基于VIS/NIR高光谱技术的灵武长枣SSC含量的无损检测研究

利用高光谱技术对灵武长枣可溶性固形物含量(SSC)检测进行研究,为灵武长枣内部品质无损检测提供科学方法。以灵武长枣为对象,对光谱数据进行预处理,应用连续投影算法(SPA)和正自适应加权算法(CARS)进行关键波长的选择,通过偏最小二乘回归(PLSR)和主成分回归(PCR)建立预测模型。实验结果表明:采用去趋势(Detrend)预处理算法效果最优,PLSR模型的交叉验证相关系数(Rcv)为0.809,交叉验证均方根误差(RMSECV)为1.331;通过SPA算法和CARS算法能够有效地对光谱数据进行降维处理,对SPA优选的8个和CARS优选的21个特征变量分别用PLSR和PCR建立预测模型,CARS-PLSR建模效果最优,其相关系数(Rp)为0.864,预测均方根误差(RMSEP)为1.174;研究结果表明基于高光谱成像技术采集的灵武长枣漫反射光谱进行SSC无损检测具有可行性。     

高光谱成像技术对灵武长枣果皮强度的无损检测

利用高光谱技术对灵武长枣果皮强度检测进行研究,为灵武长枣外部品质无损检测提供科学方法。采集120个灵武长枣的400~1000 nm的高光谱图像,对光谱数据进行预处理;应用连续投影算法(SPA)、正自适应加权算法(CARS)和无信息变量消除法(UVE)对原始光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)果皮强度预测模型。结果表明:采用标准正态变换(SNV)预处理算法效果最优,其PLSR模型的交叉验证相关系数(Rcv)为0.8207,交叉验证均方根误差(RMSECV)为9.9630;利用SPA、CARS和UVE法从全光谱的125个波长中分别选取出29个、31个和31个特征波长;而基于全光谱建立的LS-SVM模型效果最优,其预测相关系数(Rp)为0.9555,预测均方根误差(RMSEP)为3.8282;研究结果表明基于高光谱成像技术采集的灵武长枣漫反射光谱进行果皮强度无损检测具有可行性。     

灵武长枣蔗糖含量的高光谱无损检测

利用高效液相色谱法检测蔗糖含量,同时运用高光谱成像技术结合化学计量方法建立蔗糖预测模型;通过竞争性自适应加权（competitive adaptive reweighted sampling,CARS）算法、连续投影算法（successive projection algorithm,SPA）和无信息消除变量（uninformative variable elimination,UVE）降维处理,建立特征波段和全波段的主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）和多元线性回归（multivariable linear regression,MLR）模型。结果表明,采用蒙特卡洛方法剔除异常样本后,相关系数由0.611增大到0.846;正交信号校正法预处理效果最佳,RC和RP分别为0.853和0.794;利用SPA、UVE、CARS、CARS＋SPA和CARS＋UVE五种方法提取了5、21、17、10、18 个特征变量,其中CARS-PCR模型最好,校正集、预测集的相关系数为0.861、0.843,校正集、预测集的均方根误差为0.013 mg/g和0.014 mg/g。综上,高光谱成像技术可以实现长枣蔗糖含量的预测,为更深一步探讨枣的内部品质提供参考。     

基于介电频谱灵武长枣维生素C含量预测方法的研究

为探究基于介电频谱预测灵武长枣维生素C含量的可行性,寻找最佳预测模型,利用LCR测试仪测试1kHz～1 MHz条件下采后10 d内长枣介电谱变化规律;以CARS法、GA法、SPA法、UVE法筛选特征频率点并建立PLS、LSSVM长枣VC含量预测模型。结果表明,UVE算法为最佳频谱筛选方法,筛选特征频率点38个;UVE-PLS为最佳预测模型,其Rc、RMSEC、Rp、RMSEP值分别为0.9871、3.9322、0.9460、4.0400,验证模型预测值与实测值无显著差异(P0.05),说明基于介电频谱预测灵武长枣VC含量的方法是可行的。     

枣醋发酵液中pH值与总酸含量的高光谱图像技术定量分析

利用高光谱图像技术（HS-IT）对灵武枣醋发酵过程中pH值和总酸含量进行定量分析,并通过偏最小二乘法（PLS）建立定量分析模型,同时采用竞争性自适应加权算法（CARS）和遗传算法（GA）对整个谱区进行特征波长筛选。以决定系数（R2）、预测均方根偏差（RMSEP）、相对分析误差（RPD）以及最佳主因子数作为模型质量的评价参数,其中使用CARS进行的波长筛选法对模型的优化效果最佳,pH值和总酸含量的R2分别达到0.928 4和0.935 1,RMSEP分别为0.122 6和0.301 5,RPD分别为3.75和3.91。结果表明,CARS-PLS法可提高枣醋发酵液中pH值与总酸含量预测模型的准确度和稳定性。     

基于近红外光谱技术检测苹果气调贮藏期可溶性固形物含量

目的 基于近红外光谱技术结合偏最小二乘（Partial least square, PLS）法和最小二乘支持向量机回归（Least square-support vector regression, LS-SVR）法建立苹果气调贮藏期可溶性固形物（Soluble solids contents, SSC）含量预测模型。方法 在分析了气调贮藏期苹果细胞结构和SSC变化的基础上,采集了可见-近红外（Visible-near infrared, Vis-NIR）波段和长波近红外（Long wave near infrared, LWIR）波段下不同贮藏时间的苹果漫反射光谱信息,利用主成分分析方法（Principal component analysis,PCA）分析不同贮藏期苹果光谱信息分布特征,使用Kennard-Stone（K-S）算法以3:1比例对样本集进行划分,使用多元散射校正（Multiplicative scatter correction, MSC）和SG（Savitzky-Golay）平滑对光谱进行预处理,利用连续投影算法（Successive projections algorithm, SPA）和竞争自适应重加权采样（Competitive adaptive reweighted sampling, CARS）法对光谱进行特征波长提取,并建立SSC预测模型。结果 在LWIR波段下,经MSC预处理和CARS提取特征波长后建立的PLS模型取得了较好的预测精度,模型相关系数为0.900,均方根误差为0.478;经MSC、SG平滑预处理和CARS提取特征波长后建立的LS-SVR模型取得了更好的预测精度,模型相关系数为0.927,均方根误差为0.507。结论 构建的基于可见/近红外光谱无损预测模型可实现对气调贮藏期苹果SSC的准确预测,为高效贮藏技术提供了理论基础。     

光谱预处理结合模拟退火算法的小麦粉面筋含量检测

为得到可靠的小麦粉中面筋含量定量分析模型,基于光谱预处理及模拟退火算法（simulated annealing algorithm,SAA）对近红外光谱（near infrared spectroscopy,NIR）进行优化处理。偏最小二乘（partial least squares,PLS）回归用于建立预测模型,以决定系数R2、校正均方根误差（root mean square error of calibration,RMSEC）、预测均方根误差（root mean square error of prediction,RMSEP）为指标,对比在不同光谱预处理条件下建立的回归模型与光谱预处理结合模拟退火算法优化处理条件下的回归模型。结果表明光谱预处理结合SAA-PLS模型能够有效提高模型的稳定性和预测能力,将R2从0.763?7提高到0.949?1、RMSEC从1.371?2降低到0.589?8、RMSEP从1.450?2降低到0.534?1。结果说明,光谱预处理结合模拟退火算法对光谱进行优化处理是可行的,模型预测能力和稳定性均优于未处理模型和仅进行光谱预处理的模型。     

基于高光谱技术检测小麦粉灰分含量

目的 基于高光谱技术实现对小麦粉灰分含量的准确检测。方法 利用高光谱成像技术采集小麦粉的光谱数据，建立基于偏最小二乘(partial least squares regression, PLSR)和深度极限学习机(deep extreme learning machines, DELM)的小麦粉灰分含量预测模型；通过分析3种预处理算法和4种波长选择算法，分别选出最佳的预处理与波长选择方法，最后构建基于特征波段光谱信息的预测模型，并对结果进行比较。结果 标准正态变量校正(standard normal variable, SNV)为最佳预处理方法；连续投影算法(successive projections algorithm, SPA)相较于随机森林（random forest, RF）、无信息变量消除(uninformative variable elimination, UVE)和遗传算法(genetic algorithm, GA)选择特征波长的模型更优；DELM模型更适用于灰分含量的检测，最优模型的测试集决定系数Rp2达0.968，均方根误差(root mean square error, RMSEP)达0.024。结论 高光谱成像技术可以快速、精准的无损检测小麦粉灰分含量，该技术可为在线检测小麦粉品质系统的开发提供理论依据。     

基于光谱预处理结合遗传算法优化波长的面粉水分快速检测

基于光谱预处理及遗传算法(genetic algorithm,GA)法优化波长,再结合偏最小二乘(partial least squares,PLS)法建立面粉中水分的定量分析模型,对比在不同预处理方法下相关系数R~2、校正标准差(root mean square error of calibration,RMSEC)、预测标准偏差(root mean square error of prediction,RMSEP)3个指标,随机选择130份样本建立预处理+GA+PLS定量分析模型,实验结果为R~2从0.955 2提高到0.977 7、RMSEC从0.375 8降低到0.245 3、RMSEP从0.268降低到0.264。结果表明基于光谱预处理结合GA优化波长来定量分析面粉中水分含量是可行的,且准确性和误差度皆优于无优化模型。     

基于模拟退火算法优化波长的面粉品质检测

模拟退火算法（simulated annealing algorithm,SAA）是一种随机搜索、全局优化算法,为提高近红外光谱检测面粉品质模型的准确度与稳健性,实验提出基于SAA优化波长,再结合偏最小二乘（partial least squares,PLS）法建模预测的定量模型,并对SAA中冷却进度表参数设置进行对比分析。实验依据面粉中灰分含量梯度,随机选取126 份样本的近红外光谱建立SAA-PLS模型。结果发现,SAA从2 074 个波数优选出70 个波数,结合PLS建立的定量模型相关系数为0.976 0,交互验证均方根误差（root mean square error of cross validation,RMSECV）为0.022,预测均方根误差（root mean square error of prediction,RMSEP）为0.030 1,全谱建立的PLS模型相关系数为0.778 5,RMSECV为0.066 6,RMSEP为0.076 8。结果表明,基于SAA优化特征谱区,建立灰分定量模型是可行的,且准确度与稳健性明显优于全谱定量分析模型。     

基于高光谱技术及SPXY和SPA的玉米毒素检测模型建立

应用高光谱技术研究和构建霉变玉米黄曲霉毒素B1（aflatoxin B1,AFB1）和玉米赤霉烯酮（zearalenone,ZEN）含量的检测方法,通过建立霉变玉米中这2?种毒素含量的预测模型,实现对玉米霉变程度的快速、无损、准确判别。首先,通过对比5?种预处理方法,确定标准正态变量校正法对原始光谱数据进行预处理;然后,采用光谱-理化值共生距离算法结合偏最小二乘回归（partial least squares regression,PLSR）法分析不同校正集样本预测AFB1和ZEN含量的差异,并分别优选出130?个和140?个校正集样本;在采用均匀光谱间隔法对原始光谱变量进行初降维的基础上,对比连续投影算法（successive projections algorithm,SPA）和竞争性自适应重加权算法2?种变量提取法。结果表明：经SPA分别筛选出17?个特征波段且基于较少校正集样本和特征波长光谱信息建立的PLSR模型能够获得较优的预测结果,对应AFB1和ZEN含量预测集的相关系数和均方根误差（root mean square error of prediction,RMSEP）（R2pre,RMSEP）由最初的（0.994?4,0.984?6）和（0.991?6,2.320?9）分别变为（0.997?3,0.681?5）和（0.997?7,1.144?1）,在降低模型复杂度的情况下提高了预测精度,表明该模型对这2?种毒素含量能够实现较强的预测能力。因此,利用高光谱技术对玉米AFB1和ZEN含量实施无损检测具有可行性。     

基于可见-近红外光谱法无损检测赣南脐橙中总酸含量

目的 基于可见-近红外光谱法建立一种无损测定赣南脐橙总酸含量的技术。方法 利用设计的可见-近红外光谱检测系统检测168个赣南脐橙总酸含量。以给定赣南脐橙的126个样品作为校正集, 42个未知样品作为预测集。本研究以去除首尾处噪声后的400~880 nm范围的光谱波段, 共481个波长点进行研究分析。结合SG (Savitzky-Golay)平滑法、多元散射校正法、变量标准化法、基线校正法4种预处理方法处理原始光谱数据, 通过PLSR数学模型确定最佳预处理模型; 再利用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)、随机蛙跳算法(random frog, RF)、遗传算法(genetic algorithm, GA)、连续投影算法(successive projections algorithm, SPA)和主成分分析法(principal component analysis, PCA) 5种算法对预处理后的数据提取特征变量, 降低维度, 随后分别建立基于特征变量的总酸偏最小二乘回归(partial least squares regression, PLSR)、主成分回归(principal component regression, PCR)、最小二乘支持向量机(least square support vector machine, LS-SVM)及多元线性回归(multiple linear regression, MLR)预测模型。结果 通过PLSR数学模型确定SG平滑预处理模型效果为最佳, 基于SG+GA+LS-SVM模型对总酸含量预测效果最佳, 预测集均方根误差(root mean square error of prediction, RMSEP)值为0.016, 预测集决定系数(prediction set coefficient of determination, )值为0.9834, 相对分析误差(residual predictive deviation, RPD)值为7.76。结论 基于可见-近红外光谱法实现赣南脐橙中总酸含量的无损检测是可行的, 结合SG+GA+LS-SVM预测模型可以实现赣南脐橙总酸含量的定量检测, 可用于评价赣南脐橙总酸含量。     

基于介电频谱的灵武长枣品质参数的预测模型

为寻找预测灵武长枣品质的最优模型,以长枣的介电损耗因子?"和介电常数?’频谱进行内部品质参数(可溶性固形物、可滴定酸含量和含水率)的建模研究。通过遗传算法(genetic algorithm,GA)和相关系数(correlation coefficients,CC)法提取了介电谱的有效信息;采用偏最小二乘(partial least squares,PLS)、主成分回归(principal components regression,PCR)和支持向量机(support vector machine,SVM)法建立了品质参数的预测模型;以决定系数(R~2)、校正标准偏差和预测标准偏差等模型评价方法确定了品质参数的最优预测模型。结果表明:基于介电损耗因子?"建立的可溶性固形物含量、可滴定酸含量和含水率的最佳预测模型分别为GA-PCR、GA-PLS和GA-PLS,且R~2均达到0.9以上;基于介电常数?’建立的可溶性固形物含量、可滴定酸含量和含水率的最佳预测模型分别为CC-PLS、GA-SVM和GA-PLS,R~2达到0.8以上,且验证效果较好。本研究为利用介电频谱快速预测长枣品质提供了可靠的方法。     

库尔勒香梨感官及理化指标的定量无损检测

目的 利用高光谱成像技术建立库尔勒香梨分级指标的快速检测方法。方法 选择采摘期香梨作为研究样本, 以颜色（a*）、硬度（带皮硬度, Hardness）和可溶性固形物（soluble solids content, SSC）为研究指标, 使用高光谱成像系统采集样本900~1700 nm范围波长的漫反射光谱。提取样本感兴趣区域（region of interest, ROI）的光谱进行预处理, 采用多元散射校正（muliplication scattering correction, MSC）、标准正态变量变换（standard normal variable transformation, SNV）及其分别与卷积平滑滤波法（savitzky-golay, S-G）相结合的组合处理方法。基于不同的预处理结果建立偏最小二乘回归（partial least squares regression, PLSR）预测模型, 以验证集相关系数(Rv)和均方根误差(RMSEv)对模型进行评价。为进一步优化模型, 采用竞争性自适应重加权算法（competitive adaptive reweighted sampling, CARS）筛选特征波长, 并建立PLSR模型和最小二乘支持向量机（least square-support vector machine, LS-SVM）模型对比建模效果。结果 采用MSC-SG-PLS建立的模型判别准确率最高, 颜色预测模型的Rv和RMSEv值分别达到0.844和0.402; 硬度预测模型的Rv和RMSEv值分别达到0.823和0.417 kg/mm2; 可溶性固形物预测模型的Rv和RMSEv值分别达到0.902和0.301 %。采用CARS算法建立的LS-SVM模型效果最佳, 香梨颜色、硬度和SSC的模型预测值与标准理化值的相关系数分别为0.873、0.908和0.916, 均方根误差分别为0.375、0.385 kg/mm2和0.346 %。结论 研究表明, 利用高光谱成像技术可以实现库尔勒香梨多品质参数的无损检测。     

近红外光谱技术定量检测果味啤中的果汁含量

该文以近红外光谱分析技术快速测定菠萝啤中果汁含量为目的,采用了后向间隔偏最小二乘(backward interval partial least squares,Bi-PLS)、组合间隔偏最小二乘(synergy interval partial least squares,Si-PLS)以及遗传算法(genetic algorithm,GA)提取特征波长以提高模型性能。研究结果表明,基于Si-PLS提取的特征波长结合偏最小二乘法(partial least squares,PLS)建立的定量分析模型效果最好,从原始光谱范围4 000～10 000 cm~(-1)内筛选出3个特征光谱区间,分别为(4 484～4 960,5 600～6 051,7 844～8 080) cm~(-1),共94个特征变量,比原始1 501个波长变量减少了93. 7%,验证集的均方根误差和决定系数分别为0. 18%、0. 89,范围误差比为3. 17。实验结果表明,近红外光谱分析技术用于测定果味啤中的果汁含量是可行的,这为快速高效测定菠萝啤果汁含量提供了一种方法依据。     

食用油脂酸值近红外光谱特征波长优选

以近红外光谱快速检测大豆油脂酸值为目标,研究间隔偏最小二乘（interval partial least square,iPLS）结合遗传算法（genetic algorithm,GA）及连续投影算法（successive projection algorithm,SPA）的特征波长变量优选方法。制备不同酸值的大豆油脂样品100 个,并在4 000～12 000 cm－1范围内采集了油样的近红外透射光谱。首先用iPLS法从原始光谱中初步筛选出4 540～5 346 cm－1和6 807～7 004 cm－1组合特征波段,R2和预测均方根误差（rootmean square error of prediction,RMSEP）分别为0.978 9和0.064 3;然后分别用GA和SPA从特征光谱区域中筛选出与油脂酸值密切相关的特征波长变量,从GA和SPA 2 种选择结果中各选取前6 个波长点,以12 个特征波长变量建立PLS校正模型,其R2和RMSEP分别为0.985 9和0.045 1。研究表明,在油脂酸值近红外光谱分析中,采用iPLS-GASPA相结合的方法进行特征波长选择能有效去除冗余信息,降低模型复杂度,可为快速无损检测油脂酸值提供重要理论依据。     

基于近红外光谱技术的白酒原酒中关键成分的定量分析

采用间隔偏最小二乘法(interval partial least squares,i PLS)、组合间隔偏最小二乘法(synergy interval partial least squares,Si PLS)、遗传偏最小二乘法(genetic algorithms partial least squares,GA-PLS)、竞争性自适应重加权法(competitive adaptive reweighted sampling,CARS)优选波长,并结合偏最小二乘法(partial least squares,PLS)建立白酒原酒中乙酸乙酯和乳酸乙酯定量分析模型。结果表明,上述4种方法都对模型有一定的优化效果,其中遗传算法结合组合间隔偏最小二乘算法(genetic algorithms-synergy interval partial least squares,GA-SiPLS)优选波长的优化效果最为明显,乙酸乙酯和乳酸乙酯的决定系数(R~2)分别达到了0. 989 7和0. 991 0,预测均方根误差(root mean square error of prediction,RMSEP)分别为0. 085 4、0. 143 4,相对分析误差(relation percent deviation,RPD)分别为8. 5和8. 6,提高了模型的稳定性和精准性。说明近红外光谱分析技术对于白酒原酒中乙酸乙酯和乳酸乙酯含量的检测具有科学的指导意义。     

基于Fisher判别分析可分性信息融合的马铃薯VC含量高光谱检测方法

为提高马铃薯VC含量检测结果的准确性和可靠性,提出一种基于Fisher判别分析（Fisher?discriminant?analysis,FDA）可分性数据融合的检测模型输入变量构建方法。首先,利用高光谱成像技术采集200个马铃薯的高光谱信息,通过对比6种预处理方法和原始数据的建模结果,确定多元散射校正为光谱数据的预处理方法;其次,采用竞争性自适应重加权采样（competitive?adaptive?reweighted?sampling,CARS）、连续投影算法（successive?projections?algorithm,SPA）及CARS-SPA组合算法3种方法提取相应特征波长,通过对比分析最终确定34个有效特征波长;然后,将有效特征波长进行FDA可分性数据融合,根据融合的新变量对样本间差异性判别能力的大小进行筛选,确定构建检测模型的输入变量;最后,分别对FDA融合前后筛选的变量建立偏最小二乘模型和反向传播神经网络（back?propagation?neural?network,BPNN）模型,并对检测结果进行对比分析。结果表明,将CARS算法提取的34个特征波长进行FDA融...     

基于可见/近红外光谱和变量优选的南水梨糖度在线检测

利用可见/近红外光谱技术对南水梨糖度进行在线检测研究。南水梨样本以0.3m/s速度传输,并采用USB4000光谱仪在470~1 150nm波段范围内采集南水梨样本的光谱。然后,利用3种变量选择方法对波长变量进行筛选,应用偏最小二乘(PLS)方法分别建立南水梨糖度的在线预测模型,并分析预测模型性能的优劣。结果表明:可见/近红外光谱技术结合变量选择方法在线检测南水梨的糖度是可行的;竞争自适应重加权采样(CARS)方法优于无信息变量消除(UVE)及连续投影算法(SPA);CARS方法可以有效简化预测模型并提高预测模型的性能;南水梨全光谱PLS及CARS—PLS糖度预测模型的预测集相关系数和预测均方根误差(RMSEP)分别为0.940,0.951和0.467%,0.420%。     

基于可见/近红外光谱和变量选择的脐橙可溶性固形物含量在线检测

为联合可见/近红外光谱技术和变量选择方法在线检测脐橙主要内部品质指标可溶性固形物(SSC),分别选定脐橙校正集和预测集样本141个和47个,脐橙运输速度为0.3m/s,利用USB4000微型光谱仪在线采集脐橙样本的可见/近红外光谱,先分别采用无信息变量消除(UVE)和遗传算法(GA)对650~950nm波段范围的波长变量进行预筛选,再分别利用竞争自适应重加权采样(CARS)及连续投影算法(SPA)对波长变量进一步筛选,并应用偏最小二乘(PLS)方法分别建立脐橙SSC的在线预测模型,并与原始光谱等建立的预测模型进行比较。结果表明,对于脐橙SSC,预筛选方法GA优于UVE方法,变量选择方法CARS优于SPA方法;GA-CARS及GA-SPA联合变量选择方法优于对应的单一变量选择方法CARS及SPA。在上述变量选择方法中,GA-CARS方法获得的结果最优,其所建立的脐橙SSC的PLS模型的校正集和预测集相关系数分别为0.933和0.824,校正集和预测集均方根误差分别为0.429%和0.670%,性能优于原始光谱建立的PLS模型,且建模波长变量数由1 385个下降为78个,仅占原波长变量数的5.63%。由此表明,GA-CARS联合变量选择方法可以有效筛选脐橙SSC的波长变量,提高预测模型的稳定性和预测精度。