基于小波变换的柑橘维生素C含量近红外光谱无损检测方法

为了探索快速检测柑橘维生素C含量的方法，利用不同分解水平的Daubechies3小波变换，对100个柑橘整果样品的近红外光谱信号进行了消噪处理，并利用消噪后的重构光谱对柑橘维生素C含量进行了偏最小二乘法交叉验证(PLC-CV)。结果表明，小波分解尺度水平不同，PLC-CV效果各不相同，在分解水平为4时，PLC-CV效果最好，其预测值与标准值的相关系数R达到0.9574，交叉验证预测均方差RMSECV仅为3.9 mg/(100 g)。因此，小波消噪后建立的近红外光谱模型能准确地对柑橘维生素C含     

便携式番茄多品质参数可见/近红外检测装置研发

该文针对番茄独特的囊室结构及整体成熟度不均等问题,基于可见/近红外全透射光谱,研发了便携式番茄内外品质快速无损实时检测装置.该装置的硬件系统主要包括光源模块、信号采集模块、信号处理模块、电源模块、散热模块和打印模块,基于该硬件系统,采集了番茄630~1100 nm范围内可见/近红外透射光谱,选取650~1100 nm范围的光谱进行SG卷积平滑(savitzky-Golay smooth,SG-smooth)、标准正态变量变换(standard normal variable transformation,SNV)和多元散射校正(muliplication scattering correction,MSC)等预处理,建立了番茄颜色、硬度、总酸、总糖含量的偏最小二乘预测模型.基于QT开发框架编写了番茄多品质无损检测实时分析控制软件,植入番茄多品质参数预测模型,实现了番茄多品质参数检测一键式操作.为了测试该装置的检测精度和稳定性,选取与建模无关的20个同品种样品对每个样品的内外品质重复检测8次,结果表明:番茄颜色预测值与实测值相关系数为0.9528,均方根误差为2.7038,硬度预测值与实测值相关系数为0.9405,均方根误差为0.4486 kg/cm2,总酸含量的预测值与实测值相关系数为0.9537,均方根误差为0.3263%,总糖含量预测值与实测值相关系数为0.9610,均方根误差为0.1974%.番茄样品颜色、硬度、总酸和总糖重复检测最大相对误差分别为2.9%、1.9%、2.0%和1.6%.该便携式检测装置基于可见近红外全透射光谱,实现了番茄颜色、硬度、总酸、总糖含量的同时快速无损实时检测,预测精度及稳定性较好,可以满足实时评价番茄品质的市场需求.     

近红外光谱快速检测马铃薯全粉还原糖

还原糖含量是评价马铃薯全粉品质的重要指标之一,该文研究基于近红外光谱技术结合最小二乘支持向量机（least squares support vector machine,LSSVM）算法的马铃薯全粉还原糖含量非线性数学模型。采用移动窗口偏最小二乘法（moving windows partial least square,MWPLS）和连续投影算法（successive projections algorithm,SPA）组合方法筛选出20个特征变量,作为LSSVM的输入向量。优化径向基函数（radial basis function,RBF）的惩罚因子和核参数,训练LSSVM校正模型。经比较,LSSVM校正模型预测结果最优,预测相关系数为0.984,预测标准差为0.223%,相对分析误差（standard deviation ratio,SDR）为5.62。结果表明：近红外光谱结合LSSVM算法提高了马铃薯全粉还原糖含量的预测精度。     

茶叶咖啡碱近红外光谱模型简化方法

该文以茶叶为研究对象,以近红外光谱分析技术快速检测茶叶中的咖啡碱含量为目的,采用一种小波包分析-移动窗口偏最小二乘法（WPA-MWPLS）的处理光谱数据方法,即利用小波包精细的多层分解功能扣除背景、降低噪声的影响,利用移动窗口偏最小二乘法（MWPLS）挑选与茶叶中咖啡碱相关性较大的波数区间使用偏最小二乘法建立校正模型。与只经过Savitzky–Golay预处理后直接利用PLS所建模型相比,采用小波包分析-移动窗口偏最小二乘法使得预测相关系数R由0.9170提高到了0.9625;预测均方差RESEP由0.3071下降为0.2463。该结果表明：该方法具有预处理简单、优选参数和建模变量少等特点,能在很大程度上简化建模过程、提高建模和分析速度。     

基于LS-SVM的草莓固酸比和可滴定酸近红外光谱定量模型

为提高草莓固酸比和可滴定酸近红外光谱定量模型的性能,该文采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机模型的输入变量,建立了两指标的近红外定量模型,并与偏最小二乘模型结果进行了比较,建模所使用的光谱范围为6000～12500 cm-1。结果表明,草莓可滴定酸和固酸比偏最小二乘模型校正相关系数、校正和预测均方根误差分别为0.430、0.096%、0.096%及0.688、0.926和1.190,而两指标的前10个潜在变量得分作为输入变量的最小二乘—支持向量机模型各项性能均远优于偏最小二乘模型,其校正和预测相关系数、校正和预测均方根误差以及剩余预测偏差分别为：可滴定酸0.965、0.967、0.028%、0.027%、3.881;固酸比0.980、0.973、0.258、0.373、3.111。研究表明,潜在变量作为最小二乘支持向量机模型的输入变量可在较大程度上改善草莓可滴定酸和固酸比指标近红外定量模型的预测性能和稳定性。     

柑桔黄龙病近红外光谱无损检测

为探讨快速无损检测柑桔黄龙病的可行性,应用近红外光谱技术结合机器学习方法进行研究。在4000~9000cm-1光谱范围内,采集黄龙病、缺素和健康3类叶片样本的近红外光谱。采用一阶导数、平滑和多元散色校正组合的光谱预处理方法,消除光谱的基线漂移和散射效应。分别对偏最小二乘判别模型(PLS-DA)的主成分因子数和最小二乘支持向量机(LS-SVM)的输入变量数量、核函数类型及其参数进行了优化,建立了PLS-DA和LS-SVM模型。采用预测集样本,评价模型的预测能力,经比较,采用11个主成分得分向量为输入、线性核函数和惩罚因子为2.25的LS-SVM模型预测效果最佳,模型误判率为0。结果表明采用近红外光谱技术结合最小二乘支持向量机进行柑桔黄龙病无损检测是可行的。     

基于小波去噪与SVR的小麦冠层含氮率高光谱测定

为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合（小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise）,并利用去噪后的小麦冠层光谱建立偏最小二乘回归（PLS）模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差（RMSEC）为0.260,预测集均方根误差（RMSEP）为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析（PCA）进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型（LS-SVR）,其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明：以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。     

饲料中肉骨粉含量的近红外反射光谱检测方法

收集28份鸡饲料,31份猪饲料,25份牛饲料和肉骨粉7份,在饲料中掺入不同比例(0.5%～6.0%)的肉骨粉,制成分析样本.采用偏最小二乘(PLS)法,分别对光谱进行散射校正、平滑、一阶导数和二阶导数预处理,建立了鸡饲料、猪饲料和牛饲料中肉骨粉含量的近红外定量分析模型.利用验证集样本对定标模型进行了检验,鸡饲料、猪饲料和牛饲料中肉骨粉含量的真值与预测值之间的决定系数分别为0.9694、0.9846和0.9788;标准差分别为0.279、0.252和0.287;相对分析误差分别为5.663、6.865和5.889.结果表明,利用近红外光谱法测定饲料中的肉骨粉含量具有较高的预测精度.     

羊肉色泽傅立叶变换近红外光谱定量分析方法研究

以从北京市、山西大同市、宁夏吴忠市3个地区筛选的有代表性的227份羊肉样品为试材,应用傅里叶变换近红外光谱技术探讨羊肉色泽无损检测的方法。以决定系数(R2)、校正标准差(RMSECV)和预测标准差(RMSEP)为近红外光谱检测模型的评价指标,采用偏最小二乘法(PLS)对近红外光谱信息与样品的色差e值进行拟合,确定最佳的光谱预处理方法、主成分数和光谱区间范围。结果表明:所选227个羊肉样品的色差e值分布范围为1.556～9.879,其中80%以上的样品e值在1～5之间,具有显著的代表性;在11995.5～4597.6cm-1的波段范围内,最佳主成分数为6时,近红外光谱经最大最小归一法处理后,建立的羊肉色泽预测模型精度最高,R2达到0.776,RMSECV为0.451;用此模型对预测集48个样品进行预测,预测值与实测值的相关系数(R)为0.835,RMSEP为0.517,该研究表明利用近红外光谱技术检测羊肉色泽可行。     

基于近红外光谱技术的灵芝提取物掺假定量快速无损检测研究

为了探索快速测定灵芝提取物掺假(淀粉)含量的方法,采用近红外光谱扫描掺杂0%、5%、10%、20%、40%、60%、80%淀粉的灵芝提取物,对其光谱进行预处理和波段选择,并结合偏最小二乘法(PLS)建立灵芝提取物掺假定量快速无损检测方法。结果表明,使用多元散射校正(MSC)预处理方法,波数范围8 000~7 500、6 000~5 500和5 000~4 000cm~(-1),主因子数为8时,建立的偏最小二乘法模型的校正决定系数(R_(cal))、校正均方根差(RMSECV)、验证决定系数(R_(val))和验证均方根差(RMSEP)分别为0.9962、0.0249、0.9960和0.0241。运用该模型对验证集样品进行预测并统计分析,可知预测值与实际掺假值之间无显著差异。本研究为灵芝功能食品市场检测提供了方法基础。     

Estimating hydrogen cyanide in forage sorghum ( Sorghum bicolor ) by near-infrared spectroscopy

Hydrogen cyanide (HCN) is a toxic chemical that can potentially cause mild to severe reactions in animals when grazing forage sorghum. Developing technologies to monitor the level of HCN in the growing crop would benefit graziers, so that they can move cattle into paddocks with acceptable levels of HCN. In this study, we developed near-infrared spectroscopy (NIRS) calibrations to estimate HCN in forage sorghum and hay. The full spectral NIRS range (400-2498 nm) was used as well as specific spectral ranges within the full spectral range, i.e., visible (400-750 nm), shortwave (800-1100 nm) and near-infrared (NIR) (1100-2498 nm). Using the full spectrum approach and partial least-squares (PLS), the calibration produced a coefficient of determination (R(2)) = 0.838 and standard error of cross-validation (SECV) = 0.040%, while the validation set had a R(2) = 0.824 with a low standard error of prediction (SEP = 0.047%). When using a multiple linear regression (MLR) approach, the best model (NIR spectra) produced a R(2) = 0.847 and standard error of calibration (SEC) = 0.050% and a R(2) = 0.829 and SEP = 0.057% for the validation set. The MLR models built from these spectral regions all used nine wavelengths. Two specific wavelengths 2034 and 2458 nm were of interest, with the former associated with C═O carbonyl stretch and the latter associated with C-N-C stretching. The most accurate PLS and MLR models produced a ratio of standard error of prediction to standard deviation of 3.4 and 3.0, respectively, suggesting that the calibrations could be used for screening breeding material. The results indicated that it should be feasible to develop calibrations using PLS or MLR models for a number of users, including breeding programs to screen for genotypes with low HCN, as well as graziers to monitor crop status to help with grazing efficiency.     

基于可见/短波近红外光谱检测结球甘蓝维生素C含量

维生素C是人类必需的营养素,结球甘蓝作为主要蔬菜品种之一富含维生素C。该试验利用可见/短波近红外光谱分析技术,开展结球甘蓝维生素C含量的快速检测方法研究。首先通过Kennard-Stone(K-S)法将样本按照6:1划分为校正集(60个样本)和验证集(11个样本),分别利用反射率和吸光度的原始光谱、一阶导数(first derivative,FD)和二阶导数(second derivative,SD)光谱预处理后对应的6个数据集,建立偏最小二乘(partial least squares,PLS)回归模型。针对最优光谱预处理方法处理后的光谱,设置5个置信水平(0.95,0.975,0.99,0.995,0.999 5),利用逐步回归(stepwise regression,SR)进行建模波长选择,以各置信水平对应的各组优选波长进行多元线性回归建模。结果表明:利用FD光谱预处理方法可以提高PLS回归模型精度,验正集R~2从处理前的0.85提高到0.96,是该研究的最佳光谱数据预处理方法。利用降维后的7个主成分继续建立PLS回归模型,校正集R~2为0.92,交互验证均方根误差(root mean squared error of cross validation,RMSECV)为0.658 0 mg/100 g,验证集R~2为0.96,预测均方根误差(root mean squared error of prediction,RMSEP)为1.620 4 mg/100 g。PLS回归模型预测维生素C含量,检测精度高,可以代替传统检测方法,为结球甘蓝的品质评定提供一种新的途径。进一步分别应用8,6,5个优选波长进行多元线性回归建模,校正集R~2平均为0.78,RMSECV平均为3.760 9 mg/100 g,验证集R~2平均为0.73,RMSEP平均为2.879 2 mg/100 g,虽然R~2有所降低,但波长点少,利用较少的波长变量来预测维生素C含量,降低模型复杂度,可以为便携式检测仪器开发提供技术支持,以提高结球甘蓝内部品质评定作业效率。     

二维相关光谱结合偏最小二乘法测定牛奶中的掺杂尿素

为了检验牛奶中是否掺杂尿素并将其量化测定,配置含有尿素质量浓度范围为1～20g/L之间40个牛奶样品,以掺杂物尿素浓度为外扰,分别研究了掺杂尿素牛奶的二维相关(近红外-近红外,中红外-中红外,近红外-中红外)光谱特性,在此基础上,分别选择随浓度变化大的4200～4800cm-1和1400～1704cm-1为建模区间,采用偏最小二乘方法建立定量分析模型。研究结果表明:4200～4800cm-1建模分析效果优于1400～1704cm-1建模结果,其交叉验证均方根误差为0.266g/L,对未知样品集预测相关系数达到0.999,预测均方根误差为0.219g/L,这表明所建模型具有较好的预测效果。该方法无需样品处理,成本低,为快速判别牛奶是否掺杂提供了一种新的可能的方法。     

基于冠层光谱的锦橙叶片磷素营养监测研究

以盆栽蓬安100号锦橙施肥调控试验为基础,利用田间冠层光谱信息探索建立植株磷素营养监测技术与方法。通过采集蓬安100号锦橙95个单株样本的冠层光谱信息和室内检测分析叶片磷含量,随机选取76个作为建模样本,19个为检验样本,运用多种光谱预处理方法和偏最小二乘法(Partial least square method,PLS)及内部交叉验证方法建立校正模型与模型检验。结果表明,经多种光谱预处理方法的建模结果比较,冠层原始反射光谱经二阶求导和SNV处理后建立的蓬安100号锦橙叶片磷含量冠层光谱监测模型预测能力和稳健性最佳,其主成分数4个,能表达全波段63%的信息;校正模型相关系数为0.90,偏差Bias=2.45E-10,且RMSEC和RMSEP均最小。模型检验预测的决定系数R2=0.85。因此,利用二阶导数及标准归一化(Standard normal variate transformation,SNV)预处理的田间冠层光谱信息快速无损监测蓬安100号锦橙叶片磷含量具有一定的可行性。     

基于可见/近红外反射光谱的梨树叶片钾含量的快速测定研究

利用可见/近红外反射光谱定量分析技术对梨树鲜叶钾素含量进行快速测定研究。对150个梨树叶片样本进行光谱扫描,其中120个做建模集,30个做验证集。通过对样品的可见/近红外光谱进行多种预处理,并建立钾素预测模型,探讨了可见/近红外光谱数据预处理对预测精度的影响。结果表明,通过原始光谱与S-G(3)平滑相结合的预处理方法,用17个主成分建立的偏最小二乘法模型最好,其交叉验证集和预测集模型的决定系数(R2)分别为0.722 7和0.679 1,交叉验证均方根误差(RMSECV)为1.171,预测的平均相对误差为6.81%,能高效、快速地预测梨树叶片钾素含量,为梨树钾素快速测定提供了新的手段。     

基于dbiPLS-SPA变量筛选的固态发酵湿度近红外光谱检测

为了提高基于近红外光谱技术的固态发酵关键过程参数——湿度快速检测的精度和稳定性,研究采用动态反向区间偏最小二乘（dbiPLS）法结合连续投影算法（SPA）进行最佳光谱子区间和特征组合变量的筛选,通过交互验证法确定偏最小二乘（PLS）模型的主成分因子数,并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型的评价标准。试验结果显示,最佳dbiPLS-SPA模型筛选的组合变量个数为8,其RMSEP和Rp分别为1.1795%（质量分数）和0.9430。试验结果表明,dbiPLS-SPA是一个有效的波长组合变量筛选方法,可简化模型结构、增强模型精度和稳健性。     

基于近红外光谱技术的淡水鱼品种快速鉴别

为探索淡水鱼品种的快速鉴别方法,该文应用近红外光谱分析技术,结合化学计量学方法,对7种淡水鱼品种的判别分类进行了研究。采集了青、草、鲢、鳙、鲤、鲫、鲂等7种淡水鱼,共665个鱼肉样品的近红外光谱数据,经过多元散射校正(multiplicative scatter correction,MSC)、正交信号校正(orthogonal signal correction,OSC)、数据标准化(standardization,S)等20种方法预处理,在1 000~1 799 nm范围内分别采用偏最小二乘法(partial least square,PLS)、主成分分析(principal component analysis,PCA)和BP人工神经网络技术(back propagation artificial neural network,BP-ANN)、偏最小二乘法和BP人工神经网络技术对7种淡水鱼原始光谱数据进行了鉴别分析。结果表明,近红外光谱数据,结合主成分分析和BP人工神经网络技术建立的淡水鱼品种鉴别模型最优,模型的鉴别准确率达96.4%,对未知样本的鉴别准确率达95.5%。模型具有较好的鉴别能力,采用该方法能较为准确、快速地鉴别出淡水鱼的品种。     

除草剂胁迫下大麦叶片丙二醛含量的光谱快速检测方法

丙二醛(MDA)是植物衰老和抗性生理研究中的一个重要指标,传统检测方法程序复杂,检测费时。该研究应用近红外光谱技术实现了除草剂胁迫下大麦叶片丙二醛(MDA)含量的简便、无损、快速检测。采集75个大麦叶片样本的近红外光谱数据,比较了Savitzky-Golay平滑(SG)、变量标准化(SNV)、多元散射校正(MSC)等7种预处理方法,建立了大麦叶片丙二醛含量预测的最优偏最小二乘法(PLS)模型,将PLS提取的特征向量(LV)作为最小二乘-支持向量机(LS-SVM)模型的输入变量,建立了LV-LS-SVM模型。选用回归系数(RC)方法提取原始光谱的特征波长,将其分别作为PLS、MLR和LS-SVM的输入变量建立相应模型。将相关系数(r)和预测集均方根误差(RMSEP)作为模型的主要评价指标。结果表明,LV-LS-SVM模型效果优于PLS模型,LV-LS-SVM模型在SNV及MSC预处理后预测效果相同,其预测的r和RMSEP分别为0.9383和10.4598,获得了满意的预测效果。说明应用光谱技术检测大麦叶片中MDA含量是可行的,且预测精度较高,为大麦生长状况的大田监测及除草剂胁迫对大麦抗性等生理信息的快速检测提供了新的途径。     

基于近红外光谱的沼液挥发性脂肪酸含量快速检测

挥发性脂肪酸（Volatile Fatty Acids，VFA）作为厌氧发酵过程的重要中间产物，其在厌氧反应器中的累积能够反映出产甲烷菌的不活跃状态或厌氧发酵条件的恶化。为了实现对农牧废弃物厌氧发酵进行过程分析和状态监控，将近红外光谱（Near Infrared Spectroscopy，NIRS）与偏最小二乘（Partial Least Squares，PLS）相结合构建玉米秸秆和畜禽粪便厌氧发酵液乙酸、丙酸和总酸含量快速检测模型。将竞争自适应重加权采样法（Competitive Adaptive Reweighted Sampling，CARS）与遗传模拟退火算法（Genetic Simulated Annealing algorithm，GSA）相结合构建CARS-GSA算法对沼液中的乙酸、丙酸和总酸进行特征波长优选，原始光谱数据1 557个波长点经预处理和波长优选后，得到乙酸、丙酸和总酸特征波长变量分别为135、101和245个，建立的回归模型验证决定系数分别为0.988、0.923和0.886，预测均方根误差（Root Mean Squared Error of Prediction，RMSEP）分别为0.111、0.120和0.727，相对分析误差分别为9.685、3.685和3.484，与全谱建模相比RMSEP分别减少了17.78%、15.49%和1.22%，能够满足农牧废弃物厌氧发酵过程发酵液中乙酸和丙酸含量的快速检测需求，基本满足总酸的检测需求。结果表明，通过构建CARS-GSA算法优选乙酸、丙酸和总酸的敏感波长变量，参与建模的波长点数量显著减少，有效降低了变量维度和模型复杂度，提升了回归模型检测精度和预测能力，为快速准确检测沼液VFA提供了新途径。     

Performance comparison of UV and FT-Raman spectroscopy in the determination of conjugated linoleic acids in cow milk fat

The determination of conjugated linoleic acids (CLA) in cow milk fat was studied by using UV (210-250 nm) and Fourier transform (FT)-Raman (900-3400 cm (-1)) spectroscopy in order to determine the best spectrophotometric technique for routine analysis of milk fat. A collection of 57 milk fat samples was randomly divided into two sets, a calibration set and a validation set, representing two-thirds and one-third of the samples, respectively. All calculations were performed on the calibration set and then applied to the validation set. The CLA content ranged from 0.56 to 4.70%. A comparison of various spectral pretreatments and different multivariate calibration techniques, such as partial least-squares (PLS) and multiple linear regression (MLR), was done. This paper shows that UV spectroscopy is as reliable as FT-Raman spectroscopy to monitor CLA in cow milk fat. The best calibration for FT-Raman was given by a PLS model of seven factors with a standard error of prediction (SEP) of 0.246. For UV spectroscopy, PLS models were also better than MLR models. The most robust PLS model was constructed with only one factor and with SEP=0.288.