近红外光谱的李果实褐变鉴别方法研究

在采后冷藏过程中,李果实很容易发生褐变,这是影响其品质的重要因素之一。有关李果实褐变的传统检验手段绝大多数为破坏性检验,且主观性强、一致性差。为此,使用了近红外光谱的方法来实现对李果实褐变和非褐变的无损、快速鉴别。采集4 000～12 500 cm-1波长范围内的124个李果实样品(褐变样品70个,非褐变样品54个)的近红外漫反射光谱,基于主成分分析的马氏距离判别分析和反向传播人工神经网络定性鉴别模型,通过比较和考察上述模型对褐变样品和非褐变样品识别的准确程度,筛选出能够有效鉴别李果实褐变的新方法。结果表明：在对样品全波段光谱数据做主成分分析后,以前10主成分得分作为输入变量所建立起来的马氏距离判别分析和反向传播人工神经网络模型均能够对李果实褐变与否进行有效识别,且后者判别效果更佳,其校正集和预测集的判别正确率分别为100%和97.56%,对非褐变样品和褐变样品的判别正确率分别达到100%和98.57%。因此,采用近红外光谱分析技术并结合化学计量学方法能够对李果实是否褐变进行快速、无损、有效的鉴别。     

基于近红外光谱和化学计量学的驴肉鉴别方法研究

驴肉具有极高的食用价值,资源的缺乏使其价格持续走高,由此引发的欺骗和掺假亟待解决。选取了不同部位(脖子、肋板、后墩和腱子)的驴肉样品(n=167)及牛肉(n=47)、猪肉(n=51)和羊肉(n=32)样品在4 000~12 500cm-1光谱范围上建立了驴肉的近红外光谱鉴别模型。比较了马氏距离判别分析、簇类独立软模式分类法、最小二乘-支持向量机方法分别结合平滑(5点、15点及25点)、一阶和二阶微分、多元散射校正和标准归一化的光谱预处理方法对肉块样品及大中小三个不同粉碎粒径(7,5,3mm)肉糜样品的分类模型结果发现,原始光谱前11个主成分得分作为输入的马氏距离判别及前6个主成分作为输入的最小二乘-支持向量机肉块样品分类模型较优,校正集和预测集正确率分别为100%和98.96%;原始光谱前5个主成分作为输入的LS-SVM大粒径肉糜样品分类模型结果较优,校正集和预测集判别正确率为100%和97.53%;原始光谱前8个主成分得分作为输入的簇类独立软模式分类法中粒径肉糜样品分类模型结果较优,校正集和预测集的判别正确率均为100%;而对于小粒径肉糜样品,原始光谱前7主成分输入的马氏距离判别和前9主成分输入的簇类独立软模式分类法模型均得到了校正集和预测集100%的判别正确率。以上模型中的驴肉样品均得到了100%的判别正确率。研究结果表明,使用近红外光谱分析技术结合化学计量学方法鉴别驴肉是可行的。     

近红外透射光谱结合判别分析方法在汽车制动液品牌与新旧鉴别中的应用研究

采用近红外透射光谱研究了汽车制动液品牌及新旧的鉴别。采集宝马(BMW),丰田(Toyota),沃尔沃(Volvo)以及嘉实多(Castrol)四种品牌的汽车制动液全新样本以及用过的样本的透射光谱。分别对每一种品牌下全新与用过汽车制动液样本的光谱数据进行主成分分析(PCA),主成分得分图表明不同品牌制动液以及该品牌下全新样本以及用过的样本能够被较好的区分,其光谱特性存在差异。基于主成分载荷(Loadings)进行特征波数选择,偏最小二乘判别分析(PLS-DA),线性判别分析(LDA),簇类独立软模式法(SIMCA),k最邻近分类算法(KNN),随机森林(RF),误差反向传播人工神经网络(BPNN),径向基神经网络(RBFNN),极限学习机(ELM),支持向量机(SVM),最小二乘支持向量机(LS-SVM)等判别分析方法用于建立基于特征波数的判别分析模型,判别模型的建模集和预测集判别正确率均略低于或达到了100%。与其他三种品牌汽车制动液相比,嘉实多全新样本与用过样本的差异较小,KNN与LS-SVM模型的建模集正确率均低于100%。结果表明,近红外透射光谱结合特征波长选择以及判别分析模型对不同品牌制动液以及同一品牌下全新样本以及用过的样本进行识别是可行的,为开发在线或便携式仪器提供理论支持。     

近红外光谱和模式识别的菊花品种无损鉴别

菊花为菊科植物菊的头状花序,滁菊、贡菊、杭菊和亳菊是常见的几类药用品种菊花。不同品种菊花在外观上具有极大的相似性,非专业人员仅凭肉眼难以对其进行准确鉴别分析。常规仪器分析法检测成本较高,分析时间较长,且需要对样品进行破坏性处理,影响了产品的二次销售。近红外光谱技术作为近年来快速发展起来的一种绿色、简单、快速的新型检测技术,在中药鉴别领域取得了很大的进展。基于便携式近红外光谱仪结合化学计量学方法建立了一种菊花品种无损鉴别方法。利用便携式近红外光谱仪采集了滁菊、贡菊、杭菊和亳菊完整以及粉末状两种物理形态样品的光谱,采用单一以及组合光谱预处理方法消除光谱中存在的干扰,结合不同模式识别方法（主成分分析法、软独立模式分类法和Fisher线性判别分析法）分别构建了不同品种菊花的鉴别模型。结果表明：由于仪器的限制及样品物理性状的原因,光谱中存在较为明显的背景、基线漂移以及噪声的干扰,完整样品由于物理性状的原因,基线漂移干扰尤为严重;采用主成分分析法结合光谱预处理方法无法实现不同品种菊花的准确鉴别,完整样品最佳鉴别正确率仅为8.33%,粉末样品最佳鉴别正确率为52.38%;通过软独立模式分类法结合预处理方法可以得到较为准确的鉴别结果,完整样品光谱数据经一阶导数+多元散射校正优化后鉴别正确率为95%,粉末状样品数据采用原始数据的鉴别正确率为92.5%;Fisher线性判别分析方法结果最佳,完整样品数据经连续小波变换优化后可以得到97.5%的鉴别正确率,粉末状样品采用原始光谱便可得到100%鉴别正确率。以上结果表明,当采用合适的预处理和建模方法,完整样品和粉末状样品鉴别结果较为一致,基于便携式近红外光谱仪结合化学计量学可实现对不同品种菊花的准确无损鉴别分析,为食药同源产品的无损鉴别分析提供了新途径。     

基于近红外光谱的粳稻种子快速鉴别方法研究

黑龙江省是我国最大的粳稻产区和商品粮生产基地。水稻种植过程中,选择合适的水稻品种是实现高产的关键环节。在农业生产中,水稻品种的选择受多方面因素影响,一般说来,同一积温带所种植的不同水稻品种在外观上差别不大,甚至没有差别,很难通过肉眼观察进行准确区分。为了快速鉴别肉眼不便区分的不同类别粳稻种子,提出了一种基于近红外光谱技术的粳稻品种快速无损鉴别方法。以黑龙江垦区大量种植的3种不同品种的粳稻种子（垦粳5号、垦粳6号和绥粳4号）作为研究对象,每个品种选取40个样本,其中30个样本做为建模集,10个样本作为预测集,扫描获取全部120个样本的近红外光谱数据。对原始光谱数据（11 520～4 000 cm-1）两端进行裁剪,选取吸光度较强的8 250～5 779cm-1范围内的光谱数据进行研究。首先建立参照模型,即直接对光谱数据建立BP模型1, 同时光谱数据经过一阶导数和Savitzky-Golay平滑预处理后建立BP模型2。模型1的分类正确率为93.3%,预测集均方根误差RMSEP=0.232 8,迭代时间t=3 882.9 s。模型2的分类正确率为100%,RMSEP=0.070 6,迭代时间t=954.5 s。比较两种模型的评价参数RMSEP发现FD+SG预处理可以提高模型的预测能力,但是由于两种模型未进行降维处理,数据量过大,模型的输入节点过多,迭代时间太长,不利于实际应用。因此利用小波变换多分辨率的特点对数据进行降维处理,采用预测集残差平方和Press值作为评价指标,在多个小波类别和参数中选取分解尺度为5的sym2（symlet2）小波对光谱数据进行压缩和降维处理,将光谱数据由601维降到21维。以小波变换结果作为神经网络输入,建立模型3,并与模型1比较,模型3的分类正确率为93.3%, RMSEP=0.225 0, 迭代时间t缩短至198.9 s,比较结果显示小波降维可以减少神经网络的输入,简化神经网络的结构,从而提高迭代速度,但对提高模型的预测能力效果不明显。上述三种模型比较结果表明,FD+SG预处理可以提高模型的预测能力,小波降维可以提高模型的迭代速度,综合上述三种模型的比较结果分析,最终建立“FD+SG+小波降维”的21输入、15个隐层、3个输出的神经网络鉴别模型4,其分类正确率达100%,RMSEP=0.029 3, 迭代时间为98.8 s,表明模型4能够完全实现对三种不同水稻品种的快速、准确、无损鉴别。因此,所提出的基于近红外光谱的小波降维和反向传播人工神经网络鉴别模型的方法完全可以用于粳稻种子的快速无损鉴别,同时也为其他农作物种子的快速鉴别提供了参考。     

玉米品种近红外光谱的特征分析与鉴别方法

以玉米种子的4 000~12 000 cm-1波段的漫反射近红外光谱为研究对象,提出了一种鉴别玉米品种的新方法。采用主成分分析法(PCA)来研究数据特征,发现近红外光谱在特征空间中具有显著的长条状分布特征,为此我们研究了改变样本点在PCA空间中的分布对品种鉴别的影响,并提出了归一化主成分分析(NPCA)的特征提取算法,同时还根据近红外光谱的数据分布特点提出了一种主方向仿生模式识别的分类算法,进一步提高了鉴别正确率。鉴别模型对第一测试集的平均正确识别率达到了97.67%,平均正确拒识率达到了98.40%,30个品种中的13个达到了100%的正确识别率;对第二测试集的平均正确拒识率达到了98.90%,有11个品种达到了100%的正确拒识率,具有较高的鉴别准确度。     

一种基于可见-近红外光谱快速鉴别茶叶品种的新方法

提出了一种用可见-近红外光谱技术快速无损鉴别茶叶品种的新方法。应用可见-近红外光谱仪测定5个品种茶叶的光谱曲线,用主成分分析法对不同品种茶叶进行聚类分析并获得茶叶的可见-近红外光谱数据的主成分,再结合人工神经网络技术建立模型进行品种鉴别。主成分分析表明,以主成分1和2对所有建模样本的得分值做出的得分图,对不同种类茶叶具有较好的聚类作用,可以定性分析茶叶种类。把主成分分析得到的前6个主成分作为神经网络的输入,茶叶品种值作为神经网络的输出,通过5个茶叶品种共125个样本的训练和学习,建立了茶叶品种鉴别的3层BP人工神经网络模型,对未知的25个样本进行鉴别,品种识别准确率达到100%。说明本文提出的方法具有很好的分类和鉴别作用,为茶叶的品种快速鉴别提供了一种新方法。     

近红外光谱鉴别鲜枣品种及裂果研究

我国的鲜食枣品种多样, 不同的品种其肉质有差异, 其食用品质也有差别。此外, 鲜枣收获时有裂果,裂果导致其果肉外露,腐烂变酸,失去食用价值, 并且腐烂变质的水果,很容易传染给完整果,因此有必要将裂果和完整果进行分开贮藏,以减少损失。本研究采用近红外光谱快速鉴别鲜枣品种及裂果。以室温(20 ℃)贮藏的鲜枣为研究对象,应用近红外光谱,对2个不同品种的鲜枣进行光谱分析, 采用平滑法、多元散射校正、一阶微分和二阶微分方法对光谱进行预处理, 再用回归关系法和主成分分析法进行波数选择,建立3层人工神经网络鉴别模型, 结果表明, 鲜枣品种和裂果鉴别的正确率均可达100%, 可鉴别鲜枣品种和裂果, 以减少鲜枣贮藏的损失。说明近红外光谱可以实现鉴别冬枣和梨枣品种, 以及正确的识别完整果和裂果,为鲜枣的分类贮藏和加工提供理论依据。     

基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究

研究了人工神经网络在激光诱导击穿光谱(LIBS)塑料分类识别方面的应用。选用七种常见的塑料作为实验样品,获得每种样品的170组LIBS光谱数据,利用主成分分析获得前五个主成分的得分矩阵。用每种塑料样品的130组光谱数据的主成分得分矩阵作为训练集,建立反向传播(BP)人工神经网络模型。将其余40组主成分得分作为测试数据输入训练好的模型进行分类识别,其识别准确度达到97.5%。实验结果表明,通过采用主成分分析与BP人工神经网络相结合的方法,可以很好地进行塑料激光诱导击穿光谱的分类识别,对塑料的回收利用有重要价值。     

神经网络模型在LED便携式近红外整粒小麦成分测量仪上的建立

采用三层反向传播人工神经网络,在LED便携式近红外整粒小麦成分测量仪上,建立了测定整粒小麦中粗蛋白含量的定量分析模型。给出了LED便携式近红外整粒小麦成分测量仪的结构框图、光路结构图及所采集的整粒小麦样品光谱图。简介了人工神经网络的原理并给出了建模的结果。用人工神经网络建立模型,得到校准集和预测集的相关系数分别为0.90和0.96,相对标准偏差分别为3.77%和4.46%。在所使用的有限个分立波长的测定仪上,由于仪器光路、电路及整粒样品状态的影响,存在着一定的非线性。采用人工神经网络建立的模型,其结果优于线性模型的结果。     

基于可见/近红外光谱的水稻品种快速鉴别研究

提出了一种应用可见/近红外光谱技术与化学计量学相结合的快速、无损鉴别稻谷品种的新方法。收集了5个品种水稻共150个样本作为实验样本,通过可见/近红外光谱仪扫描这些样本获得了从350 nm到1 075 nm波长范围的光谱信息。将样本的光谱信息进行小波分解以消除高频噪声。将去噪声后的光谱数据经主成分分析压缩成数目较少的新变量(主成分),压缩得到的前4个主成分能够解释99.891%的原始光谱信息。将前4个主成分作为BP神经网络的输入,不同水稻品种值的二进制代码值作为BP神经网络的输出,建立稻谷品种的模式识别模型。模型的预测误差阈值是0.2,模型是3层网络结构,各层的节点分别是4,9和3。150个样本被随机的分成包含100个样本的建模集和50个样本的预测集。结果表明,预测未知的50个样本的正确率达到96%。说明该方法具有较高的鉴别准确度,为稻谷品种的快速无损鉴别提供了一种新的方法。     

应用可见-近红外光谱技术进行白醋品牌和pH值的快速检测

提出了一种基于可见-近红外透射光谱技术快速判别白醋品牌和测定pH值的方法。应用可见-近红外透射光谱获取不同品牌白醋的透射光谱曲线,并对获得的原始光谱数据进行平滑、变量标准化以及一阶导数等预处理,然后利用主成分分析对原始光谱数据进行聚类分析,根据主成分的累计贡献率选取主成分数,并将所选取的主成分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,得到三层优化神经网络结构：5输入层节点,6隐含层节点和2输出层节点,各层传递函数均采用Sigmoid函数。利用该模型对预测集样本进行预测。实验结果表明在阈值设定为±0.1的情况下该模型对预测集样本品牌鉴别准确率达到了100%,pH预测值与实际测量值偏差小于5%,得到了理想的结果。所以利用可见-近红外光谱技术结合主成分分析和神经网络算法能够快速准确的判定白醋品牌和pH值。     

基于多光谱图像颜色特征的茶叶分类研究

提出了一种利用多光谱图像颜色特征进行茶叶分类的新方法,对两种颜色几乎一样用肉眼几乎不能分辨的茶叶进行了分类。图像由MS3100-3CCD光谱成像仪和普通数码相机同时获得,光谱成像仪提供3个波段的图像,由近红外(NIR)、红色(R)和绿色(G)组成,因此它比普通数码照相机包含更丰富的信息,特别NIR波段的图像对有机物的颜色比可见光敏感。提取3CCD光谱成像仪和普通数码照相机各个波段图像颜色的特征即像素偏方差值和平均值进行统计分析,用多光谱图像的NIR图像所提供颜色信息能够辨别这两种颜色几乎一样的茶叶,而普通数码相机无法提供信息进行识别。然后应用人工神经网络技术,对NIR图像像素偏方差值和平均值这两个参数进行建模,建模样本40个,每个样本为20个,预测样本20个,每个样本为10个。结果表明,在阈值为0.3,对两种茶叶进行分类得到了100%识别率,此研究为茶叶的分类提供一种快速和无损的新方法。     

基于可见近红外光谱分析技术的马铃薯品种鉴别方法

基于可见-近红外光谱分析技术,提出了一种快速鉴别马铃薯品种的方法。以三种不同品种共计352个样本的马铃薯作为主要研究对象,随机将其分为建模集(307个样本)和预测集(45个样本)。对其中的建模集样品进行可见-近红外光谱分析,将获取的光谱图像通过多元散射校正(MSC)和窗口大小为9的Savitzky-Golay(S-G)一阶卷积求导方法预处理,消除颗粒大小、表面散射及光程变化对漫反射光谱影响,降低原始光谱曲线的随机噪声影响。然后用偏最小二乘法(PLS)对数据进行降维、压缩,使用主成分分析方法(PCA)获得的前4个主成分累计贡献率达到96%以上,并从前4个主成分图谱中提取20个吸收峰作为输入变量,经过试验,得到一个20(输入)-12(隐含)-3(输出)结构的3层BP神经网络。最后利用该模型对预测集样本进行品种鉴别,识别正确率达到100%。此方法能较为快速、准确地鉴别马铃薯的品种,为马铃薯品质检测与鉴别提供了新思路。     

可见-近红外光谱用于鉴别山羊绒与细支绵羊毛的研究

近红外光谱作为快速、无损的检测技术,近年来在国内外越来越受到广泛关注。针对山羊绒与细支绵羊毛的可见／近红外光谱的特点,提出了应用主成分分析(PCA)结合人工神经网络（ANN）进行山 羊绒与细支绵羊毛的鉴别,并建立了羊毛、羊绒分析模型。应用可见／近红外反射光谱获取山羊绒与细支绵羊毛的光谱曲线,利用主成分分析对原始光谱数据进行处理,根据主成分的累计贡献率99.8%选 取主成分数6,并将所选取的6个主成分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,用优化的BP神经网络模型对预测集样本进行预测。实验结果表明,16个未知样本的鉴别全部 正确,表明可见／近红外光谱结合主成分分析和神经网络技术对山羊绒与细支绵羊毛进行快速鉴别是可行的。     

近红外光谱结合一类支持向量机算法检测鸡蛋的新鲜度

研究利用近红外光谱技术结合模式识别方法识别鸡蛋的新鲜度,在识别模型建立过程中,引入一类支持向量机(OC-SVM)算法解决新鲜蛋和非新鲜蛋训练样本数量不平衡问题。首先获取鸡蛋在10 000～4 000 cm-1范围内的近红外漫反射光谱,通过主成分分析方法提取光谱数据中的特征信息,优选了3个主成分作为模型的输入向量,然后采用OC-SVM区分新鲜蛋和非新鲜蛋。在模型建立过程中,对相关参数进行了优化,试验结果显示在相同条件下,OC-SVM模型识别结果较传统的支持向量机模型好。最优OC-SVM模型对新鲜蛋和非新鲜蛋的识别率均为80%,传统的支持向量机对新鲜度的识别率为100%,对非新鲜度的识别率却为0%。研究结果表明利用近红外光谱快速识别鸡蛋新鲜度方法是可行的;OC-SVM算法为训练样本数量不平衡提供了一种有效的解决方法。     

近红外光谱法快速测定植物油中脂肪酸含量

应用近红外光谱技术建立了快速测定植物油中4种脂肪酸含量的方法。应用气相色谱法测定52个植物油样品中棕榈酸(C16：0)、硬脂酸(C18：0)、油酸(C18：1)和亚油酸(C18：2)的含量作为其化学值(真值)。建模集样品数为41,检验集样品数为11,通过对模型的优化,结果表明建模样品集脂肪酸的化学值(真值)与近红外预测值的相关系数r分别为：r(C16：0)=0.891,r(C18：0)=0.837,r(C18：1)=0.982,r(C18：2)=0.971。检验样品集脂肪酸的化学值与近红外预测值的相关系数分别为0.921,0.891,0.946和0.949。实验结果表明气相色谱法测得的植物油中四种脂肪酸含量与近红外预测值之间存在较好的线性关系。应用近红外光谱法测定植物油中主要脂肪酸的含量是可行的。该方法既快速、方便,又可进行同一样品的多组分分析,有很好的应用前景。     

近红外光谱结合主成分分析和BP神经网络的转基因大豆无损鉴别研究

为探究无损鉴别转基因大豆的可行性,利用近红外光谱分析仪对大豆扫描得到反射光谱,应用主成分分析结合BP神经网络方法进行分析鉴别。首先应用主成分分析法,得到包含大豆99.03%的光谱信息的6个主成分,再将其作为BP神经网络的输入,对应的大豆种类作为输出,建立一个三层BP神经网络模型。该模型对于转基因大豆的正确识别率为100%,说明近红外光谱结合主成分分析和BP神经网络的方法能无损快速准确地鉴别转基因大豆。     

葡萄浆果糖度可见/近红外光谱检测的研究

针对可见/近红外光谱与水果糖度存在非线性相关的特点,利用漫反射光谱测定方法获取了葡萄浆果的可见/近红外光谱,提出了应用偏最小二乘（PLS）结合人工神经网络（ANN）建立葡萄浆果糖度的预测模型,利用偏最小二乘法（PLS）对原始光谱数据进行处理,得出交叉检验的最佳主因子数为3,并将3个主因子的得分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,用优化的BP神经网络模型对预测集样本进行预测。PLS-ANN模型对样本的预测模型检验参数r2为0.908,RMSEP为0.112,Bias为0.013,好于只使用PLS模型的预测模型检验参数r2为0.863,RMSEP为0.171, Bias为0.024。结果表明,利用近红外光谱技术无损检测葡萄浆果糖度等内部品质是可行的,为今后进一步分析建立浆果内部品质预测模型奠定了基础。     

近红外光谱结合人工神经网络分析蔗汁的锤度和旋光度

应用中波近红外(NIR)光谱结合误差反传人工神经网络(BP-ANN)方法,建立蔗汁锤度、旋光度的定量分析模型。光谱范围为1 000～1 800 nm,采用2 mm光程透射方式获得蔗汁吸光度光谱。对蔗汁的吸光度光谱进行Savitzky-Golay求导和均值中心化处理,然后通过相关系数法结合样品特征吸收优化建模波长范围,再采用PLS降维获取主成分并输入BP-ANN建立校正模型,用验证样品对校正模型进行验证。结果显示,BP-ANN法建立的锤度和旋光度的预测相关系数(R2)分别为0.982,0.979,预测标准偏差(SEP)分别为0.159和0.137,均优于偏最小二乘(PLS)建模方法结果,可较好地用于蔗汁锤度、旋光度的快速测定。