基于高光谱成像技术的不同产地小米判别分析

高光谱成像技术被广泛应用于农产品的检测。基于高光谱成像技术结合机器学习算法无损鉴别不同地区的小米样本。将来源7个省份共计23份样品的小米样本根据地理区域划分为东北地区、河北、陕西、山东和山西共5大类，其中东北地区共6份样品，山西地区5份样品，河北、陕西和山东各4份样品。将每份样品均分为10等份并利用高光谱成像仪采集900～1 700 nm波段内小米的高光谱数据。为了减少光照不均匀和暗电流对实验的影响，对采集到的高光谱数据进行黑白校正。利用ENVI软件选取小米高光谱图像的感兴趣区域(ROI)，每份小米样品选取9个ROI。计算ROI内的平均光谱值，以此平均值作为该样本的一条光谱记录，最后共收集到2 070条光谱曲线，其中东北类540条，山西类450条，其他河北类、山东类、陕西类各360条。为了减少样品表面的不平整性引起的散射现象，进而影响小米的真实光谱信息，对收集到的原始光谱进行多元散射校正预处理(MSC)。采用随机划分法对校正过后的光谱数据划分训练集和测试集，测试集占的比例为0.3。利用线性判别分析(LDA)对不同产地小米的光谱数据进行可视化分析，将测试集代入训练好的LDA模型，做出预测结果的混淆矩阵(Confusion Matrix)，结果表明LDA对于陕西和山西类的预测准确率为0.84和0.99，对于东北、河北和山东的预测准确率仅为0.68，0.68和0.40。进而采用递归特征消除(RFE)对小米的光谱信息进行特征选择，去除冗余的信息，提高模型的预测准确率。将RFE分别与支持向量机(SVM)和逻辑回归(LR)结合，对不同产地小米的判别进行对比分析。将小米光谱数据的训练集分别代入SVM-RFE和LR-RFE模型并结合3折交叉验证技术，以模型F值的微平均(Micro-averaging)最优选择出相应的特征子集。结果表明，LR-RFE选择的波长数为74个，其模型的Micro_F为0.59；SVM-RFE选择的波长数为220，其模型的Micro_F为0.66。将选择后的特征子集应用到测试集并将测试集分别代入SVM和LR模型，采用模型预测结果的混淆矩阵和模型的受试者工作特征曲线(ROC)作为评价方法。结果表明SVM-RFE对东北地区、河北、陕西、山东和山西的预测准确率分别为1，0.37，0.72，0和1，其ROC曲线下面积(AUC)分别为0.82，0.92，0.93，0.70和0.99。LR-RFE的预测准确率分别为0.92，0，0.97，0和0.80，其AUC分别为0.72，0.74，0.94，0.66和0.88。从预测结果可以看出SVM-RFE模型的综合分类性能优于LR-RFE，而对陕西类的判别LR-RFE要优于SVM-RFE，对于河北类和山东类两个模型都不能有效判别。这两个模型的预测准确率相比LDA有了一定的提升。     

红外光谱图像技术及其在生物学研究中的应用

文章介绍了红外光谱图像技术;介绍了用焦平面阵列检测器、步进扫描傅里叶变换光谱仪、红外显微镜、分束器构成的红外光谱图像硬件系统及信息提取的软件方法;给出了用红外光谱图像分析猴脑组织中蛋白质和磷左异、残留在人胸部组织中的硅酮、水稻叶片等３个在生物学研究中的应用实例;指出了经外光谱图像技术进一步的发展方向是采用同步辐射作为光源、依靠数学算法提高分辨率和发展空间化学计量学来提取空间信息。     

用MSC-ANN方法建立冬小麦叶片叶绿素与反射光谱的定量分析模型研究

采用多元散射校正(MSC)预处理方法对冬小麦叶片反射光谱进行预处理,有效地减小物理因素对光谱的影响,之后用非线性迭代偏最小二乘法(NIPALS)提取经MSC处理后的反射光谱的主成分,主成分个数由交叉证实法(Cross Validation)确定,将提取的主成分作为人工神经网络(ANN)的输入,建立人工神经网络分析模型(MSC-ANN),用冬小麦叶片的反射光谱来预测冬小麦叶片叶绿素含量。校准集的化学值与预测值的相关系数r达到0.960 4,预测标准偏差SD为0.187,相对标准偏差RSD为5.18%。检验集的化学值与预测值的相关系数r达到0.960 0,预测标准偏差SD为0.145,相对标准偏差RSD为4.21%。结果表明,MSC-ANN方法能在较大程度上消除了野外物理因素的影响,使用具有代表性的光谱数据点建立模型,能够建立准确的冬小麦叶绿素含量预测模型,可代替经典分析方法,满足冬小麦叶片叶绿素快速分析的需要。     

短波近红外光谱法同时定量分析水溶液中葡萄糖、果糖和蔗糖

用通用紫外-可见分光光度计的短波近红外光谱区域(800～1 100 nm),测量了葡萄糖、果糖和蔗糖混合水溶液的近红外光谱,并用偏最小二乘方法建立了同时定量分析水溶液中葡萄糖、果糖和蔗糖的模型。用正交设计法配制了25个校正集样品和9个预测集样品,通过对校正集样品的建模和对预测集样品的检验,结果良好。对浓度范围分别在12.23～61.14 mg·mL-1,12.50～62.50 mg·mL-1,12.09～60.44 mg·mL-1的葡萄糖、果糖和蔗糖水溶液,校正集的相对标准偏差分别为1.43%,4.51%和1.59%,预测集的相对标准偏差分别为3.40%,3.73%和2.80%。该方法对同时定量分析多组分体系,具有简便、快速价廉、易于推广应用等优点。     

蚁群算法在近红外光谱定量分析中的应用研究

蚁群算法是新近发展的基于群体智能的仿生优化算法,它模拟蚂蚁的觅食行为来解决复杂的组合优化问题。蚁群算法的优点是智能搜索、全局优化、鲁棒性、分布式计算和容易与其他算法相结合等。近红外光谱定量分析技术在很多领域得到广泛的应用,而其关键技术环节之一是建立近红外光谱测量数据的多元校正模型。文章将蚁群算法应用于近红外光谱定量分析中,建立了谷物样品的傅里叶变换近红外漫反射光谱和谷物中蛋白质含量的定量分析模型,得到了较好的结果。校准集的相关系数与相对标准偏差分别为0.943和3.41％,预测集的相关系数与相对标准偏差分别为0.913和4.67%。     

基于Vis-NIR光谱的柑橘叶片黄龙病检测及其光谱特性研究

黄龙病作为柑橘类水果最具毁灭性的疾病之一,目前尚无有效的治愈手段,因此疾病预防成为已知的唯一有效方法。基于四种柑橘叶片(健康叶片、黄龙病叶片、铁缺乏叶片及氮缺乏叶片)VIS-NIR的反射光谱详细讨论了黄龙病的辨别方法以及在判别模型中光谱特征值的提取方法。在两类判别分析的特征值提取方法中,判别值(discriminability)运算的引入,为特征值提取提供了一个可靠依据,判别值越大表明光谱差异性越大。以被选特征值建立的Fisher线性判别分析模型,黄龙病与健康、铁缺乏、氮缺乏叶片的分类判别预测准确率分别都超过了90%,分类效果符合预期。最后,又讨论了分类树(classificationTree)在多类判别中的应用。通过对柑橘叶片原始反射谱,一阶导数谱及被选特征值分别建立分类模型,四种柑橘叶片平均预测准确度都超过88%,尤其是基于特征值的分类结果更是超过94%,验证了在多类判别中检测柑橘黄龙病的可行性及特征值提取的重要性。结合传统分类方法(k-NN, Bayesian)的结果分析,特征值作为输入变量的分类结果明显要优于原始光谱,证实了特征值选取的正确性,并为将来基于光谱特征值开发多光谱成像技术检测黄龙病打下坚实的基础。     

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。     

红外光谱图像技术及其在生物学研究中的应用

文章介绍了红外光谱图像技术;介绍了用焦平面阵列检测器、步进扫描傅里叶变换光谱仪、红外显微镜、分束器构成的红外光谱图像硬件系统及信息提取的软件方法;给出了用红外光谱图像分析猴脑组织中蛋白质和磷脂差异、残留在人胸部组织中的硅酮、水稻叶片等３个在生物学研究中的应用实例;指出了红外光谱图像技术进一步的发展方向是采用同步辐射作为光源、依靠数学算法提高分辨率和发展空间化学计量学来提取空间信息     

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。