基于CARS算法的脐橙可溶性固形物近红外在线检测

采用可见/近红外光谱在线检测装置进行赣南脐橙可溶性固形物含量在线检测模型优化研究。样品以5个/s的速度运动,采集可见/近红外漫透射光谱。光谱经过预处理后,分别应用向后区间偏最小二乘法（BiPLS）、遗传算法（GA）和正自适应加权算法（CARS）筛选特征变量,并通过外部验证评价PLS模型预测能力。一阶微分处理后经CARS筛选特征变量建立的PLS模型预测结果最优,预测相关系数和预测均方根误差分别为0.94和0.42%。结果表明CARS算法可有效简化赣南脐橙可溶性固形物可见/近红外光谱在线检测模型并提高模型的预测精度。     

近红外漫反射检测梨可溶性固形物SSC和硬度的研究

采用近红外漫反射光谱检测梨可溶性固形物(SSC)和硬度.采集梨的近红外漫反射光谱,光谱经梨的吸光度原始光谱、一阶微分和二阶微分预处理,分别采用多元线性回归、主成分回归和偏最小二乘法,建立了梨可溶性固形物(SSC)和硬度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的预测效果最好,可溶性固形物(SSC)和硬度定量数学校正模型的相关系数分别为0.9285和0.8478,均方根误差分别为0.4364°Birx和1.227.近红外漫反射光谱作为一种无损的检测方法用于评价梨可溶性同形物(SSC)和硬度是可行的.     

玉米主要品质便携式检测装置设计与试验

我国玉米产量高,高效、便携、低成本的玉米成分检测技术及其装置对于玉米品质的检测至关重要,基于可见/近红外光谱技术,设计了一款玉米主要品质便携式检测装置。为探究所设计方案的可行性,自行搭建了可见/近红外光谱采集系统,对不同品种共72份玉米样本进行光谱采集,分别建立了玉米籽粒蛋白质、脂肪和淀粉含量的偏最小二乘（PLS）预测模型以及结合竞争性自适应重加权算法（CARS）的CARS-PLS预测模型。结果表明,CARS方法可以有效筛选出各组分的相关变量,提升模型效果,各组分质量分数的预测集均方根误差（RMSEP）均有所下降, 蛋白质质量分数的RMSEP由0.4866%降至0.4068%;脂肪质量分数的RMSEP由0.1549%降至0.0989%;淀粉质量分数的RMSEP由0.4714%降至0.4675%。预测集相关系数Rp均有所提高,蛋白质质量分数的Rp由0.9309提升至0.9603;脂肪质量分数的Rp由0.9497提升至0.9770;淀粉质量分数的Rp由0.9520提升至0.9605。基于CARS方法所筛选的各组分特征变量,选择了合适的近红外光谱传感器,在此基础上设计了检测装置的光谱采集单元、控制单元、显示单元、电源单元以及散热单元,并基于NodeMCU开发板和Arduino IDE开发工具,采用Arduino语言对装置控制程序进行开发,实现“一键式”快速检测。试验验证了该装置的检测精度和稳定性,结果表明,预测玉米籽粒蛋白质、脂肪和淀粉质量分数的相关系数分别为0.8431、0.8243、0.8154,预测均方根误差分别为0.3576%、0.2318%、0.2333%,相对分析误差分别为1.8577、1.7761、1.5735。对同一样本多次重复预测,各组分预测值的变异系数分别为0.235%、0.241%和0.028%。     

鲜枣品种和可溶性固形物含量近红外光谱检

采用近红外光谱分析技术无损鉴别鲜枣品种和测定其可溶性固形物含量.对3个不同品种的鲜枣进行光谱分析,各获取30个样本数据.采用平滑法和多元散射校正方法对样本数据进行预处理,再用主成分分析法对光谱数据进行聚类分析并获得各主成分数据.将样本随机分成75个建模样本和15个预测样本,将建模样本的主成分数据作为BP神经网络的输入变量,鲜枣品种和可溶性固形物含量作为输出变量,建立3层人工神经网络鉴别模型,并用该模型对15个预测样本进行预测.结果表明,在阈值设定为±0.17的情况下该模型对预测集样本品种鉴别准确率达到100%,可溶性固形物含量预测值与实测值相对偏差小于10%.     

苹果可溶性固形物含量的检测方法——基于可见光近红外光谱技术

为了快速检测苹果的可溶性固形物(SSC)含量,采用可见光近红外光谱技术,结合主成分分析(PCA)和BP神经网络技术,来建立苹果SSC的预测模型.获取苹果样本在345～1039 nm波段的漫反射光谱,采用DPS数据处理系统对其进行主成分分析,并提取出累计可信度大于95 %的5个新主成分.建立一个3层的BP神经网络模型,并将这5个新的主成分作为BP神经网络模型的输入量,其结果是98 %以上预测样本的预测相对误差在5 %以下.该研究表明,采用近红外光谱技术来建立苹果可溶性固形物的预测模型是可行的.     

苹果可溶性固形物近红外在线光谱变量优选

为简化近红外光谱模型,提高对苹果可溶性固形物含量的预测精度,将移动窗口偏最小二乘法(MWPLS)与遗传算法、连续投影算法相结合优选特征变量,建立偏最小二乘回归校正模型。其中移动窗口偏最小二乘法和遗传算法相结合优选的36个光谱变量建立的校正模型预测结果最好,可以有效筛选近红外光谱特征波长,模型预测相关系数为0.90,模型的预测均方根误差为0.70°Brix。     

基于LED组合光源的水晶梨可溶性固形物和大小在线检测

该文探讨了近红外光谱技术结合发光二极管（LED）组合光源探头在线检测水晶梨的可溶性固形物和大小的可行性。试验中采用850、880和940 nm 3盏LED组成组合光源探头,每个水晶梨在均匀成单列的输送线上以每秒5个梨的速度运动,采用漫反射方式采集水晶梨的漫反射光谱。应用偏最小二乘（PLS）和最小二乘支持向量机（LS-SVM）方法建立了可溶性固形物和大小2个理化参数的校正模型,同时对不同光谱预处理方法（平滑、一阶微分、二阶微分）建立的模型的预测性能进行了对比分析,并通过外部验证来检验模型预测的准确性。利用平     

茶叶中低含量氨基酸近红外光谱定量分析模型研究

应用近红外光谱分析方法对茶叶中游离氨基酸进行定量分析。连续小波导数(CWD)和标准正态变量变换(SNV)用于光谱预处理;偏最小二乘回归(PLSR)方法用于校正模型构建;采用蒙特卡洛无信息变量消除(MCUVE)方法和连续投影算法(SPA)对建模变量进行优化。结果表明,CWD-SNV方法可以有效地提高茶叶光谱质量,消除光谱的平移误差;基于MCUVE-SPA的变量筛选方法极大地改善了模型的精度,实现了建模变量的有效压缩,模型的预测相关系数(Rp)和预测均方根误差(RMSEP)分别由0.851和0.117改善为0.895和0.107,建模变量由4 148减小为18;当氨基酸百分含量大于0.1%时,近红外光谱结合化学计量学方法可以得到较优的定量分析模型。为茶叶中低含量氨基酸的分析提供了一种快速简便的分析方法。     

基于近红外光谱技术的发育后期苹果内部品质检测

为了解发育后期苹果内部品质与近红外光谱特性之间的关系,给田间管理、实时采收等提供依据,利用近红外漫反射技术测量了发育后期3个月内"富士"苹果在833~2 500 nm波长范围内的光谱特性,并测量了各样品的内部品质参数(可溶性固形物含量、硬度、p H值和含水率),分析了单一波长下吸光强度与各内部品质参数之间的线性关系。结果表明,单一波长下吸光强度与苹果各内部品质参数之间的线性相关性均较弱,基于单一波长下的吸光强度很难预测苹果的内部品质。为此,结合化学计量学方法建立了预测可溶性固形物含量、硬度、p H值和含水率的最小二乘支持向量机和极限学习机(ELM)模型,并分析了主成分分析(PCA)、连续投影算法(SPA)和无信息变量消除法等3种降维方法对模型预测性能的影响。结果表明,预测可溶性固形物含量、p H值的最优模型为SPA-ELM,其RMSEP分别为0.443 5°Brix和0.006 8;预测硬度、含水率的最优模型为PCA-ELM,其RMSEP分别为0.2612 kg/cm2和0.623 5%。     

西瓜可溶性固形物含量近红外透射检测技术

设计的近红外透射式西瓜可溶性固形物含量（SSC）检测系统主要包括光纤光谱仪、光纤透射附件、数据采集卡以及自制光源。对50个麒麟瓜SSC进行了预测试验，采用主成分回归和偏最小二乘回归法分别建立了样品的原始光谱、一阶微分光谱、二阶微分光谱和SSC的预测模型，结果表明偏最小二乘回归法建立的模型具有较高的相关性，相关系数为0．951，均方根校正误差0．347，均方根预测误差0．302，样本真实值与预测值的相关系数为0．910。