莲藕淀粉含量的近红外光谱无损检测方法

应用近红外光谱技术无损检测莲藕的淀粉含量。对光谱数据的3种预处理方法进行了比较分析,再采用偏最小二乘法(PLS)和联合区间偏最小二乘法(SiPLS)建立了莲藕淀粉含量的近红外光谱分析模型。研究结果表明,经多元散射校正、一阶导数和平滑等结合的预处理,采用联合区间偏最小二乘法(SiPLS)建立的模型最佳;其校正集的相关系数(Rc)和均方根误差(RMSEC)分别为0.960 0和0.741 6,预测集的相关系数(Rp)和均方根误差(RMSEP)为0.923 8和1.050 6,可以满足实际应用要求。结论:利用近红外光谱技术对莲藕淀粉含量进行无损检测切实可行。     

高光谱图像光谱提取区域对猕猴桃糖度检测精度的影响

为了了解高光谱图像中光谱提取区域对果品糖度检测模型精度的影响,本文以"华优"猕猴桃为对象,分别提取了10×10、20×20和30×30(像素×像素)的正方形光谱区域以及样品掩膜图像的平均光谱,对平均光谱进行平滑去噪+标准正态变量变换预处理,用处理后的全光谱建立了预测猕猴桃糖度的偏最小二乘、最小二乘支持向量机、极限学习机和误差反向传播网络模型,分析了光谱提取区域对猕猴桃糖度检测精度的影响规律。结果表明,光谱提取面积的增加能够提升最小二乘支持向量机、极限学习机和误差反向传播网络模型的预测性能。基于猕猴桃掩膜图像的平均光谱所建立的最小二乘支持向量机模型具有最好的预测性能,其预测相关系数为0.97,预测均方根误差为0.86oBrix,相对预测误差为4.06。研究说明在高光谱图像中选择合适的光谱提取区域有助于提高模型的预测精度。     

近红外光谱结合不同偏最小二乘法快速检测镇江香醋的浑浊度

利用近红外光谱(4000cm-1～10000cm-1)结合化学计量学方法快速检测了镇江香醋中的浑浊度。首先,用近红外光谱仪采集香醋样本的近红外光谱数据以及用离心法测定样本的浑浊度值;然后,采用间隔偏最小二乘法(iPLS)、反向区间偏最小二乘法(biPLS)、联合间隔偏最小二乘算法(siPLS)优选光谱特征区间;最后,采用全光谱(4000cm-1～10000cm-1)偏最小二乘法(PLS)对优选出来的区间建立香醋浑浊度近红外光谱模型。结果表明,采用siPLS将全光谱均匀划分30个子区间,选择4个子区间[4 10 18 27]联合时,建立的模型预测效果最佳,其RMSECV和RMSEP分别为0.173和0.208,校正集和预测集相关系数分别为0.9337和0.9004。因此,利用近红外光谱技术快速检测香醋中的浑浊度是可行的。     

用遗传算法提取南疆红枣总糖的近红外光谱特征波长

本研究尝试利用近红外光谱技术测量红枣的总糖含量,针对采用偏最小二乘(PLS)法建立近红外光谱预测模型时波长筛选问题,提出用联合区间偏最小二乘法(si PLS)与遗传算法(GA)相结合的方法遗传联合区间偏最小二乘法(GA-si PLS)来提取近红外光谱特征区域和特征波长,提高模型预测精度的方法。结果表明:将全谱等分成20个子区间,用联合区间偏最小二乘法优选出4个特征子区间,在这4个子区间的基础上再用遗传偏最小二乘法继续筛选出12个特征波长。用12个特征波长建立的偏最小二成模型精度要好于全谱建立的模型,其主因子数减少了4个,预测集标准偏差(RMSECP)减少了25%,预测相关系数(RP)提高了5%。该方法选取的波长变量建立的校正模型,不仅使模型简洁、优化,而且增强了模型的预测能力。     

近红外光谱结合不同偏最小二乘法无损检测食醋中总酸含量

探讨了快速、无损检测食醋中总酸含量的建模方法,利用近红外光谱法分别结合间隔偏最小二乘法(iPLS)、反向区间偏最小二乘法(BiPLS)、联合间隔偏最小二乘算法(SiPLS)进行建模,对各算法在不同划分区间数及区间选择时对建立模型的影响进行比较.结果表明:BiPLS、SiPLS(2,3,4区间联合)建模效果较好于iPLS所建立的模型,其中BiPLS在选择43个子区间,5个子区间联合(3,4,6,7,16)最佳,其RMSECV和RMSEP分别为0.2876和0.2726,校正集和预测集相关系数分别为0.9343和0.938;SiPLS在选择3个区间联合,49个区间数(3、5、7区间联合)最佳,其RMSECV和RMSEP分别为0.2607和0.2802,校正集和预测集相关系数分别为0.9463和0.9371;iPLS在选择22个子区间,第三个子区间,主因子数为4时最佳,其RMSECV和RMSEP分别为0.2998和0.2977,校正集和预测集相关系数分别为0.928和0.9213.不同偏最小二乘算法所选取区域大多集中于5500～6000 cm-1范围内,证明该波数范围应该是总酸的相应特征区间.     

基于反射光谱特征的牛肉嫩度预测模型研究

旨在研究牛肉反射光谱在不同波段范围内的特征,筛选与牛肉剪切力值相关性大的敏感波段,优选牛肉剪切力值的预测模型。实验采用双通道光谱仪采集72块牛肉样品的反射光谱曲线,对原始光谱及剪切力值进行相关性分析,应用联合区间偏最小二乘法(Si-PLS)和遗传算法(GA)筛选敏感波段,建立牛肉剪切力值的偏最小二乘回归(PLSR)预测模型,并对模型进行了优选。结果表明:实验所用2个波段光谱均能实现对牛肉剪切力值的预测,在(400~1000)nm波段建立的预测模型结果较好,在可见光范围内光谱信号与剪切力值呈较大的正相关性,当联合9个子区间作为输入变量时建立PLSR模型的预测相关系数R和均方根误差分别达到0.8598和6.0141,模型的RPD值为1.91。应用遗传区间偏最小二乘法(GA-i PLS)在已选的9个子区间内再次筛选变量,所建立模型的验证集相关系数为0.8883,均方根误差为5.5665,RPD值达到了2.06。研究结果表明,可见近红外反射光谱可以实现对牛肉嫩度的较好预测,基于特征波段的预测模型可以为牛肉嫩度在线快速检测提供理论依据。     

基于近红外光谱技术的腐竹脂肪定量分析

采用近红外光谱技术结合化学计量学方法,建立腐竹脂肪含量的快速分析方法。收集不同生产线、不同时间的腐竹样本180 份,利用积分球附件采集漫反射光谱（4 000～10 000 cm－1）。为消除颗粒散射影响和光谱基线漂移,二阶导数和卷积平滑用于光谱预处理。采用反向区间偏最小二乘法、组合区间偏最小二乘法、搜索组合移动窗口偏最小二乘法和遗传偏最小二乘法优化建模变量,最终构建了定量预测模型。结果显示,4 种方法均可有效地提取信息变量、降低模型维度、提高预测性能;遗传偏最小二乘法一次优选获得143 个变量,构建的模型性能最佳,其校正相关系数、校正均方根误差、预测相关系数、预测均方根误差分别为0.96、0.95、0.92和1.17。研究表明,经过信息变量提取后所构建的近红外模型简单、预测精度高,可用于腐竹脂肪含量的日常监测。     

近红外光谱结合区间偏最小二乘法应用于花生油酸价的测定

采用近红外光谱法结合不同区间偏最小二乘波长筛选法建立花生油酸价的定量分析模型。采用酸碱滴定法测定花生油样本的酸价同时采集近红外光谱数据;采用区间偏最小二乘法(iPLS)、向后区间偏最小二乘法(BiPLS)、移动窗口偏最小二乘法(mwPLS)优选光谱特征区间;采用偏最小二乘法(PLS)对优选出来的谱段建立酸价的定量模型。结果表明,采用mwPLS选择的谱段建立的模型预测效果最佳,RMSECV和RMSEP分别为0.247 76和0.131 5,校正相关系数和预测相关系数分别为0.993 2和0.996 9。因此,近红外光谱结合移动窗口偏最小二乘法可以快速准确测定花生油的酸价。     

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。     

基于微型近红外光谱仪的油菜籽含油率模型参数优化研究

为实现油菜籽含油率快速无损检测,采用微型近红外光谱仪,结合竞争性自适应重加权(CARS)、遗传算法(GA)、连续投影算法(SPA)、无信息变量消除法(UVE)、向后区间偏最小二乘法(BIPLS)、联合区间偏最小二乘法(SIPLS)等方法优选油菜籽含油率近红外光谱特征波长,建立偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)定量分析模型,同时对LS-SVM模型参数进行优化。研究表明,对PLSR模型,BIPLS+GA优选的26个特征波长建模效果最好,其预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.9330和0.0075,对LS-SVM模型,SIPLS+GA优选的13个特征波长建模效果最好,预测相关系数(Rp)和预测均方根误差(RMSEP)分别0.9192和0.0055。证明了波长优选和参数优化可有效简化油菜籽含油率近红外光谱定量分析模型,提高模型预测精度和稳定性,为进一步拓展微型近红外光谱仪的应用提供技术参考。     

高光谱图像技术检测枇杷叶片三萜酸含量及叶面分布

枇杷叶富含三萜酸类化合物,具有较高的药用价值。本研究首先建立枇杷叶高光谱信号与三萜酸含量的对应关系,然后利用高光谱图像包含每个像素点的光谱信号这一独特优势,检测枇杷叶片的三萜酸分布。通过联合区间偏最小二乘法(si PLS)建立三萜酸含量分析模型,结果表明,采用si PLS将全光谱均匀划分11个子区间,选择1、5、6、7联合,主因子数为4 h,建立的si PLS谱区筛选模型预测效果最佳,其交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为3.392 mg/g和3.731 mg/g,校正集和预测集相关系数分别为0.8449和0.8223。根据si PLS模型计算叶片上所有像素点处的三萜酸含量,并通过伪彩色方法描述叶片中三萜酸含量的分布。研究结果表明,利用高光谱图像技术分析枇杷叶片三萜酸含量及叶面分布是可行的。     

蚁群和遗传算法优化花茶花青素近红外光谱预测模型的比较

以建立花茶花青素含量的最优近红外光谱模型为目标,对比研究了蚁群算法(Ant ColonyOptimization,ACO)和遗传算法(Genetic Algorithm,GA)优化近红外光谱谱区的效果。ACO-i PLS将全光谱划分为12个子区间时,优选出第1、9、10共3个子区间,所建的校正集和预测集相关系数分别为0.901 3和0.864 2;交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.160 0 mg/g和0.202 0 mg/g;GA-i PLS将全光谱划分为15个子区间时,优选出第1、5共2个子区间,所建模型的校正集和预测集相关系数分别为0.906 3和0.879 3,交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.156 0 mg/g和0.206 0 mg/g。研究结果表明:ACO-i PLS和GA-i PLS均可以有效选择近红外光谱特征波长,其中GA-i PLS模型的精度更高。     

基于近红外光谱的大黄鱼新鲜度评价模型

目的 探索定量评价大黄鱼新鲜度的方法。方法 在整鱼背部采集近红外光谱, 将原始光谱预处理后分别与挥发性盐基氮(TVB-N)、菌落总数建立偏最小二乘(PLS)模型、区间偏最小二乘(iPLS)模型、向后区间偏最小二乘(biPLS)模型和联合区间偏最小二乘(siPLS)模型。结果 biPLS模型的精度最高、预测性能最佳。TVB-N的biPLS模型的校正集和预测集相关系数分别为0.8371和0.7652; 菌落总数的biPLS模型的校正集和预测集相关系数分别为0.878和0.7009。结论 大黄鱼的近红外光谱信息与其TVB-N、菌落总数间都存在较高的相关性, 所建模型可以快速、无损地定量评价大黄鱼的新鲜度。     

近红外光谱法快速测定香菇总糖含量

为弥补国标检测方法测定香菇总糖含量耗时长、步骤繁琐的缺陷,创建近红外（near infrared,NIR）光谱技术在测定香菇总糖含量方面应用,采用NIR分析技术与偏最小二乘算法（partial least square,PLS）建立香菇总糖的NIR分析模型,并对模型进行参数优化。实验共收集了106 批样品,从中随机抽取13 批作为验证集,用于验证该模型的可靠性,剩余的93 批样品为校正集。在校正集中,通过杠杆值法和学生化残差法筛选出65 批能够较理想地代表一般香菇特征的样品,用于确定NIR光谱检测范围、PLS主因子数等参数,基于NIR光谱数据的香菇总糖含量建立定量分析模型。校正集的建模结果表明,使用多元散射校正（multiplicative scatter correction,MSC）及二阶导数（second derivatives,SD）对原始光谱进行预处理,光谱范围为4 000～10 000 cm－1,PLS主因子数为10时,基于NIR的香菇总糖检测模型的建模效果最优,即均方根误差比值满足检验条件,校正集R2（决定系数）最高为0.940 04,校正均方根误差为1.393,预测集均方根误差为1.557,相对分析误差最优为4.08。验证集对模型的检验结果显示,样品的预测值和实测值具有良好的线性关系,且二者没有显著差异（P=0.993）。由此表明,本实验建立的NIR分析模型可用于准确预测香菇样品的总糖含量。     

Chemometric Models for the Quantitative Descriptive Sensory Properties of Green Tea (<Emphasis Type="Italic">Camellia sinensis</Emphasis> L.) Using Fourier Transform Near Infrared (FT-NIR) Spectroscopy

Multivariable models based on chemometric analyses of the tea infusion sensory data and FT-NIR spectra of 70 “Biluochun” green tea (Camellia sinensis L.) samples were generated aiming to predict the scores of sensory attributes of green tea. Modified BP_AdaBoost algorithm was used to develop the models. The synergy interval partial least square (siPLS) algorithm was applied to select the wavenumbers for the prediction model of sensory properties in order to take only significant spectral intervals into account. Some parameters were optimized by cross-validation in model calibrations. Experimental results showed that the optimal BP_AdaBoost model was achieved with four principal components (PCs), when 184 variables in the combination of four spectral intervals [3 17 19 21] were selected by siPLS. The predicted precision of the best model obtained were as follows: the root mean square error of cross-validation (RMSECV) was 5.0305 and the correlation coefficient (R _c) was 0.8554 in the calibration set; the root mean square error of prediction (RMSEP) was 6.0807, the correlation coefficient (R _p) was 0.7717, and the ratio performance deviation (RPD) was 1.59 in the prediction set. Finally, the BP_AdaBoost model revealed its superior performance when compared with back propagation neural network (BPNN) model. The overall results demonstrate that FT-NIR spectroscopy technique can be successfully used in the evaluation of sensory quality of green tea, and BP_AdaBoost algorithm shows its superiority in model calibration.     

用混合线性分析法建立苹果糖度近红外光谱预测模型

用混合线性分析法的一种变形算法建立了苹果糖度近红外光谱预测模型，并与偏最小二乘模型进行比较。结果表明：虽然最佳的混合线性分析法模型（18个主因子）比最佳偏最小二乘模型（11个主因子）复杂．但其精度却明显优于偏最小二乘模型：利用梗正集的28个苹果样本建立的糖度混合线性分析法校正模型，其相关系数r^2和标准偏差SEC分别为0．92509和0．40618；该校正模型经预测集的11个样本验证，相关系数r^2和标准偏差SEP分别达到0.87611和0．48480。混合线性分析法建立的糖度模型对苹果光谱的校正标准偏差SEC和预测标准偏差SEP分别比PLS法的SEC（0．41473）和SEP（0．50473）减小了2％和3．9％。结果表明：在诸如苹果糖度这一类农产品品质综合指标（非纯组分含量指标）的光谱检测中，应用混合线性分析法进行定量分析是完全可行的。并且其结果可与偏最小二乘法（PLS）的结果相媲美。     

Simultaneous measurement of total acid content and soluble salt-free solids content in Chinese vinegar using near-infrared spectroscopy

Total acid content (TAC) and soluble salt-free solids content (SSFSC) in Chinese vinegar are 2 important indicators in the assessment of its quality. This paper shows the feasibility to determine TAC and SSFSC in Chinese vinegar by near-infrared (NIR) spectroscopy. Synergy interval partial least square (Si-PLS) algorithm was performed to calibrate the regression model. The number of PLS factors and the number of intervals were optimized simultaneously by cross-validation. The performance of the model was evaluated according to root mean square error of prediction (RMSEP) and correlation coefficient (R) in the prediction set. The optimum Si-PLS model for TAC was achieved with RMSEP = 0.264 g/100 mL and R(p) = 0.9655; the optimum Si-PLS model for SSFSC was achieved with RMSEP = 1.93 g/100 mL and R(p) = 0.9302. The overall results demonstrated that NIR spectroscopy combined with Si-PLS could be utilized to determinate TAC and SSFSC in Chinese vinegar, and NIR spectroscopy has a potential to be used in vinegar industry.     

Determination of Amino Acid Nitrogen in Soy Sauce Using Near Infrared Spectroscopy Combined with Characteristic Variables Selection and Extreme Learning Machine

Amino acid nitrogen (AAN) is one of the most important indicators to assess the quality grade of soy sauce in China. Near infrared (NIR) spectroscopy technique combined with characteristic variable selection and extreme learning machine (ELM) was applied to detect AAN content in soy sauce in this work. First, the optimal spectral intervals were selected by synergy interval partial least square. Then, ELM model based on the optimal spectral intervals was established, called synergy interval extreme learning machine (Si-ELM) model. Support vector machine model based on the optimal intervals was established comparatively. These models were optimized by cross validation, and the performance of each final model was evaluated according to correlation coefficient ( $ R_{\text{p}}^2 $ ) and root mean square error of prediction (RMSEP) in prediction set. Si-ELM showed excellent performance. The best Si-ELM model was achieved with $ R_{\text{p}}^2 = 0.9657 $ and RMSEP?=?0.0371 in the prediction set. It was concluded that NIR spectroscopy combined with Si-ELM was an appropriate method to detect AAN content in soy sauce.     

甘薯水分和还原糖协同向量NIR快速检测方法

利用近红外光谱技术建立新鲜甘薯水分和还原糖含量的预测模型,实现快速检测与分析,为甘薯品质分析和种质资源筛选提供便捷。选用不同品系甘薯样品146份,109份作为校正样品,37份作为验证样品。运用不同光谱预处理方法、协同区间偏最小二乘最优波长选择法以及主成分回归和偏最小二乘法建立甘薯水分和还原糖模型。结果显示,所建甘薯水分(还原糖)最优模型的决定系数、预测均方根误差和标准差比率分别为0.974(0.885),1.154(0.270)和6.334(3.148)。表明2种模型具有较好的检测性能,近红外光谱模型的预测值与其相应的化学值有较好的相关性,适用于大批量甘薯选育时水分和还原糖含量的快速检测。