猪配合饲料多品质近红外光谱关键变量筛选与模型建立

目的基于饲料近红外光谱数据筛选影响猪配合饲料主要品质指标的关键波长变量,从而建立饲料品质无损快速定量校正模型,进而提高饲料品质无损快速检测效率。方法采集饲料样品近红外光谱数据并获取水分、粗蛋白、粗脂肪、粗纤维参考值数据;剔除异常值后采用基于联合X-Y距离样本集划分法(sample set partitioning based on joint X-Y distance, SPXY)划分校正集和外部验证集;基于校正集数据采用蒙特卡罗-无信息变量消除-连续投影算法分别针对4个品质指标筛选25、20、15、10、5个关键变量,分别建立校正模型并对外部验证集进行预测。结果针对饲料水分、粗蛋白、粗脂肪、粗纤维所选关键变量个数分别为15、25、15、15,模型维数分别为9、11、10、9,测定系数分别为0.8288、0.8605、0.9338、0.8327,校正均方根误差分别为0.17、0.81、0.31、0.22,交互验证均方根误差分别为0.19、0.93、0.34、0.23,相对预测性能分别为2.79、2.38、4.01、2.89。结论通过变量筛选结合外部验证结果表明,在保证模型准确度的前提下,所选关键变量数明显少于全谱变量数,可为提高饲料多品质无损快速定量检测工作效率提供一定的参考。     

磨盘柿可溶性固形物的可见/近红外漫反射光谱无损检测

研究可见/近红外漫反射光谱技术快速检测磨盘柿可溶性固形物的方法。在可见/近红外光谱区域(570～1848nm),对比分析不同数学建模算法、不同导数处理方法和不同散射及标准化处理的果实可溶性固形物定标模型。结果表明：应用改进偏最小二乘回归算法、一阶导处理和去散射处理所建果实可溶性固形物定标模型的预测性能较优,其定标交互验证相关系数(Rcv)和预测相关系数(Rp2)分别为0.8076和0.8085,定标交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.4546°Brix和0.4482°Brix。这表明,可见/近红外漫反射技术对磨盘柿可溶性固形物的快速无损检测具有可行性。     

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。     

基于近红外光谱对桃果实低温贮藏品质的定量检测

采用近红外光谱法结合化学计量学方法对桃果实的可溶性固形物(SSC)含量、总酸(TA)含量、糖酸比和硬度等4种品质进行快速检测,研究不同光谱预处理算法对模型的影响,建立偏最小二乘法(PLS)预测模型。建模前,采用方差分析和Pearson相关性分析研究几种指标的关系。桃果实贮藏期的SSC含量、TA含量、糖酸比和硬度最优PLS模型的校正集相关系数分别为0.93,0.69,0.74和0.97;验证集相关系数分别为0.79,0.69,0.68和0.95。交互验证均方根误差(RMSECV)为0.56,0.11,4.24和8.81,预测集均方根误差(RMSEP)为0.89,0.10,6.02和16.22。试验结果表明,近红外光谱对桃果实SSC含量和硬度的快速检测是可行性的,TA含量和糖酸比的预测算法需进一步优化。本研究为实际生产中近红外光谱对桃果实低温贮藏品质无损检测与质量控制提供技术参考。     

长波近红外光谱-偏最小二乘法快速分析白酒中乙醇含量

研究近红外光谱结合偏最小二乘法(NIRS-PLS)快速测定白酒中的乙醇含量的可行性,应用NIRS-PLS所建的模型相关系数达到0.99991,校正均方根误差(RMSEC)为0.00181,通过交互验证得出交互验证均方根误差(RMSECV)为0.00296,预测参差平方和(PRESS)为0.00016.用模型对预测集和白酒样品进行预测,预测均方根误差(RMSEP)为0.00258,结果表明NIRS-PLS可用于白酒生产中的在线质量监控和白酒市场的快速质量检测.     

LS-SVM结合近红外光谱快速检测香梨可溶性糖

利用可见/近红外光谱技术对"库尔勒香梨"内部品质的快速无损检测具有非常重要的研究意义。为了解决光谱数据中由于大量无关信息的存在而导致模型精度降低的问题,探究了基于不同可见/近红外光谱特征波长筛选方法建立模型的效果。分别采用无信息变量消除算法(UVE)、后向偏最小二乘算法(BiPLS)对香梨可溶性糖的特征波长进行筛选,并将其作为输入变量分别建立偏最小二乘(PLS)、最小二乘支持向量机(LS-SVM)模型。结果表明,UVE算法可以有效地减少建模变量,UVE-LS-SVM模型效果明显优于UVE-PLS模型,其决定系数(R~2)为0.976、预测均方根误差(RMSEP)为2.313、预测相对分析误差(RPD)为5.45,验证了UVE-LS-SVM结合近红外光谱分析技术能实现对"库尔勒香梨"可溶性糖含量的快速无损测量。     

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。     

近红外漫反射光谱法快速检测谷子蛋白质和淀粉含量

建立近红外漫反射光谱法测定谷子中的蛋白质和淀粉含量,提供一种快速、简便、无损的分析方法进行谷子品种资源鉴定和筛选。以191份山西核心谷子种质为材料,采用近红外漫反射光谱法建立谷子蛋白质和淀粉含量的快速检测模型。结果表明,采用一阶导数+矢量归一化光谱预处理,分别建立谷子蛋白质和淀粉含量的校正模型,模型的校正决定系数(R~2_(cal))分别为0.977 0和0.907 3,交叉验证均方根误差分别为0.203%和0.466%,外部验证决定系数(R~_(2val))分别为0.989 6和0.977 2,预测均方根误差分别为0.225%和0.368%。对于谷子蛋白质和淀粉的预测,化学法和近红外仪器法测定间无显著差异,近红外测定结果是准确可靠的。说明采用近红外漫反射光谱分析技术能够满足对谷子蛋白质和淀粉含量的检测。     

贮藏期内富士和粉红女士苹果品质的FT-NIR无损检测

为探索傅里叶近红外光谱快速无损检测贮藏期苹果品质的方法,在苹果贮藏过程中,每隔30d采集富士和粉红女士(各40个)2个苹果品种共计400个样本的近红外图谱(12000～4000cm-1),用OPUS-QUANT软件预处理光谱,用偏最小二乘法建立通用于2个品种的可滴定酸(TA)、pH值和可溶性固形物(SSC)的数学模型。结果表明：富士和粉红女士的光谱经矢量归一化预处理后,在波段7502～4247cm-1内所建立的可滴定酸模型稳定性较好,该模型校正时的相关系数(R2)和评估均方误分别为0.9231和0.0263%,预测时的相关系数R2和内部交叉验证均方根差分别为0.9071和0.0266%;在波段11995～4247cm-1内,光谱经一阶导数预处理后所建立的pH值预测模型稳定性较好,该模型校正时的R2和评估均方误分别为0.9263和0.0700,预测时的R2和内部交叉验证均方根差分别为0.9113和0.0772;近红外光谱经最大-最小归一化预处理后,在波段6102～5446cm-1所建立的SSC模型效果较好,该模型校正时的R2和评估均方误分别为0.9212和0.3570%,预测时的R2和内部交叉验证均方根差分别为0.9130和0.370%。在富士和粉红女士贮藏期品质检测过程中,建立的通用于这2个品种的TA、pH值和SSC检测的数学模型,稳定性较好,能满足品质快速无损检测的要求。     

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。     

融合近红外光谱和颜色参数的草莓可溶性固形物含量定量分析模型构建

草莓可溶性固形物(soluble solids content,SSC)含量是评价草莓内部品质的关键指标。为了实现对该指标的快速、无损评估,基于近红外光谱技术,构建了线性偏最小二乘(partial least squares,PLS)和非线性最小二乘支持向量机(least squares support vector machine,LS-SVM)模型,联合蒙特卡罗无信息变量消除和连续投影算法(Monte-Carlo uninformative variable elimination,successive projections algorithm,MC-UVE-SPA)从原始光谱4 254个变量中提取了27个有效变量,并构建了基于有效变量的定量分析模型。同时,考虑到草莓表面颜色的影响,基于草莓RGB图像各分量获取了颜色特征参数,进一步融合光谱和颜色特征构建了多参数融合PLS和LS-SVM模型。基于相同的校正集和预测集,比较了所有模型对草莓内部SSC的预测性能。结果表明,MC-UVESPA是一种有效的草莓光谱变量选择算法,且多参数融合非线性LS-SVM模型是草莓内部SSC定量预测的最...     

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。     

Variable Selection in Visible and Near-Infrared Spectral Analysis for Noninvasive Determination of Soluble Solids Content of ‘Ya’ Pear

Informative variable selection or wavelength selection plays an important role in the quantitative analysis of near-infrared (NIR) spectra because the modern spectroscopy instrumentations usually have a high resolution and the obtained spectral data sets may have thousands of variables and hundreds or thousands of samples. In this study, a new combination of Monte Carlo–uninformative variable elimination (MC-UVE) and successive projections algorithm (SPA; MC-UVE-SPA) was proposed to select the most effective variables. MC-UVE was firstly used to eliminate the uninformative variables in the raw spectra data. Then, SPA was applied to determine the variables with the least collinearity. A case study was done based on the NIR spectroscopy for the non-destructive determination of soluble solids content (SSC) in ‘Ya’ pear. A total of 160 samples were prepared for the calibration (n?=?120) and prediction (n?=?40) sets. Three calibration algorithms including linear regressions of partial least square regression (PLS) and multiple linear regression (MLR), and nonlinear regression of least-square support vector machine (LS-SVM) were used for model establishment by using the selected variables by SPA, UVE, MC-UVE, UVE-SPA, and MC-UVE-SPA, respectively. The results indicated that linear models such as PLS and MLR were more effective than nonlinear model such as LS-SVM in the prediction of SSC of ‘Ya’ pear. In terms of linear models, different variable selection methods can obtain a similar result with the RMSEP values range from 0.2437 to 0.2830. However, combination of MC-UVE and SPA was helpful for obtaining a more parsimonious and efficient model for predicting the SSC values in ‘Ya’ pear. Twenty-two effective variables selected by MC-UVE-SPA achieved the optimal linear MC-UVE-SPA-MLR model compared with other all developed models by balancing between model accuracy and model complexity. The coefficients of determination (r ²), root mean square error of prediction, and residual predictive deviation by MC-UVE-SPA-MLR were 0.9271, 0.2522, and 3.7037, respectively.     

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。     

高光谱成像技术对灵武长枣果皮强度的无损检测

利用高光谱技术对灵武长枣果皮强度检测进行研究,为灵武长枣外部品质无损检测提供科学方法。采集120个灵武长枣的400¹000 nm的高光谱图像,对光谱数据进行预处理;应用连续投影算法（SPA）、正自适应加权算法（CARS）和无信息变量消除法（UVE）对原始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偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）果皮强度预测模型。结果表明:采用标准正态变换（SNV）预处理算法效果最优,其PLSR模型的交叉验证相关系数（Rcv）为0.8207,交叉验证均方根误差（RMSECV）为9.9630;利用SPA、CARS和UVE法从全光谱的125个波长中分别选取出29个、31个和31个特征波长;而基于全光谱建立的LS-SVM模型效果最优,其预测相关系数（Rp）为0.9555,预测均方根误差（RMSEP）为3.8282;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果皮强度无损检测具有可行性。      

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5.63%。由此表明,GA-CARS联合变量选择方法可以有效筛选脐橙SSC的波长变量,提高预测模型的稳定性和预测精度。