基于近红外光谱的橙汁中酸土脂环酸芽孢杆菌的生长预测

酸土脂环酸芽孢杆菌（Alicyclobacillus acidoterrestris）是引起橙汁劣变的主要微生物，为研究酸土脂环酸芽孢杆菌在橙汁中的生长规律，利用近红外光谱获取橙汁中酸土脂环酸芽孢杆菌含量的信息，采用标准化（autoscale）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）、去趋势化（detrend）对光谱进行预处理，结合化学计量学，构建近红外光谱与酸土脂环酸芽孢杆菌含量预测模型。在此基础上，将近红外光谱转换为酸土脂环酸芽孢杆菌预测菌落数据，并采用“一步法”直接基于预测菌落数构建橙汁中酸土脂环酸芽孢杆菌的生长模型。结果表明，利用标准化进行光谱预处理建立的偏最小二乘（partial least squares,PLS）模型对橙汁中酸土脂环酸芽孢杆菌含量的预测效果相对较好，其预测决定系数（prediction determination coefficient,Rp2）与预测均方根误差（root mean square error of prediction...     

典型块状煤的可见-近红外光谱特征分析

本文综合论述了典型块状煤的可见-近红外光谱特征,首先对煤种选取和测定的基本方式进行细致论述,之后分析了煤反射光谱曲线的典型特征,并得出了典型块状煤在可见-近红外波段光谱测试的结果,旨在于通过此次论述分析,在实际工作中以最快的速度和最低的成本识别块状煤的种类,并为煤炭探测光谱传感器的研发提供全新的思路。     

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。     

食醋总酸近红外快速检测方法的研究

利用傅立叶变换近红外光谱技术结合偏最小二乘法（PLS）对食醋的总酸进行快速检测分析。随机采集106个不同酸度食醋的实验数据、扫描近红外光谱图，选择最优的光谱预处理方法优化、建立模型。利用模型对15个未参与建模的食醋样品总酸的含量进行预测，外部验证模型的准确性。结果表明，食醋总酸实测值与对应采集的近红外漫反射光谱相关联建立的快速检测模型，其近红外食醋总酸模型的交叉验证决定系数（R2）为0.972 3，交叉验证均方差（RMSECV）为0.062 1。经外部验证后，该模型食醋总酸预测值和实测值的绝对偏差平均值为0.035，最大相对误差为1.383%，两者间相关性系数为0.995。该方法可以快速、高效、简便地用于食醋总酸的快速检测。     

基于近红外光谱法快速鉴别转基因油研究

采用近红外光谱法对转基因油/非转基因油的混合溶液进行研究。对采集到的原始光谱分别进行多元散射校正（MSC）、一阶导数（FD）、移动窗口平滑（MWS）、Savitzky-Golay平滑一阶导数（SG1）预处理。研究比较了不同预处理方法对转基因油/非转基因油支持向量机（SVM）建模判别分析的影响，其中MSC预处理后的模型预测效果最好，准确率为91.6%。为了进一步提高模型的精度与稳定性，采用连续投影算法（SPA）对全波长进行特征波长筛选。利用筛选后的15个特征波长输入到SVM中，预测准确率提高到98.3%。实验结果表明，采用近红外光谱法，可以实现对转基因油/非转基因油快速检测，不仅适用于纯转基因油的鉴别，也适用于非转基因油中掺入转基因油的鉴别。     

近红外光谱法对松原不同品种大米的确证探究

该文提出一种对松原不同品种大米进行判别的方法,对来自松原的稻花香、小高粱、通系926、吉粳515、农大521,5个品种共368个大米样品,利用波数范围为12000 cm^-1~4000 cm^-1的傅里叶近红外光谱仪获取光谱数据并对数据进行6种方法的预处理。结果表明,一阶导数结合SG9点平滑为最佳预处理方法,并用偏最小二乘判别(partial least squares discrimination analysis,PLS-DA)方法对校正样本建立判别分析模型,用验证集对模型进行验证,模型对验证集中稻花香、小高粱、通系926、吉粳515、农大521共5个品种的识别率均为100%;且优于主成分分析的结果。用来自柳河和梅河的稻花香样本与松原的稻花香样本进行产地判别,结果显示,此模型可以将松原样本与非松原样本进行判别。     

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。