基于可见/近红外光谱无损检测苹果可溶性固形物的光照优化

为优化光照在提高可见/近红外光谱无损检测苹果可溶性固形物含量(SSC)精度中的应用,实验比较了四种光照方式对USB2000+微型光谱仪采集苹果随机摆放位置时的透射光谱信号。在剔除光谱异常样本并经光谱预处理后,与常规方法检测的SSC建立偏最小二乘(PLS)回归模型。通过比较模型的预测均方根误差(RMSEP)与相关系数(rp),结果发现低角度、多光源组合的光照方式最好,模型预测结果为rp=0.804、RMSEP=0.635。该光照方式可为今后便携装置、在线检测的光源设计提供参考。     

可见/近红外光谱半透射法检测苹果中可溶性固形物含量

目的 检验自行搭建的半透射光谱采集平台检测水果中可溶性固形物含量的可行性, 并比较不同光谱采集方式对光谱模型的影响。方法 以红富士苹果为检测对象, 光谱采集平台中的USB2000 光谱仪采集半透射光谱数据, AntarisⅡ FT-NIR光谱仪采集漫反射光谱数据, 同标准法检测得到的苹果可溶性固形物含量建立偏最小二乘(PLS)模型, 并结合不同的预处理方式优化近红外光谱模型。结果 比较发现采用半透射的光谱采集方式优于漫反射方式。半透射光谱采用平滑处理后模型预测性能最佳, 对样本预测得到相关系数为0.937, 均方根误差为0.517。结论 自行搭建的光谱采集平台可行, 为今后检测水果的光谱采集方式提供参考。     

基于近红外光谱漫透射技术的苹果可溶性固形物含量在线检测

为研究苹果的内部品质,提高检测的速度和稳定性,将近红外光谱漫透射技术应用于在线检测研究,并采取偏最小二乘回归(PLSR)算法结合不同光谱预处理方法建立苹果内部的可溶性固形物含量(SSC)的定量模型。结果表明:采用一阶微分结合多元散射校正(MSC)预处理后的模型最稳定,校正集和预测集的标准差分别为0.17和0.39,校正集的相关系数也达到0.988 3。试验结果说明近红外光谱漫透射技术能够快速、无损地检测出苹果的可溶性固形物含量。     

䥺Symbol`@@基于近红外光谱漫透射技术的苹果可溶性固形物含量在线检测

为研究苹果的内部品质,提高检测的速度和稳定性,将近红外光谱漫透射技术应用于在线检测研究,并采取偏最小二乘回归(PLSR)算法结合不同光谱预处理方法建立苹果内部的可溶性固形物含量(SSC)的定量模型。结果表明:采用一阶微分结合多元散射校正(MSC)预处理后的模型最稳定,校正集和预测集的标准差分别为0.17和0.39,校正集的相关系数也达到0.988 3。试验结果说明近红外光谱漫透射技术能够快速、无损地检测出苹果的可溶性固形物含量。     

基于CARS-SPA的苹果可溶性固形物可见/近红外光谱在线检测

采用CARS(competitive adaptive reweighted sampling)联合连续投影算法(SPA)方法筛选苹果可见/近红外光谱的特征变量,继而联合多种不同建模方法建立苹果可溶性固形物(SSC)预测模型,并对预测模型进行对比研究。研究结果显示,采用CARS-SPA联合筛选出的31个变量,通过采用PLS建立苹果SSC的可见/近红外光谱在线检测模型性能最稳定,其变量数仅为原始光谱的1.69%,预测集的相关系数和均方根误差分别为0.936和0.351%。研究表明采用CARS-SPA能有效提取苹果SSC的光谱特征变量,能有效简化模型并提高模型精度。     

基于近红外光谱结合波长优选检测单颗葡萄的SSC含量

采用无损检测测定单颗葡萄中可溶性固形物(SSC)含量,获得个体和群体信息,以期指导田间管理、葡萄储存条件设置及满足消费者对葡萄口味的不同需求。采用手持式NIR光谱仪在950~1 650nm波长范围采集葡萄的近红外光谱,采用偏最小二乘(PLS)回归建立葡萄SSC预测模型。为了减少冗余无信息变量,增加模型的预测精度和稳定性,采用无信息变量消除法(UVE)、随机蛙算法(RF)筛选出与葡萄SSC含量相关的重要波长变量。结果表明:RF筛选建立的SSC预测模型优于全光谱PLS和UVE筛选建立的模型。RF-PLS模型的校正集、交叉验证及预测集的R2c、R2cv和R~2p分别为0.960 5,0.933 4,0.930 4,校正均方根误差(RMSEC),交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.638 2,0.829 9,0.868 8。表明通过波长优选后的,基于便携式近红外光谱在预测单颗葡萄SSC含量的应用上完全可行,有较高的预测精度。     

基于可见/近红外光谱技术的便携分析仪的应用

目的为解决水果内部品质信息的快速无损检测,自主研制了一台基于可见/近红外光谱技术的便携式分析仪,通过试验验证其可行性及所建模型的鲁棒性。方法以红富士苹果为检测对象,采集透射光谱曲线,与化学指标可溶性固形物含量(soluble solid content,SSC)分别建立基于平均光谱、基于各采样光谱的偏最小二乘(partial least squares,PLS)回归模型,比较预测精度并对非同批次样本进行预测。结果试验表明该分析仪对苹果SSC具有较高的测量精度,特别是基于各采样光谱的PLS模型,对同批次样本预测相关系数(Rp)达到0.924,预测均方根误差低至0.429%Brix,预测精密度(平均偏差)低至0.136%Brix,对非同批次样本SSC表现出较强的鲁棒性能,预测均方根误差为0.531%Brix。结论通过此项研究,表明该便携分析仪可用于水果内部品质信息的定量分析,并建议采用基于各采样光谱建立的回归模型用于外来样本的预测。     

基于近红外光谱技术的老陈醋可溶性固形物定量分析

可溶性固形物含量(SSC)是食品行业的重要技术参数之一。利用近红外光谱技术对不同醋龄的老陈醋SSC进行分析。在不同光谱预处理下,分别采用主成分回归(PCR)和偏最小二乘法(PLS)建立SSC的定量分析模型。结果表明,采用5点平滑预处理后,利用PLS建立的老陈醋SSC的定量分析模型最优,其校正集的相关系数R为0.999 9,校正标准偏差(RMSEC)为0.038 3,预测标准偏差(RMSEP)和交叉验证标准偏差(RMSECV)分别为0.082 1,0.096 4。表明采用近红外光谱技术对不同醋龄的老陈醋SSC进行定量分析建模是可行的。     

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。     

应用近红外光谱对老陈醋进行定性定量的检测研究

利用近红外光谱结合DA和PLS算法在不同光谱预处理方法下,对山西老陈醋醋龄进行定性判别分析,并建立陈醋可溶性固形物(SSC)及pH值的定量模型.结果表明:原始光谱、5点平滑以及SNV校正建立的DA模型性能良好,校正集判别正确率为100％,预测集判别正确率为88.89％;原始光谱建立的可溶性固形物的PLS定量模型最优,校正集和预测集的相关系数r分别为0.99988和0.99960,RMSEC,RMSEP和RMSECV分别为0.0421,0.0911和0.0777;5点平滑建立的pH值的PLS定量模型最优,校正集和预测集的相关系数r分别为0.99733和0.97411,RMSEC,RMSEP和RMSECV分别为0.0151,0.0386和0.0468.     

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。     

基于变量筛选的温州蜜桔品质的光谱快速检测

目的利用可见/近红外光谱技术结合变量筛选算法建立预测模型。方法采集7个不同批次蜜桔样本的漫透射光谱,预处理优化后,以无信息变量消除法(uninformative variable elimination,UVE)、竞争性自适应重加权法(competitive adaptive reweighting sampling,CARS)及其组合(UVE-CARS)共3种策略来进行光谱有效波段的筛选,建立蜜桔可溶性固形物含量(soluble solid content,SSC)的偏最小二乘预测模型(partial least square,PLS)。结果比较全变量模型和3个特征变量模型的预测性能,UVE-CARS-PLS模型取得了最优的检测效果,相比全变量模型,建模变量数减少了96.5%,其预测集相关系数R_P提升至0.732,预测集均方根误差(root-mean-square error,RMSEP)下降至0.873~0Brix。结论结合多重变量选择算法,可以进一步压缩建模变量数,简化模型,提高模型预测精度,实现区域蜜桔品质的光谱快速检测。     

近红外漫反射无损检测赣南脐橙中可溶性固形物和总酸

目的:利用近红外漫反射无损检测技术对赣南脐橙可溶性固形物和总酸含量进行相关研究。方法:通过自行设计的NIR光谱系统测定150个赣南脐橙可溶性固形物和总酸。120个赣南脐橙样品用来建模,其余30个用来验证模型的性能。采集完整赣南脐橙的近红外漫反射光谱(350～1800nm),光谱经移动窗口平滑处理、一阶微分和二阶微分预处理后,再分别采用主成分回归(PCR)和偏最小二乘法(PLS),建立赣南脐橙可溶性固形物和总酸含量的定量预测数学模型。结果:采用一阶微分结合偏最小二乘法所建模型的预测效果较好,可溶性固形物和总酸含量定量预测数学模型的相关系数分别为0.9263和0.9562,均方根误差分别为0.4102°Brix和0.018%。结论:近红外漫反射光谱作为一种无损的检测方法,可用于评价赣南脐橙的可溶性固形物和总酸含量。     

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。     

蓝莓可溶性固形物、总酸近红外无损检测模型的建立

建立了近红外漫反射光谱技术检测蓝莓可溶性固形物、总酸的数学模型,并对其进行评价。实验比较了在近红外全波长范围400~2 500 nm内,不同的光谱预处理方法对模型的影响。结果表明利用偏最小二乘法(PLS)、一阶导数(D1Log(1/R))和加权多元离散校正处理(WMSC)建立的可溶性固形物含量(SSC)定标模型预测结果相对较好。其预测相关系数Rp2为0.8518,预测标准误差(SEP)为0.351,相对分析误差(RPD)为2.05。总酸的最佳模型处理条件为改进偏最小二乘法(MPLS)、二阶导数(D2Log(1/R))和WMSC,其Rp2为0.8776,SEP为0.042,RPD为2.10。由此确定近红外漫反射技术可用于蓝莓可溶性固形物、总酸含量的快速无损检测。     

近红外漫反射无损检测梨果可溶性固形物的研究

应用近红外漫反射无损检测梨果可溶性固形物。通过自行设计的NIR光谱系统测定了240个梨果样品的SSC。180个梨果样品用来建模,其余60个用来验证模型的性能。采集完整梨果的近红外漫反射光谱（350～1 800 nm）,光谱经移动窗口平滑处理、一阶微分和二阶微分预处理后,再分别采用多元线性回归、主成分回归和偏最小二乘法,建立梨果可溶性固形物的定量预测数学模型。结果表明：采用一阶微分结合偏最小二乘法所建模型的预测效果较好,可溶性固形物定量预测数学模型的相关系数为0.928 5,均方根误差为0.436 4。近红外漫反射光谱作为一种无损的检测方法,可用于评价梨果的可溶性固形物。     

融合不同成熟度的苹果可溶性固形物预测模型研究

目的为实现对不同成熟度的苹果可溶性固形物的预测,建立普适性强的混合分析模型。方法选取甘肃静宁241个不同成熟度的苹果作为研究对象,利用近红外光谱采集系统获取苹果漫反射光谱信息,并对苹果可溶性固形物含量进行测定。利用S-G卷积平滑、多元散射校正(multiplicative scatter correction,MSC)、以及标准正态变量变换(standard normal variable transformation,SNV)等预处理方法结合竞争自适应加权算法(competitive adaptive reweighted sampling,CARS)、随机蛙跳(random frog,RF)算法提取苹果可溶性固形物的特征变量,然后利用偏最小二乘回归(partial least squares regression,PLS R)和支持向量机(support vector machine,SVM)算法建立分析模型。结果对比发现,采用RF选取的特征波长变量数更少且预测精度优于CARS,原始波长点由1251个减少到55个,MSC-RF-PLSR建立的模型预测结果最好,其预测相关系数r和预测均方根误差分别为0.906和0.744。结论采用近红外光谱方法构建的苹果可溶性固形物混合分析模型可以实现对苹果不同成熟度的预测,为建立适用于不同成熟度苹果的可溶性固形物便携设备提供理论依据。     

基于近红外光谱对桃果实低温贮藏品质的定量检测

采用近红外光谱法结合化学计量学方法对桃果实的可溶性固形物(SSC)含量、总酸(TA)含量、糖酸比和硬度等4种品质进行快速检测,研究不同光谱预处理算法对模型的影响,建立偏最小二乘法(PLS)预测模型。建模前,采用方差分析和Pearson相关性分析研究几种指标的关系。桃果实贮藏期的SSC含量、TA含量、糖酸比和硬度最优PLS模型的校正集相关系数分别为0.93,0.69,0.74和0.97;验证集相关系数分别为0.79,0.69,0.68和0.95。交互验证均方根误差(RMSECV)为0.56,0.11,4.24和8.81,预测集均方根误差(RMSEP)为0.89,0.10,6.02和16.22。试验结果表明,近红外光谱对桃果实SSC含量和硬度的快速检测是可行性的,TA含量和糖酸比的预测算法需进一步优化。本研究为实际生产中近红外光谱对桃果实低温贮藏品质无损检测与质量控制提供技术参考。     

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。