两种近红外光谱仪的番茄可溶性固形物含量定量模型比较研究

以番茄可溶性固形物含量(SSC)的无损速测为例,分别采用线性渐变分光(LVF)、数字光处理(DLP)近红外光谱仪对大、小番茄采集近红外光谱数据;分别基于两种近红外光谱仪数据计算大、小番茄平均光谱及差谱,并比较两种近红外光谱仪所采集大、小番茄近红外光谱数据的特征;对两种近红外光谱仪的数据分别进行主成分分析(PCA),并比较了大、小番茄前3主成分的得分分布;按SSC梯度对数据进行分级,采用偏最小二乘(PLS)回归结合全交互验证算法分别基于两种近红外光谱仪数据建立番茄SSC定量校正模型。结果表明：(1)大、小番茄LVF近红外光谱的平均光谱及其差谱的光谱特征分别与DLP近红外光谱的平均光谱及其差谱的光谱特征相似。(2)大、小番茄LVF近红外光谱数据PCA前3主成分得分散点分离趋势不明显,而DLP近红外光谱数据PCA前3主成分得分散点基本上不具有分离趋势。(3)基于LVF近红外光谱数据所建各模型的相对预测性能(RPD)皆不低于2.11,其中标准化预处理所建模型具有最佳性能,模型维数(N_f)、校正测定系数(R_C²)、校正均方根误差(...     

近红外漫反射光谱检测赣南脐橙可溶性固形物的研究

研究了应用可见-近红外漫反射光谱技术快速检测赣南脐橙可溶性固形物的方法。以40个赣南脐橙为标准样本,利用漫反射光谱测定法获取完整赣南脐橙的可见-近红外光光谱(350～2 500 nm),采用多种光谱校正算法,选取不同的光谱波段范围对水果样本的漫反射二阶光谱进行有效信息的提取和分析,并结合偏最小二乘法和主成分回归等定量校正方法,建立了赣南脐橙可溶性固形物的定量数学模型。实验结果为: 在361～2 488 nm波段范围内,偏最小二乘法校正模型的预测精度最好,校正模型的相关系数为0.929,校正标准偏差和预测标准偏差分别为0.517,0.592,其预测集样本的预测值与真实值的相关系数为0.791。实验结果表明：应用近红外漫反射技术对赣南脐橙可溶性固形物的快速无损检测具有可行性。     

梨可溶性固形物含量的在线近红外光谱检测

应用近红外透射检测技术在线检测梨的可溶性固形物(SSC)。在实验台上以0.5 m·s-1的速度,300 W的光照强度,采用半透射方式检测梨的光谱。实验采用的梨样品为187个,其中147个样品为校正集,40个样品为预测集,应用偏最小二乘回归(PLS)和主成分回归(PCR)建立梨可溶性固形物的在线预测模型。选取550～700 nm, 700～850 nm, 550～850 nm为建模波段范围,发现无论对于PLS还是PCR,都是550～850 nm波段的建模结果好。本实验还研究对比不同的光谱预处理方法(光谱平滑,一阶微分,二阶微分等)对预测模型性能的影响,其中5点S-G(Savitzky-Golay)光谱平滑能有效地提高光谱的信噪比,改善模型预测精度,而一阶微分、二阶微分对模型性能改善基本上没有影响;最好的预测模型相关系数r=0.948 8, 校正标准差RMSEC=0.236,预测标准差RMSEP=0.548。结果表明：PLS模型预测性能较好,梨可溶性固形物的在线检测具有可行性。     

杏贮藏期间可溶性固形物和硬度的近红外光谱检测

以杏为材料,研究其贮藏期间可溶性固形物和硬度的近红外漫反射无损检测模型的建立方法。研究发现,定标建模最少样品量为100个。对于可溶性固形物,刚收获样品的校正模型对各贮藏阶段的预测效果均较好,决定系数(r2p)接近0.9、预测均方根误差(RMSEP)在0.6左右及相对分析误差(RPDp)达2.5以上;而且混合阶段模型的预测效果均优于采收及不同贮藏阶段的独立模型,r2p和RPDp分别达0.9和3.0以上、RMSEP在0.3—0.5之间。对于硬度,各阶段独立模型仅能粗略预测相应贮藏时期的样品,而混合阶段模型对各贮藏时期的样品均能实现快速分析,rp2和RMSEP分别在0.8和1.0左右、RPDp达2.0。结果表明近红外漫反射光谱可用于及时评价杏贮藏期间可溶性固形物和硬度的变化。     

基于UVE-ICA和支持向量机的南丰蜜桔可溶性固形物可见-近红外检测

利用可见-近红外光谱技术联合变量选择新方法对南丰蜜桔的可溶性固形物(SSC)进行快速无损检测研究,以简化南丰蜜桔SSC预测模型和提高预测模型性能。试验共采用300个南丰蜜桔样本,校正集、验证集及预测集样本分别为150,75和75个。采用QualitySpec型光谱仪在350~1 000 nm波段范围内采集样本光谱,利用无信息变量消除(UVE)剔除无用信息波长变量,再采用独立成分分析(ICA)提取光谱的独立成分,最后应用最小二乘支持向量机(LS-SVM)建立南丰蜜桔的SSC预测模型,并利用未参与建模的预测集样本对模型进行评价。研究结果表明,可见-近红外光谱技术联合UVE-ICA- LS-SVM对南丰蜜桔的SSC检测精度高。UVE-ICA可以有效剔除无用信息波长变量,提取特征光谱信息,简化预测模型及提高预测模型性能。UVE-ICA- LS-SVM所建立的南丰蜜桔SSC预测模型性能优于PLS,PCA-LS-SVM及ICA-LS-SVM预测模型,其校正集、验证集及预测集的决定系数和均方根误差分别为0.978,0.230%,0.965,0.301%及0.967,0.292%。     

近红外光谱技术定量测定杨梅汁可溶性固形物

采用近红外光谱分析技术对浙江省不同产地的杨梅汁进行了光谱测定和定量分析,通过计算样品的杠杆值、学生残差和马氏距离来判别异常样品,采用偏最小二乘法(PLS)对杨梅汁的可溶性固形物进行建模分析,选取不同的分辨率和波段范围对光谱进行有效的信息提取和分析,确定了最佳的回归因子数和用于定量分析的最优波段范围。结果显示： 杨梅汁样品中有一个为异常样品,在建模时予以剔除;用于杨梅汁可溶性固形物检测的最佳分辨率和最优波段分别是4 cm-1和4 000～12 267.46 cm-1,最佳的回归因子数是8,该PLS模型的相关系数为0.957 85,校正均方根误差(RMSEC)、预测均方根误差(RMSEP)和交互验证标准偏差(RMSECV)分别是0.431,0.925和1.07°Brix。研究表明近红外光谱检测技术能用于杨梅汁可溶性固形物的定量分析。     

番茄碰伤和可溶性固形物近红外光谱同时在线检测

可溶性固形物和碰伤是影响番茄品质的两个主要因素。研究的目的是探索可见近红外漫透射光谱同时在线检测番茄碰伤和可溶性固形物的可行性。在单通道送果速度5个每秒条件下,采集番茄近红外漫透射光谱。对比分析碰伤与正常番茄样品的近红外漫透射光谱特性,结果表明,碰伤与正常番茄样品的近红外漫透射光谱在光强上存在明显差异,碰伤果光强要强于正常果,其原因可能是碰伤后果肉变软,透光性变强;在650和675 nm处碰伤果比正常果要多两个吸收峰,可能是碰伤后,番茄表皮颜色发生变化所致。选取贡献率占比最多的前三个主成数,对正常果与碰伤果近红外漫透射光谱主成分定性分析,正常果与碰伤果不能有效聚类,故近红外漫透射光谱主成分定性分析效果不明显,需选择建立高维近红外漫透射光谱定性判别模型。故建立了碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型,误判率为0%,能正确判别碰伤果,故选用碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型作为番茄碰伤果在线剔除分选模型。通过对未参与建模的样品进行验证,能正确识别出碰伤果。经近红外漫透射光谱偏最小二乘定性判别模型剔除碰伤果后,按照可溶性固形物指标进行分级。分别使用全部波段和606～850 nm的波段进行建模预处理,且对全部波段和606～850 nm波段光谱进行2阶导数预处理,前后平滑设为9,利用连续投影算法与遗传算法优选可溶性固形物的光谱建模变量,对比发现,利用未经算法筛选过的606～850 nm波段光谱变量进行建模,效果最好,建立了可溶性固形物在线检测模型,预测集均方根误差为0.43 Brix°。采用未参与建模的样品进行碰伤和可溶性固形物同时在线检测验证,碰伤样品的分选准确率达96%,可溶性固形物样品的分选准确率达91%。表明：番茄碰伤和可溶性固形物近红外漫透射光谱同时在线检测是可行的。     

基于SiPLS算法的近红外光谱检测梨可溶性固形物含量

为了提高近红外光谱技术在梨的可溶性固形物含量(SSC)检测中的精度和稳定性,对采集的原始光谱进行标准归一化(SNV)预处理,采用联合区间偏最小二乘法(SiPLS)建立了SSC的预测模型;通过交互验证法确定了模型的主成分因子数,以预测时的相关系数(Rp)和预测均方根误差(RMSEP)作为评价指标对模型预测结果进行了分析,并与经典偏最小二乘(PLS)模型、间隔偏最小二乘(iPLS)模型进行了比较.结果表明,利用SiPLS所建的预测模型的最优组合包含21个光谱区间并联合4个子区间和15个主成分因子,其预测集的相关系数和预测均方根误差分别为0.9633和0.203;说明利用近红外光谱结合SiPLS算法可以准确、无损检测梨中可溶性固形物含量.     

近红外光谱定量分析技术在枇杷可溶性固形物无损检测中的应用

应用近红外漫反射光谱定量分析技术对两个产地三个品种枇杷的可溶性固形物进行无损检测试验研究。通过分析,发现在波长1 400～1 500 nm和1 900～2 000 nm两段范围,样品的可溶性固形物与光谱吸光度之间的相关系数较高;用偏最小二乘回归PLSR、逐步多元线性回归SMLR和主成分回归PCR三种方法分别建立这两个波段和全波段范围的模型,全波段的PLSR模型的效果较优。研究发现一阶和二阶微分光谱建立的模型均不如原始光谱建立的模型效果好。最终建立三个品种枇杷样品的原始光谱在全波段范围经17点平滑后的PLSR模型,模型的校正集和预测集的相关系数分别为0.96和0.95。研究表明近红外光谱检测技术可用于枇杷可溶性固形物含量的定量分析。     

基于近红外漫反射光谱无损检测梨可溶性固形物的光强影响探究

通过设置四种不同的光源强度研究光强对近红外漫反射无损检测梨可溶性固形物的影响,对四种类别光强的光谱定性分析显示四类光谱差异微小,肉眼几乎无法辨别。在进一步的定量分析中,通过主成分分析、逐步线性回归分析以及偏最小二乘法分析的比较,主成分分析(r值跨度：0.253～0.606;RMSEC值跨度：0.549～0.614;RMSEP值跨度：0.455～0.752)与逐步线性回归分析(r值跨度：0.249～0.551;RMSEC值跨度：0.536～0.624;RMSEP值跨度：0.646～0.734)得到的模型较差。通过对光谱进行一阶求导和二阶求导预处理,主成分分析与逐步线性回归分析建模结果仍不理想。通过二阶求导预处理,偏最小二乘法所建的模型得到优化,其中相关系数r值跨度为0.947～0.970,混合模型的相关系数r值达到了0.95 7,分析结果表明光强对梨的近红外漫反射光谱无损检测可溶性固形物的影响差异不大,为光谱仪的田间作业奠定了基础。     

近红外漫反射光谱检测梨内部指标可溶性固性物的研究

旨在建立近红外漫反射光谱与梨水果内部可溶性固形物之间的关系,以评价近红外漫反射光谱在测量梨水果内部指标可溶性固形物的应用价值。应用近红外光谱(350～1 800 nm),采用多元线性回归(MLR)、主成分回归(PCR)和偏最小二乘法(PLS)三种不同的数学校正方法对梨水果的可溶性固形物(SSC)进行了定量分析,并且对梨水果不同位置的吸光度原始光谱,一阶微分和二阶微分三种不同预处理情况下的模型进行了最优化分析。在梨水果赤道部位预测结果较为理想,采用一阶微分预处理方法下应用PLS方法。研究结果为预测集的相关系数为0.851 7, 预测样本均方根误差为0.879 3。研究表明,近红外漫反射光谱可以作为一种准确、可靠和无损的检测方法用于评价梨水果内部指标可溶性固形物。     

基于近红外光谱分析技术测定库尔勒香梨硬度

采用近红外(NIR)漫反射光谱法对新疆特色梨果库尔勒香梨的五种不同果（包括青头、粗皮、脱萼、宿萼、突顶果）的硬度进行测定。由于近红外光谱数据量大且原始光谱噪声明显、测定水果时散射严重等导致光谱建模时关键波长变量提取困难。以新疆库尔勒香梨为研究对象,为了有效地消除固体表面散射以及光程变化对NIR漫反射光谱的影响,首先采用标准正态变量变换（SNV）和多元散射校正（MSC）对库尔勒香梨的原始光谱进行预处理。为寻找适合近红外光谱检测库尔勒香梨硬度的最佳特征波长筛选方法,进行香梨近红外光谱的特征波长变量选择方法的比较与研究。研究比较了两种特征波长筛选方法对库尔勒香梨硬度偏最小二乘法（PLS）建模精度的影响。同时使用反向偏最小二乘（BiPLS）和遗传算法结合反向偏最小二乘（BiPLS-GA）在全光谱范围内筛选香梨硬度的特征波长变量,将校正均方根误差（RESMC）、预测均方根误差（RESMP）以及决定系数（R2）作为模型的评价标准,并最终确定最优波段选择方法及最佳预测模型。基于选择的特征波长变量建立的PLS模型（BiPLS-GA）与全光谱变量建立的PLS模型进行比较发现BiPLS-GA模型仅仅使用原始变量中6.6%的信息就获得了比全变量PLS模型更好的库尔勒香梨硬度的预测结果,其中R2,RMSEC和RMSEP分别为0.91,1.03和1.01。进一步与基于反向偏最小二乘算法（BiPLS）获得的特征变量建立的PLS模型比较发现,BiPLS-GA不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,使得建模变量从301个减少到20个。极大地简化模型的同时有效地提高了模型的预测精准度和稳定性。因此该方法能够有效地用于近红外光谱数据变量的选择。证明了近红外光谱分析技术结合BiPLS-GA模型能够高效地选择出建模变量,去除与库尔勒香梨硬度无关的近红外光谱信息,显著地提高库尔勒香梨硬度定量模型的预测精度。这不仅为新疆地区特色梨果库尔勒香梨的快速、精确、无损优选分级提供一定的技术支持,同时也为基于近红外光谱分析技术预测水果内部品质的研究提供了参考。     

基于Vis/NIR光谱技术的酿酒葡萄成熟期间SSC预测研究

酿酒葡萄成熟度是确定葡萄采收期的重要品质指标,针对酿酒葡萄大田中成熟度检测难度大的问题,利用可见/近红外（Vis/NIR）光谱技术和化学计量学,研究了酿酒葡萄可溶性固形物含量（SSC）与光谱数据之间的内在联系。采用USB2000+光谱仪获取5种酿酒葡萄及其叶片在不同成熟时期的Vis/NIR光谱数据,通过OMNIC 8.0软件提取光谱数据,将化学值与光谱吸收率值通过TQ Analyst8.0软件建立模型。选取信噪比高的450~1 000 nm波段,利用PCA剔除异常光谱数据,将一阶导数（FD）、Savitzky-Golay卷积平滑（S-G）、多元散射校正（MSC）、标准正态变换（SNV）分别组合共4种方法用于光谱数据预处理。利用偏最小二乘（PLS）法分别建立了5种葡萄基于酿酒葡萄光谱数据的SSC预测模型,建立了5种葡萄基于冠层叶片光谱数据的SSC预测模型,对比了不同方式预处理后的建模效果,并选择最优预处理方式建模。最后用外部样本分别验证了SSC预测模型。结果表明,采用S-G平滑+FD+MSC的预处理方法时大多数预测模型性能达到最好。5种葡萄浆果校正集和验证集的R分别达到0.93和0.86以上,最高均方根误差分别为0.30和0.48,5种葡萄冠层叶片校正集和验证集的R分别达到0.73和0.65以上,最大均方根误差分别为0.95和0.75。5种葡萄浆果外部试验样本预测值与真实值间的平均RE最高为0.43%。基于酿酒葡萄浆果光谱的SSC预测模型具备良好的预测能力,优于基于酿酒葡萄冠层叶片光谱的SSC预测模型,SSC预测模型能够为酿酒葡萄成熟度评价研究提供理论参考。Vis/NIR光谱技术适用于在酿酒葡萄大田中快速、无损检测SSC。     

基于近红外反射光谱的洋葱可溶性固体物检测

研究利用近红外(924～1 720 nm)反射光谱预测了洋葱的可溶性固体物含量。实验选取了三种不同产地和不同采收期的洋葱为样本(268)。在重复采集光谱数据之后,榨取对应光谱采集处洋葱块汁,测定可溶性固体物参考值。研究对比了Savitzky-Golay平滑、散射校正和微分处理等预处理方法,同时基于偏最小二乘回归方法建立了统计模型。结果表明,带S-G平滑的微分处理在平滑窗口为32,跨度为10时效果最佳。一阶微分比二阶微分的预处理效果要好,预测复相关系数R2为0.87,均方根误差RMSEP为2.42 °Brix。对比显示,无平滑处理光谱数据散射校正预处理得到的结果最好,预测复相关系数R2为0.88(RMSEP=2.31 °Brix)。采用交叉验证得到的PLSR模型预测复相关系数R2为0.90,RMSEP为1.84 °Brix,其相对分析误差RPD为3。说明加散射校正处理的近红外反射光谱可用于洋葱的可溶性固体物检测。     

基于BP-ANN和PLS的近红外光谱无损检测李果实品质的研究

可溶性固形物(SSC)和可滴定总酸(TA)含量是影响李果实品质的重要指标,经典的破坏性检测方法不适用于果实按品质分级,近红外光谱(NIRS)检测方法具有速度快、操作简便、可无损检测果实品质。为实现NIRS无损快速检测安哥诺李果实可溶性固形物和可滴定总酸含量,利用NIRS采集李果实的漫反射光谱,同时采用糖度计测定安哥诺李果实的SSC,采用滴定法测定了李果实TA含量,使用杠杆值和F概率值剔除异常样品,采用软件优化结合人工筛选光谱波段,使用了消除常数偏移量、减去一条直线、矢量归一化(SNV)、最大-最小归一化、多元散射校正(MSC)、一阶和二阶导数结合平滑处理、一阶导数结合减去一条直线和平滑处理、以及一阶导数结合SNV或MSC校正等光谱预处理方法,分别采用偏最小二乘法(PLS)和主成分分析结合反向传播人工神经网络(BP-ANN)建立李果实SSC、 TA的定量分析模型。结果表明,李果实SSC和TA的最佳PLS建模效果波段范围分别为4 000～8 852和4 605～6 523 cm^-1。SSC的PLS模型的最佳光谱预处理方法为MSC校正,最佳模型校正相关系数(R_...     

应用CARS和SPA算法对草莓SSC含量NIR光谱预测模型中变量及样本筛选

采用光谱技术对水果进行定量或定性分析,如何获得一个简单、有效的校正模型对后续模型的应用和维护都非常关键。以草莓内部品质近红外光谱预测为例,从关键变量和特征样本优选两方面进行研究。采用竞争性自适应重加权CARS算法对光谱变量进行初次选择,随后采用连续投影算法SPA对校正集样本进行优选,获得98个特征样本,针对优选后的变量/样本子集利用SPA算法作二次关键变量提取,获得25个关键变量。为了验证CARS算法的性能,蒙特卡罗无信息变量消除MC-UVE和连续投影算法SPA用于比较研究。CARS算法在消除无信息变量的同时可以对共线性信息进行去除。同样,为了评估SPA算法在特征样本选择中的性能,经典的Kennard-Stone算法也用于比较分析。SPA算法能够用于校正集特征样本的优选。针对最终优选后的变量/样本(25/98)子集建立PLS和MLR模型对草莓内部可溶性固形物含量SSC含量进行定量预测。结果表明,两个模型利用原始变量/样本的0.59%/65.33%的信息均能够获得比基于原始变量/样本所建模型更好的性能,且MLR模型比PLS模型性能略优,r2_pre,RMSEP和RPD分别为0.909 7,0.348 4和3.327 8。     

基于变量优选和快速独立成分分析的黄花梨可溶性固形物可见/近红外光谱检测

为建立预测能力高、稳定性强的可见/近红外漫透射光谱无损检测黄花梨可溶性固形物(SSC)数学模型,对比各种预处理方法、变量优选方法、快速独立主成分分析(FICA)以及最小二乘支持向量机(LS-SVM)对黄花梨SSC模型的影响,得出最佳的组合方法用于建立黄花梨可溶性固形物(SSC)预测模型。采用Quality Spec型光谱仪采集550~950 nm波段范围内的黄花梨漫透射光谱并采用遗传算法、连续投影算法和CARS(competitive adaptive reweighted sampling)三种方法筛选黄花梨可溶性固形物的光谱特征变量,再结合FICA提取光谱主成分,最后采用LS-SVM建立黄花梨的SSC预测模型。结果显示,采用CARS筛选的21个变量,经FICA挑选出12个主成分数,联合LS-SVM所建立的CARS-FICA-LS-SVM黄花梨SSC预测模型性能最佳,建模集和预测集的决定系数及均方根误差分别为0.974,0.116%和0.918,0.158%,同直接采用PLS方法建模相比,变量数从401个下降到21,主成分数由14下降到12,建模集和预测集决定系数分别上升了0.023,0.019,而建模和预测均方根误差分别下降了0.042%和0.010%。CARS-FICA-LS-SVM建立黄花梨SSC预测模型能够有效地简化预测模型并提高预测模型精度。