基于可见/近红外光谱无损检测苹果可溶性固形物的光照优化

为优化光照在提高可见/近红外光谱无损检测苹果可溶性固形物含量（SSC）精度中的应用,实验比较了四种光照方式对USB2000+微型光谱仪采集苹果随机摆放位置时的透射光谱信号。在剔除光谱异常样本并经光谱预处理后,与常规方法检测的SSC建立偏最小二乘（PLS）回归模型。通过比较模型的预测均方根误差（RMSEP）与相关系数（rp）,结果发现低角度、多光源组合的光照方式最好,模型预测结果为rp=0.804、RMSEP=0.635。该光照方式可为今后便携装置、在线检测的光源设计提供参考。      

可见/近红外光谱半透射法检测苹果中可溶性固形物含量

目的 检验自行搭建的半透射光谱采集平台检测水果中可溶性固形物含量的可行性, 并比较不同光谱采集方式对光谱模型的影响。方法 以红富士苹果为检测对象, 光谱采集平台中的USB2000 光谱仪采集半透射光谱数据, AntarisⅡ FT-NIR光谱仪采集漫反射光谱数据, 同标准法检测得到的苹果可溶性固形物含量建立偏最小二乘(PLS)模型, 并结合不同的预处理方式优化近红外光谱模型。结果 比较发现采用半透射的光谱采集方式优于漫反射方式。半透射光谱采用平滑处理后模型预测性能最佳, 对样本预测得到相关系数为0.937, 均方根误差为0.517。结论 自行搭建的光谱采集平台可行, 为今后检测水果的光谱采集方式提供参考。     

苹果可溶性固形物的可见/近红外无损检测

利用可见/近红外光谱对苹果可溶性固形物含量进行检测,并建立了最优预测模型。通过400～1 000 nm高光谱成像系统采集了120个"富士"苹果图像,分析比较了二阶导数(second derivative,SD)、标准正态变换(standard normal variation,SNV)以及多元散射校正(multi-scatter calibration,MSC) 3种光谱预处理方法对预测模型的检测效果;分别应用连续投影算法(successive proiection algorithm,SPA)和竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)对光谱数据进行降维,进而建立基于特征光谱的误差反向传播(error back propagation,BP)网络和多元线性回归(multiple linear regression,MLR)预测模型。结果表明,二阶导数预处理后的BP网络模型优于原始光谱及其他预处理方法;通过提取特征波长建立的SPA-BP网络模型的预测性能最优,其预测集相关系数rp和均方根误差(root mean ...     

基于近红外光谱技术检测苹果气调贮藏期可溶性固形物含量

目的 基于近红外光谱技术结合偏最小二乘（Partial least square, PLS）法和最小二乘支持向量机回归（Least square-support vector regression, LS-SVR）法建立苹果气调贮藏期可溶性固形物（Soluble solids contents, SSC）含量预测模型。方法 在分析了气调贮藏期苹果细胞结构和SSC变化的基础上,采集了可见-近红外（Visible-near infrared, Vis-NIR）波段和长波近红外（Long wave near infrared, LWIR）波段下不同贮藏时间的苹果漫反射光谱信息,利用主成分分析方法（Principal component analysis,PCA）分析不同贮藏期苹果光谱信息分布特征,使用Kennard-Stone（K-S）算法以3:1比例对样本集进行划分,使用多元散射校正（Multiplicative scatter correction, MSC）和SG（Savitzky-Golay）平滑对光谱进行预处理,利用连续投影算法（Successive projections algorithm, SPA）和竞争自适应重加权采样（Competitive adaptive reweighted sampling, CARS）法对光谱进行特征波长提取,并建立SSC预测模型。结果 在LWIR波段下,经MSC预处理和CARS提取特征波长后建立的PLS模型取得了较好的预测精度,模型相关系数为0.900,均方根误差为0.478;经MSC、SG平滑预处理和CARS提取特征波长后建立的LS-SVR模型取得了更好的预测精度,模型相关系数为0.927,均方根误差为0.507。结论 构建的基于可见/近红外光谱无损预测模型可实现对气调贮藏期苹果SSC的准确预测,为高效贮藏技术提供了理论基础。     

基于深度学习的西瓜可见/近红外光谱可溶性固形物预测模型研究

通过可见/近红外光谱技术结合K最近邻法回归、随机森林回归、深度卷积神经网络及带有残差块的深度卷积神经网络4种化学计量学方法对不同糖度的西瓜进行定量判别,并借鉴适用于图像处理的深度网络模块对可见/近红外光谱进行建模。结果表明,深度学习网络模块一维化在可见/近红外光谱数据处理中体现了巨大潜力,卷积神经网络CNN模型在预测集中Rp为0.855 9,RMSEP为0.778 1°Brix,加入Res-block后的改进卷积神经网络Res-CNN在预测集中Rp为0.893 2,RMSEP为0.710 4°Brix。     

基于可见/近红外光谱的南丰蜜桔可溶性固形物预测模型优化研究

利用可见/近红外光谱技术对蜜桔可溶性固形物含量进行检测研究。采用QualitySpec型光谱仪采集蜜桔的可见/近红外透射光谱,结合多种预处理方法、三种变量优选方法以及三种建模方法进行对比研究。经比较发现,采用CARS(competitive adaptive reweighted sampling)结合多元线性回归(MLR)建立的蜜桔SSC模型效果有很大提升,变量数从401减少到27,预测相关系数由0.949上升为0.973,预测均方根误差下降了0.135,因子数下降到1。结果表明,可见/近红外漫透射光谱结合CARS方法联合MLR建模能有效优化蜜桔SSC预测模型。      

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。     

基于可见/近红外光谱技术的便携分析仪的应用

目的为解决水果内部品质信息的快速无损检测,自主研制了一台基于可见/近红外光谱技术的便携式分析仪,通过试验验证其可行性及所建模型的鲁棒性。方法以红富士苹果为检测对象,采集透射光谱曲线,与化学指标可溶性固形物含量(soluble solid content,SSC)分别建立基于平均光谱、基于各采样光谱的偏最小二乘(partial least squares,PLS)回归模型,比较预测精度并对非同批次样本进行预测。结果试验表明该分析仪对苹果SSC具有较高的测量精度,特别是基于各采样光谱的PLS模型,对同批次样本预测相关系数(Rp)达到0.924,预测均方根误差低至0.429%Brix,预测精密度(平均偏差)低至0.136%Brix,对非同批次样本SSC表现出较强的鲁棒性能,预测均方根误差为0.531%Brix。结论通过此项研究,表明该便携分析仪可用于水果内部品质信息的定量分析,并建议采用基于各采样光谱建立的回归模型用于外来样本的预测。     

基于可见/近红外光谱和变量选择的脐橙可溶性固形物含量在线检测

为联合可见/近红外光谱技术和变量选择方法在线检测脐橙主要内部品质指标可溶性固形物(SSC),分别选定脐橙校正集和预测集样本141个和47个,脐橙运输速度为0.3m/s,利用USB4000微型光谱仪在线采集脐橙样本的可见/近红外光谱,先分别采用无信息变量消除(UVE)和遗传算法(GA)对650～950nm波段范围的波长变量进行预筛选,再分别利用竞争自适应重加权采样(CARS)及连续投影算法(SPA)对波长变量进一步筛选,并应用偏最小二乘(PLS)方法分别建立脐橙SSC的在线预测模型,并与原始光谱等建立的预测模型进行比较。结果表明,对于脐橙SSC,预筛选方法GA优于UVE方法,变量选择方法CARS优于SPA方法;GA-CARS及GA-SPA联合变量选择方法优于对应的单一变量选择方法CARS及SPA。在上述变量选择方法中,GA-CARS方法获得的结果最优,其所建立的脐橙SSC的PLS模型的校正集和预测集相关系数分别为0.933和0.824,校正集和预测集均方根误差分别为0.429%和0.670%,性能优于原始光谱建立的PLS模型,且建模波长变量数由1 385个下降为78个,仅占原波长变量数的...     

基于可见-近红外漫反射光谱技术的葡萄贮藏期间可溶性固形物定量预测

利用可见-近红外漫反射光谱技术,建立不同品种葡萄贮藏期间可溶性固形物含量定量预测的通用模型。以10 ℃贮藏的玫瑰香葡萄、马奶葡萄、红提葡萄的混合光谱为定标材料,探讨不同化学计量学建模方法、不同光谱预处理方法、间隔点、平滑数以及不同特征波长区间选择对建模效果的影响及模型的品种适用性。结果显示,采用改进偏最小二乘法,16 点平滑,间隔点数16 点,结合二阶导数、去散射的处理方法,在波长范围408～1 092.8 nm内建立的模型效果最优,其交互验证误差和交互验证判定系数R2CV分别为0.308 7、0.980 2。由3 种葡萄混合组成的预测集对模型进行评价,预测标准差0.354、预测判定系数Rp2为0.980 8、验证相对分析误差为6.22、预测残差平方和为7.993。模型对单一品种预测Rp2均达到0.94以上。因此,葡萄果实可溶性固形物含量的近红外预测模型具有可行性,可同时适用于多种葡萄品种。     

基于近红外光谱技术检测蓝莓可溶性固形物含量

采用近红外漫反射光谱技术对辽宁丹东蓝莓基地的六个蓝莓品种(埃利奥特、达柔、爱国者、北蓝、杜克、蓝丰)进行光谱分析,快速无损测定蓝莓可溶性固形物含量,利用一阶导数进行光谱预处理,主成分分析(PCA)和偏最小二乘法(PLS)建立蓝莓可溶性固形物预测模型。结果表明,所建模型的相关系数(Corr.Coeff.)为0.91518、校正集标准偏差(RMSEC)为0.801、预测集标准偏差(RMSEP)为1.06。该方法快速、准确、无损,能准确地预测蓝莓中可溶性固形物含量。     

基于近红外光谱技术检测蓝莓可溶性固形物含量

采用近红外漫反射光谱技术对辽宁丹东蓝莓基地的六个蓝莓品种(埃利奥特、达柔、爱国者、北蓝、杜克、蓝丰)进行光谱分析,快速无损测定蓝莓可溶性固形物含量,利用一阶导数进行光谱预处理,主成分分析(PCA)和偏最小二乘法(PLS)建立蓝莓可溶性固形物预测模型。结果表明,所建模型的相关系数(Corr.Coeff.)为0.91518、校正集标准偏差(RMSEC)为0.801、预测集标准偏差(RMSEP)为1.06。该方法快速、准确、无损,能准确地预测蓝莓中可溶性固形物含量。      

近红外无损检测寒富苹果可溶性固形物含量(TSS)

应用波长为643.26～985.11 nm的Purespect近红外透射光谱仪,分析了储藏时间对吸光度的影响。对不同储藏期寒富苹果的校正集样品进行了各自建模和共同建模,并研究了模型的差异性。结果表明:建立的共同模型预测结果较好,模型的相关系数(RC)为0.948,校正均方根误差(RMSEC)为0.468,预测均方根误差(RMSEP)为0.456,偏差(Bias)为0.027。该模型扩大了校正集样品化学成分含量的范围,提高了模型的适用范围,能满足实际生产要求。     

玉露香梨可溶性固形物近红外漫透射光谱在线检测

应用近红外漫透射光谱技术探索玉露香梨可溶性固形物在线无损检测的可行性。358个试验样本被分成建模集和预测集(269∶89),分别用于建立模型和验证模型的预测能力。通过对玉露香梨样品近红外漫透射光谱分析发现,样品光谱在625,725,800nm处存在3个波峰,在673,765,825nm处存在3个波谷。通过对比不同预处理方法,发现漫透射近红外光谱分别经一阶微分、移动窗口平滑和多元散射校正组合预处理后建立的模型效果最好。结合组合预处理方法建立了偏最小二乘和偏最小二乘支持向量机预测模型,经比较,偏最小二乘支持向量机模型预测能力更强,模型预测均方根误差和相关系数分别为0.316%和0.949。对比发现主成分分析和径向基函数有利于提高最小二乘支持向量机模型的预测能力。试验结果表明采用近红外漫透射光谱技术结合最小二乘支持向量机算法,实现了玉露香梨可溶性固形物在线无损检测。     

近红外光谱变量选择及其在苹果可溶性固形物含量无损速测中的应用

目的采用近红外光谱技术,筛选有效变量对苹果可溶性固形物含量进行无损快速检测。方法以改进无变量信息消除算法为变量筛选方法,采用多元线性回归算法建立校正模型,采用外部盲样对模型进行预测准确度评价。结果基于改进无信息变量消除算法,筛选1391、1435、1521、1589nm4个关键波长作为变量,其所建校正模型的测定系数为0.6823,校正误差均方根为1.06,交互验证测定系数为0.6780,交互验证误差均方根为1.06。外部验证测定系数为0.6585,预测误差均方根为1.07。经F检验,预测模型的预测值与测定值之间具有显著相关性。结论该方法基本能够满足苹果可溶性固形物含量无损快速检测的需求,并可为水果可溶性固形物含量无损快速检测仪器的研制提供一定的技术参考。     

近红外漫反射光谱检测网纹瓜可溶性固形物含量的研究

目的:利用近红外漫反射光谱检测网纹瓜可溶性固形物含量.方法:用偏最小二乘回归建模方法比较取样部位以及7种光谱预处理对建模的影响.结果:在有效信息波谱范围6101.9～5446.2cm-1和4601.5～4246.6 cm-1,对3个取样部位(共9个检测点)的平均光谱应用偏最小二乘结合矢量归一化建立模型,其决定系数R2=0.8647,内部交叉验证均方根差RMSECV为0.412.用此模型预测验证集22个样本,模型的R2=0.8895,预测标准偏差RMSEP为0.339.结论:该模型能够满足网纹瓜可溶性固形物含量快速检测的要求.     

䥺Symbol`@@基于近红外光谱漫透射技术的苹果可溶性固形物含量在线检测

为研究苹果的内部品质,提高检测的速度和稳定性,将近红外光谱漫透射技术应用于在线检测研究,并采取偏最小二乘回归(PLSR)算法结合不同光谱预处理方法建立苹果内部的可溶性固形物含量(SSC)的定量模型。结果表明:采用一阶微分结合多元散射校正(MSC)预处理后的模型最稳定,校正集和预测集的标准差分别为0.17和0.39,校正集的相关系数也达到0.988 3。试验结果说明近红外光谱漫透射技术能够快速、无损地检测出苹果的可溶性固形物含量。     

基于可见/近红外光谱和变量优选的南水梨糖度在线检测

利用可见/近红外光谱技术对南水梨糖度进行在线检测研究。南水梨样本以0.3m/s速度传输,并采用USB4000光谱仪在470~1 150nm波段范围内采集南水梨样本的光谱。然后,利用3种变量选择方法对波长变量进行筛选,应用偏最小二乘(PLS)方法分别建立南水梨糖度的在线预测模型,并分析预测模型性能的优劣。结果表明:可见/近红外光谱技术结合变量选择方法在线检测南水梨的糖度是可行的;竞争自适应重加权采样(CARS)方法优于无信息变量消除(UVE)及连续投影算法(SPA);CARS方法可以有效简化预测模型并提高预测模型的性能;南水梨全光谱PLS及CARS—PLS糖度预测模型的预测集相关系数和预测均方根误差(RMSEP)分别为0.940,0.951和0.467%,0.420%。     

近红外漫反射无损检测梨果可溶性固形物的研究

应用近红外漫反射无损检测梨果可溶性固形物。通过自行设计的NIR光谱系统测定了240个梨果样品的SSC。180个梨果样品用来建模,其余60个用来验证模型的性能。采集完整梨果的近红外漫反射光谱（350～1 800 nm）,光谱经移动窗口平滑处理、一阶微分和二阶微分预处理后,再分别采用多元线性回归、主成分回归和偏最小二乘法,建立梨果可溶性固形物的定量预测数学模型。结果表明：采用一阶微分结合偏最小二乘法所建模型的预测效果较好,可溶性固形物定量预测数学模型的相关系数为0.928 5,均方根误差为0.436 4。近红外漫反射光谱作为一种无损的检测方法,可用于评价梨果的可溶性固形物。     

紫外/可见光谱技术无损检测李子可溶性固形物含量

利用光谱技术结合化学计量学对李子可溶性固形物含量检测进行研究,为李子品质无损检测提供科学方法。通过反射式光谱采集系统获取了\