排序方式: 共有93条查询结果,搜索用时 93 毫秒
81.
在水果的品质检测和分级分选中,存在不同仪器所建检测模型难以共享的难题。为此,以壶瓶枣为研究对象,利用可见/近红外光谱技术探讨仪器间可溶性固形物含量(SSC)检测模型的传递方法。首先,采用美国ASD(Analytical Spectral Device)公司生产的两台仪器采集样本的光谱信息,采用最小二乘支持向量机(LS-SVM)建立原始光谱、Savitzky-Golay一阶导数处理、标准正态变量变换后的SSC检测模型,预测不同仪器采集的光谱时3种方法的预测能力均较差。预测同一台仪器的光谱时,基于原始光谱的主仪器所建模型最优,预测集的决定系数(R2p)和均方根误差(RMSEP)分别为0.73和1.36%。在此基础上,采用Kennard/Stone算法选取标样,利用专利算法(Shenk’s)、直接标准化(DS)、斜率/偏差算法(S/B)进行模型传递。然后,根据回归系数提取主仪器(24个)和从仪器(28个)的特征波长,优选出单一变量(SV)24个、共性变量(CV)23个、融合变量(FV)29个,均涵盖了SSC的主要吸收谱带。利用优选的变量分别建立主仪器的LS-SVM检测模型,采用主仪器的预测结果(R2p=0.78~0.80,RMSEP=1.07%~1.13%)明显好于全波段所建模型,但预测从仪器时RMSEP为6.62%~7.88%,模型失效。最后,基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正(CV-MC)、单一变量优选结合差值补正、融合变量优选结合差值补正、共性变量优选结合波长补正算法(CV-WC)进行模型传递,并与SV-Shenk’s,CV-Shenk’s,FV-Shenk’s,SV-DS,CV-DS,FV-DS,SV-S/B,CV-S/B和FV-S/B进行对比分析。结果表明,基于全波段进行模型传递时,预测结果均较差(R2p=0.03~0.34,RMSEP=2.44%~4.67%);基于优选变量所建模型经SV-Shenk’s,CV-Shenk’s,FV-Shenk’s传递后的结果较差,经其他算法传递后的结果(R2p=0.47~0.73,RMSEP=1.30%~1.90%)好于全波段;基于共性变量传递后的结果好于单一变量和融合变量,CV-MC结果最佳(R2p=0.73,RMSEP=1.30%),CV-WC传递后的预测结果(RMSEP=1.62%)与CV-DS和CV-S/B相近。研究表明,CV-MC和CV-WC均是一种有效模型传递算法,对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。 相似文献
82.
土壤有机质(SOM)是植物生长必需的营养物质,也是土壤属性检测的重要参数。快速、高效地获取土壤有机质信息对精细农业的发展具有重要意义。近红外光谱技术具有快捷、低成本等优势,被广泛应用到土壤有机质的测量中,然而土壤水分在近红外光谱(780~2 500 nm)中具有很强的吸收特性,对土壤有机质的检测形成了一定的干扰。分析了50个土样在不同含水率(约17%,15%,10%,5%和干土)下的近红外吸光度谱图特性,利用水分敏感波段2 210, 1 415和1 929 nm构建了水分修正系数(MDI),并在此基础上对不同含水率土样进行了重构,以消除水分对土壤有机质预测模型的影响。结果如下:(1)经MDI校正重构后的吸光度谱图与对应的干土土样吸光度谱图相近,能较好地反映其干土土样的吸光度谱图特性。(2)采用偏最小二乘(PLS)法建立了干土土样的有机质定量预测模型,并对重构后的不同含水率土样进行了预测,其统计参数分别为:预测相关系数(RP)0.90,预测标准误差(SEP)0.802和预测均方根误差(RMSEP)1.09;与原始未经MDI校正的预测结果相比,相关系数上升了0.032,预测标准误差降低了0.113,预测均方根误差降低了0.25。结果表明,本研究提出的水分校正算法可以降低水分对土壤有机质预测的干扰,提高利用干土土样有机质定量预测模型预测不同含水率土样的精度,可为基于近红外光谱技术的土壤有机质实时测定技术的推广提供理论依据。 相似文献
83.
以荧光素酰肼与5-溴水杨醛反应合成了一种新型荧光素衍生物5-溴水杨醛荧光素腙(BSFH),采用红外、核磁、质谱、元素分析等技术手段对其进行了表征。 通过吸收光谱考察了在水溶液中BSFH对常见金属离子的选择性响应,发现BSFH在可见光区几乎无吸收,当加入常见金属离子时,吸收光谱上除了Cu2+之外的其它金属离子在496 nm处出现非常弱的吸收,而当Cu2+存在时,可以裸眼看到溶液颜色迅速从无色变为黄色,吸收光谱上在496 nm处出现了相对很强的吸收峰,并且随着Cu2+浓度的增加溶液的吸收强度不断增强,说明在水溶液中BSFH对Cu2+有很好的选择性。 实验结果表明,该化合物与Cu2+的化学计量比为1:1,Cu2+浓度线性范围为0.30~10 μmol/L,许多常见的金属离子不干扰Cu2+的测定,检测限为0.30 μmol/L,说明在水溶液中BSFH对铜离子具有很高的灵敏度。 据此,BSFH可以简单、快速、灵敏地在水溶液中识别和检测低浓度的铜离子。 相似文献
84.
研制了一套基于激光诱导击穿光谱(LIBS)的化验室水泥质量检测设备,可对水泥生熟料成分及率值进行快速检测。对该设备的总体结构、光学系统、样本制备、光谱处理方法等几方面进行了介绍。通过内标法建立定标模型,将LIBS测量结果与X射线荧光光谱分析(XRF)结果进行了对比分析,该套LIBS设备对水泥生熟料中CaO,SiO2,Al2O3和Fe2O3测量的平均绝对误差分别为0.46%,0.25%,0.13%和0.05%,对水泥熟料率值KH,SM,IM测量的平均绝对误差分别为0.02,0.05和0.04;通过计算激发产生的等离子体温度和电子密度,验证了激光诱导水泥等离子体处于局部热平衡(LTE)态。 相似文献
85.
水分对土壤有机质检测影响的光谱特性分析及抗水分干扰模型建立 总被引:2,自引:0,他引:2
土壤水分对光谱表现出很强的吸收性,且土壤水分与土壤有机质的吸收波段有重叠,因此土壤水分对土壤有机质的检测造成一定的干扰。为此做了以下工作:(1)采用可见近红外光谱仪在室内获取相同含水率下不同土壤动态光谱图;(2)通过对相同含水率下不同有机质含量的二维同步相关光谱图分析得出:当土壤为烘干土样时,600和1 660 nm左右表征土壤有机质的波段出现强的自相关峰,但随着含水率的增加,这两个波段逐渐消失,由于受水分的影响,1 931,2 200和1 480 nm均形成了强的自相关峰。说明水分会掩盖表征土壤有机质信息的波段,对土壤有机质检测造成干扰。(3)为了消除水分影响,提高模型对不同含水率下土壤有机质的预测精度,将田间近似最大含水率样本参与建模,采用偏最小二乘定量分析方法在550~650和1 610~1 710 nm波段内建立了抗水分干扰土壤有机质预测模型,并对不同含水率的土壤有机质进行预测,结果表明:预测样本的相关系数为0.954,标准偏差为0.744%,标准差为0.844%,预测效果明显提高,说明此方法可减少水分对土壤有机质检测的影响。 相似文献
86.
近红外光谱技术快速测定农药有效成分的研究 总被引:6,自引:0,他引:6
农药有效成分含量不足和农药有效成分滥用是农药质量不合格的最主要问题,但是缺乏农药的快速现场分析方法。采用傅里叶近红外光谱技术结合偏最小二乘法(PLS),定量分析了乳油中有效成分高盖的含量,模型的决定系数R2大于0.999 9,SEC小于0.019,SEP小于0.030;同时对影响模型的因素进行了研究,并用实际样品进行了验证。结果表明:近红外光谱技术可以准确地定量分析农药乳油中有效成分含量,仪器分辨率、助剂含量变化对模型的影响不显著。近红外光谱法测量商品农药制剂中有效成分的含量,方便快速,特别适合现场、在线分析,对生产企业的连续在线检测、监督部门进行农药质量控制和农产品安全具有重要意义。 相似文献
87.
具有快速、高效、无损、在线等优势的近红外光谱技术(near infrared reflectance spectroscopy technique,NIRS)已经在农业、食品、化工、医学等领域获得广泛应用。牧草在加工贮藏过程中,受多种真菌的侵染,引起霉菌毒素在牧草中积累。霉菌毒素会通过动植物产品进入人畜的食物链,引起人畜中毒。牧草中霉菌毒素的常规检测不但需要粉碎、浸提、层析等繁琐的样品前处理过程,还需要酶联免疫吸附法、高效液相色谱法、溥层色谱法等后续检测过程。通过发展高精度、低检出限的光谱仪器,建立相应霉菌毒素检测的软件技术与校正模型,能够在牧草利用中达到快速准确检测霉菌毒素的含量和性质,从而为牧草的合理加工与利用提供依据,促进NIRS技术在健康畜产品生产领域的应用。 相似文献
88.
基于高光谱成像技术的山楂损伤和虫害缺陷识别研究 总被引:1,自引:0,他引:1
采用高光谱成像技术(420~1 000 nm)对山楂的缺陷(表面的损伤以及虫害区域)进行识别研究。共采摘了134个样品,包含损伤果46个、虫害果30个、损伤及虫害果10个和完好果48个。考虑到山楂的花萼、果梗与损伤、虫害的RGB图像有相似的外观特征,容易造成误判,利用高光谱成像系统采集了损伤、虫害、完好、花萼和果梗五个区域一共230个山楂样本的高光谱图像,并提取相应的感兴趣区域(region of interest, ROI),得到了样本的光谱数据。使用标准归一化(standard normalized variate, SNV),卷积平滑(savitzky golay, SG),中值滤波(median filter, MF),多元散射校正(multiplicative scatter correction, MSC)方法进行光谱预处理,建立偏最小二乘(partial least squares method, PLS)判别分析模型,结果表明经过SNV预处理后的预测结果较好。最后选取SNV作为预处理方法。应用回归系数法(regression coefficients, RCs)从全波段中提取10条特征波段(483,563,645,671,686,722,777,819,837和942 nm),利用Kennard-Stone算法将各类样本按照3:1的比例随机分成训练集(173个)和测试集(57个),并对其建立最小二乘支持向量机(least squares-support vector machine, LS-SVM)判别模型,山楂缺陷的正确识别率为91.23%。然后,运用主成分分析(principal componentanalysis, PCA)进行10条敏感波段下单波段图像的数据压缩,分别采用“sobel”算子和区域生长算法“Regiongrow”识别出86个缺陷山楂样本的边缘与缺陷特征区域,得出单损伤、单虫害和损伤及虫害样本的识别率分别为95.65%,86.67%和100%。研究结果表明:采用高光谱成像技术可以对山楂的损伤、虫害、花萼和果梗进行定性分析和特征识别,该研究为山楂的缺陷无损检测提供了理论参考。 相似文献
89.
90.