土壤质地分类的近红外光谱分析方法研究

依据所收集的25种土样,采用两种不同精度仪器、三种光谱方法以及3个不同谱区,在四种分类标准条件下进行土壤质地分类分析方法研究。结果表明：(1)土壤化学组成的信息主要体现在近红外光谱的谱峰特征,而质地等物理信息主要反映在光谱的斜率、截距参数上,且二者在不同谱区的相对强度不同;(2)近红外光谱方法对土壤质地的分辨能力较低,随着分类粗化而有所提高;(3)在4组分类标准中土壤质地最高预测准确度为72％,其中在砂粒<70％和粘粒<40％条件下,预测准确度达到85％;(4)样本顶部漫反射光谱方法与扩展谱区范围均可有效提高质地预测准确度,而高精度仪器并不具备明显优势。     

近红外光谱技术的小麦条锈病严重度分级识别

小麦条锈病是世界上影响小麦安全生产的一种重要病害。实现小麦条锈病不同严重度叶片快速、准确的分级识别,对于条锈病监测、预测预报和防治措施的制定具有重要意义。通过人工接种获得条锈病不同发病程度小麦叶片,选取8个不同严重度级别(1%,5%,10%,20%,40%,60%,80%和100%)叶片各30片和健康小麦叶片30片,利用近红外光谱技术分别获取光谱信息,共获得270条近红外光谱曲线,依据小麦叶片条锈病发病程度的不同,将其分为9个类别。从每个类别中随机选择7~8条光谱曲线作为测试集,共计67条,将剩余的203条光谱曲线作为训练集。利用定性偏最小二乘法建立小麦条锈病不同严重度叶片的定性识别模型。研究分析了不同光谱预处理方法、建模比(训练集:测试集)和建模谱区对所建模型识别效果的影响。结果表明,在4 000～9 000 cm-1谱区范围内,原始近红外光谱数据经中心化预处理后,建模比为3∶1时,采用内部交叉验证法建模,训练集和测试集的总体识别准确率分别为95.57%和97.01%,所建模型识别效果较好。表明基于近红外光谱技术进行小麦条锈病叶片严重度分级识别是可行的,为小麦条锈病的监测和评估提供了一种新方法。     

近红外光谱结合非负回归系数回归法(配方回归)解析混合样品的组成比例

准确、快速解析混合样品的组成比例对食品、农产品加工过程的质量控制和配方设计具有重要作用。传统的解决方法多是利用大量代表性样品建立统计模型来实现,耗时耗力。以醇类及酸类液体混合样品及其低浓度溶液混合样品(无近红外特征吸收的四氯化碳(CCl₄)为溶剂介质)的透射光谱,以及片状烟叶样品漫反射光谱为例,采用导数和S.G.平滑,结合非负回归系数回归法(配方回归)验证了在一定条件下解析混合样品组成比例的可行性。结果表明,对醇酸类液体透射光谱,根据非负回归系数回归法得到的解析比例更接近于醇酸类液体的实际摩尔比例,与实际摩尔比例的误差在8%以内, 其低浓度溶液的解析效果更优,与实际摩尔比例的误差在4%以内;对片状烟叶的漫反射光谱,根据非负回归系数回归法得到的解析比例与实际质量比例的误差在10%以内;同时,混合样品的实际光谱与理论解析光谱之间均具有高度一致性,F和t检验的结果均在0.01水平上,无显著性差异,从理论上分析了解析比例的可靠性。该方法只需已知几种纯样品的光谱数据,即可解析出混合样品的纯样品组成比例,具有较好应用前景。     

非线性流行降维与近红外光谱分析技术的大米贮藏期快速判别

提出一种基于流行降维的近红外光谱技术快速判别大米贮藏期的新方法。采用近红外光谱仪获取陈年米和新米的反射光谱特征曲线,利用直接正交信号矫正法(direct orthogonal signal correction, DOSC)对原始光谱进行预处理,滤除光谱数据中与因变量Y矩阵无关的信号,以消除无关信息对后续特征变量建模精度的影响。采用Durbin-Watson和Run测试法定性分析光谱数据结构的非线性性,并利用增强偏残差图(augmented partial residual plot)定量分析大米光谱曲线的非线性程度。分别采用线性流行降维法包括主成分分析法(PCA)和多维尺度分析法(MDS)以及非线性流行降维法包括等距映射法(ISOMAP)、局部线性嵌入法(LLE)和拉普拉斯特征映射法(LE)提取预处理后光谱数据的本征变量,并结合核偏最小二乘方法(KPLS)建立本征变量与贮藏时间属性之间的耦合模型。实验用陈年米和新米的样本数均为200个,随机将训练集和测试集样本划分为300个和100个。通过比较各个模型的预测结果得出,基于ISOMAP非线性降维法提取的40个本征变量建立的回归模型预测效果最好,预测相关系数(R2_P)、预测均方根误差(RMSEP)和预测相对分析误差值(RPD)分别为0.917,0.187和2.698。实验结果说明提出的方法对于大米贮藏期具有很好的鉴别能力,该研究为今后大米贮藏期的快速无损检测提供了科学的手段。     

近红外光谱波段优化选择在驴奶成分分析中的应用

近年来,驴奶引起了越来越多研究者的注意.与牛奶相比,驴奶的营养成分更接近母乳,且有着许多独特的优势.由于驴奶与牛奶成分差别较大,适用于牛奶的模型无法直接应用于驴奶的成分分析中.但目前还未见将近红外光谱分析技术应用到驴奶成分分析中的研究报道.文章采用傅里叶变换近红外光谱法,快速测定了新疆疆岳驴奶中脂肪、蛋白质、能量和灰分的含量.其含量分布范围分别为:1.15%～2.54%,0.34%～2.67%,355.87～565.17 cal·kg-1,0.28%～0.57%.光谱扫描区为3 899.6～12 493.4 cm-1,扫描间隔1 cm-1.采用PLS回归算法对光谱信息阵X提取主成分时附加约束,使X的主成分与待分析组分Y相关.并利用优化波段和不同预处理方法优化组合,建立了PLS回归预测模型,并与PLS全谱区建模预测进行了比较.结果表明波段优化组合建模分析效果整体优于全谱区建模结果,驴奶样品中脂肪、蛋白质、能量和灰分的近红外光谱定量分析模型预测值与化学分析实测值在水平α=0.05下显著相关,其含量分析模型的校验集(RMSEP)值分别为0.18,0.117,23.5,0.040 6,表明预测值有较好的精度.结果表明建立近红外光谱定量分析模型用于驴奶样品成分分析是可行的,波段优化选择与全谱建模分析效果比较表明,建立定量分析模型对波段优化组合选择是必要的,当模型中包含了与组分无关的信息时,对模型定量分析将起干扰的作用,会影响模型的分析效果.因此进行谱段信息选择建立相应组分分析模型是数据预处理的有效环节.样品各组分标准值的测定结果的准确度和精确度都影响近红外定量分析的准确度.以近红外光谱法进行定量建模分析时,扩大组分含量的分布范围,提高标准数据的分析精度和准确度都是很必要的.     

光谱分析技术在蝗虫监测中的应用

蝗虫监测技术的研究对保护生态环境和减少经济损失具有重要意义。但长期以来缺乏准确、有效的方法。文章介绍了蝗虫测报技术的发展和蝗虫生境监测的重要性,阐述了光谱技术在蝗虫预测方面的发展概况以及常用算法。遥感可对蝗虫栖息、生长、繁殖的生境进行监测,结合地理信息系统(GIS)可建立测报模型。利用高光谱遥感可以更为准确地监测蝗虫灾害,有利于量度蝗虫危害程度和划分发生区域,同时可监测蝗虫群落的空间分布动态。近红外技术可以判别蝗虫的种类,还可通过土壤水分和养分的测定来监测蝗虫的产卵地,对局部抽样调查和观测蝗虫非常有利。光谱分析技术作为一种快速、有效的监测和预测蝗虫发生的工具,由于其在空间定位、信息获取、信息处理等方面的优势,必将成为这一领域重要的研究手段。文章还对今后的研究方向进行了展望。     

近红外光谱建模样本选择方法研究

针对小麦品种多分类问题,使用近红外光谱进行定性分析。建模样本增加能够使模型包含信息增多,但同时也会导致信息冗余,增加建模时间和存储空间,所以需要通过样本选择降低数据量。如果盲目选择必然会使信息丢失,模型效果将大打折扣,因此,在传统选择方法基础上,提出k近邻-密度样本选择方法。使用多天采集的小麦种子近红外漫反射光谱,在对其原始光谱进行预处理和特征提取后,分别使用随机抽样、k近邻和k近邻-密度三种方法进行建模样本选择,然后建立仿生模式识别模型和改进的仿生模式识别模型。实验结果显示,在建立的仿生模式识别模型中,使用k近邻-密度样本选择方法的模型识别效果优于另两种方法,且建模样本量大大降低;而在改进的仿生模式识别模型中,使用k近邻-密度样本选择方法识别效果明显优于随机抽样,略好于k近邻方法,但使用k近邻-密度方法所选择的样本数量远少于k近邻方法。结果证明k近邻-密度样本选择方法不仅能够大大降低建模样本量,而且保证了模型质量,对解决小麦品种多分类问题有明显效果。     

基于Adaboost+OLDA和近红外光谱的猪肉贮藏时间辨别

猪肉的贮藏时间和猪肉的新鲜度紧密相关。通过近红外漫反射光谱技术获取猪肉样本数据,利用正交线性判别分析(OLDA)算法进行特征提取,同时将自适应提升法(Adaboost)引入OLDA,提出了一种基于Adaboost和OLDA的集成学习算法——Adaboost+OLDA。实验针对分类正确率和运算时间将传统特征提取算法(PCA+LDA和OLDA)和Adaboost+OLDA算法进行了对比研究,结果表明Adaboost+OLDA算法不仅具有很好的运算效率,而且提高了OLDA算法的泛化能力,在猪肉样本测试中达到了95%以上的分类正确率。     

基于烟叶电子鼻-近红外数据融合的支持向量机分类判别烟叶年份

提出了一种基于烟叶近红外光谱(NIR)和烟叶电子鼻(EN)融合数据的烟叶年份判别的支持向量机分类模型。在NIR和EN数据融合的基础上,利用遗传算法来进行变量选择,再建立烟叶年份判别支持向量机模型,所得到的烟叶判别模型在训练集和独立测试集上都具有较高的准确率。建立的烟叶判别NIR-E-SVM模型的建模准确率达到100%,留一法准确率达到98.55%,对未知样本的预报准确率为90%。     

基于Adaboost及谱回归判别分析的近红外光谱固态发酵过程状态识别

为了实现固态发酵过程状态的快速监测,以饲料蛋白固态发酵为实验对象,开展了基于近红外光谱分析技术的饲料蛋白固态发酵过程状态定性识别研究。首先利用Antaris Ⅱ型傅里叶变换近红外光谱仪采集140个固态发酵物样本的近红外光谱,并采用标准正态变换(SNV)光谱预处理方法对获得的原始光谱进行预处理;其次,采用谱回归判别分析(SRDA)法对预处理后的近红外光谱进行特征提取;最后,采用最近邻(NN)分类算法作为弱分类器建立固态发酵过程状态识别模型,并对测试集样本进行识别。结果显示,与利用主成分分析(PCA)法和线性判别分析(LDA)法提取的光谱特征建立的识别模型结果相比较,SRDA-NN识别模型获得的结果最佳,在测试集中的正确识别率达到94.28%;为了进一步提高识别模型的准确率,将自适应提升法(Adaboost)与SRDA-NN方法结合,提出了Adaboost-SRDA-NN集成学习算法来建立饲料蛋白固态发酵过程状态的在线监测模型。通过Adaboost算法提升后的SRDA-NN模型预测性能得到了进一步增强,Adaboost-SRDA-NN模型在测试集中的正确识别率达到100%。试验结果表明：在近红外光谱定性分析模型校正过程中,SRDA方法能有效地对近红外光谱数据进行特征提取,以实现维数约简;另外,Adaboost算法能很好地提升最终分类模型的预测精度。     

多种光谱变量筛选算法在红参提取近红外建模中的应用

红参中提取出的有效活性成分人参皂苷含量对后续产品的质量有重要的影响.传统的红参提取质量控制化学检测方法成本高,具有滞后性.已有的研究表明快速无损的近红外检测方法用于红参提取过程具有可行性,但现有方法依赖仪器自带数据处理软件,无法满足生产实际的精度和速度需求.为实现红参提取过程的快速、精确监测,提出将多种智能光谱筛选算法...     

液态样本近红外光谱测量中的光程变化误差消减方法研究

以蔗糖溶液为研究对象,利用近红外光谱分别测量4,5和6 mm光程下不同浓度蔗糖溶液的透反射光谱,研究采用矢量归一化、基线偏移校正、多元散射校正、标准正态变量变换、一阶导数5种预处理方法消除光程差异的影响,并结合PLS方法建立校正集模型。与原始光谱的PLS模型相比,五种预处理方法均对模型的预测精度有不同程度的提高,其中,多元散射校正结合PLS方法建立的模型最优,使原始光谱的主成分数PC由6下降为3,决定系数R2由0.891 278提高到0.987 535,交互验证决定系数R2_CV由0.888 374提高到0.983 343,校正标准偏差RMSEC由1.704%下降到0.89%,交互验证的校正标准偏差RMSECV由1.827%下降到1.05%,预测集样本的相关系数由0.950 89上升到0.976 22,预测标准偏差由0.014 36下降为0.01。结果表明,五种预处理方法中,多元散射校正法能够消除光程差异的干扰,提高模型的预测精度,改善稳定性。     

中红外和近红外数据融合的香型风格判别

烤烟香型的判别一直是烟草行业的关注焦点.利用中红外和近红外光谱对189份不同香型的烟叶进行分析.分别从中红外谱图数据中提取21个特征波数处以及近红外谱图数据中13个特征波数处的吸光值作为影响因素.通过主成分分析方法分别对选取的中红外、近红外数据进行烟叶清香型、中间香型和浓香型三种香型风格的定性分析.结果表明基于中红外和...     

基于光谱融合的火星表面相关矿物分类方法研究

多源数据融合能在一定程度上扩展数据信息量,更利于建立准确和稳健的分析模型。行星探测中常采用多个载荷协同分析同一目标,因此利用多载荷数据融合辨别分析火星矿物具有重要科学意义和应用前景。分别采用可见近红外(Vis-NIR)反射光谱和拉曼(Raman)散射光谱两种技术手段测量了火星表面主要矿物(硅酸盐、硫酸盐、碳酸盐)的光谱特征曲线,并对获取的光谱数据进行基线校正、Savitzky-Golay平滑以及标准矢量归一化(SNV)等必要的数据预处理。根据光谱特征,首先选取样品Vis-NIR和Raman数据信息丰富、信噪比高、光谱信号重叠小的波段(Vis-NIR：430～2 430 nm,Raman：130～1 100 cm-1),然后运用软独立建模分类法(SIMCA)、主成分分析法-K最邻近分类法(PCA-KNN)分别建立基于Vis-NIR,Raman及两者融合(累加融合、串联融合)的矿物聚类分析模型。采用SIMCA算法的矿物聚类准确率由单一光谱建模的72.6%(Vis-NIR),90.7%(Raman)提升为融合建模的96.3%(累加融合)和98.1%(串联融合);采用PCA-KNN的准确率由单一光谱建模的68.9%(Vis-NIR),72.9%(Raman)提升为融合后的80.3%(累加融合)和92.6%(串联融合)。实验结果表明：光谱融合能够发挥Vis-NIR,Raman各自的数据优势,所建火星表面相关矿物分类模型的预测准确度更高。该研究为我国火星探测任务奠定了岩石分类方法基础。     

基于近红外光谱的柔性基底紫外臭氧改性效果表征研究

近年来,随着纳米科技、聚合物材料和先进制造技术的发展,以柔性传感器为代表的新兴柔性电子器件在可穿戴、健康医疗、物联网终端等领域发挥着越来越重要的作用。作为柔性电子器件的载体,柔性基底对传感器的机械可靠性和电学传感性能等方面有着重要的意义。但由于其表面非极性键造成的高疏水性限制了功能性材料在其表面的沉积,常常造成柔性基底层与电极层/敏感层之间不稳定的界面结合。因此,利用紫外臭氧处理对柔性基底表面改性受到了广泛的关注。利用近红外光谱技术对柔性基底的紫外臭氧处理效果进行快速精准评估,旨在从基团分子层面探究其改性效果,在实际应用中是对传统依靠接触角测量评估方法的有效补充。具体而言,对四种常见的柔性基底材料聚二甲基硅氧烷(PDMS)、聚萘二甲酸乙二醇酯（PEN）、聚对苯二甲酸乙二醇酯（PET）和聚酰亚胺（PI）进行了1/2/5/10 min不同时长的紫外臭氧（UVO）改性处理,并利用近红外光谱对其改性效果进行表征研究,最后利用接触角测量方法对上述的表征结果进行了验证分析。近红外光谱分析表明：对于柔性PDMS基底,紫外光能量不足以切断其中的甲基（—CH₃）官能团和（—C—Si—）等化学键,无法引入羟基、羧基等亲水性基团。对于柔性PEN和PET基底而言,紫外臭氧处理的效果要优于柔性PDMS基底,且对柔性PET基底的处理效果要优于柔性PEN基底,其原因可能是PEN基底材料中萘环的双环结构具有很强的紫外光吸收能力,阻隔了380 nm以下的大部分紫外线能量。对于柔性PI基底,紫外臭氧处理可以有效引入羟基（—OH）和羧基（—COOH）等活性基团,且这些官能团的强度和数量随着处理时间的增加而增加,从而在短时间内使得PI基底表面能增大、接触角减小、湿润性提高。接触角测试结果验证：紫外臭氧处理对于柔性PDMS基底处理效果不明显（接触角下降幅度为8.4%）;对柔性PET基底处理的效果（接触角下降幅度为39.6%）要优于柔性PEN基底的处理效果（接触角下降幅度为9.4%）;紫外臭氧处理的效果对柔性PI基底处理效果最佳,接触角下降幅度达到了62.7%。     

最小角回归结合竞争性自适应重加权采样的近红外光谱波长选择

近红外光谱分析技术对检测样品无损伤且检测速度快、精度高,因此被广泛应用在了药品检测、石油化工等领域,尤其近年来机器学习和深度学习建模方法的深入应用使其具备了更准确的检测性能.然而,样品的近红外光谱数据具有比较高的维度且存在谱间重合、共线性和噪声等问题,对近红外光谱模型的性能产生消极影响,此时样品有效特征波长的筛选极为重...     

秸秆热值近红外光谱模型的外部验证结果间的统计比较分析

从全国24个省(市)收集到222个秸秆样品,包括172个稻秸样品和50个麦秸样品。采用近红外光谱技术,结合主成分回归、偏最小二乘回归和改进的偏最小二乘回归建立了秸秆热值的定量分析校正模型。近红外光谱模型的建立与优化过程中使用了不同的散射校正方法和光谱导数处理来帮助改善模型精度。对得到的54个模型采用统计学的方法分析外部验证的结果,通过比较外部验证的系统偏差(Bias)和Bias校正的预测标准差(SEP(C)),考察了不同光谱预处理和回归方法对秸秆热值的近红外模型预测性能的影响。结果表明:近红外光谱技术能够快速、准确地分析秸秆的热值,模型的SEP(C)在134～178 J·g-1之间;对外部验证结果的统计分析,能够有效地选择较好的建模方法,确定较优模型。     

基于Si-cPLS的小麦种子发芽率近红外模型优化研究

为了提高近红外光谱技术快速测定小麦种子发芽率的准确度和稳健性,比较分析了基于全光谱的单一偏最小二乘(PLS)模型和多模型共识PLS模型(cPLS)性能,并提出了基于特征光谱的多模型共识PLS模型(Si-cPLS) 。实验收集84份小麦种子,通过SPXY法将样本集划分为训练集样本66个,预测集样本18个。从训练集中随机抽取50个样本作为校正集建立一系列PLS子模型,选取其中性能较好100个子模型作为成员模型建立cPLS模型,取成员模型预测结果的均值来分析未知样本。在此基础上,采用组合间隔偏最小二乘法(SiPLS)筛选特征谱区建立多模型共识PLS模型(Si-cPLS)。各模型均采用均值中心化预处理方法,PLS模型、cPLS模型以及Si-cPLS 模型对预测集的小麦种子发芽率进行50次重复预测的平均相关系数r分别为0.935,0.949和0.967,平均预测均方根误差RMSEP分别为13.735%,12.533%和10.273%,RMSEP 的标准偏差分别为1.144%,0.096%和0.08%。实验结果表明cPLS模型较单一PLS模型更加稳定可靠,而基于特征光谱的Si-cPLS模型则进一步提高了cPLS的稳定性与预测精度,为建立性能优秀的小麦种子发芽率近红外模型提供了新思路。     

近红外光谱分辨率对液体样品近红外定量模型影响的研究

以四种组分的液体混合样品为实验对象,研究了不同分辨率下(1,4,16,32和64 cm-1)的近红外光谱模型,采用偏最小二乘法建立校正模型,全交互验证法进行检验。用目标函数值来评价定量模型性能。对于原光谱所建立的模型,苯和苯甲醛在分辨率1 cm-1时的目标函数值最大,甲苯在4 cm-1时的目标函数值最大,而氯苯在16 cm-1时的目标函数值最大;对于一阶导数光谱所建立的模型,四种组分的目标函数值均在1 cm-1时最大。结果表明,首先,仪器分辨率对近红外光谱定量分析结果有影响,对于光谱重叠严重的组分,提高分辨率对定量分析有利;但在分析对象的真实带宽较大的定量分析中,可采用较低分辨率以保证信噪比。其次,仪器分辨率对不同的组分的影响是不同的。此外,原光谱的信噪比及样品中不同组分光谱的带宽共同影响定量结果,在保证光谱信噪比的前提下,高分辨率对定量模型有利。     

多元散射校正预处理波段对近红外光谱定标模型的影响

利用近红外光谱对非均匀样品进行分析时,所得样品光谱中包含由光散射导致的干扰信息,通常需要借助多元散射校正算法(multiple scattering correction, MSC)对光谱进行预处理。由于不同波段光谱中所包含的散射信息、噪声水平、基线漂移程度等存在差异,利用MSC方法对光谱进行预处理时,基于不同波段的光谱数据会得到不同的校正结果,进而影响所得定标模型的可靠性。以60个全麦粉样品为研究对象,确定定标区间后,对包含定标区间的不同波段的原始光谱分别进行MSC处理,并利用固定区间内的光谱数据结合偏最小二乘回归(partial least square regression, PLSR)方法建立分析样品中蛋白质含量的定标模型,研究了MSC光谱预处理波段对定标模型的影响,并对MSC光谱预处理波段进行了优化,使定标模型的相关系数由0.96提高到0.98,交互验证均方根误差(root mean squares error of cross validation, RMSECV)由0.37%降低到0.32%。结果表明：利用MSC方法对样品光谱预处理时,光谱预处理波段会影响多元散射校正对光谱中非化学吸收信息的校正能力,确定合适的预处理波段是获得可靠分析结果的一个前提条件。