基于高光谱技术的不同霉变程度籼稻快速鉴别

为解决快速、无损鉴别籼稻霉变程度问题。该文利用高光谱技术采集正常、轻度霉变、中度霉变和重度霉变共4类籼稻样本的光谱数据,经不同预处理后,通过连续投影算法(SPA)提取特征波长,采用多元线性回归判别分析(MLR-DA)建立籼稻霉变程度鉴别模型。同时,通过竞争性自适应重加权算法(CARS)筛选特征变量,采用偏最小二乘法回归判别分析(PLS-DA)建立鉴别模型。研究结果表明,SG-SPA-MLRDA和RAW-CARS-PLS-DA模型的验证集相关系数RP均大于0.950。其中,RAW-CARS-PLS-DA模型的预测效果最优,其验证集相关系数RP为0.969,均方根误差RMSEP为0.269,对未知籼稻样本的总体分类准确率为93.33%。该模型对不同霉变程度籼稻具有较强的鉴别能力,故该方法可为快速、无损鉴别籼稻霉变程度提供技术支持。     

基于连续投影算法的油菜蜜近红外光谱真伪鉴别的研究

采用连续投影算法(successive project algorithm,SPA)对177个不同产地油菜蜜样本的近红外光谱做波长选择,然后以33个特征变量作线性识别分析(LDA)。同时,也采用了主成分分析(PCA)对变量进行压缩。比较了二次识别分析(QDA)和簇类独立软模式分类法(SIMCA)的鉴别结果。SPA-LDA模型预测集的鉴别准确率为97.7%,而PCA-LDA、全谱的SIMCA和SPA-QDA预测集的正确率分别为93.2%、95.4%和90.9%;上述四种方法ROC曲线下的面积分别为0.964、0.912、0.948和0.933。SPA-LDA性能比其他三种方法要好。该方法准确、可靠,为蜂蜜真实性的现场快速检测提供了一种新方法。     

几种模式识别方法在豆酱近红外光谱鉴别中的应用

为建立快速鉴别豆酱品质的适用方法,利用近红外光谱技术,针对市场上常见的四类豆酱样本,分别进行异常样本剔除和预处理,采用判别偏最小二乘法(DPLS)、相似分析法(SIMCA)和误差反向传播神经网络(BPANN)定性模式识别方法,进行豆酱类别的识别研究。研究结果表明:3种识别方法的校正集正确识别率分别为99.10%、98.20%、100%,预测集识别率为94.55%、89.09%、90.91%。综合比较3种不同的识别算法,采用判别偏最小二乘法(DPLS)时校正集和验证集的正确判别率效果都较好。研究结果表明采用近红外光谱分析技术实现豆酱的快速准确分类和鉴别是可行的。     

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。     

近红外高光谱成像技术对鸡蛋种类的鉴别

为探讨近红外高光谱成像技术对鸡蛋种类判别的可行性,采用近红外高光谱(900~1700 nm)成像技术,以223个鸡蛋样本为研究对象,其中富硒鸡蛋74枚、无公害鸡蛋72枚、普通鸡蛋77枚,富硒鸡蛋和无公害鸡蛋为海兰褐鸡蛋,普通鸡蛋为洋鸡蛋。对比S-G卷积平滑、基线校准(Baseline)、标准正态变量变换(SNV)、标准化(Normalize),优选出S-G卷积平滑光谱预处理方法;连续投影算法(SPA)、无信息变量消除法(UVE)、后向间隔偏最小二乘波段选择法(BiPLS)算法提取的特征波长数分别为8、107和155,分别建立全光谱、SPA、UVE、BiPLS的PLS-DA判别模型,结果显示在4种模型中BiPLS-PLS-DA的识别性能要优于FS-PLS-DA、UVE-PLS-DA和SPA-PLS-DA,其校正集正确识别率为95.24%,预测集识别率为78.18%。近红外高光谱成像技术作为一种快速、高效的种类判别技术对鸡蛋种类的判别具有可行性。     

基于可见/近红外高光谱成像技术的牛肉品种鉴别

利用可见/近红外高光谱成像技术实现荷斯坦奶牛、秦川牛、西门塔尔牛三个品种牛肉的快速无损鉴别。首先,对原始光谱进行预处理并对样本集进行划分;应用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)对预处理后的光谱数据提取特征波长;结合偏最小二乘判别模型(PLS-DA)、K最近邻(KNN)模型及支持向量机(SVM)模型进行全波段及特征波段鉴别分析。结果表明,一阶导数(FD)法为最优预处理方法,利用光谱-理化值共生距离法(SPXY)法划分后的样本模型预测性能最好;利用CARS、SPA和UVE分别选出24、17和19个特征波长;基于CARS法提取的特征波长所建的RBF-SVM模型的校正集与预测集正确率分别为100%、98.82%。由此可见,基于高光谱成像技术能够获得较好的牛肉品种鉴别效果。该研究可为牛肉品种的快速无损鉴别提供参考。     

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。     

近红外光谱在食醋品牌和贮藏年份鉴别中的应用研究

近红外光谱用于食醋品牌和食醋贮藏年份的鉴别。144个食醋样品用于食醋品牌的鉴别,其中114个为"恒顺"牌食醋,其余30个为山西"水塔"和天津"独流"品牌食醋;114个"恒顺"牌食醋用于食醋贮藏年份的鉴别;采用kennard-stone(KS)方法将样品划分为校正集和验证集,主成分分析(principal component analysis,PCA)和偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)用于食醋品牌和年份的鉴别;competitive adaptive reweighted sampling(CARS)方法用于食醋特征变量的筛选。结果表明,样品经PLS-DA方法后,食醋品牌的校正识别率为98.96%,验证识别率为95.83%;食醋年份的校正识别率为97.37%,验证识别率为100%;食醋光谱经CARS方法优选波长后结合PLS-DA方法进行判别,所有的识别率都为100%;近红外光谱结合CARS-PLS-DA方法可以用于食醋品牌和贮藏年份的鉴别.为食醋原产地保护和年份鉴别提供一种快速的参考方法。     

基于高光谱信息特征选择的玉米霉变程度Fisher鉴别方法

为了提高高光谱鉴别玉米霉变程度的正确率,分别对全波长和特征波长下霉变玉米进行鉴别分析。利用高光谱图像采集系统获得250个霉变玉米样本的高光谱数据,并用标准正态变量变换(standard normal variate,SNV)和多元散射校正(Multiplicative scatter correction,MSC)2种方法对原始数据进行预处理,再对未预处理和预处理后的原始数据进行判别,优选出多元散射校正的预处理方法;运用偏最小二乘回归系数选择了9个特征波长;运用Fisher判别分析(Fisher discriminant analysis,FDA)分别对全波长和特征波长下的训练集进行判别分析,并用对应的测试集进行检验。FDA结果表明,全波长下判别模型的训练集和测试集的准确率分别为97.71%,97.33%,9个特征波长下训练集和测试集的准确率分别为100.00%,98.67%。研究结果表明,利用特征光谱能够较好地表征玉米的霉变程度,有利于提高玉米霉变程度的鉴别正确率。     

基于拉曼光谱的大米快速分类判别方法

以拉曼光谱技术为手段,结合化学计量学方法,对来自黑龙江、江苏、湖南3个产地共123份大米样品的光谱数据进行采集,并对得到的拉曼图谱进行主成分分析(PCA)和偏最小二乘判别分析(PLSDA),建立大米快速分类判别方法。应用主成分分析对不同种类、产地和品种的大米进行粗分类鉴别;选择不同种类、品种和产地的稻米样本建立相应的偏最小二乘判别分析模型,其中2/3的样本作为建模训练集,1/3的样本作为建模校正集,按照种类、产地、品种建立的模型其训练集样本正确判别率均为100%,校正集样本正确判别率分别为100%,100%,94.12%。因此,研究所建立的拉曼光谱技术结合化学计量学方法可以快速、有效地鉴别大米种类、品种及产地。     

自制电子鼻检测霉变大米

为对不同霉变程度的大米实现快速鉴别,研制了一套以LabVIEW为平台用于检测大米霉变的电子鼻系统。通过霉菌孢子液侵染正常大米,使用该电子鼻系统对不同天数掺入不同比例霉米的大米样品挥发物进行检测,对采集数据进行主成分分析（PCA）、线性判别分析（LDA）,最后使用反向传播（back propagation,BP）神经网络建立预测模型。结果表明,得分图显示正常大米和霉变大米挥发物差异性显著,LDA分类效果优于PCA;所建立的模型预测值和实际值相关性达0.953以上,训练集和测试集平均相对误差分别为3.56%、4.18%,训练集和测试集对于正常大米样本识别率为100%。综上,电子鼻系统可以作为霉变大米无损检测的有效手段,在大米品质鉴别方面具有实际应用意义。     

高光谱成像的非烟物质分类识别研究

  目的  利用高光谱成像技术和机器学习方法对烟叶中的非烟物质进行分类识别。  方法  使用可见—近红外高光谱成像技术,采用归一化（Normalization）、标准正态变化（SNV）、多元散射校正（MSC）、一阶导数（FD）、卷积平滑（SG）对光谱数据进行预处理,通过连续投影变换（SPA）和主成分载荷（PCA loadings）进行特征波长选择,并应用随机森林（RF）、Softmax和支持向量机（SVM）建立分类模型。  结果  SNV为最佳光谱预处理方法,SPA选择特征波长建立的SVM模型为最优模型,训练集和测试集正确率分别为99.82%和99.47%。  结论  高光谱成像技术结合SPA-SVM模型可以有效分类识别烟叶中的非烟物质。      

不同气候生态型籼稻糙米粗蛋白含量光谱估测模型研究

为探究气候生态型存在差异的籼稻品种光谱响应规律及其对粗蛋白含量估测模型的影响,本研究利用2019年长江中下游籼稻联合区试实验,采集了不同气候生态型籼稻籽粒反射光谱及糙米粗蛋白含量数据,分析了稻谷原始及一阶微分光谱与糙米粗蛋白含量的相关关系,建立了基于最优光谱指数、全波长和特征波长的籼稻粗蛋白含量的PLSR、PCR和SMLR估测模型,并用R2、RMSE评价模型精度。研究发现,籼稻籽粒光谱反射率随着粗蛋白含量的升高而降低,呈现出中籼稻>晚籼稻>早籼稻的规律;在以原始及一阶微分任意两波长构建的DSI、NDSI和RSI最优光谱指数模型中,PLSR模型效果较好,建模集R2c、RMSEc分别为0.841、0.507%,验证集R2v、RMSEv分别为0.810、0.542%;在全波长模型中,建模效果表现为PLSR>SMLR>PCR,以原始光谱建立的PLSR模型效果最好,建模集R2c、RMSEc分别为0.867、0.464%,验证集R2v、RMSEv分别为0.856、0.472%;特征波长模型中,一阶微分构建的模型优于原始光谱,尤以基于一阶微分光谱建立的PLSR模型稳定性更好,建模集R2c、RMSEc分别为0.842、0.506%,验证集R2v、RMSEv分别为0.823、0.523%。结果表明PLSR模型适用于不同气候生态型籼稻品种间的粗蛋白含量光谱估测。     

SERS结合PCA-LDA分析鉴别鸡肉中硝基呋喃类代谢物的混合残留

以纳米Au溶胶和NaCl溶液为活性增强基底,对鸡肉中残留的两种呋喃它酮代谢物(AMOZ)和呋喃妥因代谢物(AHD)进行表面增强拉曼光谱(SERS)快速检测技术研究。采用自适应迭代惩罚最小二乘法消除原始数据中的背景干扰,应用标准归一化进行光谱预处理,并结合主成分—线性判别方法(PCA-LDA)建立识别模型,得出模型校正集的判别正确率为90.48%,预测集的判别正确率为94.29%。研究表明,SERS技术与PCA-LDA相结合可以有效地鉴别出鸡肉样本中残留的AMOZ和AHD。     

基于高光谱成像技术的梅河大米产地确证因子研究

为探究吉林省梅河大米的产地确证因子,本研究采用空间网格布点法对吉林省梅河口市地理标志大米进行样本采集。通过梅河大米的高光谱信息和蛋白质、直链淀粉、棕榈酸、油酸、亚油酸、脂肪酸含量进行光谱特征波长提取、相关性分析和产地判别。结果表明,梅河大米的理化指标具有明显的产地特征,高光谱九个特征波长TB_1～TB_9(455、515、583、615、621、776、874、923、942 nm)与上述六个指标呈现显著相关性。利用高光谱九个特征波长对梅河大米与柳河县大米进行SPSS判别分析,整体正确率为95%。SIMCA偏最小二乘法建立的模型可以将梅河大米样品与柳河县大米样品进行区分。说明梅河大米高光谱九个特征波长可作为其产地确证因子。     

基于高光谱成像技术无损检测芒果轻微损伤

目的 使用高光谱成像技术实现对芒果轻微损伤的无损识别。方法 在可见光-近红外波长范围内采集完好芒果和损伤芒果的高光谱图像, 并提取相应的感兴趣区域(regions of interest, ROI)获得样本高光谱数据。经过多种预处理方法比较, 选择光谱预处理方法。使用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)分别对预处理后的光谱提取特征波长, 并分别建立了多元线型回归(multiple linear regression, MLR)模型和偏最小二乘回归(partial least squares regression, PLSR)模型。结果 选择多元散射校正(multiplicative scatter correction, MSC)作为光谱预处理方法。针对芒果轻微损伤识别, CARS-MLR模型识别效果最好, 其校正集相关系数为0.881, 预测集相关系数为0.821, 校正集均方根误差(calibration set root mean square error, RMSEC)为0.146, 预测集均方根误差(prediction set root mean square error, RMSEP)为0.236, 准确率为97.14%。结论 利用高光谱成像技术可以实现对芒果表面轻微损伤进行有效鉴别。     

基于NIRS的食用醋品牌溯源模型的建立与优化

本文主要探讨了近红外光谱(NIRS)结合模式识别技术应用于食用醋品牌溯源研究。采集了四个品牌(四川保宁香醋、山西东湖老陈醋、镇江恒顺香醋、镇江香醋)共160组食醋样品的近红外漫反射光谱,通过主成分分析(PCA)进行光谱变量压缩及剔除8个异常样本数据后,随机选取其中的114组样品组成训练集用于建立溯源模型,剩余38组样品用作测试集进行模型验证。比较了MSC、SD、SNV等几种不同光谱预处理方法以及它们的不同组合对溯源模型的影响,同时考察了PLS-DA与SIMCA两种建模方法对模型的影响。结果表明:选择MSC与SD相结合的方法对光谱数据进行预处理,并采用SIMCA建模方法所建立的醋品牌溯源模型对四大品牌醋的正确识别率分别可达100%、100%、91.7%、90%。由此说明采用近红外光谱技术结合模式识别技术可有效实现食用醋品牌溯源的目的。