基于近红外高光谱图像的花生内部霉变快速判别方法研究

目的 针对外观正常但内部存在不同程度霉变的花生,探索采用近红外高光谱成像技术结合机器学习方法构建花生内部霉变快速无损判别模型的可行性。方法 采集100粒内部霉变和100粒健康花生的近红外高光谱图像构成数据集,将多种经典光谱预处理方法与支持向量机(support vector machine, SVM)组合建立花生内部霉变判别模型,并采用蒙特卡洛-无信息变量消除法(Monte Carlo-uninformative variable elimination,MC-UVE)找出霉变判别中有效的光谱特征波长。结果 将Savitzky-Golay卷积平滑方法和二阶求导光谱预处理方法与SVM组合,对内部霉变严重样本判别的总体识别准确率可达95%,对不同程度内部霉变样本的平均识别准确率为88%;基于MC-UVE筛选得到10、5、3个特征波长构建的模型总体识别准确率为90%、85%和82%。结论 实验结果表明高光谱技术结合机器学习可为花生内部霉变的快速、无损判别提供可行的解决方案,同时特征波长筛选为基于光电原理的霉变花生色选机系统开发提供了参考。     

基于霉菌酵母测试片和NIR技术快速鉴别霉变烟草最优势霉菌种类

为对烟草的最优势霉菌种类进行更具时效性的监控,本文首次提出一种霉菌酵母测试片结合NIR技术快速鉴别霉变烟叶上最优势霉菌种类的方法。将霉变烟叶上的霉菌用生理盐水稀释成不同梯度,并将稀释液制备成含菌测试片。应用NIR技术对培养后的含菌测试片进行光谱采集,获得具有不同种类最优势霉菌特征信息的近红外光谱数据。利用离散小波变换对光谱进行预处理,探究基于不同的小波基函数和小波分解层数的光谱预处理效果,运用随机森林算法构建不同最优势霉菌种类的鉴别模型。训练集识别正确率达98.25%,测试集预测正确率达99.30%,模型分类性能良好,能够用于识别常见的烟草最优势霉菌种类。本方法操作步骤简单,检测速度快,预测准确率高,为特定环境微生物种属鉴定提供了新的思路。     

油茶果自然霉变程度的可见/近红外与中短波近红外光谱检测

分析利用可见/近红外光谱（400～1 000 nm）与中短波近红外光谱（900～1 700 nm）对不同自然霉变程度油茶果检测判别的可行性,实验同时采集不同霉变程度油茶果赤道阴面、阳面和接合面三点的两波段光谱,样品平均光谱的主成分分析（principal component analysis,PCA）发现不同霉变程度样品同组内具有一定聚类效果且PC1和PC2对于判别不同组间样品有效,全光谱偏最小二乘判别分析模型结果显示原始光谱已具有足够信息,建立的模型性能比预处理后全光谱更优。进一步进行特征波长选取,发现相比于PC载荷,连续投影法在两光谱范围选取波长建立的简化模型均为最优,预测集判别准确率与Kappa系数均为84.4%与0.766 7。结合预测集混淆矩阵发现,两光谱范围最优简化模型预测不同霉变组样品特异度相当,均在0.84以上,但900～1 700 nm中短波近红外光谱对于中等霉变程度的判别灵敏度（0.72）略高。本研究表明近红外光谱技术可用于油茶果的自然霉变程度检测,可见/近红外与中短波近红外光谱能力相当,考虑到仪器成本问题,可见/近红外光谱具有更好的实时检测应用前景。     

基于近红外光谱的PLS-DA算法判别烤烟烟叶产地

为了快速、无损地鉴别和识别烟叶的产地,以2008年产于四川、云南、重庆和福建的464个烤烟烟叶样品的近红外光谱为基础,采用PLS-DA算法建立了烤烟烟叶产地的分类判别模型.结果表明:①4个模型校正集分类变量的预测值与实测值的相关系数均超过0.94,模型拟合性较好;②模型对检验集样本的判别准确率均高于93.0％,效果良好;③可对四川、云南、重庆和福建烟叶的产地进行有效识别.     

基于近红外光谱分析技术结合化学计量学方法的初烤烟叶霉变预测研究

为建立基于烟叶麦角甾醇含量结合近红外光谱分析技术的初烤烟叶霉变预警模型,以2015年和2016年云南5个地区2个等级（B2F和C3F）初烤烟叶为研究对象,调节烟叶含水率为18%,在28℃,RH 80%条件下以30天为实验周期,进行烟叶霉变实验。每3天取一次样,采集近红外光谱数据并检测样品麦角甾醇含量。建立第0d初烤烟叶样品近红外光谱主成分监测模型并提取Hotelling T2统计量,预测第3天至30天初烤烟叶样品近红外光谱数据的Hotelling T2统计量,对比分析肉眼观察和近红外类模型对烟叶霉变的预警效果。结果表明:1）烟叶霉变过程中,麦角甾醇含量逐渐增加后逐渐降低,当肉眼可见时,麦角甾醇含量较初始值增加4.66~23.38倍;2）基于上述监测模型,13个霉变烟叶样品中,提前预警天数为6天的样品2个,提前预警天数3天的样品7个,当天预警的样品4个,7个未发生霉变烟叶在30天的监测周期内均未出现预警,预测准确率100%。以上结果表明该方法能方便快速地实现对初烤烟叶霉变的预警,具有较好的实用价值。      

基于多源光谱分析技术的鱼油品牌判别方法研究

多源光谱分析技术被用于鱼油品牌快速无损鉴别。采用可见光谱分析技术、短波近红外光谱分析技术、长波近红外光谱分析技术、中红外光谱分析技术和核磁共振光谱分析技术采集了7种不同品牌的鱼油的光谱特征,并应用偏最小二乘判别分析法(partial least squares discrimination analysis,PLS-DA)和最小二乘支持向量机(least-squares support vector machine,LS-SVM)建立判别模型并比较判别结果。基于长波近红外光谱的PLS-DA模型和LS-SVM模型取得了最高识别正确率,建模集和预测集识别正确率均达到100%。采用中红外光谱和核磁共振谱分别建立的LS-SVM模型,也可以获得100%的判别正确率。而可见光谱和短波近红外光谱则判别准确率较差。且LS-SVM算法较PLS-DA更加适合用于建立光谱数据和鱼油品牌之间的判别模型。研究结果表面长波近红外光谱技术能够有效判别不同鱼油的品牌,为将来鱼油品质鉴定便携式仪器的开发提供了技术支持和理论依据。     

不同产地国产烤烟近红外光谱的特征分析及其模式识别

对2003年125个不同产地的国产烤烟烟叶的原始近红外光谱、SNV光谱与一阶导数光谱进行了主成分分析,采用主成分空间下的马氏距离判别样本的产地归属,提出根据仪器噪声和误差水平确定最大主成分个数,研究了主成分个数、样本空间、光谱区间对烟叶产地识别准确率的影响,分析了烟叶产地的近红外特征区和产地特征信息在不同主成分上的体现。结果表明,采用光滑处理的全光谱区间的一阶导数光谱,在建模样本空间进行主成分分析时所建模型对烟叶样品的识别准确率最高。     

基于近红外光谱的烟叶SIMCA模式识别

研究了基于烟叶的近红外光谱数据通过软独立模式分类(SIMCA)识别不同烟叶的方法。首先对每种具有确定产地、等级、品种的目标烟叶进行多次分布式取样,扫描目标烟叶多个样品的近红外光谱;再对目标烟叶近红外光谱进行主成分分析(PCA)运算生成每种目标烟叶的数据模型;然后扫描未知烟叶的近红外光谱,用目标烟叶数据模型对未知烟叶近红外光谱进行主成分分解计算,计算未知烟叶与目标烟叶的距离,通过距离衡量未知烟叶与目标烟叶的相似程度。建立了包含115种不同产地、等级、品种的目标烟叶的数据模型,对115个外部检验样品进行了模式识别,正确识别率高于90%。结果表明该烟叶模式识别方法基础数据易得,同时考虑了烟叶的平均水平和分布水平,识别准确率高,具有良好的发展前景。      

近红外光谱模型的适用性考察

为了更好地维护近红外光谱模型,选择了15个密封的灭活烟叶样品和分装在3个密封样品瓶中的微晶纤维素,在3台不同型号的近红外仪上对样品分别进行检测.采用方差分析、差谱分析考察样品瓶、仪器光源更换、样品测试时间对同一样品光谱的影响,并采用基于主成分分析(PCA)与马氏距离的判别分析模型进行样品的定性分析.结果表明:材质相同且均匀的样品杯及仪器光源的更换对样品光谱及模型预测准确率几乎无影响;同一仪器测得同一样本的光谱随测试时间的推移有一定变化,因此,所建模型的预测准确性也会逐渐降低;数学模型具有一定的适用期,当模型对检验集样品的识别准确率低于某一限定阚值时,则需要重新建模或对新测样本光谱进行校正.     

利用可见-近红外光谱鉴定不同香型风格烤烟的方法

为实现对烤烟香型风格的快速判别,应用可见-近红外光谱技术对浓香型、中间香型、清香型3种烤烟样品进行光谱采集,获得烟叶内在化学成分的特征光谱信息。选取全波段特征光谱经均值归一化、Savitzky-Golay卷积平滑、多元散射校正和标准正态变换等优化预处理,采用主成分分析(PCA)对光谱数据进行聚类分析,并结合偏最小二乘判别分析(PLSDA)建立了3种香型风格烤烟定性判别模型。结果表明,建立的PLS-DA模型的校正集和验证集的正确识别率均达到100%,模型性能良好,说明利用可见-近红外光谱技术对不同香型风格烤烟具有很好的分类和鉴别效果,为实现烤烟不同香型风格的快速、准确判别提供了一种新方法。     

基于近红外光谱建立纸张表面施胶量测定模型

采集不同施胶量纸张的近红外光谱,利用偏最小二乘法建立测定纸张表面施胶量基于近红外光谱的校正模型。得到校正模型的交叉验证均方差（RMSECV）和外部验证均方差（RMSEP）分别为0.0928和0.1460,校正数据集和独立的检验数据集的预测值与实际测定值之间的相关系数分别为0.9609和0.9294,表明所建立的校正模型具有较高的预测精度和较好的推广性,为纸张无损伤、无预处理的快速、简便、准确的检测提供了新的途径,并且可望实现纸机上的在线检测。     

A new approach to discriminate varieties of tobacco using vis/near infrared spectra

Vis/near infrared reflectance spectroscopy appears to be a rapid and convenient non-destructive technique that can measure the quality and compositional attributes of many substances. Principal component analysis (PCA), which offered a qualitative analysis of tobacco samples, was used to analyze the clustering of tobacco samples. A new method combined wavelet transform (WT) with Artificial Neural Network (ANN) was presented to establish a discrimination model. The model regarded the compressed spectra data as the input of ANN, and 80 samples were selected randomly as calibration collection whereas the remaining 20 were being prediction collection. High correlation coefficient (r=0.999) was achieved, which was better than PCA-SRA-ANN and PLS-ANN. It indicated that WT combined with ANN is an available method for variety discrimination based on the Vis/NIR spectroscopy technology. Some sensitive wave bands were also analyzed to develop tobacco varieties discrimination apparatus through PLS models.     

基于HP-Elman-LSSVM模型的仓储烟草霉变预测

为提高仓储烟草的霉变预测精度,建立了HP-Elman-LSSVM模型来预测仓储烟草的霉变。模型选取仓储环境的温度、湿度和烟草的自身含水量3个影响仓储烟草霉变的主要因素作为模型输入的变量,以某烟草公司的实际生产数据为训练和验证样本,进行仓储烟草霉变率预测。实验结果表明,HP-Elman-LSSVM模型的预测精度明显高于单一模型;且多次不同训练样本的实验结果表明平均相对误差在5%~6.5%,能满足工程应用的需求。     

基于NIR技术和ELM的烤烟烟叶自动分级

为解决初烤烟叶收购中人工分级主观因素影响较大的问题,提出了一种基于近红外（NIR）光谱技术结合极限学习机（ELM）算法自动鉴别烟叶等级的方法。文章首次提出基于品质相似、价格接近原则的烟叶收购分组方法,通过交互检验优化ELM分组、分级模型的隐节点数,并与K最近邻法（KNN）、支持向量机（SVM）和随机森林（RF）等多分类算法进行了比较。结果表明:ELM分类模型参数自动优化、训练时间短、稳定性和预测能力较好,2014年（数据集A）、2015年（数据集B）烟叶收购国标样本上、中、下等烟外部预测分组正确率分别为95.77%和94.23%,数据集A和B的上、中、下等烟各组样本外部预测分级正确率分别为85.71%、86.67%、100%和100%、92.86%、92.86%。因此,采用NIR技术结合ELM能准确鉴别初烤烟叶等级,可为烤烟烟叶收购质量等级评价提供一种新技术。      

小波变换光谱前处理提高近红外分析模型的转移性能

针对在建立烟草中还原糖、总糖、总碱和游离氯的分析模型时出现的模型转移问题,用离散小波变换的细节信息重构近红外光谱,建立了具有良好转移性能的近红外分析模型。通过考察不同小波基和离散小波变换阶数的选择对近红外分析模型及模型转移性能的影响,找到了一些较优的小波变换参数。本文的研究结果表明小波变换在消除干扰信息的同时不引入新的干扰因素,并且能够同时进行扣除基线和滤噪的计算,应用于近红外光谱前处理时具有突出的优点,是提高近红外分析模型转移性能的一种有前途的技术。      

近红外光谱技术在烟草在制品稳定性分析中的应用

为了研究烟草在制品化学成分的稳定性,在线采集了烘丝出口叶丝的近红外光谱(NIR),采用连续小波变换方法进行光谱预处理,结合主成分分析(PCA)方法研究了样品常规化学成分与NIR的关系;建立了烟草在制品稳定性的表征模型,并通过调整烘丝工序加工参数对模型进行了验证。结果表明:NIR能够对样品常规化学成分所包含的信息进行表征;当显著性水平α=0.05时,B牌号试验卷烟的表征模型对异常样品的识别率为100%,对正常样品的识别率为98%,A,C,D和E牌号卷烟的模型对正常样品的识别率分别为98.7%,99.3%,100%和98.4%。该NIR模型能够对烟草在制品质量进行有效的实时监测。     

基于近红外光谱和随机森林方法鉴别蜂蜜真伪

目的建立蜂蜜样品真伪鉴别的近红外光谱快速检测方法,为今后蜂蜜检验工作提供可靠参考依据。方法采用积分球透反射模式采集样品近红外光谱数据,以Savitzky-Golay 1阶微分方法对原始光谱进行预处理,以随机森林方法建立光谱数据与蜂蜜真伪的定性判别模型。结果所建立的判别模型中训练样本判别正确率为100%,测试样本判别正确率为95%。结论近红外透反射光谱技术应用于蜂蜜真伪鉴别的可行性,同其他分析方法相比具有操作简单、速度快、效率高、无污染、费用低、无需复杂前处理等优点。     

基于近红外光谱的茶叶高氯酸盐污染水平研究

目的 建立一种基于近红外光谱（near-infrared spectroscopy,NIR）分析技术快速定量茶叶中高氯酸盐污染水平的预测模型。方法 采集不同产地的91份茶叶干样,通过傅里叶变换近红外光谱扫描获得样品的近红外漫反射光谱,使用液相色谱质谱法测定茶叶样品中的高氯酸盐含量,以参考量限0.75 mg/kg为标准将样品分为两类;利用偏最小二乘判别分析（partial least squares-discriminant analysis, PLS-DA）建模建立高氯酸盐含量范围的预测模型,同时使用一阶导（1st）、连续小波变换（continuous wavelet transform, CWT）、多元散射校正（multiplicative scatter correction,MSC）、标准正态变换（standard normal variate,SNV）等光谱预处理和竞争自适应重加权（competitive adaptive reweighted sampling,CARS）采样波长筛选技术对判别模型进行优化,最后通过预测集样品对模型进行验证。结果 使用原始光谱建立的模型能够初步实现对高氯酸盐含量范围的预测,而使用光谱预处理扣除光谱中的背景信息,结合MSC和CARS方法共同处理后,模型的预测正确度显著改善,误判样品下降至3个,预测正确率提高至88.5%。结论 本方法表明近红外光谱技术可以为茶叶中高氯酸盐污染水平分析提供一种新方法,对茶叶产业高质量发展具有重要的实际意义。