红外光谱在微藻领域的应用研究进展

微藻富含类胡萝卜素、维生素、蛋白质、多不饱和脂肪酸等多种人体和动物所必需的营养成分，同时在水生态系统的维持和保护中也扮演着重要的角色，因此开展微藻生物学的研究具有十分重要的实际应用价值。传统的微藻成分的检测分析需要经过微藻细胞研磨破碎、有机溶剂分离提取、液(气)相检测等一系列的繁琐的操作步骤，有费时、需要高昂的仪器设备、操作过程复杂等缺点，因此需要发展更加快速高效的微藻细胞组分检测分析技术。红外光谱作为一种高效的物质检测和分析手段可以实现对微藻样品中的蛋白、脂类、核酸、多糖、叶绿素、类胡萝卜素等多种成分同时分析，具有简单、快速和无损检测等优势，特别是结合显微镜技术的红外光谱成像可以在微空间尺度上研究单一细胞或组织中各组分的变化。近年来，尤其是随着同步辐射技术的迅速发展，为红外光谱仪器提供质量更好、能量更高的同步辐射光源，使得红外光谱显微光谱及成像检测技术具有更高的灵敏度和空间分辨率，实现了能够在细胞和亚细胞尺度上对个体进行高空间分辨的原位观测，这在一定程度上解决了许多常规的检测分析技术不能同时兼顾高通量测量和高空间分辨率观察之间的矛盾。首先介绍了红外光谱技术的原理及其特点并分析了显微红外光谱及成像技术在生物样品检测中的独特优势，特别介绍红外光谱结合化学计量学的分析方法在生物学研究领域的应用。接下来综述了此项技术在分类鉴定、生长代谢监测、育种、水环境、食品医药等与微藻相关领域国内外的应用研究进展。比如，结合化学计量学方法红外光谱能够进行微藻的快速鉴定、判别和分类。利用红外光谱多组分快速检测的优势，可以实现微藻生长代谢的研究。基于红外光谱无损、高效检测的特点，可以实现油脂、β-胡萝卜素、虾青素等高产藻株的快速筛选。另外，微藻还可以有效地吸附废水中的重金属和有机活性染料，利用红外光谱可以对其吸附和降解环境污染物的机理进行研究。红外光谱还能够快速高效地实现微藻成分的分析和鉴定，因而可以用于微藻食品药品质量的检测和真伪的鉴定。然而，红外光谱在微藻的研究和应用方面还处于发展阶段，尚存在着一定的缺点和不足，对此进行了讨论和分析并提供了相应的解决方案。最后，对红外光谱在微藻的规模化养殖、高产藻株的筛选、微藻的生理、细胞器的结构和功能的研究等领域进行了展望。     

小球藻、球等鞭金藻和螺旋藻生物量高光谱成像的可视化研究

微藻高效培养是微藻生物能源开发利用的关键和前提,而在营养充足的培养条件下生长迅速但较易受到环境污染和影响,因此微藻生长过程中对其生长状况进行监测意义重大。高光谱成像技术同时拥有丰富物质品质信号的优点和图像包含丰富品质分布空间信息的优点,可为微藻的快速无损检测提供新的方法和手段。分别采集小球藻、球等鞭金藻和螺旋藻三种微藻各45个样本的高光谱图像,并提取样本感兴趣区域(ROI)的平均光谱。利用连续投影算法(SPA)波长优选之后,取30个建模集样本的光谱数据与其相应的生物量建立多元线性回归(MLR)模型,对15个预测集样本的生物量进行预测,小球藻、球等鞭金藻和螺旋藻预测相关系数(r)分别为0.950,0.969和0.961,预测均方根误差(RMSEP)为0.010 2,0.010 7和0.017 1,获得了较好的预测精度。最后,用所建MLR模型对预测集图像上每个像素点的生物量加以预测,采用Matlab图像编程处理将不同的生物量用不同的颜色表示,最终以伪彩图的形式实现藻液生物量的可视化。研究结果表明,高光谱成像技术对小球藻和螺旋藻藻液生物量的可视化效果较好,对球等鞭金藻的预测效果还需要进一步改进。本研究为实现微藻生长信息的快速获取和进一步开展微藻生物质能源利用奠定了一定的研究基础。     

小球藻生长过程脂肪含量动态变化快速无损检测方法研究

微藻-生物柴油转化生产要求产油微藻细胞内大量积累脂肪,而藻类脂肪的积累受外界环境影响较大,因此,微藻生长过程中对藻体脂肪变化进行快速检测和分析有着非常重要的意义。以小球藻(Chlorella sp.)为研究对象,利用可见/近红外光谱技术和高光谱成像技术对不同光源培养条件下微藻生长过程脂肪动态变化和脂肪含量分布可视化分析进行了研究。研究结果表明,虽然利用两种技术获取的小球藻透射光谱和反射光谱有差异,利用连续投影算法进行特征波长也不完全相同,但基于两种技术获得的对于脂肪含量的特征波段光谱建立的小球藻脂肪含量多元线性回归模型的预测结果接近,分别为r_(pre)=0.940,RMSEP=0.003 56和r_(pre)=0.932,RMSEP=0.004 23。研究中小球藻接种初期至生长指数期初期藻体内脂肪含量相对平稳,积累增加发生在生长对数期的末期,而在生长平稳期时的小球藻藻液中,脂肪含量较高的藻体呈现出聚集生长的状态。小球藻生长过程中生命信息快速无损检测方法的实现为微藻实际生产培养和收获策略的制定提供了理论依据和技术手段。     

可见-近红外光谱的螺旋藻生长品质指标快速无损检测

为了实现微藻生长过程品质指标的快速无损检测，提出了可见-近红外光谱技术检测不同红蓝光源组合培养条件下螺旋藻中叶绿素a和蛋白质的含量。采集不同含量红光和蓝光组合下螺旋藻在325～1 075 nm波段范围内的光谱信息，其中红光与蓝光的含量组合分别是(100%，0%)，(90%, 10%)，(70%，30%)，(50%, 50%)。同时测量叶绿素a和蛋白质的含量，建立偏最小二乘(PLS)预测模型。分别基于连续投影算法(SPA)选择了用于叶绿素a和蛋白质预测的特征波长，分别得到5个(404，440，518，662和875 nm)和4个(411，531，602和1 047 nm)特征波长。基于特征波长建立了PLS和多元线性回归(MLR)预测模型，SPA-MLR模型中叶绿素a和蛋白质预测集相关系数(correlation coefficient, R_p)分别是0.949和0.974，均方根误差(RMSEP)分别是0.018 8和0.006 74。结果表明：可见-近红外光谱检测螺旋藻藻体中叶绿素a和蛋白质含量是可行的，通过测量螺旋藻的光谱结合化学计量学方法可以实现对螺旋藻生长状况的检测。     

基于支持向量机算法的红外光谱技术在奶粉蛋白质含量快速检测中的应用

蛋白质是奶粉中重要的营养成分,实现对奶粉中蛋白质含量的快速、无损检测十分重要。文章采用近红外及中红外光谱技术检测了不同品种奶粉的蛋白质含量。采用最小二乘支持向量机对光谱透射率值和蛋白质值建模。模型在全波段对样本蛋白质含量预测得到了较好的结果,绝对系数(R2_p)达到0.9517,预测误差均方根(RMSEP)为0.520 201。预测结果要优于传统的偏最小二乘回归(PLS)的预测结果,说明红外光谱技术能够实现奶粉蛋白质含量的无损检测,且检测过程比传统化学检测方法简单,操作性强。文章同时还研究了分别基于中红外光谱范围和近红外光谱范围的建模。模型预测结果显示中红外光谱区域的建模效果要优于近红外光谱区域。该研究为今后奶粉蛋白质含量快速无损检测提供了新的方法。     

面向XRF的竞争性自适应重加权算法和粒子群优化的支持向量机定量分析研究

研究高效、准确、便捷的土壤重金属检测方法对于了解土壤的污染状况以及开展污染防治工作具有重要的意义。由于X射线荧光光谱分析(XRF)技术具备快速、准确、无损检测、样品制备简单等优势，在土壤重元素定量检测获得广泛应用。XRF仪器测试标准样品的荧光光谱并建立校准曲线，通过反演计算得到待测样品的元素含量。由于样品元素间存在基体效应，以及荧光谱特征峰存在叠加干扰，未经优化的校准曲线的线性度较差，这给反演计算来困难。为了解决上述问题，分别利用小波变换、非对称加权惩罚最小二乘法(arPLS)对光谱进行去噪和扣除本底基线，提高校准曲线的决定系数(R²)；运用竞争性自适应重加权算法(CARS)，针对不同目标元素优化变量选取；进一步地，基于选取的变量建立粒子群算法(PSO)优化的支持向量机回归(SVR)模型，并通过该模型反演计算各元素含量，提高定量分析的准确度和预测的泛化能力。实验结果显示，经过小波去噪和arPLS本底扣除后的校准曲线的决定系数(R²)有明显提升，Cr、Cu、Zn、As、Pb分别从0.965、0.979、0.971、0.794、0.915提高为0...     

利用高光谱近红外波段的腊肠品质分级研究

高光谱图像作为一种快速无损的分析技术在食品行业中得到广泛应用。腊肠(sausage)是一个非常古老的食物生产和肉食保存技术,中国的腊肠有着悠久的历史。我国商业行业标准SB/T10003-92按腊肠的理化特征,将腊肠分为优级,一级,二级。针对腊肠在近红外(NIR)波段的高光谱信息,采用连续投影算法(SPA)进行特征波段的提取,分别建立了腊肠等级判别模型PLSR(基于全波段的模型)与SPA-MLR(基于特征波段的模型)。其中,基于特征波长的SPA-MLR模型的预测决定系数达到0.929,判别正确率100%。表明采用高光谱图像的近红外波谱信息能够实现腊肠品质的快速、无损分析。     

基于卷积神经网络和高光谱成像技术的多宝鱼新鲜度鉴别

鱼类产品新鲜度鉴别一直是重要的研究课题,相较于目前常规鱼类品质检测方法存在的成本高、检测时间长等问题,高光谱成像技术(HSI)因其无损、快速等优势得到了学者的广泛研究。卷积神经网络是深度学习中应用较为广泛的模型,表达能力强,模型效率高。因此,使用卷积神经网络(CNN)结合高光谱成像技术建立多宝鱼新鲜度鉴别模型。采集160个多宝鱼样本感兴趣区域(ROI)光谱,并根据样本不同冻融次数和冷冻时间分为5类新鲜度。以VGG11网络为基础,针对光谱数据特点对网络结构进行调整,减少全连接层数量,降低模型的复杂度,分别对比不同卷积核个数、激活函数对分类性能造成的影响,确定最佳CNN网络结构。由于高光谱数据量大同时存在的冗余信息较多,分别采用无信息变量消除算法(UVE)和随机青蛙算法(RF)对高光谱数据进行波长筛选,将波长筛选后的高光谱数据分别输入卷积神经网络(CNN)、最小二乘支持向量机(LS-SVM)、 K最近邻算法(KNN)建立模型。采用无信息变量消除(UVE)提取的165个特征波长建立的UVE-CNN模型鉴别效果最佳,分类模型在测试集上的精度达到了100%。结果表明,利用卷积神经网络与高光谱成像...     

基于高光谱的牛奶中真蛋白质含量反演

牛奶蛋白质的分析和监测是奶制品行业中不可或缺的环节利用可见光/近红外反射光谱(350～2 500 nm)进行纯牛奶中真蛋白质含量的快速定量反演。分别通过ASD地物光谱仪和CEM真蛋白质测定仪采集牛奶样本的反射光谱数据以及蛋白质含量数据,对比分析不同的光谱预处理方法和波段筛选方法,得到特征波段,最后利用主成分回归(PCR)和最小二乘支持向量机(LS-SVM)模型建立牛奶反射光谱和蛋白质含量之间的定量校正模型,并对其预测能力进行比较,从而确定最优的牛奶中真蛋白质含量反演模型。实验结果证明：(1)比较不同光谱预处理方法,发现多元散射校正与二阶微分联合使用效果较好;(2)相对于全光谱建模,适当的特征变量优选有助于提高建模精度,缩短建模时间;(3)PCR的验证集决定系数R2_P为0.952 2,验证集均方根误差RMSEP为0.048 7,而LS-SVM的R2_P为0.958 0,RMSEP为0.048 2,其预测精度要优于PCR。研究表明,可见光/近红外高光谱反射率数据可以为牛奶真蛋白质含量的检测提供一种快速、无损的新方法。     

高光谱与机器学习相结合的大白菜种子品种鉴别研究

提出了基于高光谱信息的大白菜种子品种分类识别方法。利用近红外高光谱图像采集系统采集了八种共239个大白菜种子样本;提取15 pixel×15 pixel感兴趣区域平均光谱反射率信息作为样本信息;采用多元散射校正预处理方法对光谱进行消噪;验证了Ada-Boost 算法、极限学习机(extreme learning machine, ELM)、随机森林(random forest, RF)和支持向量机(support vector machine, SVM)四种分类算法的分类判别效果。为了简化输入变量,通过载荷系数分析选取了10个大白菜种子品种分类判别的特征波长。实验结果表明,四种分类算法基于全波段的分类识别对81个预测样本的正确区分率均超过90%,最优的分类判别模型为ELM和RF,识别正确率达到了100%;以10个特征波长的分类判别精度略有下降,但输入变量大幅减少,提高了信息处理效率,其中最优分类判别模型为EW-ELM模型,判别正确率为100%,因此以载荷系数选取的特征波长是有效的。利用高光谱结合机器学习对大白菜种子品种进行快速、无损分类识别是可行的,为大白菜种子批量化在线检测提供了一种新的方法。     

基于多源数据的小麦品种产量估测研究

小麦产量产前估测关乎农业生产计划制定、粮食安全保障、国家经济和宏观决策。应用无人机能够无损、快速准确、及时高效地估测小麦产量，通过多种机器学习方法充分挖掘无人机多源遥感数据对多个小麦品种进行籽粒产量估测的潜力，明确多源数据融合对模型估测精度的提升效果，对于作物田间管理保障小麦高产稳产具有重要意义。以黄淮麦区140个主栽小麦品种为材料开展冬小麦田间试验，采用搭载红绿蓝(RGB)和多光谱传感器的无人机平台对灌浆期的冠层信息进行采集，分别以岭回归、支持向量回归、随机森林回归、高斯过程、 k-最邻近算法和Cubist等六种机器学习算法建立单传感器数据以及多源数据融合的产量估测模型，采用决定系数(R²)、均方根误差(RMSE)和相对均方根误差(RRMSE)对估算模型进行评价。结果表明，所选取的10个可见光植被指数及13个多光谱被指数特征值均与实测产量呈极显著相关(p<0.01),各特征值产量相关系数绝对值由高到低依次为多光谱植被指数(0.54～0.83)、可见光植被指数(0.45～0.61)、纹理特征(<0.45)。全部六种机器学习算法均在采用多源数据融合时产量...     

基于偏振反射模型和随机森林回归的叶片氮含量反演

叶片氮含量极大程度上影响植被生物化学过程,有重要的研究意义。利用机载高光谱数据反演叶片氮含量在农业遥感领域有广泛应用,但其反演精度不能完全满足精细农业的需要,有一定提升空间。叶片氮含量遥感反演精度受机理误差和算法误差的影响,机理误差主要来源于叶片表面反射。传感器探测到的反射辐射既包含叶片内部多次散射,又包含叶片表面镜面反射部分,只有前者是携带叶片内部生化组分（如氮含量）信息的,由于后者是入射光在叶表蜡质层发生的直接反射,因此该部分并不携带叶片内部信息。根据菲涅尔定律,叶表镜面反射是部分偏振的,而内部散射是非偏振的,因而通过偏振反射建模可部分去除叶表镜面反射影响,以消除机理误差。算法误差主要来源于不同氮含量反演算法对于高光谱数据挖掘能力的差别。比较了偏最小二乘法、主成分回归、支持向量机、K-近邻算法和随机森林回归在高光谱叶片氮含量反演中的表现,在调整算法参数之后,选择使用随机森林回归算法以减少高光谱反演算法误差。以常绿针叶林、落叶阔叶林和针阔混交林为研究对象,利用多角度偏振卫星POLDER/PARASOL的多光谱数据库构建二向偏振反射模型,用以模拟和分析研究区森林的偏振反射率;从HySpex传感器系统获取的机载高光谱数据中去除偏振反射率带来的光谱机理误差,以实现叶片氮含量的精确反演。以均方根误差为主要指标评估精度变化可获得以下结论：在高光谱叶片氮含量反演中,消除偏振反射率带来的机理误差后,各算法反演精度均有提升,平均提升了4.244%。其中,随机森林回归可以最大程度减小反演算法误差（可决系数达到0.803,均方根误差达到0.252）,且对光谱偏振信息最为敏感,去除偏振后精度提高了13.103%。相比于广泛使用的偏最小二乘算法,去除光谱机理误差并减小反演算法误差后,叶片氮含量反演精度整体提高了32.440%。该研究实现了基于机载高光谱数据的叶片氮含量精确反演,证明了在叶片氮含量反演中去除偏振反射率的必要性,体现了在高光谱氮含量反演中随机森林算法的应用潜力。     

弹光调制非等相位干涉信号的快速光谱反演算法

在弹光调制傅里叶变换光谱仪(PEM-FTS)中,由于调制光程差的非线性,不能直接采用快速傅里叶变换(FFT)进行反演光谱,且直接计算开销过大。首先在Matlab软件中用非均匀快速傅里叶变换算法(NUFFT)对PEM非等相位干涉信号进行了软件仿真,其次设计了以TMS320C6713高性能浮点数字信号处理器(DSP)芯片为核心的光谱信息处理系统,实现了硬件上的光谱实时处理。研究表明,算法对光谱反演具有速度快、精度高等优点,1024点光谱反演的速度较直接运算的速度提高20多倍,反演精度可达0.78%。     

红肉质量的高光谱无损检测研究进展分析

随着小康社会的全面建成，居民对生活水平的要求已经从温饱过渡到高质量，特别是对饮食安全问题尤为重视，但是“变质肉”、“掺假肉”、“添加肉”和“注水肉”等食品质量安全事故频发，已经严重威胁到了我国居民生命安全并阻碍了市场良性发展。目前，红肉质量检测主要依托复杂的理化实验完成，对红肉产品具有强烈的破坏性，仅适用于市场监管部门的抽查。高光谱技术作为一种原位无损、高通量、快速的智能检测技术，为解决传统检测方法在红肉生产销售全产业链中缺乏操作可行性提供了有效的技术手段，可以极大的促进我国红肉质量安全监管体系的发展与健全。综述了近几年国内外关于红肉质量高光谱无损检测研究的最新进展：首先，总结了基于高光谱无损检测技术构建红肉质量无损检测模型的优缺点，其优势是具有图谱合一、高分辨率等特性，为模型多样性提供良好的数据基础；其劣势是高光谱数据的冗余度高、信噪比低、非线性强，对模型效率造成一定影响。然后，重点分析了红肉质量无损检测建模中关键算法的研究进展：（1）感兴趣区域一般通过手动获取，感兴趣区域的自动分离方法是目前研究的重点之一；（2）光谱预处理算法主要通过观察光谱信号或根据建模效果反推选择，目前还未形成标准通用的预处理算法；（3）综合红肉光谱和图像特征，能够全面反映红肉的质量特性，为建模提供了良好的数据基础；（4）线性模型的发展应用较为成熟，稳定性较好，但是面向复杂的红肉质量检测环境，非线性模型的研究潜力更加良好。最后，通过综述近几年红肉质量的高光谱无损检测研究成果，展望了未来的研究中，提高算法自动化、充分利用图谱信息、加强非线性模型的应用将成为重点研究方向。     

浸入式可见/近红外光谱技术的藻种鉴别研究

对藻类的识别分类及其生化分析已成为海洋生物学的研究热点之一。以普通小球藻、蛋白核小球藻、微绿球藻、莱茵衣藻为样品,通过便携式USB4000微型光纤光谱仪、Y形光纤和探针,卤素光源构建的光谱采集系统对不同浓度梯度的120个微藻样本进行浸入式可见/近红外透射光谱的原位采集,比较去基线、卷积平滑等光谱预处理方法的效果,并基于连续投影算法(SPA)筛选特征波长,通过偏最小二乘法(PLS)、最小二乘支持向量机(LS-SVM)和极限学习机(ELM)进行建模,探讨采用透射光谱原位快速鉴别四种不同藻种的可行性。结果表明：卷积平滑的处理效果较为理想,有效波长可用于代替原始光谱建立微藻种类判别分析模型。SPA-LV-SVM和SPA-ELM的预测效果显著高于SPA-PLS,三者的平均预测正确率分别是80%,85%,65%。浸入式可见/近红外光谱技术和便携式光纤探针结合的藻种鉴别方法,有效实现了对四种微藻的鉴别,为藻种鉴别和藻种分类研究领域提供了一种新思路。     

基于多变量光谱数据分析方法的乳腺癌血清拉曼光谱特征研究

相比于细胞、组织等其他病理诊断样品，血液样本更易临床采集，其生化构成变化常表现于医学影像学检测到的临床症状出现之前，更有利于实现恶性疾病的早期筛查与诊断。拉曼光谱(RS)技术，具有快速、无标记、无损、非侵入等检测优势，且可获得特异性的生物分子结构和物质组成信息，在临床血液样品(血浆、血清)的癌变诊断检测中具有重大的应用前景。本工作采用显微拉曼光谱检测技术，在分析不同病变阶段(健康，早期癌变和晚期癌变)乳腺癌血清样品生化组成信息基础上，结合主成分分析(PCA)与线性判别分析(LDA)、支持向量机(SVM)和偏最小二乘算法(PLS-DA)等多变量光谱分析手段，构建光谱特征归类鉴别模型；并采用留一交叉验证方法(LOOCV)评估、比较这些模型的灵敏度、特异性和准确率，探索基于血清拉曼光谱的乳腺癌诊断方法。研究工作在观察血清类胡罗卜素成分共振拉曼光谱现象基础上，进一步分析了乳腺癌病理演进过程中血清样品蛋白质与脂类光谱特征变化。此外，利用多种光谱数据模型，在提取、识别更具代表性的分子光谱特征信息后，实现了较为准确的血清特征光谱信息鉴别分析。其中，PCA-LDA模型的分类准确率达99%; PCA-S...     

实测高光谱和HSI影像的区域土壤盐渍化遥感监测研究

通过典型研究区不同盐渍化土壤光谱反射率数据的变换和分析,选择与土壤含盐量响应敏感波段,建立实测高光谱土壤含盐量反演模型,以校正HSI影像建立的土壤含盐量反演模型。结果表明：实测高光谱土壤含盐量反演模型与HSI影像土壤含盐量反演模型均有较好的精度,模型判定系数(R2)均高于0.57,且模型稳定性较好。校正后的HSI影像土壤含盐量反演模型,模型判定系数有了较大提高,R2从0.571提升至0.681,且通过了0.01的显著性水平,均方根误差(RMSE)值为0.277。模型能够较好地提高区域尺度条件下土壤盐渍化监测精度,运用此方法开展盐渍化土壤定量遥感监测是可行的。     

高光谱成像技术结合特征波长优化对苍术颗粒剂生产厂家的可视化判别研究

为了给苍术颗粒剂基于高光谱成像的可视化区分提供理论指导,选用竞争性自适应重加权采样法(CARS)和相关性分析(CA)进行两次特征波长选择,提出了利用近红外高光谱成像技术对苍术颗粒剂产品溯源的新方法。874～1 734 nm波段范围内采集150个来自三个生产厂家的苍术颗粒剂高光谱图像,提取感兴趣区域(ROI)的光谱反射率值作为鉴别模型的输入变量,采用邻近算法(KNN)、误差反向传输神经网络(BPNN)、偏最小二乘法判别分析(PLS-DA)、最小二乘支持向量机(LS-SVM)建立四种算法(分类器)的判别模型。通过对模型效果的评价标准(预测集总体判别率以及kappa系数)来判别三个不同厂家苍术颗粒剂的区分效果。除KNN模型外,预测集的判别率都是100%, kappa系数均为1。为了加快运算速度,研究通过CARS、随机蛙跳算法(RF)、连续投影算法(SPA)和序列前向选择(SFS)算法初步选择特征波长;采用CARS, RF, SFS和SPA结合CA算法取得了4组最优波长。分别得到4个(975, 1 220, 1 419, 1 476 nm)、 2个(1 005, 1 442 nm)、 4个(924, 1 005, 1 419, 1 584 nm)和3个(948, 1 146, 1 412 nm)最优波长,并分别建立了KNN, BPNN, PLS-DA和LS-SVM判别模型。在筛选三种最优算法的情况下,能够以较少的特征波长个数获得的最好建模效果为:CARS-CA-LS-SVM模型中预测集总体判别率是100%, kappa系数为1。将CARS-CA筛选出波长变量的每个像素点光谱数据输入到LS-SVM模型中,将判别结果用不同颜色直观显示。该研究为快速无损进行苍术颗粒剂产品溯源提供了思路,为今后开发相关机构的快速监管提供了技术支持。     

基于近红外光谱技术的小龙虾新鲜度快速检测研究

小龙虾是近年来广受消费者欢迎的淡水产品，相关产业迅猛发展，产生巨大的经济利益。小龙虾整虾及虾仁、虾尾在运输过程中极易腐败变质，产生有害物质。如果不能对小龙虾新鲜度进行及时检测，任由腐败小龙虾进入食品流通环节，极易酿成食品安全事故，危害消费者生命安全，对整个产业链造成不良影响。挥发性盐基氮(TVBN)是衡量水产品新鲜度的主要指标，也可以用于衡量小龙虾的新鲜度，但传统的挥发性盐基氮检测方法存在步骤复杂、检测时间长和化学试剂污染的等问题，无法满足小龙虾庞大产业链的检测需求。近红外光谱技术是一种快速、无损、环境友好的分析技术，在食品分析领域中已有较为广泛的应用。本研究基于近红外光谱分析技术(NIR),结合化学计量学方法提出一种小龙虾新鲜度的快速检测方法。使用偏最小二乘算法(PLS)建立小龙虾虾尾挥发性盐基氮定量分析模型。为了提高模型的预测能力，使用多元散射校正(MSC)、标准正态变换(SNV)、连续小波变换(CWT)和1阶导数(1st)法对光谱进行预处理，扣除光谱背景；使用蒙特卡洛-无信息消除(MC-UVE)和随机检测(RT)算法进行波长筛选，选择光谱中有效变量。结果显示，光谱预处理和波长筛选...     

基于可见/近红外能量光谱的苹果褐腐病和水心鉴别

快速无损鉴别苹果内部品质的优劣是当前苹果行业亟待解决的一项重要课题.针对这一现状,提出了直接采用可见一近红外能量光谱对苹果褐腐病、水心鉴别的新方法,考察了不同判别分析方法对苹果类别判定的准确性.在能量光谱经MSC或者一阶导数处理后,分别采用了峰面积判别法(PADA)、主成分分析判别法(PCADA)、偏最小二乘判别法(PLSDA)建立判别模型.结果显示,三种方法对褐腐病苹果判别正确率都为100%;对水心苹果分别是79.2%,95.0%和96.7%;对正常苹果分别是88.6%,98.2%和98.8%.其中,PCADA和PLSDA明显优于PADA,而PLSDA总判别率最高,达到98.1%,其建模标准差RMSEC为0.449,预测标准差RMSEP为0.392,说明可见一近红外能量光谱结合化学计量学算法可以快速、无损鉴别苹果褐腐病和水心.