䥺Symbol`@@基于近红外光谱漫透射技术的苹果可溶性固形物含量在线检测

为研究苹果的内部品质,提高检测的速度和稳定性,将近红外光谱漫透射技术应用于在线检测研究,并采取偏最小二乘回归(PLSR)算法结合不同光谱预处理方法建立苹果内部的可溶性固形物含量(SSC)的定量模型。结果表明:采用一阶微分结合多元散射校正(MSC)预处理后的模型最稳定,校正集和预测集的标准差分别为0.17和0.39,校正集的相关系数也达到0.988 3。试验结果说明近红外光谱漫透射技术能够快速、无损地检测出苹果的可溶性固形物含量。     

玉露香梨可溶性固形物近红外漫透射光谱在线检测

应用近红外漫透射光谱技术探索玉露香梨可溶性固形物在线无损检测的可行性。358个试验样本被分成建模集和预测集(269∶89),分别用于建立模型和验证模型的预测能力。通过对玉露香梨样品近红外漫透射光谱分析发现,样品光谱在625,725,800nm处存在3个波峰,在673,765,825nm处存在3个波谷。通过对比不同预处理方法,发现漫透射近红外光谱分别经一阶微分、移动窗口平滑和多元散射校正组合预处理后建立的模型效果最好。结合组合预处理方法建立了偏最小二乘和偏最小二乘支持向量机预测模型,经比较,偏最小二乘支持向量机模型预测能力更强,模型预测均方根误差和相关系数分别为0.316%和0.949。对比发现主成分分析和径向基函数有利于提高最小二乘支持向量机模型的预测能力。试验结果表明采用近红外漫透射光谱技术结合最小二乘支持向量机算法,实现了玉露香梨可溶性固形物在线无损检测。     

可见/近红外光谱半透射法检测苹果中可溶性固形物含量

目的 检验自行搭建的半透射光谱采集平台检测水果中可溶性固形物含量的可行性, 并比较不同光谱采集方式对光谱模型的影响。方法 以红富士苹果为检测对象, 光谱采集平台中的USB2000 光谱仪采集半透射光谱数据, AntarisⅡ FT-NIR光谱仪采集漫反射光谱数据, 同标准法检测得到的苹果可溶性固形物含量建立偏最小二乘(PLS)模型, 并结合不同的预处理方式优化近红外光谱模型。结果 比较发现采用半透射的光谱采集方式优于漫反射方式。半透射光谱采用平滑处理后模型预测性能最佳, 对样本预测得到相关系数为0.937, 均方根误差为0.517。结论 自行搭建的光谱采集平台可行, 为今后检测水果的光谱采集方式提供参考。     

樱桃番茄可溶性固形物含量的可见/近红外透射光谱无损检测

基于可见/近红外透射原理,针对樱桃番茄内部品质不均,果径不同等特点,建立樱桃番茄透射检测系统,结合相关性分析和归一化处理对樱桃番茄的果径进行校正,在此基础上对樱桃番茄可溶性固形物(SSC)含量做快速无损检测。将80个样品按3∶1的比例随机分为校正集与预测集,选取波长范围600～960 nm内的光谱曲线先SG卷积平滑后进行一阶导数、二阶导数预处理,再对二者于波长903 nm和826 nm处进行归一化处理,采用偏最小二乘回归法对樱桃番茄可溶性固形物含量建立预测模型。结果显示,一阶微分和二阶微分预处理后,其预测模型的校正集和预测集相关系数与原始光谱相比均有明显提高。二阶微分光谱的预测模型校正集和预测集相关系数分别为0.8938和0.8337,均方根误差分别为0.3625°Brix和0.5793°Brix。果径归一化处理后,其预测模型的校正集和预测集相关系数进一步提高。果径归一化处理后的二阶微分光谱预测模型,其校正集和预测集相关系数分别达到0.9383和0.9360,均方根误差分别为0.2796°Brix和0.3955°Brix。结果表明,可见/近红外透射光谱结合果径归一化处理能有效预测樱桃番茄的内部品质,消除果径不同带来的误差,该检测方法的精度和稳定性较为理想,可预测樱桃番茄内部品质。     

近红外漫反射光谱检测损伤猕猴桃内部品质

研究贮藏期间损伤猕猴桃内部品质与其近红外漫反射光谱之间的关系。利用近红外光谱(12000～4000cm-1)技术和多元线性回归(multiple linear regression,MLR)、主成分回归(principal component regression,PCR)和偏最小二乘法(partial least squares,PLS)3种校正方法分别对损伤华优猕猴桃在2℃条件下贮藏4周期间的可溶性固形物含量、pH值和硬度进行定量分析;并对比吸光度原始光谱、一阶微分和二阶微分3种不同预处理方法的PLS模型校正结果。结果表明：一阶微分预处理方法时,应用PLS建立的可溶性固形物含量、pH值和硬度校正模型的效果最佳;预测集样品预测值与测量值之间的相关系数分别为0.812、0.703、0.919,预测均方根误差分别为0.749、0.153、1.700。说明应用近红外漫反射技术检测贮藏期间损伤猕猴桃的内部品质是可行的。     

基于FPGA的老陈醋定量与定性分析系统设计

首先采用判别分析(DA)算法结合不同光谱预处理方法建立老陈醋醋龄的判别模型,采用偏最小二乘法建立老陈醋的pH值和可溶性固形物的定量分析模型,通过选择校正集验证了采用近红外光谱实现对老陈醋醋龄判别具有较高的准确性,对老陈醋的pH值和可溶性固形物的定性与定量分析的模型的精度和稳定性都较好,然后采用可编程逻辑器件(FPGA)的设计,完成从光谱的采集、预处理、定性定量分析和显示等整个功能,其中光谱采集采用的是近红外透射光谱采用NEXUS傅里叶变换近红外光谱仪(热电尼高力仪器公司,美国)及其相应的透射附件进行采集,定性与定量分析模型的建立采用数字信号处理器(DSP)核实现,最终实现对老陈醋的在线检测系统的设计.     

CARS-SVM预测哈密瓜可溶性固形物含量

采用近红外光谱技术结合数据降维的方法,建立了哈密瓜可溶性固形物含量的预测模型：对比多种光谱预处理方法,确定二阶求导用于处理原始光谱;经预处理的光谱数据分别结合特征选择竞争性自适应重加权采样法（CARS）、蒙特卡罗无信息变量消除法（MC-UVE）提取特征波长,以及利用主成分分析进行降维;再使用特征选择和特征提取的光谱数据作为模型的输入变量,建立哈密瓜可溶性固形物含量预测模型。结果显示,CARS+SVM建立的预测模型最优,模型的校正集相关系数为0.981 4,预测集相关系数为0.900 2,模型能够准确预测哈密瓜可溶性固形物含量。     

近红外法测定豆浆蛋白质、脂肪和可溶性固形物含量

利用傅里叶变换近红外光谱仪采用积分球漫反射方式对60个豆浆样品进行光谱的采集,结合常规分析结果分别建立了3种成分的近红外校正模型。结果表明:豆浆蛋白质、脂肪及可溶性固形物光谱分别经过消除常数偏移量、一阶导数和矢量归一化(SNV)预处理后建模效果最好。蛋白质、脂肪和可溶性固形物含量的校正模型决定系数(R2)分别为:0.966 4、0.950 0和0.950 7,交叉验证均方根差(RMSECV)依次为0.076 9、0.087 4和0.316;对模型进行外部验证,验证集化学值和模型预测值之间差异不显著,说明模型可以用于豆浆中蛋白质、脂肪和可溶性固形物含量的检测。     

基于Android平台微型近红外光谱仪的开发与应用

在Android平台上对C11708MA微型近红外光谱仪进行系统开发,实现光谱仪控制、样品指标测量、调用模型文件并显示样品可溶性固形物的预测结果等功能。利用近红外漫反射无损检测技术对镇江句容果园水蜜桃样品的可溶性固形物含量进行相关研究,运用化学计量学方法建立了水蜜桃可溶性固形物含量的近红外模型,并对模型的性能进行了评价。结果表明,采用偏最小二乘法(PLS)建立模型,光谱预处理的最佳条件为:移动窗口平滑(MAF)和Savitzky-Golay一阶导数。所建模型的校正相关系数(R_c)和预测相关系数(R_p)分别为0.931 1和0.880 2,校正标准偏差(RMSEC)和预测标准偏差(RMSEP)分别为0.441 0和0.531 0。开发的App程序运行稳定,预测结果准确,可应用于水蜜桃内部品质可溶性固形物含量的快速、无损、活体检测。     

基于近红外光谱技术检测蓝莓可溶性固形物含量

采用近红外漫反射光谱技术对辽宁丹东蓝莓基地的六个蓝莓品种(埃利奥特、达柔、爱国者、北蓝、杜克、蓝丰)进行光谱分析,快速无损测定蓝莓可溶性固形物含量,利用一阶导数进行光谱预处理,主成分分析(PCA)和偏最小二乘法(PLS)建立蓝莓可溶性固形物预测模型。结果表明,所建模型的相关系数(Corr.Coeff.)为0.91518、校正集标准偏差(RMSEC)为0.801、预测集标准偏差(RMSEP)为1.06。该方法快速、准确、无损,能准确地预测蓝莓中可溶性固形物含量。     

苹果可溶性固形物近红外光谱无损检测试验

可溶性固形物(Soluble solids contents, SSC)是单糖、双糖和多糖等可溶性糖的总称,是苹果口感和营养品质的关键评价指标之一。为实现苹果可溶性固形物的快速检测,采用STS和QE两款不同光谱仪采集光谱,开展SSC无损检测试验研究。对比分析卷积平滑(SG)、一阶导数(FD)、多元散射校正(MSC)等各种预处理方法及其组合方法,改善光谱信号的效果,对比STS和QE两款仪器的信噪比,并建立不同波长范围的偏最小二乘回归(PLS)模型,建立最佳预处理方法处理后的PLS模型。其中, SG-MSC组合预处理效果最好, STS和QE光谱仪测得的苹果光谱模型预测相关系数分别为0.951和0.859,预测均方根误差为0.433%和0.732%。结果表明,搭建的试验平台可实现苹果SSC的测量,且使用STS光谱仪采集到的光谱信号优于QE光谱仪,研究可为苹果SSC快速检测仪器的设计提供参考。     

基于变量筛选的温州蜜桔品质的光谱快速检测

目的利用可见/近红外光谱技术结合变量筛选算法建立预测模型。方法采集7个不同批次蜜桔样本的漫透射光谱,预处理优化后,以无信息变量消除法(uninformative variable elimination,UVE)、竞争性自适应重加权法(competitive adaptive reweighting sampling,CARS)及其组合(UVE-CARS)共3种策略来进行光谱有效波段的筛选,建立蜜桔可溶性固形物含量(soluble solid content,SSC)的偏最小二乘预测模型(partial least square,PLS)。结果比较全变量模型和3个特征变量模型的预测性能,UVE-CARS-PLS模型取得了最优的检测效果,相比全变量模型,建模变量数减少了96.5%,其预测集相关系数R_P提升至0.732,预测集均方根误差(root-mean-square error,RMSEP)下降至0.873~0Brix。结论结合多重变量选择算法,可以进一步压缩建模变量数,简化模型,提高模型预测精度,实现区域蜜桔品质的光谱快速检测。     

哈姆林甜橙果实内在品质的可见-近红外光谱无损检测法

采用可见- 近红外漫反射光谱技术,结合偏最小二乘法,以不同时间采摘的哈姆林甜橙果实为样品建立其可溶性固形物、含酸量和VC 的无损检测数学模型,同时对不同光谱预处理方法和不同建模波段范围对模型的预测性能进行对比分析。结果表明：原始光谱在400～1000nm 波段的模型预测精度较高。经多元散射校正和5 点移动平均平滑预处理后,果实可溶性固形物含量的PLS 模型最好,校正集样品的相关系数为0.995RMSEC和RMSEP分别为0.026%、0.028%;预测集样品的相关系数为0.992。经多元散射校正和9 点移动平均平滑预处理后,果实含酸量的PLS 模型最好,校正集样品的相关系数为0.997,RMSEC 和RMSEP 分别为0.012%、0.013%;预测集样品的相关系数为0.997。经多元散射校正和9 点移动平均平滑预处理后,果实VC 含量的PLS 模型最好,校正集样品的相关系数为0.998,RMSEC 和RMSEP 分别为0.009%、0.009%;预测集样品的相关系数为0.999。可见由不同时间采摘的果实组成的样品集所建立的数学模型可以提高模型的预测精度,从而提高模型的适用范围。应用可见-近红外漫反射光谱检测哈姆林甜橙果实的内在品质可行。     

紫外/可见光谱技术无损检测李子可溶性固形物含量

利用光谱技术结合化学计量学对李子可溶性固形物含量检测进行研究,为李子品质无损检测提供科学方法。通过反射式光谱采集系统获取了"红"李子和"青"李子的平均光谱,并对原始光谱数据进行预处理;应用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对预处理后的光谱数据提取特征波长;分别建立基于全光谱和特征波长的预测李子可溶性固形物含量的误差反向传播(BP)网络模型。结果表明:利用SPA和CARS算法分别从全光谱的1024个波长中选取出31和104个特征波长;而基于特征波长建立的CARS-BP网络模型效果最优,其相关系数r_c为0.998,r_p为0.887,均方根误差RMSEC为0.026,RMSEP为1.767。这表明光谱技术结合化学计量学进行李子可溶性固形物含量的无损检测具有可行性。     

黄桃表面缺陷和可溶性固形物光谱同时在线检测

表面缺陷和可溶性固形物是评价黄桃品质的重要指标,采用可见/近红外漫透射光谱技术,探讨黄桃表面缺陷与可溶性固形物同时在线检测的可行性。在运动速度为5个/s、积分时间100 ms、光照强度1 000 W的条件下采集黄桃表面缺陷果与正常果的近红外漫透射光谱。对比分析了同一个黄桃样品损伤前后的光谱特征,建立了黄桃的最小二乘支持向相机判别模型与偏最小二乘判别模型。同时建立了黄桃可溶性固形物偏最小二乘回归模型并采用连续投影算法对模型进行优化,研究了表面缺陷果对黄桃可溶性固形物检测模型精度的影响,最终实现了黄桃表面缺陷与可溶性固形物同时在线检测。采用未参与建模的样品来评价模型的在线分选的准确性,其中表面缺陷果的正确判断率为100%,可溶性固形物分选准确率达到93%。试验结果表明:黄桃表面缺陷与可溶性固形物同时在线检测是可行的,研究可为黄桃在线分选提供技术参考和理论依据。     

基于LVF-NIR的樱桃可溶性固形物含量无损速测模型的建立与优化

目的建立基于便携式近红外光谱仪的樱桃可溶性固形物含量无损快速定量检测模型,从而实现樱桃品质的无损快速检测。方法以北京通州产红灯樱桃、黄玉樱桃为研究对象,采用便携式线性渐变分光近红外光谱仪采集光谱数据,并采用折光仪测定其可溶性固形物含量;采用偏最小二乘回归结合全交互验证算法将光谱数据与可溶性固形物含量测定值建立定量校正模型,采用外部验证集对模型的预测性能做进一步测试。结果红灯樱桃可溶性固形物含量模型的R_C~2、RMSEC、R_(CV)~2、RMSECV、RPD分别为0.9194、0.79、0.8920、0.92、3.54,黄玉樱桃可溶性固形物含量模型的R_C~2、RMSEC、R_(CV)~2、RMSECV、RPD分别为0.8618、0.76、0.8246、0.86、2.70;两种樱桃可溶性固形物含量合并模型的R_C~2、RMSEC、R_(CV)~2、RMSECV、RPD分别为0.9125、0.81、0.8946、0.89、3.38。结论基于便携式线性渐变分光近红外光谱仪数据所建校正模型具有较好的准确度,可满足樱桃可溶性固形物含量的无损快速检测需求。     

基于高光谱成像技术无损检测苹果表面缺陷

基于高光谱成像技术结合模式识别,建立了苹果表面缺陷识别模型。首先,利用高光谱图像采集系统采集完好无损和表面有缺陷苹果的高光谱图像,提取感兴趣区域的平均光谱反射率;然后,比较标准正态变换(SNV)和多元散射校正(MSC) 2种光谱预处理方法对建模效果的影响,得出MSC为建模最优预处理方法。最后,采用主成分分析法选择累计贡献率超过99%的前5个主成分作为样本集特征光谱数据,分别建立了基于K最近邻(KNN)模式识别和偏最小二乘判别分析(PLS-DA)识别模型。结果表明:光谱经MSC预处理后,基于PLS-DA建立的识别模型对校正集和检验集识别率均达到100%,表明基于高光谱成像技术结合模式识别可实现苹果表面缺陷的无损检测。     

基于可见/近红外光谱无损检测苹果可溶性固形物的光照优化

为优化光照在提高可见/近红外光谱无损检测苹果可溶性固形物含量(SSC)精度中的应用,实验比较了四种光照方式对USB2000+微型光谱仪采集苹果随机摆放位置时的透射光谱信号。在剔除光谱异常样本并经光谱预处理后,与常规方法检测的SSC建立偏最小二乘(PLS)回归模型。通过比较模型的预测均方根误差(RMSEP)与相关系数(rp),结果发现低角度、多光源组合的光照方式最好,模型预测结果为rp=0.804、RMSEP=0.635。该光照方式可为今后便携装置、在线检测的光源设计提供参考。     

苹果可溶性固形物的可见/近红外无损检测

利用可见/近红外光谱对苹果可溶性固形物含量进行检测,并建立了最优预测模型。通过400～1 000 nm高光谱成像系统采集了120个"富士"苹果图像,分析比较了二阶导数(second derivative,SD)、标准正态变换(standard normal variation,SNV)以及多元散射校正(multi-scatter calibration,MSC) 3种光谱预处理方法对预测模型的检测效果;分别应用连续投影算法(successive proiection algorithm,SPA)和竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)对光谱数据进行降维,进而建立基于特征光谱的误差反向传播(error back propagation,BP)网络和多元线性回归(multiple linear regression,MLR)预测模型。结果表明,二阶导数预处理后的BP网络模型优于原始光谱及其他预处理方法;通过提取特征波长建立的SPA-BP网络模型的预测性能最优,其预测集相关系数rp和均方根误差(root mean ...     

应用近红外光谱对老陈醋进行定性定量的检测研究

利用近红外光谱结合DA和PLS算法在不同光谱预处理方法下,对山西老陈醋醋龄进行定性判别分析,并建立陈醋可溶性固形物(SSC)及pH值的定量模型.结果表明:原始光谱、5点平滑以及SNV校正建立的DA模型性能良好,校正集判别正确率为100％,预测集判别正确率为88.89％;原始光谱建立的可溶性固形物的PLS定量模型最优,校正集和预测集的相关系数r分别为0.99988和0.99960,RMSEC,RMSEP和RMSECV分别为0.0421,0.0911和0.0777;5点平滑建立的pH值的PLS定量模型最优,校正集和预测集的相关系数r分别为0.99733和0.97411,RMSEC,RMSEP和RMSECV分别为0.0151,0.0386和0.0468.