基于近红外高光谱成像技术的马铃薯淀粉含量无损检测

以马铃薯为研究对象,应用近红外高光谱成像技术(900¹ 700 nm)对马铃薯淀粉含量进行无损检测.采用多元散射校正法(MSC)对原始光谱进行预处理,并通过回归系数法(RC)和连续投影算法(SPA)选择特征波长.分别建立两种特征波长下的多元线性回归模型(MLR)和偏最小二乘回归模型(PLSR),并对比建模效果.结果表明,对于两种建模方法,采用连续投影算法选择特征波长建模的效果较好;SPA-MLR建模效果优于SPA-PLSR建模效果,其校正模型的相关系数(Rc)和均方根误差(RMSEC)分别为0.972、0.329;验证模型的相关系数(Rp)和均方根误差(RMSEP)分别为0.982、0.249.     

应用NIR高光谱成像技术检测羊肉脂肪和蛋白质质量分数

采用近红外高光谱成像技术(900～1 700 nm)对羊肉脂肪和蛋白质质量分数进行预测.通过近红外高光谱对72个羊肉样本进行高光谱图像采集,获取的光谱数据经过多元散射校正进行光谱预处理.通过回归分析选取对应的特征波长,利用BP神经网络结合脂肪和蛋白质的实测值,建立预测模型并对模型进行验证.结果显示,羊肉脂肪和蛋白质的预测模型效果较好.其中,脂肪模型的相关系数R和预测均方根误差RMSEP分别为0.91和0.73;蛋白质模型的相关系数R和预测均方根误差RMSEP分别为0.87和1.19.该研究表明,利用近红外高光谱成像技术预测羊肉脂肪和蛋白质质量分数是可行的.     

基于高光谱成像技术的马铃薯多种营养成分同时检测

利用高光谱成像技术对马铃薯淀粉、干物质、水分含量进行同时检测。采用多元散射校正方法(MSC)对原始光谱预处理,并通过竞争性自适应重加权算法(CARS)和连续投影算法(SPA)选择特征波长,分别建立两种特征波长下的偏最小二乘模型(PLS)和多元线性回归模型(MLR),并对比建模效果。结果表明,采用CARS选择的特征波长建模效果较好。淀粉的最优模型为CARS-MLR模型,其校正模型相关系数(RC)、校正模型的均方根误差(RMSEC)、预测模型的相关系数(RP)、预测模型的均方根误差(RMSEP)分别为0.965、0.376、0.950、0.361;干物质的最优模型为CARS-PLS模型,其RC、RMSEC、RP、RMSEP为0.954、0.386、0.947、0.383;水分的最优模型为CARS-PLS模型,其RC、RMSEC、RP、RMSEP为0.926、0.410、0.929、0.398。研究结果表明,CARS算法是一种有效的高光谱特征波长提取方法,利用CARS选择特征波长建立的预测模型可替代全波段建模。利用高光谱成像技术可以实现马铃薯多种营养成分同时检测。     

干扰校正组合法在近红外检测牛奶中的应用

以牛奶近红外透射光谱为研究对象,探讨不同干扰信息消除方法对牛奶主要成分定量检测模型的影响,对比分析了采用扩展多元散射校正、标准正交变换、正交信号校正、扣标准液校正法和小波变换处理后光谱的建模效果,并对干扰校正方法组合后的效果进行了评价.结果表明,使用干扰校正组合方法能更有效地消除无关信息对模型的影响,与最佳单一方法的结果相比,脂肪和蛋白质的预测精度分别提高了31.6%和30.0%.该研究为建立稳健的近红外牛奶检测模型提供了有效的预处理方法,对牛奶品质在线快速检测具有参考价值.     

对牛奶成分近红外光谱分析方法的研究

研究牛奶成分近红外光谱测量的基本方法,探讨了在用偏最小二乘(PLS)方法建立系统校正模型过程中,采用直接正交(DO)数据预处理方法滤除牛奶漫反射光谱中与待测组分质量浓度无关的干扰信息的可行性,并与多元散射校正(MSC)及二阶微分(SOD)等光谱数据预处理方法进行比较．实验结果表明：相对于DO处理前,PLS模型的实际预测偏差(RMSEP)明显改善,最佳主成分数降低;相对于其他数据预处理方法,DO处理后系统PLS模型的RMSECV及RMSEP相对较低．DO数据预处理方法是近红外光谱分析中,从复杂重叠光谱中提取净信号信息、滤除噪音、进一步改善对原始光谱数据解释的有效途径．     

高光谱技术识别煤岩的特征波段筛选方法研究

煤炭在中国工业和国民经济发展中起到重要作用。传统的人工识别煤岩界面效率低下,安全性无法保障,为实现采煤智能化和无人化,以高光谱作为技术手段,结合机器学习算法对煤岩进行分类识别。文中以淮南市谢桥矿区和潘一矿区的煤岩高光谱数据为研究对象,对煤岩原始光谱进行平滑处理(SG)、多元散射校正(MSC)、标准正态变量变换(SNV)和归一化(Norm)处理,采用竞争性自适应重加权采样(CARS)、连续投影法(SPA)和随机蛙跳(RF)算法获取预处理后煤岩高光谱数据中对煤岩识别敏感的优选波段,分别基于全波段和优选波段建立支持向量机(SVM)模型和偏最小二乘线性判别分析(PLS-LDA)模型,并对比模型识别精度。结果表明,优选波段主要分布在350～450 nm、1 250～1 450 nm、1 700～1 900 nm和2 100～2 300 nm之间,在实验室模拟环境中,由机器学习算法优选后的波段所建模型相较于全波段所建模型的识别精度有所提高,其中,基于Norm-CARS优选后的波段建立的PLS-LDA模型和基于SG-RF优选后的波段建立的SVM模型对建模集和测试集的识别正确率均达100%。利用机器学...     

基于连续小波变换参数选择的小麦近红外光谱模型优化方法研究

为了提高模型预测精度,结合连续小波变换（CWT）的最优参数选择,优化小麦蛋白质光谱模型。对原始光谱进行CWT,利用主成分分析（PCA）选出5种小波db1、sym2、sym5、sym7、coif1;在不同尺度参数下利用偏最小二乘法（PLS）建模,确定尺度参数为15;在此基础上,利用CWT结合多元散射校正（MSC）及支持向量机（SVM）建模确定最优小波db1;在最优参数下用CWT结合无信息变量消除算法（UVE）和连续投影算法（SPA）及SVM建立预测模型,预测均方根误差为0.3930,优于CWT-UVEPLS-SVM的0.4558和CWT-SPA-SVM的0.4415,研究结果表明,CWT参数选择可有效优化近红外光谱模型。     

基于BP神经网络检测面粉中滑石粉含量的研究

利用近红外光谱技术对掺杂滑石粉的小麦面粉进行了检测,采用多元散射校正对谱图进行预处理,利用BP神经网络中的SCG反向传播算法训练函数建立了面粉中滑石粉的定量分析模型,并对校正集和预测集进行了定量分析,分析结果为R2=0.997 3,RMSEC=0.436 7,RMSEP=1.708 8.结果表明,BP神经网络结合近红外光谱技术检测面粉中滑石粉含量具有快速、精度高、泛华能力强的优点,可用于面粉中滑石粉含量的快速准确检测.     

水体中硝酸盐氮含量的UV-Vis光谱学在线测量方法

采集74份标准水样进行紫外可见波段全光谱扫描,结合Savitzky-Golay(SG)平滑算法、标准正态变换(SNV)、一阶微分(1st D)等6种方法对提取的光谱数据进行去噪处理,然后采用半监督近邻传播算法(SAP)、连续投影算法(SPA)、无信息变量消除算法(UVE)进行特征波长的选择。基于全光谱法建立了偏最小二乘(PLS)模型,基于特征波长建立了极限学习机(ELM)模型,另外把PLS回归模型得到的主成分作为支持向量机回归(SVR)、BP和RBF神经网络的输入建立了PCA+SVR、PCA+BP和PCA+RBF模型。结果表明:使用主成分分析结合RBF神经网络建立的PCA+RBF预测模型效果最优,其相对误差最稳定并保持在较低水平,测量上限高达数百mg/L,为实现水体中硝酸盐氮的在线检测和其他水质参数的检测奠定了基础。     

近红外光谱法测定小麦籽粒中的蛋白质含量

用化学方法测定78个小麦籽粒样品中的蛋白质含量,利用近红外谷物分析仪采集样品的近红外光谱,选择合适的光谱区间和光谱预处理方法.60个定标集样品的近红外光谱经二阶导数及标准多元离散校正预处理,结合偏最小二乘法建立了小麦籽粒中的蛋白质含量测定的定标模型,其相关系数为0.934 0.18个验证集样品用于外部检验,小麦籽粒中的蛋白质含量的模型预测值与化学值之间的相关系数为0.979 7.