基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(R_P)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。     

近红外技术在南极磷虾油关键品质指标快速检测中的应用研究

采用偏最小二乘法（Partial least squares,PLS）作为建模方法,对磷虾油近红外光谱的一阶微分（First-order difference,FD）、FD+SG（Savitzky-Golay,SG）滤波、FD+N（Norris,N）滤波、二阶微分（Second-order difference,SD）、SD+SG和SD+N等6种单一或复合方法进行处理,通过对不同方式处理后预测模型的交互验证均方根误差（Root mean square error of cross validation,RMSECV）、外部验证残差均方根（Root mean square error of external prediction,RMSEP）和外部验证用样品真实值的标准差（SD）与RMSEP的比值（The ratio of the RMSEP to standard deviation of reference data in the prediction,RPDEV）、建模相关系数（Correlation coefficient in calibration,RC）、交互验证相关系数（Correlation coefficient in cross validation,RCV）和外部验证相关系数（Correlation coefficient in external validation,REV）等参数比较,确定了磷虾油磷脂、EPA和DHA的近红外预测模型最佳处理方式为FD、FD和SD+N,酸价指标模型不需处理。在最优条件下,四种成分近红外预测模型的RC、REV和RCV,除了酸价的RCV略小（0.917）其余均达到0.95以上,同时,四种成分的RPDEV和RPDCV值,除酸价的RPDCV为2.365,略小于2.5,其余均符合大于2.5的要求,说明磷虾油磷脂、EPA和DHA的近红外预测模型预测准确度良好;RMSEC和RMSECV相差不大,说明模型稳定性较好。由于含量低、组成复杂等原因,磷虾油虾青素近红外检测模型的RC、RCV和REV均在0.60以下,说明近红外检测不适用于磷虾油中虾青素成分的快速检测。本文证实了近红外光谱技术可作为磷虾油中磷脂、EPA、DHA和酸价等主要指标的快速检测方法,是传统化学检测方法的有效替代和补充。     

近红外光谱技术快速检测甜叶菊中绿原酸含量

为实现甜叶菊中绿原酸含量的快速检测，该研究利用近红外光谱技术结合偏最小二乘法对甜叶菊绿原酸含量的光谱数据进行了近红外模型分析。结果表明，采用多元散射校正(multiplicative scatter correction, MSC)+Savitzky-Golay卷积平滑预处理算法和无信息变量消除法(uniformative variable elimination, UVE)特征波长选择算法，绿原酸含量近红外模型的性能最好。该模型的交互验证相关系数(correlation coefficient in cross validation,R_CV)和交互验证残差均方根(root mean square error of cross validation, RMSECV)分别为0.945 3和0.263 1;验证集相关系数(correlation coefficient in validation,R_P)和验证集残差均方根(root mean square error of prediction, RMSEP)分别为0.952 1和0.247 2。...     

在线近红外光谱在保健酒酒精度检测上的应用

采用短波近红外光谱仪器在线检测保健酒调配液生产线上产品的酒精度。通过使用一阶倒数(First derivative,FD)和平滑处理(Norris derivative filter,ND),对近红外图谱进行预处理,使用偏最小二乘法(Partial least square,PLS)建立了酒精度检测近红外模型。模型的校正集均方根误差(Root mean square error of calibration,RMSEC)为0.737,交互验证相关系数为0.9189;预测集均方根误差(Root mean square error of prediction,RMSEP)为0.788,交互验证相关系数为0.9425。实验数据显示,近红外计算酒精度数值与标准法测量数值相对偏差主要集中在±2%之间,该方法可以满足生产过程中在线检测酒精度的要求。     

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R_C2)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R_P2)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。     

磨盘柿可溶性固形物的可见/近红外漫反射光谱无损检测

研究可见/近红外漫反射光谱技术快速检测磨盘柿可溶性固形物的方法。在可见/近红外光谱区域(570～1848nm),对比分析不同数学建模算法、不同导数处理方法和不同散射及标准化处理的果实可溶性固形物定标模型。结果表明：应用改进偏最小二乘回归算法、一阶导处理和去散射处理所建果实可溶性固形物定标模型的预测性能较优,其定标交互验证相关系数(Rcv)和预测相关系数(Rp2)分别为0.8076和0.8085,定标交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.4546°Brix和0.4482°Brix。这表明,可见/近红外漫反射技术对磨盘柿可溶性固形物的快速无损检测具有可行性。     

采用近红外光谱进行采后苹果品种及货架期定性判别

运用近红外光谱技术,通过不同光谱预处理和不同光谱波段选择,研究苹果品种(嘎啦、乔纳金、金冠、寒富)及货架期(0、14、28 d)的近红外判别模型。结果表明,不同品种苹果定标判别模型最优光谱预处理方法为:在全波长范围(408. 8～2 492. 8 nm)内,采用去散射结合二阶导数光谱预处理,对未知样品判别正确率为85. 00%～95. 00%;苹果货架期较优定标模型在1 108～2 492. 8 nm范围内,光谱预处理方法为标准正常化处理(standard normal variate,SNV)+去散射处理(detrend,D)+一阶导数,预测样品正确率为91. 67%～96. 67%。实验证明,近红外光谱技术对采后苹果品种及货架期检测具有适用性。     

可见/近红外漫反射光谱无损检测磨盘柿果实硬度的研究

建立可见/近红外光谱与磨盘柿果实硬度之间的数学模型,评价可见/近红外光谱技术无损检测磨盘柿硬度的应用价值。在可见/近红外光谱区域(570～1848nm),实验对比分析了不同数学建模算法、不同导数处理方法和不同散射及标准化处理的磨盘柿果实硬度定标模型。结果表明,应用偏最小二乘回归算法、一阶导处理和标准正常化和散射处理所建柿果实硬度定标模型的预测性能较优,模型的相关系数(Rc2)为0.7992,均方根误差(RMSEC)为2.0642;用该模型对40个预测样本进行预测,其相关系数(Rp2)为0.8267,预测均方根误差(RMSEP)为2.0223。研究表明,可见/近红外漫反射技术对磨盘柿果实硬度的快速无损检测具有可行性。     

中红外在线监测技术在黑曲霉发酵过程中的应用

利用傅里叶变换中红外光谱结合衰减全反射(FT-MIR-ATR)分析技术,经全因子设计的标准液图谱通过偏最小二乘法(Partial least squares,PLS)建立模型,获得快速、在线监测黑曲霉发酵过程中葡萄糖和葡萄糖酸钠质量浓度的方法。结果显示:模型的葡萄糖校正集误差均方根(Root mean square error of calibration,RMSEC)和验证集误差均方根(Root mean square error of validation,RMSEV)为0.96、1.71 g/L,相似系数(R2)分别是1.000、0.999,葡萄糖酸钠的RMSEC和RMSEV为2.67、1.59 g/L,R2分别是0.999、0.999。在线监测黑曲霉发酵过程中,预测葡萄糖的预测误差均方根(Root mean square error of prediction,RMSEP)为3.24 g/L,相对误差为2.21%,葡萄糖酸钠RMSEP为4.03 g/L,相对误差为2.77%,表明模型具有一定的预测准确性和稳定性,FTMIR-ATR技术能准确地在线预测底物与产物的质量浓度,用于指导黑曲霉发酵过程。利用上述技术对不同初始葡萄糖浓度与不同耗糖速率、产物合成速率之间的关系开展研究,结果表明初始葡萄糖质量浓度为300g/L时,可获得最高的产物合成速率。     

同步荧光光谱法测定橙汁中原果汁的含量

利用同步荧光光谱法对橙汁中原果汁含量进行定量分析。对样本的同步荧光光谱数据进行预处理然后选择不同的光谱波段结合偏最小二乘(partial least squares,PLS)法建立原果汁含量预测模型,并对预测集样本进行预测来验证模型的准确性以及此法的可行性。结果显示:平滑处理结合一阶导数处理后的光谱数据更加适用于模型建立;使用全波段光谱建立的模型性能优于区间波段所建立模型。最终得到的最优模型对预测集进行预测时所得预测均方根误差(Root mean square error of prediction,RMSEP)为0.035832,决定系数(coefficient of determination,R2)为0.972570。由此可以说明同步荧光光谱法结合PLS可实现原果汁含量的定量分析。     

浦城薏米粉水分和还原糖的近红外光谱快速检测模型优化

目的 建立浦城薏米粉水分和还原糖的近红外光谱快速检测模型。方法 采集浦城薏米粉样品的近红外光谱图, 使用6种不同方法对样品的原始光谱分别进行预处理, 在全波段10000~4000 cm?1范围内建立薏米粉偏最小二乘法(partial least squares, PLS)的定量分析模型。结果 浦城薏米粉原始光谱在标准正态变换(standard normal variate, SNV)预处理后确定水分含量最佳模型的光谱波段(5944~5590 cm?1), 主因子数为7, 校正决定系数(determination coefficient of calibration, Rc2)为0.9904, 均方根误差(root mean square error, RMSEC)为0.0631; 在二阶导数法(second derivative, SD)预处理后确定还原糖含量最佳模型的光谱波段(9845~7386 cm?1), 主因子数为6, Rc2为0.9998, RMSEC为0.0187。在上述条件下, 水分和还原糖含量的验证集相关系数(determination coefficient of prediction, Rp2)分别为0.9902和0.9989, 验证均方根(root mean square of prediction error, RMSEP)分别为0.0693和0.0698。结论 经验证, 该模型可以实现浦城薏米粉中水分和还原糖含量的快速无损检测。     

软枣猕猴桃总酚的可见-近红外漫反射光谱无损检测

应用可见-近红外漫反射光谱在570～1848nm光谱区域内,建立了软枣猕猴桃总酚定量数学模型。实验将贮藏分三个阶段(采收阶段,贮藏12d,贮藏24d)进行,通过对比分析不同建模方法得到软枣猕猴桃总酚定标模型。结果表明,应用偏最小二乘回归算法、一阶导数处理和反相多元离散校正处理所建软枣猕猴桃总酚定标模型的预测性能较好。定标集样本的交互验证相关系数(RCV)为0.8939,交互验证均方根误差(RMSECV)为11.6734mg/100g;预测集样本的相关系数(RP)为0.8627,预测均方根误差(RMSEP)为16.7690mg/100g。研究表明：可见/近红外漫反射光谱对软枣猕猴桃总酚的快速无损检测具有一定的可行性, 但模型精度有待提高。     

枇杷内部品质近红外光谱无损检测

利用近红外光谱技术(near infrared spectroscopy,NIRS)对101个枇杷样品进行无损检测,测得样品的可溶性固形物(total soluble sdid,TSS)、可滴定酸和Vc含量,结合偏最小二乘法(partial least squares,PLS)分别建立TSS、可滴定酸和Vc含量的定标模型。采用定标模型分别对TSS、可滴定酸和Vc的验证集样品进行预测,预测决定系数Rp2分别为0.906,0.745,0.554,预测均方根误差(root-meansquare error of prediction,RMSEP)分别为0.628,0.048,2.230,且TSS的相对分析误差(relative prediction deviation,RPD)为3.31,可滴定酸和Vc的RPD分别为2.00,1.52。表明建立的枇杷TSS的定标模型可用于实际检测,枇杷的可滴定酸和Vc含量可采用近红外光谱进行检测,但检测精度有待于进一步的提高。     

基于高光谱成像技术快速检测茶叶茶多酚含量

目的 为了快速、无损的检测茶叶中茶多酚含量,建立一种精确、高效的多元校正模型。方法 首先利用高光谱成像技术采集单纵茶叶的光谱数据,其次通过二维相关光谱(two-dimensional correlation spectroscopy techniques,2D-COS)波段筛选算法提取特征光谱,最后结合极限学习机(extreme learning machine,ELM)建立茶多酚的预测模型,并与全波段模型进行对比。结果 经二维相关光谱算法所提取后的特征波段所建立的模型预测效果优于全波段模型。茶多酚的决定系数(correlation coefficient of cross-validation,R2)从0.89上升到0.94,预测值均方根误差(root mean square error of prediction,RMSEP)也从2.37%下降到2.16%。结论 表明二维相关光谱波段筛选算法有效的提取茶多酚的特征波段,对茶叶茶多酚含量的快速、无损预测具有可行性。     

基于特征选择与特征提取融合的鸡蛋新鲜度光谱快速检测模型优化

为有效提高鸡蛋新鲜度检测效率、优化检测模型,本研究结合波长特征选择和特征提取方法各自的优点,对二者进行有效融合共同优化鸡蛋新鲜度检测模型。利用一阶微分对550～950?nm范围内鸡蛋的可见-近红外透射光谱数据进行预处理,考虑到冗余光谱信息对模型精度的影响,使用特征选择方法中的竞争性自适应重加权(competitive?adaptive?reweighted?sampling,CARS)算法融合非线性特征提取局部切空间排列(local?tangent?space?alignment,LTSA)算法最小化光谱无用信息,建立支持向量机回归(support?vector?regression,SVR)模型,结果表明单一使用CARS特征波长选择建立模型得到训练集交叉验证相关系数(Rcv)为0.880 5,交叉验证均方根误差(root?mean?square?error?of?cross?validation,RMSECV)为8.59,预测集相关系数(Rp)为0.888 9,预测集均方根误差(root?mean?square?error?of?prediction,RMSEP)为8.42,融合LTSA特征提取方法后得到Rcv为0.896 0,RMSECV为8.04,Rp为0.898 3,RMSEP为8.18,与CARS-SVR模型相比较,融合模型预测精度均有所提高,同时数据维数再次减少14个,进一步简化了预测模型。研究表明,将特征选择与特征提取二者融合共同应用于鸡蛋可见-近红外光谱数据,不仅提升了光谱检测效率,而且提高了鸡蛋新鲜度预测模型精度,可为鸡蛋新鲜度光谱检测模型优化提供参考依据。     

基于模拟退火算法优化波长的面粉品质检测

模拟退火算法（simulated annealing algorithm,SAA）是一种随机搜索、全局优化算法,为提高近红外光谱检测面粉品质模型的准确度与稳健性,实验提出基于SAA优化波长,再结合偏最小二乘（partial least squares,PLS）法建模预测的定量模型,并对SAA中冷却进度表参数设置进行对比分析。实验依据面粉中灰分含量梯度,随机选取126 份样本的近红外光谱建立SAA-PLS模型。结果发现,SAA从2 074 个波数优选出70 个波数,结合PLS建立的定量模型相关系数为0.976 0,交互验证均方根误差（root mean square error of cross validation,RMSECV）为0.022,预测均方根误差（root mean square error of prediction,RMSEP）为0.030 1,全谱建立的PLS模型相关系数为0.778 5,RMSECV为0.066 6,RMSEP为0.076 8。结果表明,基于SAA优化特征谱区,建立灰分定量模型是可行的,且准确度与稳健性明显优于全谱定量分析模型。     

可见/近红外漫反射光谱无损检测甜柿果实硬度

该研究的目的是建立可见/近红外漫反射光谱无损检测甜柿果实硬度的数学模型,评价可见/近红外漫反射光谱无损检测甜柿果实硬度的应用价值。果实硬度采用果皮脆性、果皮强度和果肉平均硬度作为评价指标。在可见/近红外光谱区域(400～2 500 nm),采用改进偏最小二乘法,对比分析了不同导数处理、不同散射及标准化处理的甜柿果实硬度定标模型。结果表明,对于果皮强度和果皮脆性,采用最小偏二乘法、一阶导数处理和标准多元离散校正处理建立的定标模型预测效果较好,RP2分别为0.858和0.862,SEP分别为0.094和0.157,RPD分别为2.47和2.63。对于果肉平均硬度,采用改进偏最小二乘法、一阶导数处理和标准正常化和去散射处理建立的定标模型预测效果较好,RP2为0.82,SEP为0.063,RPD为2.35。因此,可见/近红外漫反射光谱无损检测技术可用于甜柿果实硬度的无损检测。     

基于近红外光谱技术的黄桃脆片可溶性固形物和硬度定量检测方法

以多批次黄桃脆片为分析对象,分别采集了可见/短波近红外光谱(400~1000 nm)和长波近红外光谱(1000~2500 nm)原始信息,分别采用标准正态变量变换(SNV)、多元散射校正(MSC)、移动平均平滑(MS),一阶导数(1-Der)预处理后,建立了全波段线性偏最小二乘法(PLS)和非线性支持向量机(SVM)预测模型,并结合外部试验进行可行性验证。结果表明,基于MSC-SVM的可见/短波红外光谱模型对可溶性固形物预测效果最佳,验证集的决定系数(R p)、预测均方根误差(RMSEP)、相对预测偏差(RPD)分别为0.761,1.998%和1.532;而基于MSC-SVM的长波近红外光谱模型对硬度预测效果相对最佳,对应R p、RMSEP和RPD分别为0.862,0.292 kg和1.991。基于近红外光谱系统可以实现对大批量黄桃脆片品质参数的快速无损检测。     

近红外分析技术快速检测白酒基酒中的总酯含量

采用近红外光谱分析技术,对基酒总酯进行无损检测研究。利用近红外光谱仪采集基酒样品在4000～10000 cm~(-1)波段内的光谱数据,首先对光谱数据进行一阶导数预处理,然后采用Si-PLS组合间隔偏最小二乘法优选特征波长,最后运用PLS偏最小二乘法建立基酒总酯模型。该模型校正集的决定系数R_C~2为0.95,校正集的均方根误差RMSEC为0.17;预测集的决定系数R_P~2为0.93、预测集的均方根误差RMSEP为0.19。与全波段光谱模型相比,该模型预测能力更强,稳定性更优。     

基于SiPLS- CARS 算法的百香果糖度无损检测

为建立一种无损快速检测百香果糖度的技术,以百香果为研究对象,利用近红外光谱技术,并结合联合区间偏最小二乘算法和竞争适应重加权采样算法对近红外光谱进行特征波长筛选,采用偏最小二乘法和支持向量机方法建立百香果糖度预测模型。结果表明：采用多元线性回归方法建立的模型优于多元非线性回归方法建立的模型,联合区间偏最小二乘算法和竞争适应重加权采样算法筛选出的特征波长点数为67 个,占全光谱的2.90%,预测模型的相关系数R2c 为0.972 7,校正集预测均方根误差（root mean square error of calibration,RMSEC）值为0.333 8,验证集的相关系数R2p 为0.967 2,验证集预测均方根误差（root mean square error of prediction,RMSEP）值为0.366 0,模型相对分析误差（relative prediction deviation,RPD）为4.506 6。研究结果能够实现百香果糖度的无损快速检测,并且可以将百香果糖度无损检测便携检设备中的模型进行简化。