD分别为0.908 2,0.312 0和3.300 5。 进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法(GA)获得的特征变量建立的PLS模型比较发现,CARS不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,该方法能够有效地用于高光谱数据变量的选择。 结果表明,近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。 从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。     

不同颜色冬枣可溶性固形物可见-近红外光谱分析模型构建

冬枣品质受其品种和生长环境等因素的影响,引起采后化转红指数不同,导致果实的颜色差异较大,从而影响其可溶性固形物（SSC）检测模型的分析精度。采用可见-近红外（Vis-NIR）光谱结合Norris-Williams平滑（NWS）、连续小波导数（CWD）、多元散射校正（MSC）、标准正态变量变换（SNV）和NWS-MSC五种光谱预处理方法构建不同颜色（红绿相间MJ,绿色GJ和红色RJ）冬枣SSC的偏最小二乘（PLS）定量分析模型,分别采用MJ,GJ,RJ,MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型,并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价;以不同建模样品集（校正集）的校正相关系数（R_c）和交互验证均方根误差（RMSECV）作为构建最优模型的评价指标;测试集的预测相关系数（R_p）和预测均方根误差（RMSEP）用于模型预测精度的评价。研究结果表明：分别采用MJ,GJ和RJ的独立样品集进行建模时,模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测;分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时,MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果,其RMSECV,R_c,RMSEP,R_p分别为1.108,0.698,0.980,0.724和1.108,0.698,0.983,0.822,而对RJ样品的预测误差较大,模型的RMSECV,R_c,RMSEP,R_p为1.108,0.698,1.928,0.597;而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果：MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.077,0.668;对GJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,0.881,0.861;对RJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.140,0.841;采用蒙特卡罗无信息变量消除（MCUVE）方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后,模型的R_c和R_p分别由原来的0.796和0.864提高到0.884和0.922,模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721,模型具有较好的分析精度。采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时,当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时,模型具有更好的通用性。     

X射线荧光光谱结合CARS变量筛选选择方法用于土壤中铅砷含量的测定

X射线荧光光谱分析作为一种以化学计量学为基础的定量分析技术,所建立模型优劣对结果的预测准确性显得十分重要。竞争性自适应重加权算法(CARS)采用自适应重加权采样技术,利用交互验证选出互验证均方根误差(RMSECV)值最低原则,寻出最优变量组合。为了进一步提高PLS模型的解释和预测能力,将竞争性自适应重加权算法(CARS)与X射线荧光光谱分析技术相结合,对土壤中重金属元素铅和砷进行特征波长变量筛选后建立偏最小二乘(PLS)模型。首先,利用CARS算法对铅含量密切相关的波长变量进行筛选,当采样次数为26次时,筛选出60个有效波长点;对砷含量密切相关的波长变量进行筛选,当采样次数为34次时,筛选出19个有效波长点;然后对优选出的波长点利用PLS方法分别建立土壤中铅和砷含量定量分析模型,并与经连续投影算法(SPA)及蒙特卡罗无信息变量消除(MC-UVE)方法波长变量筛选后所建立的PLS模型进行比较。结果显示：铅的CARS-PLS模型的预测集决定系数(R2)、交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)和相对预测误差(RPD)分别为0.995 5,2.598 6,3.228和9.401 1,砷的CARS-PLS模型的预测集R2,RMSECV,RMSEP和RPD分别为0.989 9,3.013 2,2.737 1和8.211 6;两元素的CARS-PLS模型性能均优于全波段PLS,SPA-PLS和MC-UVE-PLS模型。基于CARS-PLS的算法可以有效筛选出X射线荧光光谱特征波长点,在简化了建模复杂程度的同时,提高了模型的准确性和稳健性。     

食用植物油中反式脂肪酸含量的激光拉曼光谱检测

油脂中的反式脂肪酸(TFA)有害人们的身体健康,有必要对其含量进行监测。共收集各类食用植物油样本79个,涉及9个品种和27个品牌,分配到校正集和预测集的样本数分别为53个和26个。采用QE65000拉曼光谱仪采集79个样本的拉曼光谱,利用自适应迭代惩罚最小二乘法去除样本拉曼光谱的荧光背景;在此基础上,采用多种归一化方法对样本拉曼光谱进行处理,并对拉曼光谱的建模波数范围进行初选;再利用竞争性自适应重加权采样(CARS)方法筛选与食用植物油TFA含量相关的光谱变量,并应用偏最小二乘(PLS)回归将食用植物油TFA的特征变量光谱强度与气相色谱测定的TFA真实含量进行关联,建立食用植物油中TFA含量的定量预测模型。研究结果表明,多种归一化方法中,有4种归一化方法均能提高PLS定量预测模型的性能,其中Area normalization方法的效果最优;经建模波数范围初选,波数范围由686~2 301 cm-1缩减为737~1 787 cm-1,确定较优的建模波数范围为737~1 787 cm-1;经CARS方法筛选,共有31个光谱变量被选择,其选择的光谱变量主要分布在1 265,1 303,1 442及1 658 cm-1拉曼振动峰附近,且974 cm-1拉曼振动峰两侧均有光谱变量被选择;此外,CARS方法的PLS建模结果优于常用的无信息变量消除及连续投影算法。由此可知,激光拉曼光谱技术结合化学计量学方法检测食用植物油中的TFA含量是可行的。归一化方法、建模波数范围初选及竞争性自适应重加权采样(CARS)方法能有效提高TFA定量预测模型的预测精度和稳定性,优化后的TFA定量预测模型的校正集及预测集的相关系数和均方根误差分别为0.949,0.953和0.188%,0.191%。与未优化的预测模型相比,预测均方根误差由0.361%下降为0.191%,下降幅度为47.1%;建模所用的变量数由683个下降为31个,仅占原变量数的4.54%。     

基于GA和CARS的真空包装冷却羊肉细菌菌落总数高光谱检测

在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares, PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm, GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling, CARS)分别对预处理后的473～1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS, CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R2_c)和均方根误差(root mean square error, RMSEC)分别为0.96和0.29,交互验证的决定系数(R2_cv)和均方根误差(root mean square errorof cross validation, RMSECV)分别为0.92和0.46,预测集的决定系数(R2_p)和均方根误差(root mean square error of prediction, RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation, RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。     

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。     

多模式可调节光学机构的苹果可溶性固形物近红外光谱检测

利用多模式可调节的光学机构采集了苹果漫透射、全透射和漫反射三种检测方式的光谱,研究在不同的检测方式下苹果的光谱特征并采用PLS建立苹果可溶性固形物含量SSC预测的模型。首先分别采集每个样品赤道上四点的漫透射、全透射和漫反射光谱,然后分别使用多元散射校正MSC、基线偏移校正BOC、归一化Normalize和高斯滤波平滑GFS等方法对平均后的120个光谱做预处理,并结合竞争性自适应权重取样CARS法对漫反射光谱进行特征波长筛选,最后采用偏最小二乘法PLS回归建立预测苹果SSC的模型,并另购30个苹果验证模型性能。结果表明,苹果在三种检测方式下采集的光谱吸收峰和波谷所处的波段大致相同,但光谱强度有差异。三种光谱经3点高斯滤波平滑GFS预处理后建立预测苹果SSC含量的模型均取得很好的结果。漫透射的模型性能为R_cal=0.972,R_pre=0.967和RMSEC=0.436%,RMSEP=0.507%;全透射的模型性能为R_cal=0.964、R_pre=0.957和RMSEC=0.5%,RMSEP=0.574%;漫反射的模型性能为R_cal=0.963,R_pre=0.949和RMSEC=0.522%,RMSEP=0.536%;三种光谱经归一化预处理后融合建模的模型性能为R_cal=0.894,R_pre=0.857和RMSEC=0.836%,RMSEP=0.966%。进一步将漫反射光谱结合CARS算法筛选特征波长,使用119个变量建立模型的性能为R_cal=0.986,R_pre=0.977和RMSEC=0.323%,RMSEP=0.362%。最后将该模型导入新型多模式可调节的水果检测系统中,使用30个未参与建模的冰糖心苹果检验该模型预测苹果SSC的性能。结果显示30个外部验证集的相关系数为0.906,验证均方根误差为0.707%。进一步表明使用多模式可调节的水果内部品质检测系统采集的漫反射光谱结合光谱预处理、波段筛选算法和偏最小二乘回归方法可以建立较好的模型预测苹果可溶性固形物SSC含量。本研究为苹果的品质检测提供新的技术支持。     

最小二乘支持向量机的核桃露饮品中脂肪成分的定量分析

利用近红外光谱对核桃露中的重要指标脂肪含量进行定量分析,同时进行建模变量优化、建模方法比较以优选最佳模型。为消除散射对光谱造成的影响,采用标准正态变换（SNV）方法对数据进行预处理,采用遗传算法（GA）结合向后间隔偏最小二乘法（BiPLS）优选的特征波长分别作为偏最小二乘法（PLS）及最小二乘支持向量机（LS-SVM）的输入变量,建立核桃露中脂肪含量的近红外定量模型,采用决定系数（R2）、预测标准偏差（RMSEP）以及性能偏差比（RPD）对各模型进行评价,探究光谱波段选择方法对于核桃露中脂肪指标模型构建的影响,同时确定最佳建模方法。结果表明：进行变量筛选能够对模型起到优化作用,BiPLS及GA-BiPLS方法分别选择了150及30个变量点,占全光谱的10%及2%,对应了核桃露样品中脂肪成分的特征吸收峰,使得PLS模型的RMSEP值从0.049分别下降到0.043和0.040,同时模型的相关系数R2从0.964提高到0.973及0.974,性能偏差比RPD从4.88增长到5.62及6.00,主成分数也有不同程度的减少,降低模型复杂程度的同时提高了模型准确性。相比于PLS模型,核桃露脂肪指标的LS-SVM模型的R2,RMSEP及RPD值均表现出了更好的效果,分别达到0.986,0.036及6.52。说明基于最小二乘支持向量机建立的分析模型有较高的准确度及稳定性,可能是由于PLS作为一种经典的线性建模方法,在建立模型的过程中忽略了样品数据集中的非线性因素,而核桃露样品光谱测量过程中噪声、背景等因素的干扰,以及各指标成分间的相互影响,使得脂肪含量与近红外光谱信息间存在复杂非线性的变化关系,LS-SVM方法能够更为有效地对其进行描述,增强了光谱变量与指标浓度间的相关性,使得建立的模型有着更好的准确度以及普适性,说明了在实际生产中,LS-SVM方法具备优良的可行性,体现了其在核桃露饮品品质分析方面的巨大潜力。基于最小二乘支持向量机方法所建立的核桃露脂肪含量的定量分析模型,具有准确、稳定的特点,能够为核桃露生产的质量监控提供技术借鉴,同时为饮品品质的分析方法研究提供了新的思路。     

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。     

基于近红外光谱的生药醇提物抗氧化性预测

应用近红外光谱技术,以偏最小二乘算法,计算预测了37种生药药材甲醇提取物的抗氧化活性。以交叉验证相关系数(R2),交叉验证误差均方根(RMSECV)为指标,考察、比较了光谱预处理方法对模型效果的影响,以预测误差均方根(RMSEP)和相对分析误差(RPD)考核了样本的预测效果,采用1,1-二苯基-2-苦肼基(DPPH)法进行了验证。研究表明,采用一阶导数+矢量归一化预处理法和筛选的近红外波段建模,预测性能最优,校正模型的R2为0.896 0,RMSECV为4.35%;预测样本的RMSEP为3.62%,RPD为2.38。近红外光谱分析技术便捷快速,可信度较高,可以用于生药抗氧化性质的整体评价。