SA-PBT-SVM的实木表面缺陷近红外光谱识别

针对实木板材表面存在的活节、死节、裂纹与虫眼4类缺陷,提出了基于近红外光谱分析的定性识别模型。随机选取50个样本组成训练集,30个样本组成测试集,在室内温度20 ℃、相对平均湿度50%环境下,采用900~1 700 nm的近红外光谱仪采集样本表面光谱,并利用SNV方法进行光谱数据预处理,以消除固体颗粒大小、表面散射及光程变化对漫反射光谱的影响;然后,采用偏二叉树双支持向量机(PBT-SVM)构建缺陷分类模型,运用模拟退火算法(SA)对4类核函数、参数及波长特征进行全局寻优;寻优过程以97个波长吸收度为输入特征,运用顺序前向法依次加入新特征,当分类器准确率达到90%时,得到核参数及波长特征;最后,通过确定的核函数、参数与波长构建了缺陷分类模型,并对测试样本集进行了分类验证。实验结果表明,SNV预处理方法使相同缺陷的近红外光谱具有较好的一致性,其中,活节与死节光谱差异显著,但死节、裂纹与虫眼的光谱趋势相近;当PBT-SVM分类器采用多项式核函数、参数在γ=28.63,coef=18.69,d=1,C=12.03时,缺陷识别效果最好,裂纹和活节的识别率达到了100%,虫眼为93.33%,死节为93.33%,平均准确率达到了96.65%,平均识别时间仅为0.002 s。利用近红外光谱分析的方法能够快速、有效地完成4类实木板材缺陷的识别。     

小波变换去噪用于食用油脂酸价近红外光谱分析

以三级大豆油脂酸价检测为研究对象,采用db4小波对36个油脂样品的近红外光谱进行预处理,选择出最佳的小波分解层数及阈值选取方式,并对原始光谱和经小波去噪后的光谱利用偏最小二乘回归建模,以决定系数、交互验证误差均方根和相对误差均值3个统计量来评价回归模型性能.结果表明原始光谱决定系数0.8668、交互验证误差均方根0.0...     

近红外光谱分析中应考虑的几个问题

近年来红外光谱分析技术得到了迅速的发展,原因在于它能够有效地提供关于样品的定性和定量信息。但是,在进行近红外光谱分析时,应考虑样品的特征、分析实验的设计及数据处理等多方面的问题,以取得更 可靠的分析结果。     

近红外光谱分析中应用EPP技术的光谱数据采集

为解决近红外光谱分析中现场数据的实时采集问题 ,提出一种应用增强型并行口 (EPP)技术采集样品光谱数据 ,进行物质近红外光谱分析的方法。介绍了增强型并行口技术 ,详细给出了光谱数据采集系统的技术实现方案。系统实现简单、携带方便、通用性好 ,拥有接近于PC机ISA总线的数据传输率     

相关检测技术在近红外光谱分析中的应用

运用信号分析的理论,研究了把相关检测技术应用于近红外光谱分析的方法。通过作药品甲硝唑纯品光谱及混合品光谱的相关函数值,并对相关曲线进行分析,结果表明通过相关处理,光谱信息得到了分离和增强,可以作为一种光谱信息特征提取的有效方法,用于定性和定量分析,对解决近红外光谱检测中光谱叠加、信息率低的难题提供了一种新的思路和探索。     

小波变换与神经网络融合法在油页岩近红外光谱分析中的应用

便携式近红外光谱分析技术可实现油页岩含油率的原位检测,在油页岩资源现场勘查中发挥着重要作用。但是,由于其测得的原始光谱数据量大、冗余信息多,直接建模会影响速度与精度。因此提出一种小波变换与神经网络融合法,先将油页岩全谱数据进行db8小波3级分解,提取其近似系数形成输入矩阵,然后再进行神经网络建模。为了验证有效性,利用30个油页岩合成样品,从中随机选择20个用于训练,另外10个用于预测,并分别使用全谱数据与小波特征数据进行了10次神经网络建模。结果表明,全谱数据建模速度均值为570.33 s,预测残差平方和及相关系数均值分别为0.006 012及0.843 75;而小波神经网络法对应的以上均值为3.15 s, 0.002 048及0.953 19。由此说明小波神经网络法优于全谱数据建模法,为油页岩含油率的快速、高精度检测提供了一种新方法。     

土壤主要养分近红外光谱分析及其测量系统

土壤是农业生产的基础,采用近红外光谱技术实现对土壤养分的快速分析,研制分立波长型近红外土壤养分测量系统,指导农业生产过程,有助于改变现有农业生产的粗放经营状态.首先,使用FOSSXDS近红外光谱分析仪对85份东北土壤样品采集光谱,采用相关系数谱及连续投影法等化学计量学算法分析土壤的近红外光谱,并优选出总氮和有机质的特征...     

小波变换在近红外光谱分析中的应用进展

小波变换(WT)具有很好的时频分离特征,信息处理能力强,已广泛用于分析化学领域;本文就小波变换在近红外光谱领域的应用进行简述。小波变换用于近红外预处理,提取有用信息,消除背景干扰,可以提高近红外的分析精度和模型稳健性;用于数据压缩可以减少数据库存储空间,提高建模速度;小波系数用于模型传递,具有传递速度快,稳健性强,所需标样少等特点;小波变换可以与神经网络、遗传算法等结合,在近红外分析领域呈现出良好的发展前景。     

乙醇、乙酸和水三元混合体系的近红外光谱分析

乙醇、乙酸和水具有极其相似的近红外吸收光谱。本文利用化学计量学方法研究了题示物质的近红外吸收光谱，结果表明，采用近红外光谱分析技术能够有效识别三元混合物。应用两元回归模型可预测三元混合物的组成，方法简便、测量准确、可靠，相对误差小于5％。     

构造性算法的神经网络集成在近红外光谱分析中的应用

针对传统的近红外数据分析方法精度较低、,应用的局限性问题,本文提出了一种基于构造性算法的神经网络集成方法,由一个构造性算法决定个体网络中隐层节点的数量以保证个体网络的精确性,运用负相关学习算法和网络个体训练次数不同保证了网络个体的多样性。这种方法在近红外光谱分析中得到了成功的应用。     

基于贝叶斯神经网络的近红外光谱实木地板表面缺陷检测

实木地板的表面缺陷直接影响其力学性能和产品等级,表面缺陷的快速检测对实木地板的在线分选具有重要的现实意义。针对视觉方法检测实木地板表面缺陷识别率低的问题,提出了一种基于近红外光谱分析技术的检测方法。首先,分别采集规格为200 mm×100 mm×20 mm的表面带有活节、死节以及无缺陷的实木地板的光谱数据各60份,其中30份作为训练样本,30份作为测试样本;其次,使用高斯滤波(GSF)、分段多元散射校正(PMSC)和去趋势法(DT)等方法对采集到的光谱数据进行预处理,降低光谱噪声、消除光谱的散射影响;然后,利用改进遗传算法从处理后的光谱中提取特征波长用于构建缺陷识别与分类模型;最后,使用基于贝叶斯理论改进的神经网络构建实木地板缺陷识别和分类模型。实验使用含有活节、死节以及无缺陷的实木地板样本对模型进行训练和测试,结果表明：通过贝叶斯神经网络构建的缺陷识别与分类模型能够准确识别活节、死节和无缺陷三类实木地板,识别率分别为92.20%, 94.47%和95.57%。证明了实木地板表面缺陷类型与其近红外吸收光谱密切相关,并为下一步实现实木地板表面缺陷的准确定位提供快速检测方法。     

基于小波变换的木材近红外光谱去噪研究

木材近红外光谱常常被一系列噪声所污染,影响光谱分析结果。为了提高近红外光谱分析精度,需要对光谱数据进行预处理。光谱导数可以消除光谱背景干扰和基线漂移等因素影响,提高光谱分辨率,但导数光谱在增强信号的同时,也使信号噪声得到增强。应用小波变换对杉木木材近红外一阶导数光谱进行去噪研究,分别采用9点平滑法、25点平滑法、非线性小波硬阈值和软阈值法、9点平滑+小波变换法和25点平滑+小波变换法对光谱数据进行去噪研究。结果显示, 小波变换能够有效去除导数光谱中的噪声信号,保留光谱中的有效信息,提高光谱信噪比,提高光谱的分析能力,在木材近红外光谱分析中具有很好的应用前景。     

卷积神经网络和近红外光谱的土壤pH值预测

土壤pH值是影响土壤养分转化和土壤肥力的关键因素,使用近红外光谱技术对土壤pH值进行检测可为土壤资源的开发利用提供重要依据.卷积神经网络作为深度学习在人工智能方面的典型算法,由于其结构具备"局部感知,权值共享"的能力,因此不仅能够对复杂的光谱数据进行特征抽取,还能够减少网络的训练参数,提高网络的运算效率.将卷积神经网络...     

基于近红外光谱检测技术鉴别洋槐蜜中掺入大米糖浆的可行性研究

利用近红外光谱技术(near infrared spectroscopy,NIR)并结合化学计量学方法鉴别洋槐蜜中掺入大米糖浆的可行性研究。以来自不同蜂场的20个洋槐原料蜜样品与大米糖浆混合成7个不同浓度梯度(10∶0,9∶1,7∶3,1∶1,3∶7,1∶9,0∶10 g·g-1)共121个样品为研究对象,利用近红外光谱仪和光谱处理软件分别不同浓度梯度的对掺假样品进行光谱扫描和数据转换,并进行主成分分析(PCA),结合典型判别分析进行区分。结果表明,经过主成分分析后,前2个主成分的得分累计贡献率达97.23%,但掺假样品在第一、第二主成分得分散点图的区域划分不明显。用典型判别分析进一步判别,所有样本均得到准确的判别,准确率为100%,6个典型判别函数中前两个判别函数的累积贡献率达到91.6%,同时在第一类和第二类典型判别函数的分组图中,不同浓度梯度的掺假蜂蜜能够被较好的判别。表明该方法能够快速、有效鉴别大米糖浆在洋槐蜂蜜中的掺假,具有一定可行性和实用性。     

牛肉嫩度的近红外光谱法检测技术研究

利用近红外光谱技术研究了牛肉嫩度的检测方法。在波数为4 000～10 000 cm-1范围内测定牛肉样本近红外吸收光谱,然后用沃-布剪切仪测得牛肉样本(背长肌)的最大剪切力值并进行主观嫩度等级评价。把剪切力值小于6 kg的牛肉归为嫩牛肉,等级值定为1;大于9 kg的牛肉归为老牛肉,等级值定为3;介于6和9 kg之间的牛肉归为中等嫩度的牛肉,等级值定为2。研究结果表明,老牛肉吸收的近红外光一般都要比嫩牛肉多,表现为吸光度要大;用多元线性回归法对校正集建立模型,得到相关系数r为0.806;用此模型对牛肉预测集19个样本进行预测,分级正确率为84.21%。该研究说明利用近红外技术对牛肉嫩度进行预测是可行的。     

基于近红外光谱的淡水鱼新鲜度在线检测方法研究

新鲜度是反映鱼类品质以及可否食用的重要指标,在线检测直接关系到食品质量与安全的实施应用,因此对淡水鱼新鲜度进行在线无损检测具有重要意义。应用近红外光谱对淡水鱼新鲜度进行在线检测,试验装置采用自行搭建的淡水鱼近红外光谱在线采集装置,试验时样品在输送链上以0.5 m·s-1的速度运动,采集其近红外漫反射光谱(900～2 500 nm),并用支持向量机(support vector machine, SVM)建立淡水鱼新鲜度在线检测模型。采用光谱理化值共生距离(sample set partitioning based on joint X-Y distance algorithm, SPXY)算法对样本集进行划分,其中校正集111条(新鲜57条,变质54条)、测试集37条(新鲜19条,变质18条),通过对比不同的光谱预处理方法对预测结果的影响,明确了一阶导结合标准化预处理为最优光谱预处理方法,经过该方法预处理后所建模型对校正集的正确识别率为97.96%,对测试集的识别率为95.92%。为了提高模型运行速度对建模所用光谱变量进行优化,分别采用遗传算法(genetic algorithm, GA)、连续投影算法(successive projection algorithm, SPA)和竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS) 三种不同的特征变量选择方法对特征波长进行筛选,通过建模比较分析确定CARS为最优波长选择方法,以所选的10个特征波长建立淡水鱼新鲜度支持向量机检测模型,模型对校正集的正确识别率为100%,对测试集的识别率为93.88%。该研究可为近红外光谱用于淡水鱼新鲜度在线检测提供技术支持。     

基于小波变换的木材近红外光谱模型优化及质量追溯

智能化精准获取木材基本信息是木材质量追溯系统信息采集的核心,同时也是木材后期分流、加工、精细化利用的重要依据。旨在探讨基于小波变换的木材近红外光谱(NIRS)去噪及模型优化,研究近红外技术用于木材质量追溯的基础理论与方法,构建基于近红外的木材质量追溯体系。以山杨木材气干密度为例,采用小波变换进行光谱去噪及模型优化,应用偏最小二乘法(PLS)构建了基于近红外光谱技术的山杨木材气干密度定标模型。在此基础上,集成二维码技术,在Matlab环境下,将近红外定标模型预测结果(以木材密度为例)及其他木材相关信息(树种名称、产地、采集单位、数据获取方式等)生成快速响应矩阵码(QR Code),以实现木材信息的有效、快速追溯。同时研究分析了不同纠错等级、字符数、像素下QR码的可读性及有效性。结果显示： (1)当db5小波基分解层为5时,经启发式硬阈值去噪后得到的信噪比(SNR)最大,均方根误差(RMSE)最小,基于小波变换的近红外光谱去噪效果最好,将校正模型决定系数由0.774 8提高到了0.850 1;(2)字符数一定时(本追溯信息的字符数为217),当像素大于100 px×100 px时,QR码的可读性均大于90%;当纠错等级为7%、像素大小为200 px×200 px时,随着字符数由100增加至600,解码率和可读性均为100%。研究表明,基于小波去噪及近红外光谱技术,可以实现木材密度的准确预测,并能有效集成QR码技术,以QR码作为传递木材信息的有效载体,为木材材性信息的无损获取及有效追溯提供了理论依据与技术支撑。     

近红外光谱分析技术及其在牧草种子质量监督检验上的应用前景

近红外光谱(NIRS)的分析技术是一项高效、快捷检测样品中某种物质成分的分析新方法,近年来在农业、食品、医药、化工、纺织、环保等领域得到了广泛的应用。 文章简要介绍了NIRS技术产生和探测的基本原理、方法和技术特点,回顾了其在植物种子研究方面的应用情况,然后从种子品种鉴定、种子纯净度鉴定、种子发芽率测定、种子水分含量和生活力测定等四个方面阐述了NIRS分析技术应用于牧草种子质量监督检验的意义和潜在价值。 最后得出结论应用NIRS技术能降低种子检验成本、提高检验效率,还有助于扩大常规种子检验的范围和用途,因此NIRS应用于牧草种子质量检验有着重要的理论和实际意义。     

卷积神经网络用于近红外光谱古筝面板木材分级

目前,我国乐器制作行业在古筝面板用木材等级的筛选上主要依赖于技师主观评判,但此法缺少科学理论的依据,效率低,客观性及出材率的提高等方面受到限制,无法满足乐器市场的大量需求。实现古筝面板用木材快速、智能化的分级工作是一个急需解决的课题。近红外光谱非常适用于测量含氢的有机物质。古筝面板木材主要化学成分的化学键均由含氢基团组成,不同等级板材的化学成分存在差异,这些差异反映在近红外光谱中,为判断木材等级提供了可能。同时卷积神经网络对非线性数据具有较强的特征提取能力,所以提出一种应用卷积神经网络模型对光谱数据进行分析的方法,进而判别木材的等级。应用了Savitzky Golay一阶、二阶微分两种预处理方法和核主成分分析、连续投影算法两种数据压缩方法,通过所设计的卷积神经网络模型以样本识别准确率和模型构建过程中的损失值作为判定指标选出最佳预处理和数据压缩方法。为了提高模型提取分析光谱数据的能力和避免过拟合现象,应用了多通道卷积核、批量归一化和early stopping策略,将通过两层卷积层提取的特征信息送入全连接层,从而充分提取剩余信息,通过Softmax函数获得板材的最终预测等级,从而确定了最终模型。最终Savitzky Golay一阶微分和核主成分分析为最佳数据处理方法,同时得出用于区分不同等级的古筝面板用木材的主要关键谱带,分别为1 163~1 243, 1 346~1 375和1 525~1 584 nm。将该模型应用于测试集样本,古筝面板用木材的等级识别准确率为95.5%。实验结果表明所提出的方法可以高效地处理光谱数据,有效识别区分不同等级的古筝面板用木材的关键特征,从而为广阔的乐器市场提供一定的技术支持。