水果糖度可见-近红外光谱手持式检测装置开发与试验

基于可见-近红外光谱分析技术开发了手持式水果糖度检测装置,并用于水果糖度的现场实时分析。硬件系统主要包括微型光谱仪、卤素灯、OLED显示屏、单片机及驱动电路等。采用Keil 5开发工具,用C语言开发单片机程序。配合上位机以LabView编写的光谱采集程序,实现光谱信息的采集。以苹果和大桃作为检测对象,对装置的检测精度和模型在2台装置（主机、从机）间的传递效果进行了探讨。在实验室和果园环境下,分别获取了苹果、大桃样本在600～950 nm范围的可见-近红外光谱。对实验室条件下采集的主机校正集光谱进行分析,经过平滑、最大值归一化、二阶导数等预处理后,利用偏最小二乘算法分别建立了苹果、大桃的糖度检测模型。模型导入主机装置后,对预测集样本进行检验。对苹果、大桃的预测集相关系数和预测均方根误差分别为0.925,0.587%和0.821,0.613%。采用分段直接校正和基于典型相关分析算法的模型传递方法将模型由主机传递到从机。对比后发现,基于典型相关分析算法取得了更好的模型传递结果。从机对苹果、大桃糖度的预测集相关系数和预测均方根误差分别为0.883,0.641%和0.805,0.626%。将实验室条件下建立的模型用于树上采集到的水果光谱数据分析,得到预测集相关系数和预测均方根误差分别为0.866,0.741%和0.816,0.627%。整体检测结果表明,该装置可以满足对苹果、大桃糖度的有效检测,借助模型传递算法,实现了模型在不同装置间的共享和有效传递,且实验室环境下采集的数据建立的模型可以用于树上水果糖度的有效检测,该装置具有较大的经济价值和应用前景。     

基于小波变换的水果糖度近红外光谱检测研究

利用小波变换滤波技术对90个水果样品的近红外光谱信号进行了去噪处理,并结合滤波后重构光谱信号对水果糖度进行逐步线性回归(SMLR)建立其校正模型,通过34个样品的外部检验对校正模型精度进行评价。研究结果表明: 校正模型的预测精度在小波尺度为3时其预测精度最好,预测集的决定系数由原来的0.84提高到0.85, 预测集相对标准误差由原来的6.1% 降为6.0%。因此,使用小波去噪方法有消除原始光谱噪声作用,从而使最终的SMLR模型更具有代表性和稳健性,也提高了品质检测时模型预测精度。     

基于深度信念网络的多品种玉米单倍体定性鉴别方法研究

单倍体育种技术是玉米育种新方法,该方法可有效缩短产生纯合系的周期,提高育种效率。该技术需首先挑选足量单倍体籽粒,而玉米在未加人工干预时,单倍体在混合籽粒中仅占0.05%～0.1%,即使采用生物诱导技术,单倍体籽粒数一般也不到籽粒总数的10%。高速、精准地从大量混合籽粒中挑选得到占比少于10%的单倍体籽粒,才能够满足工程化育种需要,而实际育种工作中挑选单倍体时常用的分子生物学、田间形态学辨别等方法存在耗时长、成本高、破坏样本等缺点,难以高效精准地得到玉米单倍体籽粒。相关研究已经证明高油玉米的单倍体与二倍体之间具有明显含油率差异,目前低场核磁共振技术可用于检测玉米单籽粒的含油率,并根据含油率对单倍体进行鉴别,但核磁共振仪存在价格贵、维护难、速度慢、效率低等弱点,现有设备完成单籽粒分选需用时4 s,无法满足工程化育种中大量筛选的速度需求。使用VIAVI微型近红外光谱仪能够达到0.25 s每颗的检测速度,相比核磁共振技术速度快,仪器价格较低,维护方便。使用近红外光谱仪分析技术对单倍体与二倍体籽粒进行鉴别,可以取代核磁共振鉴别单倍体的方法。采用近红外光谱定性鉴别单倍体籽粒虽然取得了一定效果,但目前研究中所采集玉米品种相对较少,研究只针对某一品种单倍体建立模型,对该品种单倍体进行分类;国内外尚无多品种混合单倍体鉴别相关研究,而工程化育种亟需一种能够识别多个品种玉米单倍体的鉴别方法。为此,本文提出一种基于深度信念网络的多品种混合玉米籽粒单倍体鉴别方法,DBN是一种多层深度神经网络,每层由受限玻尔兹曼机构成,采用逐层训练策略,可解决传统神经网络训练方法不适用于多层网络训练的问题。对比实验结果表明使用DBN方法建立多品种单倍体鉴别模型具有较高分类性能,能够满足玉米工程化育种精度要求。     

基于可见/近红外透射光谱技术的红提糖度和含水率无损检测

本文研究基于可见/近红外透射光谱技术的红提糖度和含水率的无损检测方法.采集360个红提样本,并分别利用标准正态变量变换(Standard Normal Variable transformation,SNV)、SavitZky-Golay卷积平滑处理法(SavitZky-Golay,S_G)等光谱预处理方法处理后的数据...     

基于MC-UVE、GA算法及因子分析对葡萄酒酒精度近红外定量模型的优化研究

对葡萄酒酒精度偏最小二乘（Partial least squares,PLS）回归模型进行优化研究。使用近红外光谱仪采集葡萄酒样本的光谱数据,用于建立酒精度定量模型,实现在线快速检测。通过蒙特卡罗无信息变量消除（Monte Carlo uninformative variable elimination,MC-UVE）和遗传算法（Genetic algorithm,GA）进行变量选择,基于被选择的变量分别进行PLS和因子分析（Factor analysis,FA）,建立回归模型。结果表明,MC-UVE-GA-FAR模型预测集相关系数（R²）为0.946,预测均方根误差（Root mean square error of prediction,RMSEP）为0.215,效果优于MC-UVE-GA-PLS模型。与基于全范围光谱所建PLS回归模型相比,模型效果有所提升,而且模型所选变量个数仅为6,极大地简化了模型。MC-UVE和GA算法与FA分析结合可以实现模型的优化。     

基于感官品尝的柑橘糖度近红外光谱模型的简化

为评判近红外光谱技术对柑橘糖度的无损检测结果能否满足消费者感官需求并在此基础上利用变量筛选方法简化近红外光谱柑橘糖度模型。设计了近红外光谱采集与感官品尝试验。单因素方差分析感官品尝结果表明,消费者对柑橘糖度的适应度存在个体差异,但不受性别影响;剔除异常样本组并计算柑橘糖度最低感官品尝的均方根偏差(RMSED)为0.633。为使近红外光谱检测结果满足消费者需求,要求光谱模型的预测均方根误差(RMSEP)小于RMSED,并结合光谱预处理与变量筛选方法,得到SPA-MLR模型性能最佳,预测相关系数(Rp)为0.86、RMSEP为0.567,耗时仅6.8ms,其结果既可满足消费者的感官需求,也使模型得到简化,为今后在线检测提供依据。     

小西瓜糖度表征与漫反射近红外检测方法的研究

研究小西瓜内部糖度分布规律的基础上提出了采用平均糖度、最高糖度和最低糖度表征小西瓜糖度的新方法。并采用便携式漫反射近红外分析仪,建立了快速测定小西瓜平均糖度,最高糖度和最低糖度近红外检测方法。最后将近红外检测方法与参考方法精度作了对比,结果表明漫反射近红外测量小西瓜糖度具有可行性。     

基于高光谱图像信息融合的红提糖度无损检测

红提糖度是重要的内部品质衡量指标,传统的检测方法均为破坏性生化检测,本文基于高光谱成像技术,提出了一种基于高光谱信息融合的红提糖度含量无损检测方法。采集并提取260个红提样本的光谱信息和图像信息,对光谱信息分别利用SNV、S-G等光谱预处理方法建立PLSR模型,确定最好的光谱预处理方法,分别采用一次降维(GA、CARS、IRIV)算法和组合降维算法(CARS-SPA、IRIV-SPA、GA-SPA)共六种降维方法对光谱信息进行特征变量提取;获取灰度共生矩阵的图像纹理信息,结合图像的颜色信息(R、G、B、H、S、V、L、a、b),组成19个图像特征参数,采用PCA算法对图像信息进行降维,分别建立基于降维处理后的光谱信息、图像信息以及两者融合的红提糖度线性预测模型PLSR、非线性预测模型LSSVM,并对比分析模型的优劣。结果表明,若只利用光谱信息建模,IRIV-SPA可有效地提取红提糖度光谱信息的特征波长,提高模型的预测性能;若只利用图像信息进行建模,模型的预测性能不好,PCA降维有效地提高了模型的预测性能,但提高的性能有限;将IRIV-SPA特征波段提取后的光谱和经PCA降维后的图像信息进行融合,分别建立PLSR和LSSVM模型,红提糖度的最优PLSR模型的校正集和预测集相关系数分别为0.943,0.941;红提糖度的最优LSSVM模型的校正集和预测集相关系数分别为0.954,0.952。LSSVM所建模型的效果好于PLSR所建模型,但模型的运算时间较长。两种模型的精度均比单方面基于光谱或图像信息的模型都有较大的提高,表明融合高光谱图像的光谱与图像信息不仅可以提高模型的运算速度、简化模型,同时有效地提高了红提糖度预测性能,为红提糖度的检测找到了一种新的方法。     

基于近红外光谱的SG-MSC-MC-UVE-PLS算法在全血血红蛋白浓度检测中的应用

为提高全血血红蛋白浓度预测模型的预测精度,基于近红外光谱分析,首先对原始全血透射光谱数据分别进行均值中心化、标准化、标准正态变量变换(SNV)、多元散射校正(MSC)以及Savitzky-Golay（SG）卷积平滑结合MSC的预处理操作,最终选择预处理效果最好的SG-MSC方法作为数据预处理方法,其最大相关系数达到0.944 1。对SG平滑的平滑窗口宽度进行讨论,找出平滑效果最好的窗口宽度为27。数据预处理消除了全血吸收光谱的基线失真,提高了全血吸收光谱数据的信噪比。将190个样本（190个血红蛋白浓度对应的透射光谱数据）分为具有相近血红蛋白浓度分布的校正集和测试集,其中校正集为143个样本（对应血红蛋白浓度分布为10.6～17.3 g·dL-1）,测试集为47个样本（对应血红蛋白浓度分布为10.3～17.3 g·dL-1）,确保建立模型的适用性。对校正集数据预处理后利用蒙特卡洛无信息变量消除（MC-UVE）方法对其进行波长变量选择,剔除含信息量少的波长点,提高含信息量多的波长占比。设置蒙特卡洛迭代次数为1 000,最终从全血吸收光谱的700个波长变量中筛选出191个波长变量用于建立全血血红蛋白浓度偏最小二乘（PLS）回归模型。对比分析原始全血透射光谱全谱PLS模型、原始全血吸收光谱全谱PLS模型、预处理全血吸收光谱全谱PLS模型、SG-MSC-MC-UVE-PLS模型以及已有二阶导数PLS模型的模型效果,表明基于SG-MSC-MC-UVE-PLS算法的全血血红蛋白浓度预测模型效果较其他模型效果更优,预测相关系数由0.676 3提高到0.979 1,预测集均方根误差由0.898 1减小到0.220 3,最大绝对误差由2.426 1减小到0.411 2。同时,利用MC-UVE方法进行波长变量选择,在保证预测精度的前提下,筛选出建模的波长个数更少,有利于提高模型计算效率。研究结果表明,SG-MSC-MC-UVE-PLS方法能够提高全血吸收光谱信号的信噪比,简化模型结构,提高模型的预测精度和计算效率,对推动血红蛋白浓度检测技术的发展具有进步意义。     

基于深度学习的故障检测方法

针对传统故障诊断方法中特征提取技术难度大、故障样本获取困难等问题,在深度学习计算框架下提出了一种半监督训练的故障检测方法,利用深度信念网络中的受限波茨曼机堆栈结构实现了数据高层特征的自动提取,结合支持向量数据描述方法实现了异常数据检测,只需利用正常工况的数据样本进行网络训练和模型拟合,无需故障样本数据,也无需人工干预进行信号特征提取,即能实现对故障数据进行的实时检测和判别。经采用标准轴承实验数据的三组故障数据进行验证,故障识别率达到100%,具有很强的工程应用价值。     

不同种皮颜色花生糖含量近红外模型的构建

花生籽仁中的糖含量是影响食味品质的重要指标,建立快速测定糖含量的方法可有效提高食用型花生的检测效率。样品外观颜色是影响近红外分析的重要因素之一,按样品外观颜色分类定标(校正)更有利于提高模型的预测性能。研究选择不同糖含量的花生种质332个,采用色差仪将花生种质按种皮颜色分成黑紫色、红色和粉色三大类。采用3,5-二硝基水杨酸法、蒽酮乙酸乙酯法、蔗糖酶法分别测定籽粒中的总糖、可溶性糖及蔗糖含量。总糖含量分别在6.42%～39.53%(黑紫色籽粒)、 9.66%～39.71%(红色籽粒)和8.52%～38.84%(粉色籽粒)之间;可溶性糖含量分别在2.4%～14.32%(黑紫色籽粒)、 2.94%～13.75%(红色籽粒)和2.19%～14.53%(粉色籽粒)之间;蔗糖含量分别在0.92%～7.53%(黑紫色籽粒)、 1.05%～7.23%(红色籽粒)和0.95%～7.99%(粉色籽粒)之间,变异系数均在33%以上。采用瑞典波通DA7250型近红外分析仪(950～1 650 nm)采集籽粒的近红外光谱值,选用基于全波段的偏最小二乘回归法(PLSR),通过对比单一和复合预处理方法,对比模型的相...     

基于卡尔曼滤波的近红外光谱特征波长变量优选方法

将经典的卡尔曼滤波器与近红外光谱分析技术相结合,提出了一种新的特征波长变量选择方法——卡尔曼滤波法。分析了卡尔曼滤波器用于波长优选的原理,设计了波长选择算法并将其应用到大豆油脂酸价的近红外光谱检测中。首先利用偏最小二乘法(PLS)对油脂不同吸收波段建模,初步筛选出4 472～5 000 cm-1油脂酸价特征波段共132个波长点,然后进一步利用卡尔曼滤波器进行特征波长选择,从中优选出22个特征波长变量建立PLS校正模型,预测集决定系数R2、预测误差均方根RMSEP分别为0.970 8和0.125 4,与利用132个波长点建立的校正模型预测结果相当,而波长变量数减少到原来的16.67%。该波长变量选择算法是一种确定性的迭代过程,无复杂的参数设置和变量选择的随机性,物理意义明确。优选出少数对模型影响较大的特征波长变量以代替全谱建模,在简化模型的同时提高了模型的稳健性,为开发专用油脂近红外光谱分析仪器提供了重要参考依据。     

基于波段注意力卷积网络的近红外奶粉皮革水解蛋白掺假检测

近年来,深度学习技术在近红外光谱、拉曼光谱、荧光光谱等的光谱学数据建模上取得一系列突破。由于深度学习方法对于样本数量的需求高,而在分析化学领域获得大量有标签样本较为困难,因此过拟合问题一直是深度神经网络在化学计量学中应用时研究者高度关注的问题。该工作提出基于波段注意力卷积网络(WA-CNN)的近红外数据建模方法,并应用于婴儿配方奶粉皮革水解蛋白(HLP)掺假定量分析。WA-CNN在传统卷积网络的基础上加入波段注意力模块,该模块采用卷积操作自训练波段注意力权值,并以乘法加权形式对有效波段进行激活,从而有效缓解深度神经网络在近红外数据建模中的波段信息冗余问题,达到抑制过拟合,提升预测精度的目的。研究中共测试100个皮革水解蛋白掺假婴儿配方奶粉样本的近红外光谱数据,其中皮革水解蛋白的掺假比例范围是0%～20%。采用60%的样本训练,剩余40%样本测试,随机采样10次,通过测试集均方根误差(RMSEP)、决定系数(R²)以及相对分析误差(RPD)的均值来进行模型评价。并建立偏最小二乘回归(PLS)、支持向量机回归(SVR)和常规的一维卷积神经网络(CNN)三种传统模型用于...     

面向近红外光谱定量分析的深度学习建模与模型迁移

近红外光谱分析技术依赖于表征光谱向量和预测目标之间关系的化学计量学方法。然而，样品的光谱由信号和各种噪声组成，传统化学计量学方法较难直接提取光谱的有效特征，并为复杂的预测任务建立具有较强泛用性的校正模型。进一步地，受限于仪器间的差异，在一台仪器上建立的模型应用于另一台仪器时，难以取得相同的定量分析结果。为此，提出了一种基于卷积神经网络和迁移学习的定量分析建模及模型传递方案，以提高模型在单仪器和跨仪器上的预测性能。在卷积神经网络的基础上，一种结合多尺度特征融合和残差结构，名为MSRCNN的先进模型被设计，并在主仪器上展现了卓越的预测能力。然后，设计了四种的基于fine-tune模型迁移策略，将在主仪器上建立的MSRCNN模型迁移到从仪器。在药品和小麦的公开数据集上的实验结果表明，MSRCNN在主仪器上的RMSE和R2分别为2.587，0.981和0.309，0.977，优于PLS，SVM和CNN。在利用30个从仪器的样本微调主仪器建立的模型后，迁移MSRCNN中的卷积层和全连接层的方案取得了最好效果，其RMSE和R2可分别达到2.289，0.982和0.379，0.965。增加参与模型微调的从仪器样本，可进一步提高性能。     

激光诱导击穿光谱联合UVE变量优选检测大豆油中的铬含量

利用激光诱导击穿光谱(LIBS)技术对大豆油中的重金属Cr进行检测研究。以松木木片对重金属Cr进行富集,采用AvaSpec双通道高精度光谱仪在206.28~481.77 nm波段范围内采集松木木片样本的LIBS光谱,利用无信息变量消除(UVE)方法筛选与重金属Cr相关的波长变量,应用偏最小二乘(PLS)回归建立大豆油中重金属Cr的定标模型,并与单变量及全波段PLS定标模型进行比较。结果表明,相比单变量及全波段PLS定标模型,UVE-PLS定标模型的性能更优,其相关系数、校正均方根误差、交互验证均方根误差及预测均方根误差分别为0.990,0.045,0.050及0.054 mg·g-1。经UVE变量筛选后,UVE-PLS定标模型所用的波长变量数仅为全波段PLS的2%。由此可见,UVE是一种有效的波长变量筛选方法,能有效筛选出与重金属Cr相关的波长变量。     

苹果酒发酵过程中糖度近红外光谱检测模型的建立

在苹果酒发酵过程中,由于糖度变化幅度很大且酒体基质始终处于动态变化之中,文章采用分阶段处理结合人工神经网络法对不同发酵阶段的糖度检测、监测近红外光谱模型的建立进行了探讨。不同建模方法的比较结果表明采用减去一条直线法预处理光谱,阶段I建模光谱范围选择7 502～6 472.1 cm-1,阶段Ⅱ建模光谱范围选择6 102～5 446.2 cm-1时,阶段I模型的R2为98.93%,RMSECV为4.42 g·L-1;阶段Ⅱ模型的R2为99.34%,RMSECV为1.21 g·L-1;进一步对模型进行验证和评价,结果表明阶段I模型验证集的RMSEP为4.07 g·L-1;阶段Ⅱ模型验证集的RMSEP为1.13 g·L-1。本研究结果表明利用近红外光谱法建立的模型具有良好的预测效果, 能满足苹果酒工业生产中检测、监测精度要求。