近红外漫反射光谱鉴别鸡蛋种类

提出一种利用近红外光谱技术进行鸡蛋种类快速、无损鉴别的新方法.选用7500-4000cm-1的光谱,采用标准正态变量变换(SNV)后作主成分分析(PCA),选取前10个主成分作为模型输入,种类类别作为模型输出,分别建立了3种鸡蛋种类的线性判别法(LDA)和支持向量机(SVM)鉴别模型,所建模型均能较好的对鸡蛋种类进行鉴别,SVM模型效果优于LDA模型,其预测集正确识别率达97.44％.结果表明,近红外光谱技术可用于鸡蛋种类的快速、无损鉴别.     

基于支持向量机的近红外光谱鉴别茶叶的真伪

快速准确地鉴别名优茶的真伪是当前茶叶行业亟待解决的一项重大课题。针对这一现状,提出了一种快速准确鉴别名优茶真伪的新思路。试验中,以碧螺春茶为研究对象,利用近红外光谱分析技术结合支持向量机(SVM)模式识别原理建立碧螺春茶真伪鉴别模型。试验结果显示,通过标准归一化(SNV)预处理,选取6500~5500 cm-1波长范围内的光谱经过主成分分析后,提取11个主成分,选用径向基函数(RBF)作为核函数建立的模型最佳。对训练集中的138个茶叶样本,模型的回判鉴别率达到93.48%;对90个独立样本进行预测时,模型的预测鉴别率达到84.44%。研究结果表明基于支持向量机的近红外光谱鉴别名优茶真伪的方法是可行的。     

应用近红外光谱技术快速检测果醋糖度

为了对果醋糖度值进行快速准确检测,应用近红外光谱技术并结合最小二乘支持向量机分析方法建立了果醋糖度检测模型.应用近红外透射光谱获取五种类型共计300份果醋样本的光谱透射曲线,利用主成分分析方法对原始光谱数据进行降维处理,根据主成分的累计贡献率选取6个主成分.选取的主成分即作为光谱优化特征子集以替代原来复杂的光谱数据.随后将300份果醋样本数据随机分为定标集和预测集,利用最小二乘支持向量机在225个定标集样本数据基础上建立起果醋糖度预测模型,应用此模型对75个预测集样本进行糖度预测.根据预测均方根误差(RMSEP)和预测结果的相关系数(r)对预测模型进行评价,利用此模型得到的样本糖度预测值r=0.993 9,RMSEP=0.363,均达到了较好的预测效果.     

近红外光谱结合小波神经网络鉴别苹果种类

将近红外光谱与小波神经网络技术结合,实现对不同种类苹果鉴别.将80个样本随机分为建模样本集和预测样本集.其中建模样本集包含60个样本,预测样本集包含20个样本.应用小波变换与主成分分析对样品数据进行预处理与特征提取.建立一个10-45-2的三层小波神经网络,实现对未知样品预测.实验结果表明,该方法对苹果的种类鉴别率达到100％,说明这种方法有很好的鉴别作用,对苹果种类的准确、无损检测具有积极的实用性.     

DPLS和SVM的掺假花椒粉近红外光谱定性鉴别

花椒是我国的八大调味料之一。目前花椒市场掺假现象较为多见,为实现掺假花椒粉的快速定性鉴别,采用了近红外光谱结合化学计量学方法进行了探讨。将麦麸粉、稻糠粉、玉米粉和松香粉以1 Wt/Wt.%的递增梯度分别掺入红花椒粉和青花椒粉中,制备掺假浓度范围为1~54 Wt/Wt.%的掺假花椒粉样品,以掺假花椒粉和纯花椒粉共462份样品依次采集其800~2 500 nm范围的漫反射近红外光谱。采用主成分分析法(PCA)对光谱数据进行分析,前3个主成分累计贡献率达98.72%,做出的得分图表明PCA法对掺假的花椒粉具有较好的区域划分。347份样本作为校正集,以特征谱区2 000~2 200 nm范围的257个采样点的光谱信号作为输入,采用判别偏最小二乘法(DPLS)和支持向量机(SVM)建立定性鉴别模型,经不同光谱预处理,对115份验证集样本进行预测,总体鉴别正确率在97.39%~100%之间,表明该方法是快速定性鉴别掺假花椒粉的一个有效手段。     

SVDD的近红外光谱定性分析光谱质量判定方法

近红外光谱属微弱信号,其质量易受被测物体自身状态及各种外界因素干扰,具体而言,在近红外光谱定性分析中,影响光谱质量的因素主要有光谱仪状态改变、光谱采集人员错误操作、奇异样本干扰等。建模时若混入质量较差的光谱易影响所建模型的稳健性与适用性,因此光谱质量判定是确保模型预测能力的一项重要工作。目前用于定量分析的光谱质量判定研究较多,而用于定性分析的光谱质量判定研究较少,为此,提出一种基于支持向量机数据描述的近红外光谱定性分析光谱质量判定方法,采用自制漫透射近红外光谱装置采集单籽粒玉米光谱,以正常状况下采集的某品种玉米单籽粒漫透射光谱作为正常样本,而人为漏光、近红外探测器窗口覆盖玉米表皮碎屑、光源强度改变、光源与被测玉米籽粒距离改变、相近品种玉米籽粒混入等几种情况下所采集光谱作为异常样本,在此数据集基础上研究了基于支持向量机数据描述的定性分析光谱质量判定模型建立的原理与方法,其后将支持向量机数据描述方法与常用的马氏距离法、局部异常因子法等光谱质量判定方法进行了对比,并以正常样本正确识别率与异常样本正确拒识率的均值作为评价标准,对实验结果进行分析,由实验结果可以看出相比其他两种方法,基于支持向量机数据描述的光谱质量判定方法具有最优判定能力,建模集正常样本数目会影响光谱质量判定能力,在实际使用光谱质量判定方法时,建模集应包含足量样本。在近红外定性分析时可以将该方法作为剔除异常光谱的手段,在预处理、特征提取,模式分类等近红外光谱定性分析步骤前首先进行基于支持向量机的光谱质量判定步骤,并剔除异常光谱,可有效提高近红外光谱定性分析模型的可靠性,亦为近红外光谱定性分析光谱质量判定提供新的方法参考。     

近红外光谱结合灰狼算法优化支持向量机实现烟叶产地快速鉴别

烟草是一种成分复杂的天然植物,地理位置、生长条件等外界因素直接影响着烟叶的品质;我国烟叶种植范围十分广泛,每个产区种植的烟叶都有其独特的风格特征,不同产区的烟叶配比对卷烟的质量起着决定性的作用。为实现烟叶产地准确、快速判别,基于近红外光谱(NIRS),采用灰狼算法(GWO)优化的支持向量机(SVM)算法实现烟叶产地鉴别分类。以8个产地的824个烟叶样本为研究对象,基于x-y距离样本集划分(SPXY)方法得到校正集617个和验证集207个样品。首先应用最佳波长筛选方法,如竞争自适应加权采样(CARS)和随机青蛙(RF)算法减少光谱冗余信息,最终从1 609个变量中分别获得141和534个与产地相关的重要变量,并以此输入SVM作为建模数据,接下来在相同搜索范围内比较了粒子群优化算法(PSO)、遗传算法(GA)和GWO对SVM分类模型的优化效果。结果表明,经RF筛选后的光谱变量较CARS具有更好的产地建模性能,其中RF-GWO-SVM对8个产地烟叶的整体判别正确率达到了96.62%,相较于RF-PSO-SVM和RF-GA-SVM正确率更高。同时,RF-GWO-SVM的运行时间分别比RF-PS...     

基于置信学习机与近红外光谱的煤种快速分类方法

基于近红外光漫反射谱技术的检测分析具有简单,快捷,安全等优势而被广泛应用于各行各业。应用近红外光谱分析技术实现不同煤种的快速分类,该方法可以替代费时费力费财的传统化学分析方法。同时首次将置信学习机(confidence machine)引入近红外分析中,实现了对分析结果的风险评估。采集了来自不同矿区共四种不同煤种(肥煤,焦煤,瘦煤和贫瘦煤)的199个煤样本的近红外光谱,通过机器学习的方法针对煤的近红外光谱构建了煤种分类器来实现煤种的快速分类。在近红外分析中引入了置信学习机的分析方式,结合支持向量机(SVM),构建了离线和在线的CM-SVM分类器。置信学习机是一种概率方法,使用概率(CM-SVM)来取代分类超平面(SVM)进行分类,不仅分类效果好于传统的SVM,达到了95.48%的分类率,还能同时给出每个样本分类结果的置信度,可靠度等风险信息。另外,CM-SVM通过对置信水平的设定,得到不同置信度下预测区间,该区间的预测正确率是与置信水平严格对应的,对于产品质量控制有非常重要的意义。置信学习机同时是一种在线的学习模型,新样本的不断加入会提高模型的性能,非常适合于工业现场的在线分析。在线的CM-SVM模型随着样本数的增加,预测结果的置信度有所提高,对工业现场近红外分析有重要意义。     

近红外光谱技术快速检测莲子粉

莲子是我国重要的药食同源食物,与莲子营养价值相当、便于食用的莲子粉备受消费者青睐。为保证莲子粉的品质,利用近红外光谱(NIRs)技术对掺杂小麦粉、玉米粉和地瓜粉的莲子粉进行鉴定,在样品类别已知下利用支持向量机(SVM)、最小二乘支持向量机(LS-SVM)、偏最小二乘法-判别分析(PLS-DA)模型进行判别,在样品类别未知下基于聚类算法进行判别。同时,对莲子粉中水分含量利用偏最小二乘(PLS)回归进行定量分析。结果表明,LS-SVM模型对纯莲子粉样品与掺入小麦粉、玉米粉和地瓜粉的莲子粉样品的判别率达到100%;基于聚类算法能够有效识别掺入5%地瓜粉、小麦粉和玉米粉的莲子粉样品;PLS模型对莲子粉中水分含量预测综合性能良好,其中经过标准化预处理得到模型效果最佳,其R2_c,RMSEC,R2_p和RMSEP分别达到0.973 2,0.111 5,0.969 5和0.118 9。近红外光谱技术能为隐蔽的莲子粉掺杂的鉴别以及莲子粉中水分含量监控提供一种快速、准确、无损检测的分析方法,为保证高档次莲子品质提供一种有益的思路。     

SVM回归法在近红外光谱定量分析中的应用研究

研究了基于统计学习理论的支持向量机（SVM）回归法在近红外光谱定量分析中的应用。以66个小麦样品为实验材料,由33个小麦样品作为校正样品,采用4种不同核函数方法对小麦样品蛋白质含量与小麦样品近红外光谱进行SVM回归建模。以所建4种不同SVM回归模型对33个小麦预测样品的蛋白质含量进行了预测;不同回归模型的预测结果与凯氏定氮法确定的蛋白质含量的标准化学值间的相关系数均在0．97以上,平均绝对误差小于0．32。为了考察SVM回归校正模型的预测效果,同所建PLS回归模型的预测结果进行了比较,表明所建预测小麦样品蛋白质含量的SVM回归模型亦可通过近红外光谱进行实际样品的定量分析,且有较好的分析效果。     

红外热成像与近红外光谱结合快速检测潜育期番茄花叶病

现有的番茄花叶病无损检测方法无法在潜育期内,即显症之前进行早期识别导致施药不及时或者盲目过度施药。设计与试制了红外热成像信息采集系统,主要包括：光箱、红外热成像仪、温度及升降控制器、加热板和升降载物台。该系统能够根据温度起止节点的要求,人为调节拍摄温度。在江苏大学现代农业装备与技术省部共建重点实验室Venlo型温室中进行非抗病性番茄品种辽宁农科院L-402的培育。采用叶面摩擦接种花叶病毒(Tobacccco mosaic virus, ToMV),分为轻度感染组(LI),重度感染组(SI);LI组为磷酸缓冲液稀释500倍后的病毒液接种,SI组为病毒原液接种。对照组(CG)喷施等量磷酸缓冲液。接种10 d后叶片开始出现病斑,证明接种后9 d为番茄花叶病的潜育期。使用红外热成像系统采集了三个组共计144个样本的红外热成像图,计算叶表最大温差(MTD) 以表征潜育期内连续9 d内的叶面温度变化情况。CG组叶片的MTD值差异极小,而接种后叶片MTD值随着病毒侵染时间的推进发生了显著的变化。接种6 d后MTD值差异最大可达1.63 ℃,第7 d开始差异逐步缩小,表明病毒的扩散范围增大导致病叶越来越多的区域被侵染使得整体叶温上升。光谱采集采用两种方法进行,一种是根据热像图的MTD值计算判别出温度突变区域后采集光谱,记为热像采集法(TCM);另一种是不考虑病灶位置,在叶尖、叶中、叶基三个区域分别随机选择一个点采集光谱后求平均值,记为随机采集法(RCM)。TCM确定三个光谱采集点的选择原则是：LI组接种后3,6和9 d的温度突变区域平均MTD值比CG组温度分别高出0.3,0.7和0.5 ℃。SI组接种后3,6和9 d的温度突变区域平均MTD值比CG组温度分别高出0.5,1.2,0.8 ℃。差值达到此标准的病灶位置才定为TCM的可选区域。对所有样本采用支持向量机(SVM)算法建立识别模型。采用主成分分析对2 151个波长点的光谱信息进行压缩,前6个主成分所对应的累积方差贡献率已到达99%。分别对感病3,6和9 d的样本按照2∶1的比例划分校正集和预测集,对预测集样本的病害程度进行识别。两种方法所建立的模型的总识别率分别为92.59%和99.77%。采用TCM建立的光谱识别模型中仅有接种后3 d的一个LI组样本未能识别出来,被误判成CG组样本外,其余组识别率均达到了100%。结果表明近红外光谱法识别番茄花叶病是可行的。采用红外热成像结合近红外光谱法能够建立识别率更高的番茄花叶病潜育期识别模型,克服点源采样随机性,对后续管控流程和突破作物早期精准用药的关键技术探索,建立更为精准的温室智能施药系统提供了新的思路。     

基于近红外光谱分析的高丹草种子发芽率检测研究

高丹草中粗蛋白质以及碳水化合物的含量丰富,适合青贮处理.优质的高丹草种子是发展畜牧业十分重要的前提,发芽率是检验种子质量最常规的指标之一,播前种子发芽率检测与筛选十分必要.现阶段采用发芽试验法进行种子发芽率的检测,周期长、成本高.基于此,提出利用近红外光谱对高丹草种子进行发芽率的快速、无损检测.选择适量的高丹草种子样品...     

近红外光谱技术快速识别针叶材和阔叶材的研究

对一种针叶材和一种阔叶材的横切面采集波长范围为780～2 500 nm的近红外漫反射光谱,结合偏最小二乘判别分析法(PLS-DA)对针叶材杉木和阔叶材桉树快速识别的可行性进行了研究,结果表明：(1)利用近红外光谱结合PLS-DA法建立的识别模型对建模样品的识别正确率达到100%,识别模型预测的分类变量值与实际值之间相关系数r达到0.99,SEC为0.07;(2)即使采用短波区域780～1 100 nm的近红外光谱也可以获得理想的识别结果(识别正确率为100%),识别模型的r也达到0.99,SEC为0.07;(3)利用近红外光谱建立的识别模型对未知样本的识别正确率都为100%,说明近红外光谱技术可以快速、准确识别针叶材和阔叶材,这为木材识别提供了一种新方法和技术,也为开发低成本的近红外光谱识别仪器提供了科学依据。     

近红外漫反射光谱法快速鉴别石斛属植物

通过采集15种石斛171份样品的近红外漫反射光谱,结合化学计量学统计分析方法建立预测模型,对不同种石斛进行快速无损鉴别。应用Hotelling T2对随机抽取的5份样品的近红外光谱进行稳定性分析,结果表明,样品的近红外光谱具有较好稳定性。设计正交试验L24(2×4×3×8),对光程类型、光谱波段、导数和平滑四个因素进行优化处理。利用主成分分析对正交试验结果进行分析,结果显示,选择6 500～4 000cm-1的光谱波段,采用多元散射校正、二阶导数和Norris平滑对光谱预处理,提取的主成分数为7时,光谱判别正确率为100%。将正交试验优化条件作为偏最小二乘法判别分析的输入值,随机选取123份样本作为校正集建立预测模型,其余48份样本为预测集,评估预测模型的性能。结果表明,该模型前3个主成分累积贡献率为99.36%,设定鉴别标准偏差为±0.1时,该方法的正确识别率为97.92%,获得满意的结果。该方法的建立为不同种石斛的快速鉴别提供了一种新的方法,同时为药用植物的鉴别提供参考。     

近红外光谱用于盐酸左氧氟沙星针剂的定量分析

目前常用的盐酸左氧氟沙星注射液含量的测定方法是高效液相色谱法,但此法不能应用于在线分析。文章利用近红外光谱分析技术分别与偏最小二乘(PLS)以及人工神经网络(ANN)的方法相结合,对同一厂家的35个不同批号的针剂样品分别建立了定量校正模型,并对随机抽取的12个样品进行了预测。首先,利用PLS的方法建立模型,得出模型的决定系数 (R2)和预测集样本的标准偏差(RMSEP)分别为0.964和0.242 8,同时利用小波变换技术对光谱变量进行了高效的压缩,并利用了前馈神经网络建立了盐酸左氧氟沙星针剂的定量分析模型, 利用该模型所得的R2和RMSEP分别为0.944和0.572 2。文章详细比较了两种方法的建模过程,相关参数选取的优化方法,实验结果令人满意,从比较结果来看,PLS方法略优于ANN方法,可以快速准确的给出该针剂的含量,具有无损,简单,快捷的特点,为近红外光谱技术应用于针剂的定量检测提供了一个新的有效方法。     

基于无监督可能模糊学习矢量量化的近红外光谱生菜品种鉴别研究

为解决模糊学习矢量量化(FLVQ)对噪声数据敏感问题,在无监督可能模糊聚类(UPFC)基础上提出一种无监督可能模糊学习矢量量化(UPFLVQ)算法。UPFLVQ用UPFC的隶属度和典型值来更新学习矢量量化网络的学习速率,计算类中心矢量。UPFLVQ 属于无监督机器学习算法,适用于无学习样本情况下的样本分类。研究了UPFLVQ用于近红外光谱生菜品种鉴别的可行性。采用FieldSpec@3型便携式光谱分析仪获取波长范围为350～2 500 nm的三种生菜样本的短波近红外光谱和长波近红外光谱,然后采用主成分分析(PCA)进行近红外光谱的维数压缩,取前三个主成分,累计可信度达97.50%,将2151维的近红外光谱压缩为三维数据。再运行模糊C-均值聚类(FCM)至迭代终止,并以FCM的类中心作为UPFLVQ的初始聚类中心,最后运行UPFLVQ得到隶属度和典型值以实现近红外光谱的生菜品种鉴别。同时,运行UPFC进行近红外光谱的生菜品种鉴别。实验结果表明：UPFLVQ和近红外光谱技术相结合的模型具有检测速度快,鉴别准确率高,对生菜不造成损坏等优点,可实现不同品种生菜的鉴别。UPFLVQ是将UPFC和FLVQ相结合的聚类算法,利用UPFLVQ建立近红外光谱的生菜品种鉴别模型时无需学习样本,适用于线性可分的数据聚类,为快速和无损地鉴别生菜品种提供了一种新的方法。     

常见皮革的近红外光谱快速判别分析

皮革种类的鉴定对生产控制、贸易过程和市场管理都具有重要意义,目前尚未有皮革种类鉴定的正式检测标准,皮革种类鉴定主要依靠感官法、燃烧法、化学溶解法、显微镜法等综合判定,对人员要求高,主观性强。利用近红外光谱技术对市场五种常见皮革样品(头层牛皮革、剖层移膜革、羊皮革、再生革和人造革)进行分析,利用判别分析法(discriminant analysis, DA)结合标准正态变量变换(multiplicative signal correction,MSC)、多元散射校正(standard normal variate,SNV)、一阶微分(first derivative)、二阶微分(second derivative)等光谱预处理方法进行分类鉴别。结果显示：上述五种革类在同一空间中重叠严重,但是利用样本反面光谱数据可以轻易将人造革和其他革类进行区分,误判率为1.2%,余下四种天然或加工革类重叠稍显严重,在同一个空间内同时对四种革类区分效果不是很理想,两两分组的分类效果较好,误判率13%～17.9%。而不同的数据处理方法在不同的判别分析模型中带来的效果也不尽相同,未发现一种能持续稳定为模型提供优化效果的预处理手段。上述数据说明采用近红外手段对于皮革种类进行判别是具有可行性的,由于本次取样来自于市场上的皮包、皮衣、皮带等最终产品,已经过染色、压花、覆膜等各种复杂处理,可能对模型带来一定的影响,如果能采取一些手段,如扩大样本量等,减弱这些影响,应该能得到更满意的结果。     

基于SVM算法的近红外光谱技术在鱼糜水分和蛋白质检测中的应用

采用支持向量机(support vector machine,SVM)建立了鱼糜样品中水分和蛋白质含量的近红外光谱校正模型,并采用独立样本集进行了预测。光谱数据经间隔两点一阶导数(DB1G2)、标准正态变换(SNV)、多元散射校正(MSC)相结合的方法预处理后,用偏最小二乘(PLS)降维处理,取前15个投影变量为自变量。获得水分模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP; 蛋白质模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP,有较好的预测准确性。基于SVM算法的近红外光谱技术可用于鱼糜水分和蛋白质含量的快速检测。     

茶叶定性和定量近红外光谱分析方法研究

分别采集了茉莉花茶、苦丁茶、龙井和铁观音4个种类茶叶共120个样本,利用NIRSystems6500型近红外光谱分析仪对样本进行光谱测量,应用近红外光谱分析技术对茶叶进行定性和定量分析。采用主成分分析法,结合聚类分析法,对4种类别的茶叶进行定性鉴别,通过对不同光谱数据预处理方式和不确定因子系数进行比较,确立了最优定性判别定标模型。同时,采用修正的偏最小二乘法,比较不同光谱预处理方法对定标模型的影响,建立了茶叶中水分、茶多酚和咖啡碱含量的定量分析模型,并对未知样本进行预测。定性分析模型的种类识别准确率达到100％,定量分析模型的决定系数均大于0.91,相对分析误差RPD均大于3。结果表明,利用NIRS分析技术可以快速定性和定量分析鉴别茶叶的类别和成分含量。