应用可见-近红外光谱技术快速无损鉴别婴幼儿奶粉品种

为了快速无损鉴别婴幼儿奶粉品种,提出了结合偏最小二乘(PLS)法和人工神经网络(ANN)综合预测婴幼儿奶粉品种的新方法。获取婴幼儿奶粉样本在400～1 000 nm波段的漫反射光谱,采取平均平滑法和多元散射校正(MSC)进行预处理,用PLS建立校正模型进行模式特征分析及主成分的提取。经过交互验证法判别,提取7个主成分作为神经网络的输入变量,奶粉的品种值作为输出,建立了三层BP神经网络。9个典型品种的婴幼儿奶粉各取样本30个,共计270个作为训练集。随机抽取的各个品种的10个样本,共90个作为预测检验样本,结果表明,90个未知样本的品种预测准确率为100％。说明提出的方法具有很好的分类和鉴别作用,为婴幼儿奶粉的品种快速无损鉴别提供了一种新方法。     

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。     

基于光谱及成像技术的种子品质无损速测研究进展

种子是农业生产过程的重要生产资料。种子质量评价、活力与老化检测、纯度与真伪鉴别、分类与溯源研究是种子品质检测中的常见问题。种子质量主要包含种子含水率、蛋白含量、脂肪酸含量、淀粉含量等,是种子品质分级的重要指标,并且关系到种子存储过程的安全问题。种子活力是种子发芽和出苗率、幼苗生长的潜势、植株抗逆能力和生产潜力的总和;高活力种子具有明显的生长优势和生产潜力。种子老化是指种子活力的自然衰退,表现为种子变色、发芽率低、生长势差、作物减产。种子的纯度与真伪则会影响作物产量和农产品品质;而种子分类与溯源则是保证种子纯度与鉴别种子真伪的重要方法,进而为作物产量与产品品质提供保障。对于种子品质分析,传统方法通常需要对样品做不可逆的破坏性分析,且分析时间长、过程复杂,难以适应现代农业对种子生产环节的需要。因此,开展种子品质无损快速检测技术研究成为当前亟待解决的问题。近年来,随着化学计量学的发展和计算机技术的进步,近红外光谱法以其快速、无损、高效等优势,在农产品、食品、农业投入品等的无损快速分析方面得以广泛的应用。进一步地,将光谱技术与成像技术相结合,高光谱成像技术近年来日益兴起,相比较于传统的光谱技术,高光谱成像技术在获得待测样品的光谱信息的同时,还可以获取样品的空间分布信息以及图像特征。基于近红外光谱及高光谱成像等无损快速检测技术,从种子质量评价、活力与老化检测、纯度与真伪鉴别、分类与溯源研究四方面对近年来关于种子品质无损快速检测文献进行综述。在分析不同检测技术特点的基础上,分别就上述种子品质检测方面的问题加以整理。进而对种子品质无损快速检测的技术特点进行了总结与展望。     

基于可见-近红外光谱和多光谱成像技术的梨损伤检测研究

提出了利用可见-近红外光谱技术和多光谱成像技术检测鸭梨损伤随时间及程度变化的新方法.利用可见-近红外光谱技术,分别结合偏最小二乘(panial least squares,PLS)和最小二乘支持向量机(least squares-support vector machine,LS-SVM)方法对鸭梨受损程度和受损天数进行预测.结果表明,两种方法在鸭梨损伤后期对损伤程度的判别均具有较好的效果;LS-SVM方法对鸭梨轻度损伤的损伤天数的预测精度较高,但重度损伤天数的预测效果不如PLS方法.然后利用多光谱图像预测鸭梨受损天数.研究发现,利用LS-SVM建立的模型预测效果较稳定,预测结果相关系数均在0.85左右.说明利用可见-近红外光谱分析技术和多光谱成像技术能够快速无损地检测出鸭梨的损伤程度及时间,为鸭梨检测提供了一种新方法.     

热损伤玉米种子的高光谱无损检测

玉米是世界主要粮食作物之一,使用不符合国家标准的劣质种子将严重影响玉米作物产量,如何快速准确高效鉴别劣质玉米种子亟待解决。采用高光谱图像系统获取900粒“豫安三号”玉米种子的900～1 700 nm光谱曲线,其中训练集和测试集比例为3∶2,分别为540粒和360粒。利用电鼓风式烘干箱对种子损伤处理,获得不同损伤程度的玉米种子样本,采集光谱后完成发芽试验,以此判别种子活力。为提高信噪比,截取963.27～1698.75 nm范围内的玉米种子光谱波段作为有效波段;采用标准正态变换(SNV)、多元散射校正(MSC)两种预处理方式对原始光谱数据预处理,并采用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)两种特征波段提取算法对预处理后的光谱数据提取特征波段,波长反射率作为输入矩阵X,预设样本类别作为输出矩阵Y;最后采用支持向量机(SVM)模型建模分析,研究结果表明：MSC-CARS-SVM模型为最佳模型,模型识别成功率为98.33%,其Kappa系数为0.985。在此基础上,采用遗传算法(GA)对SVM中惩罚系数c和核函数参数g寻优,模型准确率提升至100%,可实现对热损伤劣质玉米种...     

小麦种子自然老化程度的近红外光谱无损识别

应用近红外光谱技术无损分析小麦种子短期自然老化过程中主要化学成分的变化趋势,并结合支持向量机建立快速判别小麦种子自然老化程度的分析模型。本实验应用VERTEX 70傅里叶变换红外光谱仪,以大样品杯旋转采样方式跟踪采集了45份小麦种子在自然老化初期、4个月、7个月、9个月的近红外光谱。标准差可以用来表征数据离散程度,因此本实验通过计算每份样本在4个自然老化阶段的光谱标准差来筛选与自然老化时间显著相关的谱区。为避免单个样本由于偶然因素导致的离散度值异常,实验统计了45份样本的光谱标准差均值,根据均值光谱得到如下谱峰：8 362,6 950,7 563,5 319,4 998和4 478 cm-1处。解析谱峰所在区域对应的化学基团归属可得：6 950 cm-1处对应的是液态水中O-H伸缩振动的一级倍频且该处离散度值较大,因此小麦种子在短期自然老化阶段中水分变化较为显著;5 319,4 998和4 478 cm-1处离散度值较6 950 cm-1处小,对应的是蛋白质仲酰胺、伯酰胺和酰胺的合频和倍频信息,因此蛋白质变化较水分而言相对平缓;8 362和7 563 cm-1处反映的主要是C-H振动的二级倍频信息且离散度值较大,而种子中蛋白质、淀粉等均具有C-H官能团,因此蛋白和淀粉等成分综合变化较为显著。在上述分析基础上,本文采用多分类支持向量机结合近红外光谱建立快速识别小麦种子四种自然老化程度的定性模型。将180份样本光谱按照3∶1随机抽取135个样本作为训练集,其余样本作为测试集。选择核函数为径向基函数,通过网格搜索法进行参数寻优得到惩罚参数为8,核参数为0.008 974 2时,训练集和测试集的识别正确率可达99.26％和99.78％。实验结果表明：近红外光谱技术结合支持向量机可快速判别小麦种子短期自然老化程度,为种子贮藏过程中生理特性变化的无损监测及开发利用提供便捷的检测手段。     

基于近红外高光谱成像技术的干制红枣品种鉴别

为实现干制红枣的快速鉴别,提出了一种基于近红外高光谱成像技术的鉴别方法。采集四个品种共240个样本干制红枣的近红外高光谱图像(1 000～1 600 nm)。通过主成分分析法(principal component analysis,PCA)、载荷系数法(x-Loading Weights,x-LW)和连续投影算法(successive projections algorithm,SPA)分别提取7个、8个和10个特征波长;基于灰度共生矩阵(gray level co-occurrence matrix, GLCM)提取第一主成分图像的纹理特征。分别以光谱特征、纹理特征、光谱和纹理融合特征作为输入,建立偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、反向传播神经网络(back-propagation neural network,BPNN)和最小二乘支持向量机(least squares support vector machines,LS-SVM)模型。结果显示,基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率;基于融合特征的BPNN模型的结果最优,对预测集样本鉴别正确率为100%。说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。     

基于近红外光谱的粳稻种子快速鉴别方法研究

黑龙江省是我国最大的粳稻产区和商品粮生产基地。水稻种植过程中,选择合适的水稻品种是实现高产的关键环节。在农业生产中,水稻品种的选择受多方面因素影响,一般说来,同一积温带所种植的不同水稻品种在外观上差别不大,甚至没有差别,很难通过肉眼观察进行准确区分。为了快速鉴别肉眼不便区分的不同类别粳稻种子,提出了一种基于近红外光谱技术的粳稻品种快速无损鉴别方法。以黑龙江垦区大量种植的3种不同品种的粳稻种子（垦粳5号、垦粳6号和绥粳4号）作为研究对象,每个品种选取40个样本,其中30个样本做为建模集,10个样本作为预测集,扫描获取全部120个样本的近红外光谱数据。对原始光谱数据（11 520～4 000 cm-1）两端进行裁剪,选取吸光度较强的8 250～5 779cm-1范围内的光谱数据进行研究。首先建立参照模型,即直接对光谱数据建立BP模型1, 同时光谱数据经过一阶导数和Savitzky-Golay平滑预处理后建立BP模型2。模型1的分类正确率为93.3%,预测集均方根误差RMSEP=0.232 8,迭代时间t=3 882.9 s。模型2的分类正确率为100%,RMSEP=0.070 6,迭代时间t=954.5 s。比较两种模型的评价参数RMSEP发现FD+SG预处理可以提高模型的预测能力,但是由于两种模型未进行降维处理,数据量过大,模型的输入节点过多,迭代时间太长,不利于实际应用。因此利用小波变换多分辨率的特点对数据进行降维处理,采用预测集残差平方和Press值作为评价指标,在多个小波类别和参数中选取分解尺度为5的sym2（symlet2）小波对光谱数据进行压缩和降维处理,将光谱数据由601维降到21维。以小波变换结果作为神经网络输入,建立模型3,并与模型1比较,模型3的分类正确率为93.3%, RMSEP=0.225 0, 迭代时间t缩短至198.9 s,比较结果显示小波降维可以减少神经网络的输入,简化神经网络的结构,从而提高迭代速度,但对提高模型的预测能力效果不明显。上述三种模型比较结果表明,FD+SG预处理可以提高模型的预测能力,小波降维可以提高模型的迭代速度,综合上述三种模型的比较结果分析,最终建立“FD+SG+小波降维”的21输入、15个隐层、3个输出的神经网络鉴别模型4,其分类正确率达100%,RMSEP=0.029 3, 迭代时间为98.8 s,表明模型4能够完全实现对三种不同水稻品种的快速、准确、无损鉴别。因此,所提出的基于近红外光谱的小波降维和反向传播人工神经网络鉴别模型的方法完全可以用于粳稻种子的快速无损鉴别,同时也为其他农作物种子的快速鉴别提供了参考。     

钻石的紫外-可见-近红外光谱与光致发光光谱温敏特性及其鉴定指示意义

以液氮温度(约77 K)至室温渐变的样品测试温度,通过紫外-可见-近红外(UV-Vis-NIR)吸收光谱、405 nm激发光源的光致发光(PL)光谱,结合傅里叶变换红外光谱与钻石观测仪(DiamondView~(TM)),分别对典型的经后期高温高压或辐照处理的天然钻石、高温高压合成钻石和化学气相沉积合成钻石进行光谱学特征研究。结果表明:在不同激发光源或检测环境温度下,钻石的UV-Vis-NIR吸收光谱与PL光谱中具有指向性的特征吸收与已有文献报道结果存在一定的差异。钻石的指纹及其经优化处理的特征吸收较多出现明显的温敏特性,随着样品温度的升高,吸收峰的强度逐渐降低,部分吸收峰消失。钻石吸收光谱中的温敏特征吸收可为其检测、筛选提供指向性依据,同时对开拓新的钻石功能化应用有借鉴意义。     

基于紫外-可见-近红外光谱技术的蔬菜细胞ATP含量无损检测研究

农产品细胞内的ATP含量水平直接反映细胞的活性,在产后贮藏过程中可作为农产品新鲜度和品质的一种评价指标。采用紫外-可见-近红外分光光度计UV-3600获取菠菜叶片样本的光谱数据,并采用常规物理化学方法和萤火虫荧光素酶生物发光技术制备和测定细胞原生质体悬浮液及其细胞原生质体的ATP含量。利用person相关分析确定关键特征波长,并建立基于298nm紫外光和730nm近红外光两个特征波长菠菜叶片光谱反射率的细胞原生质体ATP含量的预测模型。结果分析表明,298nm紫外光和730nm近红外光两个特征波长具有预测细胞原生质体ATP含量的潜力(R2=0.802 9和0.901)。提出的基于光谱技术的蔬菜细胞ATP含量检测方法为准确、快速、无损的蔬菜新鲜度评价提供一种新的技术途径。     

近红外高光谱的活体玉米叶片水分成像研究

无损检测植物叶片水分对植物生理生化研究及灌溉管理和旱情监测等均具有重要意义。利用Gaia Sorter近红外高光谱仪(900～1 700 nm),以不同生育期的60个鲜活玉米叶片为试验材料,对叶肉不同区域的平均光谱及烘干称重法得到的水分含量分别用偏最小二乘法(PLS)及逐步多元线性回归(SMLR)进行建模分析。结果表明,验证集决定系数/标准偏差分别为0.975/1.18和0.980/1.02,均取得较好的预测效果,可实现单个玉米叶片平均含水量的测定;SMLR优选的特征波长(1 406和1 692 nm)建模预测结果表明,利用高通量近红外相机结合滤光片方法实现玉米叶片冠层或高空遥感测量的可行性。同时,进行了叶片不同区域水分含量的成像分析,结果表明,验证集中6个叶片的叶肉与主叶脉区域水分含量的参考均值和预测均值的相关系数均达到0.85以上,预测结果与实际情况相符合。     

基于多光谱成像技术的水稻叶瘟检测分级方法研究

实时、可靠的植物病害检测是进行科学的植物喷药作业的基础,也是精确农作的关键技术之一。目前水稻稻瘟病害检测鉴定方法存在着专业知识要求高、花费大、效率低等缺点。文章提出了利用包含绿、红、近红外三波段通道的多光谱成像技术对水稻叶瘟病进行检测。研究目的是建立能够快速、准确分析稻叶瘟病情的检测模型,实时过滤掉背景噪声、自然枯叶等干扰因素,实现对水稻生长状况进行及时、有效、非破坏性检测。研究表明,利用多光谱成像技术提取水稻叶面及冠层图像信息,可以快速有效地检测稻叶瘟病情。通过实验建立的稻叶瘟病情检测分级模型,对于营养生长期的水稻苗瘟的识别准确率为98%,叶瘟的识别准确率为90%,为实施科学的稻叶瘟防治提供了决策支持。     

基于多光谱成像技术的宫颈脱落细胞DNA定量分析研究

常用的宫颈癌筛查方法有TBS(the bethesda system)分类法和细胞DNA定量分析法两种,而同时利用多重染色方法在同一张细胞涂片上对细胞质进行巴氏染色和对细胞核进行Feulgen染色进行宫颈癌筛查的研究仍然是空白。多重染色筛查方法的难点在于非DNA物质的吸光度会干扰DNA物质的吸光度。因此建立了一套多光谱成像系统,并基于吸光度的线性叠加特性,利用多元线性回归方法建立了吸光度剥离模型,通过该模型成功地将DNA物质的吸光度剥离出来进行DNA定量分析,实现了两种常用方法的完美结合。通过一系列实验证明了,利用模型剥离出的DNA物质的吸光度与实测的DNA物质的吸光度在检验水平为1%的情况下在统计学上没有显著差异,而且实际应用测试中的统计数据也显示在置信水平为99%的情况下使用该分析方法筛查得到的四倍体细胞的DNA指数的置信区间与癌细胞的DNA指数判别区间没有交集,验证了这种基于多光谱成像技术的多重染色的DNA定量分析方法的准确性和可行性,在宫颈癌乃至其他癌症的早期诊断和筛查中有巨大的市场应用潜力与广阔的应用前景。     

基于高光谱技术的玉米种子可视化鉴别研究

种子纯度是衡量种子品质的重要指标。提出一种基于近红外(874～1 734 nm)高光谱技术实现玉米种子可视化鉴别的方法。采集4个品种共384个玉米种子样本的高光谱图像数据,随机选择288个样本作为建模集,剩余96个样本作为预测集。对玉米种子光谱曲线进行分析后,通过连续投影算法（SPA）选取7个特征波段作为输入,结合偏最小二乘法判别分析(PLS-DA)模型,对预测集进行预测,获得较好的分类效果,其中R_C=0.917 7,RMSECV=0.444 2; R_CV=0.911 5,RMSECV=0.459 9,建模集和预测集的总体鉴别率分别为78.5%和70.8%。通过图像处理技术提取高光谱图像中每个玉米颗粒的平均光谱数据,输入建立的SPA-PLS-DA模型,在计算生成的鉴别图中以不同颜色标识不同类别,实现了混杂玉米种子样本的可视化鉴别。对3份不同组成的混杂种子样本进行鉴别,达到了较好的可视化效果。结果表明,通过可视化鉴别技术,可以直观方便地观察混杂种子样本中不同品种种子的分布和数量,为农业生产中种子的纯度鉴别和筛选提供了帮助。     

基于地面多光谱成像技术的茄子灰霉病无损检测研究

实时、便捷、可靠的作物病害诊断方法是进行科学的作物喷药管理的基础,也是精细农作的关键技术之一。根据感染灰霉病菌的茄子叶片的光谱反射特征和相应的特征波段的图像信息,利用基于地面的包含绿、红、近红外三波段灰度图的多光谱成像技术对染病茄子叶片进行病斑的无损检测。目的是建立能准确反映植物病害状况的检测模型,实时过滤掉土壤噪声、气候条件等环境干扰,实现对植物健康状况进行快速、准确、非破坏性检测。结果显示,利用绿、红和近红外三通道图像信息算法模型,能够在有干燥的土壤和枯叶等干扰下对灰霉病斑进行较好的识别,为植物生产中病害的在线无损检测提供了新的方法。     

基于近红外光谱判断分析煤种的鉴别研究

煤种信息为煤炭质量评价、进出境税收征管提供技术支撑。传统煤种鉴别方法需测定煤炭样品干燥无灰基挥发分、低煤阶煤透光率、粘结指数、恒湿无灰基高位发热量等指标,能耗大,检测周期长,不利于口岸快速通关。基于不消耗化学试剂、快速、低成本等优势,采用近红外光谱鉴别煤种受到广泛关注,但目前还未有针对全球不同产地来源煤炭的煤种鉴别应用,煤炭近红外光谱特征与煤种的相关关系仍有待挖掘。采集了来自澳大利亚、俄罗斯、印度尼西亚等9个国家410批进口煤炭代表性样品,涉及褐煤、烟煤和无烟煤3个煤种,对比分析了不同煤种煤炭样品的漫反射近红外光谱特征,发现不同煤种煤炭样品近红外光谱在吸光度、光谱斜率、特征峰上存在差异。结合样品成分信息、X射线衍射、近红外光谱进行数据挖掘,发现近红外光谱吸光度与煤炭中固定碳含量呈正相关,光谱斜率与煤炭芳构化呈负相关,煤炭芳构化增加导致长波长方向的吸收系数增大,光谱斜率变小,光谱特征吸收峰主要为水分和有机物质含氢基团的特征信息,特征峰强度取决于煤炭中水分和挥发分含量。采用主成分分析（PCA）进行数据降维,光谱变量从1 557个降到394个,对前10个主成分进行逐步判别,筛选出PC1,PC2,PC3,PC4,PC6,PC7,PC8,PC9和PC10代替原始数据作为模型输入变量,建立煤种鉴别的Fisher判别分析模型,建模样品验证准确率为98%,交叉验证准确率为97.8%,测试样品验证准确率为99.1%。PCA载荷图表明：PC1和PC2主要与煤炭挥发分含量相关,其次是水分含量。判别函数1（57.7%）与PC1的相关性最强,判别函数2（42.3%）与PC2的相关性最强,说明不同煤种中挥发分含量和水分含量的差异是近红外光谱进行煤种鉴别的内在依据。     

随机森林结合CatBoost的近红外光谱药品鉴别

药品质量关乎人民健康和国家命脉,随着社会经济的飞速发展对药品质量的快速、有效鉴别具有极其重要的作用。光谱分析技术具有较高的准确性、较快的分析速度且对样品不存在污染等突出优点,广泛应用在化工、石油以及医药等重要的领域。为了解决传统药品鉴别模型存在的鉴别精度低、鉴别速度不能满足实际需求且鉴别模型稳定性差的问题,采用光谱仪采集药品的近红外光谱数据达到对药品无污染鉴别的目的。结合随机森林和CatBoost对药品进行分类鉴别,以实现快速且准确的鉴别。首先采用随机森林(RF)对光谱仪采集的光谱数据进行有效特征波长的筛选,从而将药品光谱数据中的无关波长去除、筛选出最能表征样品属性的特征波长,然后以极限学习机(ELM)作为CatBoost的弱分类器分析筛选的特征波长对药品的属性鉴别。由于ELM仅只含有一个隐含层且无需多次迭代寻优保证了鉴别模型运行速度更快,CatBoost通过集成弱分类器以改善模型鉴别准确性。为对所提出的药品鉴别模型性能进行有效评估,采用随机抽取训练集的方式构造不同规模药品光谱数据并分别上进行独立实验且以10次运行结果的均值作为其最终结果,并通过与CatBoost、持向量机(SVM)、...     

近红外高光谱成像的微破损棉种可视化识别

优质棉种是全面推广棉花精量播种技术的基础。采用近红外高光谱成像技术实现微破损棉种可视化识别,为棉种精选设备的研制奠定理论基础。以未破损和微破损两类棉种各540粒作为样本(其中405粒作为建模集,135粒棉种作为预测集),分批采集874~1 734 nm范围的样本高光谱图像,提取光谱数据并去除首尾两端明显噪声保留955~1 659 nm范围内光谱为棉种样本的光谱。首先使用Kennard-Stone(KS)算法进行样本划分,并通过平滑算法Savitsky-Golay(SG)对光谱进行预处理。采用二阶导数光谱(2nd spectra)方法、连续投影算法(SPA)和主成分载荷(PCA-loading)方法分别选取10,14和11个特征波长。基于全部光谱数据和特征波长建立偏最小二乘判别分析(PLS-DA)模型、K最邻近(KNN)模型和支持向量机(SVM)模型,SPA-PLS-DA模型取得了较好的结果,建模集和预测集的鉴别率分别为91.50％和90.33％。基于SPA-PLS-DA模型分别对未破损样本和微破损样本及其混合样本图像进行识别,取得了较好的识别结果,微破损棉种的识别率达90%以上。结果表明,结合近红外高光谱成像和图像处理技术,能够实现微破损棉种的可视化识别。