近红外漫反射检测梨可溶性固形物SSC和硬度的研究

采用近红外漫反射光谱检测梨可溶性固形物(SSC)和硬度。采集梨的近红外漫反射光谱,光谱经梨的吸光度原始光谱、一阶微分和二阶微分预处理,分别采用多元线性回归、主成分回归和偏最小二乘法,建立了梨可溶性固形物(SSC)和硬度的定量预测数学模型。结果表明采用一阶微分结合偏最小二乘法的预测效果最好,可溶性固形物(SSC)和硬度定量数学校正模型的相关系数分别为0.9285和0.8478,均方根误差分别为0.4364°Birx和1.227。近红外漫反射光谱作为一种无损的检测方法用于评价梨可溶性固形物(SSC)和硬度是可行的。

磨盘柿可溶性固形物的可见/近红外漫反射光谱无损检测

研究可见/近红外漫反射光谱技术快速检测磨盘柿可溶性固形物的方法。在可见/近红外光谱区域(570～1848nm),对比分析不同数学建模算法、不同导数处理方法和不同散射及标准化处理的果实可溶性固形物定标模型。结果表明:应用改进偏最小二乘回归算法、一阶导处理和去散射处理所建果实可溶性固形物定标模型的预测性能较优,其定标交互验证相关系数(Rcv)和预测相关系数(Rp2)分别为0.8076和0.8085,定标交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.4546°Brix和0.4482°Brix。这表明,可见/近红外漫反射技术对磨盘柿可溶性固形物的快速无损检测具有可行性。

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。

基于近红外光谱技术的老陈醋品质分析

为得到稳定、精确的老陈醋品质光谱模型,采用近红外光谱分析技术结合反向传播神经网络(BP-ANN),分别对不同醋龄的两种山西老陈醋中可溶性固形物含量(SSC)及pH值进行定量分析。对经过标准归一化(SNV)与25点平滑相结合处理后的光谱进行主成分分析,根据主成分的累计贡献率选取主成分数作为BP神经网络的输入变量建立模型,并与偏最小二乘法(PLS)模型进行比较。结果表明:BP-ANN建立的老陈醋SSC和pH值定量分析模型最优,其SSC和pH值的模型相关系数(R)分别为0.9999和0.9997,校正集均方根误差(RMSEC)分别为0.0128和0.0045,预测集均方根误差(RMSEP)分别为0.0118和0.0088。采用近红外光谱技术结合反向传播神经网络(BP-ANN)对不同醋龄、不同品牌的老陈醋品质分析建模是可行的。

苹果可溶性固形物含量的近红外模型传递研究

研究了苹果可溶性固形物含量(SSC)的近红外模型传递问题。样品集经过异常剔除和预处理之后,建立了主机的偏最小二乘(PLS)预测模型。分别采用一元线性回归直接标准化(SLRDS)、斜率/截距(S/B)法和专利算法(Shenk's)进行主机和从机间的模型传递,讨论了3种算法的传递效果和转换集标样数对传递效果的影响。结果表明,经过3种方法传递后预测集的预测效果比传递前均有不同程度提高,其中SLRDS算法传递效果最佳,经SLRDS传递后相关系数(R)、预测标准偏差(RMSEP)、相对分析误差(RPD)和光谱平均差异(ADS)分别为0.9614,0.4735,3.3866和0.0661。因此利用SLRDS算法实现两台便携式光谱仪之间的模型传递是可行的。