PLS-DA优化模型的马铃薯黑心病可见近红外透射光谱检测

马铃薯黑心病是一种马铃薯主要内部缺陷,严重损害薯条、薯片、全粉等加工制品的质量和产率。目前对马铃薯的分级主要侧重于外部品质检测,针对内部缺陷检测的研究很少。旨在开发一种马铃薯黑心病的快速无损检测技术,为此搭建了马铃薯可见近红外透射光谱分析平台,分析健康与黑心病马铃薯的透射光谱特性并优化光谱判别模型参数。基于现有马铃薯分级线和复享PG2000高速光谱仪,采用左右透射方式（光源与光纤探头位于分级线果盘左右两侧）,采集470个马铃薯（其中健康薯234个、黑心薯236个）的透射光谱图,建立偏最小二乘判别模型（PLS-DA）,并利用主成分分析（PCA）与光谱形态特征相结合的方法选择特征波长,优化模型。分析发现,健康薯与黑心薯的可见近红外透射光谱在吸光度值和光谱形态特征方面均存在明显区别。黑心薯的平均光谱吸光度值高于健康薯（650～900 nm范围内）,但黑心薯的平均光谱曲线较为平缓,无明显吸收峰,而健康薯平均光谱曲线在665,732和839 nm附近有明显吸收峰,并且健康薯与黑心薯的平均光谱差值在705 nm处达到最大值。基于PLS-DA法建立了马铃薯黑心病判别模型,对黑心病的判别效果显著,分类器特性曲线（ROC）下面积（AUC）值为0.994 2,黑心薯识别总正确率能够达到97.16%,RMSE_CV和RMSE_P分别为0.28和0.26。此外,成功利用PCA与光谱形态特征相结合的方法对模型进行简化,最终得到由6个波长（658,705,716,800,816和839 nm）组成的特征波长组合,简化后的模型总正确率能够达到96.73%,接近全波段模型判别水平。研究表明,左右透射的方式能够准确识别黑心马铃薯,实现对马铃薯内部缺陷的快速无损检测。对我国马铃薯产业的发展起到一定的促进作用,为马铃薯内部缺陷在线检测技术的提高提供了重要的理论基础和实践依据。     

基于漫透射光谱技术的番茄可溶性固形物及总糖含量的无损检测

为了满足果蔬品质快速安全无损检测,基于可见-近红外漫透射原理,设计了番茄专用环形光源,自行搭建了番茄可见-近红外漫透射多品质检测系统,并以可溶性固形物含量(SSC)和总糖(TS)作为内部品质指标,对58个番茄样品进行了快速无损检测研究。基于自主搭建的系统对每个番茄进行四点的光谱采集,对平均后的光谱分别用15点SG卷积平滑(SG-Smooth)、标准正态变量变换(SNV)、多元散射校正(MSC)、一阶导数(FD)等方法进行了预处理,分别建立了SSC及TS的偏最小二乘预测模型,并对该模型进行了验证。结果表明：采用15点SG平滑预处理后的SSC预测模型校正集和预测集相关系数分别为0.995 6和0.976 0,均方根误差分别为0.052 4°Brix和0.082 3°Brix。采用SG平滑后一阶导数预处理的TS预测模型校正集和预测集相关系数分别为0.969 1和0.972 9,均方根误差分别为0.423 8%和0.454 9%。模型验证结果显示,番茄SSC和TS模型预测结果与标准理化值相关系数分别为0.985 5和0.944 9,均方根误差分别为0.066 3°Brix和0.571 5%。利用自行搭建的可见-近红外漫透射光谱检测系统完全可以实现番茄可溶性固形物及总糖含量的快速无损预测,为番茄内部品质的评价提供了实时、无损、快速的检测方法,为其在线分级提供理论基础。     

手持式马铃薯品质多通道离散光谱检测装置设计与试验

马铃薯是我国第四大主要粮食作物,随着马铃薯主食化战略的提出,其市场占比逐年攀升,但各地甚至同区域内马铃薯品质参差不齐,严重影响了马铃薯行业的发展。实现马铃薯品质快速无损检测对马铃薯主食化产业的发展有着重要的现实意义。该研究以研发低成本马铃薯品质无损快速检测装置为目的,采用连续投影算法(SPA)分析光谱仪环境下马铃薯加工品质特征波长的分布情况,根据标准正态变换(SNV)预处理状态下的模型结果选取了一个包含7个波段(700, 750, 800, 850, 900, 950和1 000 nm)的多通道光谱传感器,并根据马铃薯特殊的表皮特征及内部质地均匀性,设计了一种手持式马铃薯多品质可见/近红外局部漫透射检测装置。利用研发装置建立了马铃薯多品质偏最小二乘预测模型,马铃薯干物质含量、淀粉含量预测模型验证集均方根误差分别为1.05%和1.02%。同时,基于QT的开发工具,采用C语言编写了实时分析设备控制软件,实现了对马铃薯内部品质的一键式实时无损检测。对研发装置检测稳定性和精度进行了试验验证。结果表明,研发的手持式马铃薯多品质传感器检测装置可以满足现场实时检测需求,为马铃薯主食化产业的发展提供技...     

马铃薯多品质参数可见/近红外光谱无损快速检测

马铃薯是与小麦、稻米、玉米协调发展的第四大主粮作物,现阶段我国正积极推进马铃薯主食开发,但马铃薯品质的参差不齐严重制约了马铃薯产业主食化进程,马铃薯品质快速无损检测对其加工产业化进程有着重要意义。国内外学者基于可见/近红外光谱对马铃薯内部品质检测进行了不少相关研究,但迄今为止大部分研究都基于可见/近红外漫反射原理,马铃薯粗糙的表皮对样品漫反射光谱影响较大。近红外透射光谱能较好的反映样品的品质信息,但马铃薯样品全透射光谱因样品大小不同,导致光谱受光程差异的影响较大。考虑到马铃薯样品整体质地较为均匀,根据马铃薯的形状特性搭建了马铃薯局部透射光谱采集系统,局部透射检测方式既能避免马铃薯表皮的影响,又能在保证光程统一的情况下获得样品内部的信息。该光谱采集系统由光谱采集单元(光谱仪、耦合透镜)与光源单元(卤素灯、灯杯)构成。进行光谱采集时,将二者贴紧马铃薯表面以确保光谱采集单元不会接收到来自马铃薯表面的反射光。用该系统采集了120个马铃薯650~1 100 nm范围的局部透射光谱,分别进行去趋势(detrend)、多元散射校正(muliplication scattering correction, MSC)、标准正态变量变换(standard normal variable transformation, SNV)和一阶导数(first Derivative, FD)预处理,并建立了马铃薯干物质、淀粉、还原糖含量的偏最小二乘预测模型(partial least squares regression,PLSR)。结果显示,采用多元散射校正预处理的干物质和淀粉含量预测模型效果较好,其验证集决定系数分别为0.854 0和0.851 0,验证集均方根误差分别为0.521 9%和0.484 8%;采用一阶导数预处理的还原糖预测模型效果最好,其验证集决定系数为0.768 6,均方根误差为0.025 1%。为进一步优化模型采用竞争性自适应重加权采样(competitive adaptive reweighted sampling, CARS)等三种方法进行特征波长的筛选,并建立了偏最小二乘预测模型。结果显示,马铃薯各品质参数的预测效果均得到了较大提升,CARS筛选波长后的干物质、淀粉、还原糖预测模型的验证集决定系数分别为0.877 6, 0.865 3和0.887 7,验证集均方根误差分别为0.449 2%, 0.930 2%和0.016 7%。采用CARS特征波长提取能够简化模型,去除无关变量和共线性变量,从而提高模型的精度和稳定性,尤其是对低含量组分还原糖的预测模型效果显著。最后,为验证马铃薯各品质参数预测模型的精度及稳定性,选取30个不同批次马铃薯样品对所建预测模型进行了外部验证。马铃薯干物质、淀粉、还原糖含量的模型预测值与标准理化值决定系数分别为0.849 9, 0.867 1, 0.877 6,均方根误差分别为0.660 9, 0.480 9, 0.016 9,平均相对误差分别为2.03%, 1.77%, 7.58%。研究表明,局部透射光谱携带了马铃薯的内部信息,与干物质、淀粉、还原糖含量有显著相关性。该可见/近红外局部透射检测系统可以实现马铃薯多品质参数的快速无损预测,特别是干物质含量及淀粉含量的预测效果较好,但是对个别还原糖含量非常低的样品出现预测相对误差较大现象,下一步研究中需要进一步优化完善。     

正常、缺素和黄龙病柑桔叶片高光谱成像快速诊断

应用高光谱成像技术,结合峰值比判别法和偏最小二乘判别法,探讨快速无损诊断正常、缺素和黄龙病柑桔叶片的可行性。在374.28~1 016.89nm可见近红外光谱范围内,采集了正常、缺素和黄龙病柑桔叶片的高光谱数据。以主叶脉为轴线,两侧各选一个长约60像素、宽约30像素的椭圆形感兴趣区域。提取两个感兴趣区域的平均反射率光谱,经相关分析,筛选出502.79和374.28nm一对特征波长,建立了正常叶片的峰值比判别模型,模型误判率为1.7%,但该模型无法区分缺素和黄龙病叶片。采用二阶导数结合平滑光谱预处理方法,处理反射率光谱,建立了缺素和黄龙病叶片偏最小二乘判别模型。采用留一法交互验证确定最佳主成分因子数为17,建模相关系数为0.96,建模标准差为0.13,模型对两类叶片分类正确率都达到了100%。在此基础上,提出了峰值比判别模型和偏最小二乘判别模型相结合的不同类别叶片二步快速诊断法。采用未参与建模的正常、缺素和黄龙病叶片各10片,评价模型的分类能力,模型分类正确率达到了96.7%。实验结果表明:应用高光谱成像技术,结合由峰值比判别模型和偏最小二乘判别模型构成的二步判别法,快速识别正常、缺素和黄龙病柑桔叶片是可行的。     

近红外光谱快速鉴别不同产地药用植物重楼的方法研究

重楼属植物极具药用价值,野生资源主要分布在我国西南省区。应用近红外漫反射光谱,以贵州、广西和云南三个不同产区的70份野生药用植物重楼为研究对象进行产地鉴别。采用多元信号校正、标准正态变量、一阶导数、二阶导数、Norris平滑和Savitzky-Golay滤波六种方法,对训练集(50份样品)原始光谱进行优化处理。结果表明,多元信号校正结合二阶导数和Norris平滑预处理光谱效果最好。采用光谱标准偏差选择光谱波段(7 450~4 050cm-1),结合主成分-马氏距离(principal component analysis-mahalanobis distance,PCA-MD)建立分类模型,前三个主成分累计贡献率、R2、RMSEC和RMSEP分别为89.44%,97.58%,0.179 6,0.266 4,预测正确率90%;采用变量重要性图选择光谱波段(7 135.33~4 007.35cm-1),结合偏最小二乘判别分析法(partial least square discrimination analysis,PLS-DA)建立判别模型,前三个主成分累计贡献率、R2、RMSEC和RMSEP分别为89.28%,95.88%,0.234 8,0.348 2,预测正确率为100%。比较两种方法的结果可知:采用变量重要性图方法选择光谱波段结合偏最小二乘判别分析法建立的判别模型能更准确地鉴别不同产区的重楼,该方法的建立为中药材真伪和品质评价奠定基础。     

鸭梨黑心病可见/近红外漫透射光谱在线检测

鸭梨黑心病是鸭梨的主要生理病害,直接影响鸭梨的出口创汇;准确快速鉴别鸭梨黑心病对于梨的出口业具有重要现实意义。探讨可见/近红外漫透射光谱在线检测鸭梨黑心病的可行性,选取80个正常鸭梨和70个黑心鸭梨作为建模集,建模集被分为校正集和预测集以求获得最优模型。未参与建模的30个正常梨和20个黑心梨作为预测集,用于评价模型的预测能力。鸭梨的可见/近红外漫透射光谱,在5个/秒的速度下采集。建模集能量谱经标准正交变换(SNV)和多元散射校正(MSC)处理后,分别建立健康梨和黑心梨的偏最小二乘判别模型(DPLS)、峰面积判别模型(DPA)、主成分判别模型(DPCA)。用建模集模型判别预测集鸭梨,经比较,DPLS模型的判别准确率最高,黑心梨正确识别率达到100%。实验结果表明：可见/近红外漫透射光谱结合DPLS判别方法,可以实现黑心鸭梨的在线检测。相比传统的人工破损方法,在线检测可为梨出口贸易提供技术支撑和科学参考依据。     

番茄碰伤和可溶性固形物近红外光谱同时在线检测

可溶性固形物和碰伤是影响番茄品质的两个主要因素。研究的目的是探索可见近红外漫透射光谱同时在线检测番茄碰伤和可溶性固形物的可行性。在单通道送果速度5个每秒条件下,采集番茄近红外漫透射光谱。对比分析碰伤与正常番茄样品的近红外漫透射光谱特性,结果表明,碰伤与正常番茄样品的近红外漫透射光谱在光强上存在明显差异,碰伤果光强要强于正常果,其原因可能是碰伤后果肉变软,透光性变强;在650和675 nm处碰伤果比正常果要多两个吸收峰,可能是碰伤后,番茄表皮颜色发生变化所致。选取贡献率占比最多的前三个主成数,对正常果与碰伤果近红外漫透射光谱主成分定性分析,正常果与碰伤果不能有效聚类,故近红外漫透射光谱主成分定性分析效果不明显,需选择建立高维近红外漫透射光谱定性判别模型。故建立了碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型,误判率为0%,能正确判别碰伤果,故选用碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型作为番茄碰伤果在线剔除分选模型。通过对未参与建模的样品进行验证,能正确识别出碰伤果。经近红外漫透射光谱偏最小二乘定性判别模型剔除碰伤果后,按照可溶性固形物指标进行分级。分别使用全部波段和606～850 nm的波段进行建模预处理,且对全部波段和606～850 nm波段光谱进行2阶导数预处理,前后平滑设为9,利用连续投影算法与遗传算法优选可溶性固形物的光谱建模变量,对比发现,利用未经算法筛选过的606～850 nm波段光谱变量进行建模,效果最好,建立了可溶性固形物在线检测模型,预测集均方根误差为0.43 Brix°。采用未参与建模的样品进行碰伤和可溶性固形物同时在线检测验证,碰伤样品的分选准确率达96%,可溶性固形物样品的分选准确率达91%。表明：番茄碰伤和可溶性固形物近红外漫透射光谱同时在线检测是可行的。     

基于拉曼光谱快速鉴别新陈大米的方法研究

利用拉曼光谱技术结合化学判别方法建立新陈大米拉曼光谱判别模型。选取合适的样品预处理方式,使用拉曼光谱仪对新陈大米共计60组样品进行检测,在785nm波长的激光下,获取样品200~2 400cm-1的拉曼光谱信息,并对原始拉曼光谱进行基线校正、平滑、滤波等处理。应用主成分分析法(PCA)对光谱数据进行降维处理及粗分类鉴别;基于偏最小二乘分析法(PLS),建立新陈大米快速鉴别模型,该模型对建模训练集鉴别正确率为100%,模型验证集鉴别正确率为95%。结果表明:该模型判断新陈大米是可行的,为稻谷新陈度的快速判别提供了一种新的方法。     

可见-近红外光谱的鸭梨黑心缺陷在线检测AdaBoost集成模型研究

黑心病是鸭梨贮藏期间发生的生理病害,其病变初期表现在内部果核处出现褐色斑块,而在果实外观上与正常果几乎没有任何差异,严重影响鸭梨的贮藏时间和品质,亟需一种快速无损的检测方法为鸭梨质量保驾护航。采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别,结合平滑（Smoothing）、标准正态变量变换（SNV）、多元散射校正（MSC）、SG一阶导数（SG 1st-Der）以及小波变换（WT）预处理方法和主成分分析（PCA）、k近邻（kNN）、朴素贝叶斯（NBC）、支持向量机（SVM）以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究。Adaboost集成了kNN、NBC和SVM三个独立学习器。将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价,采用训练集的查准率/查全率的调和平均值（F-measure）和正确识别率（Accuracy）对分类模型进行优化和评价。研究结果表明：不同属性（正常和黑心）鸭梨样品光谱的前三主成分分布图相互交错,很难直观地对黑心鸭梨进行区分。样品光谱经小波变换（小波基为“Haar”）预处理的kNN模型训练集的F-measure和Accuracy分别为78.98%和82.62%;经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90%和82.11%;经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24%和91.58%;经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46%和92.63%。通过测试集对模型进行验证可知：光谱经小波变换预处理后建立的Adaboost分类模型最优,分类的F-measure达到90.91%,较WT-kNN,SG 1st-Der-NBC和WT-SVM模型分别提高了11.39%,15.23%和2.30%;Accuracy达到92.63 ％,分别提高了10.52%,11.58%和2.10%;模型对测试集样品预测时的计算时间约为0.12s,满足在线分选要求。可见-近红外光谱结合AdaBoost分类方法,可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法。     

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.     

基于拉曼光谱技术鉴别新陈大米的方法研究

基于拉曼光谱检测技术结合化学判别方法,建立新陈大米拉曼光谱判别模型;建立适当的样品预处理方法,确保样品制备的均一性,使用拉曼光谱仪对新陈大米共计60组样品进行检测,在785 nm波长激光激发下,获取样品200～2 400 cm-1的拉曼光谱信息;对原始拉曼光谱进行基线校正、平滑、滤波等处理。利用主成分分析法（PCA）对拉曼光谱进行降维处理及粗分类鉴别;基于偏最小二乘分析法（PLS）,建立新陈大米快速鉴别模型,该模型对建模训练集鉴别正确率为100%,模型验证集鉴别正确率为95%。结果表明：该模型判断新陈大米是可行的,为大米新陈度的快速判别提供了一种新的方法。     

不同采收期滇龙胆的红外光谱鉴别研究

采收是中药生产的重要环节,采收时间直接影响中药质量和产量,是中医临床安全有效用药的前提,开展中药适时采收期的研究具有重要意义和应用价值。采用傅里叶变换红外光谱法对72份不同采收期的滇龙胆进行鉴别研究,用TQ8.0软件对原始光谱进行一阶导数(first derivative,FD)、二阶导数(second derivative,SD)、标准正态变量(standard normal variate,SNV)、多元散射校正(multiplicative scatter correction,MSC)和平滑(savitaky-golay filter,SG)预处理,样品按3∶1分为校正集和预测集,同时建立主成分分析(principal component analysis,PCA)和偏最小二乘判别分析(partial least square discriminant analysis,PLS-DA)模型。结果显示,选取1 800~600cm~(-1)波段范围的光谱,去除光谱噪音;SNV结合二阶导数光谱和SG(15,3)平滑,预处理结果满意。主成分分析表明,前三个主成分方差贡献率为92.47%,5月、9月和10月份采收的样品差异较小。偏最小二乘判别分析建立判别模型,决定系数R2和校正均方根误差(RMSEE)分别为0.967 8和0.086 0,可对18个预测集样品进行准确分类。红外光谱法结合主成分分析、偏最小二乘判别分析对不同采收期滇龙胆的分类和判别效果较好,为不同采收期的中药鉴别提供理论依据。     

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。     

近红外高光谱成像技术用于转基因大豆快速无损鉴别研究

以近红外高光谱成像技术,结合化学计量学方法,研究了转基因大豆的快速、无损检测方法。实验以3种不同非转基因亲本(HC6, JACK, TL1)及其转基因大豆作为研究对象。采用高光谱成像系统采集874~1 734 nm波长范围的256个波段范围的高光谱图像,提取大豆的光谱信息,剔除明显噪声部分后,采用Moving Average(MA)平滑预处理的941~1 646 nm范围光谱数据进行分析。采用偏最小二乘判别分析算法(partial least squares-discriminant analysis, PLS-DA),对3种非转基因亲本大豆建立模型进行判别分析,其相应的建模集和预测集的判别正确率分别为97.50%和100%,100%和100%,96.25%和92.50%,结果表明,高光谱成像技术可用于非转基因大豆的识别。对非转基因亲本及其转基因大豆进行判别分析,基于全谱,3种的建模集和预测集的判别正确率分别为99.17%和99.17%,87.19%和81.25%,99.17%和98.33%;以x-loading weights提取非转基因亲本及其转基因大豆判别分析的特征波长并建立PLS-DA模型,3种的建模集和预测集的判别正确率分别为72.50%和80%,80.63%和79.38%,85%和85%,该结果表明非转基因亲本与转基因品种的判别分析是可行的,特征波长的选择也可用于非转基因亲本与转基因品种的判别分析。研究表明采用近红外高光谱成像技术对非转基因大豆、非转基因亲本及其转基因大豆进行鉴别是可行的,为转基因大豆的快速无损准确鉴别提供了一种新方法。     

应用近红外光谱技术实现转双价基因(Cry1Ab/Cry2Aj-G10evo)玉米的快速识别

转基因技术在过去的几十年里快速发展, 然而此项技术对生态环境、伦理道德等可能带来的影响尚存争议,因此针对农作物的转基因成分检测和鉴别的相关技术研究十分重要。本研究以转双价基因(cry1Ab/cry2Aj-G10evo)玉米籽粒和玉米面粉为研究对象,采用近红外光谱仪采集900～1 700 nm波段范围的光谱,结合 Savitzky-Golay(SG)平滑算法对提取出的光谱数据进行去除噪声处理。基于全波段光谱和PCA主成分分别建立了偏最小二乘判别分析(PLS)和支持向量机判别模型(SVM)。试验结果表明,在转基因玉米籽粒全谱的判别分析模型中,SVM判别模型效果要优于PLS判别模型,SVM模型识别正确率达到90%以上,PLS的模型识别率只有85%左右。以PCA降维后建立的模型中,SVM模型也取得了最优的效果,建模集和预测集识别正确率达到100%。虽然转基因玉米在研磨加工后外源蛋白和DNA有所下降,但是转基因玉米粉末基于全波段光谱建立的SVM模型的建模集正确率仍有90.625%。结果表明应用近红外光谱技术集合化学计量学方法对转基因玉米的鉴别是可行的,为转基因玉米乃至其他转基因农产品的鉴别提供了技术支持,具有重要的理论意义和应用价值。     

FTIR结合化学计量学对三七产地鉴别及皂苷含量预测研究

不同产地对中药次生代谢产物有显著影响,产地鉴别有助于中药的科学合理利用;其次,有效成分含量检测是评价中药质量的主要手段。通过傅里叶变换红外光谱结合化学计量学建立快速鉴别三七产地及测定三七中四种主要皂苷的方法,为三七的科学、合理、规范使用以及对三七质量进行快速评价提供依据。采集5个区域12个产地117个三七样本的红外光谱。产地鉴别预处理数据采用离散小波变换除去噪音造成的部分高频信号,偏最小二乘判别对产地判别贡献率大于1的数据进行筛选,kennard-stone算法将117个个体分为70%训练集与30%预测集。训练集数据用于建立支持向量机判别模型,交叉验证法用于筛选支持向量机最优参数,预测集数据对支持向量机判别模型结果进行验证。皂苷含量预测预处理数据采用标准正态变量变换、离散小波变换处理;处理的红外数据设为X变量,三七样品中通过高效液相色谱法测得的四种皂苷总量设为Y变量,采用正交信号校正去除红外光谱中与四种皂苷总量无关的干扰数据。个体数据分为80%训练集与20%预测集,训练集建立偏最小二乘回归模型,预测集数据对偏最小二乘回归模型的预测结果进行验证。结果显示： (1)交叉验证法得到支持向量机判别模型的最优参数为c=2.828 43,g=0.062 5,训练集的产地判别最优正确率为91.463 4%;(2)支持向量机判别模型参数设置为最优参数,代入预测集数据,预测集的产地判别正确率为94.285 7%,判别正确率较高;(3)训练集建立偏最小二乘回归模型的相关系数R2=0.941 8,校正均方差RMSEE=4.530 7;(4)代入预测集数据,预测集的相关系数R2=0.962 3,外部检验均方差RMSEP=3.855 9,皂苷预测值与高效液相检测值接近,预测效果良好。傅里叶变换红外光谱结合支持向量机能对三七进行产地鉴别,正交信号校正结合偏最小二乘回归能对三七中四种主要皂苷总量进行准确预测,为三七质量控制提供一种快速简便、无损、高灵敏度的检测方法。     

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。     

近红外光谱法判别鲍鱼品种的研究

利用近红外光谱分析技术结合化学计量学方法对三种鲍鱼快速分类方法进行研究,为鲍鱼分类提供一种新的方法和手段。使用JDSU便携式红外光谱仪采集产地为莆田的91只,18月龄的绿盘鲍、皱纹盘鲍和红壳鲍三种鲍鱼的光谱数据。分别采用簇类独立软模式法(SIMCA)和偏最小二乘判别分析法(PLSDA)建立三种鲍鱼的快速分类模型。结果表明,一阶导数处理后SIMCA模型达到最优;先平滑后二阶导数或者单独使用均值中心化处理能使PLS-DA模型达到最优,其中PLS-DA模型效果更好,训练集和检验集的分类识别正确率分别为100%和97%,能满足鲍鱼现场快速分类的要求。     

利用高光谱扫描技术检测小麦叶片叶绿素含量

利用高光谱扫描技术对小麦叶片进行无损检测试验,探索精确测定小麦叶绿素含量的方法,为农作物生长状况、植物病理诊断等提供科学依据。研究选取90个样本作为校正集,30个样本作为预测集,获取叶片的高光谱反射图像,同时用传统的分光光度计方法测定其叶绿素含量。选取波长491～887 nm范围光谱,用多元散射校正、一阶导数、二阶导数3种方法处理,利用偏最小二乘法和逐步线性回归法分别建立了小麦叶片叶绿素含量与光谱信号间的数学模型。研究发现多元散射校正(MSC)结合二阶导数光谱的多元线性回归(SMLR)模型的效果较优,模型校正集和预测集决定系数分别为0.82和0.79,校正均方根误差和预测均方根误差分别为0.69和0.71。研究结果表明可以利用高光谱扫描技术检测小麦叶片叶绿素含量。