基于高光谱成像技术的板栗产地溯源

目的 建立了一种基于高光谱成像(Hyperspectral Imaging, HSI)技术的板栗产地溯源模型。方法 采集怀柔、迁西和沂蒙短枝三种不同产地板栗的高光谱图像,提取感兴趣区域(Region of Interest, ROI),建立支持向量机(Support Vector Machine, SVM)板栗产地溯源模型,通过比较分析不同预处理方法对建模结果的影响,选出最佳的预处理组合方法,并使用遗传算法对模型进一步优化。结果 实验结果表明,经多元散射校正(Multiplicative Scatter Correction, MSC)和移动窗口平滑法(Moving Window Smoothing, MWS)组合预处理后的数据所建立的溯源模型预测性能最好,分类的预测精确率达到了95%以上,模型整体的准确率为96.61%。经遗传算法(Genetic Algorithm, GA)对SVM的参数C进行优化,优化后的模型对怀柔板栗和沂蒙短枝板栗的预测精确率达到了100%,模型整体的准确率提高到了98.31%。结论 本研究基于高光谱成像技术建立了一种板栗产地溯源模型,经预处理和参数优化后,所建立的模型具有较好的预测性能,为板栗的产地溯源提供了一种新方法。     

京郊鲜食杏白利糖度的便携式光谱快速无损检测方法研究

目的 建立京郊鲜食杏白利糖度的定量分析预测模型, 实现对京郊鲜食杏品质的快速无损检测。方法 使用便携式近红外光谱仪采集900~1700 nm下鲜食杏的漫反射光谱信息, 使用多元散射校正(multiplicative scatter correction, MSC)、标准正态变量变换(standard normal variable transformation, SNV)和Savitzky-Golay卷积平滑(Ssavitzky – Ggolay smooth, S-G)对原始光谱数据进行预处理, 使用Kennard-Stone (K-S)算法以3:1比例将样本集划分成校正集和预测集, 利用竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)算法和连续投影算法(successive projections algorithm, SPA)对光谱进行特征波长筛选, 使用偏最小二乘回归(partial least squares regression, PLSR)算法建立京郊鲜食杏白利糖度的预测模型。结果 以MSC+S-G+ CARS+PLSR算法建立的北京鲜食杏的白利糖度预测模型取得较好的预测精度, 模型的校正集均方根误差、校正集相关系数、预测集均方根误差、预测集相关系数分别为0.3502、0.9747、0.4698、0.9616。结论 基于便携式近红外光谱技术所采集数据构建的京郊鲜食杏白利糖度预测模型准确性较高, 可以快速准确检测鲜食杏白利糖度, 从而实现对鲜食杏品质的快速无损检测, 为鲜食杏的品质检测提供了理论依据和方法指导。     

荧光光谱技术结合机器学习算法检测大白菜中吡虫啉含量

目的 基于荧光光谱技术结合机器学习算法实现对大白菜中吡虫啉含量的检测。方法 采集400 nm激发下的130个农残光谱数据, 经过数据预处理、光谱特征筛选,构建基于支持向量机（Support vector machine, SVM）的吡虫啉残留含量预测模型,并利用麻雀搜索算法（Sparrow search algorithm, SSA）对SVM的参数进行寻优。结果 卷积平滑（Savitzky-Golay smooth,S-G）与标准正态变量校正(Standard normal variable, SNV)联用的预处理效果最好; 利用连续投影算法(Successive projections algorithm, SPA)对遗传算法(Genetic algorithm, GA)提取的特征波长进行二次特征降维能获得最优特征波段;SSA寻优后构建的SVM模型精度最佳,测试集决定系数为0.9234, 均方根误差为0.4129。结论 荧光光谱技术可以实现白菜中吡虫啉含量的检测,为蔬菜中农残快速检测提供了新的思路。     

基于高光谱技术的红茶茶多酚可视化研究

茶多酚是红茶重要营养成分之一,具有抗菌、保健功效。目的 为了实现对茶叶茶多酚含量快速无损检测,实时可视化,利用高光谱技术对英红九号红茶光谱、图像展开研究。方法 本实验在采集到128个红茶光谱数据并进行光谱预处理后,引入蒙特卡罗-高斯分布方法寻找异常样本。经两次异常样本剔除,各模型预测集决定系数r_²均有0.2~0.4的大幅提升。为解决大样本模型训练时间长、数据冗余问题,采用连续投影算法(SPA)进行波长筛选,共得到14个能反映红茶茶多酚含量的特征波长,并比较了最小二乘回归(PLSR)、支持向量机回归(SVR)、BP神经网路、粒子群优化最小二乘支持向量机回归(PSO-LSSVR)四种模型预测红茶茶多酚含量的精度。最后,以最优模型建立茶多酚可视化模型。结果 结果表明,合理剔除样本并以光谱特征为输入,结合PSO-LSSVR方法建立的模型预测集决定系数为0.903,预测精度达到了90%以上,基本实现了茶多酚含量可视化检测。结论 本研究为红茶茶多酚含量、红茶品质实时可视化检测提供了有效手段。     

基于近红外光谱技术的茶叶新旧鉴别及产地溯源研究

摘 要：目的 建立基于近红外光谱的定性分析模型,实现对茶叶的新旧分类和产地溯源。方法 首先采用傅里叶近红外光谱仪采集茶叶样品的漫反射光谱数据,然后使用SG平滑算法（savitzky-golay smoothing, SG）和数据标准化（normalization）对光谱数据进行预处理,最后基于遗传优化算法（genetic algorithem, GA）和粒子群优化算法（particle swarm optimization, PSO）分别建立了优化向量机模型（support vector machine, SVM）,从而实现新旧茶叶的分类以及产地溯源。结果 与GA-SVM模型相比,PSO-SVM模型的建模效果较好,且分类时间更短,在新旧鉴别和产地溯源实验中都达到了100%的预测精度。结论 基于近红外光谱建立的PSO-SVM模型可以实现茶叶新旧的判别以及产地溯源,为鉴别茶叶年份和追踪茶叶产地提供了理论支撑和技术指导。     

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。     

基于近红外光谱技术的食用油酸值和过氧化值定量分析研究

目的 建立基于傅里叶近红外光谱技术的定量分析模型, 实现快速测定食用油中酸值和过氧化值含量, 保证食用油的品质安全以及跟踪食用油储藏期间的品质变化。方法 首先采用傅里叶近红外光谱仪采集食用油样品漫反射光谱, 接着采用归一化(Normalize)和标准正态变换(standard normal variate, SNV)对光谱数据进行预处理, 降低原始光谱中噪声的影响; 其次通过随机森林(random forest, RF)和引导软收缩(bootstrapping soft shrinkage, BOSS)算法提取特征波长; 最后结合径向基函数(radial basis function, RBF)神经网络和极限学习机(extreme learning machine, ELM)建立食用油酸值和过氧化值的预测模型, 并与全波段的模型进行对比分析。结果 经过BOSS算法所提取的特征波段建立的模型预测效果优于RF算法以及全波段模型, 酸值模型的决定系数(determination coefficient, R2)达到0.98, 均方根误差(root mean square error, RMSE)达到0.08; 过氧化值模型的R2达到0.96, RMSE达到0.63。结论 BOSS算法有效的提取了食用油酸值和过氧化值的特征波段, BOSS-RBF模型能够适用于食用油中酸值和过氧化值含量的快速、无损检测。利用近红外光谱技术对食用油酸值和过氧化值进行定量分析是可行的, 可通过该方法实现对食用油品质的分析研究。     

基于极限学习机自编码算法的近红外光谱模型传递的研究

目的 针对食用油的酸值和过氧化值进行分析, 探究极限学习机自编码算法(transfer via extreme learning machine auto-encoder method, TEAM)在近红外光谱上的模型传递。方法 使用MATRIX-F和VERTEX-70两种红外光谱仪采集食用油近红外光谱数据, 利用多元散射校正方法对光谱数据进行预处理。然后基于TEAM建立传递模型, 并与直接标准化、分段直接标准化和斜率偏差校正算法的建模效果进行了对比。结果 经TEAM算法模型传递后提高了模型的精确度, 食用油酸值模型中, 决定系数(R2)从?1.3984升高到0.8553, 预测集均方根误差从1.0494 mg/g降低到0.2578 mg/g, 食用油过氧化值模型中, R2从0.6170升高到0.8987, 预测集均方根误差从18.2827 mmol/kg降低到10.4150 mmol/kg。结论 极限学习机自编码算法使从机数据更好适应主机模型, 提高了模型的稳定性和准确性。     

基于云计算的食品品质实时在线光谱检测系统实现

为解决光谱检测技术中的模型维护成本高、扩展性不足和光谱资源共享性较差等问题,改善专用便携式光谱仪检测分析对象的局限性,将光谱数据采集和分析功能进行解耦,使用Android开发工具和Java语言,开发了以便携式光谱仪、手机终端和云服务器构成的光谱实时在线检测系统,基于云计算服务完成云端光谱模型的建立与分析。以小麦粉面筋定量分析为例,采用多元散射校正、竞争性自适应重加权采样法、偏最小二乘回归算法建立小麦粉面筋定量分析模型,测试25个小麦粉样本并返回分析结果,验证系统可靠性。结果表明,25个小麦粉样本面筋含量误差范围在0~0.7%,分析结果消耗时间平均为7.09s,误差范围和分析结果耗时均在可接受范围内,验证了基于云计算服务实现光谱实时在线检测分析是可行的。通过部署不同食品主要成分的定量分析模型至云端,系统可实现多种食品品质的实时在线检测分析,希望为多场景下食品品质快速无损检测提供技术参考。     

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。