基于OSC-PLS算法对大麦蛋白质含量进行定量分析的研究

用色散扫描型仪器采集大麦样品的近红外光谱,扫描出的光谱携带了大量样品化学值信息,采用正交信号校正(OSC)预处理方法对这些原始光谱进行处理,剔除噪声等不相关因子以后建立偏最小二乘(PLS)近红外光谱分析模型(OSC-PLS),预测大麦蛋白质的含量,并与传统PLS建模方法进行对比。基于OSC-PLS算法的蛋白质含量近红外光谱分析模型的测定系数R2为0.901,检验集的化学值与模型预测值的相关系数r达到0.971 7,分析模型的预测标准偏差SD为0.545 0,相对标准偏差RSD为4.2%。结果表明,OSC-PLS回归方法能在较大程度上消除无关因素的影响,在简化模型的同时提高了模型的可解释性,能够建立准确的大麦蛋白质含量近红外预测模型,可代替经典分析方法,满足农产品快速分析的需要。     

基于GA和CARS的真空包装冷却羊肉细菌菌落总数高光谱检测

在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares, PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm, GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling, CARS)分别对预处理后的473～1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS, CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R2_c)和均方根误差(root mean square error, RMSEC)分别为0.96和0.29,交互验证的决定系数(R2_cv)和均方根误差(root mean square errorof cross validation, RMSECV)分别为0.92和0.46,预测集的决定系数(R2_p)和均方根误差(root mean square error of prediction, RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation, RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。     

基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究

利用高光谱成像系统获得网纹类哈密瓜糖度漫反射光谱信息,选择有效波段500～820 nm进行哈密瓜糖度检测建模回归分析。对比了多元散射信号修正和标准正则变换校正方法,原始光谱、一阶微分、二阶微分光谱预处理方法对建模精度的影响;采用偏最小二乘法、逐步多元线性回归和主成分回归方法对比分析了带皮哈密瓜和去皮哈密瓜糖度检测模型效果。结果表明,对原始光谱经过MSC和一阶微分光谱处理后,采用PLS和SMLR方法均可取得很好的建模效果,应用PLS法检测带皮哈密瓜糖度是可行的,其校正集相关系数(R_c)为0.861,RMSEC为0.627,预测集相关系数(R_p)为0.706,RMSEP为0.873;应用SMLR法检测去皮哈密瓜糖度效果最佳,校正集相关系数(R_c)为0.928,RMSEC为0.458,预测集相关系数(R_p)为0.818,RMSEP为0.727。研究表明,应用高光谱成像技术检测哈密瓜糖度具有可行性。     

可见光/近红外光谱技术快速测定橙汁柠檬酸含量

为了快速无损测定橙汁的柠檬酸含量,提出了一种用可见光/近红外光谱技术进行检测的新方法。选用高效液相色谱法作为光谱柠檬酸测定的标定方法。采用平滑点数为5的移动平滑法对原始光谱进行预处理消除噪声。由于采集的光谱数据量非常大,为了减少建模时间,建模之前采用小波变换对经过预处理的大量光谱数据进行降维压缩,并在Matlab7.01中通过自编程序实现此变换。利用光谱专用分析软件Unscrambler 9.5,对压缩后的新变量进行分析,建立偏最小二乘(PLS)校正模型。考虑到不同小波基及分解尺度对数据压缩的影响,采用预测平方和PRESS值最小的评价标准,选择最佳的小波基Db4及分解尺度5。用于本实验的样本总数为40,其中30个样本进行建模,10个用于预测。用校正集相关系数(r)和标准偏差(SEC)作为校正模型的评价指标,预测结果采用预测相关系数(r)和预测标准偏差(SEP)来评定。文章将基于小波变换的PLS模型与直接建立的PLS模型进行了比较,偏最小二乘法结合小波变换的模型预测相关系数为r=0.901, 预测标准偏差SEP=0.937;而由PLS建立的模型其预测相关系数r=0.849,预测标准偏差SEP=1.662。由此可见,由偏最小二乘法结合小波变换所得模型效果优于单独使用偏最小二乘法的结果。     

盐酸左西替利嗪片的近红外漫反射光谱定量分析

利用近红外光谱结合偏最小二乘法实现对不同品牌盐酸左西替利嗪片剂有效成分的定量分析。经内部交叉验证,确定最佳波数范围和光谱预处理方法,以及最佳主成分数,建立最优PLS校正模型。对验证集样品浓度进行预测,得到均方根误差RMSECV、决定系数R2分别为0.276和0.974。该方法能够用于不同厂家盐酸左西替利嗪片的快速定量分析,是一种有效的药品快速检验技术。     

近红外漫反射光谱法测定玉米秸秆体外干物质消化率

以不同生态环境、不同年份,不同品种和自交系类型、不同生长发育时期以及不同部位的600个样品中选出161份玉米秸秆为材料,应用傅里叶变换近红外光谱技术,采用偏最小二乘回归法(PLS),通过比较不同光谱范围和光谱预处理方法,在6 101.7～5 773.8 cm-1和4 601.3～4 246.5 cm-1谱区内,建立了适合不同品种类型、不同生长发育时期和不同部位且适配范围广的近红外漫反射光谱(NIRS)测定玉米秸秆体外干物质消化率(in vitro dry matter digestion,IVDMD)的稳定校正模型。其交叉验证和外部验证决定系数(R2_cv,R2_val)分别为0.907 3和0.906 6,预测标准偏差为2.08%, 预测值与化学值间的相关系数(r)达0.956。结果表明, 近红外光谱技术可以用于快速、准确测定玉米秸秆IVDMD,该结果对青贮玉米育种过程中的秸秆材料快速鉴定和筛选具有重要的意义。     

正交信号校正应用于多元线性回归建模的研究

通过近红外光谱技术建立二元、三元调和食用油中花生油含量模型以及二甲亚砜水溶液浓度模型,比较了分别采用原始光谱和正交信号校正(OSC)处理后光谱进行MLR建模的结果,并对所建的正交信号校正后光谱MLR模型与原始光谱PLS模型进行预测结果比较.比较过程中使用交互验证参数(包括决定系数Rc,标准偏差SEC,预测值和实际值线性...     

基于SVM算法的近红外光谱技术在鱼糜水分和蛋白质检测中的应用

采用支持向量机(support vector machine,SVM)建立了鱼糜样品中水分和蛋白质含量的近红外光谱校正模型,并采用独立样本集进行了预测。光谱数据经间隔两点一阶导数(DB1G2)、标准正态变换(SNV)、多元散射校正(MSC)相结合的方法预处理后,用偏最小二乘(PLS)降维处理,取前15个投影变量为自变量。获得水分模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP; 蛋白质模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP,有较好的预测准确性。基于SVM算法的近红外光谱技术可用于鱼糜水分和蛋白质含量的快速检测。     

近红外高光谱图像结合CARS算法对鸭梨SSC含量定量测定

高光谱数据量大、 维数高且原始光谱噪声明显、 散射严重等特征导致光谱建模时关键波长变量提取困难。 基于此,提出采用竞争性自适应重加权算法(CARS)对近红外高光谱数据进行关键变量选择。 鸭梨作为研究对象。 采用决定系数r2、 预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。 基于选择的关键变量建立PLS模型(CARS-PLS)与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果,r2_pre,RMSEP和RPD分别为0.908 2,0.312 0和3.300 5。 进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法(GA)获得的特征变量建立的PLS模型比较发现,CARS不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,该方法能够有效地用于高光谱数据变量的选择。 结果表明,近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。 从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。     

一种植物叶片生化成分光谱无损检测的光程长校正方法

利用可见/近红外光谱分析技术定量分析叶片生化参数含量时,由光散射效应和叶片厚度等引起的样本间光程长差异会影响校正模型的预测精度。文章提出了一种改进的扩展多元散射校正(EMSC)光程长方法,利用差谱矩阵的主成分代替物质纯谱,对实测光谱精确建模,根据实际需要,减去相应干扰因子,得到校正光谱。选择叶绿素含量基本相同,厚度不同的16个叶片样本以及叶绿素含量和厚度均不同的32个样本分别使用改进的EMSC方法校正,对处理前后光谱变异系数和主成分贡献率进行比较和分析,并比较了预处理前后的模型预测精度。结果表明,采用改进的EMSC预处理方法能够有效地校正光散射效应和叶片厚度差异导致的光程长差异引起的光谱误差,增强光谱数据对浓度的灵敏度,可提高预测模型的精度。     

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。     

三维漫射光谱法检测猪肉嫩度的初步研究

猪肉是光的强散射物质,嫩度是评价猪肉品质优劣的重要标准之一,提出一种基于三维漫射光谱法的猪肉嫩度检测方式。将猪肉样本更多的散射信息引入光谱分析中。利用实验室搭建的数据采集系统,通过采集距光源入射点不同距离处的样本漫反射光信号构建了64个猪肉样本的三维漫射光谱。经过小波消噪处理后,利用多维偏最小二乘法(NPLS)建立了三维漫射光谱与猪肉嫩度之间的分析模型,模型的校正决定系数R2_Cal是0.883 1,校正标准差RMSEC是3.685 0N,预测决定系数R2_Pred是0.874 7,预测标准差RMSEP是3.9756N。实验结果表明, 与常规的漫反射光谱法相比,三维漫射光谱法所建立的猪肉嫩度NPLS模型具有更高的校正精度和预测稳健性,有望为猪肉嫩度及其他品质的快速检测提供一种新的途径。     

近红外光谱的水稻抗性淀粉含量测定研究

用化学法测定水稻抗性淀粉含量耗时长、成本高,为此,探索了基于近红外光谱技术(NIRS)的水稻抗性淀粉含量测定新途径。首先,采集了62份抗性淀粉含量差异较大的水稻的光谱数据,将光谱数据和已测定的化学值数据导入化学计量学软件,采用偏最小二乘法(PLS)建立了抗性淀粉含量的近红外定标模型,对不同预处理得到的预测模型进行了内部验证和外部验证。结果如下：内部交叉验证方面,未处理、MSC+1thD预处理、1thD +SNV预处理的决定系数(R2)分别为0.920 2,0.967 0,0.976 7,预测均方根误差(RMSEP)分别为1.533 7,1.011 2,0.837 1。外部验证方面,未处理、MSC+1thD预处理和1thD +SNV预处理的决定系数(R2)分别为0.805,0.976,0.992,绝对误差平均值分别为1.456,0.818,0.515,预测值和化学值之间没有显著差异(Turkey法多重比较),说明以近红外光谱分析法代替化学测定法是有可能的。在不同预处理方法之中,1thD+SNV的预处理方法无论内部验证还是外部验证都具有较高的决定系数和较低的误差值,定标模型精度更高,误差更小。     

实测甘草冠层光谱定量估算甘草酸和甘草苷含量

甘草酸(GA)和甘草苷(LQ)是甘草的两个主要的活性成分, 常用作评估甘草的质量主要指标。首次尝试应用实测甘草冠层的可见-短波红外(Vis-SWIR)高光谱数据定量估算甘草中的GA和LQ含量,利用高效液相色谱方法(HPLC)分别测定甘草中GA和LQ含量作为参考值,通过结合一阶导数预处理和运用Wilk’lambda 逐步回归法选择特征波长等光谱预处理方法,在选择9个最优波段基础上建立偏最小二乘(PLS)回归预测模型,甘草GA和LQ的回归精度R2分别为0.953和0.932,校正集的均方根误差(RMSEC)分别为0.31和0.22, 预测精度R2分别为0.875和0.883,验证集的均方根误差(RMSEP)分别为0.39和0.27。结果显示,用光谱预测模型获得甘草GA和LQ含量预测与HPLC方法获得的甘草GA和LQ含量实测之间具有较高的相关性,说明Vis-SWIR技术从遥感数据中来确定GA和LQ含量的可行性。为野外利用外机载和/或星载高光谱传感器对甘草质量遥感监测提供理论依据。     

PLS和SMLR建模方法在水蜜桃糖度无损检测中的比较研究

在实际应用中,一些实验条件往往不能严格控制而存在变化,从而影响近红外光谱检测模型的稳健性。文章以50个常温和50个冷藏后的奉化水蜜桃样品组成温度混合样品集,经光谱杠杆值和狄克松检验法进行异常光谱剔除后,采用偏最小二乘法(PLS)和逐步多元线性回归(SMLR)对水蜜桃糖度进行建模分析。PLS的建模结果：校正集相关系数R_C=0.965, 校正均方根标准误差RMSEC=0.301°Brix,交叉验证R_CV=0.812,交叉验证均方根标准误差RMSECV=0.67°Brix,标准偏差与交叉验证均方根标准误差的比值RPD=1.72;SMLR的建模结果：校正集R_C=0.929,RMSEC=0.424°Brix, 交叉验证R_CV=0.887, RMSECV=0.532°Brix, RPD=2.16。SMLR的预测结果要优于PLS的预测结果,在SMLR分析中,在3个不同的光谱区域4 290～7 817,7 817～10 725,4 290～10 725 cm-1的RPD值分别为1.97,1.89,2.16。试验结果表明,将不同温度条件下的样品组成温度混合样品集,用PLS和SMLR建立的模型具有较好的预测效果。     

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。     

土壤水分对近红外光谱实时检测土壤全氮的影响研究

利用近红外光谱技术实时预测土壤全氮含量是精细农业的研究热点之一,但是由于土壤水分在近红外波段的吸收系数较高,影响了土壤全氮含量的实时预测精度。使用布鲁克MATRIX_I傅里叶近红外光谱分析仪对不同土壤水分的土壤样本进行了近红外光谱扫描,定性和定量的分析了土壤水分对近红外光谱的影响,并提出了一种消除土壤水分对土壤全氮含量预测影响的方法。近红外光谱扫描结果显示在同一全氮含量水平下,随着土壤水分含量的增加,光谱吸光度呈逐渐上升的趋势,且变化趋势为非线性。通过对1 450和1 940 nm两个水分吸收波段的差分处理,设计了水分吸收指数MAI（moisture absorbance index）,再对土壤按照水分含量梯度进行分类,提出了相应的修正系数。修正后的6个土壤全氮特征波段处(940,1 050,1 100,1 200,1 300和1 550 nm)的土壤吸光度值作为建模自变量,使用BP神经网络建立了土壤全氮预测模型,模型的R_C,R_V,RMSEC,RMSEP和RPD分别达到了0.86,0.81,0.06,0.05和2.75;与原始吸光度所建模型相比较模型精度得到了显著提高。实验结果表明本方法可以有效地消除土壤水分对近红外光谱检测土壤全氮含量预测的影响,为土壤全氮含量实时预测提供了理论和技术支持。     

人参叶总皂苷大孔树脂分离纯化工艺的近红外光谱在线监测模型及其含量测定

利用近红外(NIR)光谱技术研究并建立可在线监测人参叶皂苷类成分的大孔树脂分离纯化工艺的方法。建立人参皂苷Rg₁,Re和Rb₁的高效液相色谱(HPLC)含量测定方法,收集人参叶提取物的40%乙醇大孔树脂洗脱液,采集其近红外光谱信息,并用已建立的HPLC法测定其中人参皂苷Rg₁,Re和Rb₁的含量,结合偏最小二乘法(PLS)建立上述三种成分及人参总皂苷的定量分析模型。建模过程中,以决定系数(R2),交叉验证均方根误差(RMSECV)为指标,确定用于建模的最优近红外波段和光谱预处理方法,结果表明人参皂苷Rg₁,Re,Rb₁及人参总皂苷模型的最佳建模波段均为12 000.8~7 499.8 cm-1,R2分别为0.988 7,0.960 3,0.990 5和0.970 1,RMSECV分别为0.059 7,0.072 2,0.004 88和0.075 5。将1个批次的人参叶提取物大孔树脂分离纯化工艺样品用于验证人参总皂苷定量分析模型的预测性能,总皂苷的NIR预测值和HPLC测定值的相关系数为0.992 8,平均预测回收率为100.52%,表明所建的模型预测效果良好。该法快速、简便、准确,可用于生产工艺过程中人参总皂苷的含量测定和质量控制。     

近红外光谱法的甜菜糖度快速测定

为了实现甜菜依据含糖量定等分级,甜菜收购环节的按质论价,促进甜菜制糖行业的良好健康发展,应用近红外光谱技术对甜菜糖度的快速检测进行了系统研究,确定了一种快速、无损、准确的测量甜菜糖度的方法。采集具有代表性的28个甜菜品种,820个甜菜样品作为校正集,70个样品作为预测集,扫描得到甜菜校正集样品的近红外原始光谱,选择合适的光谱预处理方法,采用偏最小二乘法建立甜菜糖度的定量预测数学模型,以校正模型的内部交互验证均方根误差(RMSECV)、决定系数(R2)和外部预测标准误差(SEP)为指标对模型的性能进行评价,并对模型的预测效果进行了比较。采用一阶导数和标准正态变量变换对光谱进行预处理并结合偏最小二乘法所建立的定量预测数学模型的预测能力较好。甜菜糖度定量校正数学模型的模型决定系数为0.908 3,内部交互验证预测均方根误差为0.376 7。用此数学模型对预测集70个样品进行预测,预测值与实测值的相关系数达到0.921 4,预测标准误差为0.439,预测值和实测值之间不存在显著性差异(p＞0.05)。结果表明：近红外光谱法作为一种简单、快速、无损、环保的检测方法,能够良好的评价甜菜的糖度。建立的模型具有很高的精确性,可以满足甜菜糖含量测定的需要,该方法可以实现甜菜收购环节的定等分级和按质论价。