基于变量筛选的温州蜜桔品质的光谱快速检测

目的利用可见/近红外光谱技术结合变量筛选算法建立预测模型。方法采集7个不同批次蜜桔样本的漫透射光谱,预处理优化后,以无信息变量消除法(uninformative variable elimination,UVE)、竞争性自适应重加权法(competitive adaptive reweighting sampling,CARS)及其组合(UVE-CARS)共3种策略来进行光谱有效波段的筛选,建立蜜桔可溶性固形物含量(soluble solid content,SSC)的偏最小二乘预测模型(partial least square,PLS)。结果比较全变量模型和3个特征变量模型的预测性能,UVE-CARS-PLS模型取得了最优的检测效果,相比全变量模型,建模变量数减少了96.5%,其预测集相关系数RP提升至0.732,预测集均方根误差(root-mean-square error,RMSEP)下降至0.8730 Brix。结论结合多重变量选择算法,可以进一步压缩建模变量数,简化模型,提高模型预测精度,实现区域蜜桔品质的光谱快速检测。

基于近红外光谱技术的水蜜桃糖度检测模型性能研究

通过数据融合技术充分利用不同近红外光谱仪器间的信息,提高水蜜桃定量检测模型的可靠性。实验通过flame-NIR和USB2000+光谱采集系统分别采集相同水蜜桃样本的近红外光谱数据。之后,利用阿贝尔折光仪测出所有样本糖度真实值,分别构建糖度定量模型。在其基础上,构建两种光谱数据的融合模型,融合数据经过无信息变量消除(UVE)和遗传算法(GA)变量选择后构建UVE-PLS、GA-PLS。结果显示,相比于未进行数据融合构建的糖度定量预测模型,最优融合模型GA-PLS交叉验证均方根误差减少了22.19%、33.79%,均方根误差分别减少了14.24%、49.67%。结果表明,数据融合模型能充分利用flame-NIR和USB2000+光谱仪器的糖度信息,具有更好的检测能力。