近红外荧光探针的合成、表征及应用分析

近红外荧光探针的发射波长能避免生物组织的干扰,对生物成像有较高的效率。文章对钯检测、N_2H_4检测、苯硫酚检测作为近红外荧光探针的合成、表征及具体在细胞中应用的分析。希望能为近红外荧光探针的更多应用和发展趋势做出不一样的分析方向。     

不同品牌豆浆粉与假冒豆浆粉无损鉴别方法的建立

基于近红外光谱技术与化学计量学方法建立一种适合于假冒以及国内外不同品牌豆浆粉的无损鉴别方法。采集国内外不同品牌豆浆粉以及假冒豆浆粉共132个样本的近红外光谱,利用连续小波变换方法扣除光谱中的背景和基线干扰,基于标准偏差与相对标准偏差筛选出特征波长,并结合主成分分析方法对不同品牌与假冒豆浆粉进行鉴别。结果表明:连续小波变换能够有效消除基线的干扰,波长筛选方法可以大大提高鉴别的准确性。采用该方法,假冒豆浆粉、进口豆浆粉与国产豆浆粉之间的鉴别准确率达100%,而不同品牌豆浆粉之间的鉴别准确率达93.94%。采用近红外光谱技术与化学计量学方可有效实现对国内外不同品牌豆浆粉以及假冒豆浆粉的快速无损鉴别分析。     

近红外光谱技术在蜂蜜检测中的应用

蜂蜜是一种天然食品,具有很高的营养和保健价值,广泛应用在食品、药品和化妆品等行业。传统方法对蜂蜜检测的分析手段较为单一,且操作过程较为复杂,无法实现快速和实时检测,难以满足对蜂产业质量检测要求。近红外光谱技术作为一种快速、高效、无损的检测手段,被广泛应用在蜂蜜检测之中。本文基于近红外光谱技术,从定量和定性方面综述了蜂蜜检测中模型建立方法,提出了近红外光谱技术在蜂蜜检测中存在的问题,并对进一步的研究提出了展望。     

基于深度学习的彩色以及近红外图像去马赛克

单传感器捕获的彩色-近红外（RGB-NIR）图像存在光谱干扰，从而导致重建出的标准彩色图像（RGB）图像与近红外（NIR）图像存在色彩失真以及细节信息模糊。针对这个问题提出一种基于深度学习的去马赛克方法，通过引入跳远连接与稠密连接解决了梯度消失和梯度弥散问题，使得网络更容易训练，并且提升了网络的拟合能力。首先，用浅层特征提取层提取了马赛克图像的像素相关性以及通道相关性等低级特征；然后，将得到的浅层特征图输入到连续多个的残差稠密块以提取专门针对去马赛克的高级语义特征；其次，为充分利用低级特征与高级特征，将多个残差稠密块提取到的特征进行组合；最后，通过全局跳远连接恢复最终的RGB-NIR图像。在深度学习框架Tensorflow上使用公共的图像与视觉表示组（IVRG）数据集、有植被的户外多光谱图像（OMSIV）数据集和森林（Forest）三个公开数据集进行实验。实验结果表明，所提方法优于基于多级自适应残差插值、基于卷积卷积和神经神经网络以及基于深度残差U型网络的主流的RGB-NIR图像去马赛克方法。     

基于近红外光谱的大豆油质量快速检测技术应用研究

利用近红外光谱快速检测大豆油脂的过氧化值和酸值,分析发现大豆油脂的过氧化值和酸值在近红外光谱区域有特征吸收峰,通过对比分析,优选出大豆油脂过氧化值特征波段为4500~9000 cm^-1,大豆油脂酸值的特征波段为4500~5000 cm^-1,采用小波变换对光谱去噪并利用PLS建立了预测模型,大豆油脂过氧化值和酸值模型的相对标准偏差RSD分别为3.513%和3.629%,准确度与化学方法相近,说明利用近红外光谱分析技术快速检测大豆油脂主要指标是可行的。     

基于深度学习的西瓜可见/近红外光谱可溶性固形物预测模型研究

通过可见/近红外光谱技术结合K最近邻法回归、随机森林回归、深度卷积神经网络及带有残差块的深度卷积神经网络4种化学计量学方法对不同糖度的西瓜进行定量判别,并借鉴适用于图像处理的深度网络模块对可见/近红外光谱进行建模。结果表明,深度学习网络模块一维化在可见/近红外光谱数据处理中体现了巨大潜力,卷积神经网络CNN模型在预测集中Rp为0.855 9,RMSEP为0.778 1 °Brix,加入Res-block后的改进卷积神经网络Res-CNN在预测集中Rp为0.893 2,RMSEP为0.710 4 °Brix。