基于近红外光谱技术的黄桃脆片可溶性固形物和硬度定量检测方法

以多批次黄桃脆片为分析对象,分别采集了可见/短波近红外光谱(400~1000 nm)和长波近红外光谱(1000~2500 nm)原始信息,分别采用标准正态变量变换(SNV)、多元散射校正(MSC)、移动平均平滑(MS),一阶导数(1-Der)预处理后,建立了全波段线性偏最小二乘法(PLS)和非线性支持向量机(SVM)预测模型,并结合外部试验进行可行性验证。结果表明,基于MSC-SVM的可见/短波红外光谱模型对可溶性固形物预测效果最佳,验证集的决定系数(R p)、预测均方根误差(RMSEP)、相对预测偏差(RPD)分别为0.761,1.998%和1.532;而基于MSC-SVM的长波近红外光谱模型对硬度预测效果相对最佳,对应R p、RMSEP和RPD分别为0.862,0.292 kg和1.991。基于近红外光谱系统可以实现对大批量黄桃脆片品质参数的快速无损检测。     

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。     

NIR高光谱成像技术检测冷鲜羊肉嫩度

利用900~1700 nm近红外高光谱成像系统对冷鲜羊肉嫩度进行快速无损检测研究。采集冷鲜羊肉(1~8 d)表面的高光谱散射图像,提取样本感兴趣区域反射光谱曲线并用剪切力值表征冷鲜羊肉的标准嫩度。以原始光谱、特征区域光谱和Savitzky-Golay卷积平滑预处理光谱建立冷鲜羊肉嫩度的偏最小二乘回归(PLSR)模型,预处理的特征区域光谱建立的模型效果更优。结果表明:特征区域光谱可有效替代全波段光谱,经过S-G卷积平滑预处理后,模型预测效果最佳,预测相关系数(Rp)和均方根误差(RMSEP)分别为0.773和1.060。研究表明:利用近红外高光谱成像技术结合偏最小二乘回归法对冷鲜羊肉嫩度的快速无损检测是可行的。     

基于高光谱和极限学习机的冷鲜羊肉颜色无损检测

利用400~1000 nm近红外高光谱成像系统对冷鲜羊肉颜色进行快速无损检测研究。采集140个冷鲜羊肉样品(贮藏1~7 d)光谱图像,并测量其亮度(L*)、红度(a*)、黄度(b*)和饱和度(C*)等颜色参数。选取感兴趣区域获取样品代表性光谱,利用联合区间偏最小二乘法(si PLS)对一阶微分、多元散射校正、标准正态变量变换(SNV)等方法预处理后的光谱数据筛选特征波段,建立冷鲜羊肉颜色各参数的si PLS-ELM神经网络校正模型。对于L*、a*、b*和C*,模型的预测集相关系数(RP)分别为0.9219、0.9391、0.9603和0.8839,预测集均方根误差(RMSEP)分别为1.1935、0.2333、0.6009和0.3586。结果表明:采用可见-近红外高光谱成像技术结合si PLS-ELM神经网络对冷鲜羊肉颜色的快速无损检测是可行的。     

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。     

基于温度修正和可见/近红外光谱的油茶籽含水率检测

目的:解决干燥时温度变化对可见/近红外光谱检测油茶籽含水率的影响,并提出一种基于温度修正的油茶籽含水率检测模型。方法:在不同温度下(50,60,70 ℃)进行干燥试验,采集光谱数据。通过获取不同温度下采集的光谱数据,分析温度对光谱影响的原因。对比3种光谱预处理方式,运用竞争性自适应重加权算法(CARS)和偏最小二乘回归算法(PLSR),建立60 ℃下的基准PLSR模型。并采用斜率/偏差法对50,70 ℃下的外部样本预测值进行修正。结果:50,70 ℃下,修正前和修正后的决定系数分别为0.729和0.848,0.763和0.862;相对分析误差RPD值分别为1.921和2.565,2.054和2.692。结论:修正模型可以有效提高预测精度,达到良好的预测效果,克服了温度的影响。     

油茶果自然霉变程度的可见/近红外与中短波近红外光谱检测

分析利用可见/近红外光谱（400～1 000 nm）与中短波近红外光谱（900～1 700 nm）对不同自然霉变程度油茶果检测判别的可行性,实验同时采集不同霉变程度油茶果赤道阴面、阳面和接合面三点的两波段光谱,样品平均光谱的主成分分析（principal component analysis,PCA）发现不同霉变程度样品同组内具有一定聚类效果且PC1和PC2对于判别不同组间样品有效,全光谱偏最小二乘判别分析模型结果显示原始光谱已具有足够信息,建立的模型性能比预处理后全光谱更优。进一步进行特征波长选取,发现相比于PC载荷,连续投影法在两光谱范围选取波长建立的简化模型均为最优,预测集判别准确率与Kappa系数均为84.4%与0.766 7。结合预测集混淆矩阵发现,两光谱范围最优简化模型预测不同霉变组样品特异度相当,均在0.84以上,但900～1 700 nm中短波近红外光谱对于中等霉变程度的判别灵敏度（0.72）略高。本研究表明近红外光谱技术可用于油茶果的自然霉变程度检测,可见/近红外与中短波近红外光谱能力相当,考虑到仪器成本问题,可见/近红外光谱具有更好的实时检测应用前景。     

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。     

可见/近红外光谱技术无损检测新鲜鸡蛋pH及蛋白质的研究

本文利用可见/近红外光谱技术检测新鲜鸡蛋p H和蛋白质。分别采集新鲜鸡蛋在400~1000 nm和900~1700 nm波长范围的漫反射光谱,使用多元散射矫正(MSC)、标准正态变量变换(SNV)等光谱预处理技术,选择最佳的预处理方法,使用偏最小二乘法(PLS)建立p H和蛋白质模型并对其进行评价。结果表明,基于900~1700 nm波长范围的光谱获得的p H模型较好,其校正集相关系数为0.948,预测集相关系数为0.855;基于400~1000 nm波长范围的光谱获得的蛋白质模型较好,其校正集相关系数为0.927,预测集相关系数为0.906。研究表明,可见/近红外光谱技术可以较好的预测新鲜鸡蛋的p H和蛋白质,为鸡蛋营养成分的快速无损检测提供新的思路和方法。     

蚁群-遗传算法优化近红外光谱检测花茶花青素 含量的研究

目的：花青素是鲜花花草茶中起主要保健作用的成分,本研究提出一种基于蚁群-遗传区间偏最小二乘法(ACO-GA-iPLS)的近红外谱区筛选方法,并将其用于花茶花青素含量的预测。方法：将蚁群算法(Ant Colony Optimization, ACO)和遗传算法(Genetic Algorithm, GA)相结合优选特征光谱区间,然后用区间偏最小二乘法算法(iPLS)建立光谱模型。首先对花茶近红外光谱进行预处理;然后用ACO-iPLS优选出特征子区间;最后对所选的特征子区间,用GA-iPLS进一步细化花青素的特征子区间,并建立花青素的预测模型。结果：优选出3个特征子区间(第1、9、10子区间),所建模型对应的交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.1460mg/g和0.1840mg/g,校正集和预测集相关系数分别为0.9187和0.8856。结论： ACO-GA-iPLS可以有效选择近红外光谱特征波长,简化模型,提高模型精度。     

基于电子鼻和可见/近红外光谱技术的羊肉真实性鉴别

为快速、准确鉴别市面上羊肉中掺入鸭肉的商品,本研究应用电子鼻结合可见/近红外光谱技术,实现了羊肉中掺入不同比例鸭肉样品的有效鉴别。试验制备了174个羊肉中掺入不同比例鸭肉样品,分别采集了样品电子鼻数据和200~1 100 nm、900~1 700 nm波长范围内的反射光谱数据,利用2分类定性判别和6分类定量检测法分别构建了支持向量机（Support Vector Machine,SVM）和偏最小二乘法（Partial Least Squares,PLS）定性定量判别模型,并用6分类最优模型进行预测。结果表明：电子鼻可以利用不同比例羊肉鸭肉样品间的气味差异对不同组进行判别,羊肉中含有的挥发性香气成分如萜烯类、芳香类、有机硫化物等物质的含量高于鸭肉。基于两个波段数据、两种分类方法构建的PLS模型判别效果优于SVM模型,总的判别正确率均达到96%以上,光谱数据经过多元散射校正处理的效果最佳,且最优模型预测效果良好。电子鼻结合可见/近红外光谱分析技术可有效鉴别羊肉中掺入不同比例鸭肉样品,为羊肉真实性的快速无损鉴别提供技术支撑。     

近红外高光谱成像技术对鸡蛋种类的鉴别

为探讨近红外高光谱成像技术对鸡蛋种类判别的可行性,采用近红外高光谱(900~1700 nm)成像技术,以223个鸡蛋样本为研究对象,其中富硒鸡蛋74枚、无公害鸡蛋72枚、普通鸡蛋77枚,富硒鸡蛋和无公害鸡蛋为海兰褐鸡蛋,普通鸡蛋为洋鸡蛋。对比S-G卷积平滑、基线校准(Baseline)、标准正态变量变换(SNV)、标准化(Normalize),优选出S-G卷积平滑光谱预处理方法;连续投影算法(SPA)、无信息变量消除法(UVE)、后向间隔偏最小二乘波段选择法(BiPLS)算法提取的特征波长数分别为8、107和155,分别建立全光谱、SPA、UVE、BiPLS的PLS-DA判别模型,结果显示在4种模型中BiPLS-PLS-DA的识别性能要优于FS-PLS-DA、UVE-PLS-DA和SPA-PLS-DA,其校正集正确识别率为95.24%,预测集识别率为78.18%。近红外高光谱成像技术作为一种快速、高效的种类判别技术对鸡蛋种类的判别具有可行性。     

Application of NIR hyperspectral imaging for discrimination of lamb muscles

The potential of near-infrared (NIR) hyperspectral imaging system coupled with multivariate analysis was evaluated for discriminating three types of lamb muscles. Samples from semitendinosus (ST), Longissimus dorsi (LD) and Psoas Major (PM) of Charollais breed were imaged by a pushbroom hyperspectral imaging system with a spectral range of 900-1700 nm. Principal component analysis (PCA) was used for dimensionality reduction, wavelength selection and visualizing hyperspectral data. Six optimal wavelengths (934, 974, 1074, 1141, 1211 and 1308 nm) were selected from the eigenvector plot of PCA and then used for discrimination purpose. The results showed that it was possible to discriminate lamb muscles with overall accuracy of 100% using NIR hyperspectral reflectance spectra. An image processing algorithm was also developed for visualizing classification results in a pixel-wise scale with a high overall accuracy.     

基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(R_P)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。     

近红外高光谱快速无接触评估冷鲜猪肉脂质氧化

基于近红外高光谱成像技术对不同贮藏期的猪肉脂肪氧化程度进行快速无接触评估研究。采集冷鲜猪肉样品的900~1 700nm反射光谱信息,经高斯滤波平滑(GFS)、移动平均值平滑(MAS)、卷积平滑(SGCS)、中值滤波平滑(MFS)、多元散射校正(MSC)、标准正态变量变换(SNV)和基线校正(BC)7种预处理后,利用偏最小二乘回归(PLSR)算法挖掘光谱信息与2-硫代巴比妥酸(TBA)参考值之间的定量关系。结果显示,经GFS预处理的全波段光谱(486个波长)构建的GFS-PLSR模型预测TBA效果较好(RP=0.919,RMSEP=0.036 mg/100g)。采用回归系数法(RC),逐步回归法(Stepwise)和连续投影算法(SPA)筛选最优波长优化GFS-PLSR模型。结果显示,使用RC法从GFS光谱中筛选的29个最优波长构建的RC-GFS-PLSR模型预测TBA效果较好(RP=0.924,RMSEP=0.034mg/100g),且和GFS-PLSR模型预测精度相近。试验表明,利用近红外高光谱成像技术结合RC法预测猪肉中TBA值可实现猪肉脂肪氧化程度的间接快速评估。     

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R_C2)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R_P2)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。     

基于高光谱信息的生鲜鸡肉离心损失率快速预测模型构建

本文旨在挖掘900~1700 nm波长范围内的高光谱信息构建生鲜鸡肉离心损失率的快速预测模型。通过采集生鲜鸡肉样品的高光谱图像,并提取图像感兴趣区域的光谱信息,经基线校正(Baseline Correction,BC)、高斯滤波平滑(Gaussian Filter Smoothing,GFS)、多元散射校正(Multiplicative Scatter Correction,MSC)、移动平均值平滑(Moving Average Smoothing,MAS)、中值滤波平滑(Median Filtering Smoothing,MFS)5种光谱预处理后,建立全波段偏最小二乘(Partial Least Squares,PLS)回归模型,并利用回归系数法(Regression Coefficient,RC)、连续投影算法(Successive Projections Algorithm,SPA)和逐步回归法(Stepwise)筛选特征波长,优化全波段模型。结果显示,基于Stepwise法从原始光谱中筛选的16个最优波长(900.6、915.4、1024.0、1089.8、1111.2、1155.6、1165.5、1288.9、1305.4、1433.9、1442.1、1486.7、1493.3、1541.1、1690.1和1693.4 nm)构建的PLS模型预测效果较好,其中,r_C为0.94,RMSEC(Root Mean Square Error of Calibration)为1.43%,r_P为0.94,RMSEP(Root Mean Square Error of Prediction)为1.60%。本文表明,基于高光谱信息构建的PLS模型可快速预测生鲜鸡肉离心损失率。     

基于高光谱的茄子外部缺陷检测

利用高光谱(900～1700nm)对完好、木栓化和烂果茄子进行识别研究。共采摘了252个茄子样本,包含完好茄子170个,木栓化茄子60个和烂果茄子22个,利用高光谱成像系统采集完好、木栓化和烂果3种区域一共252个样本的高光谱图像,然后提取合理的感兴趣区域(ROI)获得样本光谱数据。采用多种预处理方法进行光谱预处理,建立偏最小二乘(partial least squares method,PLS)判别分析模型,结果表明,经normalize预处理后模型的预测效果最好,因此选择normalize作为预处理方法。基于预处理后的光谱数据,采用连续投影法(SPA)、回归系数法(RC)和竞争性自适应重加权算法(CARS)提取特征波长,并分别建立偏最小二乘(PLS)和多元线性回归(MLR)判别模型进行研究。结果表明:CARS-MLR模型对3种类型样本鉴别效果最佳,其校正集决定系数Rc2为0.94,预测集决定系数Rp2为0.90,RMSEC和RMSEP分别为0.19和0.21,预测集判别准确率达到96.82%。本研究采用高光谱可以对完好、木栓化和烂果茄子进行有效鉴别,为茄子的缺陷无损检测提供了理论参考。     

近红外高光谱联用Stepwise算法快速无接触评估冷鲜鸡肉色泽及嫩度

利用900~1700 nm近红外高光谱成像系统联用Stepwise算法快速评估鸡肉色泽和嫩度。通过采集新鲜屠宰鸡肉高光谱图像,提取试验样本感兴趣区域(Region of interests,ROI)反射光谱信息,经中值滤波平滑(Median filtering smoothing,MFS)、多元散射校正(Multiplicative scatter correction,MSC)和标准正态变量变换(Standard normal variable correction,SNV)三种预处理后,分别利用偏最小二乘(Partial Least Squares,PLS)和多元线性回归(Multiple linear regression,MLR)挖掘光谱信息与鸡肉色泽参数(L*、a*、b*)及嫩度参考值之间的定量关系。结果显示,经MFS预处理的近红外光谱(486个波长)构建的全波段PLS回归模型(F-PLS)预测L*(R_P=0.904,RMSEP=2.036)、b*(R_P=0.908,RMSEP=1.577)和嫩度(R_P=0.948,RMSEP=1.596)效果更好。为提高预测效率,采用Stepwise算法筛选最优波长优化F-PLS模型,结果显示,从SNV预处理光谱筛选的14个最优波长构建MLR回归模型预测L*值(R_P=0.894,RMSEP=2.160)效果较优,从SNV预处理光谱筛选的13最优波长构建的O-PLS回归模型预测b*值(R_P=0.877,RMSEP=1.811)效果较优,从MFS预处理光谱筛选的20个最优波长构建O-PLS回归模型预测嫩度值(R_P=0.888,RMSEP=2.408 N)效果较优。本试验表明,利用近红外高光谱成像技术结合Stepwise算法可实现鸡肉色泽参数L*、b*值以及嫩度的快速评估。