白酒糟醅中酸度值的高光谱检测方法

酸度值是评价白酒糟醅质量的重要指标之一,为进一步提高糟醅酸度值的检测精度,提出了一种应用高光谱成像技术检测糟醅酸度值的方法。采用高光谱成像系统,在900～1 700 nm内采集糟醅样本的光谱信息,并提取全部样本的平均光谱数据。采用3种预处理方法对原始光谱进行预处理,得到多元散射校正（multiplicative scatter correction, MSC）为最佳预处理方法。在保证检测精度的基础上,为提高检测效率,采用竞争自适应加权抽样（competitive adaptive reweighted sampling, CARS）算法选择特征波段作为优化方法,建立偏最小二乘回归（partial least squares regression, PLSR）和最小二乘支持向量机（least squares-support vector machine, LS-SVM）预测模型。结果表明,CARS算法选取38个特征波长所建立的LS-SVM预测模型显示出良好的预测效果,其中预测集相关系数R²_p为0.961 8,预测集均方根误差为0.058 0 g...     

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。     

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。     

可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法

为探究基于高光谱成像技术预测灵武长枣VC含量的可行性并寻找最佳预测模型。采集100?个长枣样本在波长400～1?000?nm处的高光谱图像,对光谱数据进行预处理;应用遗传算法（genetic algorithm,GA）、连续投影算法（successive projection algorithm,SPA）和竞争性正自适应加权（competitive adaptive reweighted sampling,CARS）算法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（partial least squares regression,PLS）和最小二乘支持向量机（least squares support vector machine,LSSVM）VC含量预测模型。结果表明,采用标准正态变换预处理算法效果最优,其PLS模型的交叉验证相关系数为0.839?5,交叉验证均方根误差为16.248?2;利用GA、SPA和CARS从全光谱的125?个波长中分别选取出12、5?个和26?个特征波长;基于CARS建立的PLS模型效果最优,其Rc、Rp、校正均方根误差、预测均方根误差分别为0.896?2、0.889?2、10.746?2%、12.145?3%。研究结果表明基于高光谱成像技术对灵武长枣VC含量的无损检测是可行的。     

基于GA-BP神经网络玉露香梨可溶性固形物高光谱技术检测

为了提高玉露香梨可溶性固形物的检测精度,本研究提出了一种优化反向传播(back propagation,BP)神经网络的玉露香梨SSC预测方法。使用高光谱成像仪采集玉露香梨表面的光谱信息,对剔除异常样本的光谱数据进行不同预处理,以确定最优的预处理方法。采用遗传算法(Genetic Algorithm,GA)优化BP神经网络的初始权重和阈值,建立玉露香梨SSC的GA-BP、BP、PLSR预测模型。结果表明,中值滤波(medianfilter,MF)预处理后的结果最好。在同一训练样本下,所建GA-BP模型性能最佳,建模集决定系数(Rc2)为0.98,均方根误差(RMSEC)为0.19;预测集决定系数(Rp2)为0.86,均方根误差(RMSEP)为0.43,剩余预测偏差(RPD)为2.45;在此基础上,采用不同数量的样本训练GA-BP网络,样本数为300时,建立的GA-BP模型的Rc2为0.99,RMSEC为0.22;Rp2为0.98,RMSEP为0.20。因此,采用GA-BP神经网络结合高光谱技术可快速、准确的检测玉露香梨可溶性固形物,当训练样本达到一定数量时,可进一步提升模型的预测精度,为基于BP神经网络检测玉露香梨SSC提供了理论基础。     

融合近红外光谱和颜色参数的草莓可溶性固形物含量定量分析模型构建

草莓可溶性固形物(soluble solids content,SSC)含量是评价草莓内部品质的关键指标。为了实现对该指标的快速、无损评估,基于近红外光谱技术,构建了线性偏最小二乘(partial least squares,PLS)和非线性最小二乘支持向量机(least squares support vector machine,LS-SVM)模型,联合蒙特卡罗无信息变量消除和连续投影算法(Monte-Carlo uninformative variable elimination,successive projections algorithm,MC-UVE-SPA)从原始光谱4254个变量中提取了27个有效变量,并构建了基于有效变量的定量分析模型。同时,考虑到草莓表面颜色的影响,基于草莓RGB图像各分量获取了颜色特征参数,进一步融合光谱和颜色特征构建了多参数融合PLS和LS-SVM模型。基于相同的校正集和预测集,比较了所有模型对草莓内部SSC的预测性能。结果表明,MC-UVESPA是一种有效的草莓光谱变量选择算法,且多参数融合非线性LS-SVM模型是草莓内部SSC定量预测的最优模型。针对预测集样本,该模型相关系数RP和预测均方根误差(root mean square error of prediction,RMSEP)分别为0.9885和0.1532。该研究为基于近红外光谱技术的草莓可溶性固形物含量检测便携式仪器和在线检测设备研发奠定了基础。     

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。     

高光谱成像技术结合优化算法窖泥总氮含量的预测

窖泥的总氮含量是窖泥质量评价的指标之一,其常规检测方法周期长且具有破坏性。为实现窖泥总氮含量的快速无损检测,提出了高光谱成像技术（HSI）结合优化算法的窖泥总氮含量的检测方法。首先,使用不同的预处理方法对可见光（Vis）光谱数据进行处理,并建立偏最小二乘回归（PLSR）模型,通过比较模型性能确定了最佳预处理。其次,综合比较了采用全光谱波长、竞争性自适应重加权采样（CARS）算法、连续投影算法（SPA）和CARS与SPA(CARS-SPA)联用策略方法优选特征波长,并作为PLSR和最小二乘支持向量机（LS-SVM）模型输入变量,研究对各模型性能的影响。最后,基于最优模型实现了窖泥样本的总氮含量可视化,直观反映不同层级的总氮含量差异。结果表明,标准正态变量变换（SNV）方法预处理后建立的PLSR模型预测总氮含量最好;CARS-SPA联用策略方法优选特征波长较其他两种方法好,且其建立的LS-SVM模型的预测性能最佳（预测集决定系数Rp2=0.987 6、预测均方根误差（RMSEP）=0.013 8 g/100 g）。高光谱成像技术结合优化算法可以快速、无损检测窖泥总氮含量,为窖泥中总氮含量检...     

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。     

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。     

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的 比较反向传播神经网络(backpropagation algorithm neural network, BPNN)模型与偏最小二乘回归(partial least squares regression, PLSR)模型在预测芒果可溶性固形物含量(soluble solids content, SSC)方面的性能评估。方法 使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据建立两种预测模型, 通过采用多元散射校正(multiplicative scatter correction, MSC)进行光谱预处理, 利用遗传算法(genetic algorithm, GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms, IVISSA)和变量组合群体分析算法(variable combination population analysis, VCPA)提取特征波长变量, 通过比较不同特征波长提取方法进一步优化对比预测模型。结果 与PLSR模型相比, BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳, 预测集判定系数 、均方根误差(root mean square error of prediction, RMSEP)、残差预测偏差(residual prediction deviation, RPD)分别为0.8641、0.3924和2.7127。结论 该模型可快速、准确地检测芒果的SSC, 并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC, 为开发在线芒果SSC无损检测系统奠定基础。     

基于介电谱无损检测库尔勒香梨的糖度和硬度

为了探索基于介电谱无损检测库尔勒香梨糖度和硬度的可行性,本文采用同轴探头和矢量网络分析仪无损测量了三个来源共168个库尔勒香梨在20~4500 MHz范围内201个频率点下的相对介电常数和介质损耗因子,分析了介电参数的变化规律。基于x-y共生距离的样本划分法分别将112和56个样品划分为校正集与预测集;采用无信息变量消除法和连续投影算法(SPA)分别从全介电谱(FS)中提取出预测糖度的144个和20个特征变量,以及预测硬度的52个和9个特征变量;基于FS和提取的特征变量建立了预测库尔勒香梨糖度和硬度的偏最小二乘、误差反向传播、最小二乘支持向量机和极限学习机(ELM)模型。结果表明:SPA-ELM模型对库尔勒香梨糖度的预测效果最好,其校正相关系数(Rc)和预测相关系数(Rp)分别为0.943和0.876,校正均方根误差和预测均方根误差分别为0.298°Brix和0.330°Brix。所有硬度预测模型的Rc和Rp均小于0.6。研究结果说明,介电谱可用于无损检测库尔勒香梨的糖度,但对硬度的预测效果较差。后期仍需进一步研究介电谱无损检测库尔勒香梨硬度的可行性。     

基于特征波长提取的哈密大枣可溶性固形物的高光谱预测

本文利用高光谱图像技术对干制后的哈密大枣可溶性固形物含量(SSC)进行预测研究。使用多种预处理方法对原始光谱进行处理,并对原始光谱和预处理后的光谱分别建立PLS模型,对比分析得出均值中心化(MC)处理效果最佳。对MC处理后的光谱经联合区间偏最小二乘算法(si-PLS)筛选后,再结合遗传算法(GA)和竞争性自适应重加权算法(CARS)提取哈密大枣SSC的特征波长,将提取的波长变量建立哈密大枣SSC的PLS预测模型。结果显示:利用MC-CARS-GA-si-PLS方法提取的16个关键波长变量(仅占全光谱变量的2%)所建立的PLS模型性能优于全光谱PLS模型。该模型的预测集相关系数(Rp)、预测均方根误差(RMSEP)和预测(RPD)分别为0.93、0.48和2.721。该方法提取的波长变量所建立的预测模型,不仅使模型简化,而且增强了模型的预测能力,为高光谱图像技术对水果及其干制品的定量分析研究提供了参考。     

高光谱成像的红提总酸与硬度的预测及其分布可视化

利用高光谱成像技术实现对红提总酸和硬度无损检测和分布可视化。首先,利用高光谱采集生长期360个红提样本在波段450～1 000 nm的高光谱图像信息后用化学方法测定对应样本的总酸,用质构仪测定硬度。采用KS(Kennard-Stone)算法将总样本按照3∶1的比例划分为训练集（270个样本）和测试集（90个样本）。对红提原始光谱数据分别利用标准正态变量变换（standard normal variate transformation,SNV）、卷积平滑（Savitzky-Golay,SG）处理法、多元散射校正（multivariate scatter correction,MSC）、归一化等光谱预处理方法处理,确定最优光谱预处理方法。然后,分别采用一次降维（竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、连续投影算法（successive projections algorithm,SPA）、遗传算法（genetic algorithm,GA）、无信息变量消除法（uninformative variable elim...     

A comparative study for the quantitative determination of soluble solids content,pH and firmness of pears by Vis/NIR spectroscopy

Visible and near infrared (Vis/NIR) spectroscopy was investigated to determine the soluble solids content (SSC), pH and firmness of different varieties of pears. Two-hundred forty samples (80 for each variety) were selected as sample set. Two-hundred ten pear samples (70 for each variety) were selected randomly for the calibration set, and the remaining 30 samples (10 for each variety) for the validation set. Partial least squares (PLS) and least squares-support vector machine (LS-SVM) with different spectral preprocessing techniques were implemented for calibration models. Different wavelength regions including Vis, NIR and Vis/NIR were compared. It indicated that Vis/NIR (400–1800 nm) was optimal for PLS and LS-SVM models. Then, LS-SVM models were developed with a grid search technique and RBF kernel function. All LS-SVM models outperformed PLS models. Next, effective wavelengths (EWs) were selected according to regression coefficients. The EW-LS-SVM models were developed and a good prediction precision and stability was achieved compared with PLS and LV-LS-SVM models. The correlation coefficient of prediction (r_p), root mean square error of prediction (RMSEP) and bias for the best prediction by EW-LS-SVM were 0.9164, 0.2506 and −0.0476 for SSC, 0.8809, 0.0579 and −0.0025 for pH, whereas 0.8912, 0.6247 and −0.2713 for firmness, respectively. The overall results indicated that the regression coefficient was an effective way for the selection of effective wavelengths. LS-SVM was superior to the conventional linear PLS method in predicting SSC, pH and firmness in pears. Therefore, non-linear models may be a better alternative to monitor internal quality of fruits. And the EW-LS-SVM could be very helpful for development of portable instrument or real-time monitoring of the quality of pears.