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。     

近红外光谱定性与定量分析技术在莲子无损检测中的应用

通过提取采后不同时期的莲子、莲仁的近红外漫反射光谱特征,以莲子的可溶性固形物(SSC)和干物质含量(DM)为指标进行定量和定性分析。利用偏最小二乘回归(PLSR)分析和距离判别分析(DA)计算所得的结果表明：SSC和DM含量与莲子、莲仁的吸收光谱特征具有明显相关。莲子SSC、DM的PLSR模型在5 941～12 480 cm-1谱区综合性能较好,预测相关系数(r₁)分别为0.74和82,校正相关系数(r₂)分别为0.82和0.84,留一交互相关系数(r₃)分别为0.72和0.71。莲仁SSC的PLSR模型在7 891～9 310 cm-1谱区综合性能较好,r₁为0.79,r₂为0.84,r₃为0.77。DM的PLSR模型在全光谱的综合性能较好,r₁为0.92,r₂为0.89,r₃为0.82。莲子在5 400～7 885 cm-1谱区的判别性能较好,正确率达84.2%,而莲仁在9 226～12 480 cm-1谱区的判别性能较好,正确率达90.8%。对不同年份和有膜有芯的干莲仁进行DA判别的精度可达98.9%。研究表明近红外检测技术可用于莲子和莲仁的SSC和DM含量的定量分析及储存期的定性判别,还可对不同年份和有膜有芯的干莲仁进行判别。     

一种新的线性神经网络多组分分析法及其在VC银翘片NIR定量分析中的应用

用红外光谱仪测量了VC银翘片的近红外谱图,然后将主成分分析法(PCA)和线性神经网络结合,分析VC银翘片中的对乙酰氨基酚和维生素C的含量。讨论了主成分数的选择及影响神经网络的各参数。为了比较算法的性能,作者又分别采用了偏最小二乘法、主成分分析结合BP神经网络进行数据处理。实验及数据处理结果表明,在3种多组分分析方法中,主成分分析结合线性神经网络的方法具有最高的预测精度。     

基于可见/近红外光谱和深度学习的早期鸭胚雌雄信息无损检测

胚蛋雌雄识别一直是家禽业发展的瓶颈问题,在禽肉生产过程中倾向于养殖雄性个体,而禽蛋生产产业倾向于养殖雌性家禽.若能在孵化过程中较早鉴别出种蛋的雌雄,不仅能够降低家禽孵化产业的成本,还能够提高禽蛋和禽肉生产行业的经济效益.该文以种鸭蛋为研究对象,为了在种鸭蛋孵化早期实现对种蛋的雌雄识别,构建了可见/近红外透射光谱信息采集...     

基于优选NIR光谱波数的绿豆产地无损检测方法

产地是影响农作物生产的重要环境因素,产地溯源对于食品安全具有重要意义.针对传统农产品产地检测一般采用化学分析法,其操作繁琐且存在破坏性和耗时较长等不足的问题,以北方寒地绿豆为研究对象,分别在白城、杜蒙、泰来等优质绿豆主产区,获取绿豆的籽粒和粉末两种状态的近红外光谱数据(NIR),利用优选NIR光谱特征波数,建立了绿豆产...     

融合波长选择和异常光谱检测的天然气燃烧过程定量分析方法

针对天然气燃烧过程的近红外光谱数据,采用了一种融合波长选择和异常光谱检测的定量分析方法。该方法根据偏最小二乘(PLS)模型的系数及预测误差的统计分布,在实现波长选择的同时,完成异常光谱样本的检测。与PLS、先用留一法将异常样本删除后PLS建模(LOO-PLS)、基于PLS的无信息变量消除法(UVE-PLS)以及先用留一法将异常样本删除后使用UVE-PLS建模(LOO-UVE-PLS)相比较,该方法将甲烷预测模型的预测均方根误差(RMSEP)分别降低了14.33%,14.33%,10.96%和12.21%;将一氧化碳预测模型的RMSEP分别降低了67.26%,72.58%,11.32%和4.52%;将二氧化碳预测模型的RMSEP分别降低了5.95%,19.7%,36.71%和4.04%。实验表明,该方法建立的分析物预测模型具有较高的预测能力和较好的稳健性,在大大减少所选波长数量,降低模型复杂度的同时,还能有效地检测出异常光谱样本,减小两者之间的相互影响。     

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。     

基于近红外光谱技术的石油组分定量分析新方法

针对石油化工产品生产控制和质量检查的需要,为提高测定产品组成的效率,将近红外光谱法作为基础测定方法,以直馏柴油、加氢精制柴油和催化裂化柴油为校正模型的训练样本,测定其中饱和烃、胶质、单环芳烃、双环芳烃、三环芳烃和环烷烃的组成,论述了采用模糊神经网络建立校正模型测定石油化工产品组成的可行性。基于dSPACE硬件平台,用验证样本对模糊神经网络校正模型进行了检验,实验结果表明,该方法响应快、误差小、鲁棒性强,在近红外长波区内,校正样品和验证样品的均方误差小于10-6。该方法可用于石油化工产品的生产工艺研究中。     

基于NIR高光谱成像技术的长枣虫眼无损检测

为了研究快速识别虫眼枣与正常枣的有效方法,利用特征波长主成分分析法结合波段比算法进行虫眼枣识别。首先,利用NIR高光谱成像系统采集130个长枣(50个正常、80个虫眼枣)图像,提取并分析不同类型长枣特征区域的平均光谱曲线,对970~1 670 nm范围内的光谱数据进行主成分分析,确定7个特征波长(990,1 028,1 109,1 160,1 231,1 285,1 464 nm)。然后,对长枣图像做主成分分析,选择PC2图像进行虫眼识别,虫眼与正常枣的识别率分别为67.5%、100%。为了进一步提高虫眼枣的识别率,采用波段比(R1231/R1109)对未识别的虫眼枣进行再次识别,识别率提高到90%。结果表明,基于NIR高光谱成像技术的检测方法对虫眼枣识别是可行的,同时也为多光谱成像技术应用于在线检测长枣品质提供了理论依据。     

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。     

近红外光谱定量分析模型的样本影响研究

作为二次分析方法,近红外光谱分析的重现性和可靠性非常依赖于建模过程。以近红外光谱小麦蛋白质定量分析模型为例,研究了多变量定标建模过程中异常样本问题,旨在讨论复杂样本建模中的样本对模型的影响和作用。以PLSR算法建模中校正方差与验证方差的解释百分比曲线的背离特性作为异常样本存在的判据,当两个百分比曲线显著偏离时,则认为样本集中存在异常样本,并对建模产生了显著影响。异常样本的识别和处理,以及影响分析是本文主要的创新性工作,采用了基于样本删除的子模型遍历统计方法,能够渐次识别并提取出异常样本。在剔除异常样本后的模型预测结果中,以模型的预测残差标准差作为参考距离对异常样本进行了离群程度分级,可分为显著离群样本,相对离群样本以及潜在离群样本,数据集中显著离群样本约占7.8%,相对离群样本约占15.6%。异常样本对模型的影响表现在对正常样本的预测残差上,使预测值偏离理想拟合直线,分散性增加。剔除异常样本或以样本权重建模可有效抑制异常样本的影响,使模型的解释性更偏向于多数样本数据,降低模型的经验风险误差。     

利用神经网络提高偏最小二乘法的NIR多组分分析精度

提出了一种神经网络(ANN)和偏最小二乘法(PLS)结合的新的近红外(NIR)多组分分析法。该方法首先把训练样本中待测组分涵盖的浓度区间分成若干个子区间,利用各个子区间的训练样本分别建立PLS校正模型,然后利用ANN对未知样本进行分类,判断其所属的浓度子区间,应用对应子区间上的校正模型计算预测样本的组分浓度。和传统的PLS比较,此方法改善了模型的适应性,显著地提高了预测精度。实验及数据处理结果证明了本方法的有效性。     

表面粗糙度对近红外光谱分析木材密度的影响

近红外(NIR)光谱技术是一种基于多元统计分析建立预测模型的定量分析技术,应用十分广泛,然而,近红外光谱分析结果的准确性会受到多种因素的影响。文章分析了木材表面粗糙度对近红外光谱预测木材密度的影响。结果表明,当待预测样品的粗糙度和建模样品的粗糙度一致时,分析结果较好;二者不一致时,分析误差较大。采用不同粗糙度样品建立混合预测模型,可以显著提高模型对粗糙度的适应性和稳健性。     

基于偏最小二乘增量式神经网络的近红外光谱定量分析模型

提出了一种基于偏最小二乘增量式神经网络的近红外光谱定量分析模型。该模型采用典型三层反向传播神经网络(BPNN),不同波长吸光度和成分浓度是模型的输入和输出。在使用历史样本训练之前先进行偏最小二乘(PLS)回归,所得自变量和因变量的历史负荷矩阵分别用于确定模型输入层和输出层的初始权值,且自变量的主成分个数作为隐层的节点数。当获得新的样本时,对新数据与历史负荷矩阵组合后进行PLS回归,将所得新的负荷矩阵与历史负荷矩阵融合后作为模型输入层和输出层新的初始权值,接着使用新样本对模型进行训练来实现增量式更新。将所提模型与PLS、BPNN、基于PLS的BPNN、递归PLS在天然气燃烧烟气近红外光谱数据上测定后比较。对于烟气中二氧化碳浓度的预测,所提模型的预测均方根误差(RMSEP)分别降低了27.27%,58.12%,19.24%和14.26%;对于烟气中一氧化碳浓度的预测,所提模型的RMSEP分别降低了20.65%,24.69%,18.54%和19.42%;对于烟气中甲烷浓度的预测,此模型的RMSEP分别降低了27.56%,37.76%,8.63%和3.20%。实验结果表明,所提模型不仅通过PLS对BPNN结构和初始权重的优化,使模型具有较强的预测能力,而且能在已建模型信息的基础上,不访问旧数据而用新增样本即可完成自身的增量式更新,从而使模型具有较好的稳健性和泛化性。     

神经网络模型在LED便携式近红外整粒小麦成分测量仪上的建立

采用三层反向传播人工神经网络,在LED便携式近红外整粒小麦成分测量仪上,建立了测定整粒小麦中粗蛋白含量的定量分析模型。给出了LED便携式近红外整粒小麦成分测量仪的结构框图、光路结构图及所采集的整粒小麦样品光谱图。简介了人工神经网络的原理并给出了建模的结果。用人工神经网络建立模型,得到校准集和预测集的相关系数分别为0.90和0.96,相对标准偏差分别为3.77%和4.46%。在所使用的有限个分立波长的测定仪上,由于仪器光路、电路及整粒样品状态的影响,存在着一定的非线性。采用人工神经网络建立的模型,其结果优于线性模型的结果。     

双层PLS算法及其在近红外光谱分析中的应用

针对近红外光谱数据局部效应显著,变量个数多,且彼此间常存在严重的复共线性,并与样品组分含量呈非线性关系,构建了一种双层非线性偏最小二乘回归 (DNPLSR)算法。它将非线性回归和偏最小二 乘(PLS)相结合,先在外层由PLS从样本数据中提取成分,并实现每对成分间的非线性映射,再在内层实施PLS算法,将外层因变量成分的拟合误差反馈计算转换权向量的增量,进一步修正转换权向量,以使外层所提取的成分对因变量具有更优的解释能力。最后,将该法应用于80个谷物样品的水组分含量与其近红外光谱的定量关系建模,效果良好,显示出很强的学习能力,所建模型的预报性能也优于其他方法。     

分组全连接的近红外光谱定量分析网络

全连接网络作为深度学习中的一种典型结构,几乎在所有神经网络模型中均有出现。在近红外光谱定量分析中,光谱数据样本数量较少,但每个样本的维度高。导致了两个问题：将光谱直接输入网络,网络的参数量会十分庞大,训练模型需要更多的样本,否则模型容易进入过拟合状态;在输入网络前对光谱进行降维,虽解决了网络参数量过大的问题,但会丢失一部分信息,无法充分发挥网络的学习能力。针对近红外光谱的特性,提出了一种分组全连接的近红外光谱定量分析网络GFCN。该网络在传统的两层全连接网络的基础上,用若干个小的全连接层替代第一个全连接层,克服了直接输入光谱导致网络参数量过大的缺点。采用Tecator和IDRC2018数据集对该方法进行测试,同时与全连接网络FCN和偏最小二乘PLS两种方法进行对比。结果显示：在两个数据集上,GFCN预测效果均优于FCN和PLS。在只有少量样本参与建模的情况下,GFCN依然能够保持较高的预测效果。表明,GFCN可以用于近红外光谱的定量分析,并且适应样本较少的场景,具有重要的研究价值和广泛的应用场景。