近红外光谱无创生化检测中不定光程对模型精度的影响研究

利用近红外血流容积光谱相减方法无创伤定量分析人体血液生化成分时,获得的在体血液光谱对应的样品光程是不确定的。为研究样品间的光程差异对定标模型预测精度的影响,配制了30份模拟血清样品,利用可变光程样品池,采用傅里叶光谱仪分别测量了相同光程和不定光程两组样品的近红外光谱。以分析血清白蛋白成分为例,对两组样品的定标模型精度进行比较,结果显示不定光程组的模型精度与相同光程组的模型精度相比明显下降,交叉检验标准差(RMSECV)由110.0mg/dL增大至156.0mg/dL。采用多元散射校正算法对上述光谱数据校正后,RMSECV降低至98.1mg/dL。对比分析处理前后两组模型的精度,证实了采用适当的预处理方法能够有效校正不定光程引起的光谱误差,提高模型预测精度。     

液态样本近红外光谱测量中的光程变化误差消减方法研究

以蔗糖溶液为研究对象,利用近红外光谱分别测量4,5和6 mm光程下不同浓度蔗糖溶液的透反射光谱,研究采用矢量归一化、基线偏移校正、多元散射校正、标准正态变量变换、一阶导数5种预处理方法消除光程差异的影响,并结合PLS方法建立校正集模型。与原始光谱的PLS模型相比,五种预处理方法均对模型的预测精度有不同程度的提高,其中,多元散射校正结合PLS方法建立的模型最优,使原始光谱的主成分数PC由6下降为3,决定系数R2由0.891 278提高到0.987 535,交互验证决定系数R2_CV由0.888 374提高到0.983 343,校正标准偏差RMSEC由1.704%下降到0.89%,交互验证的校正标准偏差RMSECV由1.827%下降到1.05%,预测集样本的相关系数由0.950 89上升到0.976 22,预测标准偏差由0.014 36下降为0.01。结果表明,五种预处理方法中,多元散射校正法能够消除光程差异的干扰,提高模型的预测精度,改善稳定性。     

用MSC-ANN方法建立冬小麦叶片叶绿素与反射光谱的定量分析模型研究

采用多元散射校正(MSC)预处理方法对冬小麦叶片反射光谱进行预处理,有效地减小物理因素对光谱的影响,之后用非线性迭代偏最小二乘法(NIPALS)提取经MSC处理后的反射光谱的主成分,主成分个数由交叉证实法(Cross Validation)确定,将提取的主成分作为人工神经网络(ANN)的输入,建立人工神经网络分析模型(MSC-ANN),用冬小麦叶片的反射光谱来预测冬小麦叶片叶绿素含量。校准集的化学值与预测值的相关系数r达到0.960 4,预测标准偏差SD为0.187,相对标准偏差RSD为5.18%。检验集的化学值与预测值的相关系数r达到0.960 0,预测标准偏差SD为0.145,相对标准偏差RSD为4.21%。结果表明,MSC-ANN方法能在较大程度上消除了野外物理因素的影响,使用具有代表性的光谱数据点建立模型,能够建立准确的冬小麦叶绿素含量预测模型,可代替经典分析方法,满足冬小麦叶片叶绿素快速分析的需要。     

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。     

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。     

尖椒叶片叶绿素含量的近红外检测分析实验研究

应用傅里叶漫反射近红外光谱技术探讨了尖椒叶片叶绿素含量的无损检测方法。利用偏最小二乘法和主成分回归法分别建立了尖椒叶片叶绿素含量与漫反射光谱间的数学模型,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对比分析。结果表明,用傅里叶变换光谱仪采集的原始光谱经平滑和基线校正对结果的影响不是很明显;利用PLS建模获得的结果明显好于采用PCR方法建模;原始光谱经二阶微分获得的预测结果比一阶微分光谱和原始光谱的预测结果好;剔除异常样本后,在全波段范围内原始光谱经二次微分的预测相关系数达到0.975 37,校正均方根误差和预测均方根误差分别为2.33和5.49。本研究说明, 应用近红外漫反射光谱检测叶片叶绿素含量是可行的,可为今后快速无损检测叶片叶绿素含量提供理论依据。     

多元散射校正预处理波段对近红外光谱定标模型的影响

利用近红外光谱对非均匀样品进行分析时,所得样品光谱中包含由光散射导致的干扰信息,通常需要借助多元散射校正算法(multiple scattering correction, MSC)对光谱进行预处理。由于不同波段光谱中所包含的散射信息、噪声水平、基线漂移程度等存在差异,利用MSC方法对光谱进行预处理时,基于不同波段的光谱数据会得到不同的校正结果,进而影响所得定标模型的可靠性。以60个全麦粉样品为研究对象,确定定标区间后,对包含定标区间的不同波段的原始光谱分别进行MSC处理,并利用固定区间内的光谱数据结合偏最小二乘回归(partial least square regression, PLSR)方法建立分析样品中蛋白质含量的定标模型,研究了MSC光谱预处理波段对定标模型的影响,并对MSC光谱预处理波段进行了优化,使定标模型的相关系数由0.96提高到0.98,交互验证均方根误差(root mean squares error of cross validation, RMSECV)由0.37%降低到0.32%。结果表明：利用MSC方法对样品光谱预处理时,光谱预处理波段会影响多元散射校正对光谱中非化学吸收信息的校正能力,确定合适的预处理波段是获得可靠分析结果的一个前提条件。     

基于主成分分析的不同预处理方法对关节软骨分类的影响

本文采用不同方法对来自正常和病变关节软骨样本的红外光谱进行预处理,而后利用主成分分析对关节软骨进行鉴别分析。首先对关节软骨切片实现傅里叶变换红外光谱采集,其次分别采用基线校准、标准化、多元散射校正和标准正态变量变换对软骨的红外光谱进行预处理,然后对原始光谱(矩阵)以及预处理光谱进行主成分分析,根据得分矩阵对样本进行分类分析。结果表明:预处理方法结合主成分分析可以更好地对正常和病变关节软骨样本进行分类,而且多种预处理方法的结合可以更好地增强样本间的区分度。另外,针对关节软骨样本,多元散射校正比标准正态变量变换具有更好的增强效果。     

一种改进的随机检验法用于主成分选择以避免光谱分析校正模型的过拟合或欠拟合

为了避免主成分个数选择不当引起的校正模型过拟合或欠拟合,提出了一种改进的随机检验法,应用该方法对样品复杂程度递增的三组近红外光谱数据进行了实验研究,并与交互验证法进行了比较,分析了模型复杂程度对光谱定量校正模型预测能力的影响,讨论了该方法对复杂样品的适用性问题。结果显示,该方法可避免交互验证法剔除样本的过程,考虑了全部训练样本的信息,可客观地选择主成分,有助于避免过拟合或欠拟合,提高校正模型的预测精度;该方法不同于一般随机检验法的统计检验过程,简化了判据,易实现,选择过程可视化、可交互;在三组实验中,分别选择4,5和8个主成分建模,其外部独立预测集的预测结果最优;该方法适用于小样本复杂样品建模。     

利用多光程光谱法检测血液多种成分含量的研究

为研究利用血清多光程光谱信息检测血液成分含量的可行性,通过设计自动微位移测量装置实现了对200份血清样品0～4.0 mm(间隔0.2 mm)近红外多光程光谱的测量。利用多光程光谱的非线性特性,使用血清多光程光谱共同参与建模的方法,对血清样品的葡萄糖(GLU)、总胆固醇(TC)、总蛋白(TP)和白蛋白(ALB)四种成分含量进行定量分析。采用偏最小二乘法(PLS)对160个血清样本的多光程近红外吸收谱与全自动生化分析仪得到的生化分析结果建立校正模型,并对预测集40个样本进行预测。４种血液成分预测值与生化分析结果的相关系数(r)分别为0.932 0,0.971 2,0.946 2和0.948 3。研究结果证明多光程光谱法建模方法用于血液成分含量分析的可行性,为利用多光程光谱法实现方便、快捷的检测血液以及其他液体成分含量奠定了基础。     

基于神经网络的叶绿素含量精细测量建模方法研究

活体植物叶片叶绿素含量SPAD值易受叶片厚度、水分等影响,提出了基于多参数神经网络建模的叶绿素含量精细反演方法。通过测量叶片在中心波长分别为650,940和1 450 nm光照射下的透过率,获得叶片的SPAD值和水分指数WI(water index),同时用数字螺旋测微仪测量相应的叶片厚度并用分光光度法测得其叶绿素含量。利用建模集样本分别建立SPAD值与实测叶绿素含量之间的单参数模型和基于BP神经网络的WI、厚度及SPAD值与实测叶绿素含量之间的非线性模型。利用这两种模型分别计算获得验证集样本的叶绿素含量预测值,对预测值和实测值进行了相关分析和相对误差的分析。实验以340个三种不同植物叶片为样本,用以上方法进行了分析。结果表明,利用BP神经网络建模后,每种植物样本的叶绿素含量预测精度都有不同程度的提高,尤其对于叶片厚度值较大的样本,效果更为明显。数据显示所有混合样本平均相对误差绝对值由单参数模型的7.55%降低到5.22%,实测值与预测值的拟合决定系数由0.83提高到0.93。验证了利用多参数BP神经网络模型可以有效地提高活体植物叶绿素含量预测精度的可行性。     

基于高光谱技术的灰霉病胁迫下番茄叶片SPAD值检测方法研究

对灰霉病胁迫下番茄叶片中叶绿素含量(SPAD)的高光谱图像信息进行了研究。首先获取380～1 030 nm波段范围内健康和染病番茄叶片的高光谱图像,然后基于ENVI软件处理平台提取高光谱图像中感兴趣区域的光谱信息,经平滑(Smoothing)、标准化(Normalize)等预处理后,建立了基于Normalize预处理的偏最小二乘回归(PLSR)和主成分回归(PCR)模型。再基于PLSR获得的4个变量建立反向传播神经网络(BPNN)和最小二乘-支持向量机(LS-SVM)模型。4个模型中,LS-SVM的预测效果最好,其决定系数R2为0.901 8,预测集均方根误差RMSEP为2.599 2。结果表明,基于健康和染病番茄叶片的高光谱图像响应特性检测叶绿素含量(SPAD)是可行的。     

基于 PROSPECT模型的蔬菜叶片叶绿素含量和SPAD值反演

叶绿素含量是衡量植物营养和病虫害发生情况的重要指标。传统的分光光度法对植物叶片破坏性较大且无法实时、快速、无损地获取叶绿素含量。新兴的利用叶绿素仪测量叶绿素相对含量（以下简称SPAD值）的方法不能定量获取实际含量。光学辐射传输模型PROSPECT从生物物理、化学的角度以及能量传输的过程出发,定量描述了叶片色素、水分、结构参数等对叶片反射光谱的影响。因此,提出利用PROSPECT模型同时反演蔬菜叶片叶绿素含量和SPAD值,实时、快速、无损、定量获取植物叶片叶绿素的含量。第一,多次测量三种蔬菜叶片的反射光谱,并用叶绿素仪测量SPAD值。然后,预处理光谱数据,获得平均反射率光谱。第二,以欧式距离为评价函数,利用PROSPECT模型对实测反射率光谱进行拟合。拟合过程中三种蔬菜欧式距离最大为0.008 9,最小为0.006 4,平均为0.007 5,表明该模型能够很好地拟合蔬菜叶片的反射率光谱。第三,根据拟合结果,反演叶绿素含量和透射率光谱,再根据透射率光谱获取叶片在940和650 nm波长处的光透过率,计算叶片的反演SPAD值。第四,建立反演叶绿素含量、反演SPAD值与实测SPAD值的关系模型。结果表明: (1)利用该模型反演得到的叶绿素含量值与实测SPAD值有较好的线性关系, 其关系模型为：y=1.463 3x+16.374 3,两者相关系数为0.927 1,模型的决定系数为0.862,均方根误差为2.11;(2)利用该模型反演得到的SPAD值与实测SPAD值之间线性关系较好,其关系模型为：y=0.986 9x-0.668 3,两者相关系数为0.845 1, 模型的决定系数为0.714 3,均方根误差为3.380 2。研究表明,通过测量植物叶片的反射率光谱,利用PROSPECT模型可以无损、定量地获取蔬菜叶片的叶绿素含量和SPAD值。该方法可推广至其他植物的叶绿素测量和实时监测,为变量施肥、精准种植提供可靠的数据支持。研究结果对蔬菜生长态势的无损监测具有重要的意义。     

考虑水分光谱吸收特征的水稻叶片SPAD预测模型

叶绿素是植被光合作用的重要色素,传统实验室方法测定叶绿素含量需破坏性取样且操作复杂。通过构建高精度SPAD光谱估算模型,可以实现对水稻叶片叶绿素含量的实时无损监测。以黑龙江省不同施氮水平下水稻为研究对象,采用SVC HR768i型光谱辐射仪共获取移栽后、分蘖期、拔节期、孕穗期、抽穗期共五个关键时期水稻叶片反射光谱数据。光谱探测范围350~2 500 nm。利用自带光源型手持叶片光谱探测器直接测定叶片光谱,光源为内置卤素灯。采用SPAD-502型手持式叶绿素仪同步测定水稻叶片的SPAD值。叶片水分是植物光合作用的基本原料,也间接影响着叶绿素含量。叶片含水量降低则会影响植物正常的光合作用,导致其叶绿素含量随之降低。因此将叶绿素敏感波段与水分吸收范围结合作为SPAD估算的输入量。随机森林模型是一个基于多个分类树的算法。算法在采样的过程中包括两个完全随机的过程,一是有放回抽样,可能会得到重复的样本,二是选取自变量是随机的。因此本文对叶片光谱反射率进行去包络线（CR）处理,综合考虑可见光近红外波段提取水稻叶片反射光谱特征参数和植被指数,综合分析光谱指标与SPAD相关关系,采用随机森林算法构建不同输入量的SPAD高光谱估算模型。结果表明: （1）水稻叶片SPAD与光谱反射率的相关系数在叶绿素敏感波段红波段范围（600～690 nm）、红边范围（720~760 nm）、水分吸收波段范围（1 400~1 490和1 900~1 980 nm）均为0.75以上;（2）在光谱参数与SPAD 的相关分析中,NDVI,DP2与水稻叶片SPAD值相关性最好,相关系数为0.811和0.808;（3）以结合水分光谱信息后的CR_{(V1, V2, V3, V4)}为自变量所建立的随机森林模型精度最高,R2为0.715,RMSE为2.646,可作为水稻叶片叶绿素预测模型。研究结果揭示了不同品种水稻的光谱响应机制,提供了水稻叶片SPAD值高精度反演的技术方法,为监测与调控东北地区水稻正常生育进程提供技术支持。     

光谱相减方法用于无创生化检测中背景扣除实验研究

在近红外光谱无创生化检测中,血流容积光谱相减方法在理论上可以消除组织背景等干扰因素,提取出血液的有效光谱信息。为论证血流容积光谱相减方法有效性,设计了相应的模拟实验。采用生物分子水溶液模拟血清样品,不同吸收特性的滤光片模拟组织背景干扰,可变厚度样品池模拟血流容积变化。比较了光谱相减方法处理前后的模型精度,处理前模型定标相关系数(R_c)为0.476,交叉检验标准差(RMSECV)为437 mg·dL-1;处理后R_c达到0.977,RMSECV降至301 mg·dL-1。实验结果表明血流容积光谱相减方法能够较好抑制或扣除组织背景干扰,大幅度提高模型预测精度。     

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。     

基于NLMS自适应滤波的近红外光谱去噪处理方法研究

为了去除直接采集的近红外(NIR)光谱中含有的噪声,将归一化最小均方(NLMS)自适应滤波方法引入到NIR光谱去噪领域中。以51份土壤样品的NIR光谱为研究对象,探讨NLMS自适应滤波方法在NIR光谱预处理中的应用,并将处理后的结果与土壤中有机质的含量相关联,建立模型。结果表明,通过NLMS自适应滤波去噪后的光谱,预测集的相关系数r由处理前的0.8284提高至0.9654,预测均方根误差(RMSEP)由处理前的0.3385降至0.1606。由此可见,NLMS自适应滤波对NIR光谱的去噪有显著效果,可以有效地提高光谱的分析精度和模型的稳健性,为NIR光谱的预处理提供了一种新方法。     

柑橘叶片叶绿素含量拉曼光谱定量分析方法研究

柑橘叶片叶绿素含量的准确检测对柑橘营养状况和生长态势具有极其重要的意义。研究了快速无损诊断柑橘叶片中叶绿素含量的方法,以期为拉曼光谱检测技术用于柑橘叶片叶绿素含量检测提供参考。采集不同冠层高度和不同地理分布的柑橘叶片120片,拭去叶片表面的灰尘,用去离子水对其清洗、晾干装入密封袋中并用标签分类标注。然后对柑橘叶片进行拉曼光谱采集,参数设置如下：分辨率为3 cm-1,积分时间为15 s;激光功率为50 mW。分别采用BaselineWavelet、迭代限制最小二乘（IRLS）和不对称最小二乘(ALS)三种算法对柑橘叶片的拉曼光谱背景进行扣除,使用偏最小二乘（PLS）方法建立定量模型;四种光谱预处理方法归一化(Normalization),Savitzky-Golay卷积平滑(SG smoothing, SG平滑)、多元散射校正(MSC)和Savitzky-Golay一阶导数(SG 1st Der)对扣除背景后的光谱进行进一步的优化处理。结果表明：采用原始光谱、BaselineWavelet、IRLS、ALS背景扣除处理后的光谱建立PLS模型,模型的相关系数r分别为0.858,0.828,0.885和0.862,交互验证均方根误差(RMSECV)分别为5.392,5.870,4.934和5.336,最佳因子数分别为8,3,8和8;IRLS背景扣除处理后的PLS模型的RMSECV最小,相关系数最高,建模效果最好。分别采用SG平滑、归一化、MSC和SG 1st Der预处理方法对IRLS背景扣除后光谱进行预处理并建立PLS模型,结果表明：IRLS光谱及其结合SG平滑、归一化、MSC和SG 1st Der四种预处理方法的PLS模型的R分别为0.885,0.897,0.852,0.863和0.888,RMSECV分别为4.934,4.715,5.595,5.182和4.962;最佳因子数分别为8,8,8,8和5;IRLS-SG平滑后PLS模型的RMSECV最小,模型效果最优。对IRLS-SG平滑预处理后的PLS模型展开验证,预测相关系数r为0.844,预测均方根误差(RMSEP)为5.29,预测精确度较高。采用拉曼光谱结合三种光谱背景扣除方法和四种预处理方法对柑橘叶片叶绿素含量进行定量分析表明：采用IRLS背景扣除结合SG平滑预处理后的PLS模型最优,建模集r为0.897,RMSECV为4.715;预测集r为0.844,RMSEP为5.29,预测精度较高。拉曼光谱结合背景扣除方法可以为柑橘叶片叶绿素含量的定量分析提供一种快速简便的分析方法。     

估测田间烟叶色素含量的光谱模型研究

田间烟叶色素含量的光谱无损快速测量,对烟草营养生长期的营养诊断与长势监测、成熟期的烟叶品质评判具有重要的生产指导意义。该研究的目的是利用烟叶田间光谱估测烟叶的叶绿素和类胡萝卜素含量。研究采集了营养生长期和成熟期烟叶田间反射光谱,测量了样品烟叶的色素含量,利用支持向量机(SVM)和光谱指数法,对营养生长期和成熟期烟叶样品用分期建模和混合建模两种方法建立色素含量估测模型,并对模型的预测性能进行比较。研究结果表明,分期建模和混合建模对于烟叶色素含量的估测效果差异不显著。对于叶绿素含量,SVM和光谱指数法均有较好的估测效果;对于类胡萝卜素含量,SVM方法比光谱指数法具有更高的估测精度。采用SVM方法对烟叶样品的叶绿素含量分期建模得到的估测决定系数和均方根误差分别为0.862 9和0.015 5,对叶绿素含量混合建模得到的估测决定系数和均方根误差分别为0.898 5和0.012 3;采用SVM方法对烟叶样品类胡萝卜素含量分期建模得到的估测决定系数和均方根误差分别为0.873 0和0.002 4,对类胡萝卜素含量混合建模得到的估测决定系数和均方根误差分别为0.852 7和0.002 4。该研究的创新点是通过支持向量机和光谱指数法采用分期建模以及混合建模的方式建立了烟叶样品色素含量的估测模型,为烟草田间生产的质量控制、烟叶的采收品质保证提供科学依据和技术支持。     

基于二维相关光谱的水体叶绿素含量探测

利用Shimadzu UV2450分光光度计测量了含有不同叶绿素浓度的湖水样本在可见光和近红外区域的透射光谱,并使用实验室手段测量了水体的叶绿素含量。分析了湖水样本的透射光谱特性,同时引入二维相关光谱技术,利用叶绿素浓度值作为微扰量,得到水体叶绿素的动态光谱,进而结合二维同步谱图和异步谱图确定表征水体叶绿素浓度的特征波段。综合观察二维相关光谱中的同步谱图和异步谱图,更加精确地阐明了水体光谱特征,同时剔除水体中其他物质对于光谱信息的影响,更有效、全面地提取反映水体叶绿素信息的敏感波段。利用所选特征波段构建归一化水体叶绿素指数,将特征波段与叶绿素指数分别与水体叶绿素浓度建立线性预测模型。结果显示,归一化水体叶绿素指数的预测模型测定R2达到0.771 2,均方根误差是45.509 8 mg·L-1,预测R2达到0.765 8,均方根误差是39.503 8 mg·L-1。模型精度较利用特征波段建立的多元线性回归模型有了较大的提高,达到了实用水平。