利用近红外透射光谱技术测定苹果糖度的研究

利用近红外透射光谱法对苹果糖度进行检测分析,表明在600￣1100nm的波长范围内建立对苹果糖度的预测模型是可行和有效的。苹果糖度的实际化学值和NIT测定值的相关系数为0.955335,标准误差为0.241307。此种方法测定苹果的糖度仅需十几秒钟,并且样品无需任何处理,具有快速、方便、无损伤等特点,对苹果的分级具有实际的意义。     

多年份苹果糖度近红外预测模型建立

目的开发多年份苹果糖度预测模型。方法将移动窗口偏最小二乘法(MWPLS)用于优化3个采收年份的苹果糖度信息区间,构建一种新颖的线性组合权重偏最小二乘法(LCW-PLS)模型。结果 MWPLS选择结果为4328~4787 cm-1、5323~5512 cm-1、5982~7135 cm-1和7159~7463 cm-1,当对应权重为0.004、0.070、0.066和0.860时,所建LCW-MWPLS模型预测性能较好,其RP=0.942、RMSEP=0.649%Brix和Q=0.890。结论 LCW-PLS法可改进常规PLS模型,为果品品质分级提供了一种建模参考方法。     

苹果糖度近红外光谱检测波段试验研究

目的通过近红外光谱技术对苹果进行无损检测,具有快速、非破坏性、无试剂分析、安全、高效、低成本等特点。方法本文运用Matlab7.1,对苹果的糖度与光谱曲线在不同波段处的相对光强进行多元线性回归分析,建立了最佳单波长、最佳双波长组合、最佳三波长组合和最佳四波长组合的校正方程。结果校正方程的相关系数分别为0.621、0.715、0.797和0.822,标准校正误差分别为1.325、1.218、1.074和0.997Brix°,相对校正误差分别为11.28%、10.42%、9.63%和9.26%。结论试验表明用近红外光谱技术无损检测苹果糖度是可行性的,为今后进一步检测苹果的其他品质奠定基础。     

基于变量优选的苹果糖分含量近红外光谱检测

目的：在900~1 700 nm的波长范围内采集苹果的近红外光谱数据,结合化学计量学方法对糖分含量进行无损检测。方法：先对光谱数据依次进行基线校正、散射校正、平滑和尺度缩放,以交叉验证的均方根误差最小选出最佳的预处理方法。采用连续投影算法（SPA）、竞争性自适应重加权算法（CARS）分别选取7,52个特征变量。分别以连续投影算法选取的特征变量、竞争性自适应重加权算法选取的特征变量、两种方法选出的特征变量的组合作为输入自变量,建立线性偏最小二乘回归法模型和非线性的极限学习机模型。结果：组合的特征变量建模效果优于单一方法选出的特征变量的建模效果,非线性模型优于线性模型。结论：采用组合的特征变量,建立极限学习机模型,预测效果最优,训练集的均方根误差为0.710 1,拟合优度为0.883 8,测试集的均方根误差为0.637 5,拟合优度为0.894 5。     

苹果糖度的光谱模型温度补偿设计

目的 为减少温度对便携仪器近红外光谱模型预测的影响, 尝试构建局部温度混合校正模型, 结合温度信息来预测不同温度下的苹果内部品质。方法 以16、24、32 ℃贮藏温度下红富士苹果为原料, 分别用内置微型光谱仪的自制便携式水果分析仪器获得其透射光谱, 结合温度传感器获取环境温度, 用阿贝折射仪测定苹果糖度。建立单一温度校正模型、全局温度混合校正模型和局部温度混合校正模型对不同温度的样本进行预测。结果 单一温度校正模型对不同温度下苹果糖度预测均方根误差为0.474~3.125% Brix; 当采用全局温度混合校正模型时能降低温度对光谱的影响, 预测均方根误差分布在0.488~0.533% Brix。根据待测样本的温度来构建多个局部温度混合校正模型, 对不同温度下苹果糖度的预测均方根误差为 0.462~0.500% Brix。结论 局部温度混合校正模型可以结合样本温度信息预测苹果糖度, 降低温度对模型的影响, 同时能减少初期建模成本。     

南果梨糖度近红外光谱无损检测模型的建立

利用近红外透射光谱仪,对产自辽宁省鞍山地区的具有代表性的南果梨样品建立了近红外透射光谱与南果梨糖度的数学模型,并对模型进行了预测。结果表明:南果梨中可溶性固形物含量、还原糖含量的近红外光谱预测值与化学实测值之间的相关系数分别为0.9364、0.8586,预测均方根偏差(RMSEP)分别为0.2285、0.07929,其中以可溶性固形物含量作为定标参数建立模型的预测能力较强,证实利用近红外透射光谱建立的定标模型来测定南果梨的糖度是可行的。      

用混合线性分析法建立苹果糖度近红外光谱预测模型

用混合线性分析法的一种变形算法建立了苹果糖度近红外光谱预测模型，并与偏最小二乘模型进行比较。结果表明：虽然最佳的混合线性分析法模型（18个主因子）比最佳偏最小二乘模型（11个主因子）复杂．但其精度却明显优于偏最小二乘模型：利用梗正集的28个苹果样本建立的糖度混合线性分析法校正模型，其相关系数r^2和标准偏差SEC分别为0．92509和0．40618；该校正模型经预测集的11个样本验证，相关系数r^2和标准偏差SEP分别达到0.87611和0．48480。混合线性分析法建立的糖度模型对苹果光谱的校正标准偏差SEC和预测标准偏差SEP分别比PLS法的SEC（0．41473）和SEP（0．50473）减小了2％和3．9％。结果表明：在诸如苹果糖度这一类农产品品质综合指标（非纯组分含量指标）的光谱检测中，应用混合线性分析法进行定量分析是完全可行的。并且其结果可与偏最小二乘法（PLS）的结果相媲美。     

苹果糖度近红外光谱检测的初步试验研究

应用近红外光谱漫反射技术,开展了苹果内部品质无损检测的研究。对试验结果的方差分析表明:苹果不同测量位置对光谱测量的影响不显著,而不同测量距离对光谱影响较显著。运用SPSS10.0统计软件对苹果糖度与光谱曲线波峰处对应的吸光度进行多元线性回归分析,建立最佳单波长、最佳双波长组合、最佳三波长组合和最佳四波长组合的校正方程,相关系数R分别为0.621、0.675、0.797和0.822,标准校正误差(SEC)分别为1.75、1.65、1.34和1.27°Brix,相对校正误差(R SEC)分别为13.73%、12.96%、11.42%和10.81%,试验表明:利用近红外光谱技术无损检测苹果糖度等内部品质是可行性的,也为今后进一步建立水果内部品质预测模型奠定了基础。     

近红外透射光谱测定水晶梨糖度的初步研究

采用近红外透射光谱,分析波长在643.26～928.35nm范围内无损检测水晶梨糖度的可行性。建立的水晶梨的糖度模型,其相关系数为0.976630,标准误差为0.197749,预测标准误差为0.463898,偏差为-0.001484。结果表明,利用近红外透射光谱技术测定水晶梨糖度是可行的。     

基于近红外光谱的SSA-RELM的菠萝含水率快速检测

目的：建立快速无损检测菠萝含水率的方法。方法：提出一种基于连续投影法的特征波长选择和麻雀搜索算法（SSA）优化正则化极限学习机（RELM）的菠萝含水率检测模型。针对菠萝近红外光谱数据具有维度高、冗余信息多的特点,分别对比连续投影法、主成分分析法和全波段等筛选特征波长的结果,确定菠萝近红外光谱特征波长筛选方法;针对RELM模型性能受其输入层权值和隐含层偏置的影响,运用麻雀搜索算法优化RELM模型的输入层权值和隐含层偏置,提出一种基于麻雀搜索算法改进正则化极限学习机的菠萝含水率检测模型。结果：与遗传算法改进正则化极限学习机（GA-RELM）、粒子群算法改进正则化极限学习机（PSO-RELM）和RELM相比,基于麻雀算法改进正则化极限学习机（SSA-RELM）的菠萝含水率检测模型的检测精度最高。结论：麻雀搜索算法优化RELM模型可以有效提高RELM模型的菠萝含水率检测精度。     

近红外光谱法快速检测甜菜糖度的模型优化

目的建立起近红外光谱技术关于甜菜糖度的最佳预测模型。方法研究了Savitzky-Golay平滑处理、Savitzky-Golay导数、均值中心化、差分求导、净分析信号、去趋势校正、标准正态变量变换和多元散射校正等8种预处理方法的多方法联用处理进行光谱数据的预处理,结合光谱波段优选,建立甜菜糖度与近红外光谱的预测模型。结果在进行模型的评价时,以误差均方根(SEP)、校正标准误差(SEC)与交叉检验误差(SECV)作为评价指标。结论发现经过光谱波段优选之后,结合Savitzky-Golay平滑、Savitzky-Golay导数、去趋势校正及均值中心化进行光谱数据的预处理得到的模型效果最佳。     

近红外光谱测定苹果饮料中原果汁含量

提出了一种遗传算法优化支持向量机参数的近红外光谱技术对苹果饮料中原果汁含量的快速测定方法。在确定光谱数据预处理方法的基础上,通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优,将优化出的参数代入SVM预测模型中,得到基于遗传算法的SVM模型,利用此模型对苹果饮料中原果汁含量进行预测研究。结果表明,建立的SVM模型对预测集的决定系数为0.9757,能快速测定苹果饮料中的原果汁含量。      

鲸鱼算法改进极限学习机的葡萄酒品质评价研究

[目的]解决近红外光谱中冗余信息过多的问题,提升葡萄酒品质评价模型的准确性,并构建一种快速无损的葡萄酒品质评价方法。[方法]运用竞争性自适应重加权采样法进行特征波长筛选,提出了鲸鱼算法改进极限学习机的葡萄酒品质评价模型。通过自适应重加权采样法等多种特征波长筛选方法,确定了最适用于葡萄酒光谱特征波长筛选的方法;针对ELM的初值权值与隐含层偏置选取问题,利用鲸鱼优化方法对初值权值与隐含层偏置进行优化,从而构建了一种基于鲸鱼优化算法改进的极限学习机葡萄酒品质评价模型。[结果]与GA-ELM、PSO-ELM和传统的ELM模型相比,WOA-ELM的准确率最高,达到了0.944 5,GA-ELM的准确率为0.929 0,PSO-ELM的准确率为0.906 1,传统的ELM方法准确率为0.817 7。[结论]通过智能算法优化ELM模型的参数,可以有效提高葡萄酒品质评价的准确性。     

基于近红外光谱检测腐乳盐坯中盐分含量的研究

分别在短波、长波近红外2个区域，以透射、反射2种方式探讨了利用近红外光谱检测腐乳盐坯中盐分含量的理论依据，试验表明，光谱吸光度随盐溶液浓度的增加逐渐降低，谱峰向短波方向漂移；在用偏最小二乘法（PLS）建模过程中，重点讨论了异常值剔除，光谱预处理，波段优化选择等。尝试了在900nm-1300nm、1650nm～1850nm、2150nm～2240nm3段光谱范围内建模，所得建模相关系数R（0．994）、建模标准差RMSEC（0．391％）、预测标准差RMSEP（0．416％）、预测集平均相对标准偏差RSD（2．27％）均好于连续全谱（833nm-2500nm）范围的指标。另外，还得出了积分球与光纤漫反射光谱对盐分检测结果无显著性差异（p=0．01）的结论。     

光照区域对近红外光谱在线检测柚子糖度的影响

[目的]提高近红外光谱技术在线检测柚子糖度的精度。[方法]采用自主研发的柚子在线无损检测设备采集3种光照区域的柚子的漫透射光谱数据,在650～950 nm的波长范围内采用标准正交变量变换（SNV）、多元散射校正（MSC）、归一化（normalize）、SG一阶求导（savitzky-golay first order derivative,SG-1st）对原始数据进行预处理,使用自适应性加权算法（CARS）筛选反映柚子糖度的光谱特征,建立了偏最小二乘回归（PLSR）模型。使用未参与到建模的30个柚子样本进行在线验证。[结果]光照区域C结合SNV-CARS-PLSR方法的建模效果最优。其预测集的决定系数为0.95,均方根误差为0.30 °Brix。在线验证时决定系数为0.90,均方根误差为0.58 °Brix。模型对于柚子糖度具有较强的在线检测能力。[结论]在光斑直径为70 mm且位于柚子赤道上方20 mm的光照区域C的条件下采集的柚子光谱数据所建立的预测模型能更有效地实现柚子糖度的在线预测。     

基于近红外光谱技术快速测定甘薯多糖含量

摘 要：目的 建立一种基于近红外光谱技术快速测定甘薯多糖的方法。方法 通过采集来自不同地区的74个甘薯及甘薯干的近红外光谱图,对异常样本进行剔除与回收后随机选择其中56种作为校正集,11种作为验证集。通过一阶导数、二阶导数、多元散射校正（multiplicative signal correction,MSC）、标准正态变量变换（standard normal variate,SNV）等组合预处理方式对原始光谱进行处理,比较多元线性回归（stepwise multiple linear regression,SMLR）、主成分回归（principal component regression,PCR）和偏最小二乘法（partial least squares,PLS）三种方法建立的模型结果,进一步选择波段确定最佳甘薯多糖含量测定方法。结果 PLS建立的模型整体精确度和稳定性最佳,最优模型的预处理方式为一阶导数处理,该模型的最佳波段为全波段范围,校正集均方根误差（root mean square error of calibration set,RMSEC）为相关系数0.496,校正集相关系数（calibration set correlation coefficient,RC2）为0.9683,验证集均方根误差（root mean square error of prediction set,RMSEP）为0.430,验证集相关系数（prediction set coefficient of determination,RP2）为0.9440,主成分数为8。结论 通过近红外光谱技术结合偏最小二乘法建立甘薯多糖模型可作为甘薯多糖快速测定的可行性方法。