可见/近红外光谱分析技术鉴别转基因番茄叶

用可见/近红外光谱（Vis-NIR spectrum）漫反射方式对转基因番茄叶和非转基因番茄叶进行了快速、无损的定性分析。实验共对68个样品（转基因38个,非转基因30个）进行分类,用TQ 6.2.1光谱分析软件中集成的判别分析（Discriminant analysis）和偏最小二乘回归法（PLS）建立校正和预测模型。研究对比了不同光谱预处理方法（微分处理和多元散射校正（MSC））对分类结果的影响。实验结果发现用判别分析较最小二乘法判别结果较好,用InGaAs检测器获得的光谱经MSC后的分类结果最好,分类正确率为89.7％（转基因番茄叶86.8％,非转基因番茄叶93.3％）。结果表明VIS-NIR可以作为一种快速的无损检测方法鉴别转基因和非转基因番茄叶。     

基于可见/近红外光谱技术的番茄叶片灰霉病检测研究

利用可见/近红外光谱技术对感染灰霉病的番茄叶片感染程度进行了检测。提出了主成分分析结合BP神经网络的数据处理方法。采用主成分分析进行数据的降维,减少了计算量,提高了建模精度。通过主成分分析中的载荷值,定性地分析了不同波段对病害程度检测的重要性。将得到的最主要的几个主成分输入BP神经网络进行建模,预测结果显示,当主成分数为8,隐含层结点数为11的时候,病害程度的检测模型对未知样本预测的相关系数达到0.930,SEP为0.068 7,模型具有良好的检测效果。说明基于光谱技术和化学计量学方法的灰霉病检测模型具有很好的检测能力,为光谱技术应用于病害检测提供了新的方法。     

基于空间可分辨光谱的番茄成熟度判别方法研究

对基于空间可分辨光谱的番茄成熟度分类判别方法进行了试验研究。首先根据番茄的内部颜色,将600个番茄分为6个不同成熟度 (green, breaker, turning, pink, light red and red) ,然后用自行开发的多通道高光谱成像探头采集番茄的空间可分辨(SR)光谱,建立基于空间可分辨光谱的番茄成熟度偏最小二乘判别(PLSDA) 模型和支持向量机判别(SVMDA)模型。结果显示,对于PLSDA模型,SR光谱15为最佳分类光谱,分类正确率达到81.3%;对于SVMDA模型,SR光谱10为最佳预测分类光谱,分类正确率为86.3%。对六个成熟度等级番茄的判别分类,SVMDA模型要明显优于PLSDA模型。此外,相对于较小的光源-检测器距离SR光谱,较大的光源-检测器距离SR光谱可以获得更好的判别效果,显示出空间可分辨光谱在果蔬品质检测方面的应用潜力。     

基于可见/近红外透射光谱的孵化早期受精鸡蛋的判别

在种鸡蛋孵化过程中,部分种蛋由于未受精不能正常出雏,不但会造成大量浪费,还有可能引起霉菌感染其他种蛋,利用可见/近红外透射光谱分析技术可以对种鸡蛋中的受精蛋和无精蛋进行检测。为研究孵化初期无精蛋最佳的判别时间,本文通过对孵化环境下种鸡蛋品质随时间变化的研究,最终发现在孵化24h内的种鸡蛋品质还在新鲜状态,在72h后的种鸡蛋品质变为不可食用级别,最终发现36h内是最佳的判别时间。研制了基于可见/近红外透射光谱的静态采集系统,并使用该系统进行了光谱采集。对比同一品种不同样品及不同品种的光谱建模效果,剔除了由蛋黄与蛋壳颜色造成的样本光谱差异区域,选取的有效光谱波段为355~590和670~1 025nm。采用主成分分析法进行预处理,通过不同时间、不同主成分数建模效果的比较,确定最佳的主成分数。同时采用多元散射校正、附加散射校正、导数校正与主成分分析的光谱预处理方法在不同的建模方法下进行对比,并考虑到实际应用与最终的生产效益,建立了有效的判别模型。最佳判别模型为使用24h时采集光谱且采用主成分分析法进行数据预处理并使用Fisher算法建立的模型,判别准确率能达到87.18%。该研究为早期受精蛋与无精蛋的无损伤在线鉴别提供了一种新的方法。     

应用可见/近红外光谱进行黄酒品种的判别

为了实现对黄酒品种的快速判别,采用可见/近红外光谱对不同品种的黄酒获取光谱曲线,然后采用主成分分析方法对光谱数据进行聚类分析,并将其提取的主成分作为BP神经网络的输入值,建立了黄酒品种鉴别模型。该模型将前6个主成分作为神经网络的输入变量,加速了神经网络的学习速度,提高了模型的预测精度。随机选取每个品种的15个黄酒样本,共45个样本组成预测集,剩余的145个黄酒样本组成训练集建立训练模型,并用预测集样本对其进行验证。将品种鉴别的偏差标准定为±0.1,结果表明,只有1个未知样本超出偏差范围,该方法的品种鉴别正确率为97.78％,获得了满意的结果。说明文章提出的方法具有很好的分类和鉴别作用,为黄酒品种的快速鉴别提供了一种新方法。     

可见/近红外光谱结合GWO-SVM对千禧番茄的分类鉴别

千禧番茄营养丰富且酸甜可口,不同千禧番茄品种的风味和营养价值均有明显差异,尤其是番茄红素、柠檬酸、维生素C和氨基酸含量的差异较大。传统人工分类方式效率低、主观性强、误检率高等问题亟待解决。为筛选综合营养价值高且风味佳的千禧番茄品种,实现千禧番茄快速准确分类,提出了基于千禧番茄光谱特征的分类模型构建及GWO优化SVM算法研究,以期解决千禧番茄自动化分类问题。以四个品种千禧番茄作为研究对象,试验样本240个,将其按2∶1比例划分为训练集160个和测试集80个样本,利用可见-近红外光谱采集系统获取350～1 000 nm范围内的千禧番茄反射强度,经光谱校正得样本反射率;为增强信噪比,截取481.15～800.03 nm范围内的光谱波段作为有效波段。由于数据采集过程受无关信息干扰影响建模效果,故将平滑点数设置为3进行Savitzky-Golay(SG)平滑预处理。预处理后采用连续投影算法(SPA)提取特征波长变量,优选得到11个特征波长反射率作为输入矩阵X,预设样本变量1, 2, 3和4作为输出矩阵Y,利用支持向量机(SVM)建立SPA-SVM千禧番茄定性分类模型,训练集和测试集平均分类准确率...     

可见/近红外光谱技术在液态食品检测中的应用研究进展

可见/近红外光谱作为一种快速、无损的新型检测技术,在农产品与食品品质检测领域获得越来越广泛的应用。日本和欧美很多国家在近红外光谱对农产品与食品品质检测方面已经取得了很大的进展,国内在这一领域的研究虽有一定的成果,但与国外相比仍有一定的差距,有待加强。文章从酒类、奶制品、果汁、食用油等方面综述了近几年国内外可见/近红外光谱技术在液态食品品质检测中的最新应用研究进展,分析了可见/近红外光谱技术应用于液态食品品质检测的种种优势,思考了应用中存在的一些问题并尝试提出了相应的解决方法,最后对进一步的研究提出了展望。     

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。     

可见/近红外光谱图像在作物病害检测中的应用

农作物病害严重影响了我国正常的农业生产,现代农业迫切需要快速、准确、高效的作物病害诊断方法。首先简单介绍了常用病害检测技术,如：聚合酶链式反应技术、人工感官判定技术、统计学方法等,这些方法或是比较费时、或是只能用于产生明显病斑后的病害诊断,而光谱技术在植物病害的快速检测方面有一定的潜力,目前已有大量的研究成果。主要围绕可见/近红外光谱图像在病害检测的应用展开分析和讨论,讨论了该技术所涉及的仪器,并从细胞、植物组织、冠层及更大尺度层面分析了该技术在病害检测中的现况。目前大部分与植物病害有关的可见/近红外光谱研究都以植物叶片为对象,而在更小尺度（细胞至显微尺度）和更大尺度（冠层至航空/航天遥感方面）上的研究较少,特别是单细胞级别的病害研究,只在动物细胞领域展开,而且以荧光、拉曼、红外光谱为主。可见/近红外在以植物叶片为主要研究对象的器官尺度上有大量的成功应用,目前的研究已涉及了大部分的常见作物及其主要病害,包括真菌性、细菌性等各种病原引起的病害的检测。植物叶片尺度的研究主要从以下三个方面展开：(1）基于计算机图像处理和模式识别的病害信息自动快速判断;(2）基于化学计量学方法的高光谱或高光谱图像病害程度模型;(3）建立与作物病害有关的叶片某些理化参数的光谱模型,从而量化病害的程度。在植物叶片这一尺度相关研究的主要问题是：研究过于碎片化,往往只研究了某一种或少数几种病害,所建的模型只能用于特定实验条件,无法直接自动判断任意田间样本的染病种类与程度。在近地冠层尺度,植株的三维形态对光谱模型有较大的干扰,有文献表明以植株近地冠层2D图像作为病害检测数据,偏差较大,所建模型不稳定,基于卫星影像的病害模型较少。还讨论了常用光谱及光谱图像建模与分类方法。目前可见/近红外光谱在农作物病害方面有一定的应用潜力,但存在研究内容的不平衡、研究系统性不够、各学科合作研究不够深入等几大问题。最后提出可见/近红外光谱在病害检测领域中应更注重多学科的深入合作,并急需相关的仪器设备、方法模型方面的突破。     

涩柿可溶性单宁的可见/近红外漫反射光谱无损检测研究

旨在建立可见/近红外漫反射光谱与涩柿内部可溶性单宁之间的关系,以评价可见/近红外漫反射光谱在测量涩柿内部指标可溶性单宁的应用价值.在可见/近红外光谱区域(570～1848 nm),实验对比分析了不同数学建模算法、不同导数处理方法和不同散射及标准化处理的涩柿可溶性单宁定标模型.结果表明,应用改进偏最小二乘回归算法、一阶导处理和去散射处理所建涩柿可溶性单宁定标模型的预测性能较优,其定标交互验证相关系数(Rcv)和预测相关系数(Rp2)分别为0.722 7和0.678 5,定标交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.148 4和0.176 3.研究表明,可见/近红外漫反射光谱对涩柿可溶性单宁的快速无损检测具有一定的可行性,但模型精度有待提高.     

可见/近红外联合UVE-PLS-LDA鉴别压榨和浸出山茶油

山茶油是我国特有的优质食用油,而压榨山茶油营养品质优于浸出山茶油。采用可见/近红外光谱技术对压榨和浸出山茶油进行鉴别研究。在350～1 800 nm波段范围内采集压榨和浸出山茶油样本的透射光谱,利用无信息变量消除(UVE)方法进行波长变量优选,剔除无用波长变量,并应用偏最小二乘-线性判别分析(PLS-LDA)建立鉴别分类模型。最后,利用鉴别分类模型对未参与建模的26个预测集样本进行鉴别。研究结果表明,UVE-PLS-LDA是一种有效的鉴别分类方法,所建立的鉴别分类模型能较好地对压榨和浸出山茶油进行鉴别,校正集和预测集样本的鉴别正确率均为100%。因此,可见/近红外光谱联合UVE-PLS-LDA方法鉴别压榨和浸出山茶油是可行的。     

基于可见-近红外光谱的植物叶绿素含量无损检测方法研究

叶绿素含量是植物营养胁迫、光合作用能力和生长状况的良好指示剂。实时、可靠的作物营养诊断是进行科学施肥管理的基础,也是实施精细农业的关键技术之一。文章提出了一种应用可见-近红外光谱技术检测植物叶绿素含量的方法。采用透反射测样方式获取了植物叶片的可见-近红外光谱,并对获得的500～900 nm光谱数据进行平滑、一阶微分以及小波变换等预处理,然后采用偏最小二乘法(PLS)建立了植物叶片叶绿素含量与叶片吸收光谱的定量分析模型,最后利用该模型对预测集样本进行预测。预测集中样本的预测值与标准值之间的相关系数为0.93,预测均方根误差为1.1 SPAD。实验结果表明,利用可见-近红外光谱检测叶片叶绿素含量是可行的,这对今后实现快速无损检测植物叶绿素含量具有重要的指导意义。     

基于UVE-ICA和支持向量机的南丰蜜桔可溶性固形物可见-近红外检测

利用可见-近红外光谱技术联合变量选择新方法对南丰蜜桔的可溶性固形物(SSC)进行快速无损检测研究,以简化南丰蜜桔SSC预测模型和提高预测模型性能。试验共采用300个南丰蜜桔样本,校正集、验证集及预测集样本分别为150,75和75个。采用QualitySpec型光谱仪在350~1 000 nm波段范围内采集样本光谱,利用无信息变量消除(UVE)剔除无用信息波长变量,再采用独立成分分析(ICA)提取光谱的独立成分,最后应用最小二乘支持向量机(LS-SVM)建立南丰蜜桔的SSC预测模型,并利用未参与建模的预测集样本对模型进行评价。研究结果表明,可见-近红外光谱技术联合UVE-ICA- LS-SVM对南丰蜜桔的SSC检测精度高。UVE-ICA可以有效剔除无用信息波长变量,提取特征光谱信息,简化预测模型及提高预测模型性能。UVE-ICA- LS-SVM所建立的南丰蜜桔SSC预测模型性能优于PLS,PCA-LS-SVM及ICA-LS-SVM预测模型,其校正集、验证集及预测集的决定系数和均方根误差分别为0.978,0.230%,0.965,0.301%及0.967,0.292%。     

基于变量优选和快速独立成分分析的黄花梨可溶性固形物可见/近红外光谱检测

为建立预测能力高、稳定性强的可见/近红外漫透射光谱无损检测黄花梨可溶性固形物(SSC)数学模型,对比各种预处理方法、变量优选方法、快速独立主成分分析(FICA)以及最小二乘支持向量机(LS-SVM)对黄花梨SSC模型的影响,得出最佳的组合方法用于建立黄花梨可溶性固形物(SSC)预测模型。采用Quality Spec型光谱仪采集550~950 nm波段范围内的黄花梨漫透射光谱并采用遗传算法、连续投影算法和CARS(competitive adaptive reweighted sampling)三种方法筛选黄花梨可溶性固形物的光谱特征变量,再结合FICA提取光谱主成分,最后采用LS-SVM建立黄花梨的SSC预测模型。结果显示,采用CARS筛选的21个变量,经FICA挑选出12个主成分数,联合LS-SVM所建立的CARS-FICA-LS-SVM黄花梨SSC预测模型性能最佳,建模集和预测集的决定系数及均方根误差分别为0.974,0.116%和0.918,0.158%,同直接采用PLS方法建模相比,变量数从401个下降到21,主成分数由14下降到12,建模集和预测集决定系数分别上升了0.023,0.019,而建模和预测均方根误差分别下降了0.042%和0.010%。CARS-FICA-LS-SVM建立黄花梨SSC预测模型能够有效地简化预测模型并提高预测模型精度。     

可见/近红外漫透射光谱结合CARS变量优选预测脐橙可溶性固形物

可溶性固形物(SSC)是脐橙重要内部品质之一。采用QualitySpec型光谱仪在350～1000 nm波段范围采集脐橙的可见/近红外漫透射光谱,采用CARS(competitive adaptive reweighted sampling)变量选择方法筛选出与脐橙SSC相关的重要变量,并与无信息变量消除(UVE)及连续投影算法(SPA)比较。最后,对选择的38个重要波长变量应用偏最小二乘(PLS)回归建立脐橙SSC预测模型,并对未参与建模的75个样品进行预测。研究结果表明,CARS方法优于UVE及SPA变量选择方法,能有效地筛选出重要波长变量。CARS-PLS建立的SSC预测模型优于全光谱的PLS模型,其校正集及预测集的相关系数分别为0.948和0.917,均方根误差分别为0.347%和0.394%。因此,可见/近红外漫透射光谱结合CARS方法可以预测脐橙可溶性固形物,CARS变量选择方法能有效简化预测模型和提高模型的预测精度。     

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.     

可见/近红外光谱分析技术快速鉴别航天育种番茄

提出了利用可见/近红外光谱技术快速无损鉴别航天育种番茄品种的方法,采用偏最小二乘法对光谱特征信息进行提取,与神经网络结合建立番茄品种的鉴别模型.该模型将提取后的主成分作为神经网络的输入,加速了神经网络的训练速度.同时采用小波变换对大量光谱数据进行压缩,并结合神经网络建立番茄品种鉴别模型,该模型将压缩后的数据作为神经网络...     

苹果可溶性固形物和糖酸比可见/近红外漫反射与漫透射在线检测对比研究

可溶性固形物和糖酸比是苹果内部品质主要评价指标之一。为此进行苹果糖酸比和可溶性固形物可见/近红外漫反射和漫透射对比检测研究。180个冰糖心和红富士样品被分成建模集和预测集(136∶44),分别用于建立偏最小二乘模型和验证模型的预测能力。在运动速度5个/秒时,采集了冰糖心和红富士两种样品的可见近红外光谱。漫反射和漫透射可见近红外光谱经多元散射校正、标准正态变量变换、基线校正等预处理后,建立了偏最小二乘回归模型。未参与建模的44个样品用于评价模型的预测能力,经比较,漫透射检测方式优于漫反射检测方式,主要因为漫透射检测方式能更有效地克服杂散光。可溶性固形物模型预测相关系数达到0.936,预测均方根误差为0.476°Brix;糖酸比模型预测相关系数达到0.785,预测均方根误差为10.94。研究结果表明： 应用可见/近红外漫透射光谱技术,可实现苹果可溶性固形物和糖酸比在线检测。为大宗水果内部品质分选提供了技术支持和参考依据。     

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.