基于高光谱成像技术的祁门红茶等级无损检测

为实现快速无损的茶叶产品等级评估,应用近红外（900~1700 nm）高光谱成像技术对6个等级的祁门红茶进行分类。首先利用线性和非线性降维方法对高光谱数据进行可视化处理,可视化算法包括线性方法的主成分分析（Principal Component Analysis,PCA）、多维尺度变换（Multi-Dimensional Scaling,MDS）,和非线性方法的t分布随机邻域嵌入（t-Distributed Stochastic Neighbour Embedding,t-SNE）、Sammon非线性映射。其次利用支持向量机（Support Vector Machine,SVM）和极限学习机（Extreme Learning Machine,ELM）建立分类模型来鉴定祁门红茶的不同等级。最后利用SVM和ELM分类模型对高光谱图像每个像素点进行识别,得到预测图。结果表明,t-SNE可以将6个等级的祁门红茶分在六个不同的簇,SVM和ELM的预测集准确率分别为100%和96.35%。t-SNE可视化效果最佳,SVM的检测模型能够有效地对祁门红茶六个等级进行识别。本文为茶叶产品等级的快速、无损检测提供了一种有效的方法,对茶叶产品的质量控制、真伪检测和掺假检测具有重要意义。     

小麦霉菌污染支持向量机判别模型的建立

为建立一种快速判别小麦霉菌污染的方法,该研究采用近红外光谱技术结合化学计量学方法,以126份小麦样品为研究对象,通过剔除异常样品、光谱降维和预处理,采用支持向量机分类（support vector machine classification,SVM）方法建立判别模型。结果表明：运用基于马氏距离的主成分分析方法剔除异常样品5个,将原始光谱数据进行降维处理得到8个主成分,能够代表原始样本的98.80%。输入变量的最佳预处理方式为标准正态变量变换,最佳核函数为linear,核函数参数C值为10,SVM判别模型的训练集判别正确率为100%,交叉验证判别正确率为98.89%。用未参与建立判别模型的外部验证集样品对SVM判别模型进行验证,结果表明：SVM判别模型对外部验证集样品的判别正确率为100%。该研究所建立的SVM判别模型可以用于小麦霉菌污染的快速检测。     

结合太赫兹光谱与机器学习的小麦霉变程度判别

为快速、准确地判断小麦籽粒的霉变程度，研究基于太赫兹时域光谱技术，结合支持向量机（support vector machine,SVM）、随机森林（random forest,RF）和极限学习机（extreme learning machine,ELM）的霉变小麦定性分析方法。首先，将小麦籽粒分为正常、轻度霉变、中度霉变和重度霉变4类，利用CCT-1800太赫兹时域光谱仪获取小麦样本在0.1～4.0 THz波段的光谱数据。对比采用不同光谱预处理方法对判别结果的影响后，使用主成分分析、线性判别分析（linear discriminant analysis,LDA）、t分布随机近邻嵌入3种方法对光谱数据进行降维，结果表明LDA的降维效果最好。最后，构建基于SVM、RF和ELM的小麦霉变程度判别模型，结果显示SVM的判别效果最好，当核函数选择多项式核、误差惩罚系数为1时，判别准确率高达98.61%，预测集均方根误差值为0.142 9。本研究表明利用太赫兹光谱技术可实现小麦霉变程度的准确检测，为食品安全和粮食贮藏检测提供一种检测手段。     

近红外光谱分析技术在花生原产地溯源中的应用

采用近红外光谱结合化学计量学方法对不同省份来源的花生样品进行溯源研究。首先花生近红外光谱通过标准正态变换加去趋势化预处理降噪、主成分分析降维和小波转换降噪降维两种处理,然后结合线性判别分析、贝叶斯判别分析和k最近邻分析3种判别模型对不同省份来源地花生进行判别。通过分析最优判别组合结果表明,小波转换结合k最近邻分析对花生产地分类效果最好,原始正确分类率为100.0%;交叉验证正确分类率为55.9%。初步实现了花生产地判别,但模型的性能仍有待提高。     

基于可见/近红外光谱技术的红提成熟度判别模

成熟度是水果评价的重要标准,直接影响水果的品质和经济价值。针对红提采摘成熟度评判困难,果肉营养价值参差不齐、产品竞争力低等问题,建立基于可见/近红外光谱技术的红提成熟度判别模型。该研究选取红提生长过程的4个阶段（分别为：未成熟、半成熟、成熟、过熟）的样本并进行光谱信息采集。选择550 nm~1 000 nm的光谱波段建模,分别将经过预处理的光谱用竞争性自适应加权算法（Competitive Adaptive Reweighted Sampling,CARS）、无信息变量消除算法（Uniformative Variable Elimination,UVE）和连续投影算法（Successive Projection Algorithm,SPA）进行特征波长提取,建立支持向量机（Support Vector Machines,SVM）、极限学习机（Extreme Learning Machine,ELM）和偏最小二乘判别分析（Partial Least Squares Discriminant Analysis,PLS-DA）的判别模型,最终建立可见/近红外光谱技术的红提成熟度的最佳判别分类模型。研究结果表明,在Savitzky-Golay（SG）卷积平滑处理算法光谱预处理后运用SPA算法进行特征波段提取建立的ELM模型成熟度判别分类效果最佳,SVM模型次之,PLS-DA模型最差。因此,红提成熟度的最佳判别分类模型为SG-SPA-ELM,该模型的训练集和测试集的准确率分别为97.50%和96.67%。利用可见/近红外光谱技术对红提成熟度进行判别是可行的,该研究为红提成熟度的判别找到了一种新的无损检测方法。     

基于FT-NIR光谱技术结合KPCA-MD-SVM对白酒基酒的快速判别

为保证在摘酒过程中基酒分段的准确,研究通过利用傅里叶变换近红外设备对整个摘酒过程中的基酒样品进行光谱采集,使用支持向量机（SVM）对最优预处理的基酒光谱建立基酒分段模型,其模型训练集的正确率为93.02%,测试集判别率为90.08%。为减少建模时间和提高模型的可靠性,使用核主成分分析（KPCA）对基酒光谱数据降维,并对此建立基酒分段模型。其训练集正确率为94.81%,测试集判别率为90.75%,相比无KPCA分析时的分段模型训练集高1.79%,测试集高0.67%。为进一步提高模型的判别能力,使用马氏距离（MD）剔除了降维后的异常数据样品,创建的基酒分段模型训练集对基酒段数的正确率为98.72%,测试集正确率为98.75%。剔除异常样品后的分段模型的训练集正确率提高了3.91%,测试集判别率提高了8%。以上研究表明了KPCA+MD+ SVM基酒分段模型能对基酒进行快速判别,为近红外光谱在自动化摘酒方面提供了一种理论可能。     

菜籽品种可见近红外光谱鉴别研究

菜籽品种是决定蔬菜品质的主要因素之一,为了快速鉴别菜籽品种,提出一种菜籽品种的可见近红外光谱鉴别方法.在450～1 000 nm光谱范围内,采集了6种菜籽的可见近红外光谱.采用主成分载荷曲线法,从全光谱变量中筛选出17个特征光谱变量,作为线性判别分析(LDA)的输入向量,建立了菜籽品种LDA鉴别模型,且模型判别结果优于主成分判别结果,误判率为2.42％.结果表明,采用可见近红外光谱技术结合线性判别分析方法,进行菜籽品种的快速鉴别是可行的.     

基于近红外光谱技术的茶叶新旧鉴别及产地溯源研究

摘 要：目的 建立基于近红外光谱的定性分析模型,实现对茶叶的新旧分类和产地溯源。方法 首先采用傅里叶近红外光谱仪采集茶叶样品的漫反射光谱数据,然后使用SG平滑算法（savitzky-golay smoothing, SG）和数据标准化（normalization）对光谱数据进行预处理,最后基于遗传优化算法（genetic algorithem, GA）和粒子群优化算法（particle swarm optimization, PSO）分别建立了优化向量机模型（support vector machine, SVM）,从而实现新旧茶叶的分类以及产地溯源。结果 与GA-SVM模型相比,PSO-SVM模型的建模效果较好,且分类时间更短,在新旧鉴别和产地溯源实验中都达到了100%的预测精度。结论 基于近红外光谱建立的PSO-SVM模型可以实现茶叶新旧的判别以及产地溯源,为鉴别茶叶年份和追踪茶叶产地提供了理论支撑和技术指导。     

基于近红外光谱技术的六大茶类快速识别

为构建高质量的六大茶类识别模型,本研究中收集了370份样品,通过采集其近红外光谱（near-infrared spectroscopy,NIRS）,结合光谱预处理、特征提取以及数据挖掘分类器算法,建立六大茶类快速识别模型。结果表明：1）支持向量机（support vector machine,SVM）与随机森林（random forest,RF）分类器皆适于六大茶类快速识别模型的构建;2)SVM分类器更适于结合原始光谱（original spectrum,OS）建模,预处理易使基于该分类器建立的模型鉴别性能减弱;3）随机森林（RF）分类器更适用于预处理后光谱建模,所得模型较OS模型在识别正确率（recognition accuracy,RA）及受试者工作特征曲线下面积（area under the curve,AUC）均得到明显提升;4）特征提取中线性判别分析（linear discriminant analysis,LDA）算法表现最好,所得模型的RA较OS模型明显提升,其中最佳模型OS-LDA-SVM的RA为100.00%,AUC为1.00,识别正确率高、泛化能力强、模型性能优异,...     

基于傅里叶近红外光谱和电子鼻技术的苹果霉心病无损检测

为研究傅里叶近红外光谱技术(Fourier transform near infrared spectroscopy,FT-NIRS)和电子鼻技术分别结合化学计量学方法对苹果霉心病的判别效果,以“红富士”霉心病苹果和健康苹果为试材,利用近红外光谱技术,基于主成分分析建立Fisher判别和多层感知器(multi-layer perceptron,MLP)神经网络模型;同时利用电子鼻技术分别结合Fisher判别、MLP神经网络和径向基函数神经网络3种化学计量学的方法建立判别模型。根据建模集和验证集的预测准确率综合考虑,基于主成分分析建立的MLP神经网络模型和电子鼻结合MLP神经网络模型对苹果霉心病的判别效果最好,验证集中的正确判别率分别达到87.7%和86.2%。说明电子鼻和近红外光谱技术均可以较好地判别苹果霉心病。     

基于支持向量机的牛肉嫩度等级评价模型研究

目的 利用VIS/NIR反射光谱建立基于支持向量机的生鲜牛肉嫩度等级的评价模型。方法 以牛肉背最长肌为研究对象, 选取样本58个, 在牛肉新鲜切口处采集波长范围400~1700 nm的反射光谱信息, 使用肉类嫩度测量仪测量牛肉剪切力值, 应用支持向量机(SVM)模型评价牛肉嫩度等级。结果 应用SVM模型可以较好地实现对牛肉嫩度等级的评价。尤其是经主成分分析降维预处理, 结合径向基核函数SVM, 对牛肉训练集嫩度等级的回判率达到95%, 对样品校正集判别的准确率进一步提高至83.3%。结论 SVM模型对牛肉嫩度等级评价结果较好, 进行主成分分析后, 判别结果有所提高。     

二维相关可见-近红外光谱结合支持向量机评价猪肉新鲜度

为探究二维相关同步光谱优选生鲜肉新鲜度特征变量的可行性,采集生鲜猪肉在1～15 d共58 个样品的可见-近红外反射光谱信息,并参照国标方法测定其挥发性盐基氮值（total volatile basic nitrogen,TVB-N）。然后,以TVB-N为“外界扰动”,选择10 条代表性光谱并进行包络线去除,结合光谱差异选取了7?个子区间。通过对每个子区间作二维相关分析,解析其二维相关同步谱和自相关谱,获取与TVB-N变化密切相关的敏感变量。最后,利用所选特征变量,分别基于原始、标准正态变量变换预处理和归一化预处理的光谱,建立猪肉新鲜度的支持向量机（support vector machine,SVM）判别模型。结果表明,利用二维相关光谱分析共提取到17?个特征波长,仅占总变量个数的1.61%,建立的SVM模型总体正确率分别为94.83%、98.28%和98.28%。这表明所建立的模型具有较好的判别效果,也说明二维相关分析用于筛选与生鲜肉新鲜度相关特征变量的方法是可行的。这有利于解析生鲜肉在腐败变质过程中的光谱特征信息变化,也为近红外光谱分析中变量筛选提供了一种新的思路。     

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。     

傅里叶变换红外光谱和紫外光谱数据融合对牛肝菌种类的鉴别

采集5?种共272?份牛肝菌样品的傅里叶变换红外光谱和紫外光谱,结合多光谱信息融合策略,建立牛肝菌种类快速鉴别的方法。多元散射校正（multiplicative signal correction,MSC）及二阶导数（second derivative,2D）等预处理方法对原始光谱进行优化,比较优化处理对区分不同种类牛肝菌影响;利用优化处理后的光谱数据及融合数据建立偏最小二乘判别分析（partial least squares discriminant analysis,PLS-DA）模型和支持向量机（support vector machine,SVM）判别模型。结果显示：1）经过2D和MSC预处理后,不同种类牛肝菌的PLS-DA鉴别效果优于未优化模型,表明2D＋MSC预处理优化了光谱信息并提高了分类准确度;2）基于傅里叶变换红外光谱、紫外光谱、低级融合和中级融合数据分别建立PLS-DA模型,预测正确率为86.87%、66.67%、78.89%和95.56%;建立SVM判别模型,预测正确率分别为88.89%、74.44%、91.11%和100.00%,表明中级融合技术对不同种类牛肝菌鉴别效果显著,优于其他技术;3）中级融合技术在PLS-DA模型和SVM判别模型中对样品的预测正确率分别为95.56%和100.00%,表明SVM判别模型对牛肝菌种类区分效果优于PLS-DA模型。采用中级融合技术建立SVM判别模型,快速鉴别牛肝菌种类,为牛肝菌种类鉴别和质量控制提供可靠、稳定的方法。     

基于近红外光谱的茶叶高氯酸盐污染水平研究

目的 建立一种基于近红外光谱（near-infrared spectroscopy,NIR）分析技术快速定量茶叶中高氯酸盐污染水平的预测模型。方法 采集不同产地的91份茶叶干样,通过傅里叶变换近红外光谱扫描获得样品的近红外漫反射光谱,使用液相色谱质谱法测定茶叶样品中的高氯酸盐含量,以参考量限0.75 mg/kg为标准将样品分为两类;利用偏最小二乘判别分析（partial least squares-discriminant analysis, PLS-DA）建模建立高氯酸盐含量范围的预测模型,同时使用一阶导（1st）、连续小波变换（continuous wavelet transform, CWT）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）等光谱预处理和竞争自适应重加权（competitive adaptive reweighted sampling,CARS）采样波长筛选技术对判别模型进行优化,最后通过预测集样品对模型进行验证。结果 使用原始光谱建立的模型能够初步实现对高氯酸盐含量范围的预测,而使用光谱预处理扣除光谱中的背景信息,结合MSC和CARS方法共同处理后,模型的预测正确度显著改善,误判样品下降至3个,预测正确率提高至88.5%。结论 本方法表明近红外光谱技术可以为茶叶中高氯酸盐污染水平分析提供一种新方法,对茶叶产业高质量发展具有重要的实际意义。     

基于近红外光谱的冻融猪肉糜鉴别模型研究

目的 反复冻融猪肉糜品质差、不易判别。方法 采用近红外光谱分析技术对新鲜猪肉糜和不同冻融次数猪肉糜分别进行无损鉴别,建立了窄神经网络(narrow neural network, NNN)、线性判别(linear discriminant, LD)、支持向量机(support vector machine, SVM)和子空间判别(subspace discriminant, SD)4种不同的判别模型,并对所建立的模型性能采用正确判别率、混淆矩阵、受试者工作特征曲线和曲线线下面积这4个指标进行评价。结果 基于子空间判别建立的模型较优,其预测集正确判别率为96.4%,并且其混淆矩阵、ROC曲线和AUC均显示了该模型对于冻融猪肉糜分类的优越性。结论 本研究建立的近红外光谱技术结合子空间判别模型对冻融猪肉糜的鉴别能力较强,可为工业化在线检测方法的开发提供技术支撑。     

基于二维相关近红外光谱的老陈醋醋龄鉴别

采用二维相关近红外光谱技术与判别分析(DA)方法相结合鉴别不同醋龄的老陈醋样品。选取5个醋龄共100个老陈醋样品,在室温下采集所有样品的一维近红外光谱。以醋龄作为外扰因素,构建各样品在1 001～1 830 nm波段范围的二维相关同步谱和异步谱,分析其二维相关谱图的光谱特征。基于二维相关同步谱的对角线数据(即自相关谱),建立不同醋龄老陈醋样品的判别分析模型,模型校正集的识别准确率为97.3%,预测集识别准确率为96%。研究结果表明,所提出的方法可提供随醋龄变化的更多光谱特征信息,为老陈醋醋龄快速鉴别提供一种精度高的分类模型。     

CARS-SVM预测哈密瓜可溶性固形物含量

采用近红外光谱技术结合数据降维的方法,建立了哈密瓜可溶性固形物含量的预测模型：对比多种光谱预处理方法,确定二阶求导用于处理原始光谱;经预处理的光谱数据分别结合特征选择竞争性自适应重加权采样法（CARS）、蒙特卡罗无信息变量消除法（MC-UVE）提取特征波长,以及利用主成分分析进行降维;再使用特征选择和特征提取的光谱数据作为模型的输入变量,建立哈密瓜可溶性固形物含量预测模型。结果显示,CARS+SVM建立的预测模型最优,模型的校正集相关系数为0.981 4,预测集相关系数为0.900 2,模型能够准确预测哈密瓜可溶性固形物含量。     

多光谱数据融合技术对绒柄牛肝菌产地的鉴别

采集5?个产地96?份绒柄牛肝菌样品的红外光谱和紫外光谱,结合多光谱信息融合策略,建立快速、有效鉴别绒柄牛肝菌产地的方法。运用多元散射校正、标准正态变量、二阶导数等预处理方法对原始光谱数据进行优化处理,减少噪音干扰。选取具有指纹特性的光谱信息进行初级数据融合;通过偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）筛选光谱数据中变量在投影方向重要程度大于1的波段,进行中级数据融合。利用优化处理后的单一光谱数据及多光谱融合数据建立PLS-DA模型和支持向量机（support vector machine,SVM）判别模型,比较两种判别模型对绒柄牛肝菌产地的鉴别效果。结果显示,通过红外光谱、紫外光谱、初级融合和中级融合数据分别建立PLS-DA模型,对绒柄牛肝菌产地的预测正确率为56.25%、56.25%、62.50%和81.25%;建立SVM判别模型,产地预测正确率分别为90.63%、65.63%、87.50%和96.88%,表明中级融合技术对绒柄牛肝菌产地鉴别效果显著,优于其他技术;并且SVM判别模型对牛肝菌产地区分效果优于PLS-DA模型。采用中级融合技术建立SVM判别模型,能够快速、有效鉴别不同产地绒柄牛肝菌,同时为食品质量监控提供有效方法和理论基础。     

基于高光谱成像技术的白茶储藏年份判别

储藏年份是决定白茶经济价值的一大因素。为了实现快速便捷地判别白茶储藏年份,本文提出了基于高光谱成像技术判别分析白茶储藏年份的无损检测方法。通过对3、6、10年寿眉高光谱图像感兴趣区域光谱数据的提取,采用最小二乘平滑滤波、标准正态变换、归一化、多元散射校正预处理算法,并用支持向量机、偏最小二乘联合线性判定法、逻辑回归建模对不同预处理后的光谱数据进行判别分析。最后,通过分析混淆矩阵、精确率、召回率来评估模型性能。分析结果表明,经过标准正态变换预处理结合支持向量机所建立的模型判别效果最佳,训练集和测试集的精确率分别为90.83%和86.02%。由此可见,利用高光谱成像技术对白茶储藏年份进行快速无损的判别具有一定的可行性。