近红外无损检测寒富苹果可溶性固形物含量(TSS)

应用波长为643.26～985.11 nm的Purespect近红外透射光谱仪,分析了储藏时间对吸光度的影响。对不同储藏期寒富苹果的校正集样品进行了各自建模和共同建模,并研究了模型的差异性。结果表明:建立的共同模型预测结果较好,模型的相关系数(RC)为0.948,校正均方根误差(RMSEC)为0.468,预测均方根误差(RMSEP)为0.456,偏差(Bias)为0.027。该模型扩大了校正集样品化学成分含量的范围,提高了模型的适用范围,能满足实际生产要求。     

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 ...     

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。     

基于近红外光谱技术检测苹果气调贮藏期可溶性固形物含量

目的 基于近红外光谱技术结合偏最小二乘（Partial least square, PLS）法和最小二乘支持向量机回归（Least square-support vector regression, LS-SVR）法建立苹果气调贮藏期可溶性固形物（Soluble solids contents, SSC）含量预测模型。方法 在分析了气调贮藏期苹果细胞结构和SSC变化的基础上,采集了可见-近红外（Visible-near infrared, Vis-NIR）波段和长波近红外（Long wave near infrared, LWIR）波段下不同贮藏时间的苹果漫反射光谱信息,利用主成分分析方法（Principal component analysis,PCA）分析不同贮藏期苹果光谱信息分布特征,使用Kennard-Stone（K-S）算法以3:1比例对样本集进行划分,使用多元散射校正（Multiplicative scatter correction, MSC）和SG（Savitzky-Golay）平滑对光谱进行预处理,利用连续投影算法（Successive projections algorithm, SPA）和竞争自适应重加权采样（Competitive adaptive reweighted sampling, CARS）法对光谱进行特征波长提取,并建立SSC预测模型。结果 在LWIR波段下,经MSC预处理和CARS提取特征波长后建立的PLS模型取得了较好的预测精度,模型相关系数为0.900,均方根误差为0.478;经MSC、SG平滑预处理和CARS提取特征波长后建立的LS-SVR模型取得了更好的预测精度,模型相关系数为0.927,均方根误差为0.507。结论 构建的基于可见/近红外光谱无损预测模型可实现对气调贮藏期苹果SSC的准确预测,为高效贮藏技术提供了理论基础。     

基于CARS-SPA的苹果可溶性固形物可见/近红外光谱在线检测

采用CARS（competitive adaptive reweighted sampling）联合连续投影算法（SPA）方法筛选苹果可见/近红外光谱的特征变量,继而联合多种不同建模方法建立苹果可溶性固形物（SSC）预测模型,并对预测模型进行对比研究。研究结果显示,采用CARS-SPA联合筛选出的31个变量,通过采用PLS建立苹果SSC的可见/近红外光谱在线检测模型性能最稳定,其变量数仅为原始光谱的1.69%,预测集的相关系数和均方根误差分别为0.936和0.351%。研究表明采用CARS-SPA能有效提取苹果SSC的光谱特征变量,能有效简化模型并提高模型精度。      

基于数字光处理技术的梨可溶性固形物含量的无损速测研究

目的为降低近红外光谱仪器制造成本,将近红外技术推广到农业生产一线,检验自主集成水果品质无损快速分析仪实验样机性能。方法以北京大兴产黄金梨、园黄梨为例,利用基于数字光处理技术内核的实验样机采集数据,采用偏最小二乘回归结合全交互验证算法分别建立黄金梨、园黄梨以及两种梨的可溶性固形物含量定量校正模型,并采用外部验证集对模型预测性能做进一步验证。结果黄金梨、园黄梨以及两种梨的可溶性固形物含量模型的测定系数R~2分别为0.6136、0.6576、0.5105,RMSEC分别为0.71、0.79、0.87:交互验证测定系数R~2_(CV)分别为0.5332、0.5076、0.4193,RMSECV分别为0.78、0.96、0.95;外部验证集相关系数r分别为0.7239、0.6825、0.6550,RMSEP分别为0.83、1.03、0.94。结论基于数字光处理技术内核自主集成的水果品质无损快速分析仪器在梨可溶性固形物含量的无损速测以及降低仪器制造成本方面具有一定的应用潜力。     

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。      

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。      

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。     

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。     

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。     

基于可见/近红外光谱和变量选择的脐橙可溶性固形物含量在线检测

为联合可见/近红外光谱技术和变量选择方法在线检测脐橙主要内部品质指标可溶性固形物(SSC),分别选定脐橙校正集和预测集样本141个和47个,脐橙运输速度为0.3m/s,利用USB4000微型光谱仪在线采集脐橙样本的可见/近红外光谱,先分别采用无信息变量消除(UVE)和遗传算法(GA)对650～950nm波段范围的波长变量进行预筛选,再分别利用竞争自适应重加权采样(CARS)及连续投影算法(SPA)对波长变量进一步筛选,并应用偏最小二乘(PLS)方法分别建立脐橙SSC的在线预测模型,并与原始光谱等建立的预测模型进行比较。结果表明,对于脐橙SSC,预筛选方法GA优于UVE方法,变量选择方法CARS优于SPA方法;GA-CARS及GA-SPA联合变量选择方法优于对应的单一变量选择方法CARS及SPA。在上述变量选择方法中,GA-CARS方法获得的结果最优,其所建立的脐橙SSC的PLS模型的校正集和预测集相关系数分别为0.933和0.824,校正集和预测集均方根误差分别为0.429%和0.670%,性能优于原始光谱建立的PLS模型,且建模波长变量数由1 385个下降为78个,仅占原波长变量数的...     

融合不同成熟度的苹果可溶性固形物预测模型研究

目的为实现对不同成熟度的苹果可溶性固形物的预测,建立普适性强的混合分析模型。方法选取甘肃静宁241个不同成熟度的苹果作为研究对象,利用近红外光谱采集系统获取苹果漫反射光谱信息,并对苹果可溶性固形物含量进行测定。利用S-G卷积平滑、多元散射校正(multiplicative scatter correction,MSC)、以及标准正态变量变换(standard normal variable transformation,SNV)等预处理方法结合竞争自适应加权算法(competitive adaptive reweighted sampling,CARS)、随机蛙跳(random frog,RF)算法提取苹果可溶性固形物的特征变量,然后利用偏最小二乘回归(partial least squares regression,PLS R)和支持向量机(support vector machine,SVM)算法建立分析模型。结果对比发现,采用RF选取的特征波长变量数更少且预测精度优于CARS,原始波长点由1251个减少到55个,MSC-RF-PLSR建立的模型预测结果最好,其预测相关系数r和预测均方根误差分别为0.906和0.744。结论采用近红外光谱方法构建的苹果可溶性固形物混合分析模型可以实现对苹果不同成熟度的预测,为建立适用于不同成熟度苹果的可溶性固形物便携设备提供理论依据。     

基于近红外光谱结合波长优选检测单颗葡萄的SSC含量

采用无损检测测定单颗葡萄中可溶性固形物(SSC)含量,获得个体和群体信息,以期指导田间管理、葡萄储存条件设置及满足消费者对葡萄口味的不同需求。采用手持式NIR光谱仪在950~1 650nm波长范围采集葡萄的近红外光谱,采用偏最小二乘(PLS)回归建立葡萄SSC预测模型。为了减少冗余无信息变量,增加模型的预测精度和稳定性,采用无信息变量消除法(UVE)、随机蛙算法(RF)筛选出与葡萄SSC含量相关的重要波长变量。结果表明:RF筛选建立的SSC预测模型优于全光谱PLS和UVE筛选建立的模型。RF-PLS模型的校正集、交叉验证及预测集的R2c、R2cv和R~2p分别为0.960 5,0.933 4,0.930 4,校正均方根误差(RMSEC),交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.638 2,0.829 9,0.868 8。表明通过波长优选后的,基于便携式近红外光谱在预测单颗葡萄SSC含量的应用上完全可行,有较高的预测精度。     

基于近红外光谱的淀粉含水量快速检测研究

运用近红外光谱分析技术检测淀粉的含水量,收集了国内常用的不同种类的淀粉,选择最优的光谱预处理方法和光谱范围,运用偏最小二乘法(PLS)进行定量分析研究。结果表明,采用偏最小二乘法(PLS)所建的定量分析模型的相关系数R2达0.9912,预测均方根误差RMSEP为0.0784,偏差为0.132。研究发现,近红外光谱技术用于快速无损检测淀粉含水量是可行的。      

基于近红外光谱技术的老陈醋可溶性固形物定量分析

可溶性固形物含量(SSC)是食品行业的重要技术参数之一。利用近红外光谱技术对不同醋龄的老陈醋SSC进行分析。在不同光谱预处理下,分别采用主成分回归(PCR)和偏最小二乘法(PLS)建立SSC的定量分析模型。结果表明,采用5点平滑预处理后,利用PLS建立的老陈醋SSC的定量分析模型最优,其校正集的相关系数R为0.999 9,校正标准偏差(RMSEC)为0.038 3,预测标准偏差(RMSEP)和交叉验证标准偏差(RMSECV)分别为0.082 1,0.096 4。表明采用近红外光谱技术对不同醋龄的老陈醋SSC进行定量分析建模是可行的。     

基于近红外高光谱图像的花生内部霉变快速判别方法研究

目的 针对外观正常但内部存在不同程度霉变的花生,探索采用近红外高光谱成像技术结合机器学习方法构建花生内部霉变快速无损判别模型的可行性。方法 采集100粒内部霉变和100粒健康花生的近红外高光谱图像构成数据集,将多种经典光谱预处理方法与支持向量机(support vector machine, SVM)组合建立花生内部霉变判别模型,并采用蒙特卡洛-无信息变量消除法(Monte Carlo-uninformative variable elimination,MC-UVE)找出霉变判别中有效的光谱特征波长。结果 将Savitzky-Golay卷积平滑方法和二阶求导光谱预处理方法与SVM组合,对内部霉变严重样本判别的总体识别准确率可达95%,对不同程度内部霉变样本的平均识别准确率为88%;基于MC-UVE筛选得到10、5、3个特征波长构建的模型总体识别准确率为90%、85%和82%。结论 实验结果表明高光谱技术结合机器学习可为花生内部霉变的快速、无损判别提供可行的解决方案,同时特征波长筛选为基于光电原理的霉变花生色选机系统开发提供了参考。