基于深度学习的西瓜可见/近红外光谱可溶性固形物预测模型研究

通过可见/近红外光谱技术结合K最近邻法回归、随机森林回归、深度卷积神经网络及带有残差块的深度卷积神经网络4种化学计量学方法对不同糖度的西瓜进行定量判别,并借鉴适用于图像处理的深度网络模块对可见/近红外光谱进行建模。结果表明,深度学习网络模块一维化在可见/近红外光谱数据处理中体现了巨大潜力,卷积神经网络CNN模型在预测集中Rp为0.855 9,RMSEP为0.778 1 °Brix,加入Res-block后的改进卷积神经网络Res-CNN在预测集中Rp为0.893 2,RMSEP为0.710 4 °Brix。     

BP 神经网络在大豆油酸价近红外光谱检测中的应用

对于大豆四级油,采用BP 神经网络对其近红外光谱数据建模,对系统的结构及参数选取进行了分析,对样本训练集的设计和网络输入端的主因子方面进行了处理。对于其他的多变量建模方法,分析了其对近红外光谱有用信息的提取作用。结果显示：多元线性回归、主成分回归和偏最小二乘法对大豆四级油酸价预测的标准偏差分别为0.1472%、0.1801% 和0.1576%,BP 神经网络的预测标准偏差为0.1387%。     

基于近红外化学成分特征吸收光谱的野生台蘑鉴别模型研究

本文建出一种应用近红外光谱技术鉴别野生台蘑的新方法。使用FieldSpec3便携式近红外光谱仪对包括野生台蘑在内的13种蘑菇进行漫反射光谱采集。将采集的数据经小波去噪后,对可见与近红外光谱(350～2500nm)进行峰谷筛选,所得峰谷集经主成分分析降维,取方差贡献率大于99.9%的5个主成分作为BP神经网络的输入值,建立数学模型。该模型在偏差±0.05内,对未知样本正确识别率为100%。本结果表明利用近红外漫反射光谱可以很好地鉴别野生台蘑。     

一种基于近红外光谱快速鉴别染色橙的新方法

本文应用近红外光谱仪(NIRS)测定染色橙样品的光谱数据,采用多种方式对光谱数据进行预处理,用主成分分析法(PCA)对不同染色橙样品进行聚类分析并获得染色橙的近红外光谱数据的主成分,在此基础上建立了偏最小二乘(PLS)回归模型,并根据均方根校准误差(RMSEC)和相关系数(R2)对模型性能进行评价。结果表明,主成分分析可以快速鉴别染色橙样品,模型识别率达到94%。将主成分分析(PCA)与偏最小二乘(PLS)相结合建立的回归模型,均方根校准误差(RMSEC)为0.26,决定系数R2为0.96,模型效果较好。表明利用近红外光谱鉴别染色橙是可行的,这为染色橙的鉴别提供了一种快速无损的新方法。     

用近红外光谱无损测定烟草种子淀粉含量

为探索烟草种子淀粉含量无损检测技术,分析了120份不同生长发育期的烟草种子样品的近红外光谱,在4 000~9 000 cm~(-1)波段,利用主成分回归法建立了烟草种子淀粉含量的近红外光谱定量分析模型,并采用外部独立验证的方法对该模型进行了检验。结果表明,标准正态变量转换法结合去趋势算法,经19点平滑处理烟草种子近红外光谱数据后,所建立的烟草种子淀粉含量定量分析模型的决定系数可达99.80%,校正标准差和预测标准差分别低至0.149 3和0.183 8,验证集的实际测定值与模型预测值之间误差较小。     

基酒FT-NIR光谱预处理与特征波筛选方法的比较

为解决白酒基酒分类的问题,降低基酒的分类误差,减少基酒对摘酒师傅身体的危害,本实验选取18种预处理以及3种特征波筛选方法来较少光谱中的无关干扰信息,降低建模数据复杂度。基酒的傅里叶近红外光谱（Fourier Transform Near Infrared Spectroscopy,FT-NIR）经过光谱理化值共生距离法（SPXY）划分数据集、预处理、马氏距离（MD）异常剔除、特征波筛选、支持向量机回归（SVR）预测来完成最终的分类。研究发现：多元散射校正（Multiplicative Scatter Correction,MSC）后的训练集预测集分类准确率可以达到100%,主成分分析（Principal Component Analysis,PCA）与特定算法结合才能实现准确分类,因此要注意与其他算法的组合,无信息变量消除法（Uninformative Variables Elimination,UVE）和竞争性自适应重加权算法（Competitive Adaptive Reweighted Sampling,CARS）都能实现高效的特征波选择,预测集的平均准确率接近90%。实验证明,经过处理后的光谱数据最多占原数据的47.57%,基酒近红外谱图经过预处理与特征波筛选后可以降低后期回归模型处理数据的复杂程度,提高模型的精确度。     

应用近红外技术快速鉴别原料肉注水的研究

提出一种用近红外光谱技术快速鉴别原料肉和注水肉的新方法。首先以原料肉和注水肉为原料,利用近红外光谱仪测定其漫反射光谱曲线,然后选取二阶导数+25点平滑方法进行预处理,再应用主成分分析结合人工神经网络技术对其进行判别分析。结果表明,前5个主成分的累计贡献率已达99.626%,以前5个主成分作为人工神经网络的输入,对应的肉种类(原料肉与注水肉)作为输出,建立了一个三层BP神经网络模型,模型对建模集109个样本的鉴别率为91.74%,对预测集30个样本的鉴别率为90%。说明利用近红外光谱分析技术对原料肉注水进行快速鉴别是可行的。     

基于有效波长选择的近红外光谱枸杞总糖含量快速检测

为建立枸杞总糖含量快速准确的检测方法,采用近红外光谱为检测手段,以114 个不同产区枸杞样品为研究对象。采用积分球漫反射模式采集样品近红外光谱,利用化学计量学方法确定光谱信息与总糖含量之间的关系,通过载重图法及相关系数法进行有效光谱选择,比较确定枸杞总糖光谱建模有效波段,建立枸杞总糖近红外光谱定量检测模型,并利用国标方法进行验证分析。结果发现：对全样品光谱进行Norris Gap Derivative求导预处理后,采用相关系数法选择8 700～4 000 cm－1波段进行建模。当主成分数为8时,建模效果较好,模型的校正集决定系数与验证集决定系数均高于0.91。结果表明,基于近红外光谱技术的枸杞总糖含量快速检测是可行的。     

小麦质量指标可见/近红外光谱动态检测方法研究

本文通过动态采集小麦的可见/近红外漫反射光谱(600～1 600 nm),结合偏最小二乘法(PLS)和BP神经网络(BP-ANN)建模方法建立小麦的蛋白质、水分、湿面筋、硬度指数的定量预测模型,利用决定系数(R2)、均方根误差(RMSE)和验证集标准偏差与预测标准偏差的比值(RPD)作为评价指标进行验证,比较分析了 3...     

枇杷蜂蜜中饴糖的近红外光谱检测

实验通过对纯枇杷蜂蜜及主动掺入1%、2%……30%饴糖的假枇杷蜂蜜进行近红外光谱扫描,采用TQAnalysisv6对数据进行预处理,建立饴糖含量的定性及偏最小二乘法和主成分回归法定量分析模型,并将模型应用于蜂蜜样品的分析预测。结果显示,采用原始光谱或一阶微分处理建立的判别分析模型均能够较好地区分掺饴糖蜂蜜与纯蜂蜜。根据PLS算法、PCR算法建立的定量模型相关系数分别为0.99771、0.98654,用于预测的蜂蜜样品实际值与预测值之间的决定系数分别为0.992、0.974。由此可见,用近红外光谱技术鉴别蜂蜜中是否添加饴糖是可行的,在实际操作中可以采用近红外光谱法快速定性判别蜂蜜中是否含有饴糖,也可根据化学计量法确定饴糖的含量,为蜂蜜打假提供依据。     

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。     

反向传播神经网络算法结合拉曼荧光光谱法定量检测特级初榨橄榄油掺假

目的 建立基于反向传播神经网络算法结合拉曼荧光光谱技术定量检测低等级橄榄油掺假特级初榨橄榄油的分析方法。方法 制备11种不同掺伪浓度的特级初榨橄榄油混合油样各10份，在相同时间、空间及目标的前提下，使用同台光谱探测系统，采集样品的拉曼光谱和荧光光谱。经过卷积神经网络去除拉曼光谱的基线，实现拉曼光谱和荧光光谱的数据预处理。根据分子光谱与电子光谱的特征差异，人为干预并设定拉曼光谱的权重，建立低等级橄榄油掺假特级初榨橄榄油的反向传播神经网络回归模型。结果 综合评估了反向传播神经网络回归模型的评价参数，特级初榨橄榄油掺假的反向传播神经网络模型的测试集决定系数为0.9716，均方根误差为0.0569，模型预测效果较好。结论 本研究提出的反向传播神经网络算法结合拉曼光谱与荧光的探测方法，满足快速检测低等级橄榄油掺假特级初榨橄榄油的定量分析需求，为评价或跟踪特级初榨橄榄油的品质提供了一种无损伤、高效率、低成本的新检测思路。     

基于傅里叶近红外光谱和电子鼻技术的苹果霉心病无损检测

为研究傅里叶近红外光谱技术(Fourier transform near infrared spectroscopy,FT-NIRS)和电子鼻技术分别结合化学计量学方法对苹果霉心病的判别效果,以“红富士”霉心病苹果和健康苹果为试材,利用近红外光谱技术,基于主成分分析建立Fisher判别和多层感知器(multi-layer perceptron,MLP)神经网络模型;同时利用电子鼻技术分别结合Fisher判别、MLP神经网络和径向基函数神经网络3种化学计量学的方法建立判别模型。根据建模集和验证集的预测准确率综合考虑,基于主成分分析建立的MLP神经网络模型和电子鼻结合MLP神经网络模型对苹果霉心病的判别效果最好,验证集中的正确判别率分别达到87.7%和86.2%。说明电子鼻和近红外光谱技术均可以较好地判别苹果霉心病。     

分子光谱技术结合深度学习模型识别食用植物油种类

为实现对食用植物油的快速无损识别，采用衰减全反射-傅里叶变换红外光谱获取10种食用植物油样本的340份谱图数据，经过预处理消除光谱数据中的噪声与背景干扰，通过主成分分析降维特征提取3个主成分，在此基础上构建KNN模型与基于SSA算法优化的BP神经网络模型，对植物油种类进行识别并对识别效果进行比较。结果表明：KNN模型的识别准确率可达97.7%;基于SSA算法优化的BP神经网络分类效果最佳，识别准确率达100%,而传统BP神经网络模型识别准确率仅为87.6%。综上，建立的分子光谱技术结合深度学习模型识别食用植物油种类的新方法，实现了对食用植物油种类的准确识别。     

鲫鱼新鲜度近红外定量预测模型的建立

为实现鲫鱼新鲜度的快速测定,本文基于近红外漫反射光谱定量分析技术和化学计量学方法,采集了144个鲫鱼鱼肉样品在1000~1799 nm范围内的光谱数据,测定了鲫鱼样品的p H、TVB-N含量、TBA含量和K值四种新鲜度指标;在确定近红外光谱数据最佳预处理方法和适宜波段的基础上,分别采用偏最小二乘法、主成分分析和BP人工神经网络技术、偏最小二乘法和BP人工神经网络技术建立了鲫鱼新鲜度定量预测模型。结果表明,鲫鱼样品四种指标数据范围均较大,可满足建模要求。以p H为鲜度指标时,采用偏最小二乘法和BP人工神经网络技术建立的模型最好,其定标相关系数为0.9945;以TVB-N、TBA和K值为鲜度指标时,采用偏最小二乘法建立的模型最好,其定标相关系数分别为0.9857、0.9985和0.9952。建立的四种鲜度指标定量模型均具有较好的预测能力。     

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的 比较反向传播神经网络(backpropagation algorithm neural network, BPNN)模型与偏最小二乘回归(partial least squares regression, PLSR)模型在预测芒果可溶性固形物含量(soluble solids content, SSC)方面的性能评估。方法 使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据建立两种预测模型, 通过采用多元散射校正(multiplicative scatter correction, MSC)进行光谱预处理, 利用遗传算法(genetic algorithm, GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms, IVISSA)和变量组合群体分析算法(variable combination population analysis, VCPA)提取特征波长变量, 通过比较不同特征波长提取方法进一步优化对比预测模型。结果 与PLSR模型相比, BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳, 预测集判定系数 、均方根误差(root mean square error of prediction, RMSEP)、残差预测偏差(residual prediction deviation, RPD)分别为0.8641、0.3924和2.7127。结论 该模型可快速、准确地检测芒果的SSC, 并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC, 为开发在线芒果SSC无损检测系统奠定基础。     

大豆油脂过氧化值的近红外光谱分析

首先采用碘量法测定油脂样品的过氧化值作为校正值,再使用近红外光谱仪采集油脂样品的光谱数据。在油脂过氧化值的定量分析中建立3 种校正模型,对比分析偏最小二乘回归(PLS)、多元线性回归(MLR)和主成分回归(PCR)的性能,确定最优模型为PLS。使用PLS 测定油脂过氧化值的性能结果为：校正集的相关系数0.916,预测集的相关系数0.922。     

基于近红外光谱技术快速识别不同动物源肉品

利用傅里叶变换近红外光谱技术建立猪肉、牛肉和羊肉的定性识别模型。用主成分分析法将原始数据压缩为10 个主成分,在全波段9 881.46～4 119.20 cm－1范围内,利用附加散射校正技术结合Savitzky-Golay滤波法对光谱数据进行预处理,采用判别分析法建立模型。模型对训练集的识别准确率为100%,对预测集猪肉、牛肉和羊肉的识别准确率分别为99.28%、97.42%和100%。结果表明：近红外光谱结合模式识别方法能快速无损地识别猪肉、牛肉和羊肉。