光谱重构油菜叶绿素含量快速检测方法及设备研制

为了实现油菜叶片中叶绿素含量的快速无损检测,开发了手持式多光谱成像系统用于采集油菜叶片在460,520,660,740,840和940 nm 六个波段的光谱图像。将一台能够采集可见光/近红外（380～1 023 nm）512个波段光谱图像但是价格高昂且体积大的室内高光谱成像系统作为参考仪器,将手持式多光谱成像系统作为目标仪器后,采用伪逆法（pseudo-inverse method）求得高光谱成像系统和多光谱成像系统两台仪器之间的转换矩阵F,从而实现6个波段的多光谱图像向512个波段的高光谱图像的重构,提高了手持式设备的光谱分辨率。运用偏最小二乘回归算法（PLSR）建立了重构的光谱与油菜叶片的叶绿素含量之间的关系模型。结果表明,重构的可见光范围内的光谱反射率与叶绿素浓度之间具有很强的相关性,PLSR回归模型建模集的决定系数R2_c为0.82,建模集均方根误差RMESC为1.98,预测集的决定系数R2_p为0.78,预测集均方根误差RMESP为1.50,RPD为2.14。虽然应用本文开发的手持式成像系统结合PLSR模型实现油菜叶绿素含量快速无损预测的精度低于基于室内高光谱成像系统获得的高光谱图像建立的PLSR模型（R2_c,RMESC,R2_p,RMESP和RPD分别为0.90,1.41,0.82,1.36和2.37）,但是明显优于基于原始多光谱成像系统4个波段（460,520,660和740 nm）反射率建立的PLSR模型得到的结果（R2_c,RMESC,R2_p,RMESP和RPD分别为0.78,2.06,0.72,1.85和1.88）。表明光谱重构技术可提高多光谱成像预测油菜叶绿素含量的精度,并且与室内高光谱成像系统相比,开发的手持式设备具有体积小、成本低廉和操作简便等优点,可为田间油菜叶片的生理状态和养分检测及可视化表达提供技术支持。     

基于特征波段的高光谱技术检测水体中毒死蜱浓度的实验研究

为了探究反射光谱检测水体中毒死蜱农药的可行性,使用由ASD公司的FieldSpecPro地物波谱仪构成的高光谱采集系统在室内、室外环境获取两种不同浓度区间的毒死蜱样品的光谱数据。基于偏最小二乘(PLS)和主成分分析(PCA)算法分别对毒死蜱样品光谱数据建立全波段定量模型,结果两种模型的预测能力均较高。通过相关性分析(CA)计算相关系数来选择毒死蜱样品光谱的特征波长,其中浓度区间为5~75 mg·L-1的室内、室外实验光谱的特征波长为388,1 080,1 276 nm和356,1 322,1 693 nm,浓度区间为0.1~100 mg·L-1的室内外实验样品光谱的特征波长为367,1 070,1 276,1 708 nm和383,1 081,1 250,1 663 nm。结合PLS算法建立样品特征波长光谱数据的定量模型,结果与全波段模型相比,浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波长模型的校正集决定系数R2_C分别提高至0.987 5和0.999 2,预测集决定系数R2_P分别提高至0.989 4和0.994 4,校正集均方根误差RMSEC分别降低为2.841和0.714,预测集均方根误差RMSEP分别降低为1.715和1.244;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波长PLS模型的校正集决定系数R2_C分别提高至0.998 3和0.998 8,预测集决定系数R2_P分别提高至0.998 4和0.999 0,校正集均方根误差RMSEC分别降低为1.383和1.186,预测集均方根误差RMSEP分别降低为1.510和1.229,验证集标准差与预测均方根误差的比值(RPD)有所增加,尤其是针对浓度区间为0.1~100 mg·L-1的实验,RPD值显著增加至21.7,说明基于特征波长建立的毒死蜱样品定量模型具有较高精度的预测能力,但是通过不同浓度区间范围的对比实验发现,ASD地物光谱仪对低浓度的毒死蜱溶液预测的相对误差偏大,存在客观上的检测下限。为了保证不同试验条件下的毒死蜱农药的特征波长都得到分析,增强模型使用的普适性与鲁棒性,根据特征波长选择出4个波段,即351~393,1 065~1 086,1 245~1 281和1 658~1 713 nm作为特征波段。特征波段模型的波长变量个数共38个,相比于全波段模型的432个波长变量,模型变量精简了91.2%,其中浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波段模型的R2_C分别为0.993 7和0.987 8,R2_P分别为0.979 8和0.998 2,RMSEC分别为1.690和2.516,RMSEP分别为1.987和0.659;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波段PLS模型的R2_C分别为0.9882和0.9807,R2_P分别为0.9391和0.9936,RMSEC分别为3.345和3.942,RMSEP分别为8.996和2.663,且四种实验情况下的模型RPD值均大于2.5,满足定量分析条件。因此采用高光谱采集系统对室内和室外环境中毒死蜱农药的快速检测具有一定的可行性,此研究结果对有机磷农药等面源污染物快速检测有实际的应用价值,可为农田水体有机磷农药快速检测仪器的开发提供理论基础。     

高光谱早稻生理指标可跨期预测性的初步研究

叶绿素含量和叶片氮含量是作物生长状况的重要指标,对其实时精准的监测有助于田间生产管理以及作物品质产量的提高。当前,高光谱技术和经验回归方法被广泛应用于构建作物生化参数预测模型。但是,有关同一生命活动周期内,作物跨期预测叶片生化参数的研究还存在空白。以超级早稻为研究对象,分别获取了蘖盛期、孕穗期、齐穗期、灌浆期和成熟期5个时期120组叶片高光谱数据、叶绿素以及叶片氮含量（LNC）,采用python 3.6编程,scikit-learn(0.22.1)用来构建模型和验证评估,通过网格搜索(GridSearch)和五折交叉验证(5-flod cross validation)在训练集中确定偏最小二乘回归(PLSR)、随机森林（RF）、支持向量回归（SVR）3种不同算法的最佳模型参数,结合数据的跨期处理,分别建立针对不同生育期的水稻叶片氮含量跨期预测模型和叶绿素跨期预测模型。此外,评估跨期预测模型与传统非跨期预测模型,独立数据对模型进行检验。结果表明,(1) 基于高光谱的早稻叶绿素、氮素的非跨期预测模型中,PLSR模型预测效果最佳,分别为叶绿素（R2=0.84, RMSE=1.85）、氮素（R2=0.85, RMSE=0.11）。(2) 基于SVR的早稻叶绿素跨期预测模型预测效果最佳,分别为跨分蘖期（R2=0.54）、跨孕穗期（R2=0.36）、跨齐穗期（R2=0.30）、跨灌浆期（R2=0.55）、跨成熟期（R2=0.74）。该结果为利用高光谱数据构建超级稻叶绿素含量预测模型提供新的理论参考,为水稻叶绿素含量的动态监测提供了模型依据。(3)早稻叶片氮含量跨期预测模型的拟合度很差,叶片氮含量预测具有不可跨期性。与非跨期预测模型相比,跨期预测模型虽然精度有所下降,但能有效克服经验模型普适性差的缺陷,有利于在同一生命活动周期内,实现作物不同生育期的生理指标预测,对实际生产管理具有重要意义。研究发现,作物生理指标存在可跨期预测性,这一概念为作物表型、作物内部品质以及产量的预测研究提供了新的思路。     

基于分数阶微分算法的大豆冠层氮素含量估测研究

氮素与作物的生长发育、产量和品质密切相关。作物冠层氮素含量的快速、准确、无损检测对于作物营养诊断和长势评估具有重要意义。传统的氮素检测方法检测周期长、操作复杂,同时具有破坏性,无法实现作物氮素含量在时间和空间上的连续动态监测。基于光谱遥感技术快速、无损地获取作物氮素含量是近年来作物组分快速检测研究的热点。当前的研究大多基于原始光谱或整数阶微分(一阶、二阶)预处理后的光谱进行氮素含量预测,原始光谱或整数阶微分预处理后的光谱会忽略光谱曲线间的渐变信息,影响氮素含量的预测准确度。与原始光谱和整数阶微分方法相比,分数阶微分算法在背景噪声去除、有效信息提取等方面较有优势。为研究分数阶微分预处理算法在作物氮素检测中的应用,本文以不同施肥处理下的盆栽大豆作物为研究对象,获取大豆苗期、花期、结荚期和鼓粒期四个生育期共256组冠层高光谱及对应的大豆冠层氮素含量(CNC)数据,运用分数阶微分算法对光谱数据进行0～2阶微分预处理,微分间隔为0.1,分别采用归一化光谱植被指数NDSI、比值光谱指数RSI对预处理后的光谱数据和大豆冠层氮素含量数据进行相关性分析,得到各阶微分预处理下NDSIα(α代表分数阶微分阶数)与大豆CNC,RSIα与大豆CNC相关系数绝对值的最大值及其对应的波段组合--最优波段组合NDSIα(opt)和RSIα(opt),采用线性回归方法,建立各阶微分下NDSIα(opt)与CNC,RSIα(opt)与CNC的预测模型,并与常用植被指数(VOGII, MTCI, DCNI, NDRE)建立的氮素含量预测模型进行比较,研究分数阶微分算法对大豆作物冠层氮素含量预测模型的效果。结果表明：(1)在0～2阶微分范围内,最优波段组合NDSIα(opt),RSIα(opt)与大豆CNC的相关系数随阶数增加呈现先升高后下降趋势。其中,0.8阶微分下NDSI_0.8(R₇₂₅, R₇₆₉)与大豆CNC的相关系数最大,为0.875 9;0.7阶微分下RSI_0.7(R₅₄₈, R₇₆₇)与大豆CNC的相关系数最大,为0.865 1;(2)分数阶微分预处理能够细化光谱数据中的有效信息,增强光谱数据对冠层氮素含量的敏感性,尤其是增强红边平台波段与氮素含量的正相关性及绿波段与氮含量的负相关性;(3)与整数阶微分、常用植被指数相比,分数阶微分能够提高大豆CNC预测模型的准确性。其中,基于0.7阶微分RSI_0.7(R₅₄₈, R₇₆₇)建立的大豆CNC预测模型与0阶微分RSI₀(R₇₂₅, R₇₆₉)相比建模集决定系数(R2_C)和预测集决定系数(R2_P)分别提高了0.061 9和0.016 6,建模集均方根误差(RMSEC)和预测集均方根误差(RMSEP)分别降低了0.552 5和0.180 9,预测相对偏差(RPD)提高了0.110 4。基于0.7阶微分RSI_0.7(R₅₄₈, R₇₆₇)建立的大豆CNC预测模型与VOG II相比R2_C和R2_P分别提高了0.086 6和0.025 5,RMSEC和RMSEP分别降低了0.757 5和0.248 3,RPD提高了0.146 88;(4)基于0.7阶微分比值光谱指数RSI(R₅₄₈, R₇₆₇)建立的大豆LNC预测模型较优,其R2_C为0.748 4,R2_P为0.800 3,RMSEC为4.752 9,RMSEP为3.511 1,RPD为2.253 7,能够较好的估测大豆冠层氮素含量。研究表明分数阶微分算法在大豆冠层氮素含量的定量预测中具有一定的优势,为光谱遥感技术在作物氮营养检测中的应用开拓了新的思路。     

基于高斯回归分析的水稻氮素敏感波段筛选及含量估算

水稻氮素含量的准确监测是稻田精准施肥的重要环节,水稻叶片氮素含量发生变化会引起叶片、冠层的光谱发射率发生变化,高光谱遥感是目前作物氮素无损监测的关键技术之一。以2018年-2019年湖北监利两年水稻氮肥试验为基础,分别获取水稻分蘖期、拔节期、孕穗期、扬花期、灌浆期五个生育期水稻叶片和冠层两个尺度的高光谱反射率数据及对应的叶片氮素含量数据,利用单波段原始光谱和一阶导数光谱的相关性分析、高斯过程回归（GPR）等方法筛选水稻全生育期叶片及冠层尺度氮素敏感波段。针对敏感波段,利用单波段回归分析、随机森林（RF）、支持向量回归（SVR）、高斯过程回归-随机森林（GPR-RF）、高斯过程回归-支持向量回归（GPR-SVR）和GPR构建水稻氮素监测模型,并进行精度对比,以确定水稻叶片在各生育期的氮素估算最佳模型。结果表明：GPR筛选的敏感波段符合水稻氮素含量及光谱变化的规律。相同条件下,叶片模型精度整体高于冠层模型。相关性分析模型中,叶片尺度原始光谱模型更好,冠层尺度刚好相反,冠层一阶导数光谱可以减弱稻田背景噪声的影响。其中,叶片最佳模型建模集R2为0.79,验证集R2为0.84;冠层最佳模型建模集R2为0.80,验证集R2为0.77。与相关性回归分析模型相比,机器学习模型受生育期影响小（R2>0.80,NRMSE<10%）。其中,RF比SVR更适合对GPR敏感波段建模,GPR-RF模型可以用1.5%左右的波段达到RF模型使用全部波段的精度。五种方法中,GPR模型对生育期敏感度最低、叶片及冠层尺度效果都很好(R2>0.94,NRMSE<6%)。且与其他四种机器学习方法相比,GPR模型可有效提高冠层氮素含量估算的精度和稳定性（R2增加0.02,NRMSE降低1.2%）。GPR方法可为筛选作物氮素高光谱敏感波段、反演各生育期叶片及冠层氮素含量提供方法参考。     

高光谱技术融合纹理信息的羊肉总酚浓度快速检测

为了研究可见-近红外（Vis-NIR）高光谱成像对滩羊肉中总酚浓度（TPC）快速检测的可行性,基于光谱信息融合图像纹理特征建立TPC含量的预测模型,实现滩羊肉中TPC含量的可视化表达。将样本集根据3∶1的比例划分成校正集和预测集,采用多元散射校正（MSC）、基线校准（Baseline）、去趋势（De-trending）、卷积平滑（S-G）、标准正态变量变换（SNV）、归一化（Normalize）等校正方法去除原始光谱中不良散射等干扰信息。通过竞争性自适应加权抽样（CARS）、引导软收缩（BOSS）、区间变量迭代空间收缩法（iVISSA）和变量组成集群分析-迭代保留信息变量（VCPA-IRIV）提取TPC浓度的代表性特征光谱。采用灰度共生矩阵（GLCM）算法依次提取肉样第1主成分图像中纹理特征。基于特征光谱及图谱融合信息建立滩羊肉中TPC含量的偏最小二乘回归（PLSR）与最小二乘支持向量机（LSSVM）预测模型并进行对比分析。结果表明,（1）利用De-trending+SNV预处理后的光谱数据建立的PLSR预测模型性能较好,其R2_C=0.874 9,R2_P=0.793 2;（2）采用CARS,BOSS,iVISSA和VCPA-IRIV分别提取出了23,35,57和43个特征波长,占全光谱的18.4%,28%,45.6%和16.8%;（3）采用BOSS法提取的关键性波长建立的LSSVM模型性能较好,其R2_C=0.851 3,R2_P=0.745 9,RMSEC=0.116 8和RMSEP=0.155 0;（4）与基于特征波长建立的预测模型相比,BOSS-ASM-ENT-CON-LSSVM模型为滩羊肉中TPC浓度的最佳图谱融合预测模型（R2_C=0.850 0,R2_P=0.770 9,RMSEC=0.116 0,RMSEP=0.144 7）;（5）利用BOSS-PLSR简化模型将TPC浓度反演到样本的高光谱图像上,通过色彩直观化形式展现出来,实现TPC含量的可视化表达。     

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。     

近红外特征光谱的羊肉TVB-N浓度预测模型

为提高生鲜羊肉储存期内（4,8和20 ℃环境）挥发性盐基氮（TVB-N）的近红外光谱（NIR）检测的稳定性和准确性,选取特征光谱和预测模型是关键步骤。以121个羊肉样品为实验对象,采集生鲜羊肉680~2 600 nm波段的近红外光谱。以多元散射校正（MSC）、标准正态变换（SNV）等散射校正方法,Savitzky-Golay卷积平滑（SGS）、移动平均平滑（MAS）等平滑处理方法,以及归一化（Normalization）、中心化（Centering）、标准化（Autoscaling）等尺度缩放方法分别预处理光谱数据后建立偏最小二乘法（PLS）预测模型。比较发现SGS处理的光谱建模效果最好。利用蒙特卡洛采样（MCS）法及马氏距离法（MD）消除了羊肉光谱的5个异常数据。运用光谱-理化值共生距离（SPXY）算法划分总样本的75%（87个）为校正集样本,剩余29个为验证集样本,利用竞争性自适应重加权法（CARS）、无信息变量消除法（UVE）、改进的无信息变量消除法（IUVE）和连续投影算法（SPA）提取特征光谱得到的波长个数分别为14,713,144和15。将全光谱和4种方法提取的特征波长作为输入变量建立预测模型,CARS提取的波长所建立模型的性能优于UVE、IUVE和SPA提取的波长所建立模型的性能,表明CARS方法可以有效简化输入变量并提高预测模型的性能。改进后得到的IUVE法相比于UVE法,筛选出的波长数更少且模型性能有所提升。以提取的特征波长建立PLS,支持向量机（SVM）和最小二乘支持向量机（LS-SVM）预测模型,SVM模型得到最优的校正集预测结果,其中CARS-SVM预测模型的校正决定系数（R2_C）和校正均方根误差（RMSEC）分别为0.939 1和1.426 7,最优的验证集预测效果为LS-SVM预测模型得到,其中IUVE-LS-SVM预测模型的验证决定系数（R2_V）和验证均方根误差（RMSEV）分别为0.856 8和1.886 2。基于近红外特征光谱建立简化、优化的生鲜羊肉储存期TVB-N预测模型,为实现快速无损检测生鲜羊肉中的TVB-N浓度提供技术支持。     

大豆水分含量的高光谱无损检测及可视化研究

采用近红外高光谱成像技术对大豆水分含量进行快速无损检测,实现大豆水分含量可视化。采集了96个不同品种大豆样本在900～2 500 nm的高光谱图像,采用直接干燥法测量每个大豆样品的水分含量。利用系统自带的HSI Analyzer软件提取图像感兴趣区域（ROI）的平均光谱信息,代表样品的光谱信息。利用SPXY算法划分样品校正集和预测集,并保留938～2 215 nm波段范围内的光谱数据。采用移动平滑（moving average）、S-G平滑、基线校正（baseline）、归一化（normalize）、标准正态变量变换（standard normal variate,SNV）、多元散射校正（multiple scattering correction,MSC）、去趋势（detrending）共7种光谱预处理方法,发现Normalize方法处理后的PLSR模型效果较好。为了去除光谱冗余信息,简化预测模型,采用连续投影算法（SPA）、竞争性自适应加权算法（CARS）、无信息消除变量法（UVE）提取特征波长,其中SPA,CARS和UVE三种算法优选出14,16和29个波长,分别占总波长的6.5%,7.4%和13.4%。分别对938～2 215 nm波段光谱和特征波长建立预测模型,并将效果较优的模型与Normalize方法结合。建立的14种预测模型效果相比较,发现SPA算法筛选的特征波长建模预测效果较好,并优选出Normalize-SPA-PCR模型,模型的R２_C和Ｒ２_P值较高,分别为0.974 6和0.977 8,RMSEP和RMSECV值较低,分别为0.238和0.313,模型的稳定性和预测性较好,可以对大豆水分含量进行准确预测。将Normalize-SPA-PCR模型作为大豆水分含量可视化预测模型,计算高光谱图像每个像素点的水分含量,得到灰度图像,对灰度图像进行伪彩色变换,得到大豆水分含量可视化彩色图像。对预测集的24个大豆品种进行可视化处理,发现不同水分含量大豆的可视化图像颜色不同,水分含量变化对应的颜色变化较为明显。结果表明,高光谱成像技术结合化学计量学可以准确快速无损预测大豆水分含量,实现大豆水分含量可视化,为大豆收获、贮藏加工过程中水分含量检测提供了技术支持。     

优化光谱指数建立水稻叶片SPAD的高光谱反演模型

利用高光谱反射率光谱的特征波段构建光谱指数,建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量（SPAD）的高光谱反演模型,分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据,利用小波分析法对原始光谱反射率曲线进行降噪处理,并对基于积分运算的光谱指数NAOC进行简化,获得了基于双波段简化运算的优化光谱指数。利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、1/R和R构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数,获得了以积分限（a,b）为横、纵坐标的相关系数二维矩阵,并绘制相关性等势图,得到相关系数最高的3个波段组合：R（641,790）（0.872 6）,R（653,767）（0.871 7）和R（644,774）（0.871 6）,计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值,按照2∶1的比例划分为建模集和验证集,建立了三种水稻叶片SPAD反演模型：偏最小二乘回归（PLSR）、支持向量机（SVM）和BP神经网络模型。结果显示：利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79,归一化均方根误差NRMSE则小于5.4%。其中BP神经网络相对于其他两种模型具有较高的拟合度,预测精度也相对较高,建模集R2=0.842 6,NRMSE=5.152 7%;验证集R2=0.857,NRMSE=4.829 9%。总体来看,基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的;对比分析3种模型反演结果发现,BP神经网络对水稻叶片SPAD的反演效果较好。该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。     

可见-近红外光谱的滨海土壤“除水”盐分估测

滨海盐碱区土壤盐分的快速、准确监测对土地合理利用和保护具有重要意义。可见光近红外（Vis-NIR）光谱技术已广泛用于土壤属性的高效估测。然而,水分对含盐土壤光谱的干扰导致传统土壤盐分估测模型的精度降低。旨在探究分段直接标准化（PDS）和正交信号校正（OSC）在含水条件下土壤盐分估测中的应用,从而建立面向滨海盐碱区的“除水”Vis-NIR定量模型。为此,将获取的144份黄河三角洲滨海盐碱区表层（0~20 cm）土壤盐分数据划分为建模集（17个样本）和验证集（127个样本）。通过严格加水控制实验,测量10个含水率梯度（0%,1%,5%,10%,15%,20%,25%,30%,40%和50%）的建模集土壤光谱数据,验证集的土壤光谱则是根据生成的1~50随机整数,通过随机加水实验测量获取。采用PDS和OSC与偏最小二乘回归（PLSR）结合的建模策略,构建土壤盐分估测模型,并进行性能验证和比较。结果表明,OSC比PDS更能有效减轻水分在土壤盐分估测中的建模干扰。具体来说,光谱校正前后生成的所有PLSR模型均取得一定的成功（R2_P=0.79~0.91,RMSE_P=2.6~3.98 g·kg-1,RPD=1.98~2.37）。OSC-PLSR模型的土壤盐分估测精度提高,R2_P,RMSE_P和RPD分别为0.91和2.6 g·kg-1和2.37。而PDS-PLSR模型效果不理想,R2_P,RMSE_P和RPD分别为0.79,3.98 g·kg-1和1.98。模型整体表现出了OSC-PLSR>PLSR>PDS-PLSR的土壤盐分估测性能。此外,提出了变量投影重要性（VIP）和Spearman相关系数（r）结合的分析策略,进一步探究了模型的估测机理。模型的重要波长（VIP>1）与土壤盐分敏感波长（|r|>0.4）吻合,对估测模型有重要意义。比较而言,OSC-PLSR精确提炼了位于830,1 940和2 050 nm附近的模型估测的关键波长,而常规的PLSR和PDS-PLSR包含了大量的冗余信息。综合来看,OSC-PLSR模型在Vis-NIR土壤盐分估测中具有较好的除水效果,为土壤含水状态下的土壤盐分研究提供可靠方法。     

多光谱融合的海洋沉积物碳含量检测

海洋沉积物中碳的变化是衔接海洋生态系统的过去与未来的信息桥梁,揭示了海洋生态过程变化规律。因此开展海洋沉积物碳含量的研究,对掌握海洋生态系统碳循环规律,研究全球碳循环,研究对气候变化的响应和反馈有着重要的作用。光谱技术是一种快速、无损的测量方法,在定量分析中已有很成熟的应用。多光谱融合通过将多个光谱数据结合一起,获得比单一光谱更丰富的信息,有利于物质的分析研究。将多光谱融合应用于海洋沉积物碳含量的研究,以青岛海洋潮间161份沉积物为样品,分别采用海洋光学QE65000光谱仪（光谱仪1）和AVANTES光纤光谱仪AvaSpec-ULS2048（光谱仪2）采集沉积物可见-近红外光谱。将两种光谱仪的光谱进行多光谱融合,分别采用偏最小二乘回归算法（PLSR）和BP神经网络算法（BPNN）建立沉积物碳含量模型。在PLSR沉积物碳含量建模结果中,多融合光谱结果优于光谱仪2,略低于光谱仪1,RPD值为1.968;在BPNN沉积物碳含量建模结果中,多融合光谱结果优于两个单光谱仪,RPD值为2.235。将多光谱融合后的光谱划分多个波段,分别建立沉积物碳含量模型,寻找沉积物碳的特征波段。通过分析多光谱融合各波段模型结果,560～790 nm的建模效果最好,R2_c为0.949,RMSEC为0.550,R2_p为0.874,RMSEP为0.733,RPD值为2.823。预测效果相较于光谱仪1、光谱仪2、多光谱融合全波段都有了显著的提高。因此采用多融合光谱特征波段建立海洋沉积物碳含量模型,能够提高海洋沉积物碳含量的预测结果,建立准确度更高的沉积物碳模型,为沉积物碳的快速测定打下基础。     

青饲大豆主要品质参数的近红外光谱快速分析

饲料是畜牧生产的物质基础,饲草原料和饲料产品营养价值的检测与评估是饲料生产中的重要环节,面对饲草资源中粗蛋白含量低和大量依靠进口饲料的局面,大豆作为优质的高蛋白豆科饲草是畜牧业生产利用的重要资源.不同青饲大豆及其不同刈割期的饲用品质参数可以评价青饲大豆的饲用性能,但目前主要以化学方法进行检测,过程繁琐,试验周期长、易造...     

滩羊肉冷藏期间TBARS含量的高光谱检测

硫代巴比妥酸反应物(TBARS)是表征肉品脂肪氧化程度的主要化学信息.为探究二维相关光谱技术(2DCOS)筛选羊肉中TBARS含量的特征变量的可行性,利用高光谱成像技术结合2DCOS分析建立TBARS含量的快速无损检测方法.采集样本在400～1000 nm的光谱反射图像,通过ENVI 4.8软件在光谱图像上手动设置感兴...     

基于二次迭代Monte Carlo的羊肉硬度定量检测研究

随着居民生活水平的提高和对健康饮食结构的重视,羊肉作为一种高蛋白且低脂肪和胆固醇的畜肉,需求量逐年上涨。根据国家统计局统计,2012年-2019年我国畜肉产业中羊肉产量占比从6.27%上升到9.02%。研究提出了一种基于二次迭代Monte Carlo（MC）算法剔除异常样本的羊肉硬度定量检测PLSR模型。采用GaiaSorter高光谱分选仪的Image-λ-V10E-H相机采集羊肉样品400~950 nm的高光谱数据,Image-λ-N17E相机采集羊肉样品900~1 650 nm的高光谱数据。首先,对比分析了S-G平滑、二阶求导、多元散射校正（MSC）、标准正态变换（SNV）等光谱预处理方法在消除噪声影响,提高光谱分别率等方面的能力,选取最佳光谱预处理方法。然后,在第一次MC抽样中,计算所有样本预测误差均值和标准差的平均值,以该平均值的2.5~3倍作为可疑样本阈值,3倍作为异常样本阈值;剔除异常样本,保留并标注可疑样本,进行第二次MC抽样,以样本预测误差均值和标准差的3倍值为阈值进行异常样本二次剔除;对第一次MC抽样中标注可疑样本进行二次检测。最后,对比分析了基于全波长建立的偏最小二乘回归（PLSR）模型和基于回归系数法（RC）提取的特征波长建立的PLSR模型。研究结果表明,所提出的二次迭MC算法可以准确判别可疑样本是否为异常样本,有效优化样本集,为建模提供良好的数据基础。以MSC作为光谱预处理算法基于400~950和900~1 650 nm两段高光谱数据建立PLSR模型的R2_P分别为0.947 2和0.978 3,RMSE_P分别为47.789 9和30.590 1 g,优于其他三种光谱预处理算法。另外,基于900~1 650 nm建立的PLSR模型明显优于基于400~950 nm波长样本集建立的模型。通过RC算法选取出羊肉硬度在400~950和900~1 650 nm波长范围的特征波长分别为14个（410,438,450,464,539,558,612,684,701,734,778,866,884和935 nm）和10个（915,949,1 085,1 156,1 206,1 262,1 318,1 384,1 542和1 580 nm）。其中,基于900~1 650 nm波长建立的PLSR模型的R2_P为0.985 0,RMSE_P为24.397 0 g,为羊肉硬度预测的最佳模型。结果表明,所提出的融合二次迭代MC算法的PLSR模型可以有效预测羊肉冷藏过程中硬度特性变化趋势,为羊肉品质无损检测相关研究提供参考。     

基于同步荧光光谱的鸡肉中甲磺酸达氟沙星和氧氟沙星残留快速检测方法研究

采用同步荧光技术结合化学计量学方法实现了鸡肉中甲磺酸达氟沙星（DFM）和氧氟沙星（OFL）残留的快速检测。首先,分析了DFM标准溶液、OFL标准溶液、空白鸡肉提取液和含DFM和OFL的鸡肉提取液的同步荧光光谱,确定了鸡肉中DFM和OFL残留的检测波长差（Δλ）分别为130和200 nm,荧光激发峰分别为288和325 nm。其次,采用单因素试验考察了氢氧化钠溶液浓度和表面活性剂种类对荧光强度的影响,确定了鸡肉中DFM和OFL残留的最佳检测条件为：氢氧化钠溶液浓度0.1 mol·L-1和SDS溶液浓度0.1 mol·L-1。最后,利用线性回归和偏最小二乘回归（PLSR）及多元线性回归（MLR）算法分别建立了鸡肉中DFM和OFL残留的预测模型。试验结果表明,与基于线性回归和MLR的DFM残留预测模型相比,基于PLSR的DFM残留预测模型的综合评价更好,其预测集决定系数（R2_P）为0.978 3,预测集均方根误差（RMSEP）为1.934 2 mg·kg-1,相对预测误差（RPD）为5.876 5。与基于线性回归和PLSR的OFL残留预测模型相比,基于MLR的OFL残留预测模型的综合评价更好,其R2_P为0.895 0,RMSEP为3.859 8 mg·kg-1,RPD为2.509 1。该方法操作简单、耗时短,可用于鸡肉中DFM和OFL残留的快速检测。