基于可见-近红外光谱预测灵武长枣脆度及模型优化

利用可见-近红外光谱对在4℃下冷藏24 h的灵武长枣脆度进行检测,并建立了最优模型。通过400~1 000 nm高光谱成像系统采集了112个长枣图像,对原始光谱与经SNV,MSC、S-G、1ST、2ND、SNV+1ST、MSC+1ST、SNV+2ND、MSC+2ND、SNV+S-G、MSC+S-G预处理后光谱的偏最小二乘回归(PLSR)模型进行了对比分析;采用主成分分析法(PCA)、连续投影算法(SPA)、竞争性自适应重加权法(CARS)提取特征波长,分别建立偏最小二乘回归(PLSR)和主成分回归(PCR)模型;将经预处理后的简化PLSR模型与全波段PLSR模型进行了对比分析。结果表明,采用标准归一化法(SNV)预处理后的PLSR模型优于原光谱及其他预处理方法;提取特征波长后建立的CARS-PLSR模型优于CARS-PCR模型和全波段PLSR模型,其相关系数(RP)和预测均方根误差(RMSEP)分别为0.919、1.121。这表明,基于可见-近红外光谱检测冷藏灵武长枣脆度是可行的,SNVCARS-PLSR模型最佳。     

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 根据光谱-理化值共生距离分类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。采用卷积(Savitzy-Golay,S-G)平滑+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BP神经网络算法对模型进行优化。结果 BP神经网络算法建立的模型校正集决定系数为0.9032,校正集均方根误差(root means quare error of calibration,RMSEC)为0.1264,预测集决定系数为0.8569,预测集均方根误差(root mean square error of prediction, RMSEP)为0.0625。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...     

宁夏赤霞珠葡萄水分含量的高光谱无损检测研究

利用可见近红外高光谱成像技术对宁夏赤霞珠葡萄含水量的无损检测进行了初步探讨。通过高光谱成像系统(400~1000 nm)采集了136幅赤霞珠葡萄图像,对原始光谱、平均平滑、高斯滤波、中值滤波、卷积平滑、归一化、多元散射校正、标准正态化、基线校准、去趋势化等预处理的偏最小二乘回归(PLSR)模型进行对比分析;采用主成分分析(PCA)、偏最小二乘回归(PLSR)、连续投影算法(SPA)、竞争性自适应重加权(CARS)方法选择特征波长,建立4种特征波长下的PLSR的葡萄含水量预测模型,优选CARS提取特征波长的方法。在此基础上,对比分析了全波段与特征波长下的MLR、PCR、PLSR的葡萄含水量预测模型。结果表明:采用多元散射校正(MSC)光谱建立的PLSR模型优于原始光谱和其他预处理光谱的PLSR模型;CARS提取特征波长建立的PLSR模型优于多元线性回归(MLR)、主成分回归(PCR)模型,预测集的相关系数(R)和预测均方根误差(RMSEP)分别为0.806、0.144。因此,利用可见近红外高光谱成像技术提取特征波长进行宁夏赤霞珠葡萄含水量的检测是可行的。     

基于高光谱成像技术的小白杏成熟度判别模型

为快速、准确检测小白杏的成熟度,该研究选择七成熟、八成熟、九成熟、十成熟的小白杏样本各120个,采用近红外高光谱成像系统采集样本的高光谱数据,进行去除噪声和剔除界外样本处理。然后使用均值中心化（mean centering,MC）、Savitzky-Golay卷积求导法（Savitzky-Golay derivative,S-G）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变量变换（standard normal variate transformation,SNV）、归一化法5种方法分别对全波段和特征波段光谱进行预处理,采用光谱-理化值共生距离算法（sample set partitioning based on joint x-y distance,SPXY）、K-S法（Kennard-stone,K-S）、双向算法（Duplex）、交叉验证法、随机法将样本划分为校正集和验证集。最后用极限学习机（extreme learning machine,ELM）、支持向量机（support vector machine,SVM）、偏最小二乘法（partial least squares,PLS）、K最邻近法（K-nearest neighbor,KNN）、贝叶斯判别法建立不同的分类判别模型,比较各模型的识别率。结果表明,对小白杏成熟度定性判别模型,有以下最优组合：全波段+MSC+SPXY/Duplex/K-S/交叉验证/随机法+ELM/PLS/SVM/KNN、全波段+S-G/MSC/归一化/SNV+随机法+贝叶斯、全波段+S-G+SPXY/Duplex/K-S/交叉验证/随机法+ELM/PLS/SVM/KNN、全波段+归一化+SPXY/Duplex/K-S/交叉验证/随机法+PLS、特征波段+MSC+SPXY/Duplex/K-S/交叉验证/随机法+ELM/PLS/SVM/KNN/贝叶斯、特征波段+归一化+SPXY/Duplex/K-S/交叉验证/随机法+PLS。     

近红外光谱法快速检测甜菜糖度的模型优化

目的建立起近红外光谱技术关于甜菜糖度的最佳预测模型。方法研究了Savitzky-Golay平滑处理、Savitzky-Golay导数、均值中心化、差分求导、净分析信号、去趋势校正、标准正态变量变换和多元散射校正等8种预处理方法的多方法联用处理进行光谱数据的预处理,结合光谱波段优选,建立甜菜糖度与近红外光谱的预测模型。结果在进行模型的评价时,以误差均方根(SEP)、校正标准误差(SEC)与交叉检验误差(SECV)作为评价指标。结论发现经过光谱波段优选之后,结合Savitzky-Golay平滑、Savitzky-Golay导数、去趋势校正及均值中心化进行光谱数据的预处理得到的模型效果最佳。     

基于NIR高光谱成像技术的滩羊肉内部品质无损检测

利用近红外高光谱成像技术对滩羊肉蛋白质和脂肪含量、pH值进行无损检测研究。通过高光谱系统(900~1700 nm)采集69个羊肉样本信息,先对全波段下的原始光谱和预处理后光谱建立偏最小二乘回归(PLSR)模型,对比优选出最佳预处理算法,后采用PLSR的加权β系数法提取特征波长,建立特征波长下各品质参数的PLSR模型,分析预测效果。结果表明:羊肉蛋白质、脂肪含量、pH值最佳预处理方法为基线校准(Baseline)、多元散射校正与S-G卷积平滑结合算法(MSC+SG)和原始光谱;利用特征波长建立预测模型,决定系数(RP2)分别为0.83、0.86和0.72,预测均方根误差(RMSEP)为0.57、0.09和0.12,可替代全波段建模。利用近红外高光谱成像技术对羊肉内部品质进行快速无损检测是可行的。     

苹果中糖酸度的CCD近红外光谱分析

应用自行搭建的CCD近红外光谱系统检测苹果的糖酸度。通过Y型光纤采集120个红富士苹果的漫反射光谱,采用偏最小二乘回归(PLSR)建立苹果糖度、酸度的定量预测模型。针对CCD光谱噪声较大的特点,采用S-G平滑、一阶导数、二阶导数对光谱进行预处理。结果表明,S-G平滑后所建模型的效果最好,糖度、酸度的相关系数(r)分别为0.9240、0.8151,标准校正误差(SEC)分别为0.9254、0.0120,标准预测误差(SEP)分别为0.9407、0.0204。本研究说明应用CCD近红外光谱仪,在630～1030nm波段实现对苹果糖度、酸度的无损检测具有可行性。     

盐池滩羊肉脂肪含量的高光谱预测模型构建

本文利用可见-近红外高光谱成像技术预测冷鲜滩羊肉脂肪含量,优选最佳预测模型。测定90个滩羊背最长肌的脂肪含量并采集其光谱图像,对原始光谱进行不同种预处理后,构建了全波段下的偏最小二乘回归(PLSR)和主成分回归(PCR)的光谱预测模型。为减少模型运算次数,在预处理效果最优的全波段模型上采用连续投影算法(SPA)、应用竞争性自适应重加权(CARS)、变量组合集群分析(VCPA)和波长空间迭代收缩(IVISSA)方法提取特征波长,构建脂肪含量的光谱预测模型。结果表明:采用归一化(Normlize)预处理后光谱构建的PLSR全波段模型效果最好,校正集模型相关系数(Rc)达到0.921;采用多元散射校正(MSC)预处理后光谱构建的PCR全波段模型效果最好,其校正集模型相关系数(Rc)达到0.850;在4种提取特征波长过程中,IVISSA算法所提取特征波长的交互验证均方根误差(RMSECV)最低,为0.0072;Normlize-IVISSA-PLSR模型较其他3种算法所构建的PLSR模型效果最优,其校正集相关系数(Rc)和预测集相关系数(Rp)值分别为0.931和0.754,表明利用高光谱技术对盐池滩羊肉脂肪含量进行预测是可行的。研究成果为冷鲜滩羊肉品质在线光谱快速无损检测系统开发提供理论依据。     

拉曼光谱与中红外光谱融合技术快速定量食用酒精的乙醇浓度

目的? 利用拉曼光谱与中红外光谱的数据融合技术实现对食用酒精乙醇浓度（酒精度）的快速定量检测。方法? 首先,分别采集不同浓度食用酒精水溶液的拉曼光谱与中红外光谱。其次,采用多元散射校正(multiplicative scatter correction, MSC)、卷积平滑(Savitzky-Golay, S-G)、一阶求导的方法对原始数据进行预处理。然后,基于自举软缩减法(bootstrapping soft shrinkage, BOSS)和无信息变量消除算法(uninformative variable elimination, UVE)分别对预处理后的光谱数据进行特征提取,并利用X-Y距离样本集划分法(sample set partitioning based on joint x-y distance, SPXY)将光谱数据划分为校正集和预测集。最后,建立基于拉曼光谱－中红外光谱数据融合的偏最小二乘（partial least squares regression,PLSR）食用酒精乙醇浓度预测模型,并利用麻雀搜寻算法优化的混合核极限学习机算法（SSA-HKELM）提升预测性能,实现对不同浓度食用酒精的快速、准确定量检测。结果? 与拉曼光谱数据、中红外光谱数据以及中红外与拉曼光谱的数据层融合构建的预测模型相比,中红外光谱与拉曼光谱特征层融合数据构建的预测模型具有更好的预测性能。其中,最优模型的校正集均方根误差(root mean squared error of calibration set, RMSEC)为0.98314,校正集决定系数(coefficient of determination of calibration set, Rc2)为0.99634,预测集均方根误差(root mean squared error of prediction set, RMSEP)为1.03256,预测集决定系数(coefficient of determination of prediction set, Rp2)为0.99036。结论? 中红外光谱与拉曼光谱特征层融合预测模型可以实现对不同浓度食用酒精的高效定量检测,为食用酒精的质量检测提供了有效的理论支持与技术保障。     

基于粒子群优化算法优化反向传播神经网络构建冷藏草鱼新鲜度的近红外光谱预测模型

目的 构建基于各种机器学习算法结合近红外光谱的模型，从而确定出更准确预测冷藏草鱼新鲜度的方法。方法 采集连续冷藏6 d的草鱼片的新鲜度指标, 并进行方差分析。选择受冷藏天数影响最大的指标: 总挥发性盐基氮(Total volatile basic nitrogen, TVB-N)进行定量预测。运用x-y距离结合的样本划分(sample set partitioning based on joint x-y distance, SPXY)方法进行数据集的划分, 并采用正交信号校正法(orthogonal signal correction, OSC)、Savitzky-Golay (SG)、一阶导数及其组合算法进行光谱预处理。再运用竞争性自适应重加权采样(competitive adaptive reweighted sampling, CARS)、连续投影算法(successive projections algorithm, SPA)、主成分分析(principal component analysis, PCA)对光谱变量进行选择和降维。最后结合偏最小二乘回归(partial least squares regression, PLSR)、反向传播神经网络(back propagation neural network, BPNN)和粒子群优化算法(particle swarm optimization, PSO)优化BP神经网络(PSO-BP)建立草鱼(Ctenopharyngodon idella)片新鲜度定量预测模型。结果 各线性和非线性模型均得到了良好的预测效果, 预测集相关系数均超过了0.95。PLSR表现较为稳定, BP神经网络虽提高了校正集预测性能, 但是预测集性能不如PLSR。PSO-BP既保证了校正集预测性能, 也提高了预测集性能。基于OSC+D1预处理和CARS变量选择后的PSO-BP模型性能最优(R2P=0.987, 预测集的均方根误差为0.108, 相对分析误差为7.778)。结论 基于PSO-BP算法和近红外光谱结合的定量预测模型, 可以很好的预测冷藏鱼肉的新鲜度指标。     

基于近红外光谱技术快速检测小龙虾中的生物胺

目的 建立近红外光谱法快速检测小龙虾中总生物胺含量的方法。方法 利用近红外光谱仪采集154个不同新鲜程度小龙虾样品的近红外光谱, 使用高效液相色谱技术检测对应样品总生物胺含量; 使用KS(Kennard-Stone)算法将103个样品作为训练集, 51个样品作为预测集。采用多元散射校正(multiplicative scatter correction, MSC)、标准正态变换(standard normal variate, SNV)、小波变换(wavelet transform, WT)和1阶导数(1st)分别对样品的光谱进行处理, 利用训练集样品的光谱和生物浓度建立偏最小二乘回归(partial least squares regression, PLSR)模型, 使用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)进一步选择波长, 对模型进行优化。结果 经过小波变换处理之后的光谱所建立的PLSR模型具有较好的预测结果, CARS方法可以进一步提高模型的预测和解释能力, 预测集生物胺的预测均方根误差(root mean square error of prediction, RMSEP)值和决定系数(r2)分别可达55.74和0.92。结论 基于近红外光谱分析技术快速检测小龙虾总生物胺含量是可行的, 优化后的PLSR模型可以用于评价小龙虾总生物胺含量。     

基于高光谱成像技术无损检测芒果轻微损伤

目的 使用高光谱成像技术实现对芒果轻微损伤的无损识别。方法 在可见光-近红外波长范围内采集完好芒果和损伤芒果的高光谱图像,并提取相应的感兴趣区域(regions of interest, ROI)获得样本高光谱数据。经过多种预处理方法比较,选择光谱预处理方法。使用竞争性自适应重加权算法(competitiveadaptivereweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)分别对预处理后的光谱提取特征波长,并分别建立了多元线型回归(multiplelinearregression,MLR)模型和偏最小二乘回归(partialleastsquaresregression,PLSR)模型。结果 选择多元散射校正(multiplicative scatter correction, MSC)作为光谱预处理方法。针对芒果轻微损伤识别,CARS-MLR模型识别效果最好,其校正集相关系数为0.881,预测集相关系数为0.821,校正集均方根误差(calibration set root mean squa...     

生鲜紫薯花青素等多品质参数的可见-近红外快速无损检测

基于实验室自行搭建的可见-近红外光谱系统,以市售生鲜紫薯为研究对象,探讨其花青素、可溶性固形物（soluble solid contents,SSC）以及总糖（total sugars,TS）的同时快速无损检测方法。对紫薯原始光谱进行SG（Savitzky-Golay）平滑、标准正态变量变换以及一阶求导预处理,然后用偏最小二乘回归法进行建模分析。对于花青素和TS,经SG平滑结合一阶求导预处理的模型预测效果最佳;对于SSC,经SNV预处理的模型预测效果最好。针对紫薯各参数最佳预处理光谱采用竞争性自适应加权算法进行波长筛选,再次建立模型。花青素模型预测集的相关系数为0.942 1,预测均方根误差（root mean square error of prediction,RMSEP）为0.225?9?mg/g;SSC模型预测集相关系数为0.943?1,RMSEP为0.878?7?°Brix;TS模型预测集的相关系数为0.925?3,RMSEP为0.244?3%。结果显示,利用可见-近红外光谱可以实现对生鲜紫薯的花青素、SSC以及TS的同时快速无损检测,对生鲜紫薯品质的快速无损检测分选有着重要的实用意义。     

基于VIS/NIR高光谱技术的灵武长枣SSC含量的无损检测研究

利用高光谱技术对灵武长枣可溶性固形物含量(SSC)检测进行研究,为灵武长枣内部品质无损检测提供科学方法。以灵武长枣为对象,对光谱数据进行预处理,应用连续投影算法(SPA)和正自适应加权算法(CARS)进行关键波长的选择,通过偏最小二乘回归(PLSR)和主成分回归(PCR)建立预测模型。实验结果表明:采用去趋势(Detrend)预处理算法效果最优,PLSR模型的交叉验证相关系数(Rcv)为0.809,交叉验证均方根误差(RMSECV)为1.331;通过SPA算法和CARS算法能够有效地对光谱数据进行降维处理,对SPA优选的8个和CARS优选的21个特征变量分别用PLSR和PCR建立预测模型,CARS-PLSR建模效果最优,其相关系数(Rp)为0.864,预测均方根误差(RMSEP)为1.174;研究结果表明基于高光谱成像技术采集的灵武长枣漫反射光谱进行SSC无损检测具有可行性。     

库尔勒香梨感官及理化指标的定量无损检测

目的 利用高光谱成像技术建立库尔勒香梨分级指标的快速检测方法。方法 选择采摘期香梨作为研究样本, 以颜色（a*）、硬度（带皮硬度, Hardness）和可溶性固形物（soluble solids content, SSC）为研究指标, 使用高光谱成像系统采集样本900~1700 nm范围波长的漫反射光谱。提取样本感兴趣区域（region of interest, ROI）的光谱进行预处理, 采用多元散射校正（muliplication scattering correction, MSC）、标准正态变量变换（standard normal variable transformation, SNV）及其分别与卷积平滑滤波法（savitzky-golay, S-G）相结合的组合处理方法。基于不同的预处理结果建立偏最小二乘回归（partial least squares regression, PLSR）预测模型, 以验证集相关系数(Rv)和均方根误差(RMSEv)对模型进行评价。为进一步优化模型, 采用竞争性自适应重加权算法（competitive adaptive reweighted sampling, CARS）筛选特征波长, 并建立PLSR模型和最小二乘支持向量机（least square-support vector machine, LS-SVM）模型对比建模效果。结果 采用MSC-SG-PLS建立的模型判别准确率最高, 颜色预测模型的Rv和RMSEv值分别达到0.844和0.402; 硬度预测模型的Rv和RMSEv值分别达到0.823和0.417 kg/mm2; 可溶性固形物预测模型的Rv和RMSEv值分别达到0.902和0.301 %。采用CARS算法建立的LS-SVM模型效果最佳, 香梨颜色、硬度和SSC的模型预测值与标准理化值的相关系数分别为0.873、0.908和0.916, 均方根误差分别为0.375、0.385 kg/mm2和0.346 %。结论 研究表明, 利用高光谱成像技术可以实现库尔勒香梨多品质参数的无损检测。     

灵武长枣蔗糖含量的高光谱无损检测

利用高效液相色谱法检测蔗糖含量,同时运用高光谱成像技术结合化学计量方法建立蔗糖预测模型;通过竞争性自适应加权（competitive adaptive reweighted sampling,CARS）算法、连续投影算法（successive projection algorithm,SPA）和无信息消除变量（uninformative variable elimination,UVE）降维处理,建立特征波段和全波段的主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）和多元线性回归（multivariable linear regression,MLR）模型。结果表明,采用蒙特卡洛方法剔除异常样本后,相关系数由0.611增大到0.846;正交信号校正法预处理效果最佳,RC和RP分别为0.853和0.794;利用SPA、UVE、CARS、CARS＋SPA和CARS＋UVE五种方法提取了5、21、17、10、18 个特征变量,其中CARS-PCR模型最好,校正集、预测集的相关系数为0.861、0.843,校正集、预测集的均方根误差为0.013 mg/g和0.014 mg/g。综上,高光谱成像技术可以实现长枣蔗糖含量的预测,为更深一步探讨枣的内部品质提供参考。     

基于高光谱成像技术的鸡蛋哈氏单位快速无损检测

本实验利用高光谱(900~1700 nm)成像技术结合化学统计学算法,对鸡蛋哈氏单位的无损检测进行研究。采集样品原始光谱信息,经S-G卷积平滑、MSC、SNV预处理后建立PLSR模型,优选最佳预处理方法;利用PLSR的加权β系数、遗传算法GA提取特征波长,分别建立PLSR、PCR模型,比较建模效果,优选最佳特征波长提取方法及建模方法。结果表明,预处理后建模效果并未提高,即以原始光谱作为建模对象,采用遗传算法提取特征波长后建立的PLSR模型效果最好,其R_C为0.8118,校正集均方根误差是2.9677,R_P为0.8203,预测集均方根误差是3.2762。因此,利用高光谱技术无损检测鸡蛋哈氏单位是可行的,同时为鸡蛋的新鲜度快速判别、分级分选提供理论依据。