非均匀固体籽粒近红外光谱采集方法研究

近红外光谱定性分析技术研究中实验对象主要包括液态物质、粉末状物质和非均匀固体颗粒物质。液态物质与粉末状物质属于均匀分布被测对象,光谱采集与分析相对容易。而非均匀固体样品大小不一、形态各异、内部物质分布不均匀,近红外光谱中既包含定性分析中需要提取的种类信息,又包含需要消除的个体差异信息,因此相对于均匀分布的液体或粉末状物质,非均匀固体分析难度更大。目前国内外尚未建立对于大小不一、形状各异的非均匀固体颗粒物质的有效近红外定性分析方法。以非均匀固体谷物玉米籽粒为主要研究对象,在研究多种光谱采集方式的基础上,分析了非均匀固体籽粒光谱采集的特点,设计了针对非均匀固体籽粒的光谱采集装置,为确保实验结果的客观性,采用了朴素贝叶斯分类器、K近邻、支持向量机、BP神经网络、仿生模式识别等5种模式识别方法,建立在漫反射及漫透射方式下单籽粒玉米近红外光谱多品种定性分析模型,并对漫反射与漫透射方式下所建立的定性分析模型进行对比实验,分析胚面朝向对玉米单籽粒的漫反射与漫透射光谱定性分析模型鉴别效果影响,测试集与建模集时间间隔长短对漫反射及漫透射方式下玉米单籽粒品种鉴别精度的影响。实验结果表明采用漫透射方式建立的模型不易受到非均匀固体籽粒摆放方式的影响,且模型具有更好的泛化能力,为后续研究提供可行光谱采集方法。以非均匀固体玉米籽粒为主要实验对象,对其采集方法与定性分析模型进行研究,可为类似形态被测物体的近红外光谱定性分析提供有益借鉴,具有重要研究意义。     

基于可见光光谱高效鉴别玉米单倍体籽粒

单倍体技术已发展成为玉米遗传研究及现代玉米育种的重要技术之一,单倍体籽粒的鉴别筛选是其中的重要环节。目前单倍体籽粒主要是依赖于籽粒的R1-nj遗传标记通过人工肉眼观察颜色的有或无进行鉴别,费时费工。而且部分材料由于标记颜色很难从籽粒外部观察到,导致人工筛选准确率较低。基于可见光光谱分析建立玉米单倍体籽粒鉴别方法,探索利用可见光光谱鉴别玉米单倍体籽粒的可行性。同时,由于每季用于诱导单倍体的育种材料不尽相同,模型须能够鉴别未参加建模的材料的单倍体。本研究以9个遗传背景的单倍体和杂交籽粒共284粒作为试验材料,利用便携式紫外-可见光光纤光谱仪采集单个玉米籽粒的可见光漫透射光谱。光谱数据经平滑、矢量归一化预处理和主成分分析,基于支持向量机方法建立单倍体和杂交籽粒判别模型。每次选择1个背景的样本作为测试集,其余背景的样本作为建模集对模型进行交叉验证。模型交叉验证平均正确判别率达到92.06%。其中8次测试正确判别率在85%以上。结果表明利用可见光光谱分析建立玉米单倍体籽粒鉴别方法,并使模型可鉴别未参与建模材料的单倍体具有可行性。并且基于该方法有望建立玉米单倍体籽粒的自动化快速筛选系统,提高玉米单倍体育种效率。     

纺织品近红外光谱定性分析的一种新方法

近红外光谱分析技术可用于对样本的快速无损检测,在人们的生产和生活中发挥着越来越重要的作用。支持向量机是建立定性分析模型的常用方法,可通过寻找最优分类超平面将两类样本分开。在小样本情况下,支持向量机方法有其独特的优势。主成分分析是常用的数据降维方法,可将数据降维之后作为支持向量机方法的输入变量,简化模型并提高模型识别的准确性。因此,基于主成分分析的支持向量机(简称PCA-SVM)适合用于建立近红外光谱定性分析模型。多模型方法是人们使用较少的建模方法,用该方法建立的模型一般具有较好的稳定性。将多模型方法与PCA-SVM方法成功结合形成了新方法。以棉锦混合、棉涤混合纺织品为例,用新方法建立了这两类纺织品样本的近红外光谱定性分析模型。建模时将光谱数据按照波长分为4组,用每组光谱数据建立一个子模型,将子模型的输出值进行加权平均便得到最终的预测结果。这样可以更充分地使用光谱数据中所包含的信息。为了便于对比不同的方法,仍使用上述校正集和验证集,又用PCA-SVM方法建立了这两类纺织品样本的近红外光谱定性分析模型。对预测结果做交叉验证,用新方法所建模型判别的正确率的平均值为85.49%,正确率的标准差为0.066 7, 用PCA-SVM方法所建模型判别的正确率的平均值为83.34%,正确率的标准差为0.109 6。研究结果表明用新方法所建模型的分类效果好于用PCA-SVM方法所建模型的分类效果;用新方法建立的模型的稳定性明显高于用PCA-SVM方法建立的模型的稳定性。用PCA-SVM方法所建模型的预测效果受校正集构成情况的影响较大,而用新方法所建模型的预测效果则相对稳定。对废旧纺织品进行分类回收可大量节约纺织原材料,但采用人工分拣方式效率低且成本高。采用近红外光谱分析方法对纺织品进行分类,为废旧纺织品的大规模精细分拣和分级奠定了一定的基础。该新方法有望用于某些其他类型样本的分类。     

基于可见光光谱高效鉴别玉米单倍体籽粒（英文）

单倍体技术已发展成为玉米遗传研究及现代玉米育种的重要技术之一,单倍体籽粒的鉴别筛选是其中的重要环节。目前单倍体籽粒主要是依赖于籽粒的R1-nj遗传标记通过人工肉眼观察颜色的有或无进行鉴别,费时费工。而且部分材料由于标记颜色很难从籽粒外部观察到,导致人工筛选准确率较低。基于可见光光谱分析建立玉米单倍体籽粒鉴别方法,探索利用可见光光谱鉴别玉米单倍体籽粒的可行性。同时,由于每季用于诱导单倍体的育种材料不尽相同,模型须能够鉴别未参加建模的材料的单倍体。本研究以9个遗传背景的单倍体和杂交籽粒共284粒作为试验材料,利用便携式紫外-可见光光纤光谱仪采集单个玉米籽粒的可见光漫透射光谱。光谱数据经平滑、矢量归一化预处理和主成分分析,基于支持向量机方法建立单倍体和杂交籽粒判别模型。每次选择1个背景的样本作为测试集,其余背景的样本作为建模集对模型进行交叉验证。模型交叉验证平均正确判别率达到92.06%。其中8次测试正确判别率在85%以上。结果表明利用可见光光谱分析建立玉米单倍体籽粒鉴别方法,并使模型可鉴别未参与建模材料的单倍体具有可行性。并且基于该方法有望建立玉米单倍体籽粒的自动化快速筛选系统,提高玉米单倍体育种效率。     

玉米近红外光谱在仿生模式识别中的特征提取方法研究

近红外光谱特征提取是近红外光谱定性分析的关键步骤,其质量直接影响定性分析结果。采用漫透射方法测量8个玉米品种的近红外光谱,经预处理后,分别采用PCA,ICA,PLS-DA和小波分解四种方法对光谱进行特征提取,并使用仿生模式识别方法建立了8个玉米品种识别模型,最后使用测试集数据进行模型测试。结论如下:使用PLS-DA方法进行特征提取后建立的模型正确识别率优于使用PCA,ICA和小波分解特征提取后建立的模型。     

基于近红外漫反射与漫透射光谱的玉米单倍体鉴别比较研究

使用JDSU公司的MicroNIR1700型微型近红外光谱仪,研究了适合进行单籽粒玉米单倍体鉴别的光谱测量方法。基于近红外光谱定性分析技术,比较了漫反射和漫透射两种情况下玉米单倍体鉴别的效果。光谱数据经过预处理后,采用PLS＋OLDA特征提取算法,应用SVM建立玉米单倍体鉴别模型,分别统计漫反射和漫透射实验条件下,鉴别模型的正确识别率。在微型光谱仪内置光源漫反射的光谱测量方式下,不分胚面朝向,玉米单倍体籽粒平均识别率低于60%,不能有效鉴别玉米单倍体和多倍体。而采用外置光源对籽粒进行漫透射光谱测量方式,获得了平均正确识别率为93.2%的鉴别效果,并且模型稳定性好。实验结果表明,漫反射光谱仅能获得玉米籽粒表层信息,因此玉米籽粒胚面朝向严重影响漫反射光谱鉴别单倍体种子的效果;而漫透射光谱可以实现分析光程纵深信息全累加,能够得到样品内部的信息,因此对胚面朝向不敏感,能够有效地对随机摆放的玉米单倍体和多倍体进行识别。近红外方法能快速、无损地鉴别单倍体,并且微型光谱仪采集速度快,成本低,为实现实用化的自动鉴别提供了条件。     

一种添加历史数据的近红外光谱特征提取方法研究

针对近红外光谱定性分析中,增加新的品种进行建模时,原有模型识别效果不够稳定的问题,提出一种在建模样本的基础上添加同类物质的历史光谱数据的特征提取方法,首先采集建模样本的近红外光谱数据,然后添加同种物质样本的历史近红外光谱数据,再对所有近红外光谱数据进行预处理,其次对所有样本数据进行偏最小二乘(PLS)特征提取得到偏最小二乘空间,并只将建模样本数据向构建的偏最小二乘空间进行投影,最后将投影后的建模数据进行正交线性判别分析(OLDA)特征提取。以玉米种子近红外光谱为研究对象,分别对建模数据添加历史近红外光谱以及不添加历史近红外光谱两种情况进行特征提取,并通过仿生模式识别(BPR)方法构建模型进行验证,实验结果表明,添加历史近红外光谱构建偏最小二乘空间的特征提取方法相对于不添加历史近红外光谱的方法,首先在增加建模集品种数量时,原有的品种识别率基本不变;其次在相同PLS维数时,所建模型对不同时间采集的测试集识别效果基本一致,证明了该方法可以提高模型稳健性。在实际应用中就可以在品种鉴别软件中将特征提取维数设置为固定值,免除了品种鉴别软件的用户在增加建模集品种时为了保证最优识别效果重新选定最优PLS参数的麻烦。     

基于近红外漫反射与漫透射光谱的玉米单倍体鉴别比较研究（英文）

使用JDSU公司的MicroNIR1700型微型近红外光谱仪,研究了适合进行单籽粒玉米单倍体鉴别的光谱测量方法。基于近红外光谱定性分析技术,比较了漫反射和漫透射两种情况下玉米单倍体鉴别的效果。光谱数据经过预处理后,采用PLS+OLDA特征提取算法,应用SVM建立玉米单倍体鉴别模型,分别统计漫反射和漫透射实验条件下,鉴别模型的正确识别率。在微型光谱仪内置光源漫反射的光谱测量方式下,不分胚面朝向,玉米单倍体籽粒平均识别率低于60%,不能有效鉴别玉米单倍体和多倍体。而采用外置光源对籽粒进行漫透射光谱测量方式,获得了平均正确识别率为93.2%的鉴别效果,并且模型稳定性好。实验结果表明,漫反射光谱仅能获得玉米籽粒表层信息,因此玉米籽粒胚面朝向严重影响漫反射光谱鉴别单倍体种子的效果;而漫透射光谱可以实现分析光程纵深信息全累加,能够得到样品内部的信息,因此对胚面朝向不敏感,能够有效地对随机摆放的玉米单倍体和多倍体进行识别。近红外方法能快速、无损地鉴别单倍体,并且微型光谱仪采集速度快,成本低,为实现实用化的自动鉴别提供了条件。     

应用近红外光谱技术实现转双价基因(Cry1Ab/Cry2Aj-G10evo)玉米的快速识别

转基因技术在过去的几十年里快速发展, 然而此项技术对生态环境、伦理道德等可能带来的影响尚存争议,因此针对农作物的转基因成分检测和鉴别的相关技术研究十分重要。本研究以转双价基因(cry1Ab/cry2Aj-G10evo)玉米籽粒和玉米面粉为研究对象,采用近红外光谱仪采集900～1 700 nm波段范围的光谱,结合 Savitzky-Golay(SG)平滑算法对提取出的光谱数据进行去除噪声处理。基于全波段光谱和PCA主成分分别建立了偏最小二乘判别分析(PLS)和支持向量机判别模型(SVM)。试验结果表明,在转基因玉米籽粒全谱的判别分析模型中,SVM判别模型效果要优于PLS判别模型,SVM模型识别正确率达到90%以上,PLS的模型识别率只有85%左右。以PCA降维后建立的模型中,SVM模型也取得了最优的效果,建模集和预测集识别正确率达到100%。虽然转基因玉米在研磨加工后外源蛋白和DNA有所下降,但是转基因玉米粉末基于全波段光谱建立的SVM模型的建模集正确率仍有90.625%。结果表明应用近红外光谱技术集合化学计量学方法对转基因玉米的鉴别是可行的,为转基因玉米乃至其他转基因农产品的鉴别提供了技术支持,具有重要的理论意义和应用价值。     

基于可见光-近红外光谱的煤岩识别方法实验研究

以淮南矿区谢桥矿和潘二矿的煤和岩石样本为研究对象,通过地物光谱仪采集样本反射率光谱曲线,同时检测样本氧化物含量、水分、灰分及挥发分含量,将样本的反射率光谱曲线和样本成分含量分别作为自变量,样本类别“煤”和“岩石”两种矿物类型作为因变量,建立煤和岩石识别模型对煤和岩石进行二分类。该研究主要采用三种模型,分别为主成分分析结合支持向量机(PCA-SVM)、主成分分析结合BP神经网络(PCA-BP)模型和核主成分分析结合支持向量机(KPCA-SVM)模型。结果表明,基于可见光近红外光谱的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为95.5%,验证平均精度约为90.56%;基于样本成分的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为98.5%,验证平均精度约为95%。     

基于最小二乘支持向量机的番茄汁糖酸度分析研究

近红外光谱应用于农产品内部品质无损检测的方法引起人们的广泛关注,在分析过程中建立一个稳定可靠的模型用于处理非线性数据集是十分重要的,也是有一定难度的。目前常用的偏最小二乘(PLS)、主成分回归(PCR)以及逐步多元线性回归(SMLR)等方法还不能解决这类问题。文章提出了将基于统计学原理的最小二乘支持向量机(LS-SVM)回归方法用于番茄汁的近红外(NIR)光谱分析,预测番茄汁品质(糖度和有效酸度)。运用LS-SVM方法以67个番茄汁样本建模,采用高斯径向基函数(RBF)为核函数,对33个样本进行糖酸度预测,糖度的相关系数为0.990 25,均方根标准预测误差为0.0056° Brix;有效酸度的相关系数为0.967 5,均方根标准预测误差为0.024 5。结果表明,LS-SVM方法要优于PLS和PCR建模方法,是一种快速、准确的近红外光谱分析方法。     

利用近红外光谱进行玉米杂种优势类群划分的可行性研究

准确地划分玉米杂种优势群,可有效地指导种质的改良、杂种优势模式的构建和新品种的选育。目前主要利用系谱法、配合力测定、同工酶和分子标记等进行玉米杂种优势类群的划分,这些划分方法成本高,操作复杂,甚至有的方法还需破坏种子。本文探索了利用近红外光谱技术(NIRS)快速、无损地划分玉米杂种优势群的可行性。使用MPA型傅里叶变换近红外光谱仪漫反射模式采集整粒玉米种子的光谱,用滑动平均窗口平滑、一阶差分导数、矢量归一化对光谱进行预处理。将光谱用主成分分析方法降维到低维空间,使用层次聚类法对A组6个中国的骨干自交系和B组的6个优良自选系共12个材料进行杂种优势群划分,结果将A组6个自交系划分为3类,A1(郑58)和A2(掖478)为一类,A3(昌7-2)和A4(黄早四)为一类,A5(Mo17)和A6(四F1)为一类,这与系谱法分析结果高度吻合。对B组6个自选系,将B1和B2,B3和B4,B5和B6分别划分为一类,与SSR标记的类群划分结果一致。由此可见,利用NIRS划分玉米杂种优势类群是简便、快速、高效、可行的方法。     

近红外光谱法快速无损识别普通、高油、超高油玉米籽粒

以75粒普通玉米、72粒高油玉米和73粒超高油玉米共计220粒玉米籽粒样品为实验材料,通过玉米籽粒的近红外光谱结合主成分信息提取技术建立了不同油分含量的玉米籽粒样品的BPANN识别模型.为考察模型的实际应用效果,连续10次随机划分样品集,每次在各类别玉米籽粒中随机选取4/5作为建模集,剩余1/5作为预测集,选择光谱信息的第2～15个主成分作为网络输入,样品以3个类别值-1,0,1作为目标输出,10次建模的学习识别率均达到100%.以所建BPANN模型对预测集样品进行分类识别,普通玉米、高油玉米和超高油玉米籽粒平均正确识别率分别为99.33%,97.88%和91.43%,总体正确识别率平均达到95%以上.研究结果表明BP人工神经网络近红外光谱法建立玉米籽粒识别模型可对不同油分含量的玉米籽粒进行快速、无损识别,对于玉米籽粒的选育工作具有一定的指导意义.另外还探讨了选择主成分建模对不同油分含量的玉米籽粒种类识别效果的影响,结果显示具有方差贡献率99%以上的光谱第一主成分参与建模,对模型预测效果有负影响,说明不同主成分包含的区分普通、高油与超高油玉米籽粒的分类信息不同,因此近红外光谱法建立样品分类识别模型时选择不同主成分建模是有必要的.     

有机堆肥中作物营养元素钾的近红外光谱快速分析

对近红外光谱数据进行小波变换,利用处理后的小波系数,采用偏最小二乘法预测了有机肥料中钾离子(K+)的含量,建立了小波变换与近红外光谱技术结合用于测定奶牛粪便为主的有机堆肥产品样品中无机钾离子测定的模型。结果表明： 小波变换充分提取了近红外光谱的信息,数据压缩为原始大小的3.6%,计算量大大减少;文章利用C4小波系数对48个有机肥料样本进行建模,对42个预示集样本进行预测,预示集的RMSEP(root mean square error of prediction)和r2(correlation coefficient)分别为0.113 8%和0.927,优于原始光谱直接建模的0.167 2%和0.835%。基于小波系数的模型优于传统的全谱模型,对于无机离子(K+)的测定可以取得较为准确的预测结果。     

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.     

应用近红外反射和透射光谱法鉴定玉米杂交种的纯度

探索使用近红外反射和透射光谱法(波长范围908.1~1 677.2 nm)鉴定玉米杂交种纯度,并对两种方法进行比较。对光谱进行一阶导数、矢量归一化的预处理后,使用主成分分析(PCA)和正交线性判别分析(OLDA)提取光谱特征,使用支持向量机(SVM)分别建立两个玉米品种(农华101和京玉16)的种子纯度鉴定模型。反射近红外光谱建立的农华101和京玉16的正确鉴定率分别为100%和90%。但反射光谱法受种子摆放位置的影响很大,胚面和非胚面光谱有较大差异。透射光谱法建立的京玉16和农华101纯度鉴定模型的正确鉴定率均为98%,胚面和非胚面的光谱相似度很高。结果表明,利用近红外反射和透射光谱法鉴定玉米杂交种纯度是可行的;透射光谱法更适于分析单籽粒玉米种子。     

DPLS和SVM的掺假花椒粉近红外光谱定性鉴别

花椒是我国的八大调味料之一。目前花椒市场掺假现象较为多见,为实现掺假花椒粉的快速定性鉴别,采用了近红外光谱结合化学计量学方法进行了探讨。将麦麸粉、稻糠粉、玉米粉和松香粉以1 Wt/Wt.%的递增梯度分别掺入红花椒粉和青花椒粉中,制备掺假浓度范围为1~54 Wt/Wt.%的掺假花椒粉样品,以掺假花椒粉和纯花椒粉共462份样品依次采集其800~2 500 nm范围的漫反射近红外光谱。采用主成分分析法(PCA)对光谱数据进行分析,前3个主成分累计贡献率达98.72%,做出的得分图表明PCA法对掺假的花椒粉具有较好的区域划分。347份样本作为校正集,以特征谱区2 000~2 200 nm范围的257个采样点的光谱信号作为输入,采用判别偏最小二乘法(DPLS)和支持向量机(SVM)建立定性鉴别模型,经不同光谱预处理,对115份验证集样本进行预测,总体鉴别正确率在97.39%~100%之间,表明该方法是快速定性鉴别掺假花椒粉的一个有效手段。     

Thickness measurement of insulation coating by NIR spectrometry based on boosting-KPLS

A novel thickness measurement method for surface insulation coating of silicon steel based on NIR spectrometry is explored.The NIR spectra of insulation coating of silicon steel were collected by acousto-optic tunable filter (AOTF) NIR spectrometer.To make full use of the effective information of NIR spectral data,discrete binary particle swarm optimization (DBPSO) algorithm was used to select the optimal wavelength variates.The new spectral data,composed of absorbance at selected wavelengths,were used to create the thickness quantitative analysis model by kernel partial least squares (KPLS) algorithm coupled with Boosting.The results of contrast experiments showed that the Boosting-KPLS model could efficiently improve the analysis accuracy and speed.It indicates that Boosting-KPLS is a more accurate and robust analysis method than KPLS for NIR spectral analysis.The maximal and minimal absolute error of 30 testing samples is respectively -0.02 μm and 0.19 μm,and the maximal relative error is 14.23％.These analysis results completely meet the practical measurement need.