单粒玉米种子水分近红外快速无损测定方法研究

玉米精量播种技术发展对种子质量检测提出了单粒、无损、快速测定等新需求,本研究重点探索了近红外光谱结合化学计量学方法建立单粒玉米种子水分检测模型的可行性。实验收集并测定了110份玉米样本的水分含量,应用傅里叶变换红外光谱仪及单粒测样附件扫描得到样本集近红外光谱,按照3:1随机划分训练集和测试集。首先采用多种光谱预处理方法消除单粒种子采集光谱时由于颗粒形态等引起的噪声干扰,然后分别建立基于PLS线性模型和SVM非线性模型的单粒玉米种子水分近红外检测模型,其中PLS模型测试集的R为0.93,RMSEP为0.86;SVM模型测试集的R达到0.96,RMSEP为0.71。实验结果表明,光谱预处理结合SVM非线性模型可以有效降低单粒玉米种子近红外光谱采集时引入的非线性干扰,有助于提升单粒玉米种子水分近红外快速无损检测实际应用可行性。     

基于集成学习和近红外光谱的蓝莓贮藏品质检测方法研究

针对传统化学方法测定蓝莓贮藏品质存在工序复杂、成本高等问题，提出一种基于集成学习和近红外光谱技术的无损检测方法。以150个瑞卡蓝莓样本和30个绿宝石蓝莓样本为研究对象，利用近红外光谱仪采集不同贮藏时间的瑞卡蓝莓和不同成熟度的绿宝石蓝莓近红外反射光谱。利用光谱-理化值共生距离法(sample set partitioning based on joint X-Y distance, SPXY)将瑞卡蓝莓样本按照4∶1的数量比划分为训练集和验证集，绿宝石蓝莓样本为测试集，统一采用偏最小二乘法(partial least squares regression, PLSR)对比分析标准正态变换(standard normal variate transformation, SNV)、数据标准化(Z-score standardization, Z-score)、一阶导数(first derivative, 1st-D)、二阶导数(second derivative, 2nd-D)中一种或几种组合方法对原始光谱的预处理效果，使用竞争性自适应重加权采样法(competitive adaptive ...     

近红外光谱法快速无损测定奶粉的脂肪含量

将11种奶粉原样配制及组成77个奶粉样本,以脂肪含量为检测指标,结合偏最小二乘法开展近红外光谱定量分析研究。2次异常光谱剔除,识别出异常样本(14,52,76)并予以剔除。74个奶粉样本进行平滑、导数和标准变量变换等6种光谱预处理,确定标准正态变量变换结合Norris一阶导为最佳光谱预处理方式,其交叉验证均方根误差为0.354 7,交叉验证相关系数平方达到0.990 8;最佳前处理光谱结合3种波段选择方法优化模型性能,与全光谱模型形成对比,确定随机蛙跳(random frog,RF)为最佳波段选择方式,其模型的训练集和测试集相关系数平方分别为0.997 2和0.997 0,训练集和测试集均方根误差分别为0.186 2和0.198 2。结果表明:采用蒙特卡罗异常光谱剔除(Monte-Carlo sampling,MCS),光谱预处理结合随机蛙跳波段优化技术可提高奶粉脂肪近红外定量模型的泛化性和预测能力。     

基于随机森林的单粒玉米种子水分近红外快速定量检测

玉米精量播种技术发展对单粒种子质量检测提出更高的检测要求,本文重点探索了近红外光谱结合化学计量学方法建立单粒玉米种子水分检测模型的可行性。实验收集并测定了110份玉米样本的水分含量,应用傅里叶变换红外光谱仪及单粒测样附件扫描得到样本集近红外光谱,利用SPXY法以3:1比例划分训练集和测试集。采用多种光谱预处理方法消除单粒种子采集光谱时由于颗粒形态等引起的噪声干扰,再采用主成分分析（PCA）、去噪自动编码器（DAE）进行降维和特征提取,建立基于随机森林（RF）的单粒玉米种子水分含量预测模型。实验结果表明,相对其他预处理方法而言,多元散射校正处理后建立的单粒种子水分模型性能较好,其训练集的R为0.986 2,RMSEE为0.141 4;测试集的R为0.968 9,RMSEP为0.445 7。DAE相较于PCA光谱特征提取效果更好,其训练集的R为0.988 5,RMSEE为0.175 31;测试集的R为0.982 4,RMSEP为0.420 6。研究结果表明,经过光谱预处理并结合光谱降维消噪后,基于RF的模型可以有效降低单粒玉米种子近红外光谱采集时引入的非线性干扰,有助于提升单粒玉米种子水分近红外快速无损检测实际应用可行性。     

基于高光谱成像技术的大米溯源研究

利用高光谱成像技术提取大米的光谱信息进行大米产地溯源研究。采用X-Y距离样本集算法（SPXY）进行训练集和测试集的划分,将1 000颗大米样本中800个为训练集,剩下200个为测试集。并采用主成分分析（PCA）法提取相关性较强的主成分光谱信息,进行数据降维。基于主成分分析法提取前4个主成分,并在贡献率最高的第4主成分基础上,结合支持向量机算法（SVM）建立大米产地溯源预测模型。研究得出训练集准确率可达96%,测试集平均准确率为79%。通过训练集和测试集的实验结果表明,高光谱成像技术可以对大米产地进行溯源,为大米产地快速、无损检测提供了一定思路和参考。     

基于NIR和PLS-DA法的东北大米产地快速溯源方法研究

鉴于市场上东北大米掺伪和假冒现象频发,本研究将近红外光谱技术与PLS-DA判别法相结合用于东北大米产地快速溯源。实验共收集75份大米样本(52份东北产地大米,23份非东北产地大米),按照4∶1的比例随机划分得到训练集样本60份和测试集15份。为消除品种、颗粒形态等对近红外光谱和产地鉴别的影响,实验比较多种光谱预处理方法,并根据相关系数值确定了矢量归一化为首选的预处理方法;将矢量归一化预处理后的光谱按照吸收峰分4个区间分别建立东北大米产地PLS-DA模型,其中4 000～5 500cm~(-1)谱区建立产地溯源模型,训练集准确率可达93.33%,测试集准确率为86.67%。实验结果表明,近红外光谱与PLS-DA法结合在东北大米产地快速溯源技术领域有着光明的应用前景。     

烟叶霉变的快速识别——基于近红外光谱与随机森林算法

为建立烟叶霉变快速识别模型,以复烤片烟为研究对象,在高温高湿条件下进行霉变实验,获得不同霉变程度的烟叶样本。应用近红外光谱技术在4000~12000 cm-1范围内对烟叶的近红外光谱进行采集,获得烟叶样本的基础光谱数据。采用小波分解法对基础光谱数据进行解析,选择中间频率小波系数[cd4, cd5]为光谱变量,利用随机森林算法建立了不同霉变烟叶的识别模型。模型对训练集预测准确率达到93.82%,独立测试集判别准确率达到94.84%,对未霉变样品、临近霉变样品和霉变样品的判别均取得了令人满意的结果。      

南疆鲜羊肉水分含量的近红外光谱法无损检测

本文在近红外反射光谱780~1700 nm的波长范围内采集新宰杀的同一品种的羊的后腿肉134个样本的光谱数据,来实现快速无损的南疆生鲜羊肉含水量的检测。这些光谱数据经中值平滑滤波、多元散射校正、一阶导数、标准化处理、中心化变换和S-G平滑等预处理方法对原始光谱进行降噪处理;然后以13:1的比例将样本分为训练集和测试集,并采用PLSR建立预测模型,使用所建模型对生鲜羊肉水分含量进行预测。结果为:训练集的预测相关系数Rc为0.94、标准差MSEC为0.04,预测成功率为97.6%,测试集的预测相关系数Rv为0.89、标准差MSEV为0.07,预测成功率为96.4%。实验结果证实结合中值平滑滤波、多元散射校正、一阶导数、标准化处理、中心化变换和S-G平滑等多种预处理方法建立的基于近红外光谱PLSR模型,可以对南疆鲜羊肉的水分含量进行精确的快速无损评价,并且能为南疆生鲜羊肉水分含量的快速无损检测技术的应用提供理论上的指导。     

基于近红外光谱的大豆水分和粗脂肪含量的快速检测

基于近红外光谱技术快速检测大豆中水分和粗脂肪含量。方法 首先采集350-2500 nm光谱范围的大豆近红外光谱,采用光谱-理化值共生距离（SPXY）算法将大豆样本划分为校正集样本与测试集样本,然后对原始光谱分别采用多元散射校正(MSC)、标准正态变量交换(SNV)、归一化（Nor）等9种方法进行预处理,最后使用偏最小二乘回归(PLSR)分析方法建立模型对样本进行定量分析。结果 原始光谱经过多元散射校正后建立的偏最小二乘回归模型对水分的预测精度最高,其校正集和测试集的相关系数分别为0.8964和0.9055 , 均方根误差分别为0.4211和0.5933;原始光谱经过归一化处理后建立的偏最小二乘回归模型对粗脂肪的预测精度最高,其校正集和测试集的相关系数分别为0.9084和0.9295 , 均方根误差分别为0.6897和0.6462。结论 近红外光谱（NIRS）结合预处理及偏最小二乘回归法,可以快速、准确的检测大豆水分和粗脂肪含量。     

基于高光谱成像技术与BO-XGBoost的花生含水率无损检测研究

含水率影响着花生的质量、储藏时长与出油率。本研究针对当前花生含水率测量效率低、有损检测、无法适应大规模检测等问题,探索基于高光谱成像技术的花生含水率无损快速检测方法。测量并建立了300份不同种类花生的高光谱原始图像及光谱数据集,并利用小波变换、多元散射校正(MSC)和一阶导数对数据进行预处理,结合PLS、XGBoost、BO-XGBoost算法建立花生含水量无损检测模型。通过实验对比得出,利用小波变换对原始光谱数据进行预处理后的光谱数据建立的BO-XGBoost模型最优,预测模型决定系数R²=0.953 9,均方根误差RMSE=0.806 5。实验表明,高光谱成像技术结合BO-XGBoost能够对花生含水率进行快速、准确、无损检测,且对其他农作物水分含量检测具有一定的借鉴意义。     

近红外光谱技术在花生品质分析中的应用

采用近红外光谱分析技术对不同地区、不同品种的101份花生样品进行图谱分析,研究了花生水分、脂肪和蛋白含量的快速测定方法。结果表明:花生水分湿基含量分布为4.01%~10.93%,脂肪湿基含量为40.84%~62.81%,蛋白质湿基含量为22.47%~29.67%,分布梯度广,具有很好的代表性。建立了定标模型,为花生整粒的快速评价建立便捷的方法。     

Determining the contents of protein and amino acids in peanuts using near‐infrared reflectance spectroscopy

BACKGROUND: The protein and amino acid contents of peanuts play a key role in determining their quality and value. Therefore, accurate, nondestructive, quick, and automated measurement of these components would be valuable in a commercial environment. This study explored the feasibility of determining the contents of protein and amino acids in peanuts using near infrared–reflectance spectroscopy (NIRS). RESULTS: 141 peanut samples were collected from 12 provinces in China. The spectra were scanned and obtained with an NIRS system. The determination coefficient and the ratio of the standard deviation in the validation set to the standard error of validation corresponded to 0.99 and 6.53 for protein, 0.88 and 2.52 for Asp, 0.83 and 3.00 for Thr, 0.86 and 2.40 for Ser, 0.87 and 2.57 for Glu, 0.88 and 2.36 for Gly, 0.88 and 3.00 for Leu, 0.89 and 2.88 for Arg, and 0.96 and 7.50 for Cys. CONCLUSIONS: NIRS combined with multivariate calibration has significant potential in determining the protein and amino acid contents of peanuts. This method is suitable for use in an industrial setting owing to its ease of use as well as the relatively low cost of obtaining and running the necessary equipment. Copyright © 2012 Society of Chemical Industry     

基于近红外光谱技术的面粉水分无损检测模型的建立

直接对面粉样品进行近红外光谱扫描,采用105℃恒重法测定面粉中水分含量,在不同的光谱数据预处理方式下运用改进偏最小二乘法(MPLS)建立水分含量定标模型,通过比较模型预测效果以确定最佳预处理方法,随后用PCA、PLS、MPLS三种建模方法在最佳预处理方式下建模通过比较模型预测效果以确定最佳建模方法并用验证集对最优模型进...     

Design and performance of a capacitor sensor and impedance analyzer for nondestructive moisture content determination

In this work, the design and performance of a low-cost impedance analyzer, called the CI Meter, that was assembled and calibrated to measure impedance and phase angles at 1, 5 and 9 MHz is given. A cylindrical sample holder with a single set of parallel-plate electrodes embedded inside along its length that can hold samples (100–150 g) of peanut pods (in-shell peanuts) was built and used with this instrument. The measured values of impedance and phase angle with this experimental setup were used in an empirical equation to obtain the average moisture content values of peanut samples with moisture contents in the range of 6–23%. The moisture content values determined by this system and a commercial impedance meter were compared with those obtained by a standard method. For over 90% of the samples tested in the moisture range between 6 and 23% the moisture content values were found to be within 1% of the standard values for both systems. Ability to determine the average moisture content of in-shell peanuts without shelling and cleaning them, with a low-cost instrument, will be of considerable use in the peanut industry. This method could be extended to other types of in-shell nuts.

基于主成分分析和人工神经网络的近红外光谱大豆产地识别

为了准确、快速地识别大豆产地,通过近红外光谱技术（NIRS）结合主成分分析（PCA）和人工神经网络技术（ANN）研究不同国家大豆内含特征,建立进口大豆产地识别模型。采用箱型图校正法,剔除阿根廷、巴西、乌拉圭、美国等4个国家166组大豆样本中12组异常样本。采用多元散射校正（MSC）、标准正态变量（SNV）、Savitzky-Golay（SG）平滑滤波等方法进行光谱数据预处理,结果表明,采用SG（3）平滑结合MSC预处理效果最好。主成分分析表明,前10个主成分的累积贡献率达到99.966%。选取主成分分析得到前10个主成分为输入向量,4个产地作为目标向量,分别采用支持向量机（SVM）、邻近算法（KNN）与人工神经网络法（ANN）建立识别模型。结果表明,采用BP-ANN建模效果最好,总体测试集准确率为95.65%,其中阿根廷准确率为100%,巴西准确率为100%,乌拉圭准确率为80%,美国准确率为100%,该模型能够实现对进口大豆生产国别的识别。     

大米蛋白质、脂肪、总糖、水分近红外检测模型研究

采用近红外光谱技术对大米蛋白质、脂肪、总糖、含水量进行检测。运用经典Kennard-Stone法选取校正集及预测集样本,运用分段小波消噪对光谱进行预处理,通过竞争性自适应重加权采样筛选出与样本性质相关的特征波长,比较偏最小二乘法和BP神经网络法所建立的大米蛋白质、脂肪、总糖、含水量的检测模型。对于大米蛋白质、总糖和水分的检测,2种方法所建立模型的决定系数均大于0.9,相对标准差均小于2.6%,具有良好的精度和稳定性。对于大米脂肪的检测,偏最小二乘模型的性能相对稍好,其决定系数为0.949 5,相对标准差为13.69%。     

基于计算机视觉鉴别肉松与肉粉松

为实现快速鉴别肉松和肉粉松,文中提出了一种基于计算机视觉和BP人工神经网络的快速无损检测方法。先对60组肉松和60组肉粉松图像进行灰度化并剪切成长宽为899×772像素,然后在剪切后的灰度图像中提取灰度均值、总熵值、灰度等级矩阵的标准差、基于灰度共生矩阵的对比度、相关度、纹理二阶矩和均匀度,在剪切后的二值图像中提取分形维数,共计8个纹理指标,再将45组肉松和44组肉粉松作为训练集输入BP人工神经网络进行训练,剩余样本作为测试集进行测试。研究结果表明:构建的BP神经网络总分类准确率为80.65%,其中有2组肉松被误判为肉粉松,有4组肉粉松被归为肉松。该研究成果可为销售点快速无损鉴别肉松与肉粉松提供了一种技术方法。     

Determination of moisture content of in-shell peanuts by parallel-plate impedance measurements in cylindrical sample holder

This paper describes a method to determine the moisture content of in-shell peanuts with a parallel-plate electrode system fitted inside a cylinder by using impedance measurements made on the system. Two parallel-plate electrodes were mounted inside a cylinder, made of acrylic material, and the space between the plates was filled with in-shell peanuts (80–100 g). The impedance measurements were made on the parallel-plate system at 1 and 9 MHz, and the average moisture content (MC) of the peanut pods (in-shell peanuts) was determined from a semi-empirical equation. The calculated MC values were compared with standard oven-determined values and were within 1% of the standard oven values for 90% of the samples tested in the moisture range between 6% and 19%. Two parallel-plate sensors with different plate separations and peanuts from the 2004 and 2005 harvests, were used in these measurements. The method, being rapid and nondestructive, is suitable for the development of a practical instrument for measurement of moisture content in in-shell peanuts.

黄瓜水分和硬度高光谱特征波长选择与预测模型构建

为实现高光谱对黄瓜新鲜度的快速、准确检测,以硬度和失水率作为品质指标,采用高光谱成像技术对同一批次不同贮藏日期的黄瓜进行检测。采用Savitzky-Golar法、多元散射校正、标准正态变量变换3种方法对黄瓜高光谱数据进行预处理,并对预处理结果进行对比,确定Savitzky-Golar预处理方法;运用竞争性自适应重加权算法、偏最小二乘、连续投影算法对高光谱特征波长进行选择,针对硬度指标分别选取了25,13,20个特征波长,针对失水率指标,分别选取了20,16,20个特征波长;运用BP神经网络构建黄瓜硬度和失水率预测模型。结果表明,基于连续投影算法所筛选出的特征波长光谱信息所建立的BP模型判别效果最佳,其对硬度判别的训练集准确率和测试集准确率分别为95.24%,91.67%;对失水率判别的训练集准确率和测试集准确率分别为97.78%,95.00%。