基于高光谱图像技术和波长选择方法的羊肉掺假检测方法研究

针对肉类掺假的定量检测问题,建立了基于高光谱图像技术结合波长选择方法以及偏最小二乘(PLS)法的羊肉掺假无损检测方法.试验搭建了羊肉-猪肉的高光谱图像采集系统,对选取的99个样本进行高光谱图像(390~1040nm)采集并提取感兴趣区域光谱.比较了多种预处理方法对全波长模型的影响,标准正态变量校正(SNV)为最优光谱预处理方法,校正决定系数R2CV达到0.93,预测决定系数R2P达到0.96,校正均方根误差RMSECV为8.33%,预测均方根误差RMSEP为6.18%.采用多种波长选择方法对光谱全波段520个变量进行变量选择,最终确定基于竞争性自适应重加权算法(CARS)的简化模型最优,其R2C=0.96,R2CV=0.94,R2P=0.96,RMSEC=6.55%,RMSECV=7.66%,RMSEP=6.10%.高光谱图像技术结合CARS能够对掺假羊肉进行准确的定量检测,可为羊肉掺假的在线无损检测提供理论依据.     

基于可见/近红外光谱技术的新鲜茶叶叶片含水率快速测定

提出了利用可见/近红外光谱技术检测新鲜茶叶叶片中含水量的方法.首先采集350~2500nm波段范围内177个新鲜茶叶叶片的光谱反射率信息,作为X变量.将不同预处理后的光谱数据建立偏最小二乘(partial least squares,PLS)模型,再利用回归系数法(regression coefficients,RC)提取全波段光谱中的特征波长并建立基于特征波长的预测模型.结果显示,利用全谱段光谱信息建立的模型中,未经预处理建立的模型最优,建模集和预测集中决定系数(coefficient of determination,R~2)分别是0.9039和0.8856,均方根误差(root mean square error,RMSE)分别是0.0092和0.0120,剩余预测偏差(residual predictive deviation,RPD)是2.9659;基于特征波长的模型中,也是未经预处理建立的模型最优,建模集和预测集中R~2分别是0.9070和0.8199,RMSE分别是0.0107和0.0151,RPD是2.3701.结果表明,可见-近红外光谱技术结合特征波长提取进行新鲜茶叶叶片中含水率检测是可行的.     

基于近红外高光谱成像快速预测牛肉中猪肉掺入量

基于900~1 700 nm波段范围内的近红外高光谱成像技术结合线性算法快速预测牛肉 中猪肉掺入量。使用BC、SGS和SNV3种方法预处理光谱信息，结果显示原始光谱信息更适合于构 建PLSR模型，预测牛肉掺假效果良好（R2 P = 0.95，RMSEP = 6.82%，RPD = 4.89）。经Stepwise算法 从全波段486个波长中筛选出8个最优波长（918、926、935、1 053、1 055、1 086、1 088、1 382 nm）简 化全波段预测模型，结果显示，基于这 8 个最优波长构建的 MLR 模型预测效果良好（R2 P = 0.96， RMSEP = 5.70%，RPD = 5.56），可代替全波段光谱信息实现牛肉掺假的快速预测。     

近红外光谱技术快速测定三七提取过程中3种成分含量

为了建立1种采用近红外光谱技术快速测定三七提取过程指标成分含量的方法.运用偏最小二乘法结合多种光谱预处理方法及波长选择方法建立近红外光谱与三七指标性成分(三七皂苷R1、人参皂苷Rg1、人参皂苷Rb1)含量之间的校正模型,通过交互检验标准偏差、校正标准偏差、决定系数和主因子数优选校正模型,并对未知样本进行预测分析.结果显示,1提液和2提液中三七皂苷R1、人参皂苷Rg1、人参皂苷Rb1的校正模型相关系数分别为99.66%、99.66%、99.54%和98.49%、97.74%、97.71%,验证集的预测值与真实值含量接近.该方法操作简便、快速无损、准确可靠,可用于三七提取过程指标成分含量的快速检测.     

基于偏最小二乘法的土壤有机碳高光谱预测研究

对86个土壤样品高光谱数据进行平滑去噪、一阶微分变换以及多元散射校正处理,在此基础上,建立土壤有机碳含量的偏最小二乘法(PLS)反演模型.结果表明,获得的五种PLS模型均具有较高的模型精度.其中,主成份个数为10时,R+MSC的PLS模型效果最好.校正模型的决定系数R2=0.95,校正均方根误差RMSEC=0.95.验证模型的决定系数R2=0.78,预测均方根误差RMSEP=2.03.利用PLS模型对预测集进行预测,实测值与预测值的决定系数R2=0.83,预测均方根误差RMSEP=1.71,预测标准差SEP=1.73.PLS模型可以对土壤有机碳含量进行预测.     

基于高光谱成像技术的红景天品种神经网络模式识别方法

采用高光谱成像技术采集大花红景天和狭叶红景天的近红外高光谱图像(935～1 720 nm),并从中提取出感兴趣区域的平均光谱作为大花红景天和狭叶红景天的原始光谱.在采用多元散射校正(MSC)进行光谱预处理后,运用载荷系数法(X-LW)、连续投影算法(SPA)和竞争自适应重加权算法(CARS)分别提取了红景天近红外高光谱9、20和33个特征波长,最后基于全波长和特征波长建立偏最小二乘判别分析(PLS-DA)、概率神经网络(PNN)和广义回归神经网络(GRNN)分类判别模型.结果表明,基于CARS提取的特征波长建立的PLS-DA、PNN和GRNN模式识别模型优于基于X-LW、SPA提取特征波长建立的识别模型.而且,基于全波长和CARS提取的特征波长建立的PLS-DA、PNN和GRNN判别模型均能很好地区分大花红景天和狭叶红景天,对训练集和测试集样本分类的正确率全部达到100%.因此,高光谱成像技术结合PLSDA与神经网络模式识别分析方法,能够实现大花红景天和狭叶红景天的无损、快速和准确的分类与鉴别,为红景天药材的质量控制、品种鉴别和临床应用奠定基础.     

基于近红外技术快速检测青金桔果粉中β-胡萝卜素含量

以青金桔原粉为研究对象,采集不同时间热处理的青金桔果粉近红外光谱(900～1700nm)信息,经不同预处理,运用偏最小二乘回归(partial least square regression,PLS)法建立β-胡萝卜素含量的预测模型,实现靑金桔果粉中β-胡萝卜素含量的快速无损检测。试验结果显示,经标准正态变换(standard normal variate,SNV)预处理在1300～1700 nm范围内光谱信息构建的PLS模型,预测效果较好,模型均方根误差(RMSEC)、交叉验证均方根误差(RMSECV)、预测均方根误差(RM-SEP)分别为0.08、0.14和0.05,校正集决定系数(R2c)、交叉验证集决定系数(R2cv)和预测集决定系数(R2p)分别为0.95、0.87和0.95。由此表明,利用近红外光谱技术可潜在实现对青金桔果粉中β-桔胡萝卜素含量的快速检测。     

博斯腾湖西岸湖滨绿洲土壤含盐量高光谱估算

以博斯腾湖西岸湖滨绿洲土壤盐分及其对应的高光谱数据为研究对象,对原始光谱反射率(R)进行均方根(R)、对数(lg R)、倒数(1/R)、对数倒数(1/lg R)变换,引入分数阶微分对变换的光谱反射率进行0～2内的微分预处理,通过显著性检验优选特征波段,并利用特征波段进行偏最小二乘回归的建模和验证。结果表明:1)通过显著性检验较多的特征波段是:1/R为691个波段,比通过原始波段多226个波段;且随着阶数的增加,在各阶数中通过显著性检验的波段数量呈先增加后减少的趋势;通过数量较多的特征波段是1/R的0. 4阶和0. 6阶,分别为145、150;2)原始光谱反射率的相关性极大值绝对值是:2阶为0. 53,其他4种数学变换的相关性极大值绝对值比R高0. 11～0. 16,特征波段主要集中在600～1 000 nm和2 020～2 330 nm;3)在原始光谱反射率及其变换值的各分数阶微分利用偏最小二乘回归建模中,1/lgR的0. 2阶建立的模型为最佳模型,R_C~2=0. 78,RMSE_C=1. 56,R_V~2=0. 63,RMSE_V=1. 44。     

基于人工蜂群波长优选和残差增广的近红外光谱定量模型研究

提出一种基于人工蜂群(artificial bee colony,ABC)算法的光谱波长优选和残差数据增广回归算法的近红外光谱定量模型.以勾兑果汁中苹果汁原汁含量的近红外光谱数据为基础,对原始光谱数据进行预处理,通过人工蜂群算法优选光谱波长变量,采用优选出的波长变量建立近红外光谱浓度残差增广的最小二乘回归(concentration residual augmented classical least squares,CRACLS)模型.将ABC波长优选后建立的CRACLS模型与全光谱建立的CRACLS模型,遗传算法(genetic algorithm,GA)波长优选后建立的CRACLS,ABC波长优选后建立的PLS模型,全光谱建立的PLS模型,GA波长优选后建立的PLS模型进行比较.实验结果表明,ABC-CRACLS模型的校正集的Rc值为0.999 8,RMSEC值为0.000 9,预测集的Rp值为0.999 1,RMSEP值为0.012 1,均优于其它几个模型.因此提出的人工蜂群算法能够有效地处理好波长变量的优选问题,并且CRACLS模型取得良好的预测结果.     

基于高光谱特征波长选取的不同类型沉积岩识别方法

为快速无损地实现岩石类型精确识别,以禄丰阿纳恐龙山南缘为研究区,采集3类典型沉积岩样本(泥岩、砂岩和泥灰岩各21块),借助ASD FieldSpec3地物光谱仪获取样本在350～2 500 nm内的高光谱数据,对预处理后的原始光谱进行一阶微分和连续统去除变换,采用马氏距离对全波段光谱进行初步筛选,并使用竞争性自适应重加权算法进一步筛选特征波长,基于全波段和特征波长变量分别建立贝叶斯判别和经过粒子群算法优化的支持向量机识别模型.结果表明,马氏距离结合竞争性自适应重加权算法用来筛选特征波长能提高模型的识别准确率,有效剔除光谱中的冗余信息,其中基于连续统去除光谱构建的组合模型被选为最优沉积岩识别模型,其预测集识别准确率为0.952 4,输入模型的特征波长变量数只占全波段的1.6%.     

基于改进遗传算法的区间光谱特征波长变量选择方法

为提高土壤养分近红外光谱预测模型的鲁棒性和预测精度,提出一种基于改进遗传算法的近红外区间光谱特征波长变量选择方法.利用土壤速效磷近红外光谱全光谱波长变量纯度梯度的正负变化次数将全光谱划分为多个波长间隔,以偏最小二乘回归模型(PLS-R)输出的变量投影重要性系数(V_(VIP))大于1作为提取准则,提取对土壤养分预测目标量解释性较强的波长间隔,并合并成一个区间光谱.建立区间光谱特征波长变量(FWV)PLS-R模型,利用改进遗传算法选择PLS-R的均方根误差为最小对应的FWV为最优FWV.试验结果表明:该方法在区间光谱选择最优FWV,能提高回归模型的鲁棒性和预测精度,简化模型结构;改进遗传算法采用一种改进的实数编码差分变异算子,扩大了全局最优解搜索空间,提高了收敛速度.     

基于多维度光谱特征波长提取大豆冠层SPAD值估算模型

应用多种光谱特征波长段提取技术,研究了全生育期大豆冠层的近红外光谱曲线特性,提出了基于多维度光谱特征波长提取的大豆冠层叶绿素相对含量(SPAD值)估算模型.在大豆冠层原始近红外光谱曲线中,优选多元散射校正预处理和偏最小二乘回归法建模.经多元散射校正预处理后,应用竞争性自适应重加权采样算法(CARS)、主成分分析法(PCA)和连续投影算法(SPA),提取大豆冠层的光谱特征波长数量分别为22,51和12个.以此特征波长为基础,利用偏最小二乘回归法和多元线性回归法(MLR),分别建立大豆冠层SPAD值估算模型.结果表明CARS-MLR模型试验效果较好,该模型校正样本和预测样本SPAD值的均方根误差分别为5.67和5.94,平均值约为5.81.     

遗传算法选择特征波长在紫外光谱检测COD中的研究

为简化紫外光谱测化学需氧量检测模型,提高模型的预测精度,将偏最小二乘算法与遗传算法相结合,优化对紫外光谱特征波长的选择.通过建模和实验分析表明:使用该方法对特征波长进行选取,偏最小二乘回归模型在均方误差意义下达到最优,平均相对误差在5%以内,而且预测精度明显优于未经遗传算法选取波长的偏最小二乘回归模型.     

高光谱成像技术快速预测冷鲜鸡胸肉的嫩度

本试验研究了基于近红外(900~1700 nm)高光谱成像技术快速预测不同冷藏时长(0~6天)的鸡胸肉嫩度.通过对原始光谱信息进行S-G卷积平滑及Baseline基线校正预处理,并采用偏最小二乘回归算法(PLSR)构建光谱信息与嫩度参考值之间的定量关系.结果显示,全波段原始光谱及预处理光谱构建的PLSR校正模型和预测模型相关系数R均大于0.90,预测效果良好.经回归系数法,从原始光谱、S–G卷积平滑预处理光谱及Baseline基线校正预处理光谱中分别筛选出20、20和19个最后波长,构建优化的RC-PLSR模型,预测相关系数分别为0.91、0.89及0.93,均方根误差分别为2.33、2.45及2.03.相比之下,经S-G卷积平滑预处理构建的PLSR模型和RC-PLSR模型预测效果均最优.研究表明,近红外高光谱成技术结合PLSR可实现对鸡肉嫩度的快速无损预测.     

不同物候期柑橘叶片钾素水平预测建模

为探究柑橘树钾素质量分数无损检测的技术途径,基于反射光谱建立不同物候期柑橘叶片钾素水平预测模型.以117株园栽萝岗橙树为试验对象,采集4个物候期健康鲜叶数据,用高光谱仪测量叶片反射光谱值,用火焰光度法测定同期同批叶片钾素质量分数.对不同物候期钾素敏感特征波段和钾素质量分数建模进行试验和分析,结果表明:不同物候期钾素质量分数敏感特征波段存在漂移现象;相比多元线性回归,支持矢量回归(SVR)和偏最小二乘法(PLS)用钾素敏感特征波段建模能较好预测K素质量分数;在不同物候期特征波段漂移和模型性能差异情况下,SVR基于反射光谱建立全发育期钾素质量分数模型仍有良好的预测性能,其在测试集上的决定系数R2为0.994,均方误差为0.120,平均相对误差为1.33％.     

近红外光谱技术检测石榴汁中花色苷含量

以不同产地的石榴汁样品为对象,对其近红外光谱数据进行预处理并通过小波变化处理提取光谱特征,采用遗传算法对支持向量机的三个参数进行优化,建立基于近红外光谱技术与支持向量机的石榴汁中花色苷含量检测模型。结果表明,模型对验证集的均方根误差为0.019 766,决定系数为0.999 2,模型预测性能良好。近红外光谱技术可用于石榴汁中花色苷含量的定量检测。     

稻麦系统产量与多类型高光谱特征变量的相关分析

为了解稻麦系统作物冠层高光谱特征与其系统产量的关系,进而实时动态监测作物长势与产量情况,分析水稻和小麦系统产量与多类型高光谱特征变量之间的关系.选择相关性较好的光谱波谱与变量参数,并分别建立最佳回归预测模型.结果表明,水稻系统产量的估测以多变量回归模型为最优,红边内一阶导数的总和(Sr)与蓝边内一阶导数的总和(Sb)的归一化值(Sr-Sb)/(Sr+Sb)、Sr和红边位置(λr)3个变量对水稻系统产量有较大的影响(R2=0.739),估测精度为88.24%;小麦系统产量的估测以Sr的指数模型为最优(R2=0.780),估测精度为66.43%.红边光谱区域的高光谱变量与光谱指数用于估算稻麦系统作物长势与产量较为有效,可用于定量、准确监测稻麦系统产量.     

基于CARS与PCA的高光谱煤岩特征信息检测方法

针对采煤机智能化截割时存在煤岩识别精度低、稳定性差等问题,提出一种基于高光谱成像技术的煤岩检测方案。使用8种不同类型的煤岩样本(训练集800块、预测集200块)进行分析,利用竞争性自适应重加权算法将光谱全波段降维至11个特征波长形成光谱特征向量;通过灰度共生矩阵来描述煤岩的纹理特征,选取对比度、能量、同质性3个特征参数值作为纹理特征向量;通过主成分分析融合剔除光谱与纹理特征中解释能力较差的特征信息,利用预测集样本分别对光谱全波段、CARS提取特征波长、图像纹理、CARS提取特征波长融合纹理特征、光谱全波段融合纹理特征和PCA融合特征波长与特征纹理特征的特征向量建立偏最小二乘回归模型,通过对比6种特征向量的建模预测性能,选出煤岩最优特征向量。PCA算法融合后特征向量预测性能的R_2,RMSE,平均绝对误差MAE和准确率分别为0.912,0.201,0.151和94%.该方法可改善煤岩特征信息检测的稳定性与可靠性,为煤岩识别提供有效的特征信息,对实现采煤机智能化开采具有重要意义。     

基于 siPLS 法建立藤茶中二氢杨梅素近红外定量分析方法

目的:建立藤茶中二氢杨梅素近红外定量模型,用于其快速定量分析.方法:采集45批藤茶样品的近红外光谱,以高效液相色谱法测定样品中二氢杨梅素的含量,并作为参照,以组合区间偏最小二乘法(si PLS法)对特征谱段进行优化,建立二氢杨梅素的定量模型并对模型进行评价.结果:光谱预处理选用矢量归一化法(VN),确定9000~8500 cm-1、8000~7000 cm-1、6000~5500 cm-1为建模谱段.内部交叉验证中,校正均方差(RMSECV)为2.38%,决定系数(R2)为92.16%;外部验证中,模型对训练集预测均方差(RMSEE)为0.993%,对验证集预测均方差(RMSEP)为2.87%,其决定系数为90.67%,相对预测偏差(RPD)为3.27.当样品中二氢杨梅素的含量范围为9.77%~46.13%时,平均预测回收率为97.57%.结论:所建模型预测能力好,可用于藤茶中二氢杨梅素的快速定量分析.     

基于稻种糙米近红外光谱分析技术的发芽率检测方法

针对传统稻种发芽率检测操作复杂,耗时长,稻种外壳污染物干扰光谱检测等问题,提出一种基于稻种糙米近红外光谱检测实现稻种发芽率快速检测的新方法.将192份糙米样品的光谱分为校正集144份和预测集48份,通过不同预处理方法和化学计量学建模方法,分析不同老化时间糙米的光谱差异,建立糙米发芽率的预测模型.结果表明:在全波段570~1 848 nm采用二阶导数+SNV and Detrend的预处理并结合偏最小二乘法(PLS)建立的模型最优,其校正集决定系数RC与标准偏差SEC分别为0.976和1.244,预测集相关系数RP与标准偏差SEP分别为0.951和1.935.采用近红外光谱分析技术对稻种糙米发芽率进行测定是可行的,所建模型在稻种糙米发芽率预测方面有较好的预测能力.