基于近红外光谱技术的茶油原产地快速鉴别

为研究茶油原产地溯源问题,维护其市场秩序,促进公平竞争。该文利用近红外光谱技术采集湖南、江西、安徽和浙江4个不同产地茶油的光谱数据,并运用 Savitzky-Golay 平滑（savitzky-golay, SG）、多元散射校正（multiplicative scatter correction, MSC）、一阶导数（first derivation, FD）和矢量归一化（vector normalization, VN）等4种方法对其进行预处理。采用偏最小二乘法（partial least squares, PLS）提取最佳主成分,构建 PLS 回归模型;同时,采用主成分分析（principal component analysis, PCA）和 PLS 算法提取最佳主成分,作为 BP 人工神经网络（BP artificial neural network, BPANN）输入变量,构建 PCA-BPANN 和 PLS-BPANN 模型。以验证集相关系数 RP 和验证集均方根误差 RMSEP 为模型的评价指标,分别优选最佳 PLS 和 BPANN 模型。试验结果表明,SG-PLS-DA 和 SG-PLS-BPANN-DA 模型对未知样本的整体分类准确率均大于90%。其中,SG-PLS-BPANN-DA 的鉴别效果优于前者,其建模集相关系数 RC、均方根误差 RMSEC 分别为0.974、0.170,验证集相关系数 RP、均方根误差 RMSEP 分别为0.972、0.172,对上述两类样本集的总体分类准确率分别为98.15%、95.83%,该模型能较准确鉴别茶油原产地。研究结果可为快速辨别茶油原产地提供参考。     

基于近红外光谱技术的大米品种快速鉴别方法

为探索大米无损检测技术,提出了一种基于可见-近红外光谱技术快速、无损鉴别大米品种的新方法。首先采用主成分分析法对大米品种进行聚类,然后利用小波变换技术提取光谱特征信息,把光谱特征信息作为人工神经网络的输入建立品种识别模型,对大米品种进行鉴别。从每种大米60个样本共计180个样本中随机抽取150个样本（每种50个样本）用来建立神经网络模型,剩下的30个大米样本用于预测。品种识别准确率达到100%。说明所提出的方法具有很好的分类和鉴别作用,为大米的品种鉴别提供了一种新方法。     

玉米种子活力近红外光谱智能检测方法研究

为了实现玉米种子活力的快速无损检测,提出利用近红外光谱和BP神经网络来建立玉米种子活力智能检测模型。首先通过人工老化将样本按老化程度分为3种级别,采集样本的近红外光谱。分别通过卷积平滑(S-G)和多元散射校正(MSC)及二者组合的方法消除光谱噪声和去除奇异光谱。然后分别用主成分分析(PCA)和离散多带小波变换(DWT)提取光谱特征,作为BP神经网络的输入。依据预处理及特征提取的不同构建出6种BP神经网络种子活力检测模型。试验结果表明,组合预处理方法与主成分分析特征提取结合构建的模型最优,其识别的准确率为95.0%,平均识别时间为26.25ms。研究结果为玉米种子活力的快速无损检测提供了理论依据和实用方法。     

基于光谱技术的大豆豆荚炭疽病早期鉴别方法

为更好地指导农户进行植物病害防治,提高大豆豆荚的商品性,减少损失,需要运用快速有效的方法来进行大豆豆荚炭疽病的早期检测。该文应用可见-近红外光谱技术结合连续投影算法(SPA)和最小二乘支持向量机(LS-SVM),实现了大豆豆荚炭疽病的早期快速无损检测。对194个大豆豆荚样本进行光谱扫描,通过不同预处理方法比较,建立了大豆豆荚炭疽病早期无损鉴别的最优偏最小二乘法(PLS)模型。同时应用主成分分析(PCA)和连续投影算法(SPA)分别了提取最佳主成分和有效波长,并将其作为LS-SVM的输入变量,建立了PCA-LS-SVM和SPA-LS-SVM模型,以样本鉴别的准确率作为模型评价指标。试验结果显示PCA-LS-SVM和SPA-LS-SVM模型都获得了比较满意的准确率,且SPA-LS-SVM模型的准确率最高为95.45%。研究表明,SPA能够有效地进行波长选择,进而使LS-SVM模型获得较高的鉴别率,说明应用可见-近红外光谱技术鉴别大豆豆荚炭疽病是可行的。这为进一步应用光谱技术进行大豆生长对逆境胁迫的反应提供了新的方法,为实现大豆病害的田间实时在线检测提供参考。     

基于高光谱成像的寒地水稻叶瘟病与缺氮识别

为进行水稻叶瘟病与养分缺失的区分、实现叶瘟病及时、准确的诊断,以大田试验为基础,利用高光谱成像仪获取2个品种的健康、缺氮、轻度感病和重度感病共4类水稻叶片的反射率光谱,对其光谱特性进行分析,并采用多种预处理方法、分别结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)和主成分加支持向量机(principle component analysis-support vector machine,PCA-SVM)方法构建水稻叶瘟病识别模型。试验结果显示6个判别模型都获得了较高的识别准确率,经标准正态变量(standard normal variate,SNV)变换预处理的PLS-DA模型获得了最佳的识别结果,预测准确率达100%,经多元散射校正(multiplicative scatter correction,MSC)预处理的PCA-SVM模型的预测准确率也达到97.5%。本研究为水稻叶瘟病的判别和分级提供了新方法,也为稻瘟病大范围遥感监测提供了基础。     

利用近红外高光谱图像技术快速鉴别西瓜种子品种

为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法（empirical mode decomposition,EMD）和小波分析（wavelet transform,WT）对提取出的光谱数据进行去除噪声处理,采用连续投影算法（successive projections algorithm,SPA）和遗传-偏最小二乘法（genetic algorithm-partial least squares, GA-PLS）进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）,基于特征波长建立了反向传播神经网络（back-propagation neural network,BP NN)判别模型和极限学习机（extreme learning machine,ELM）判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。     

近红外漫反射光谱技术快速无损识别灵芝和云芝提取物研究

为了满足食用菌提取物实际生产监管需要,本研究采用近红外漫反射光谱技术对来自不同地区的灵芝和云芝提取物样品进行定性识别研究。在800~2 750nm波段范围,采集灵芝和云芝提取物的漫反射光谱,应用主成分聚类分析和偏最小二乘判别法分别建立识别模型,用146个样品进行建模和48个外部样品集进行验证。结果表明:采用主成分聚类判别分析法,灵芝和云芝提取物的判别界线清晰,正确率达到88.54%;采用偏最小二乘判别法,建立的鉴别分类模型能较好地对灵芝和云芝提取物进行鉴别,校正集和预测集样品的识别正确率均为100%。因此,近红外结合主成分聚类分析和偏最小二乘判别法识别灵芝和云芝提取物是可行的,同时研究结果为灵芝和云芝提取物的快速识别提供了理论依据和使用方法。     

识别不同水稻株型的高光谱模式方法的建立

提出了一种用高光谱技术快速识别不同水稻株型的新方法。首先在试验田内选择33个不同的水稻品种,测定了每个品种的14个株型特征参数,并采用荷兰Avantes公司的AvaSpec-2048便携式光谱仪采集不同株型水稻的高光谱数据。通过聚类分析,将所有水稻品种分为差异较大的3个株型类别。再采用平均平滑法和标准归一化方法对光谱数据进行预处理,对光谱数据主成分分析并获得各主成分数据。最后将主成分数据作为BP神经网络的输入变量,株型类别作为输出变量,建立了三层人工神经网络识别模型,并用模型对预测样本进行预测。结果表明,预测准确率为100%。该方法实现了对不同水稻株型的快速、无损识别。     

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。     

柿子可溶性固形物含量的可见-近红外光谱检测

为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。     

A Comparative Study of Fourier Transform Raman and NIR Spectroscopic Methods for Assessment of Protein and Apparent Amylose in Rice

Fourier‐transform Raman (FT‐Raman) spectroscopy and near‐infrared (NIR) reflectance spectroscopy were used to compare calibration models for determining rice cooking quality parameters such as apparent amylose and protein. Samples from two seasons were used in each calibration set. The laboratory values ranged from 4.89 to 12.48% for protein and from 0.2 to 25.7% for amylose. The data for both FT‐Raman and NIR were preprocessed with orthogonal signal correction (OSC) for standardization. For both spectroscopic methods, five models were optimized by partial least squares regression (PLSR) and by Martens' uncertainty regression (MUR), including no processing, smoothing, normalization, first derivative (D1), and second derivative (D2). Based solely on standard error of cross‐validation (SECV), the FT‐Raman method was superior to the NIR method for protein. For amylose, the FT‐Raman and NIR methods resulted in similar calibration statistics with a high precision, with the FT‐Raman requiring fewer factors. The best FT‐Raman models were generated from OSC preprocessing with MUR for protein (SECV 0.15%, five factors) and from OSC without MUR for amylose (SECV 0.70%, seven factors). The best NIR models were obtained with D2 transform of OSC spectra for protein (SECV 0.22%, four factors) and with OSC spectra for amylose (SECV 0.57%, 11 factors).     

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。     

RAPID DIAGNOSIS OF NUTRIENT ELEMENTS IN FINGERED CITRON LEAF USING NEAR INFRARED REFLECTANCE SPECTROSCOPY

In order to provide references for leaf nutrition diagnosis of fingered citron, the technique of near infrared reflectance spectroscopy (NIRS) was introduced to analyze nitrogen (N), phosphorus (P), potassium (K), iron (Fe), manganese (Mn), zinc (Zn), and copper (Cu) in the dry-leaf samples of fingered citron. The best calibration model for N was developed with high RSQ_CAL (0.90), SD/SECV (2.73) and low SEC (1.06 mg g^?1), good calibration models were obtained for P, K, Fe and Mn, and no significant correlations were found between the spectra and the individual amounts of Zn and Cu. When tested using a validation set (n = 38), N was well predicted with low values of SEP (1.21 mg g^?1) and high RPD (2.5). The values of SEP and RPD were also acceptable for the external validation of P, Fe and Mn. Near-infrared spectroscopy analysis technique shows potential of diagnosing minerals in fingered citron, particularly for N, P, Fe and Mn.     

近红外光谱法测定玉米秸秆饲用品质

为了对玉米秸秆的饲用品质进行可靠、便捷、快速的分析和评价,该研究以不同品种、密度、氮肥和水分处理的不同发育时期和不同部位玉米秸秆为试验材料,应用近红外光谱（NIRS）技术和偏最小二乘法（PLS）,采用一阶导数+中心化+多元散射校正的光谱数据预处理方法,构建了玉米秸秆体外干物质消化率（IVDMD）、酸性洗涤纤维（ADF）、中性洗涤纤维（NDF） 和可溶性糖（WSC）含量的NIRS分析模型。所建立的IVDMD、ADF、NDF和WSC含量的NIRS校正模型决定系数（R2cal）分别为0.9906、0.9870、0.9931和0.9802,交叉验证决定系数（R2cv）分别为0.9593、0.9413 、0.9678和0.9342,外部验证决定系数（R2val）分别为0.9549、0.9353、0.9519和0.9191,各项标准差（SEC、SECV和SEP）为0.935～1.904,相对分析误差（RPD）均大于3。结果表明,各参数的NIRS分析模型可用于玉米秸秆饲用品质的分析和品种选育的快速鉴定。     

基于近红外光谱的板栗水分检测方法

含水率是影响板栗贮藏、加工的关键指标之一,该文应用近红外光谱技术对板栗含水率进行快速无损检测。试验对240个板栗样本的带壳光谱和栗仁板栗光谱采用SPXY算法进行样本集划分,利用偏最小二乘法建立含水率定量检测模型,并对微分、多元散射校正、变量标准化等多种预处理方法对建模结果的影响进行比较。结果表明：栗仁和带壳板栗的光谱经一阶微分预处理后所建模型性能最佳,其中栗仁的水分检测模型校正集和验证集的相关系数分别为0.9359和0.8473,校正均方根误差为1.44%,验证均方根误差为1.83%;带壳板栗光谱所建模型校正集和验证集的相关系数分别为0.8270和0.7655,校正均方根误差为2.27%,验证均方根误差为2.35%。受栗壳的影响,带壳板栗光谱模型对含水率的预测精度低于栗仁光谱模型的预测精度。研究表明,近红外光谱分析技术可用于板栗含水率的快速无损检测。     

基于改进ResNet50模型的大宗淡水鱼种类识别方法

针对传统鱼类识别方法存在特征提取复杂、算法可移植性差等不足,该研究提出了一种基于改进ResNet50模型的淡水鱼种类识别方法。研究以鳙鱼、鳊鱼、鲤鱼、鲫鱼、草鱼、白鲢6种大宗淡水鱼为对象,通过搭建淡水鱼图像采集系统获取具有单一背景的淡水鱼图像,同时通过互联网搜索具有干扰背景的淡水鱼图像,共同构建淡水鱼图像数据集;再对淡水鱼图像进行预处理,以增加样本多样性;构建改进ResNet50模型,增加全连接层Fc1以及Dropout,引入迁移学习机制训练模型,同时选择CELU作为激活函数提高神经网络表达能力,通过Adam优化算法更新梯度,并嵌入余弦退火方法衰减学习率。为验证改进ResNet50模型的准确率等性能,对6种淡水鱼进行种类识别,结果表明：在单次验证方法下,选用包含单一背景图像和干扰背景图像构成的淡水鱼图像数据集训练模型,识别准确率为96.94%,比经典模型提高1.22%,单张淡水鱼图像样本的平均检测时间为0.234 5 s;在四折交叉验证下,选用具有单一背景的图像数据集,模型的识别准确率为100%,选用包含单一背景图像和干扰背景图像的淡水鱼图像数据集,模型的识别准确率为96.20%,说明模型具有较好的泛化性能和鲁棒性。针对混淆矩阵的可视化结果表明：改进的ResNet50模型具有通用的结构和训练方式,对不同背景下的淡水鱼进行种类识别具有较高的准确率,可为淡水鱼种类识别提供技术借鉴。     

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。     

利用近红外光谱与PCA-SVM识别热损伤番茄种子

为了研究近红外光谱技术用于热损伤种子快速无损识别的可行性,该文以120粒番茄种子为研究对象,其中60粒番茄种子通过高温加热处理的方式成为热损伤种子组,其他60粒番茄种子为正常种子组,利用实验室自主搭建的近红外光谱检测系统获取单粒番茄种子在980~1 700 nm范围内的光谱,分别采用偏最小二乘判别法(partial least squares discriminant analysis,PLS-DA)和支持向量机(support vector machines,SVM)建立了番茄种子热损伤的定性分析模型。试验结果表明:2种判别模型的验证集总正确率均大于96%,均可用于热损伤种子的判别。其中,基于主成分分析(principal component analysis,PCA)预处理的光谱数据构建的支持向量机模型的判别效果最好,其校正集和验证集的判别正确率均为100%,更适用于种子热损伤识别。因此,应用近红外光谱技术可快速无损识别热损伤番茄种子,为种子检验提供了一种新的方法。     

基于近红外光谱技术的三种硬实种子无损鉴定

摘要：为探讨近红外光谱技术在鉴定种子硬实特性上的普遍性,该文采用近红外光谱法结合偏最小二乘法建立了大豆、苦豆子和决明子单粒种子硬实特性的定性分析模型,每种种子均选择120粒种子进行近红外定性分析,种子分为建模集、检验集2组,建模集80粒,检验集40粒,各组中硬实与非硬实种子的比例为1:1,比较了光谱重复次数、光谱范围以及不同建模样品的建模效果。结果表明：采用二次平均光谱所建模型的鉴别率优于单次光谱;大豆采用4 000～5 000 cm-1光谱范围,矢量校正预处理,主成分为8时,建模集与检验集鉴别率均在85%以上;决明子采用4 000～8 000 cm-1光谱范围,一阶导数预处理,主成分为4时,模型建模集与检验集鉴别率均在90%左右;苦豆子采用4 000～8 000 cm-1光谱范围,二阶导数预处理,主成分为8时,模型的建模集与检验集鉴别率均在95%以上。以上结果表明近红外光谱技术可以很好地应用于单粒种子硬实特性的判断,有助于硬实机理的深入研究。     

基于近红外光谱的脐橙产地溯源研究

为研究近红外光谱分析技术鉴别脐橙产地的可行性,该文采用江西、重庆和湖南3个产地脐橙样品1140～1170nm波段的近红外光谱经一阶导数(9点平滑)预处理,分别建立了簇类独立软模式法脐橙产地鉴别模型。在5%显著水平下,模型对3个产地训练集样品的识别率均为100%,拒绝率分别为85.7%、83.3%、100%;对验证集样品的识别率均为100%,拒绝率分别为100%、89.5%、100%,表明簇类独立软模式法模型基本能够判别脐橙产地。将江西、重庆和湖南3个产地的脐橙样品分别赋值0、1、?1,在全波段范围内建立原始光谱脐橙产地的偏最小二乘判别模型,其预测值与真实值的决定系数为0.973,校正标准差为0.110,预测标准差为0.159,模型对训练集和验证集样品的识别率达到100%。因此,应用近红外光谱分析技术可准确、快速地追溯脐橙产地来源。