不同颜色冬枣可溶性固形物可见-近红外光谱分析模型构建

冬枣品质受其品种和生长环境等因素的影响,引起采后化转红指数不同,导致果实的颜色差异较大,从而影响其可溶性固形物（SSC）检测模型的分析精度。采用可见-近红外（Vis-NIR）光谱结合Norris-Williams平滑（NWS）、连续小波导数（CWD）、多元散射校正（MSC）、标准正态变量变换（SNV）和NWS-MSC五种光谱预处理方法构建不同颜色（红绿相间MJ,绿色GJ和红色RJ）冬枣SSC的偏最小二乘（PLS）定量分析模型,分别采用MJ,GJ,RJ,MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型,并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价;以不同建模样品集（校正集）的校正相关系数（R_c）和交互验证均方根误差（RMSECV）作为构建最优模型的评价指标;测试集的预测相关系数（R_p）和预测均方根误差（RMSEP）用于模型预测精度的评价。研究结果表明：分别采用MJ,GJ和RJ的独立样品集进行建模时,模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测;分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时,MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果,其RMSECV,R_c,RMSEP,R_p分别为1.108,0.698,0.980,0.724和1.108,0.698,0.983,0.822,而对RJ样品的预测误差较大,模型的RMSECV,R_c,RMSEP,R_p为1.108,0.698,1.928,0.597;而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果：MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.077,0.668;对GJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,0.881,0.861;对RJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.140,0.841;采用蒙特卡罗无信息变量消除（MCUVE）方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后,模型的R_c和R_p分别由原来的0.796和0.864提高到0.884和0.922,模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721,模型具有较好的分析精度。采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时,当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时,模型具有更好的通用性。     

基于激光诱导击穿光谱技术的咖啡豆中咖啡因含量快速检测方法

应用激光诱导击穿光谱(LIBS)技术研究了快速检测咖啡豆中咖啡因含量的可行性。将咖啡豆磨粉压成片状作为采集LIBS光谱数据的样本,应用原子吸收分光光度计测量每个样本中咖啡因的含量。应用基线校正,小波变换和归一化等数据预处理方法;针对基于全部变量的偏最小二乘(PLS)模型会出现过拟合,分别应用回归系数和主成分分析(PCA)选择特征变量,并建立了基于特征变量的PLS和BP神经网络模型。结果表明：基于回归系数所选特征变量的PLS模型中,建模集相关系数R_c=0.96,预测集R_p=0.91;基于PCA提取特征变量的PLS模型中,R_c=0.94,R_p=0.90;基于PCA所选特征变量的BP神经网络模型中,R_c=0.96,R_p=0.96。两种方法所提取特征变量均对应C,H,O,N,Na,Mn,Mg,Ca和Fe,且基于上述两种方法所选特征变量的PLS模型均对预测集样本有较好的预测结果,说明上述元素与咖啡因含量存在联系,应用回归系数和PCA选择的特征变量是有效的,但是咖啡豆内C,H,O,N,Na,Mn,Mg,Ca,Fe与咖啡因含量的确切关系需要进一步研究。基于PCA所选特征变量的BP神经网络模型有更优的预测结果,说明所选特征变量适用于不同的建模方法。研究表明LIBS技术结合化学计量学方法可以实现咖啡豆中咖啡因含量的快速检测。     

高光谱成像的褐土土壤速效钾含量预测

精细农业变量施肥取决于对农田的土壤养分分布的了解,快速获取土壤信息是实施精细农业的基础。速效钾是土壤肥力的重要参数,是植物生长发育所必需的营养元素。对土壤速效钾含量进行测量,是了解土壤肥力的重要途径,是实现精细农业的必要条件。以山西典型褐土土壤为研究对象,采集农田耕层褐土土壤样品共169份,样品经风干处理,手动捏碎较大的土粒并去除杂质后,未经研磨过筛处理而直接用于土壤近红外高光谱的测量。根据实验室速效钾含量测定结果,将所有土壤样品分为两类：其中速效钾含量低于100 mg·kg-1的样品共144个,随机选取108个作为低含量建模集（L_c）,剩余36个作为低含量验证集（L_p）;速效钾含量高于100 mg·kg-1的样品共25个,随机选取19个作为高含量建模集（H_c）,剩余6个作为高含量验证集（H_p）。其中L_c和H_c统称为所有含量建模集（T_c）,L_p和H_p统称为所有含量验证集（T_p）。获取所有土壤样本950~1 650 nm范围内的近红外高光谱图像。分别采用平均光谱曲线（R）、平均光谱曲线的一阶导数（FD）、平均光谱曲线与一阶导数共同建模（R&FD）、平均光谱曲线与一阶导数的乘积（R*FD）、平均光谱曲线与一阶导数的商（R/FD）等五种光谱数据预处理方法,结合偏最小二乘法（PLS）,分别对建模集T_c,L_c及H_c建模,然后分别对验证集T_p,L_p及H_p进行验证。结果表明：土壤的平均光谱反射率随速效钾含量的增大呈现先增加后减小的趋势。当速效钾含量低于100 mg·kg-1时,所有波段的光谱反射率随速效钾含量的增加而增加;当速效钾含量在100~200 mg·kg-1之间时,所有波段的光谱反射率均达到最大值。当速效钾含量超过200 mg·kg-1时,950~1 400 nm的光谱反射率急剧减小,但曲线的整体斜率显著增加;且速效钾含量越高,曲线整体斜率越大。当速效钾含量高于100 mg·kg-1时,平均光谱曲线的一阶导数显著增大,且随速效钾含量的增加而增加。该研究建立的PLS模型,可以对整体（所有速效钾含量）和高含量（≥100 mg·kg-1）速效钾进行有效预测,但无法对低含量（≤100 mg·kg-1）速效钾进行预测。建模效果最好的光谱预处理方法为R*FD,其次为FD,R,而R&FD,R/FD预测效果相对较差。最优建模方式为：R*FD结合T_c建模,其PLS主因子个数为2个,RMSE_c=29.293,RPD_c=4.669,R2_c=0.956;对T_p的验证效果为RMSE_p=29.438,RPD_p=4.740,R2_p=0.958;对H_p的验证效果为RMSE_p=23.033,RPD_p=3.199,R2_p=0.915。该模型能够根据土壤速效钾的含量对土壤进行分类：当预测值小于100 mg·kg-1时,表明土壤速效钾含量低于100 mg·kg-1,具体含量不确定;当预测值大于100 mg·kg-1时,预测值则能够很好反映土壤速效钾的真实含量。由于选用的土壤样本未经研磨和过筛处理,因而能够大大缩短样本制备时间,提高预测效率。该研究结果可为近红外高光谱成像应用于褐土土壤除速效钾含量以外其他营养成份的快速预测提供参考。     

高光谱成像技术的三文鱼多品质指标的预测与分布可视化研究

采用颜色、剪切力和K值评价冰鲜与冻融三文鱼的品质,利用高光谱成像技术结合化学计量学方法对三个品质指标进行预测,并讨论了不同波长选择算法所建模型的预测效果。准备不同冻融次数三文鱼样本,进行高光谱数据采集和品质指标真实值的测定。采用六种预处理方法减少光谱数据中暗电流以及噪声的干扰,采用竞争性自适应重加权算法（CARS）、区间变量迭代空间收缩法(iVISSA), iVISSA-CARS筛选出与待测指标相关的变量,通过比较三种波长选择算法筛选的特征变量所建偏最小二乘(PLS)模型的预测结果,优选出三个品质指标最佳的变量选择方法。结果表明1st Der-CARS-PLS模型对颜色中的a*预测效果最好,筛选出的51个变量建立模型的R_c和R_p分别为0.931 6和0.929 7,RMSECV和RMSEP分别为0.716和0.735;2nd Der-CARS-PLS模型对剪切力的预测效果最好,筛选出的61个特征变量建立模型的R_c和R_p分别为0.892 1和0.887 3,RMSECV和RMSEP分别为0.67 N和0.80 N;模型N-CARS-PLS取得了K值最好的预测效果,筛选出的51个特征变量所建模型的R_c,R_p,RMSECV和RMSEP分别为0.951 4, 0.950 0, 1.33, 1.53。说明CARS变量筛选方法能够有效提取与特征指标相关的变量,提高模型的预测性能。除此之外,特征变量筛选联合算法iVISSA-CARS-PLS对三个指标的预测也取得了较好的结果,对三个指标测试集的R_p分别为CARS-PLS预测模型的97.48%,97.02%,98.98%,而所用变量数仅为CARS-PLS的60.78%,62.29%,60.78%,说明变量筛选组合算法极大的减少了建立模型所用的数据量。三个指标的CARS-PLS以及iVISSA-CARS-PLS模型取得的预测效果均高于iVISSA-PLS,说明对于三文鱼三个品质指标的预测,CARS波长点筛选策略优于iVISSA波段选择策略。将优选出来的PLS模型分别用于构建三个品质指标的可视化分布图,清楚的展示了不同冻融次数三个品质指标的大小以及空间分布。因此,高光谱成像技术结合化学计量学方法可以较好的表征三文鱼的品质指标,为三文鱼多品质指标的同时快速检测提供了部分理论参考。     

基于CARS-MIV-SVR的库尔勒香梨可溶性固体含量预测方法

为了实现库尔勒香梨依据可溶性固体含量（SSC）分级定等和按质论价,推动采后处理向标准化、产业化方向健康发展,利用高光谱成像技术研究出了一种快速、有效、无损检测库尔勒香梨SSC的方法。以表面无损伤的157个库尔勒香梨作为研究样本,应用高光谱成像采集系统获取400~1 000 nm波长范围内高光谱图像并用ENVI5.3软件提取感兴趣区域（ROI）,获得高光谱数据。采用Kennard-Stone（KS）样本集划分方法将全部样本按照2∶1的比例划分为校正集（105）和预测集（52）。对比标准变量变换（SNV）、多元散射校正（MSC）、一阶导数（FD）和二阶导数（SD）等数据预处理方法对建模精度的影响,最终选用SNV方法对光谱曲线进行平滑去噪。该研究提出竞争性自适应重加权算法与平均影响值算法的组合算法（CARS-MIV）选择特征波长。在竞争性自适应重加权算法（CARS）方法中,建模样本由蒙特卡罗算法随机选择生成,变量回归系数会随之发生变化,因而回归系数的绝对值不能全面反映变量重要性,从而影响模型检测精度。为降低这种影响,应用平均影响值（MIV）算法对选出的自变量进行二次筛选,筛选出相关性较大的变量用以建模分析,并与CARS、连续投影算法（SPA）、蒙特卡罗无信息变量消除算法（MCUVE）等经典特征波长选择算法进行比较。最后分别以全波长（FS）光谱信息和四种特征波长选择方法得出的光谱信息作为输入矢量,应用支持向量回归（SVR）建立库尔勒香梨可溶性固体含量定量预测数学模型,以校正集相关系数（R_c）、校正集均方根误差（RMSEC）、预测集相关系数（R_p）和预测集均方根误差（RMSEP）四个参数来评估模型的预测精度。比较分析发现,CARS-MIV-SVR模型效果最佳,校正集相关系数（R_c）为0.985 94,预测集相关系数（R_p）达到0.946 31,校正集和预测集均方根误差分别为0.185 85和0.403 33。结果证明：CARS-MIV特征波长选择方法能够有效增强库尔勒香梨光谱数据特征波长选择的稳定性和精确性,提高模型的预测精度。利用高光谱技术结合CARS-MIV-SVR模型能够满足库尔勒香梨可溶性固体含量测定需求,实现库尔勒香梨的分级定等和按质论价。     

傅里叶变换红外光谱的牛乳中αs1-酪蛋白和κ-酪蛋白含量的快速检测

为了找到一种能够对牛乳中的两种主要过敏原（α_s1和κ-酪蛋白）含量快速检测的方法,以河南、湖北、宁夏和内蒙古四省区的211份中国荷斯坦牛牛乳样本为研究对象,建立了基于傅里叶变换中红外光谱技术的牛乳中α_s1和κ-酪蛋白含量的无损快速检测模型。首先对牛乳的原始光谱进行预分析,发现水对牛乳的光谱吸收具有很强的干扰,对水的两个主要吸收区域1 597~1 712和3 024~3 680 cm-1进行分析,发现水的吸收区域1 597~1 712 cm-1和蛋白的部分吸收区域1 558~1 705 cm-1（酰胺Ⅰ）基本重合,通过对比去除1 597~1 712 cm-1前后的效果,最终选择925.92~3 005.382 cm-1的光谱区域作为敏感波段用于后续分析。选取的全光谱经手动降维,利用MCCV剔除异常样本,分别采用标准正态变量变换（SNV）、多元散射校正(MSC)等8种预处理算法和竞争性自适应重加权算法（CARS）、无信息变量消除法（UVE）等3种特征选择算法联合建立支持向量机回归模型（SVR）。经检验,对于α_s1-酪蛋白,一阶导数和CARS算法结合建立的SVR模型效果最优,训练集相关系数Rc和测试集相关系数R_p分别为0.882 7和0.899 8,训练集均方根误差RMSEC和测试集均方根误差RMSEP分别为1.136 3和1.372 6;对于κ-酪蛋白,一阶差分和UVE算法结合建立的SVR模型效果最优,训练集相关系数R_c和测试集相关系数R_p分别为0.880 8和0.890 3,训练集均方根误差RMSEC和测试集均方根误差RMSEP分别为0.534 5和0.535 4。研究结果表明,基于傅里叶变换中红外光谱技术建立的SVR模型可以对牛乳中的过敏原α_s1和κ-酪蛋白含量进行无损检测,预测效果良好,此研究弥补了国内利用光谱技术对牛乳中的酪蛋白进行无损快速检测的空白。     

酥梨货架期的高光谱成像无损检测模型研究

水果新鲜度是反映水果是否新鲜、饱满的重要品质指标,为了探讨水果不同货架期的预测和判别方法,以酥梨为研究对象,利用高光谱成像技术,结合偏最小二乘判别法（PLS-DA）和偏最小二乘支持向量机（LS-SVM）算法对酥梨货架期进行判别。由光源、成像光谱仪、电控位移平台和计算机等构成的高光谱成像装置采集样品光谱,装置光源采用额定功率为200 W四个溴钨灯泡成梯形结构设计,光谱范围为1 000～2 500 nm,分别率为10 nm。选取优质酥梨30个,货架期设置为1, 5和10 d,对30个样品完成3次光谱图像的采集,并矫正原始图像。实验结果表明：基于图像的酥梨货架期定性分析时,对不同货架期样品的原始图像进行PCA压缩,得到三种不同货架期的权重系数数据,PC1图像提取特征波长点为1 280,1 390,1 800,1 880和2 300 nm,以特征图像的平均灰度值作为自变量且以货架期作为因变量建立定性判别模型,建模集68个,预测集22个。最小二乘支持向量机以RBF为核函数时,预测集中样品的误判个数为1,误判率为4.5%。而当采用lin核函数时,样品的误判个数为0,误判率为0。PLS-DA定性分析时RMSEC为1.24,R_c为0.93。RMSEP为1,R_p为0.96,预测集误判率为0。特征图像对酥梨货架期判别LS-SVM中的lin核函数所建立的模型结果较好,优于RBF核函数的建模效果,也优于PLS-DA判别模型。ENVI软件提取实验样品光谱后建立LS-SVM和PLS-DA判别模型,LS-SVM利用RBF和lin核函数误判率分别为4.5%和0。与RBF核函数相比,lin核函数所建立的模型预测酥梨货架期的效果更好。PLS-DA方法主成分因子数为12,RMSEC和RMSEP分别为0.48和0.78,R_c和R_p分别为0.99和0.97,建模集与预测集的误判率均为零。LS-SVM中的lin核函数所建立的模型结果较好,依然优于PLS所建立的检测模型。酥梨的光谱信息结合LS-SVM可以实现对酥梨货架期的检测和判别。基于图像建立酥梨的货架期预测模型与光谱相比,都实现了酥梨货架期的判别,而特征图像法,选择区域较少流失部分信息,计算量小,建模结果相对略差。酥梨货架期的高光谱成像检测模型研究为消费者正确评价水果新鲜度提供了理论指导, 也为后期果水果货架期检测仪器的开发提供了技术支持。     

近红外光谱Elastic Net建模方法与应用

当近红外光谱信息远大于样本量时，对光谱信息进行自动变量选择进而建立光谱与样品含量的稀疏线性模型重要且具有挑战性。利用近红外光谱，将变量选择方法Elastic Net用于聚苯醚生产过程中微量成分邻甲酚的测量，建立近红外光谱与邻甲酚含量之间的定量校正模型，并将其模型预测效果与Lasso方法进行对比。在变量数目远远大于样本量的情形下，Lasso方法虽可实现变量选择，但由于对系数的过度压缩，使得模型的预测精度受到影响，而Elastic Net通过增加L2惩罚项避免了过多删失数据，可以提高模型预测精度。为了验证Elastic Net方法的模型性能指标，用复相关系数R2和调整的复相关系数R2_a来评价模型的可解释性，利用平均相对预测误差MRPE(mean relative prediction error)和预测相关系数Rp来评价模型的预测精度。Lasso方法建立的模型性能指标为：R2=0.94，R2_a=0.93，MRPE=4.51％，R_p=0.96；Elastic Net方法的性能指标为：R2=0.97，R2_a=1，MRPE=3.25％，R_p=0.98。结果表明，Elastic Net所建立模型的性能指标优于Lasso方法，可以得到可解释性较强和预测精度较高的稀疏线性模型。     

基于拉曼光谱的乙醇柴油密度、粘度和乙醇含量分析研究

乙醇柴油作为清洁燃料是柴油很好的替代品,不同乙醇含量的乙醇柴油其粘度有差别,而乙醇的含量直接影响着柴油机燃烧性能。所以急需一种方法实现快速对乙醇柴油主要指标在线监测。对采集到的不同浓度的乙醇柴油的原始拉曼光谱数据使用Savitzkv-Golay平滑(S-G)、多元散射校正(MSC)、微分处理(1stD和2ndD)、标准正态变量校正(SNV)等四种方法以及他们的组合方法对光谱数据进行预处理后,分别建立了乙醇柴油密度、粘度和乙醇含量的偏最小二乘回归(PLSR)模型,比较不同的预处理方法发现,乙醇含量和粘度在S-G+2ndD预处理后所建立的PLSR模型效果最好,预测集R_p分别为0.930和0.918,RMSEP分别为1.237和0.034;S-G+1stD预处理后所建立的乙醇柴油密度PLSR模型结果最优,预测集R_p最大,为0.962,RMSEP最小,为0.14×10-2。将经过S-G+2ndD预处理后的光谱数据选用递归偏最小二乘算法(RPLS)、无信息变量消除(UVE)、正自适应加权算法(CRES)、连续投影算法(SPA)四种变量筛选方法以及将它们组合筛选得到的波长变量分别作为输入变量建立了PLSR模型,在使用SPA-CARS波长筛选方法所建立的乙醇柴油乙醇含量的预测模型效果最优,其预测集的R_p,RMSEP分别为0.978 1和0.825 5。结果表明使用该方法可以很好的对乙醇柴油的密度、粘度以及乙醇含量等主要指标进行预测。     

Lasso算法的油砂钠元素近红外建模

以油砂中钠元素为研究对象,首次应用近红外光谱,结合Lasso(least absolute shrinkage and selection operator)建模方法,建立了油砂金属钠含量的近红外光谱定量校正模型,并与传统的PLS建模方法进行比较。结果表明,两种方法建立的油砂金属钠含量校正模型都具有很高的精度,预测性能方面略有差异。在实验验证集与预测集中,PLS与Lasso算法的相关系数分别是：R_v=0.878 8,R_p=0.857 9和R_v=0.887 4,R_p=0.860 0。实验验证了使用近红外光谱快速测定油砂金属钠含量的有效性,并分析了PLS与Lasso算法的适用范围。     

不同贮藏温度下滩羊肉pH值的近红外高光谱动力学模型建立

为了比较4℃、15℃两种贮藏温度下滩羊肉pH值的变化,优选出滩羊肉贮藏期间的最优模型,采用pH酸度计测量样本pH值,建立两种贮藏温度下传统动力学的零级和一级模型;应用近红外(900～1 700 nm)高光谱成像采集两种贮藏温度下滩羊肉的光谱数据,剔除异常值后进行光谱预处理;使用连续投影算法(SPA)提取特征波长,建立全波段和特征波长的偏最小二乘(PLSR)预测模型;对比分析得到的最优光谱模型与动力学模型相结合,确定滩羊肉光谱动力学模型。结果表明,4℃和15℃的传统动力学模型的相关系数分别为0.502和0.912;4℃下原始光谱经PLSR建模后效果最优,相关系数R_c为0.821,R_p为0.863,15℃经SG-S(3,7)+De-trending(4)预处理后经PLSR建模效果最优,相关系数R_c为0.876,R_p为0.819。因此,高光谱结合传统动力学的模型检测羊肉pH值的方法是可行的,该模型可以预测15℃下滩羊肉的贮藏期。     

Box-Behnken法冷鲜滩羊肉蛋白质的高光谱模型优化

高光谱成像技术是一种将成像与光谱相结合的新型无损检测技术,属于间接分析方法;光谱模型的建立非常关键,需综合考察各建模因素间的交互作用。应用Box-Behnken法设计响应面试验优化冷鲜滩羊肉蛋白质含量的可见/近红外高光谱定量检测模型。使用可见/近红外高光谱成像系统采集冷鲜滩羊肉样本的高光谱图像,分析肉样反射光谱特性。采用二维相关光谱技术（2DCOS）,以冷鲜滩羊肉中蛋白质含量为“外界扰动”,研究扰动条件下光谱信号的动态变化,解析二维相关光谱谱图特征,寻找与微扰相关的敏感变量。分别采用多元散射校正（multiplicative scatter correction,MSC）和标准正态变量变换（standard normalized variate,SNV）提取有用信号,优化所选特征波段光谱质量。为实现数据快速降维,减少大量光谱数据处理负担,采用变量组合集群分析法（variable combination population analysis,VCPA）和应用竞争性自适应加权算法（competitive adaptive reweighted sampling,CARS）对2DCOS范围内特征波段进行二次优选。根据Design-Expert软件中Box-Behnken法设计响应面试验,以特征优选、光谱预处理及多元校正方法为考察因素,各因素中3种不同方法为水平,建立冷鲜滩羊肉蛋白质含量分析的优化检测体系。结果表明,波长473,679,734和814 nm处存在较强的自相关峰,473~814 nm范围内的特征波段为冷鲜滩羊肉蛋白质检测的敏感区域;MSC和SNV能够消除肉样自身散射作用的干扰,CARS和VCPA对特征波段进行二次优选,分别优选出了16和9个特征波长;各因素对蛋白质可见/近红外光谱模型预测性能的影响顺序为特征优选方法>预处理方法>多元校正方法,优选出2DCOS-SNV-LSSVM模型具有较高的运行速率和预测能力,其R_c=0.858 8,RMSEC=0.005 8;R_p=0.860 4,RMSEP=0.005 7。研究表明,Box-Behnken法在可见/近红外高光谱（400~1 000 nm）建模参数优化选择中的应用,可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析,为分析对象光谱模型的优化及提高预测结果的准确性提供理论参考。     

高光谱图谱融合检测羊肉中饱和脂肪酸含量

为探究高光谱成像(400~1000 nm)对羊肉中饱和脂肪酸(SFA)含量检测的可行性,提出一种基于特征光谱信息和图像纹理特征融合的SFA含量预测模型,实现对羊肉中SFA含量的快速检测及分布可视化。利用分段阈值法构建掩膜图像,获取羊肉样本感兴趣区域(ROI),结合SPXY法对样本集进行划分并对相关光谱信息进行预处理,分别采用连续投影算法(SPA)、变量组合集群分析法(VCPA)和β权重系数法提取特征光谱;通过获取羊肉样本主成分图像,结合灰度共生矩阵(GLCM)算法提取图像纹理信息;分别对特征光谱、图像信息及图谱融合信息建立的偏最小二乘回归(PLSR)与最小二乘支持向量机(LS-SVM)预测模型进行对比分析。利用5种不同对原始光谱数据进行预处理,经SNV法预处理后的光谱其校正集与预测集相关系数分别为0.921和0.875,较原始光谱分别增加了0.001和0.04,均方根误差模型分别为0.244和0.268,较原始光谱模型分别减少了0.003和0.06;对SNV法预处理后的光谱数据进行特征波长提取,SPA法、VCPA法及β权重系数法分别提取出12,10和9个特征波长;获取羊肉样本的前5个主成分图像,选择所含信息量最多的第一主成分图像进行纹理特征提取,依次提取0,45°,90°和135°方向下的能量、熵、同质性和相关性共4个主要纹理特征。利用SPA法提取的特征波长建立的PLSR与LS-SVM模型性能较好,PLSR模型校正集与预测集相关系数分别为0.8849和0.8807,均方根误差分别为0.3001和0.2606;LS-SVM模型校正集与预测集相关系数分别为0.8987和0.8926,均方根误差分别为0.2767和0.2476;图谱信息融合模型中,PLSR模型校正集与预测集相关系数分别为0.9071和0.9078,较特征光谱模型分别增加了0.02和0.03,均方根误差分别为0.3269和0.2992,较特征光谱模型分别增加了0.03和0.04;LS-SVM模型校正集与预测集相关系数分别为0.9206和0.8946,较特征光谱模型分别增加了0.02和0.002,均方根误差分别为0.2519和0.2458,较特征光谱模型分别减少了0.02和0.002。光谱预处理中经SNV法处理后的光谱所建模型性能优于其他预处理方法;采用SPA法提取的12个特征波长简化了光谱模型,提高了模型性能,特征光谱建模的最优方法为SPA-LS-SVM;图谱信息融合模型较特征光谱模型,模型相关系数增加较少,表明图像纹理信息虽携带了部分有效信息,但这些信息与羊肉中SFA含量之间的相关性有待进一步研究。基于图谱信息融合模型的预测性能最优,其次为光谱信息模型。择优选取SPA-PLSR模型计算羊肉样本中每个像素点的SFA含量,利用伪彩色图直观表示了羊肉样本中SFA的含量分布。实现对羊肉样本SFA含量的无损检测及分布可视化表达。     

基于光谱技术的Bipls算法结合CARS算法的苹果可溶性固形物含量检测

可溶性固形物含量是判断苹果内部品质的重要参考属性之一。利用高光谱技术获取苹果感兴趣区域的反射光谱,以S-G平滑(Savitzky-Golay smoothing)和直接正交信号校正(Direct orthogonal signal correction, DOSC)算法对光谱数据进行梯度预处理后,用后向区间偏最小二乘法(Bipls)优选出3,5,6,7,8,9,13,14,15,16,17,18,19,20,21,23等16个子区间,共计177个波长。结合竞争自适应重加权采样算法(CARS)再作进一步筛选,提取出449.6,512.9,544.8,547.2,594.3,596.8,928.2 nm等7个特征波长,利用偏最小二乘算法(PLS)建立基于特征波长的可溶性固形物含量检测模型,所得模型评价为R_c=0.906 2,RMSEC为0.482 2,R_p=0.871 6,RMSEP为0.614 0。该算法模型预测性能同Bipls和Bipls-SPA模型相比更为优异,证明了Bipls结合CARS算法在提高苹果可溶性固体物含量检测精度方面的有效性。     

基于高光谱成像技术的滩羊肉新鲜度快速检测研究

滩羊肉的新鲜度是其品质安全的一个重要衡量指标,也是肉品品质安全控制的关键环节。挥发性盐基氮（TVB-N）是表征肉品腐败过程主要的化学信息,能有效地评价出滩羊肉的新鲜度。然而,TVB-N的传统检测过程繁琐且人为影响因素大,检测结果缺乏客观性和一致性,不能满足当今肉品检测过程无损、快速、高效的需求。高光谱成像技术符合现代检测技术向多源信息融合方向发展的需求,已在食品安全领域得到广泛应用。利用可见/近红外高光谱成像技术（400~1 000 nm）结合动力学和化学计量学方法以及计算机编程技术,将同时实现滩羊肉贮存期内（15 ℃环境）TVB-N 浓度的快速检测和贮藏期的预测。研究中提取每个样品感兴趣区域的平均光谱数据,选用蒙特卡洛算法剔除异常样本。采用X-Y共生距离（SPXY）法划分为校正集和预测集,分别选用多元散射校正（multiplicative scatter correction, MSC）、卷积平滑（savitzky-golay, SG）、标准变量变换（standard normalized variate, SNV）、归一化（normalization）、基线校准（baseline）五种方法对原始光谱数据进行预处理,优选出最佳预处理方法。采用竞争性自适应重加权法（campetitive adaptive reweighted sampling, CARS）和连续投影算法（successive projections algorithm, SPA）分别提取了21个和6个特征波长。为优化模型并提高其模型精度,采用SPA算法对 CARS 所选特征波长进行二次提取,优选出14个特征波长。基于所提取的特征波长建立TVB-N浓度的PLSR模型,优选出 SNV-CARS-SPA-PLSR 模型具有较高的预测能力（R2_c=0.88,RMSEC=2.51, R2_p=0.65, RMSEP=2.11）。同时,建立了滩羊肉TVB-N变化与贮藏时间的动力学模型,并将优化后的光谱模型和动力学反应模型相结合建立了滩羊肉光谱吸光度值与贮藏时间的高光谱动力学模型,实现对贮藏时间的预测,并通过 PLS-DA判别模型对滩羊肉贮藏时间进行判别分析（校正集判别准确率为100%,预测集为97%）。研究表明,利用可见/近红外高光谱成像技术结合动力学和化学计量学方法以及计算机编程技术,可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析,为开发实时在线检测装备提供理论参考。     

基于二次迭代Monte Carlo的羊肉硬度定量检测研究

随着居民生活水平的提高和对健康饮食结构的重视,羊肉作为一种高蛋白且低脂肪和胆固醇的畜肉,需求量逐年上涨。根据国家统计局统计,2012年-2019年我国畜肉产业中羊肉产量占比从6.27%上升到9.02%。研究提出了一种基于二次迭代Monte Carlo（MC）算法剔除异常样本的羊肉硬度定量检测PLSR模型。采用GaiaSorter高光谱分选仪的Image-λ-V10E-H相机采集羊肉样品400~950 nm的高光谱数据,Image-λ-N17E相机采集羊肉样品900~1 650 nm的高光谱数据。首先,对比分析了S-G平滑、二阶求导、多元散射校正（MSC）、标准正态变换（SNV）等光谱预处理方法在消除噪声影响,提高光谱分别率等方面的能力,选取最佳光谱预处理方法。然后,在第一次MC抽样中,计算所有样本预测误差均值和标准差的平均值,以该平均值的2.5~3倍作为可疑样本阈值,3倍作为异常样本阈值;剔除异常样本,保留并标注可疑样本,进行第二次MC抽样,以样本预测误差均值和标准差的3倍值为阈值进行异常样本二次剔除;对第一次MC抽样中标注可疑样本进行二次检测。最后,对比分析了基于全波长建立的偏最小二乘回归（PLSR）模型和基于回归系数法（RC）提取的特征波长建立的PLSR模型。研究结果表明,所提出的二次迭MC算法可以准确判别可疑样本是否为异常样本,有效优化样本集,为建模提供良好的数据基础。以MSC作为光谱预处理算法基于400~950和900~1 650 nm两段高光谱数据建立PLSR模型的R2_P分别为0.947 2和0.978 3,RMSE_P分别为47.789 9和30.590 1 g,优于其他三种光谱预处理算法。另外,基于900~1 650 nm建立的PLSR模型明显优于基于400~950 nm波长样本集建立的模型。通过RC算法选取出羊肉硬度在400~950和900~1 650 nm波长范围的特征波长分别为14个（410,438,450,464,539,558,612,684,701,734,778,866,884和935 nm）和10个（915,949,1 085,1 156,1 206,1 262,1 318,1 384,1 542和1 580 nm）。其中,基于900~1 650 nm波长建立的PLSR模型的R2_P为0.985 0,RMSE_P为24.397 0 g,为羊肉硬度预测的最佳模型。结果表明,所提出的融合二次迭代MC算法的PLSR模型可以有效预测羊肉冷藏过程中硬度特性变化趋势,为羊肉品质无损检测相关研究提供参考。     

基于高光谱技术的土壤水分无损检测

利用高光谱成像仪(光谱范围400～1 000 nm)对土壤含水率进行了无损检测。比较了208个土样不同天数下土壤含水率与光谱变化、不同质量含水量光谱的差异;对比分析了不同光谱预处理方法、不同方法提取特征波长、采用多元线性回归(multiple linear regression,MLR)、主成分回归(principal component regression,PCR)与偏最小二乘回归(partial least squares regression,PLSR)建模,优选出最佳模型。结果表明：光谱曲线的反射率随着土壤含水率的增加而减小。当超过田间持水率时,光谱曲线的反射率会随着土壤含水率的增加而增大。对比分析了不同预处理方法,近红外波段优选出单位向量归一化预处理方法。采用无信息变量消除法(UVE)、竞争自适应加权采样(CARS)、β系数法、连续投影算法(SPA)方法提取特征波长为49,30,5和7。为了减少数据冗余,对UVE与CARS提取的特征波长进一步采用SPA方法进行特征提取,UVE+SPA,CARS+SPA提取特征波长数分别为5和8个。在此基础上,利用MLR,PCR和PLSR方法对400～1 000 nm范围的特征波长建立模型,对比分析不同建模效果,优选出β系数提取的特征波长的MLR模型。最优的特征波长为411,440,622,713和790 nm,最优模型的预测相关系数R_p=0.979,预测均方根误差RMSEP为0.763。因此,今后可采用不同波段对土壤含水率进行定量分析。     

大豆水分含量的高光谱无损检测及可视化研究

采用近红外高光谱成像技术对大豆水分含量进行快速无损检测,实现大豆水分含量可视化。采集了96个不同品种大豆样本在900～2 500 nm的高光谱图像,采用直接干燥法测量每个大豆样品的水分含量。利用系统自带的HSI Analyzer软件提取图像感兴趣区域（ROI）的平均光谱信息,代表样品的光谱信息。利用SPXY算法划分样品校正集和预测集,并保留938～2 215 nm波段范围内的光谱数据。采用移动平滑（moving average）、S-G平滑、基线校正（baseline）、归一化（normalize）、标准正态变量变换（standard normal variate,SNV）、多元散射校正（multiple scattering correction,MSC）、去趋势（detrending）共7种光谱预处理方法,发现Normalize方法处理后的PLSR模型效果较好。为了去除光谱冗余信息,简化预测模型,采用连续投影算法（SPA）、竞争性自适应加权算法（CARS）、无信息消除变量法（UVE）提取特征波长,其中SPA,CARS和UVE三种算法优选出14,16和29个波长,分别占总波长的6.5%,7.4%和13.4%。分别对938～2 215 nm波段光谱和特征波长建立预测模型,并将效果较优的模型与Normalize方法结合。建立的14种预测模型效果相比较,发现SPA算法筛选的特征波长建模预测效果较好,并优选出Normalize-SPA-PCR模型,模型的R２_C和Ｒ２_P值较高,分别为0.974 6和0.977 8,RMSEP和RMSECV值较低,分别为0.238和0.313,模型的稳定性和预测性较好,可以对大豆水分含量进行准确预测。将Normalize-SPA-PCR模型作为大豆水分含量可视化预测模型,计算高光谱图像每个像素点的水分含量,得到灰度图像,对灰度图像进行伪彩色变换,得到大豆水分含量可视化彩色图像。对预测集的24个大豆品种进行可视化处理,发现不同水分含量大豆的可视化图像颜色不同,水分含量变化对应的颜色变化较为明显。结果表明,高光谱成像技术结合化学计量学可以准确快速无损预测大豆水分含量,实现大豆水分含量可视化,为大豆收获、贮藏加工过程中水分含量检测提供了技术支持。     

高光谱技术融合纹理信息的羊肉总酚浓度快速检测

为了研究可见-近红外（Vis-NIR）高光谱成像对滩羊肉中总酚浓度（TPC）快速检测的可行性,基于光谱信息融合图像纹理特征建立TPC含量的预测模型,实现滩羊肉中TPC含量的可视化表达。将样本集根据3∶1的比例划分成校正集和预测集,采用多元散射校正（MSC）、基线校准（Baseline）、去趋势（De-trending）、卷积平滑（S-G）、标准正态变量变换（SNV）、归一化（Normalize）等校正方法去除原始光谱中不良散射等干扰信息。通过竞争性自适应加权抽样（CARS）、引导软收缩（BOSS）、区间变量迭代空间收缩法（iVISSA）和变量组成集群分析-迭代保留信息变量（VCPA-IRIV）提取TPC浓度的代表性特征光谱。采用灰度共生矩阵（GLCM）算法依次提取肉样第1主成分图像中纹理特征。基于特征光谱及图谱融合信息建立滩羊肉中TPC含量的偏最小二乘回归（PLSR）与最小二乘支持向量机（LSSVM）预测模型并进行对比分析。结果表明,（1）利用De-trending+SNV预处理后的光谱数据建立的PLSR预测模型性能较好,其R2_C=0.874 9,R2_P=0.793 2;（2）采用CARS,BOSS,iVISSA和VCPA-IRIV分别提取出了23,35,57和43个特征波长,占全光谱的18.4%,28%,45.6%和16.8%;（3）采用BOSS法提取的关键性波长建立的LSSVM模型性能较好,其R2_C=0.851 3,R2_P=0.745 9,RMSEC=0.116 8和RMSEP=0.155 0;（4）与基于特征波长建立的预测模型相比,BOSS-ASM-ENT-CON-LSSVM模型为滩羊肉中TPC浓度的最佳图谱融合预测模型（R2_C=0.850 0,R2_P=0.770 9,RMSEC=0.116 0,RMSEP=0.144 7）;（5）利用BOSS-PLSR简化模型将TPC浓度反演到样本的高光谱图像上,通过色彩直观化形式展现出来,实现TPC含量的可视化表达。     

变量优选补正算法的鲜枣可溶性固形物检测模型传递方法研究

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（R2_p）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（R2_p=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（R2_p=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（R2_p=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（R2_p=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。