近红外光谱的李果实褐变鉴别方法研究

在采后冷藏过程中,李果实很容易发生褐变,这是影响其品质的重要因素之一。有关李果实褐变的传统检验手段绝大多数为破坏性检验,且主观性强、一致性差。为此,使用了近红外光谱的方法来实现对李果实褐变和非褐变的无损、快速鉴别。采集4 000～12 500 cm-1波长范围内的124个李果实样品(褐变样品70个,非褐变样品54个)的近红外漫反射光谱,基于主成分分析的马氏距离判别分析和反向传播人工神经网络定性鉴别模型,通过比较和考察上述模型对褐变样品和非褐变样品识别的准确程度,筛选出能够有效鉴别李果实褐变的新方法。结果表明：在对样品全波段光谱数据做主成分分析后,以前10主成分得分作为输入变量所建立起来的马氏距离判别分析和反向传播人工神经网络模型均能够对李果实褐变与否进行有效识别,且后者判别效果更佳,其校正集和预测集的判别正确率分别为100%和97.56%,对非褐变样品和褐变样品的判别正确率分别达到100%和98.57%。因此,采用近红外光谱分析技术并结合化学计量学方法能够对李果实是否褐变进行快速、无损、有效的鉴别。     

含反式脂肪酸食品近红外光谱快速无损识别方法研究

为满足食品中反式脂肪酸(TFA)的快检需求,提出了一种采用近红外漫反射光谱识别含TFA食品的快速无损方法。采用光纤探头采集完整样品的傅里叶变换近红外漫反射光谱,应用毛细管气相色谱(GC)法测定食品中TFA的含量作为建模参考数据。根据食品中TFA含量将食品分为含TFA食品和无TFA食品。采用偏最小二乘判别(PLSDA)、支持向量机(SVM)、簇类独立软模式(SIMCA)和K-最邻近法(KNN)等有监督模式识别方法建立了含TFA食品的识别模型,并研究了不同光谱预处理方法和建模波段对模型性能的影响。研究结果表明,PLSDA和SVM两种方法可对含TFA食品进行识别 ,但PLSDA方法识别效果明显优于SVM方法。其中,使用与TFA相关波段,结合标准化和二阶导数预处理所建立的PLSDA识别模型效果最佳,校正集和验证集识别准确率分别可达96.4%和88%,具有快速无损识别含TFA食品的可行性。这种方法不需脂肪提取和研磨等样品预处理,具有简单、快速、无需破坏样品等优点,非常适合现场或在线快速检测。     

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.     

PLS-DA法判别分析木材生物腐朽的研究

利用近红外光谱结合PLS-DA判别分析方法可用于食品、药品和农产品等的快速识别或检测,因此,研究利用近红外光谱结合PLS-DA方法来检测木材的生物腐朽。研究结果表明：应用近红外光谱结合PLS-DA方法对培训集样本建立的判别模型,其校正及验证结果与实际分类变量的相关系数均超过0.94,SEC和SEP都低于0.17; 利用模型对未参与建模的样本进行检测,发现该模型对未腐朽、白腐和褐腐三种类型样本的判别准确率均为100%(偏差均小于0.5); 与SIMCA法相比,PLS-DA法对木材生物腐朽样本的判别准确率更高,说明应用近红外光谱结合PLS-DA方法能快速地检测到木材的生物腐朽,并能准确地判别出木材的生物腐朽类型。     

SIMCA法判别分析木材生物腐朽的研究

木材是一种生物质材料,容易受到各种微生物的危害,生物腐朽可以迅速导致木材结构的破坏,因此,对木材生物腐朽的快速、准确地检测或鉴定具有重要意义。近几年来,近红外光谱和SIMCA方法正被用于识别或检测食品、药品和农产品等研究中,因此,本研究尝试利用近红外光谱结合SIMCA方法来检测木材的生物腐朽。研究结果表明,应用近红外光谱和SIMCA方法能有效地判别木材的生物腐朽类型,通过培训集样本建立的基于PCA分析的SIMCA判别模型对未腐朽、白腐和褐腐三种类型样本进行回判,判别准确率分别为100%, 82.5%和100%;而对未知腐朽类型的样本(包括未腐朽、白腐和褐腐样本),判别准确率分别为100%, 85%和100%;SIMCA方法对未腐朽和褐腐类型的判别准确率均达到100%,但对白腐样本都有错判,造成这种错判的主要原因可能是由于样本包括的信息不够丰富以及腐朽初期白腐和褐腐试样的性质差异太小等。     

流形学习方法及近红外透射光谱的新疆冰糖心红富士水心鉴别

苹果水心病在众多苹果主产区都有发生,现阶段没有合适的方法实现快速鉴别和分类。为了探索苹果水心鉴别新方法,采用近红外透射光谱与化学计量学方法结合非线性流形学习数据降维技术,逐个采集好果与疑似水心病果样本590～1 250 nm的近红外透射光谱,将经光谱校正后的原始光谱做多元散射校正(multivariate scattering correction, MSC)、标准正态变量变换(standard normal variate transformation, SNVT)、二阶求导(2nd derivative)、一阶求导(1st derivative)、归一化(normalization)、卷积平滑法(savitzky-golay smoothing, SG)、均值中心化(mean centering, MC)、移动平均平滑(moving average, MA)、直接差分二阶求导(direct differential second derivative, DDSD)以及直接差分一阶求导(direct differential first derivative, DDFD)等10余种光谱预处理;先对预处理后的光谱数据建立全波长模式识别模型从而找出多元散射校正是最优预处理方法,而后再分别用多维尺度分析(multidimensional scaling, MDS)、分布邻域嵌入(stochastic neighbor embedding, SNE)、对称分布邻域嵌入(symmetric stochastic neighbor embedding, SymSNE)、 t分布邻域嵌入(t-distributed stochastic neighbor embedding, t-SNE)、拉普拉斯映射(laplacian eigenmaps, LE)、等距特征映射(isomap)、地标等距映射(landmark isomap)、局部线性嵌入(locally linear embedding, LLE)、扩散映射(diffusion maps, DM)等多种流形学习方法对经多元散射校正预处理后的光谱数据做降维处理,并结合马氏距离判别(mahalanobis distance discrimination, MD)、二次判别分析(quadratic discriminant analysis, QDA)、贝叶斯判别(Bayesian discrimination, BD)、 K最近邻法(K nearest neighbor, KNN)识别其水心存在与否。结果表明,提取前12主成分,采用多元散射校正-地标等距映射-K最近邻法(MSC-landmark isomap-KNN)模型识别效果最优,校正集和预测集识别率分别为97.5%和96.3%。故,流形学习方法结合近红外透射光谱可成功、高效地实现苹果水心鉴别,为进一步研发水心鉴别设备提供新的理论指导。     

基于近红外光谱的腐乳白坯硬度检测研究

考察了硬度与腐乳白坯中水分含量和蛋白质含量的相关关系,探讨了利用近红外光谱技术检测白坯硬度的可行性。通过水分以及蛋白质的相关吸收峰建立预测白坯硬度的数学模型;在建模过程中重点讨论了多元散射校正(MSC)、一阶求导和波段选择等优化处理对建模的影响,利用偏最小二乘法得到的最优模型的建模相关系数r=0.935,建模标准差RMSEC＝0.019 3,预测标准差RMSEP=0.023 6,其分级正确率达到94.72%;利用主成分分析法结合判别分析法建立的定性判别模型,分级正确率也达到了90.12%。上述分级结果均好于感观评价的方法,表明近红外技术可以实现白坯硬度的快速无损检测。     

近红外激发荧光光谱与拉曼光谱快速鉴别马铃薯品种

马铃薯是世界上最重要的食物之一,快速无损的进行马铃薯品种鉴别对其在应用中更好的发挥品种优势具有重要作用。研究了以近红外荧光光谱和近红外拉曼光谱的土豆品种鉴别,并对两者进行了比较。实验采用3个品种共98个土豆样本,随机将其分成校正集(74个)和预测集(24个)。首先使用785nm近红外激光激发,采集所有样本的荧光和拉曼混合光谱,然后从混合光谱中分别提取荧光光谱和拉曼光谱,最后对荧光光谱和拉曼光谱进行偏最小二乘判别分析(PLS-DA),PLS-DA模型采用留一法和全交互验证。结果显示,荧光光谱与拉曼光谱都能够对三个马铃薯品种进行鉴别,其中荧光光谱的PLS-DA模型预测Favorita品种效果较好(灵敏度为1,特异性0.86,准确性0.92),但Diamant品种(灵敏度为0.75,特异性0.75,准确性0.75)和Granola品种(灵敏度为0.16,特异性0.89,准确性0.71)预测的效果较差,而拉曼光谱图很好的解释了马铃薯中的主要营养成分,基于拉曼光谱的PLSDA模型的预测效果(三个品种预测灵敏度,特异性,准确性均为1)比荧光光谱判别效果显著提高。     

应用GA-DOSC算法消除果皮影响近红外漫反射光谱分析苹果硬度的研究

通过偏最小二乘法(PLS)分别建立去皮前后苹果硬度的近红外回归模型.采用光谱附加散射校正(MSC)、微分处理(Derivative)、直接正交信号校正(DOSC)等预处理方法和基于遗传算法(GA)的有效波段选择方法来消除果皮对模型精度的影响.结果表明,苹果果皮对近红外光谱分析模型的预测能力有很大影响,但仅通过常规的光谱预处理方法(MSC、Derivative)很难有效消除.文章提出的遗传算法结合直接正交信号校正(GA-DOSC)方法能有效消除果皮的影响,不但使所建模型的波长点和最佳主因子数分别由1480和5降到36和1;其相关系数r由0.753提高到0.805,更重要的是模型的预测相对误差RSDp从16.71%显著下降到12.89%,并接近采用苹果果肉建模的预测性能(12.36%),达到了对苹果硬度的近红外无损检测要求.     

基于可见-近红外反射光谱技术的葡萄品种鉴别方法的研究

提出一种利用可见-近红外反射光谱技术快速无损鉴别葡萄品种的新方法.采用主成分分析法对三个葡萄品种的光谱进行聚类分析.结果表明, 黑提葡萄能够被区分.进一步采用人工神经网络技术对马奶子和木拉格两种葡萄进行品种鉴别.以前10个主成分作为神经网络的输入, 品种类型作为神经网络的输出, 建立三层BP神经网络模型.结果显示, 这两个品种的识别准确率达到98.28 %, 结果优于簇类独立软模式(SIMCA).同时提出葡萄品种鉴别的四个敏感波段: 452、493、542和668 nm.基于敏感波段光谱的BP神经网络预测准确率为97.41%.说明采用可见-近红外光谱分析技术结合主成分分析和人工神经网络的方法能够快速无损鉴别葡萄的品种, 为葡萄品种的鉴别提供了一种新方法.     

空间分辨光谱和可见/近红外光谱的番茄颜色等级判别

比较分析空间分辨光谱和单点可见/近红外光谱（可见/短波近红外光谱和中波近红外光谱）对番茄颜色的识别能力。根据番茄表面和内部颜色将600个样品分为6个等级（green, breaker, turning, pink, light red和red）。分别利用新型空间分辨光谱系统（550~1 650 nm）,可见/短波近红外光谱仪（400~1 100 nm）和中波近红外光谱仪（900~1 700 nm）采集番茄的空间分辨（spatially-resolved, SR）光谱和单点可见/近红外（SP Vis/NIR）光谱,建立番茄等级的偏最小二乘判别（PLSDA）模型,比较其对番茄颜色等级的预测效果。结果表明, SR光谱组合可在最佳单一SR光谱基础上进一步提高番茄颜色的识别能力,对番茄表面颜色和内部颜色的识别率可分别达到98.8%和84.6%。光源-检测器距离较近的SR光谱对番茄表面颜色的识别有帮助,而光源-检测器距离较远的SR光谱能较好的判别番茄内部颜色。SP NIR光谱在对番茄表面颜色判别中与SR光谱具有一定可比性,其分类准确率可达到95%,但SP Vis/NIR光谱在对番茄内部颜色识别中具有较低的分类准确率,分类结果远不如SR光谱,说明SR光谱比SP Vis/NIR光谱对番茄颜色的判别更具潜力。     

便携式近红外光谱仪的苹果糖度模型温度修正

样品温度对近红外光谱有很大影响,在近红外技术评价水果品质的实际应用时,需要修正温度变化对模型预测结果的影响。便携式近红外光谱仪采集不同温度下(0～30℃)苹果的漫透射光谱,采用二阶导数和卷积平滑进行预处理。选取20℃下代表性样本的光谱数据,建立基准PLS模型。斜率/偏差法分别计算苹果糖度PLS模型在0,10和30℃下的修正方程。分析结果表明:斜率/偏差法对0,10和30℃下外部样本预测结果进行修正,预测精度得到显著提高,其修正前后的Q值分别为0.525cv 0.810,0.680cv0.822,0.669cv 0.802。温度修正模型可以有效提高预测精度,也扩展了近红外仪器的适用性,为自主研发便携式近红外光谱仪提供参考。     

基于可见/近红外光谱的乙烯利催熟西瓜与正常成熟西瓜分类试验研究

针对国内常有瓜农采摘远离成熟期的西瓜,采用高浓度乙烯利处理,诱导其快速成熟的现象,对未经乙烯利处理和经乙烯利处理的西瓜进行了可见/近红外漫透射光谱的分类试验研究,在判别分析中,提出一种简单的透过率之比判别分析法,对未经乙烯利处理样品的误判率为32.5%,经乙烯利处理样品的误判率为20%;采用马氏距离判别分析和偏最小二乘法判别分析都可以取得理想的判别结果,一阶微分光谱经Norris微分滤波处理后, 利用马氏距离判别,判别结果为未经乙烯利处理样品校正集误判率1.67%,经乙烯利处理样品校正集、预测集均没有出现误判的情况;二阶微分光谱利用偏最小二乘法判别,没有误判情况发生。在使用这两种判别方法进行判别分析时,光谱预处理方法影响判别效果,应根据采用的判别方法决定所需采用的光谱预处理方法。     

小型西瓜果实成熟度的无损定性判别

将与西瓜成熟度相关的10项指标,经聚类分析分为完全成熟和不完全成熟两大类,利用PCADA和PLSDA两种建模方法,通过近红外光谱分析,针对小型西瓜京秀果实成熟度进行了定性判定。其中PCADA模型的效果最好。赤道部位建模的效果优于瓜顶部位。两个模型中均有误判,且存在着共同被误判的样品,果实样品理化成分和结构的不同都会对光谱信息产生影响,从而导致误判。漫透射近红外技术在小型西瓜成熟度检测方面可以获得较好的效果。但是建立预测模型时应选择合适的光谱采集部位和建模方法。     

土壤全氮田间Vis/NIR光谱测定方法研究

应用Vis/NIR光谱直接测定原始土壤属性具有重要的研究和应用价值。选取我国中部水稻土和潮土共103个土样,对比分析了两种土壤在田间环境下的湿态(R_w)和干态(R_d)光谱特征。采用相对变换光谱方法对湿态光谱进行了处理,结果表明该方法能够有效降低土壤水分的干扰和消除部分噪声,得到的变换光谱(R_n)与干态光谱在信息量和特征方面具有很高的相似度。以此建立了土壤TN的PLS回归估计模型,检验结果表明,R_n对水稻土和潮土TN的估计模型精度均高于R_w,修正判定系数分别从0.26和0.46提高到0.53和0.62。因此,相对光谱变换方法能够有效提高应用田间土壤光谱估计土壤参数的能力,建立的PLS模型可以用于测定TN含量,研究结果可作为实现田间实时分析土壤属性的工作基础。     

基于SVD的苹果粉质化高光谱散射图像特征提取

粉质化是影响苹果等级的重要口感参数.采用高光谱散射图像进行了苹果粉质化的无损检测研究.利用奇异值分解方法对样本600～1 000 nm 共81个波长20 mm范围内的敝射图像进行奇异值分解,将获得的奇异值作为粉质化表征参数,结介偏微分最小二乘判别分析建立苹果粉质化分类模型.结果缸示,对不同产地和不同储藏条件下的样本,其两分类模型(粉质化和非粉质化)的分类精度为76.1%～80.6%,优于平均值特征提取方法(75.3%～76.5%).分析表明,奇异值分解可以有效地提取高光谱敞射图像的特征,用此特征建立粉质化分类模型可以区分粉质化和非粉质化的苹果,但分类精度有待于进一步提高.     

基于GADF变换和多尺度CNN的哈密瓜表面农药残留可见-近红外光谱判别方法

针对哈密瓜表面农药残留化学检测方法成本高且具有破坏性等问题,探索了可见-近红外（Vis-NIR）光谱技术对农药残留定性判别的可行性。以哈密瓜为载体,百菌清和吡虫啉农药为研究对象,采集哈密瓜表面无残留、百菌清和吡虫啉残留的可见-近红外漫反射光谱,利用格拉姆角场（GAF）将一维光谱数据转换为二维彩色图像,构建GAF图像数据集。设计一种包含Inception结构的多尺度卷积神经网络模型用于哈密瓜表面农药残留种类判别,包括1层输入层、3层卷积层、1层融合层、1层平坦层、2层全连接层和1层输出层。模型测试混淆矩阵结果表明,格拉姆角差场（GADF）变换对哈密瓜表面农药残留的可见-近红外光谱表达能力较强。此外,构建AlexNet、VGG-16卷积神经网络（CNN）模型和支持向量机（SVM）、极限学习机（ELM）机器学习模型与提出的多尺度CNN模型进行性能对比。结果表明,3种CNN模型对哈密瓜表面有无农药残留的判别效果较好,综合判别准确率均高于SVM和ELM模型。对比3种CNN模型性能,多尺度CNN模型的性能最佳,训练耗时为14 s,综合判别准确率为98.33%。多尺度CNN模型结构利用多种小尺寸滤波器组合（1×1,3×3和5×5）和并行卷积模块,能够捕获不同层次和尺度的特征,通过级联融合模式进行深度特征融合,提高了模型的特征提取能力。与传统深度CNN模型相比,在保证计算复杂度不变的情况下,多尺度CNN模型的精度得到了有效提高。实验结果表明,GADF变换结合多尺度CNN模型可以有效进行光谱数据解析,利用可见-近红外光谱技术可以实现哈密瓜表面农药残留的定性判别。研究结果为大型瓜果表面农药残留的快速无损检测技术的研发提供了理论参考。     

苹果糖度近红外光谱分析模型的温度补偿

温度变化对水果品质近红外评价有很大影响,需要补偿温度波动对模型的影响。文章研究了温度变化(2～42 ℃)对苹果近红外漫反射光谱的影响,采用剔除温度变量法和内校正法补偿温度对模型的影响,提高预测精度。研究表明,温度与光谱信息存在一定相关性, 其模型R2=0.985,RMSEC=1.88,RMSEP=2.32;未进行温度校正模型的预测标准偏差达到2.55;采用复合预处理方法和改进的遗传算法对光谱数据优化,剔除温度变量法模型的R2=0.954,RMSEC=0.63,RMSEP₁=0.72,RMSEP₂=0.74;内校正法的模型R2=0.952,RMSEC=0.64,RMSEP₁=0.69,RMSEP₂=0.68;相比未进行温度补偿模型均提高了预测精度。结果显示：温度对苹果近红外光谱影响呈非线性变化,剔除温度变量法和内校正法可用于补偿温度对模型的影响,可提高模型预测精度。     

可见/近红外光谱分析技术鉴别转基因番茄叶

用可见/近红外光谱（Vis-NIR spectrum）漫反射方式对转基因番茄叶和非转基因番茄叶进行了快速、无损的定性分析。实验共对68个样品（转基因38个,非转基因30个）进行分类,用TQ 6.2.1光谱分析软件中集成的判别分析（Discriminant analysis）和偏最小二乘回归法（PLS）建立校正和预测模型。研究对比了不同光谱预处理方法（微分处理和多元散射校正（MSC））对分类结果的影响。实验结果发现用判别分析较最小二乘法判别结果较好,用InGaAs检测器获得的光谱经MSC后的分类结果最好,分类正确率为89.7％（转基因番茄叶86.8％,非转基因番茄叶93.3％）。结果表明VIS-NIR可以作为一种快速的无损检测方法鉴别转基因和非转基因番茄叶。