特征变量优选在苹果可溶性固形物近红外便携式检测中的应用

为实现苹果可溶性固形物(SSC)的便携式快速检测,利用环形光纤探头和微型光谱仪搭建便携式苹果可溶性固形物光谱采集系统,结合无信息变量消除(UVE)、遗传算法(GA)、竞争性自适应加权(CARS)算法筛选基于偏最小二乘(PLS)的苹果可溶性固形物的近红外光谱特征波长。另外,采用反向区间最小二乘支持向量机(BiLS-SVM)和GA算法优选基于LS-SVM的特征波长变量,分别建立所选特征波长和全波段的PLS模型和LS-SVM模型。试验结果表明,经过GA-CARS算法从全波段1 512个波长中筛选出的50个特征波长建立的PLS模型效果最好,其预测相关系数和预测均方根误差分别为0.962和0.403°Brix。利用该检测装置结合GA-CARS筛选的特征波长,可有效简化苹果可溶性固形物近红外便携式检测模型并提高模型的预测精度,为进一步构建便携式苹果可溶性固形物检测设备奠定了基础。     

西瓜检测部位差异对近红外光谱可溶性固形物预测模型的影响

西瓜可溶性固形物含量的无损检测对提升其内部品质十分重要。为实现近红外光谱对小型西瓜表面各部位可溶性固形物含量的准确预测,减小检测部位差异对预测模型的影响,以“京秀”西瓜为研究对象,分别采集赤道、瓜脐和瓜梗三部位的漫透射光谱信息,利用偏最小二乘算法(PLS)建立并比较单一检测部位和混合所有检测部位的西瓜可溶性固形物近红外光谱预测模型,并分别采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对西瓜可溶性固形物近红外光谱变量进行特征波长筛选。结果显示,相比于单一检测部位的模型,混合所有检测部位的校正集样本建立的模型取得了较优的预测结果。同时,利用CARS算法筛选的42个特征波长变量建模,对三种检测部位预测集样本的预测结果分别为赤道R_P=0.892和RMSEP= 0.684 °Brix,瓜脐R_P=0.905和RMSEP= 0.629 °Brix,瓜梗R_P=0.899和RMSEP= 0.721 °Brix。模型得到了很大的简化,且预测精度较高。比较发现,利用SPA算法筛选的19个特征波长变量所建模型的预测精度较低。利用三种检测部位的西瓜样本建立的PLS混合预测模型,结合CARS算法进行有效特征波长变量筛选,可提高西瓜可溶性固形物预测模型的精度,实现西瓜表面各部位可溶性固形物含量的准确预测,减小检测部位差异对近红外光谱预测模型的影响。结果为今后开发便携式设备检测西瓜表面各部位可溶性固形含量提供参考依据。     

苹果可溶性固形物和糖酸比可见/近红外漫反射与漫透射在线检测对比研究

可溶性固形物和糖酸比是苹果内部品质主要评价指标之一。为此进行苹果糖酸比和可溶性固形物可见/近红外漫反射和漫透射对比检测研究。180个冰糖心和红富士样品被分成建模集和预测集(136∶44),分别用于建立偏最小二乘模型和验证模型的预测能力。在运动速度5个/秒时,采集了冰糖心和红富士两种样品的可见近红外光谱。漫反射和漫透射可见近红外光谱经多元散射校正、标准正态变量变换、基线校正等预处理后,建立了偏最小二乘回归模型。未参与建模的44个样品用于评价模型的预测能力,经比较,漫透射检测方式优于漫反射检测方式,主要因为漫透射检测方式能更有效地克服杂散光。可溶性固形物模型预测相关系数达到0.936,预测均方根误差为0.476°Brix;糖酸比模型预测相关系数达到0.785,预测均方根误差为10.94。研究结果表明： 应用可见/近红外漫透射光谱技术,可实现苹果可溶性固形物和糖酸比在线检测。为大宗水果内部品质分选提供了技术支持和参考依据。     

苹果品质检测的可见-近红外激光漫反射光谱图像法的方法研究

利用可见-近红外激光漫反射光谱图像法及化学计量学方法检测了苹果的可溶性固形物含量和硬度。为了消除苹果形状对品质检测的影响,分析了5个不同波长的激光(680,780,880,940和980 nm)照射在富士苹果果面形成的光斑图像,并通过一系列图像处理方法得出了的苹果形状修正算法。分别利用修正前后的光谱图像参数建立苹果可溶性固形物含量和硬度的偏最小二乘回归(PLSR)模型,模型预测值和真实值之间的相关系数从0.78和0.80分别提高到0.87和0.89。为了消除果面镜面反射对苹果内部品质检测的影响,文章提出了象素强度频率检测法,并比较了利用果面光斑图像中光强均值和不同强度对应的象素强度频率建立的苹果硬度和可溶性固形物含量的PLSR模型效果,得出象素强度频率的模型效果更好。苹果可溶性固形物含量和硬度PLSR模型中预测均方根误差(RMSEP)分别从1.28°Brix和8.23 N.cm-2降低到0.84°Brix和6.17 N.cm-2。     

LS-SVM的梨可溶性固形物近红外光谱检测的特征波长筛选

为提高梨可溶性固形物含量(soluble solids content,SSC)的近红外光谱模型的精度和稳定性,以160个梨样品为实验对象,分别对原始光谱、多元散射校正(MSC)和标准正态变量变换(SNV)处理后的光谱,经无信息变量消除算法(UVE)挑选后,再结合遗传算法(GA)和连续投影算法(SPA),筛选梨可溶性固形物的近红外光谱特征波长。将筛选后的波长作为输入变量建立梨可溶性固形物的最小二乘支持向量机(LS-SVM)模型。结果表明经过SNV-UVE-GA-SPA从全波段3112个波长中筛选出的30个特征波长建立的梨可溶性固形物LS-SVM模型效果最好,该模型的预测集相关系数(R_p)和预测均方根误差(RMSEP)分别为0.956和0.271。该模型简单可靠,预测效果好,能满足梨的可溶性固形物含量的快速检测,为在线检测和便携式设备开发提供了理论基础。     

遗传算法在鱼粉中肉骨粉近红外光谱检测中的应用

为了研究近红外光谱模型的优化方法,提高模型的精度.利用遗传算法对64个掺加了肉骨粉的位粉样品近红外光谱进行变量筛选,采用偏最小二乘法回归建模.并用21个样品进行外部验证.遗传算法共选取310个波长变量,相对于全谱的1556个变壁减少了80%,与全谱范围的偏最小二乘法相比,交互验证相关系数(Rcv)从0.80提高剑0.90,交.巨验证均方根误差从5.22%降低到3.62%,预测相关系数(Rv)从0.91提高到0.96,预测均方根误差从3.85%降低到2.95%.模型的稳健性和预测精度都显著提高.试验结果表明遗传算法可以改善近红外光谱法预测鱼粉中肉骨粉含量的效果.     

近红外漫反射光谱检测赣南脐橙可溶性固形物的研究

研究了应用可见-近红外漫反射光谱技术快速检测赣南脐橙可溶性固形物的方法。以40个赣南脐橙为标准样本,利用漫反射光谱测定法获取完整赣南脐橙的可见-近红外光光谱(350～2 500 nm),采用多种光谱校正算法,选取不同的光谱波段范围对水果样本的漫反射二阶光谱进行有效信息的提取和分析,并结合偏最小二乘法和主成分回归等定量校正方法,建立了赣南脐橙可溶性固形物的定量数学模型。实验结果为: 在361～2 488 nm波段范围内,偏最小二乘法校正模型的预测精度最好,校正模型的相关系数为0.929,校正标准偏差和预测标准偏差分别为0.517,0.592,其预测集样本的预测值与真实值的相关系数为0.791。实验结果表明：应用近红外漫反射技术对赣南脐橙可溶性固形物的快速无损检测具有可行性。     

马铃薯近红外光谱无损检测影响因素研究

为提高马铃薯近红外光谱快速无损检测的准确性和稳定性,对比了光纤光源、卤素灯杯光源和环形光源三种光源条件下的光谱,结果显示环形光源的光谱噪声最小,辐照强度与均匀度最好。该工作对光源功率、光源距马铃薯表面距离以及光纤距马铃薯表面检测点距离进行研究,通过三因素三水平响应面试验,评价不同因素水平条件下对马铃薯可溶性固形物含量的光谱模型预测效果,得到最优参数组合为光源功率238.33 W,光纤探头距样品表面距离8.17 mm,光源距样品表面距离370 mm,并建立可溶性固形物定量预测模型。在最优参数条件下,预测偏最小二乘回归模型(PLSR)的相关系数优化到0.867,均方根误差0.149°Brix。为进一步消除设备及环境噪声,通过不同预处理算法降低噪声的干扰,结果显示标准变量排序法去噪效果最好,PLSR预测相关系数可达0.914,预测均方根误差降低到0.132°Brix,既能有效去噪又有较好的预测效果。试验结果表明,响应面试验优化检测环境和条件能有效提高马铃薯品质检测的预测精度,为近红外光谱马铃薯无损检测环境搭建和设备选型提供技术参考。     

不同产地苹果糖度可见近红外光谱在线检测

为了实现不同产地苹果糖度的快速在线无损检测,减少产地差异对近红外光谱检测模型的影响,建立了不同产地苹果糖度的在线检测通用模型。首先,采用水果动态在线检测设备采集了包括栖霞、洛川与会宁3个产地的红富士苹果的漫透射光谱。其次,采用偏最小二乘算法(PLS),结合无信息变量消除(UVE)方法,筛选出58个特征变量,建立了苹果糖度的UVE-PLS通用模型,该模型对个体产地预测集及总预测集的均方根误差分别为0.50～0.74°Brix与0.63°Brix,较原始个体模型分别提高了23.2%～44.4%与35.7%。最后,提出了一个新的外部验证样本集对模型性能进行评价,其残留预测偏差为2.33,预测值在±1.0°Brix和±1.5°Brix误差范围内的占比分别为85%与100%。实验结果表明:建立多个产地苹果糖度的在线检测通用模型,能够提高其他产地样本糖度的预测稳健性,并且采用合适的波长筛选方法能够简化模型。开发不同产地水果内部品质通用模型在波长有限的光谱设备中具有良好的应用潜力。     

苹果可溶性固形物便携式检测实验研究

为实现苹果可溶性固形物的便携式快速检测,搭建了以STS光谱仪和自制样品杯作为光谱检测装置的苹果可溶性固形物便携式检测平台。采用自行设计的检测平台采集了苹果的近红外漫反射光谱,对比分析了不同的光照角度、光源与探头距离对光谱响应特性的影响,建立了苹果可溶性固形物偏最小二乘模型(PLS)和最小二乘支持向量机模型(LS-SVM),采用连续投影算法及主成分分分析法对最小二乘支持向量机模型进行了优化,并对比分析了两种检测模型的优劣。其中当光源距探头距离为15 mm光源角度为45°时,结合偏最小二乘法建立苹果的可溶性固形物定量检测模型精度最高。模型的预测集相关系数为0.924,预测均方根误差为0.334%。实验结果表明,采用四周照射、底部接收并结合避光圈的这种结构布置能够有效的克服杂散光现象并且提高了光谱中的有效信息。研究可为快速、便携的苹果可溶性固形物检测仪器的设计提供参考依据和理论支撑。     

苹果糖度近红外光谱分析模型的温度补偿

温度变化对水果品质近红外评价有很大影响,需要补偿温度波动对模型的影响。文章研究了温度变化(2～42 ℃)对苹果近红外漫反射光谱的影响,采用剔除温度变量法和内校正法补偿温度对模型的影响,提高预测精度。研究表明,温度与光谱信息存在一定相关性, 其模型R2=0.985,RMSEC=1.88,RMSEP=2.32;未进行温度校正模型的预测标准偏差达到2.55;采用复合预处理方法和改进的遗传算法对光谱数据优化,剔除温度变量法模型的R2=0.954,RMSEC=0.63,RMSEP₁=0.72,RMSEP₂=0.74;内校正法的模型R2=0.952,RMSEC=0.64,RMSEP₁=0.69,RMSEP₂=0.68;相比未进行温度补偿模型均提高了预测精度。结果显示：温度对苹果近红外光谱影响呈非线性变化,剔除温度变量法和内校正法可用于补偿温度对模型的影响,可提高模型预测精度。     

基于近红外反射光谱的洋葱可溶性固体物检测

研究利用近红外(924～1 720 nm)反射光谱预测了洋葱的可溶性固体物含量。实验选取了三种不同产地和不同采收期的洋葱为样本(268)。在重复采集光谱数据之后,榨取对应光谱采集处洋葱块汁,测定可溶性固体物参考值。研究对比了Savitzky-Golay平滑、散射校正和微分处理等预处理方法,同时基于偏最小二乘回归方法建立了统计模型。结果表明,带S-G平滑的微分处理在平滑窗口为32,跨度为10时效果最佳。一阶微分比二阶微分的预处理效果要好,预测复相关系数R2为0.87,均方根误差RMSEP为2.42 °Brix。对比显示,无平滑处理光谱数据散射校正预处理得到的结果最好,预测复相关系数R2为0.88(RMSEP=2.31 °Brix)。采用交叉验证得到的PLSR模型预测复相关系数R2为0.90,RMSEP为1.84 °Brix,其相对分析误差RPD为3。说明加散射校正处理的近红外反射光谱可用于洋葱的可溶性固体物检测。     

遗传算法结合偏最小二乘法无损评价西洋梨糖度

基于遗传算法的波段选择法在组合优化问题上具有很大的搜索优势,适应性很广。文章将该方法应用于西洋梨糖度近红外光谱分析中,探讨数据优化筛选的可行性。光谱经多元散射校正或标准归一化处理后进行波段选择,选择结果与样品中被测成分有关, 4个品种洋梨的最佳个体染色体编码有一定共性。分别建立了四种洋梨的GA-PLS模型和全谱模型,早红考密斯、五九香、凯斯凯德和康佛伦斯的GA-PLS建模数据点分别从1 557减少到了434,496,310和496。GA-PLS/Fr-PLS模型的预测标准偏差分别为0.428/0.518,0.696/0.694,0.425/0.421和0.567/0.633, 其中早红考密斯和康佛伦斯GA-PLS模型的预测精度明显优于全谱模型,而五九香和凯斯凯德的GA-PLS模型与全谱模型相近。结果表明,遗传算法用于PLS建立西洋梨糖度校正模型前的数据优化筛选是可行的, 有效提高测量精度, 减少建模变量。     

新鲜苹果汁可溶性固形物含量的傅里叶变换近红外光谱检测

用傅里叶变换近红外(FTNIR)光谱透射方式对新鲜苹果汁溶性固形物含量(SSC)进行了快速定量分析。实验共测定了60个果汁样品的SSC,并采集了样品的近红外光谱数据。42个样品用来建模,剩下的18个用来验证模型的性能。对实验室测得的SSC与FTNIR光谱数据进行相关性分析,以TQ 6.2.1定量分析软件中集成的主成分回归法(PCR)和偏最小二乘回归法(PLS)建立了检测模型。该研究对比了不同光谱范围内建立的检测模型的性能。根据预测平方根误差(RMSEP)和相关系数(r2)进行不同模型的预测性能,最好的新鲜苹果汁SSC预测模型的RMSEP＝0.603 0Brix,r2＝0.997。结果表明FT-NIR可以作为一种可靠、准确、快速的无损检测方法来评价新鲜果汁的可溶性固形物含量。     

基于Slope/Bias算法的相近种类水果模型传递研究

为了提升便携式近红外仪器中单一水果模型应用的广泛性,创新性的将不同仪器间模型传递的思想应用在不同种类水果间可溶性固形物(soluble solid content,SSC)的模型传递。基于苹果、梨、桃三种水果在SSC含量范围、果型大小以及果皮厚度等的相近物理化学特性,提出利用简单的斜率/截距(Slope/Bias)算法对苹果SSC的偏最小二乘(partial least square,PLS)模型进行传递,仅用少量的梨和桃样品即可将苹果SSC模型应用于其SSC值的预测,更快捷方便且节约成本。对于梨样品,用35个标准样品,预测集均方根误差(root mean square error of prediction,RMSEP)值由直接预测的1.009°Brix降为0.565°Brix;对于桃样品,用40个标准样品,RMSEP由直接预测的1.726°Brix降为0.677°Brix。为了验证该模型传递方法的可行性,通过斜率/截距算法,采用梨和桃模型对其他两种水果的SSC进行预测,其中利用建立的梨SSC模型,经斜率/截距算法模型传递后,对于苹果样品,用30个标准样品,RMSEP值达到0.597°Brix,对于桃样品,用40个标准样品,RMSEP值达到0.689°Brix;利用建立的桃SSC模型,经斜率/截距算法模型传递后,对于苹果样品,用35个标准样品,RMSEP值达到0.654°Brix,对于梨样品,用30个标准样品,RMSEP值达到0.439°Brix。研究结果表明:斜率/截距(Slope/Bias)方法可用于苹果、梨、桃等相近种类水果间的模型传递,为近红外光谱仪在相似种类物质间的预测提供了新思路。     

基于光谱技术的Bipls算法结合CARS算法的苹果可溶性固形物含量检测

可溶性固形物含量是判断苹果内部品质的重要参考属性之一。利用高光谱技术获取苹果感兴趣区域的反射光谱,以S-G平滑(Savitzky-Golay smoothing)和直接正交信号校正(Direct orthogonal signal correction, DOSC)算法对光谱数据进行梯度预处理后,用后向区间偏最小二乘法(Bipls)优选出3,5,6,7,8,9,13,14,15,16,17,18,19,20,21,23等16个子区间,共计177个波长。结合竞争自适应重加权采样算法(CARS)再作进一步筛选,提取出449.6,512.9,544.8,547.2,594.3,596.8,928.2 nm等7个特征波长,利用偏最小二乘算法(PLS)建立基于特征波长的可溶性固形物含量检测模型,所得模型评价为R_c=0.906 2,RMSEC为0.482 2,R_p=0.871 6,RMSEP为0.614 0。该算法模型预测性能同Bipls和Bipls-SPA模型相比更为优异,证明了Bipls结合CARS算法在提高苹果可溶性固体物含量检测精度方面的有效性。     

可见/近红外漫透射光谱结合CARS变量优选预测脐橙可溶性固形物

可溶性固形物(SSC)是脐橙重要内部品质之一。采用QualitySpec型光谱仪在350～1000 nm波段范围采集脐橙的可见/近红外漫透射光谱,采用CARS(competitive adaptive reweighted sampling)变量选择方法筛选出与脐橙SSC相关的重要变量,并与无信息变量消除(UVE)及连续投影算法(SPA)比较。最后,对选择的38个重要波长变量应用偏最小二乘(PLS)回归建立脐橙SSC预测模型,并对未参与建模的75个样品进行预测。研究结果表明,CARS方法优于UVE及SPA变量选择方法,能有效地筛选出重要波长变量。CARS-PLS建立的SSC预测模型优于全光谱的PLS模型,其校正集及预测集的相关系数分别为0.948和0.917,均方根误差分别为0.347%和0.394%。因此,可见/近红外漫透射光谱结合CARS方法可以预测脐橙可溶性固形物,CARS变量选择方法能有效简化预测模型和提高模型的预测精度。