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。     

可见光光谱检测赣南脐橙糖度的研究

利用透射光谱测定法获取赣南脐橙的可见光光谱(400～800 nm), 采用多种校正算法, 选取不同的波段范围对透射光谱进行有效信息提取和分析,对比研究了不同因子数时不同校正方法进行糖度快速检测的影响,确定了最佳参比、最佳的波段范围、最佳光谱处理方法和用于快速检测分析的最佳校正方法。实验结果表明: 偏最小二乘法校正模型的预测精度在450～770 nm波段范围内,因子数为7时其糖度的预测精度最好,其预测集的相关系数达到了0.857, 预测标准偏差为0.562。     

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。     

不同贮藏期水蜜桃硬度及糖度的检测研究

糖度和硬度作为水蜜桃的两个重要指标,决定其内部品质。在运输或售卖期间,水蜜桃果内水分流失,表面开始松软进而腐烂,内部品质发生变化。研究旨在探讨可见/近红外光谱预测水蜜桃不同贮藏期糖度和硬度的可行性,进一步预测水蜜桃的最佳贮藏期。采用漫透射和漫反射方式采集4个贮藏阶段的水蜜桃光谱,并测量糖度和硬度。分析了4个阶段水蜜桃的平均光谱,光谱强度随着贮藏天数增加而不断提高,且在650～680 nm区域内受果皮颜色及色素的变化产生波峰偏移。同时,分析了糖度和硬度的变化,糖度在贮藏期间逐渐提高,硬度在贮藏期间快速下降,最终糖度增加了3.31%,硬度下降了58.8%。采用多元散射校正、S-G卷积平滑、归一化处理及基线校正等预处理方法来减少噪声和误差对光谱的影响,并使用无信息变量消除(UVE)和连续投影算法(SPA)筛选特征波长,最后利用偏最小二乘回归(PLS)分别建立糖度和硬度的预测模型。分析糖度、硬度的PLS回归系数与平均光谱的波形发现,糖度的高回归系数分布在光谱多处,而硬度的该系数均在波峰波谷附近。SPA和UVE筛选的特征波长建立的糖度模型效果不佳,而硬度模型效果良好。结果表明,漫透射和漫反射检测方式下,糖度的最佳预测相关系数(R_p)及预测均方根误差(RMSEP)分别为0. 886,0.727和0.820,1.003,预处理方法分别是多元散射校正、平滑窗口宽度为3的S-G卷积平滑。此外,漫透射建立的硬度SPA-PLS模型,选用15个光谱变量,得到的R_p和RMSEP为0.798和0.976;而漫反射建立的UVE-PLS模型,选用113个光谱变量,得到的R_p和RMSEP为0.841和0.829。可以看出,漫透射方式预测水蜜桃贮藏期间的糖度更佳,而漫反射预测硬度更佳。利用可见/近红外光谱所建立的糖度和硬度预测模型,能够可靠地预测水蜜桃贮藏期内糖度和硬度的变化,对指导采摘、售卖时间和减少腐烂具有一定的参考价值。     

基于近红外光谱分析贡梨可溶性固形物全局模型的鲁棒性

贡梨是大众喜爱的水果,为研究不同检测方向对近红外在线检测贡梨可溶性固形物SSC的影响,提出全局模型并分析其鲁棒性。在贡梨六个方向上收集光谱: 茎-花萼轴垂直,茎向上(A1)和茎向下(A5),茎-花萼轴和水平之间45°,茎向上倾斜(A2)和茎向下倾斜(A4),茎-花萼轴水平,茎朝向右侧光(A3),茎花萼轴水平,茎朝向带移动方向(A6)。SSC范围为9.53~14.70的150个样品分为115个标准偏差为1.05的校准集和35个标准偏差为0.93的预测集。采用偏最小二乘回归PLSR分别建立六个局部模型和一个全局模型,局部模型由各方向的115个校正集数据经过Savitzky-Golay卷积平滑、多元散射校正MSC、高斯滤波平滑GFS三种不同的预处理方法处理后使用偏最小二乘回归PLSR建立而来;用本方向校正集数据建立的局部模型验证本方向的35个预测集数据,比较这三种预处理方法后所建立的PLSR模型,结果表明经过GFS处理后建立的模型验证效果最好,因此六个局部模型和全局模型均采用GFS处理后建立的PLSR模型。全局模型是由A1,A2,A3,A4,A5和A6六个方向的690个校正集光谱数据经过GFS预处理后采用PLSR建立的贡梨SSC模型。各方向的预测集分别对七个模型进行验证,验证结果表明,局部模型虽然在本方向的预测效果强于全局模型,但无法验证其他方向,鲁棒性差,由此可知检测方向的不同对预测效果的影响很大;全局模型能够准确预测各个检测方向的贡梨SSC,全局模型的校正集相关系数R_c为0.828,校正集均方根误差RMSEC为0.424;A1,A2,A3,A4,A5和A6方向的预测集相关系数R_p分别为0.818,0.765,0.799,0.821,0.794和0.824,预测集均方根误差RMSEP分别为0.446,0.525,0.478,0.538,0.486和0.619;六个方向的R_p与R_c比较接近且均在0.800左右,RMSEC与RMSEP均在0.500左右,结果表明全局模型在检测不同方向的贡梨SSC上有着极好的鲁棒性。     

赣南脐橙果园土壤全氮和有机质近红外漫反射光谱检测

选取赣南脐橙果园土壤作为研究对象,探讨在4 000～7 500 cm-1范围内的光谱分析土壤全氮和有机质的可行性。采集的近红外光谱采用多元散射校正、一阶微分、二阶微分、七点平滑等多种预处理对比分析,分别建立了有机质和全氮含量偏最小二乘模型。实验得出全氮预测模型在4 000～7 500 cm-1范围内采用七点平滑(SG)进行预处理模型较为理想,校正集相关系数(r_c)为0.802,校正均方根误差(RMSEC)为2.754,预测集相关系数(r_p)为0.715,预测均方根误差(RMSEP)为3.077;有机质预测模型在4 000～7 500 cm-1范围内采用标准正态变量变换(SNV)预处理模型较为理想,r_c为0.848,RMSEC为0.128,r_p为0.790,RMSEP为0.152。研究表明近红外漫反射光谱可快速用于赣南脐橙果园的土壤中全氮和有机质含量的快速检测。     

丰水梨套网无损在线检测方法研究

表面损伤和可溶性固形物是丰水梨品质的重要指标,为降低丰水梨的在线分选伤果率,探索丰水梨可溶性固形物套网分选的可行性。在运动速度5个·s-1、积分时间80 ms的条件下,采集350~1 150 nm范围内的丰水梨套网前后的近红外漫透射光谱。对比分析了丰水梨套网前后的光谱特征差异,套网检测的光谱有效信息降低。为提高套网检测光谱的有效信息,利用多项式拟合的方法剥离网套光谱。并采用丰水梨套网前后、多项式拟合剥离网套光谱后的光谱建立可溶性固形物在线检测模型。对所建立的模型进行对比分析,其中采用二次多项式拟合剥离后的光谱建模效果最佳,建模集均方根误差为0.328°Brix,相关系数为0.95,最终实现了丰水梨可溶性固形物的套网在线检测。采用未参与建模的36个样品进行在线分选准确性评价,分选准确性为94.4%。试验结果表明,研究可为含水量高、易碰伤、易擦伤的水果提供在线分选策略及理论依据。     

酥梨货架期的高光谱成像无损检测模型研究

水果新鲜度是反映水果是否新鲜、饱满的重要品质指标,为了探讨水果不同货架期的预测和判别方法,以酥梨为研究对象,利用高光谱成像技术,结合偏最小二乘判别法（PLS-DA）和偏最小二乘支持向量机（LS-SVM）算法对酥梨货架期进行判别。由光源、成像光谱仪、电控位移平台和计算机等构成的高光谱成像装置采集样品光谱,装置光源采用额定功率为200 W四个溴钨灯泡成梯形结构设计,光谱范围为1 000～2 500 nm,分别率为10 nm。选取优质酥梨30个,货架期设置为1, 5和10 d,对30个样品完成3次光谱图像的采集,并矫正原始图像。实验结果表明：基于图像的酥梨货架期定性分析时,对不同货架期样品的原始图像进行PCA压缩,得到三种不同货架期的权重系数数据,PC1图像提取特征波长点为1 280,1 390,1 800,1 880和2 300 nm,以特征图像的平均灰度值作为自变量且以货架期作为因变量建立定性判别模型,建模集68个,预测集22个。最小二乘支持向量机以RBF为核函数时,预测集中样品的误判个数为1,误判率为4.5%。而当采用lin核函数时,样品的误判个数为0,误判率为0。PLS-DA定性分析时RMSEC为1.24,R_c为0.93。RMSEP为1,R_p为0.96,预测集误判率为0。特征图像对酥梨货架期判别LS-SVM中的lin核函数所建立的模型结果较好,优于RBF核函数的建模效果,也优于PLS-DA判别模型。ENVI软件提取实验样品光谱后建立LS-SVM和PLS-DA判别模型,LS-SVM利用RBF和lin核函数误判率分别为4.5%和0。与RBF核函数相比,lin核函数所建立的模型预测酥梨货架期的效果更好。PLS-DA方法主成分因子数为12,RMSEC和RMSEP分别为0.48和0.78,R_c和R_p分别为0.99和0.97,建模集与预测集的误判率均为零。LS-SVM中的lin核函数所建立的模型结果较好,依然优于PLS所建立的检测模型。酥梨的光谱信息结合LS-SVM可以实现对酥梨货架期的检测和判别。基于图像建立酥梨的货架期预测模型与光谱相比,都实现了酥梨货架期的判别,而特征图像法,选择区域较少流失部分信息,计算量小,建模结果相对略差。酥梨货架期的高光谱成像检测模型研究为消费者正确评价水果新鲜度提供了理论指导, 也为后期果水果货架期检测仪器的开发提供了技术支持。     

基于LS-SVM和THz光谱技术的面粉中苯甲酸检测研究

面粉（小麦粉）是中国北方大部分地区的主食,苯甲酸是重要的酸型食品防腐剂,为了便于食品长期保存,往往会添加苯甲酸以便延长食品保存时间。但食用添加苯甲酸过量的小麦粉会对身体健康产生严重危害。太赫兹技术是一种新兴的检测技术,由于处于特殊的0.1～10 THz的太赫兹频段,在食品安全检测方面体现出了很强的应用潜力。主要致力于探索太赫兹光谱技术检测苯甲酸的合理性、可行性,利用太赫兹时域光谱技术对面粉中的食品添加剂苯甲酸进行实验研究。实验获取了面粉和苯甲酸的太赫兹时域光谱和频域光谱,其吸收系数显示苯甲酸的特征吸收峰在1.94 THz波段,面粉的太赫兹吸收系数几乎以一定的斜率增加,说明可以用THz-TDS（Terahertz time domain spectrum）技术对面粉中的苯甲酸进行特征识别。为建立面粉中添加剂苯甲酸的定量检测模型,实验获取了面粉中掺杂不同百分比（质量分数）苯甲酸的太赫兹时域光谱,计算得到吸收系数谱。实验发现吸收峰幅度的变化是与苯甲酸的含量成正比的,苯甲酸含量增加吸收峰幅度变大。首先探索了不同光谱预处理方法对太赫兹光谱的影响,采用如平滑校正、多元散射校正、基线校正和归一化等方法对原始光谱进行校正处理。校正之后,建立相应的PLS (partial least squares)模型以选择最优预处理方法。然后分别建立苯甲酸浓度和太赫兹吸收系数的MLR (multiple linear regression)、PLS和LS-SVM（partial least squares support vector machines）回归模型,并对比分析不同模型的优劣。将光谱数据归一化后建立的PLS模型更具有优势,预测相关系数R_p为0.979,预测均方根误差RMSEP为1.30%。LS-SVM与PLS和MLR模型相比,LS-SVM模型可以获得更好的建模结果,LS-SVM的预测相关系数R_p为0.987,预测均方根误差RMSEP为1.10%。利用MLR方法仅使用1.946和1.869 THz两个波段点进行建模,建模效果预测相关系数R_p为0.955,预测均方根误差RMSEP为1.90%。通过该研究为面粉中苯甲酸添加剂的无损检测提供了新的解决方案,也为其他类型的添加剂的检测提供了方法指导,对促进面粉行业的健康发展具有重要的意义。     

中红外光谱对甲醇汽油甲醇含量检测研究

甲醇汽油是一种清洁能源,甲醇汽油中甲醇的含量决定了汽油的性能。通过中红外光谱对甲醇汽油中甲醇含量进行定量检测和分析。首先,对采集的甲醇汽油原始中红外光谱进行平滑处理（smoothing）、多元散射校正（MSC）、基线校正（baseline）、归一化（normalization）等预处理,再建立PLS模型,对比选择最佳预处理方法,结果表明：在多元散射校正（MSC）处理后建立的PLS模型效果最好,模型的预测集相关系数r为0.918,预测均方根误差RMSEP为2.107。为进一步简化模型,提高预测精度,采用无信息变量消除(uninformative variable elimination, UVE)方法对波长进行筛选,将UVE波段筛选之后的作为模型的输入变量,采用偏最小二乘法（partial least squares, PLS）、主成分回归(principal components regression, PCR)和最小二乘支持向量机（least square support vector machine, LSSVM）三种方法分别建立甲醇汽油中甲醇含量的定量预测模型,并比较不同模型的预测效果和结果。结果表明,使用无信息变量消除可以较好提高数据的运算速度,其中,UVE-PLS模型建模效果最好,r和RMSEP分别为0.923和2.075。该实验表明中红外光谱检测甲醇汽油中甲醇含量是可行的并可以得到较好的效果;UVE是一种对甲醇汽油的中红外光谱非常有效的波段筛选方法,该模型的建立对石油化工领域具有较为重要的意义。