近红外高光谱图像结合CARS算法对鸭梨SSC含量定量测定

高光谱数据量大、 维数高且原始光谱噪声明显、 散射严重等特征导致光谱建模时关键波长变量提取困难。 基于此,提出采用竞争性自适应重加权算法(CARS)对近红外高光谱数据进行关键变量选择。 鸭梨作为研究对象。 采用决定系数r2、 预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。 基于选择的关键变量建立PLS模型(CARS-PLS)与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果,r2_pre,RMSEP和RPD分别为0.908 2,0.312 0和3.300 5。 进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法(GA)获得的特征变量建立的PLS模型比较发现,CARS不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,该方法能够有效地用于高光谱数据变量的选择。 结果表明,近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。 从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。     

基于高光谱成像的生鲜猪肉细菌总数预测建模方法研究

生鲜猪肉中细菌总数(TVC)超标会直接危害大众,为此研究验证高光谱成像技术结合相应的建模方法预测生鲜猪肉中TVC的可行性。针对非线性、小样本问题, 以及光谱维和空间维的大数据量问题,在综合比较偏最小二乘回归(PLSR)、人工神经网络(ANNs)和最小二乘支持向量机(LS-SVM)3种建模方法的基础上,最终选取了LS-SVM方法组建模型。3种建模方法综合比较的结果表明,LS-SVM同时兼顾了训练精度和泛化能力两方面的性能,使其都能做到最优,与标准平板菌落计数法所检测TVC的决定系数分别为0.987 2和0.942 6,校正均方根误差和预测标准均方根误差分别为0.207 1和0.217 6,其建模性能优于其他方法。研究结果表明,高光谱成像技术结合LS-SVM预测建模方法可作为快速、非破坏预测生鲜猪肉TVC的有效手段。     

桂花酒中山梨酸钾拉曼表面增强预测模型在其他果酒中的传递

自行搭建的拉曼光谱点扫描系统,以柠檬酸钠还原法配制的SC银溶胶为表面增强剂,建立了桂花酒中山梨酸钾的定量预测模型,模型校正集决定系数(R2_C)和均方根误差(RMSEC)分别为0.978 9和0.070 3 g·kg-1,验证集决定系数(R2_P)和均方根误差(RMSEP)分别为0.934和0.165 7 g·kg-1。桂花酒中山梨酸钾的定量预测模型为主光谱模型,结合K/S算法,探讨了基于DS算法和PDS算法将桂花酒主光谱模型向杨梅酒的修正传递方法。结果显示,用K/S算法选取4个杨梅酒样品,基于DS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.906 1和0.215 0 g·kg-1。K/S算法选取3个杨梅酒样品(窗口宽度为5),基于PDS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.905 5和0.225 0 g·kg-1。DS算法和PDS算法均可以用少量样品将桂花酒中山梨酸钾的主光谱预测模型有效传递给杨梅酒,实现了一种被测物预测模型在同类物种间的传递,具有重要实用意义。     

基于拉曼光谱的PE膜包装食用农产品品质检测误差的校正方法

透明保鲜膜包装以其方便、经济、卫生的特点被广泛应用于超市卖场及日常生活中,却也给食品农产品的检测增加了难度,所以急需一种能够隔透明薄膜无损检测农产品的方法。叶绿素是影响黄瓜品质的重要因素之一,该研究主要探讨了拉曼技术检测黄瓜品质时,食品保鲜膜层数对叶绿素特征峰的影响,并通过对菠菜、油菜和芹菜对得出的结论进行验证。采用点检测拉曼光谱系统,采集无保鲜膜包装以及多层包装下黄瓜的拉曼光谱。拉曼信号经Savitzky-Golay(SG) 5点平滑和自适应迭代惩罚最小二乘法扣除荧光背景,探究不同层数(1~6层)的PE保鲜膜对黄瓜叶绿素特征峰的影响。采集被保鲜膜覆盖的黄瓜的拉曼信号并处理,即可建立叶绿素的特征峰(1 158和1 528 cm-1)减少值与保鲜膜层数之间的变化规律,并对规律的预测效果进行评价。随着保鲜膜层数的增加,透明包装层数与黄瓜叶绿素特征峰强度之间呈现良好的线性相关关系。提取出单层透明包装对叶绿素在1 158和1 528 cm-1处特征峰强度的降低值分别为81.4和103.1,分别占未加保鲜膜时叶绿素特征峰强度值的7.98%和8.56%,多组验证结果的相关系数达到0.95以上,验证的相关系数达到0.94。随着样品浓度增高,线性递减效果越明显。作为验证,通过透明保鲜膜检测菠菜、油菜和芹菜叶片中的叶绿素表明,每加一层膜叶绿素在1 158和1 528 cm-1处的特征峰强度会比覆膜前分别降低7.9%～8.6%和8.1%～8.6%;导致检测信号强度呈线性降低是由于保鲜膜使激发光分散不聚焦导致,保鲜膜成分对检测结果无影响。该研究为拉曼光谱隔透明包装检测拉曼光谱特征峰强度,进而获得农产品品质信息提供了一种新的分析方法。     

二维相关光谱的猪肉TVB-N特征变量优选研究

为了探讨利用二维相关可见/近红外光谱法优选猪肉挥发性盐基氮(TVB-N)特征变量的可行性,以贮藏时间为外扰,研究了不同新鲜程度猪肉样本的二维相关光谱特性。首先,获取56个猪肉样本在贮藏1～14 d的400~1 000 nm范围的可见/近红外反射光谱,经过标准正态变量变换(SNV)处理后,基于全波段光谱建立TVB-N的偏最小二乘回归(PLSR)模型。然后,依据TVB-N实测值,从中挑选出10个具有一定浓度梯度的样本(贮藏时间分别为0,36,72,108,144,180,216,252,288和324 h),利用一阶导数对光谱进行预处理后,根据不同样本之间的光谱差异,选取7个波段用于二维相关光谱解析。分析各个波段的二维相关同步谱和自相关谱,从7个波段范围内共选取23个变量作为不同贮藏时间下与TVB-N相关的敏感波长,并建立简化的PLSR模型。相较于全波段光谱数据所建模型,模型效果有所改善,预测集决定系数R2_p由0.792 1上升至0.865 8,误差从3.658 2 mg·(100 g)-1下降至3.246 0 mg·(100 g)-1。表明基于二维相关光谱对猪肉TVB-N特征变量进行优选的思路是可行的,该方法能够从全光谱数据中筛选出与目标物质相关的敏感变量,这也为近红外光谱特征波长选择提供了一个新的方法。     

双波段光谱融合的猪肉多品质参数同时检测方法研究

在双波段可见/近红外光谱系统(350~1 100和1 000~2 500 nm)中,由于两台仪器性能有所不同,导致在波段重叠区域对同一样品测得的反射率不同,出现数据交叉现象。针对此问题,提出一种波段连接数据融合的方法,以期对两个波段的光谱进行更好的应用。首先采集60个生鲜猪肉样品表面的反射光谱信息,利用Savitzky-Golay(S-G)平滑和标准正态变量变换进行预处理,然后利用单一波段和双波段光谱数据与猪肉品质参数(颜色参数L*, a*, b*,pH和蒸煮损失率)理化值建立偏最小二乘预测模型,并分析比较。利用提出的波段融合方法对两个波段重叠区域出现的交叉进行处理,处理后的双波段光谱融合数据对参数L*, a*, b*, pH以及蒸煮损失率建模,验证集的相关系数分别为0.948 8,0.920 0,0.950 5,0.930 1和0.903 5,模型效果与未融合前相当甚至更优。采用无信息变量消除法方法进行特征变量筛选,利用优选后的特征变量建立了更为简化的模型。实验结果表明,所提出的波段融合方法能够对两个波段光谱数据实现较好的融合,利用融合后的光谱数据有利于建立更简化、性能更佳的预测模型。     

基于表面增强拉曼光谱的苹果毒死蜱残留无损检测方法

对表面增强拉曼光谱(Surface Enhanced Raman Spectroscopy, SERS)技术在苹果毒死蜱残留量无损快速准确检测中的应用进行了研究. 以银溶胶作为表面增强剂, 采用实验室搭建的拉曼光谱系统, 无损地采集苹果样品拉曼光谱. 分别采用二阶导数法(Secondary Derivative Transformation, SD)和极小极大值自适应缩放法(Min-max Signal Adaptive Zooming, MSAZ)扣除所得拉曼光谱的荧光背景以消除样品和环境的干扰, 从而提高检测的准确度. 对获取光谱后的苹果样品采用标准理化方法检测其毒死蜱含量, 在最优条件下, 建立拉曼光谱与15.52～0.064 mg/kg范围内毒死蜱含量的线性关系, 结果表明毒死蜱的两个主要特征峰强度和其浓度呈良好的线性关系, 预测集的相关系数为0.969, 预测均方根误差为1.24 mg/kg. 本研究所开发的方法为果蔬安全品质的无损快速检测提供了一种新思路.     

基于拉曼光谱的苹果中农药残留种类识别及浓度预测的研究

应用拉曼光谱技术结合化学计量学方法能有效的实现果蔬中农药残留的定性定量分析。本研究借助实验室自主研发的拉曼光谱检测系统,对苹果中溴氰菊酯和啶虫脒的快速无损识别和检测进行了探索。定性分析时将拉曼峰574 和843 cm-1分别作为识别溴氰菊酯和啶虫脒的拉曼指纹,当苹果中的溴氰菊酯和啶虫脒残留的含量分别为0.78和0.15 mg·kg-1时,两种农药的特征峰仍清晰可见。定量分析首先对光谱进行多种预处理（Savitzky-Golay平滑、一阶导、二阶导、基线校准、标准正态变量变换）,结合偏最小二乘法分别建立苹果中溴氰菊酯和啶虫脒含量的定量模型。结果表明,采用8次多项式拟合进行基线校准的预处理方法效果最好,对于溴氰菊酯,偏最小二乘模型预测值与气相色谱法测定值的相关系数和预测均方根误差分别为0.94和0.55 mg·kg-1,对于啶虫脒,其偏最小二乘模型的相关系数与预测均方根误差分别为0.85和0.12 mg·kg-1。本研究证实了利用拉曼技术对苹果农残进行无损检测的可行性,使用该方法进行检测时,在光谱测定前不需要进行前处理,光谱测定后样品无任何损伤,该技术实现了果蔬农残的现场检测,可在检测部门、果蔬加工企业、超市、市场等场所得到推广使用,为果蔬品质安全提供了一种无损、快速和环保的检测方法。     

基于光谱技术的原料肉新鲜度指标在线检测系统开发及试验

为了实现原料肉新鲜度参数的无损在线实时评估,基于双波段可见/近红外反射光谱（350~1 100和1 000~2 500 nm）技术建立了原料肉新鲜度主要指标的在线检测系统。研究设计了装置的光源单元、光谱采集单元、控制单元和驱动单元,优化设计了光源固定支架和安放角度,编写了相应的控制程序,开发了实验室用和便于在不同生产线应用的两套在线检测系统。首先,对试验参数（传送带速度和样品到透镜入光口距离）进行了优化研究,通过光谱相似度比较和显著性分析,确定传送带速度是275 mm·s-1、距离是12 cm时能够获得更加稳定的光谱信号。然后,基于该试验参数,分别在静止和在线条件下采集了贮藏时间为1~13 d共50个猪肉样本的反射光谱,并利用抛物线拟合法对双波段光谱进行融合,以获取整条覆盖可见及近红外区域的完整光谱。为了使两个波段范围内的光谱数据点权重相同,在整个波段范围内均匀分布,借助三次样条插值法将所有光谱数据点以2 nm为间隔进行重新排布。采用窗口移动多项式最小二乘拟合法对光谱作平滑处理,采用标准正态变量变换对每条光谱进行标准化预处理,分别建立了静止和在线条件下新鲜度主要表征指标-颜色（L*,a*和b*）、pH和挥发性盐基氮的预测模型,以此验证所搭建系统的可靠性。经过对比分析,发现在线条件下的建模结果不如静止状态下的建模结果,这可能与在线采集时光谱存在漂移现象有关。进一步尝试利用一阶导数处理来消除基线漂移强化谱带特征,并对一阶导数和标准化处理顺序对建模结果的影响进行了探讨。结果发现先经过一阶导数再经过标准化处理,能更好地消除外部干扰造成的影响,建模结果更佳。在该处理方式下,基于第一波段光谱建立了颜色参数（L*,a*,b*）的预测模型,基于双波段光谱建立了pH和挥发性盐基氮的在线检测模型,预测相关系数分别为0.955 3,0.924 7,0.955 1,0.961 5和0.966 8。最后,为了验证模型的适用性,基于开发的便于在不同生产线应用的在线检测系统,利用独立的20个样本对在线模型进行外部验证,对颜色参数（L*,a*,b*）,pH和挥发性盐基氮的预测相关系数分别为0.918 9,0.914 1,0.947 7,0.950 4和0.960 6。研究结果表明,该系统通过双波段光谱的实时采集和融合,可以获取更多反应样本内部信息的光学信号,具有更强的检测能力。结合设计的光路等其他硬件单元,可以同时获取样本表面更大区域的反射光谱信息,从而实现对原料肉新鲜度主要表征参数的无损、在线、实时评估。该系统便于组装和拆卸,可以适应不同企业生产线的实际需要,具有较强的实用价值和较好的市场前景。     

自适应蚁群优化算法的近红外光谱特征波长选择方法

为提高近红外光谱预测模型的精度和适用性,同时简化模型,提出了自适应蚁群优化偏最小二乘法优选特征波长的方法,建立不同产地苹果可溶性固形物含量混合分析模型。收集山东、陕西和新疆的富士苹果,采集3800~14000 cm"1范围的近红外光谱,并对其重要品质指标可溶性固形物含量进行测定。利用蚁群算法启发式全局搜索的特点,结合蒙特卡罗轮盘赌随机选择机制,优选苹果可溶性固形物含量的近红外光谱特征波长,然后用偏最小二乘法建立分析模型。与全光谱偏最小二乘模型和遗传偏最小二乘模型相比,蚁群优化算法选择的波长数最少,模型预测能力最强,预测的相关系数R和预测均方根误差RMSEP分别为0.9708和0.5144。研究结果表明,自适应蚁群优化算法可以有效选择近红外光谱特征波长,提高模型的稳健性和适用性。