基于近红外光谱技术快速测定甘薯多糖含量

摘 要：目的 建立一种基于近红外光谱技术快速测定甘薯多糖的方法。方法 通过采集来自不同地区的74个甘薯及甘薯干的近红外光谱图,对异常样本进行剔除与回收后随机选择其中56种作为校正集,11种作为验证集。通过一阶导数、二阶导数、多元散射校正（multiplicative signal correction,MSC）、标准正态变量变换（standard normal variate,SNV）等组合预处理方式对原始光谱进行处理,比较多元线性回归（stepwise multiple linear regression,SMLR）、主成分回归（principal component regression,PCR）和偏最小二乘法（partial least squares,PLS）三种方法建立的模型结果,进一步选择波段确定最佳甘薯多糖含量测定方法。结果 PLS建立的模型整体精确度和稳定性最佳,最优模型的预处理方式为一阶导数处理,该模型的最佳波段为全波段范围,校正集均方根误差（root mean square error of calibration set,RMSEC）为相关系数0.496,校正集相关系数（calibration set correlation coefficient,RC2）为0.9683,验证集均方根误差（root mean square error of prediction set,RMSEP）为0.430,验证集相关系数（prediction set coefficient of determination,RP2）为0.9440,主成分数为8。结论 通过近红外光谱技术结合偏最小二乘法建立甘薯多糖模型可作为甘薯多糖快速测定的可行性方法。     

近红外光谱技术快速检测甜叶菊中绿原酸含量

为实现甜叶菊中绿原酸含量的快速检测，该研究利用近红外光谱技术结合偏最小二乘法对甜叶菊绿原酸含量的光谱数据进行了近红外模型分析。结果表明，采用多元散射校正(multiplicative scatter correction, MSC)+Savitzky-Golay卷积平滑预处理算法和无信息变量消除法(uniformative variable elimination, UVE)特征波长选择算法，绿原酸含量近红外模型的性能最好。该模型的交互验证相关系数(correlation coefficient in cross validation,R_CV)和交互验证残差均方根(root mean square error of cross validation, RMSECV)分别为0.945 3和0.263 1;验证集相关系数(correlation coefficient in validation,R_P)和验证集残差均方根(root mean square error of prediction, RMSEP)分别为0.952 1和0.247 2。...     

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。     

基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(R_P)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。     

基于SiPLS- CARS 算法的百香果糖度无损检测

为建立一种无损快速检测百香果糖度的技术,以百香果为研究对象,利用近红外光谱技术,并结合联合区间偏最小二乘算法和竞争适应重加权采样算法对近红外光谱进行特征波长筛选,采用偏最小二乘法和支持向量机方法建立百香果糖度预测模型。结果表明：采用多元线性回归方法建立的模型优于多元非线性回归方法建立的模型,联合区间偏最小二乘算法和竞争适应重加权采样算法筛选出的特征波长点数为67 个,占全光谱的2.90%,预测模型的相关系数R2c 为0.972 7,校正集预测均方根误差（root mean square error of calibration,RMSEC）值为0.333 8,验证集的相关系数R2p 为0.967 2,验证集预测均方根误差（root mean square error of prediction,RMSEP）值为0.366 0,模型相对分析误差（relative prediction deviation,RPD）为4.506 6。研究结果能够实现百香果糖度的无损快速检测,并且可以将百香果糖度无损检测便携检设备中的模型进行简化。     

基于中红外光谱法检测煎炸油极性组分

目的 利用中红外光谱技术实现对煎炸油极性组分的快速检测。方法 根据SPXY法对煎炸油中红外光谱数据进行样本划分,从而得到校正集和预测集。采用SG+一阶导数预处理手段,利用竞争自适应重加权算法(competitive adaptive reweighted sampling, CARS)进行特征提取,建立煎炸油极性组分含量的偏最小二乘回归(partial least squares regression, PLSR)预测模型,并利用误差反向传播算法(error back proragation, BP)对模型进行优化。结果 BP神经网络法建立的模型校正集决定系数(coefficient of determination, R_²)为0.8073,校正集均方根误差(root mean square error of calibration,RMSEC)为0.0325,预测集R_²为0.7665,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0443。结果表明,经BP神经网络算法优化后,均方根误差明显减小,提高了预测模型的准确性。结论 结合BP神经网络算法的中红外光谱技术是一种检测煎炸油极性组分的有效方法,为食用油油品品质的快速检测提供理论指导和技术支撑。     

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。     

基于特征选择与特征提取融合的鸡蛋新鲜度光谱快速检测模型优化

为有效提高鸡蛋新鲜度检测效率、优化检测模型,本研究结合波长特征选择和特征提取方法各自的优点,对二者进行有效融合共同优化鸡蛋新鲜度检测模型。利用一阶微分对550～950?nm范围内鸡蛋的可见-近红外透射光谱数据进行预处理,考虑到冗余光谱信息对模型精度的影响,使用特征选择方法中的竞争性自适应重加权(competitive?adaptive?reweighted?sampling,CARS)算法融合非线性特征提取局部切空间排列(local?tangent?space?alignment,LTSA)算法最小化光谱无用信息,建立支持向量机回归(support?vector?regression,SVR)模型,结果表明单一使用CARS特征波长选择建立模型得到训练集交叉验证相关系数(Rcv)为0.880 5,交叉验证均方根误差(root?mean?square?error?of?cross?validation,RMSECV)为8.59,预测集相关系数(Rp)为0.888 9,预测集均方根误差(root?mean?square?error?of?prediction,RMSEP)为8.42,融合LTSA特征提取方法后得到Rcv为0.896 0,RMSECV为8.04,Rp为0.898 3,RMSEP为8.18,与CARS-SVR模型相比较,融合模型预测精度均有所提高,同时数据维数再次减少14个,进一步简化了预测模型。研究表明,将特征选择与特征提取二者融合共同应用于鸡蛋可见-近红外光谱数据,不仅提升了光谱检测效率,而且提高了鸡蛋新鲜度预测模型精度,可为鸡蛋新鲜度光谱检测模型优化提供参考依据。     

在线近红外光谱在保健酒酒精度检测上的应用

采用短波近红外光谱仪器在线检测保健酒调配液生产线上产品的酒精度。通过使用一阶倒数(First derivative,FD)和平滑处理(Norris derivative filter,ND),对近红外图谱进行预处理,使用偏最小二乘法(Partial least square,PLS)建立了酒精度检测近红外模型。模型的校正集均方根误差(Root mean square error of calibration,RMSEC)为0.737,交互验证相关系数为0.9189;预测集均方根误差(Root mean square error of prediction,RMSEP)为0.788,交互验证相关系数为0.9425。实验数据显示,近红外计算酒精度数值与标准法测量数值相对偏差主要集中在±2%之间,该方法可以满足生产过程中在线检测酒精度的要求。     

高光谱图像感兴趣区域对苹果糖度模型的影响

高光谱图像技术作为一种强有力的新兴技术,已应用于食品农产品品质与安全检测研究,然而高光谱图像中感兴趣区域形状大小的选择直接影响着检测的精度和稳定性。首先采集苹果330~1100 nm的高光谱图像,分别提取不同大小的圆形感兴趣区域和方形感兴趣区域的平均光谱,经光谱预处理以消除噪声及无关信息的影响,然后采用偏最小二乘法分别建立苹果的糖度定量分析模型,并以独立样本的预测集进行验证,分析感兴趣区域形状大小对高光谱图像建模精度的影响。结果表明,提取直径为150像素的圆形感兴趣区域建立的苹果糖度模型精度最高,预测能力最强,校正集相关系数Rc为0.9305,校正均方根误差RMSEC为0.4331,预测集相关系数Rp为0.9232,预测均方根误差RMSEP为0.4568。研究表明,针对研究对象选择合适形状和大小的感兴趣区域,对提高模型精度、发挥高光谱图像的技术优势具有重要意义。     

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R_C2)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R_P2)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。     

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。     

基于高光谱信息的生鲜鸡肉离心损失率快速预测模型构建

本文旨在挖掘900~1700 nm波长范围内的高光谱信息构建生鲜鸡肉离心损失率的快速预测模型。通过采集生鲜鸡肉样品的高光谱图像,并提取图像感兴趣区域的光谱信息,经基线校正(Baseline Correction,BC)、高斯滤波平滑(Gaussian Filter Smoothing,GFS)、多元散射校正(Multiplicative Scatter Correction,MSC)、移动平均值平滑(Moving Average Smoothing,MAS)、中值滤波平滑(Median Filtering Smoothing,MFS)5种光谱预处理后,建立全波段偏最小二乘(Partial Least Squares,PLS)回归模型,并利用回归系数法(Regression Coefficient,RC)、连续投影算法(Successive Projections Algorithm,SPA)和逐步回归法(Stepwise)筛选特征波长,优化全波段模型。结果显示,基于Stepwise法从原始光谱中筛选的16个最优波长(900.6、915.4、1024.0、1089.8、1111.2、1155.6、1165.5、1288.9、1305.4、1433.9、1442.1、1486.7、1493.3、1541.1、1690.1和1693.4 nm)构建的PLS模型预测效果较好,其中,r_C为0.94,RMSEC(Root Mean Square Error of Calibration)为1.43%,r_P为0.94,RMSEP(Root Mean Square Error of Prediction)为1.60%。本文表明,基于高光谱信息构建的PLS模型可快速预测生鲜鸡肉离心损失率。     

显微高光谱技术检测肌细胞中超氧化物歧化酶活力的方法研究

利用可见显微高光谱技术对羊肉肌细胞中的超氧化物歧化酶(Superoxide dismutase,SOD)活力进行检测。通过显微高光谱系统(380~980 nm)采集223个显微图像,根据样本光谱的反射率提取感兴趣区域并结合SOD酶活力建立模型。对原始光谱结合偏最小二乘回归模型,进行样本集划分及多种光谱预处理的模型对比分析,优选出多元散射校正为预处理方法,采用6种方法提取特征波长,并根据特征波长建立偏最小二乘回归、多元线性回归、主成分回归三种模型。结果显示,建立基于竞争性自适应重加权法挑选特征波长的多元线性回归模型最优,预测集的相关系数和均方根误差分别为0.8351和21.3578 U/mg·prot。采用显微高光谱成像技术对肌细胞内超氧化物歧化酶活力的检测是具有可行性的。     

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。     

基于高光谱的茄子外部缺陷检测

利用高光谱(900～1700nm)对完好、木栓化和烂果茄子进行识别研究。共采摘了252个茄子样本,包含完好茄子170个,木栓化茄子60个和烂果茄子22个,利用高光谱成像系统采集完好、木栓化和烂果3种区域一共252个样本的高光谱图像,然后提取合理的感兴趣区域(ROI)获得样本光谱数据。采用多种预处理方法进行光谱预处理,建立偏最小二乘(partial least squares method,PLS)判别分析模型,结果表明,经normalize预处理后模型的预测效果最好,因此选择normalize作为预处理方法。基于预处理后的光谱数据,采用连续投影法(SPA)、回归系数法(RC)和竞争性自适应重加权算法(CARS)提取特征波长,并分别建立偏最小二乘(PLS)和多元线性回归(MLR)判别模型进行研究。结果表明:CARS-MLR模型对3种类型样本鉴别效果最佳,其校正集决定系数Rc2为0.94,预测集决定系数Rp2为0.90,RMSEC和RMSEP分别为0.19和0.21,预测集判别准确率达到96.82%。本研究采用高光谱可以对完好、木栓化和烂果茄子进行有效鉴别,为茄子的缺陷无损检测提供了理论参考。     

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。