高光谱图像技术检测黄瓜叶片的叶绿素叶面分布

以黄瓜叶片为材料,利用高光谱图像技术结合独立分量法(ICA),研究了叶绿素浓度叶面分布的快速、无损检测方法.用高光谱相机采集了80片黄瓜叶子的高光谱图像(408～1117 nm),利用ICA方法提取了高光谱图像的8个独立分量信号,通过逐步线性回归(SMLR)优选出第1、第2和第5个ICA信号,并在此基础上建立了叶绿素浓...     

近红外光谱LASSO特征选择方法及其聚类分析应用研究

近红外光谱技术是一种通过分析样本的特征光谱数据,实现定性或定量分析的无损检测方法,特征数据的完整性和代表性决定了所建模型的性能,而现有分析方法只能实现光谱子区间特征筛选,导致分析模型稳定性差、且难以再优化。为实现近红外光谱区间高维数特征提取,有效提高近红外光谱定性分析模型的精度和稳定性,提出一种基于最小绝对收缩和选择算法(LASSO)的光谱特征筛选方法,并以我国特色高值外贸产品云南松茸为分析对象进行聚类应用研究,讨论了该方法对于高维光谱特征筛选的有效性、分析对比了LASSO筛选特征变量及主元分析(PCA)降维算法所建松茸真伪甄别及食用菌分类模型的预测精度及稳定性。通过调研发现,云南产鲜松茸因其独特外形易于分辨,而片状的干松茸失去其独有的外形特征,导致国内干松茸掺假事件屡禁不止。选取云南产松茸、杏鲍菇、老人头、姬松茸四种干样共166样本数据进行分析,采用光谱范围为900～1 700 nm的NIRQuest512型近红外光谱仪获得166×512维原始光谱数据,剔除异常数据后采用标准正态变换对光谱数据进行预处理。在此基础上,利用LASSO筛选出全光谱区间的特征变量,再使用Kennard-Stone法并结合典型线性(KNN)和非线性建模(BP)算法,构建松茸真伪甄别模型和食用菌分类模型,对两种模型进行盲样测试,并分析了LASSO与PCA算法的不同点,最后使用蒙特卡罗方法检测两种模型的稳定性。实验结果表明基于LASSO光谱特征选择的松茸真伪甄别模型和食用菌分类模型预测精度和稳定性均高于PCA方法,其中基于原始光谱数据所建真伪甄别模型的预测准确率为69.57% (BP)和60.87% (KNN),食用菌分类模型准确率为67.39% (BP)和65.22% (KNN),基于LASSO特征筛选的真伪甄别模型预测准确率分别达到100% (BP)和78.26% (KNN),食用菌分类模型预测准确率分别达到89.13% (BP)和80.43% (KNN),对两种模型进行10次蒙特卡罗实验,其结果平均值分别为99.93%和97.22%,由此可知,与PCA等数据降维算法相比,LASSO可实现全光谱区间的光谱特征选择和数据降维,有效地提高了近红外定性分析模型的预测性能,为近红外分析提供了一种新的特征筛选方法。     

利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别

小麦是制作馒头的主要原料之一,小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同,进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法,对比感官评定,光谱分析可以识别样品中的分子结构等信息。基于此,尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。首先选取了两个不同产地的小麦,再利用微波干燥法对两个不同产地的小麦做烘干预处理,使烘干的小麦水含量为12%±0.5%,原麦水含量为18%±0.5%。分别标记为原麦A,烘干A,原麦B,烘干B,再将小麦研磨成粉末,过100目筛网筛选后,置于自封袋中备用。随后分别采集四种小麦样品的近红外和中红外光谱信息,在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理,利用主成分分析对预处理后的数据进行降维处理,再结合线性判别分析（linear discriminant analysis,LDA）和支持向量机（support vector machine, SVM）分别建立小麦近红外、中红外光谱数据识别模型。另外利用联合区间偏最小二乘法（synergy interval partial least square, SiPLS）筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间,将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析（LDA）和支持向量机（SVM）建立小麦融合光谱信息的识别模型。然后比较同种光谱数据下利用线性判别分析（LDA）和支持向量机（SVM）建立的小麦识别模型识别率、比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。结果表明,同种光谱分析方法,利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。同种建模方法,近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。而在同种建模方法下,利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高,光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%,预测集识别率为97.50%;而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。对比利用单一光谱数据建立的小麦识别模型识别率,光谱数据融合之后建立的小麦识别模型识别率得到显著提高,该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率,结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。     

基于聚苯胺-镍酞菁多孔渗透薄膜的氨气传感器

利用磺化镍酞菁(NiTSPc)对苯胺(PANI)聚合的催化作用,通过简单的电聚合方法在叉指金电极(IAE)表面合成了PANI/NiTSPc多孔渗透膜.利用扫描电子显微镜(SEM)、原子力显微镜(AFM)、能量色散图谱(EDS)和拉曼光谱对PANI/NiTSPc多孔膜进行表征.在室温下,采用基于PANI/NiTSPc多孔膜制备的传感器对不同浓度(3.8~1900 mg/m~3)的NH_3进行了检测.结果表明,对于76 mg/m~3的NH_3,传感器的灵敏度为2.75,响应时间为10 s,且该传感器具有恢复时间短、重复性及稳定性良好等优点.所制备的PANI/NiTSPc薄膜传感器在NH3检测及电子鼻的应用中具有巨大潜力.     

基于集群方法(ER)的近红外光谱转移集优化法

近红外光谱因为具有小成本、易操作、低耗时等优点,所以广泛用于食品领域。作为一种间接的检测方法,近红外光谱检测需要建立光谱和浓度之间的统计模型。但是,一种条件下建立的模型在另一种检测条件下会失效。针对此问题,重新建模可以加以解决,但是重新建立光谱与浓度之间的模型非常繁琐耗时。此时,模型转移可以在避免重新建模的情况下,通过光谱校正,保证预测精度。在模型转移中,已经建立好模型的光谱称为主光谱(A),不用建立模型,而只用主光谱模型预测的光谱称为从光谱 (B)。模型转移方法的步骤是,先在校正集中选择一些样本作为主光谱的转移集(A_t),然后选择从光谱中浓度和A_t相同的光谱,以此作为从光谱的转移集(B_t)。通过A_t和B_t构建模型转移矩阵。最后将需要校正的从光谱(B_v)乘以上述的转移矩阵中,即可获得校正后的从光谱(B_new)。此时,B_new就可以用主光谱的模型来直接预测。在模型转移中,转移集样本的选择对模型校正至关重要。目前,转移集的样本通常从光谱之间的距离而非模型转移误差获得。但是,转移误差对模型转移结果的验证至关重要,故该研究出了基于集群分析的集群优化法(ER)并将其用于优化KS方法产生的转移集样本。ER先用随机方法建立转移集的多个子集合,并计算每个子集合的转移误差。然后,对某一个样本,计算包含这个样本的子集合转移误差均值。最后,选择转移误差均值较低的样本作为新转移集样本进行模型转移。以玉米数据测试了ER算法。结果显示,对于典型相关分析-有信息成分提取法(CCA-ICE)、直接校正法(DS)、分段直接校正法(PDS)、光谱空间转化法(SST)这些常见的模型转移方法,相比于KS样本选择方法,ER方法可以找出重要的转移集样本,进而显著降低模型转移误差。     

基于荧光共振能量转移的金纳米粒子/碳量子点荧光纳米探针检测精氨酸

利用碳量子点(CQDs)和金纳米粒子(Au NPs)间的荧光共振能量转移(FRET)效应成功实现了精氨酸的快速检测。采用一步微波辅助法合成具有优良荧光性能的碳量子点(CQDs),并对Au NPs/CQDs复合材料进行相应表征,分析了其猝灭和检测机制。对Au NPs/CQDs的添加量、p H值和反应时间进行了优化。在优化条件下,将此荧光体系用于精氨酸含量的检测,结果表明,荧光强度和精氨酸浓度在0.1~10.0μmol/L范围内呈良好的线性关系(R~2=0.993),检出限为5.8 nmol/L。采用本方法测定了葡萄汁中精氨酸的含量,回收率为105.4%~110.8%,表明本方法可用于果汁中精氨酸的实际检测。     

用遗传算法快速提取近红外光谱特征区域和特征波长

提出了一种遗传区间偏最小二乘法(GA-iPLS),并用该方法快速提取苹果糖度近红外光谱的特征区域,在此基础上采用遗传偏最小二乘法(GA-PLS)提取苹果糖度近红外光谱的特征波长,进行苹果糖度预测。结果表明,整个光谱等分为40个子区间,遗传区间偏最小二乘法能快速寻找出5个特征子区间(第4,6,8,11,18号);在5个特征子区间的基础上用遗传偏最小二乘法继续优化,从中提取44个特征波长。建立在5个特征子区间和44个特征波长上的偏最小二乘法模型精度均优于全光谱偏最小二乘法模型,对预测集的预测相关系数提高了近10%;且模型得到了很大的简化,用于建模的主因子数减少了7个。这些结果表明,用这两种方法不但可以建立简洁、数据运算量少的模型,还可以快速地提取近红外光谱的特征区域和特征波长。     

基于天然气敏材料猪肉中优势腐败菌的可视化检测

优势致腐菌是引起猪肉变质的重要原因之一,为了探索猪肉优势致腐菌绿色、快速的检测方法,本研究使用天然色素作为气体可视化传感器阵列的气敏材料,区分猪肉中的优势致腐菌。首先从植物中提取17种天然色素作为气敏材料,并将其固定在基底材料上,干燥后制成气体可视化传感器阵列。将3种优势致腐菌(梭状芽孢杆菌、热死环丝菌、假单胞菌)分别接种至3组猪肉样本中,在室温(20℃)条件下分别培养8、16和24 h,然后将传感器阵列与猪肉样本产生的挥发性物质接触并发生反应,用扫描仪获取传感器阵列与每个样本反应前后的图像信息,将传感器反应前后的颜色差值作为样本的特征值组成一个数据矩阵,并制成差值图像。最后采用主成分分析对培养8,16和24 h后的3种优势致腐菌进行检测,识别率分别为90%,90%和100%。结果表明,天然色素可以作为气体传感器的气敏材料,检测猪肉的优势致腐菌,且检测过程不会产生化学毒害。     

傅里叶变换红外光谱结合化学计量学方法对白酒基酒的快速定性和定量分析

白酒基酒等级的准确评判对白酒的质量控制至关重要,是白酒分级储存和勾兑的重要依据。目前白酒基酒分级是在生产车间班组工人初步分级基础上,通过专业评酒人员的人工感官审评结合气相色谱法测定主要酯类物质含量最终确定白酒基酒的等级。人工感官审评和气相色谱分析方法繁琐,耗时费力,很难实现实时快速检测。红外光谱技术具有快速分析、无损检测及灵敏度高和重现性好等优点,在食品品质检测领域得到广泛应用。运用傅里叶变换红外光谱(FTIR)和衰减全反射(ATR)技术结合化学计量学方法对不同等级白酒基酒及其主要酯类化合物进行快速定性和定量分析。采用线性判别(LDA)和误差反向传播人工神经网络(BPANN)分析模型对不同等级白酒基酒进行判别,线性判别分析训练集和测试集总体识别率均达到100%,BPANN分析训练集和测试集总体识别率均在95%以上。采用区间偏最小二乘法(siPLS)对四种主要酯类化合物进行定量分析,己酸乙酯、乳酸乙酯、乙酸乙酯和丁酸乙酯含量的训练集模型相关系数分别为0.986 4,0.991 5,0.970 2和0.951 4,测试集模型的相关系数分别为0.982 4,0.961 9,0.905 2和0.808 0。结果表明,傅里叶变换红外光谱技术结合化学计量学方法能有效实现不同等级白酒基酒的准确判别,同时基酒中主要酯类化合物的快速检测定量模型效果良好,能满足白酒生产中的分析检测要求,为白酒基酒等级的快速判别提供一种客观而准确的分析方法,有效提升白酒的智能化生产水平。     

基于高光谱技术的酸奶中常见致病菌的快速鉴别及计数

酸奶是一种发酵型乳制品饮料,因其特殊的功能性和良好的口感而广受欢迎。但由于商业链的不正当运行,如奶源非法获取、灭菌不充分等原因,导致酸奶中致病菌大量滋生,酸奶中毒事件频繁发生。酸奶中常见的致病菌主要有大肠杆菌、金黄色葡萄球菌和沙门氏菌,这三种致病菌由人体摄入并达到一定的数量时会产生腹痛、腹泻等严重的消化道疾病,并且会破坏人体肠道内的正常菌群平衡,因此国标对奶制品中这三种致病菌的数量已有明确的限量规定。由于酸奶的主要消费对象为老人和小孩,故其潜在危害不容小觑。传统菌落检测方法虽具有简单,灵敏、可操作性强等优点,但当不同菌落混杂在一起时无法同时进行定性定量的检测,且具有试剂成本高,检测周期长,人为因素影响较大等缺点。因此开发一种快速、简单、准确的混合鉴定计数方法为避免致病菌对酸奶的潜在危害提供了有效的途径。高光谱技术同时包含样本的光谱信息与图像信息,既能够根据化学组分的微小变化进行精确识别（光谱信息）,又能够反映出菌株在外部多层次的变化（图像信息）。因此该研究尝试对比高光谱图像技术和光谱技术,采用模式识别的方法,对比不同的模型识别结果,优选出最佳识别率的识别模型作为计数模型,最后通过最佳鉴别计数模型的识别分类结果来达到对酸奶中常见致病菌鉴定计数的目的。首先,购买酸奶中常见的乳酸菌种（保加利亚乳杆菌、嗜热链球菌、嗜酸乳杆菌、干酪乳杆菌、植物乳杆菌）和潜在污染的致病菌种（金黄色葡萄球菌、大肠杆菌、沙门氏菌）等标准菌株进行培养,提取经过48 h培养后的菌落图像信息和光谱信息。采用几种不同的预处理方式（SNV,MC,MSC,1stDER,2ndDER）对所提取的光谱数据进行预处理,并应用遗传算法筛除光谱数据中冗余的波段,保留有效波段。利用图像处理技术对图像信息中的菌株与培养基背景进行去除,然后采用主成分分析法从每幅图中优选出3个特征波长,并运用图像处理技术从特征波长所对应图像中提取菌株的18个基于GLCM的纹理特征信息。挑选合适的主成分分别建立不同的鉴别模型（LDA,KNN,BP-ANN,LS-SVM）,通过其最终的鉴别模型的识别率来确定最佳鉴别计数模型。最后从标准菌株中分别挑选出30株进行计数测试,通过比较模式识别的分类数量结果与菌株的实际数量来验证模式识别效果的准确率。研究表明,运用SNV预处理后光谱数据在提高信噪比效果上明显优于其他几种预处理方式。745.790 8,773.098 4和779.207 0 nm为图像信息中方差贡献率最大的三个波长,运用从特征波长所对应的图像中所提取的纹理特征信息建立图像识别模型。通过对比图像信息和光谱信息的模式识别结果发现,光谱特征鉴别模型普遍优于图像纹理特征鉴别模型,且当主成分数为9时,运用光谱特征所建立的LS-SVM模型的校正集识别率为96.25%,预测集的识别率为91.88%,为最优模型。采用优选的最优模型对菌株进行识别计数,大肠杆菌计数的相对误差为3.33%,金黄色葡萄球菌和沙门氏菌计数的相对误差均为0,验证了高光谱技术应用于酸奶中常见致病菌的鉴别计数的可行性。