近红外光谱检测鲜枣酵母菌的动力学模型

酵母菌是引起鲜枣发酵的主要微生物。以室温(20 ℃)贮藏的鲜枣为研究对象,应用近红外光谱,建立了检测鲜枣内酵母菌的动力学模型,从而预测室温贮藏鲜枣的保鲜期,以确保鲜枣的品质安全。通过对近红外光谱预处理方法和特征波数的优选,分别建立了室温贮藏下鲜枣内酵母菌的近红外光谱定量检测模型和反映其变化规律的动力学模型。结果表明,在全光谱范围内,采用多元散射校正光谱预处理方法,通过多元线性回归,建立的鲜枣内酵母菌菌落总数的近红外光谱模型预测效果最好,其中校正集的相关系数为0.950,均方根误差为2.560,预测集的相关系数为0.863,均方根误差为2.477。结合鲜枣的近红外光谱,其零级反应动力学模型可以较好地描述酵母菌的变化情况,鲜枣光谱吸光度值与贮藏时间的动力学模型为B_t=171.395-124.445x₁-109.945x₂-32.763x₃-7.899x₄-1.426x₅-4.857x₆+0.045t,其相关系数为0.996,标准偏差为2.561。酵母菌安全限量为100 000 cfu·g-1,当酵母菌菌落总数初始值小于等于10 cfu·g-1时,预测鲜枣在室温下的贮藏时间为8 d,也可根据鲜枣中的酵母菌菌落总数初始值的不同实现实时监测鲜枣内部酵母菌菌落总数信息及其安全的贮藏时间。     

基于近红外光谱和ELM算法的菱镁矿石品级分类研究

由工业发展需求,针对菱镁矿石矿物含量不同以及分布不均匀而难以判定其品级的情况,提出一种由近红外光谱技术结合ELM的菱镁矿石品级分类模型。该模型可以实现菱镁矿石品级的快速分类。近红外光谱利用菱镁矿中不同种类含H基团对近红外光谱有不同吸收的特性,用来测定菱镁矿石的成分及其含量,其操作简便、不破坏样品、速度快、准确高效。以辽宁省营口市大石桥的菱镁矿石30组为研究对象,采集菱镁矿石的近红外光谱数据样本30×973。采用主成分分析(PCA)对其进行降维处理,以主元贡献率大于99.99%而得到10维的特征变量值。建立了ELM算法定量分析数学模型,取20组样本为训练样本(包括6组特级,14组非特),其余10组作为测试样本(其中4组特级,6组非特),ELM算法模型的隐含层节点数选取20。为了进一步提高分类效果,提出两种ELM算法模型的改进：采用循环模式对传统ELM的输入权值和阈值进行寻优的精选ELM和在精选ELM基础上进行集成的集成-精选ELM。并与用人工方法、化学方法和BP神经网络模型方法对菱镁矿石样品品级分类作对比。结果表明：近红外光谱和ELM菱镁矿石品级分类模型不论在时间上还是成本上,都具有明显的优势,且其准确率能够达到90%以上,为菱镁矿石品级分类提供了一条新的途径。     

基于可见/近红外光谱的鹅鸭混合绒定量检测研究

鹅绒和鸭绒的外观相似但在品质上鹅绒优于鸭绒,各国羽绒毛标准对鹅绒毛中的鸭绒毛含量都有最高限定。传统检测方法为高倍显微镜目测法,该方法劳动强度大,且不适宜大批量样本的分析及现场快速检测。利用可见/近红外光谱结合连续投影算法(SPA)特征波长选择的建模方法对鹅绒中混有鸭绒含量进行了定量检测。在450～930nm范围内,通过SPA选择的8个特征波长建立多元线性回归模型,取得了较好的预测结果,相关系数为0.983,校正均方根误差(RMSEC)为5.44%,预测均方根误差(RMSEP)为5.75%,有望用于羽绒毛品质的快速检测。     

近红外光谱鉴别鲜枣品种及裂果研究

我国的鲜食枣品种多样, 不同的品种其肉质有差异, 其食用品质也有差别。此外, 鲜枣收获时有裂果,裂果导致其果肉外露,腐烂变酸,失去食用价值, 并且腐烂变质的水果,很容易传染给完整果,因此有必要将裂果和完整果进行分开贮藏,以减少损失。本研究采用近红外光谱快速鉴别鲜枣品种及裂果。以室温(20 ℃)贮藏的鲜枣为研究对象,应用近红外光谱,对2个不同品种的鲜枣进行光谱分析, 采用平滑法、多元散射校正、一阶微分和二阶微分方法对光谱进行预处理, 再用回归关系法和主成分分析法进行波数选择,建立3层人工神经网络鉴别模型, 结果表明, 鲜枣品种和裂果鉴别的正确率均可达100%, 可鉴别鲜枣品种和裂果, 以减少鲜枣贮藏的损失。说明近红外光谱可以实现鉴别冬枣和梨枣品种, 以及正确的识别完整果和裂果,为鲜枣的分类贮藏和加工提供理论依据。     

近红外光谱定量分析的改进ELM算法

极限学习机理论(extreme learning machine, ELM)作为一种新的化学计量学方法,在近红外光谱定量分析中的应用研究,已引起学术界的高度重视。然而,由于光谱数据维数较高,建立ELM模型时需要大量的隐节点,导致隐含层输出矩阵维数高且存在高度共线性,用现有的Moore-Penrose广义逆算法求取隐含层输出矩阵与待测性质间的回归模型往往会存在病态问题。基于ELM建立光谱波长变量与性质之间的回归模型,提出以ELM模型隐含层输出矩阵作为新的变量,采用作者最新提出的基于变量投影重要性的改进叠加PLS算法(stacked partial least squares regression algorithm based on variable importance in the projection,VIP-SPLS),建立新变量与待测性质间的回归模型。VIP-SPLS算法充分利用了每个隐节点的输出信息,能有效解决高维共线性问题,同时具有模型集成的优点,从而改进了ELM模型的性能。将提出的改进ELM算法(improved ELM,iELM)应用于标准近红外光谱数据集,结果表明iELM模型的精度相对于现有的PLS模型和ELM模型分别显著提升了29.06%和27.47%。     

光谱技术结合BiPLS-GA-SPA和ELM算法的生菜冠层氮素含量检测研究

氮素是影响生菜产量和品质的重要因素,光谱技术是检测作物氮素含量最有效的手段之一。通过获取不同氮素水平下生菜冠层的反射光谱,对其进行FDSGF（first-order derivative based savitzky-golay filt）滤波后,利用后向区间偏最小二乘算法（BiPLS）、遗传算法（GA）及连续投影算法（SPA）对特征波长进行梯度提取,最终从2 151个波长点中提取了8个与生菜氮素最为相关的特征波长。分别利用多元线性回归（MLR）、径向基函数神经网络（RBFNN）及极限学习机（ELM）三种算法建立了基于特征波段或特征波长的8个生菜冠层氮素含量检测模型。结果表明： BiPLS-GA-SPA-ELM模型（RMSEC=0.241 6%,R_c=0.934 6,RMSEP=0.284 2%,R_p=0.921 8）的预测结果优于其他模型,为指导合理施肥和开发便携式仪器提供了理论基础。     

可见、近红外光谱和深度学习CNN-ELM算法的煤炭分类

煤是工业的主要能源,煤的品质对工业和环境起决定性作用。在使用煤的过程中,如果不能准确确定煤的品种,有可能对生产效率、环境污染、经济损失等会造成重大的影响。传统的煤分类,主要依靠人工方法和化学分析方法,这些方法的缺点是高成本和耗费时间。如何快速准确确定煤的品质很重要。因此,提出深度学习、极限学习机-ELM算法和可见、红外光谱联合建立煤矿分类模型。首先,从抚顺、伊敏和河南夹津口煤矿区采取不同煤样品,并使用美国Spectra Vista公司的SVC HR-1024地物光谱仪测得光谱数据。然后利用深度学习的卷积神经网络-CNN提取光谱特征,并采用ELM算法对光谱数据建立分类模型。最后,为进一步提高分类精度,引入粒子群算法。通过全新定义惯性权重和加速系数的取值范围来改进粒子群算法,并使用改进粒子群算法优化CNN-ELM网络。实验结果表明,和PCA特征提取方法比较,CNN网络能够更好的提取光谱特征,CNN-ELM分类模型有良好的分类效果;改进ELM分类模型的分类精度高于基础ELM和SVM分类模型。与传统的化学分析方法和人工方法相比,此方法在经济、速度、准确性方面均具有无可比的优势。     

近红外光谱结合ELM快速检测固态发酵过程参数pH值

pH值是固态发酵过程关键参数之一,为此提出基于近红外光谱技术的秸秆蛋白饲料固态发酵过程参数pH值检测方法。利用近红外光谱系统获取140个固态发酵过程产物样本在10 000～4 000cm-1范围内的近红外光谱数据,通过酸度计测得近红外光谱预测模型的参考测量值;运用ELM算法建立pH值的预测模型,在模型建立过程中由交互验证法确定最佳主成分因子数和ELM网络隐含层节点数。试验结果显示:最佳ELM网络模型的拓扑结构为10-40-1,模型预测集相关系数(Rp)和预测均方根误差(RMSEP)分别为0.961 8和0.104 4。研究结果可为固态发酵过程参数的在线检测提供技术基础。     

基于可见/近红外光谱和数据驱动的机器学习方法测量土壤有机质和总氮

土壤养分直接关系到作物产量与品质状况,然而传统化学方法检测存在化学试剂消耗大、耗时费力等问题,不能满足精细农业的需求。快速获取土壤养分信息是发展精细农业、绿色农业的关键,想要了解土壤肥力状况,必须先了解有机质和总氮的含量状况。许多研究表明,长波近红外光谱被广泛应用于土壤检测领域,然而短波可见/近红外光谱在土壤有机质和总氮的研究上却非常罕见。以江西省吉安市安福县和南昌市新建区的四个村庄作为研究区,根据2×2网格法采集了深度为10～30cm的棕壤、红壤和水稻土三种最为典型的土壤样品共180份。经过研磨、风干等处理后用四分法均匀划分为两份,用于测定样品光谱信息和理化信息。将土壤样品按照2∶1(120∶60)划分为建模集和预测集。考虑到首尾端波段噪声较大,故去除325～349和1 051～1 075nm波段,将350～1 050nm波段用于光谱分析。通过连续投影算法(SPA)筛选出有机质12个特征波长点,总氮11个特征波长点,考虑到土壤光谱信息与土壤理化性质之间可能存在非线性联系,建立全波段与特征波长的线性偏最小二乘回归(PLSR)模型和非线性最小二乘支持向量机(LS-SVM)模型对土壤有机质...     

基于抽取和连续投影算法的可见近红外光谱变量筛选

大多数短波CCD硅检测器为2 048或3 648像元,相邻波长间隔小,预处理算法对其适用性差.本文在600.09～980.47 nm光谱范围内,采用等间隔抽取方法重构光谱矩阵.经不同光谱预处理后,分别采用遗传算法(GA)和连续投影算法(SPA),筛选偏最小二乘法(PLS)建模变量.采用留一法交叉验证评价模型的预测能力,...     

基于光谱和水分补偿方法的鲜枣内部品质检测

为了建立稳定可靠的鲜枣品质检测模型,利用光谱和水分补偿方法进行鲜枣内部品质的检测。首先,针对鲜枣各品质指标(水分含量、可溶性固形物含量、维生素C含量、蛋白质含量、硬度值),采用回归系数法(RC)提取特征波段并建立最小二乘支持向量机(LS-SVM)检测模型,预测集的决定系数(R2_P)均在0.8261以上,预测均方根误差(RMSEP)均在3.324 9以下。在提取各项品质指标特征波段的基础上,剔除其他四项单一品质特征波段中与水分特征波段(包含利用RC法所提取到的水分特征波长和鲜枣中具有明显水分特征的吸收峰)重叠或接近的波段,并与鲜枣水分含量值进行数据融合建立了各项指标的水分补偿模型。结果表明,硬度值的水分补偿模型精度有一定提高,R2_P和RMSEP分别为0.830 5和0.055 3;可溶性固形物含量、维生素C含量、蛋白质含量的水分补偿模型精度均有所下降,R2_P分别为0.804 1,0.878 2和0.837 8,RMSEP分别为1.347 3,0.638 0和3.503 2。然后,分析各品质指标间的相关性,结果表明,水分含量在0.05水平上与硬度值呈现显著的相关性,在0.01的水平上与其余三项品质指标之间存在极显著的相关性,相关性强弱与水分补偿模型的建模结果相互支持。研究表明,水分补偿法所建的预测模型可用于鲜枣内部品质的检测,水分含量与其他四项品质指标之间有相互作用并影响其他品质指标所建立的预测模型。该研究为进一步探讨光谱检测中各内部品质指标间交互作用的解耦提供了新思路。     

新雪的热红外偏振特性研究

积雪直接影响地表能量平衡和气候变化,与人类生产、生活息息相关,运用热红外偏振技术对新雪的发射光谱特性进行研究,可为热红外遥感监测雪的热辐射偏振特性定量研究提供基础,对加深对全球变暖理解及制定相应对策等具有重要意义。研究结果表明：波段对新雪热红外偏振特性影响很大,其偏振辐亮度(L)表现为：L_CH1>L_CH3>L_CH4>L_CH2,偏振亮温(T)表现为：T_CH4>T_CH1>T_CH2>T_CH3,在探测角50°偏振角90°处出现最大值而在探测角30°偏振角75°处存在最小值,利用CH₃偏振亮温数据分析新雪热辐射偏振特性效果更优。探测角对新雪的偏振亮温影响极其显著,表现为：T₁₀203005040,偏振度(P)表现为：P₀>P₃₀>P₄₀>P₂₀>P₁₀>P₅₀。偏振角对新雪亮温影响呈线性关系,在0~135°范围,每单位偏振角偏振亮温增加约0.003 ℃,这为新雪偏振亮温预测提供可能,在研究探测角对新雪偏振亮温影响时可忽略波段造成的差异。相对方位角对新雪的热辐射偏振特性影响不显著,这主要是由物质表面粗糙程度与组织结构差异导致,利用热红外偏振度对新雪的理化特性监测具有重要作用。     

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...     

田间黄花梨糖度的可见/近红外光谱检测方法

提出了一种可克服背景光对田间光谱测量影响的方法。采集田间水果光谱时,环境背景光的干扰强,难以获取样品有效光谱信息。在田间采用套袋方式遮挡现场光线能得到较理想的结果,但检测效率低,仪器暗场校正和参考光谱校正等方法有利于减小模型误差,但不能有效消除环境光照的干扰。通过在测量探头前加装快门,打开快门时测得样品在仪器光源和背景光共同作用下的现场光谱,关闭快门时测得样品仅在现场环境光线作用下的背景光谱,将背景光谱从现场光谱中扣除进行背景光校正。利用偏最二乘法建立田间(背景光校正前、后)以及室内样品光谱建立黄花梨糖度预测模型,预测值与真实值的相关系数分别为0.1,0.69,0.92,均方根误差分别为0.89。Brix,0.42。Brix,0.27。Brix,预测集的RPD分别为0.79,1.69,2.58,结果表明实验所采用的背景光校正方法可有效减小田间环境光照对黄花梨可见/近红外光谱采集的影响,可用于田间水果的近红外光谱采集,有利于充分发挥可见/近红外光谱技术在果实采收前的田间管理、采收成熟度检测等方面的潜力。     

近红外光谱的阵列扫描式灵敏度法探测颅脑血肿

利用近红外光谱技术对脑组织进行检测实现脑血肿的定位一直以来都是无损光学诊断的研究热点.为了实现开放式全方位的精准探测,基于功能性近红外光谱技术提出一种新的方法—阵列扫描式灵敏度法,即建立全方位阵列探测器,通过单边阵列式扫描检测来获取不同探测位置的光通量,计算每个探测器的探测灵敏度,就能得到全方位的探测信息.首先,建立单...     

近红外光谱的油页岩总有机碳快速检测

为了快速检测油页岩总有机碳（TOC）含量,以松辽盆地某区块所取岩芯为研究对象,测量230个岩石样本的TOC含量和近红外光谱数据。利用蒙特卡洛法剔除异常样本14个,剩余的216个样本进行去趋势加基线校正方法预处理,采用连续投影算法（SPA）、无信息变量消除算法以及竞争自适应算法选取特征波长。使用SPXY方法对样本按照2∶1的比例划分为144个校正集和72个验证集,然后建立线性的偏最小二乘（PLS）模型以及非线性的支持向量机（SVM）模型和随机森林（RF）模型对油页岩TOC含量进行预测。采用测定系数（R2）和均方根误差（RMSE）作为模型的评价指标,探究不同特征波长选择方法对油页岩总有机碳建模的影响,比较不同建模方法对油页岩TOC含量预测的准确度。结果表明,特征波长提取能够起到优化模型的作用。SPA,UVE和CARS分别提取了16,253和65个波长,经过特征波长提取后模型测定系数均有提高,均方根误差均有下降,这说明进行特征波长优选对于简化模型、提高模型运算速度发挥着很重要的作用。此外,非线性的RF和SVM模型性能要优于线性模型PLS。这是因为油页岩中的碳存在于各类烃的中,不同类别含烃基团的吸收峰之间相互影响,使得油页岩总有机碳含量和近红外光谱数据之间存在着复杂的非线性关系,因此,非线性的SVM和RF模型能够表现出更好的效果。相比于其他模型,CARS-SVM模型验证集的测定系数（R2_v）和均方根误差（RMSEV）表现出的结果较好,分别达到了0.906 6和0.222 0,该模型能够用于油页岩总有机碳含量的快速检测。研究结果说明,近红外光谱分析应用于油页岩TOC含量快速检测是可行的;建立的CARS-SVM模型能够表现出较好的预测效果,为我国油页岩TOC含量快速检测提供了一种新的方法和思路。     

近红外光谱技术结合RCA和SPA方法检测土壤总氮研究

基于近红外光谱技术结合连续投影算法和回归系数分析对检测土壤总氮含量进行研究。采集农田土壤样本近红外光谱数据,土壤样本数量共394个。由于原始光谱数据量大,在500～2 500 nm光谱波长范围基础上,为简化模型,在原始光谱基础上采用连续投影算法和回归系数分析提取特征变量,以两种变量选择方法提取的特征变量作为输入,分别采用偏最小二乘回归(PLS)、 多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)建模方法建立总氮预测模型,共建立了9个预测模型,最优预测集的决定系数为0.81,剩余预测偏差RPD为2.26。研究表明,基于连续投影算法和回归系数分析选择的特征波长可以应用于近红外光谱检测土壤总氮含量,同时可以大大简化模型,适合开发便携式土壤养分检测仪。     

PCA和SPA的近红外光谱识别白菜种子品种研究

为了实现对不同品种白菜种子的快速无损鉴别,应用近红外光谱技术获取白菜种子的光谱反射率,首先采用变量标准化校正和多元散射校正对原始光谱进行预处理;其次,采用主成分分析法(PCA)对光谱数据进行聚类分析,从定性分析的角度得到三种不同白菜种子的特征差异,并采用连续投影算法(SPA)选取特征波长;最后,分别基于全波段光谱、PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长,建立了最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型进行白菜种子不同品种的鉴别。从主成分PC1、PC2得分图中可以看出,主成分1和2对不同种类白菜种子具有很好的聚类作用。基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型,其中基于特征波长建立的LS-SVM模型识别效果最优,建模集和预测集的品种识别率均达到100%。结果表明,通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息,提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果,为白菜种子品种的识别提供了一种新方法。     

基于激光近红外的稻米油掺伪定性-定量分析

该文主要研究激光近红外光谱分析技术结合化学计量学方法对稻米油掺伪进行定性-定量分析。分别将大豆油、玉米油、菜籽油、餐饮废弃油掺入稻米油中,按照不同质量比配置189个掺伪油样,利用激光近红外光谱仪采集光谱;对采集的稻米油掺伪图谱数据进行多元散射校正(MSC)、正交信号校正 (OSC)、标准正态变量变换和去趋势技术联用算法(SNV_DT)三种不同预处理并与原始数据进行比较。采用连续投影算法(SPA)对经过预处理的光谱数据进行特征波长提取,应用支持向量机分类(SVC)方法建立稻米油掺伪样品的定性分类校正模型,选择网格搜索算法对模型参数组合(C,g)进行寻优,确定最优参数组合。另采用后向间隔偏最小二乘法(BiPLS)和SPA对预处理后的光谱数据进行特征波长提取,分别应用偏最小二乘法(PLS)和支持向量机回归(SVR)建立掺伪油含量的定量校正模型,并选用网格搜索算法对SVR模型参数组合(C,g)进行寻优,建立最优参数模型。研究表明,建立的SVC模型预测集和校正集的准确率分别达到了95%和100%;对比SVR和PLS方法建立的数学模型对稻米油中掺杂油脂的含量的预测,两种方法均能够实现含量预测,SVR模型的预测能力更好,相关系数R高于0.99,均方根误差(MSE)低于5.55×10-4,预测精度高。结果表明,采用激光近红外光谱分析技术可以实现稻米油掺伪的定性-定量分析,同时为其他油脂的掺伪分析提供了方法。