利用可见/近红外光谱判别干枣品种

目的利用可见/近红外反射光谱技术快速判别干枣的品种。方法使用光谱仪获取山西永和枣、山西板枣和新疆和田枣3种干枣在345~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1~(st)-D)和二阶导数法(2~(st)-D)对反射光谱进行预处理;对预处理光谱进行主成分分析,全交差验证法确定最佳主成分数量,提取主成分,结合马氏距离法和线性判别法建立品种判别模型,建立模型过程中使用全交叉验证法确定最佳主成分数,将模型应用于干枣的品种判别。结果可见/近红外反射光谱经过MSC处理后提取主成分建立品种预测模型对枣的品种判别结果最好,利用前4个主成分结合马氏距离法建立的判别模型和利用前5个主成分结合线性判别法建立判别模型,对于3个品种的枣的校正和验证判别准确率都达到了100%。结论可见/近红外反射光谱技术可以较好地判别干枣品种,本研究可为可见/近红外光谱技术在于枣品种和产地的快速鉴别和溯源中的应用提供一定的技术基础。     

近红外光谱技术对圆枣产地的判别分析

采用近红外高光谱成像系统对3类不同产地的圆枣进行判别分析,快速鉴别圆枣产地。应用近红外高光谱获取3类圆枣样本的光谱数据,对光谱采用标准正则变换(SNV)方法预处理,从原始光谱数据中提取特征波长,并建立全波段与特征波段下的线性判别模型来判别3类圆枣的产地。结果表明,近红外光谱结合线性判别法对圆枣产地鉴别的特征波段模型可有效替代全波段模型,模型准确率均大于99%,为实现农产品产地鉴别和自动分类提供理论依据。     

利用可见/近红外反射光谱无损检测小米的粘度

目的建立适用于小米粘度无损检测的可见/近红外反射光谱法。方法使用光谱仪获取小米在367～1020 nm波段范围内的漫反射光谱,采用多元散射校正法(multiple scattering correction,MSC)和一阶导数法(first derivation,1~(st)-D)对原始反射光谱进行处理,并且使用主成分分析确定最佳主成分数,建立小米粘度判别模型,使用全交叉验证法进行模型验证。结果使用原始反射光谱、MSC处理光谱和1~(st)-D处理光谱,分别提取了6、12和12个主成分,建立的峰值粘度模型RCV在0.86以上,对验证集的预测结果 Rp在0.82～0.86之间;而使用1~(st)-D处理光谱提取12个最优主成分,建立的模型可较好地预测小米粘度的破损值,RCV为0.8573,对验证集的预测结果 Rp为0.8309。结论该方法适用于小米粘度的无损检测,为小米加工品质的快速检测提供一定的理论支持。     

可见/近红外反射光谱法检测马铃薯抗性 淀粉含量的研究

目的利用可见/近红外反射光谱技术无损检测新鲜马铃薯茎块中抗性淀粉的含量。方法使用光谱仪获取新鲜马铃薯在345~1100 nm波段范围内的漫反射光谱;分别使用Savitzky–Golay(S-G)平滑处理、多元散射校正(MSC)法和一阶导数法(1st-D)对反射光谱进行预处理;对(S-G)反射光谱、MSC处理光谱和1st-D光谱使用逐步回归法判别法选择最优波长组合,建立多元线性回归模型,使用全交叉验证法验证模型。结果结果表明,可见/近红外反射光谱经过一阶导数处理后,确定的8个最优波长(370、569、576、866、868、886、922和963 nm)组合建立模型的校正和验证结果最好:模型的校正结果为相关系数R=0.996,标准差SEC=0.521%;模型交叉验证相关系数Rcv=0.982,验证标准差SECV=0.791%。结论可见/近红外反射光谱技术可以较好地预测新鲜马铃薯茎块的抗性淀粉含量,本研究可为可见近红外光谱技术在马铃薯功能成分的快速检测提供一定的技术基础。     

基于近红外光谱的中宁枸杞子判别分析

为实现中宁枸杞子产地的自动化快速鉴别,利用近红外光谱仪对不同产地42 个枸杞子样品进行扫描,对 枸杞子近红外光谱分别进行距离判别分析和聚类分析,建立枸杞子产地判别模型。结果表明：在6 500～5 200 cm－1波 数范围内,采用多元散射校正和标准正态变量变换预处理,对样品的识别率均达到100%,模型预测效果好;采用 马氏距离结合离差平方和法,枸杞子可分为宁夏中宁枸杞和非宁夏中宁枸杞两大类群,样品判别率达到96.9%。利 用近红外光谱对中宁枸杞子产地判别分析是可行的。     

不同产地国产烤烟近红外光谱的特征分析及其模式识别

对2003年125个不同产地的国产烤烟烟叶的原始近红外光谱、SNV光谱与一阶导数光谱进行了主成分分析,采用主成分空间下的马氏距离判别样本的产地归属,提出根据仪器噪声和误差水平确定最大主成分个数,研究了主成分个数、样本空间、光谱区间对烟叶产地识别准确率的影响,分析了烟叶产地的近红外特征区和产地特征信息在不同主成分上的体现。结果表明,采用光滑处理的全光谱区间的一阶导数光谱,在建模样本空间进行主成分分析时所建模型对烟叶样品的识别准确率最高。     

可见/近红外光谱技术无损检测新鲜鸡蛋蛋白质含量的研究

鸡蛋是一种重要的食品,蛋白质是鸡蛋的主要营养成分。本研究利用可见近红外反射光谱技术无损检测新鲜鸡蛋的蛋白质含量。使用光谱仪获取新鲜鸡蛋在400~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1-D)对反射光谱进行预处理;对反射光谱、MSC处理光谱和1-D光谱,使用逐步回归法判别法选择最优波长组合,建立多元线性回归模型,使用全交叉验证法验证模型。结果表明,可见/近红外反射光谱经过多元散射校正后,确定的10个最优波长(400、403.16、407.9、714.6、715、715.58、970.4、970.75、973和974.45 nm)组合建立模型的校正和验证结果最好:选定模型的校正结果为R=0.92,SEC=0.42%;验证结果为Rcv=0.89,SECV=0.47%。研究表明可见/近红外反射光谱技术可以较好的预测新鲜鸡蛋的蛋白质含量,本研究可为可见近红外光谱技术在鸡蛋营养成分的快速检测提供一定的理论基础。     

基于高光谱反透射图像的新疆冰糖心红富士水心鉴别

采用高光谱成像技术结合化学计量法,采集新疆冰糖心红富士好果与水心病果样本在波长范围380～1 004 nm的可见近红外高光谱反透射图像,选取感兴趣区域获得平均光谱,对原始光谱采用直接差分一阶求导等9种光谱预处理方法,再分别用主成分分析、快速独立分量分析、相关系数法完成数据降维,结合贝叶斯判别、K最近邻法、马氏距离判别、最小二乘支持向量机、二次线性判别方法识别是否有水心病。结果表明,主成分分析提取前15主成分,采用标准正态变量变换-主成分分析-最小二乘支持向量机与多元散射校正-主成分分析-最小二乘支持向量机模型识别效果最优,校正集和预测集识别率分别为100%和91.2%。     

基于近红外透射光谱及多种数据降维方法的红富士苹果产地溯源

为了探寻苹果产地溯源新方法,本文以新疆阿克苏、陕西洛川、山东烟台三个不同产地600个红富士苹果样本为试材分别采集其590～1250nm的近红外透射光谱图,将经过光谱校正后的光谱数据做归一化(Normalization)、多元散射校正(Multivariate Scattering Correction,MSC)等8种光谱预处理,对经过预处理后的光谱数据建立全波长分类模型发现二阶求导为最优预处理方法;然后再将经过二阶求导预处理的光谱数据结合以欧几里得距离(Euclidean)、相关距离(correlation)、余弦相似度(cosine)、城市街区距离(cityblock)作为距离度量的K最近邻法建模,发现K最近邻法(correlation)为最优分类识别方法;随后再分别用高斯过程隐变量模型(Gaussian Process Latent Variable Model,GPLVM)、线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)、等12种数据降维方法对经二阶求导预处理后的光谱做降维处理,并结合K最近邻法(correlation)鉴别苹果产地。结果表明,提取前9个主成分,采用二阶求导-扩散映射-K最近邻法(correlation)模型识别效果最优,建模集和预测集的分类识别率分别为97.30%与92.30%。故,深度学习数据降维方法结合近红外透射光谱技术可成功、有效地实现苹果产地溯源。     

基于可见-近红外光谱预测灵武长枣脆度及模型优化

利用可见-近红外光谱对在4℃下冷藏24 h的灵武长枣脆度进行检测,并建立了最优模型。通过400~1 000 nm高光谱成像系统采集了112个长枣图像,对原始光谱与经SNV,MSC、S-G、1ST、2ND、SNV+1ST、MSC+1ST、SNV+2ND、MSC+2ND、SNV+S-G、MSC+S-G预处理后光谱的偏最小二乘回归(PLSR)模型进行了对比分析;采用主成分分析法(PCA)、连续投影算法(SPA)、竞争性自适应重加权法(CARS)提取特征波长,分别建立偏最小二乘回归(PLSR)和主成分回归(PCR)模型;将经预处理后的简化PLSR模型与全波段PLSR模型进行了对比分析。结果表明,采用标准归一化法(SNV)预处理后的PLSR模型优于原光谱及其他预处理方法;提取特征波长后建立的CARS-PLSR模型优于CARS-PCR模型和全波段PLSR模型,其相关系数(RP)和预测均方根误差(RMSEP)分别为0.919、1.121。这表明,基于可见-近红外光谱检测冷藏灵武长枣脆度是可行的,SNVCARS-PLSR模型最佳。     

Feasibility study of discriminating the manufacturing process and sampling zone in ripened soft cheeses using attenuated total reflectance MIR and fiber optic diffuse reflectance VIS–NIR spectroscopy

The use of visible–near infrared (VIS–NIR) and mid infrared (MIR) spectroscopies for rapid characterisation of 15 traditional and stabilised retail soft cheeses, manufactured with different cheese making procedures was described. A fiber-type, VIS–NIR spectrophotometer (Zeiss Corona 45 VIS–NIR) in a measurement range of 315–1700 nm and a Fourier transform spectrometer (IFS 66V/S, Bruker, Belgium) in a measurement range between 3000 and 900 cm⁻¹ were used to scan spectra in reflectance mode at the external (E) and central (C) zones of the investigated cheeses. The principal component analysis (PCA) applied to the normalised spectral data set (VIS–NIR and MIR) did not provide a good discrimination of cheeses. Therefore, the factorial discriminant analysis (FDA) was applied separately to the first 5 principal components (PCs) of the PCA performed on the VIS–NIR and MIR data sets. Regarding the MIR spectra, the percentage of samples correctly classified into six groups (three for the E and three for the C zones) by the FDA was 64.8% and 33.3% for the calibration and validation samples, respectively. Better classification was obtained from the VIS–NIR spectra since the percentage of samples correctly classified was 85.2% and 63.2% for the calibration and validation samples, respectively. Finally, a concatenation technique was applied on the first 5 PCs of the PCA performed on the VIS–NIR and MIR data sets. This technique allowed a quite satisfactory classification of the investigated cheeses according to their manufacturing process and their sampling zone. In this case, correct classifications (CC) of 90.7% and 80.6% were obtained for the calibration and the validation samples, respectively.     

基于近红外光谱和化学计量学的李果实成熟度鉴别方法研究

采收成熟度是影响李果实贮藏质量的重要因素,为实现快速无损判别李果实的成熟度,本文根据开花后发育时间的不同,将163个李果实样品分为早期(n=53)、中期(n=55)和晚期(n=55)三个成熟度,利用近红外光谱分析技术,对不同成熟度的李果实进行了分类。通过对马氏距离判别法、簇类独立软模式分类法、最小二乘-支持向量机的分类模型结果进行比较,发现原始光谱前20个主成分得分作为输入时的马氏距离判别法模型结果最优,校正集和预测集判别正确率分别为96.33%和96.30%。对不同成熟度样品的可溶性固形物、可滴定酸及坚实度进行单因素方差分析发现,各指标均存在显著差异,坚实度差异最大。提取品质指标数据的主成分发现,其聚类趋势与光谱主成分聚类趋势相似。结果表明,使用近红外光谱技术结合化学计量学方法对李果实成熟度进行鉴别是有效的、可行的,且其品质指标含量的差异可作为近红外光谱分类结果的理化验证。     

近红外光谱法快速检测梨汁中柠檬酸和L-苹果酸含量

利用近红外光谱技术对梨汁中柠檬酸和L-苹果酸含量进行快速定量检测,并通过6种光谱预处理及3种数学校正方法对柠檬酸和L-苹果酸含量预测模型进行优化。本研究采用近红外光谱仪在1 100~1 650 nm光谱范围内共采集70个梨汁样本的近红外光谱图,并利用高效液相色谱法测定柠檬酸和L-苹果酸的含量。首先对样本原始光谱图经过多元散射校正(MSC)、一阶导数、二阶导数等方法进行预处理,然后通过主成分分析(PCR)、修正的最小二乘法(MPLS)及偏最小二乘法(PLS)等分别建立梨汁中柠檬酸和L-苹果酸含量的预测模型,并对该模型进行优化。优化后,柠檬酸的最佳模型为PLS结合MSC;L-苹果酸的最佳模型为MPLS结合SNV且去散射;最佳预测模型的预测相关系数最高可达0.985,预测标准差最低为0.039%,相对分析误差最大为3.46。结果表明,近红外光谱可作为一种可靠、快速、无损、简单的方法用于梨汁中柠檬酸和L-苹果酸含量的测定。该方法为生产企业及监管部门开展梨汁的掺伪鉴别提供了依据。     

红外光谱结合多元统计分析快速鉴别不同种类牛肝菌

采用傅里叶变换红外光谱结合多元统计分析方法快速鉴别不同种类食用牛肝菌。采集10 个不同种类93 个牛肝菌子实体的红外光谱,分析食用牛肝菌的红外光谱特征;用多元散射校正（multiplicative signal correction,MSC）、标准正态变量（standard normal variate,SNV）、二阶导数（second derivative,SD）、Norris平滑（ND）、正交信号校正（orthogonal signal correction,OSC）、小波压缩等方法对光谱进行优化处理;经优化处理的光谱数据分别建立马氏距离分类模型及偏最小二乘判别分析（partial least squares discriminant analysis,PLSDA）。结果显示,牛肝菌在3 325、2 934、2 927、1 637、1 547、1 402、1 375、1 259、1 453、1 081、1 029 cm－1等附近有多个吸收峰,主要归属为蛋白质、多糖、氨基酸等的特征吸收峰。MSC＋SD＋ND（15∶5）和SNV＋SD＋ND（15∶5）两种预处理方式前10 个主成分累积贡献率分别为95.58%、95.54%,基于两种预处理方法建立马氏距离分类模型,验证集预测准确率分别为90%和95%。PLS-DA结果显示经MSC＋SD＋ND（15∶5）和SNV＋SD＋ND（15∶5）预处理不易于区分牛肝菌种类;原始光谱经正交信号校正及小波压缩（orthogonal signal correction waveletcompression,OSCW）、优化处理并进行PLS-DA分析,能够很好地区分不同种类牛肝菌。马氏距离分类模型不仅能反映样品的分类情况,同时计算出与测试样品相似度最大的物种,可为食用菌种类鉴别和未知物种鉴定提供可靠依据;OSCW预处理后进行PLS-DA分析能有效鉴别不同种类牛肝菌,为野生食用菌的鉴别分类提供一种辅助方法。     

基于FT-NIR和电子鼻的苹果水心病无损检测

探讨傅里叶变换近红外光谱技术和电子鼻技术应用于苹果水心病检测的可行性。以277?个“秦冠”水心病苹果和健康苹果为试材,分别采集每个样本在12?000～4?000?cm－1波数范围的近红外光谱和10?个传感器的电子鼻信号,用不同预处理的近红外光谱方法提取主成分建立Fisher判别模型;同时电子鼻结合3?种化学计量学的方法进行建模。结果表明,经一阶导数（9?点平滑）预处理的近红外光谱,提取前20?个主成分建立的Fisher判别模型效果最好,对未知样本的正确判别率达100%;电子鼻分别结合Fisher判别、多层感知器神经网络和径向基函数神经网络判别模型对未知样本的识别率为89.7%、89.5%和85.7%。故利用近红外光谱和电子鼻技术分别结合化学计量学的方法可快速、无损检测苹果的水心病。其中,近红外光谱技术结合Fisher判别对苹果水心病的识别率最高,是一种准确可靠的测定方法。     

近红外光谱技术结合支持向量机对食用醋品牌溯源的研究

研究近红外光谱技术对食用醋品牌进行快速无损溯源。收集市场上保宁、东湖、恒顺、镇江4个品种共152份具有代表性的食用醋样品,采集它们的近红外光谱数据,对原始光谱数据进行多元散射校正(multip,licative scatter corrertion,MSC)预处理,对预处理后的光谱数据利用主成分分析法(principal component analysis,PCA)进行聚类分析,根据主成分的累计贡献率选取主成分数,然后用支持向量机(support vector machine,SVM)建立预测模型,选取合适的SVM核函数,并利用粒子群优化算法(particle swarm optimization,PSO)优化模型参数。结果表明,近红外光谱技术结合支持向量机对食用醋品牌分类正确率可达100%。