太赫兹光谱技术对红薯淀粉中明矾含量的检测方法研究

明矾是一种可以改良粉条粉丝易断粗糙特性的违法添加剂,明矾的含量过高进入人体后会直接影响身体健康。结合太赫兹光谱技术探索红薯淀粉中明矾含量快速检测方法。采用太赫兹时域光谱系统(Terahertz time domain spectroscopy, THz-TDS)于常温下获取0.5～7 THz范围内红薯淀粉、明矾及其混合物的光谱数据。因0～0.5 THz测得的频谱均为噪声,高频段区域的吸收系数大、信噪比低,故选取0.5～2 THz波段的吸收系数谱和折射率谱进行分析。发现明矾在该波段存在明显的特征吸收峰,可作为指纹特征用于物质识别。分别采用Savitzky-Golay卷积平滑(SG Smoothing,SG平滑)、基线校正(Baseline)、归一化(Normalization)等方法进行光谱预处理,再结合偏最小二乘(partial least squares, PLS)对红薯淀粉中明矾含量建立预测模型。结果表明,采用原始光谱、 SG平滑、 Baseline、 Normalization等光谱数据建立PLS模型的最佳因子数(principal component factors)分别为3, 3, 3和2;校正集相关系数(r_c)分别为0.982, 0.980, 0.982和0.984;预测集相关系数(r_p)分别为0.982, 0.979, 0.982和0.987;校正集均方根误差(root mean square error of calibration, RMSEC)分别为0.011, 0.012, 0.012和0.011;预测集均方根误差(root mean square error of prediction, RMSEP)分别为0.013, 0.014, 0.013和0.012;可知归一化预处理后建立PLS模型效果最佳。为对比分析线性(PLS)与非线性(LS-SVM)两种定量模型方法的预测精度,采用相同预处理方法后的红薯淀粉中明矾含量光谱数据建立最小二乘支持向量机(least squares support vector machine, LS-SVM)预测模型,选用径向基函数(RBF)作为核函数。结果表明,归一化预处理后建立LS-SVM模型效果最佳,其预测集均方根误差(RMSEP)为0.0047,预测集相关系数(r_p)为0.997 2。发现对红薯淀粉中明矾含量建立LS-SVM预测模型的稳定性更好、精确度更高。采用太赫兹时域光谱结合LS-SVM和PLS对红薯淀粉中明矾含量进行定量分析。结果表明,采用归一化预处理后的LS-SVM比PLS模型的预测效果更优,可能是红薯淀粉与明矾混合物中含有更多的非线性信息。研究表明,太赫兹时域光谱结合化学计量学方法可为红薯淀粉中明矾含量的定量分析提供快速精确的分析方法。     

基于LS-SVM和THz光谱技术的面粉中苯甲酸检测研究

面粉（小麦粉）是中国北方大部分地区的主食,苯甲酸是重要的酸型食品防腐剂,为了便于食品长期保存,往往会添加苯甲酸以便延长食品保存时间。但食用添加苯甲酸过量的小麦粉会对身体健康产生严重危害。太赫兹技术是一种新兴的检测技术,由于处于特殊的0.1～10 THz的太赫兹频段,在食品安全检测方面体现出了很强的应用潜力。主要致力于探索太赫兹光谱技术检测苯甲酸的合理性、可行性,利用太赫兹时域光谱技术对面粉中的食品添加剂苯甲酸进行实验研究。实验获取了面粉和苯甲酸的太赫兹时域光谱和频域光谱,其吸收系数显示苯甲酸的特征吸收峰在1.94 THz波段,面粉的太赫兹吸收系数几乎以一定的斜率增加,说明可以用THz-TDS（Terahertz time domain spectrum）技术对面粉中的苯甲酸进行特征识别。为建立面粉中添加剂苯甲酸的定量检测模型,实验获取了面粉中掺杂不同百分比（质量分数）苯甲酸的太赫兹时域光谱,计算得到吸收系数谱。实验发现吸收峰幅度的变化是与苯甲酸的含量成正比的,苯甲酸含量增加吸收峰幅度变大。首先探索了不同光谱预处理方法对太赫兹光谱的影响,采用如平滑校正、多元散射校正、基线校正和归一化等方法对原始光谱进行校正处理。校正之后,建立相应的PLS (partial least squares)模型以选择最优预处理方法。然后分别建立苯甲酸浓度和太赫兹吸收系数的MLR (multiple linear regression)、PLS和LS-SVM（partial least squares support vector machines）回归模型,并对比分析不同模型的优劣。将光谱数据归一化后建立的PLS模型更具有优势,预测相关系数R_p为0.979,预测均方根误差RMSEP为1.30%。LS-SVM与PLS和MLR模型相比,LS-SVM模型可以获得更好的建模结果,LS-SVM的预测相关系数R_p为0.987,预测均方根误差RMSEP为1.10%。利用MLR方法仅使用1.946和1.869 THz两个波段点进行建模,建模效果预测相关系数R_p为0.955,预测均方根误差RMSEP为1.90%。通过该研究为面粉中苯甲酸添加剂的无损检测提供了新的解决方案,也为其他类型的添加剂的检测提供了方法指导,对促进面粉行业的健康发展具有重要的意义。     

不同成熟度双孢菇硬度的拉曼光谱无损检测

以拉曼光谱技术结合化学计量学方法实现两类不同成熟度的双孢菇菌盖硬度的建模预测分析。将菌盖直径平均值2~3 cm的样品划为Ⅰ类成熟度,3~5 cm为Ⅱ类。对两类样品分别取65个进行光谱采集并测量硬度,分别采用标准正态变量变换、基线校正、一阶导数、二阶导数4种方法预处理,建立偏最小二乘模型(PLS)。比较模型效果得出最佳预处理方法均为一阶导,但Ⅰ类建模的预测相关系数(R_p)和均方根误差(RMSEP)分别为0.887和0.444,Ⅱ类的R_p和RMSEP分别为0.896和0.435。结果表明Ⅱ类成熟度蘑菇的硬度预测比Ⅰ类更为准确,在同等条件下,Ⅱ类蘑菇硬度的变化更可准确预测,其贮藏保鲜更有规律可循。     

不同pH值土壤中铅含量的太赫兹光谱反演建模研究

针对土壤中铅含量的定量检测问题,本研究基于太赫兹光谱技术对不同pH下土壤中铅含量的最佳反演预测模型进行了探索性研究。分别制备了pH为8.5, 7.0和5.5的含铅土壤样品,采集样品的太赫兹光谱数据,并对光谱数据做了多元散射矫正(MSC)、基线校正和Savitzky-Golay平滑等预处理。对预处理后的光谱数据,采用连续投影法(SPA)选取光谱数据的特征频率。基于选取的特征频率分别采用偏最小二乘法(PLS)、支持向量机(SVM)和误差反向传播神经网络(BPNN)建立土壤中铅含量的反演预测模型,采用校正集相关系数(R_c)、校正集均方根误差(RMSEC)、预测集相关系数(R_p)、预测集均方根误差(RMSEP)和剩余预测偏差(RPD)作为评价参数对模型性能进行评估,确定铅在不同pH土壤中的最佳预测模型。实验结果表明:在经过SPA选择特征频率后的建模效果普遍比全光谱的效果好。其中pH 8.5的样品最佳预测模型为SPA-PLS,R_c,R_p, RMSEC, RMSEP和RPD分别为0.997 7, 0.994 6, 14.52 mg·kg~(-1), 22.70 mg·kg~(-1)和9.63; pH 7.0的样品最佳预测模型为SPA-SVM,R_c,R_p, RMSEC, RMSEP和RPD分别为0.996 2, 0.975 7, 20.25 mg·kg~(-1), 33.04 mg·kg~(-1)和4.56; pH 5.5的样品最佳预测模型为SPA-BPNN,R_c,R_p, RMSEC, RMSEP和RPD分别为0.968 7, 0.974 4, 48.83 mg·kg~(-1), 55.03 mg·kg~(-1)和4.44。该研究结果为不同pH土壤中铅含量的光谱反演预测提供了一种新思路,亦可为其他重金属在不同pH土壤中的含量反演预测模型提供理论方法和技术支持。     

柑橘叶片叶绿素含量拉曼光谱定量分析方法研究

柑橘叶片叶绿素含量的准确检测对柑橘营养状况和生长态势具有极其重要的意义。研究了快速无损诊断柑橘叶片中叶绿素含量的方法,以期为拉曼光谱检测技术用于柑橘叶片叶绿素含量检测提供参考。采集不同冠层高度和不同地理分布的柑橘叶片120片,拭去叶片表面的灰尘,用去离子水对其清洗、晾干装入密封袋中并用标签分类标注。然后对柑橘叶片进行拉曼光谱采集,参数设置如下：分辨率为3 cm-1,积分时间为15 s;激光功率为50 mW。分别采用BaselineWavelet、迭代限制最小二乘（IRLS）和不对称最小二乘(ALS)三种算法对柑橘叶片的拉曼光谱背景进行扣除,使用偏最小二乘（PLS）方法建立定量模型;四种光谱预处理方法归一化(Normalization),Savitzky-Golay卷积平滑(SG smoothing, SG平滑)、多元散射校正(MSC)和Savitzky-Golay一阶导数(SG 1st Der)对扣除背景后的光谱进行进一步的优化处理。结果表明：采用原始光谱、BaselineWavelet、IRLS、ALS背景扣除处理后的光谱建立PLS模型,模型的相关系数r分别为0.858,0.828,0.885和0.862,交互验证均方根误差(RMSECV)分别为5.392,5.870,4.934和5.336,最佳因子数分别为8,3,8和8;IRLS背景扣除处理后的PLS模型的RMSECV最小,相关系数最高,建模效果最好。分别采用SG平滑、归一化、MSC和SG 1st Der预处理方法对IRLS背景扣除后光谱进行预处理并建立PLS模型,结果表明：IRLS光谱及其结合SG平滑、归一化、MSC和SG 1st Der四种预处理方法的PLS模型的R分别为0.885,0.897,0.852,0.863和0.888,RMSECV分别为4.934,4.715,5.595,5.182和4.962;最佳因子数分别为8,8,8,8和5;IRLS-SG平滑后PLS模型的RMSECV最小,模型效果最优。对IRLS-SG平滑预处理后的PLS模型展开验证,预测相关系数r为0.844,预测均方根误差(RMSEP)为5.29,预测精确度较高。采用拉曼光谱结合三种光谱背景扣除方法和四种预处理方法对柑橘叶片叶绿素含量进行定量分析表明：采用IRLS背景扣除结合SG平滑预处理后的PLS模型最优,建模集r为0.897,RMSECV为4.715;预测集r为0.844,RMSEP为5.29,预测精度较高。拉曼光谱结合背景扣除方法可以为柑橘叶片叶绿素含量的定量分析提供一种快速简便的分析方法。     

基于高光谱漫透射成像可视化检测脐橙可溶性固形物

厚皮类瓜果内部品质的无损检测是目前水果产业的检测技术瓶颈。本文采用高光谱漫透射技术对脐橙可溶性固形物(SSC)含量进行可视化分析研究。通过基线校正(Baseline)预处理结合连续投影算法(SPA)优选9个特征波长,建立SSC偏最小二乘回归(PLSR)模型,校正集相关系数r_(cal)为0.891,校正集均方根误差RSMEC为0.612°Brix,预测集相关系数r_(pre)为0.889,预测集均方根误差RMSEP为0.630°Brix。最后,计算各个像素点的SSC值结合图像处理技术得出SSC的可视化分布图,直观判断脐橙SSC含量高低。     

饲料中粗脂肪和粗纤维含量的近红外光谱快速分析

采用近红外光谱(NIRS)结合偏最小二乘(PLS)方法,实现对饲料中粗脂肪和粗纤维的快速定量分析。采用Norris-Williams平滑求导(NW)和多元散射校正(MSC)方法对光谱进行预处理;蒙特卡罗无信息变量消除法(MCUVE)、变量组合集群分析法(VCPA)和区间变量迭代空间收缩法(iVISSA)用于光谱变量选择和优化; PLS用于光谱校正模型的建立,采用校正集相关系数(R_c)、交互验证均方根误差(RMSECV)、预测集相关系数(R_p)和预测集均方根误差(RMSEP)评价模型。光谱预处理中经MSC处理后的光谱模型优于其他预处理方法,其RMSECV和RMSEP值都减小,R_c和R_p值都增大。脂肪定量分析中,原始光谱模型的RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.20和0.88,变量数(V_n)为1 501;经MCUVE方法选择变量后建立的定量模型,其RMSECV和R_c为0.17和0.92, RMSEP和R_p为0.19和0.89,V_n为400个;经VCPA选择变量建立PLS定量模型,其RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.25和0.81,V_n为12;经iVISSA选择变量后的模型,其RMSECV和R_c为0.21和0.86, RMSEP和R_p为0.20和0.87,V_n为20。粗纤维定量分析中,原始模型的RMSECV和R_c为0.28和0.91, RMSEP和R_p为0.25和0.95,V_n为1 501;经MCUVE选择后的模型,其RMSECV和R_c为0.23和0.95, RMSEP和R_p为0.23和0.94,V_n为740;经VCPA选择变量后的模型,其RMSECV和R_c为0.27和0.91, RMSEP和R_p为0.30和0.91,V_n为11;经iVISSA选择后变量的模型,其RMSECV和R_c为0.29和0.90, RMSEP和R_p为0.27和0.93,V_n为20。结果表明, MSC方法可以有效提高光谱质量,消除光谱平移误差; MCUVE变量选择方法可以简化模型提高模型精度和稳定性,建立最优模型。在粗脂肪的定量分析模型中, MSC处理后的光谱经过MCUVE选择后剩余400个变量,R_c和R_p相较于全谱模型提高了0.05和0.01, RMSECV和RMSEP分别降低到了0.17和0.19;经VCPA和iVISSA选择变量的模型其结果与全谱模型相似,但其变量分别只有12和20个。在粗纤维模型中,经MCUVE选择后740个变量用于建立PLS模型,其R_c和R_p为0.95和0.94, RMSECV和RMSEP分别为0.23和0.23; VCPA和iVISSA分别运用11和12个变量建立回归模型,但结果都比MCUVE模型差。利用饲料近红外光谱建立MSC-MCUVE-PLS模型可以有效对饲料粗脂肪和粗纤维进行定量分析。     

可见/近红外光谱的油茶籽油三元体系掺假检测模型优化

采用可见/近红外光谱技术结合化学计量学方法对油茶籽油三元体系掺假进行定量检测研究。将菜籽油和花生油按不同比例掺入纯油茶籽油中,获得掺假样本。采集纯油茶籽油及掺假样本在350~1 800 nm范围内的可见/近红外光谱数据,随机分为校正集和预测集,并从不同建模波段、预处理方法及建模方法角度对掺假预测模型进行优化。研究结果表明,菜籽油、花生油和总掺伪量的最优建模波段及预处理方法分别为750~1 770,900~1 770 ,870~1 770 nm和多元散射校正(MSC)、标准归一化处理(SNV)和二阶微分,而最优的建模方法均为最小二乘支持向量机(LSSVM)。对于最优掺假模型,菜籽油、花生油和总掺伪量的预测集相关系数(R_p)和预测均方根误差(RMSEP)分别为0.963,0.982,0.993和2.1%,1.5%,1.8%。由此可见,可见/近红外光谱技术结合化学计量学方法可以用于油茶籽油的三元体系掺假定量检测。     

甘蔗清糖浆锤度近红外光谱分析的模型优化

采用偏最小二乘法(PLS)和光谱Savitzky-Golay(SG)平滑方法,建立甘蔗清糖浆锤度近红外光谱分析的优化模型。基于最优单波长模型预测效果划分定标集和预测集。全谱(400—2500nm)经过SG平滑处理后用PLS方法建模。建立计算机算法平台,把483种SG平滑模式和1—40的PLS因子数任意组合分别建立PLS模型,根据预测效果选出最优模型,最优模型的SG平滑模式为二阶导数平滑、4、5次多项式类型、43平滑点数,PLS因子数为13,预测均方根偏差(RMSEP)、相对预测均方根偏差(RRMSEP)和预测相关系数(rP)分别为0.433%、0.69%和0.978。预测精度很高,并且大幅度优于未做SG平滑处理直接PLS建模的预测效果。从而表明,SG平滑模式和PLS因子数的联合大范围筛选能够有效地应用于近红外光谱分析的模型优选。     

利用Far-IR和THz-TDS光谱法测定大米中西维因

利用太赫兹时域光谱（THz-TDS）和傅里叶变换远红外光谱（FT-Far-IR）技术研究了大米中西维因在太赫兹频段的吸收光谱特征,并结合化学计量学方法对大米中西维因进行了测定。样品的制备采取待测农药西维因与大米粉末混合压片的方法模拟真实检测情景,无需样品的分离富集。分别将样品在1.8～6.3 THz特征波段内的Far-IR吸收光谱数据和在0.5～1.5 THz特征波段内的THz-TDS吸收光谱数据随机划分为训练集和验证集。采用偏最小二乘回归（PLSR）方法建立定量分析模型,将校正均方根误差（RMSECV）、预测均方根误差（RMSEP）、预测相关系数（R_v）作为模型性能评判的依据,RMSECV,RMSEP越小,R_v越大,则所建立的模型越好。两种检测技术均得到较好的结果。其中,运用Far-IR技术所得数据建立的定量分析模型预测相关系数(R_v)为0.99,校正均方根误差（RMSECV）为0.007 7, 预测均方根误差（RMSEP）为0.008 6; 运用THz-TDS技术所得数据建立的定量分析模型预测相关系数为0.98,校正均方根误差（RMSECV）为0.002 5、预测均方根误差（RMSEP）为0.004 4。该研究为定量检测粮食中的农残提供了一种新方法。     

牛奶中三聚氰胺的可见/近红外光谱快速判别分析方法的研究

为探讨基于可见一近红外光谱技术快速检测牛奶中是否含有三聚氰胺的可行性.文章通过往液态奶中添加不同含量的三聚氰胺,共制备样本160个.利用Handheld Field Spec光谱仪获取样本光谱,其后采用不同的预处理方法对光谱数据进行预处理,然后分别建立数学模型,比较模型的好坏,得到采用移动平均平滑作为数据的预处理方法较好.从160个样本中随机的取出120个样本建模,剩下的40个样本作为独立的验证集.采用偏最小二乘回归法(PLS)和最小二乘支持向苗机法(LS-SVM)方法分别建立判别分析模型,利用独立的验证集对判别模型进行了预测验证.预测结果的预测相关系数(R2)分别为0.917 4(PLS)和0.910 9(LS-SVM),预测标准误差(RMSEP)分别为0.030 4(PLS)和0.046 7(LS-SVM).研究结果表明近红外反射光谱可以作为一种快速检测牛奶中三聚氰胺的方法.     

基于NIR和SOM-RBF网络的兰州百合关键营养物质定量分析方法

为了实现兰州百合关键营养物质蛋白质和多糖的快速无损检测,在12 000～4 000 cm^-1光谱范围内采集了59份兰州百合粉的近红外光谱(NIRS)。首先运用SG、 Normalize、 SNV、 MSC、 Detrend、 OSC、 SG+1D、 SG+Normalize、 SG+SNV和SG+Detrend十种预处理方法对原始光谱数据进行处理,确定蛋白质的最佳预处理方法为SG+Detrend、多糖的最佳预处理方法为Detrend;然后运用CARS、 SPA和PCA三种算法对预处理的光谱数据进行特征波长筛选,确定蛋白质和多糖的最佳特征波长提取方法均为SPA算法;最后采用PLSR法建立了兰州百合关键营养物质蛋白质和多糖含量的预测模型,结果显示,经过SG+Detrend＿SPA处理所建立的蛋白质PLSR模型中,预测集相关系数R_p为0.810 6,预测集均方根误差RMSEP为1.195 3;经过Detrend＿SPA处理所建立的多糖PLSR模型中,预测集相关系数R_p为0.810 9,预测集均方根误差RMSEP为2.0946。...     

基于遗传算法的安溪铁观音品质快速评价研究

为探究一种快速无损的安溪铁观音品质评价方法,利用遗传算法(GA)对茶样的近红外光谱特征波长进行筛选,结合偏最小二乘(PLS),建立全谱段的PLS定量模型与GA-PLS模型。结果表明,傅里叶变换近红外(FT-NIR)全谱段光谱在经过平滑+二阶导数+归一化处理后,PLS模型预测性能最高,建模结果为：校正集相关系数R_C=0.921,校正集均方根误差RMSEC=0.543,验证集相关系数R_P=0.913,验证集均方根误差RMSEP=0.665。选用近红外光谱6 670～4 000 cm-1谱区,采用遗传算法进行特征波长筛选,参与建模数据点数从1 557缩减到408个。优选波段后,GA-PLS建模结果为：校正集相关系数R_C=0.959,校正集均方根误差RMSEC=0.413,验证集相关系数R_P=0.940,验证集均方根误差RMSEP=0.587。可见,GA-PLS模型的校正集和验证集的预测结果均优于全谱段PLS模型。结果说明,在传统的近红外光谱技术结合化学计量学方法的建模基础上,加入遗传算法进行波长筛选,能有效提高模型预测能力,实现方法学的创新研究,且GA-PLS品质评价模型具有较强的参考和推广价值,为提高我国茶叶品质的检测技术水平提供新的方法借鉴。     

近红外光谱法定性定量检测蜂蜜中掺入甜菜糖浆的可行性研究

为进一步检验近红外光谱技术(NIRS)快速检测蜂蜜掺假的能力,利用近红外光谱结合化学计量学方法对蜂蜜中掺入甜菜糖浆进行了定性和定量检测。偏最小二乘-判别分析法(PLS-DA)对真假蜂蜜预测集的判别总正确率为90.2%;不同判别方法对掺假量等级预测集的判别总正确率都低于33.3%;PLS回归只对同一蜂蜜样本掺假的定量分析结果满意：预测集真实值与预测值的相关系数(r)为0.982 9,预测均方差(RMSEP)为1.394 2,而对不同植物来源和同一植物来源的不同样本的掺假量的定量分析结果不满意。研究表明,蜂蜜中掺入甜菜糖浆后,NIRS可实现真假蜂蜜的快速鉴别,而不能实现掺假量等级的鉴别及掺假量的定量分析。     

高光谱成像的牛肉丸掺假检测

牛肉丸是一种口感独特的肉类深加工食品。不法商贩为了谋取利益,在牛肉中掺入猪肉、鸡肉等廉价肉制作肉丸冒充纯牛肉丸售卖。传统的肉品掺假检测方法费时费力,成本高昂。高光谱成像技术具有快速无损、低成本等优点,因此对牛肉丸中掺假猪肉和鸡肉进行高光谱成像检测。首先分别制作纯牛肉丸和混有掺假肉猪肉和鸡肉的牛肉丸,掺假肉占原料肉质量比例分别为5%, 10%, 15%, 20%, 25%。采集所有肉丸样本的高光谱信息并提取光谱数据。分别采用1~(st) Der, 2~(nd) Der, MC, MSC, SG和SNVT六种预处理方法对所提取光谱进行预处理,建立全波段下偏最小二乘(PLS)掺假含量预测模型,并比较模型预测效果得出最佳预处理方法。对最佳预处理方法处理后的光谱数据进行特征波长的筛选,筛选方法有:连续投影法(SPA)、竞争性自适应重加权算法(CARS)、联合区间偏最小二乘法(siPLS),并创新性地联用siPLS与CARS的联合区间偏最小二乘-竞争性自适应重加权算法(siPLS-CARS)。最后比较不同波长筛选方法下的模型预测效果。研究表明,牛肉丸掺猪肉和鸡肉PLS预测模型最佳预处理方法分别为MSC和1~(st) Der。SPA, CARS和siPLS-CARS分别筛选了掺猪肉样品光谱中的13, 51和32个特征波长, siPLS将全光谱分为14个子区间,联合第1, 3, 7, 13子区间进行建模,其中CARS筛选波长后的PLS预测模型效果最好,R_C和R_P分别为0.981 4和0.972 1, RMSECV和RMSEP分别为0.016 3和0.020 3。SPA, CARS和siPLS-CARS分别筛选了掺鸡肉光谱中的15, 61和28个特征波长, siPLS将全光谱分为15个子区间,联合第7, 8, 11, 12子区间进行建模,最佳波长筛选方法也是CARS,此时PLS预测模型R_C和R_P分别为0.990 2和0.987 8, RMSECV和RMSEP分别为0.012 3和0.012 6。siPLS-CARS相比于siPLS不仅缩减了特征波长数量,且提高了模型预测的精度;相比于CARS筛选出的波长更少,但精度略低。掺鸡肉样品预测模型效果整体优于掺猪肉样品。研究结果表明高光谱成像技术可以实现牛肉丸中掺假的含量预测,为牛肉丸掺假快速检测提供理论基础。     

基于中红外光谱技术检测茶叶中非法添加滑石粉的研究

研究傅里叶变化红外透射光谱(FTIR)结合化学计量学方法检测茶叶中非法添加滑石粉的可行性。首先获取掺杂量不同的滑石粉(0.00, 0.15, 0.25, 0.35, 0.50, 0.65, 0.75, 0.85, 1.00, 1.10, 1.25, 1.50 mg·g-1)210个茶叶样本光谱。为了突显出光谱中的细微变化,采用Savitzky-Golay(SG) 平滑、标准化和标准正态变量(SNV)三种方法对原始光谱进行预处理。其中,处理效果最好的是SNV方法。随后探究光谱与掺杂量之间的定量关系,采用反向间隔偏最小二乘法(biPLS)和连续投影算法(SPA)的结合进行特征波数的选择,最终选出来5个特征波数。并利用偏最小二乘回归算法(PLS)和最小二乘支持向量机算法(LS-SVM)建立基于这5个特征波数的回归模型。其中LS-SVM模型具有更高的相关系数(R_P=0.921)和更小的均方根误差(RMSEP=0.131),所以该模型具有更好的稳定性及更高的预测能力。综上所述,红外光谱技术可以定量地检测出茶叶中非法添加的滑石粉。     

特征谱区筛选在多元混合物的太赫兹光谱定量分析中的应用

用特征谱区筛选法结合太赫兹时域光谱(THz-TDS)技术对多元混合物成分含量进行了定量分析研究。实验利用太赫兹时域光谱系统测量了由乳糖一水合物(LAC)、对乙酰氨基酚(APAP)、可溶性淀粉(starch)以及微晶纤维素(MCC)四种材料组成的混合物样品的太赫兹吸收光谱,并分别尝试采用常规区间偏最小二乘(iPLS)、向后区间偏最小二乘(biPLS)、联合区间偏最小二乘(siPLS)和移动窗口偏最小二乘(mwPLS)四种特征谱区筛选法对多元混合物的太赫兹吸收光谱进行特征子区间优选,建立了太赫兹吸收谱与四元混合物中乳糖一水合物含量之间的定量回归模型。通过比较四种谱区筛选算法模型及全光谱偏最小二乘(PLS)模型所得结果,表明采用移动窗口偏最小二乘法建立的谱区筛选模型得到的结果相对最优,其交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)、校正集相关系数(R_C)和预测集相关系数(R_P)分别为0.980 3,1.114 1,0.996 0和0.995 1。实验结果表明,采用特征谱区筛选方法可以有效选择多元混合物太赫兹吸收光谱的特征区间,提高模型精度和降低模型复杂性,为实现多元混合物成分含量的快速检测提供了一种有效的方法。     

基于共焦显微拉曼的柑橘黄龙病无损检测研究

黄龙病危害柑橘果树日益严重,对柑橘黄龙病进行快速检测研究具有重大意义。采用拉曼光谱技术,结合偏最小二乘判别分析(PLS-DA)方法探讨快速诊断柑橘黄龙病及病情类别的可行性。获取柑橘叶片拉曼光谱并进行普通PCR鉴别分为轻度、中度、重度、缺素和正常5类。在715～1 639.5 cm-1范围内采用一阶导,基线校正(Baseline)和多项式拟合三种方法扣除光谱背景,突显叶片拉曼光谱特征峰。多项式拟合方法分别进行了2次,3次和4次拟合,与一阶导和基线校正两种扣除背景方法进行比较,结合最小二乘支持向量机(LS-SVM)和偏最小二乘判别分析(PLS-DA)建立判别模型。经比较发现,多项式拟合方法扣除光谱背景效果均好于另外两种方法,其中用2次多项式拟合的PLS-DA模型的效果最好,预测相关系数(R_P)为0.98,预测均方根误差(RMSEP)为0.67,总误判率最小为0。基线校正扣除光谱背景的LS-SVM模型效果最差,总误判率最大为40%。研究结果表明,利用拉曼光谱技术对柑橘黄龙病进行快速识别研究具有一定的可行性,为柑橘黄龙病无损检测研究提供一种新途径。     

基于中红外光谱技术的香菇蛋白质含量测定

研究了中红外光谱预测香菇蛋白质含量的可行性。去掉明显噪声部分后,研究香菇3 581～689 cm-1中红外光谱与蛋白质含量的关系。以Savitzky-Golay(SG)5点平滑预处理光谱建立偏最小二乘法(partial least squares, PLS)的预测模型的效果不理想,模型的建模集和预测集的相关系数均高于0.85,但剩余预测偏差(residual prediction deviation, RPD)值仅为1.77。采用连续投影算法(successive projections algorithm, SPA)算法从3000个波数点中选择7个特征波数,并以七个特征波数分别建立PLS、多元线性回归(multiple linear regression, MLR)、反向传播神经网络(back-propagation neural network, BPNN)和极限学习机模型(extreme learning machine, ELM)。与全谱的PLS相比,以特征波数的PLS模型和MLR模型的预测效果相对较差,而以特征波数的BPNN和ELM模型的预测效果相对较好。其中SPA-ELM模型的预测效果最佳,预测集相关系数(correlation coefficient of prediction)R_p=0.899 5,预测集均方根误差(root mean square error of prediction)RMSEP=1.431 3,剩余预测偏差RPD=2.18。研究结果表明,中红外光谱分析技术可以用于预测香菇蛋白质含量,且SPA选取特征波数能用来代替原始光谱进行建模分析,为香菇蛋白质含量的检测提供了新的思路。     

近红外光谱定量分析土壤全氮含量预处理方法探讨

提高土壤全氮含量检测的精确性对于精准农业具有非常重要的意义。本文基于近红外光谱技术,对光谱数据预处理方法进行研究。以土壤全氮含量为检测对象,采用平滑+一阶导数、基线校正+归一化、一阶导数+归一化等方法对采集样品的光谱数据进行预处理方法干预,并运用PLS算法分别建立土壤全氮含量的预测模型,分析不同种预处理方法对于近红外光谱建模精度的影响。实验结果表明应用基线校正+归一化处理后建模得到的预测均方根误差RMSEP为0.025,决定系数R~2为0.98,预测精度最佳。