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。     

基于变量筛选的温州蜜桔品质的光谱快速检测

目的利用可见/近红外光谱技术结合变量筛选算法建立预测模型。方法采集7个不同批次蜜桔样本的漫透射光谱,预处理优化后,以无信息变量消除法(uninformative variable elimination,UVE)、竞争性自适应重加权法(competitive adaptive reweighting sampling,CARS)及其组合(UVE-CARS)共3种策略来进行光谱有效波段的筛选,建立蜜桔可溶性固形物含量(soluble solid content,SSC)的偏最小二乘预测模型(partial least square,PLS)。结果比较全变量模型和3个特征变量模型的预测性能,UVE-CARS-PLS模型取得了最优的检测效果,相比全变量模型,建模变量数减少了96.5%,其预测集相关系数R_P提升至0.732,预测集均方根误差(root-mean-square error,RMSEP)下降至0.873~0Brix。结论结合多重变量选择算法,可以进一步压缩建模变量数,简化模型,提高模型预测精度,实现区域蜜桔品质的光谱快速检测。     

基于可见/近红外光谱和变量优选的南水梨糖度在线检测

利用可见/近红外光谱技术对南水梨糖度进行在线检测研究。南水梨样本以0.3m/s速度传输,并采用USB4000光谱仪在470~1 150nm波段范围内采集南水梨样本的光谱。然后,利用3种变量选择方法对波长变量进行筛选,应用偏最小二乘(PLS)方法分别建立南水梨糖度的在线预测模型,并分析预测模型性能的优劣。结果表明:可见/近红外光谱技术结合变量选择方法在线检测南水梨的糖度是可行的;竞争自适应重加权采样(CARS)方法优于无信息变量消除(UVE)及连续投影算法(SPA);CARS方法可以有效简化预测模型并提高预测模型的性能;南水梨全光谱PLS及CARS—PLS糖度预测模型的预测集相关系数和预测均方根误差(RMSEP)分别为0.940,0.951和0.467%,0.420%。     

近红外光谱的苹果内部品质在线检测模型优化

利用近红外光谱技术在线检测水果内部品质的关键是获取精度高稳健性好的定量分析模型。研究开发了短波近红外光谱苹果品质在线检测系统,试验时苹果样本传输速度为5个/s,以漫反射方式采集,有效光谱范围为500~1100 nm。经光谱强度标准化校正后,有比较的采用遗传算法、连续投影算法和蚁群优化算法等提取特征变量,分别建立偏最小二乘模型,同时分析了这三种方法提取光谱特征变量的搜索机制。特征变量提取方法建立的预测模型所用变量显著减少,预测效果均优于全光谱模型,且能提高运算速度,增强模型的稳健性;其中又以蚁群优化算法的模型预测能力最佳,预测集相关系数R为0.9358,预测均方根误差RMSEP为0.2619。研究结果表明,近红外光谱结合特征变量提取方法可以建立高效的苹果可溶性固形物含量在线检测模型,在产业化应用方面具有很大潜力。     

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。     

基于特征波长提取的哈密大枣可溶性固形物的高光谱预测

本文利用高光谱图像技术对干制后的哈密大枣可溶性固形物含量(SSC)进行预测研究。使用多种预处理方法对原始光谱进行处理,并对原始光谱和预处理后的光谱分别建立PLS模型,对比分析得出均值中心化(MC)处理效果最佳。对MC处理后的光谱经联合区间偏最小二乘算法(si-PLS)筛选后,再结合遗传算法(GA)和竞争性自适应重加权算法(CARS)提取哈密大枣SSC的特征波长,将提取的波长变量建立哈密大枣SSC的PLS预测模型。结果显示:利用MC-CARS-GA-si-PLS方法提取的16个关键波长变量(仅占全光谱变量的2%)所建立的PLS模型性能优于全光谱PLS模型。该模型的预测集相关系数(Rp)、预测均方根误差(RMSEP)和预测(RPD)分别为0.93、0.48和2.721。该方法提取的波长变量所建立的预测模型,不仅使模型简化,而且增强了模型的预测能力,为高光谱图像技术对水果及其干制品的定量分析研究提供了参考。     

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。     

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。     

可见/近红外结合MIA变量优选和支持向量机判别山茶油的制取方式

山茶油的主要制取方式有压榨法和浸出法,且压榨山茶油的品质优于浸出法。本研究利用可见/近红外光谱技术结合化学计量学对山茶油的制取方式进行判别研究。采集不同制取方式的山茶油样本在350~1800nm波段范围的可见/近红外光谱,利用边界影响分析(margin influence analysis,MIA)新方法进行波长变量优选,并应用支持向量机(support vector machines,SVM)对优选的波长变量建立山茶油制取方式的判别分类模型。结果表明:可见/近红外光谱联合MIA-SVM方法判别山茶油的制取方式是可行的,其校正集和预测集样本的灵敏度、特异性及正确率分别为100%、87.50%、93.75和100%、87.50%、93.75%。说明MIA是一种有效的波长变量选择方法,能简化分类模型,提高分类模型的稳定性和预测精度。     

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。     

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。     

近红外光谱技术结合神经网络检测苹果咀嚼性

以不同储藏期的135个苹果样品为研究对象,对其近红外光谱数据进行预处理并通过主成分分析法提取光谱特征,采用人工神经网络技术建立苹果咀嚼性的近红外光谱检测模型。结果表明,对苹果光谱咀嚼性的最佳光谱预处理方法是加权多元散射处理(WMSC)的光谱散射处理方法和"2441"的数学处理方法,通过主成分分析法提取3个主成分作为原始信息的特征变量,建立苹果咀嚼性检测的人工网络模型结构为3—16—1,模型对验证集预测的决定系数为0.992 4,均方根误差为0.000 108 2。近红外光谱技术能对苹果咀嚼性进行快速、无损预测。     

基于可见/近红外光谱技术的便携分析仪的应用

目的为解决水果内部品质信息的快速无损检测,自主研制了一台基于可见/近红外光谱技术的便携式分析仪,通过试验验证其可行性及所建模型的鲁棒性。方法以红富士苹果为检测对象,采集透射光谱曲线,与化学指标可溶性固形物含量(soluble solid content,SSC)分别建立基于平均光谱、基于各采样光谱的偏最小二乘(partial least squares,PLS)回归模型,比较预测精度并对非同批次样本进行预测。结果试验表明该分析仪对苹果SSC具有较高的测量精度,特别是基于各采样光谱的PLS模型,对同批次样本预测相关系数(Rp)达到0.924,预测均方根误差低至0.429%Brix,预测精密度(平均偏差)低至0.136%Brix,对非同批次样本SSC表现出较强的鲁棒性能,预测均方根误差为0.531%Brix。结论通过此项研究,表明该便携分析仪可用于水果内部品质信息的定量分析,并建议采用基于各采样光谱建立的回归模型用于外来样本的预测。     

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。     

基于变量优选和近红外光谱技术的红富士苹果产地溯源

为实现对红富士苹果的产地溯源,采集阿克苏、静宁、灵宝、烟台的红富士苹果近红外光谱数据,分别采用归一化、中心化、一阶导数、二阶导数、标准正态变换、多元散射校正(multivariate scattering correction, MSC)、小波变换、SG平滑变换、傅里叶变换等9种方法对原始光谱进行预处理,建立概率神经网络(probabilistic neural network, PNN)模型对苹果的产地进行识别。结果表明,MSC预处理之后的模型总准确率最高,为97.5%,阿克苏、静宁、灵宝、烟台4个产地的准确率分别为100%、100%、90%、100%。为简化模型,对MSC预处理之后的光谱数据分别采用主成分法、连续投影算法(successive projection algorithm, SPA)、竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)、随机蛙跳算法(random frog, RF)、CARS-SPA、RF-SPA选取特征变量建模。综合考虑正确率和模型的复杂性,最优模型MSC-CARS-SPA-PNN的测...     

优化基于近红外光谱的联合间隔偏最小二乘法建模检测芝麻油掺伪含量

应用近红外光谱(NIR)分析技术建立测定芝麻油中大豆油含量的定量分析模型。基于32个含量梯度共384个掺伪芝麻油样品的近红外光谱,首先采用标准正态变量变换（SNV）对光谱进行预处理,再采用无信息变量消除法(UVE)初步筛选波长变量,然后结合联合间隔偏最小二乘法(SiPLS)和带极值扰动的简化粒子群优化算法(tsPSO)建立芝麻油中大豆油掺伪含量预测模型,经特征波段选取后建立的模型变量减少,波长变量由451个减少到219个,训练集和测试集相关系数分别为0.999 8和0.991 9,均方根误差分别为4.39E-2和3.99E-2。结果表明,该方法能够作为芝麻油中大豆油掺伪含量的快速检测方法。此外,该方法也可应用到芝麻油中掺入其他低价值油的掺伪含量检测中。     

无信息变量消除法在筛选南疆红枣总酸近红外特征波长中的应用

以南疆红枣总酸的快速无损检测为研究对象,利用SPXY(Sample set partitioning based on joint x-y distances)法来划分校正集样本,应用无信息变量消除法(UVE)对南疆红枣总酸近红外光谱(NIRS)特征变量进行筛选,然后用筛选出的变量建立偏最小二乘(PLS)模型,该模型的预测标准偏差(RMSEP)为0.044 7,预测相关系数为Rp为0.877 8,并将UVE筛选的变量建立的PLS模型与全光谱建立PLS模型结果进行比较。结果表明,SPXY法划分的校正集样本合理;UVE优出选全光谱1 557个变量中的420个变量,建立的PLS模型预测效果要好于全光谱建立的PLS模型,UVE能够有效地选取待测成分的特征波长,建立简化的红枣总酸预测模型,降低模型计算量。     

基于Trace Pro仿真的橙果品质光谱检测托盘参数设计与试验

为了实现橙果的内部品质可见/近红外光谱无损检测,采用Trace Pro软件对设计的橙果在线检测传送托盘模型进行光学仿真分析,参考仿真结果中的辉度/照度值,对值较高的托盘模型进行实物加工,结合实际光谱检测平台进行试验验证。仿真结果表明,成果传送托盘的最优外形参数为:外径80 mm、内横径55 mm,内纵径50mm、厚度20mm。采用不同材料对托盘进行加工,用于实际橙果可溶性固形物含量(SSC)检测,光谱数据经预处理后,建立偏最小二乘回归法(PLSR)的预测模型,其中亚克力托盘预测结果最优。为进一步优化检测模型,分别用遗传算法(GA)、稳定性竞争自适应重加权采样(SCARS)算法提取光谱特征波段,建立橙果SSC的PLSR的预测模型,其中SCARS算法特征提取方法最佳,预测决定系数R_(pre)~2为0.920 9;预测均方根误差(RMSEP)为0.468 3。     

基于近红外高光谱成像技术的涩柿SSC含量无损检测

对150个涩柿采集900~1 700nm波段的近红外高光谱图像信息,利用蒙特卡罗—无信息变量消除(MC-UVE)和连续投影算法(SPA)对感兴趣区域光谱进行波长优选。通过MC-UVE-SPA优选出924.69,928.05,1 112.72,1 270.91,1 365.3,1 402.42,1 453.06,1 547.69nm 8个特征波长,对应的光谱反射率作为柿子可溶性固性物含量(SSC)检测的偏最小二乘回归(PLSR)检测模型输入,其预测集相关系数rpre=0.942,预测集均方根误差RMSEP=1.009°Brix。结果表明,MC-UVE-SPA可以有效提取与柿子SSC含量相关的特征信息,从而保留较少的波长建立较好的预测模型。