基于近红外光谱模型转移的牛奶蛋白检测方法研究

目的研究基于近红外光谱模型转移的牛奶蛋白检测方法。方法分别采用实验室与在线检测近红外光谱仪采集生产过程中原料奶样品的近红外光谱,研究斜率截距法(slope/bias,S/B)、分段直接标准化(piecewise direct standardization,PDS)算法、Shenk’s方法在不同仪器测量光谱之间模型转移应用,优化模型参数,提高实验室仪器建立的校正模型应用于在线光谱仪器的预测精度。结果经过Shenk’s算法转移,主从机的光谱平均差异降低为0.0075,光谱校正率达到98.95%。利用模型转移方法与偏最小二乘模型结合,将实验室分析光谱仪建立的模型用于生产在线光谱仪测量光谱预测,显著提高了牛奶中蛋白质含量预测准确度,不同仪器之间模型预测相对均方根误差从5.52%下降到2.03%。结论本研究的方法实现了实验室分析与在线检测仪器测量光谱及定量分析模型转移共享,为近红外在线检测的智能化改进提供了基础。

近红外光谱技术在乳及乳制品质量检测中的应用

随着生活水平的提升,人们对食品质量的关注日益增加,快速获取产品质量信息已成为热点问题之一。近红外光谱技术作为一种快速、无损、定量的检测手段,能够在短时间内获取食品的质量信息,该技术已逐渐在食品质量评价中得到广泛应用。本文综述了近红外光谱技术在乳及乳制品质量检测方面的应用,旨在为该技术在乳制品行业中的进一步应用提供参考。

近红外光谱结合Stacking集成学习的猕猴桃糖度检测研究

利用近红外光谱技术Stacking集成学习对猕猴桃糖度的无损检测。以湖北“云海一号”猕猴桃为研究对象,采用红外分析仪获取了280个样本的光谱数据,包含了4000~10000cm^(-1)范围内的1557个波长数据,使用折射仪测量糖度值。通过蒙特卡洛随机采样结合T检验的奇异样本识别算法筛除异常值样本。利用SPXY算法按照4∶1的比例划分训练集和测试集。使用多元散射校正(MSC)、SG平滑滤波(SG)、趋势校正(DT)、矢量归一化(VN)、标准正态变换(SNV)五种方法对数据进行预处理。使用无信息变量消除法(UVE)、竞争性自适应重加权算法(CARS)和区间变量迭代空间收缩特征选择算法(iVISSA)提取特征波长,使用连续投影算法(SPA)进行二次提取,消除共线性变量。由于单一模型的泛化能力有限,为了扩大建模能力,设计了一种基于Stacking算法的集成学习模型。选择贝叶斯岭回归(BRR)、偏最小二乘回归(PLSR)、支持向量机回归(SVR)以及人工神经网络(ANN)作为基学习器,线性回归(LR)作为元学习器建立集成模型,比较不同组合下集成模型的性能。使用Pearson相关系数分析基学习器与集成模型之间的关系。结果表明:在五种预处理方法之中,矢量归一化的效果最佳。对预处理后的光谱进行特征波长提取,结果显示VN-CARS-PLSR模型效果最好,在测试集上的RP2为0.805,RMSEP为0.498。模型提取了177个特征波长,数据量相比于原始光谱减少了88.6%。通过Stacking算法对基学习器进行融合,对比不同的组合方式,发现PLS+SVR+ANN集成模型预测精度最高,RP2达到了0.853,RMSEP下降至0.433。通过Pearson相关系数分析了基学习器对集成模型性能的影响。研究表明,与单一模型相比,Stacking集成模型能够进行更加全面的建模,具有更高的泛化能力,该方法为猕猴桃糖度品质的无损检测提供了技术支持。

近红外光谱及成像在果品无损检测中的应用

近红外光谱及成像技术作为新兴传感无损检测技术,具有绿色、无污染、非破坏性等优势,为果品品质领域的快速、无损检测提供新的方法和手段。文章综述近红外光谱及成像技术在果品品质检测中的研究进展,介绍近红外光谱和成像技术的基本原理,分析近红外光谱技术在果品品质检测中的化学组成、成熟度评估和小型化设备开发的应用现状,探析近红外光谱成像技术在果品外观和质量、病虫害诊断中的应用现状,阐述其在果品组分分布和缺陷识别等方面的技术优势。同时,探讨近红外光谱及成像技术与人工智能、物联网结合应用的巨大潜力,以及对提高果品检测效率、精度和改善供应链智能管控等方面的应用前景做出展望,以期为果品无损检测的应用研究提供参考。

基于可见-近红外光谱技术的果蔬品质检测方法

可见-近红外光谱技术利用波长在380~2 500 nm的电磁波获取果蔬中有机分子含氢基团的特征信息,根据样品对不同波长光的吸收信息,实现果蔬的外部、内部缺陷及营养成分定性、定量分析,是目前主流的果蔬内外部品质快速无损检测技术。综述了目前基于吸光度谱和能量谱对果蔬营养物质含量定量分析及缺陷定性分析,所使用的检测模型和变量筛选模型及其检测准确性,为相关研究人员选择高效准确的检测模型提供技术支撑。

基于近红外光谱法的血液酒精浓度检测仪

针对解决呼气式酒精检测仪存在飞沫传播风险的问题,提出了一种基于近红外光谱法的便携式无污染血液酒精浓度检测方案。使用硬件完成信号采集、放大、滤波再放大,利用软件完成卡尔曼滤波、三样条插值法去基等算法获取标准的脉搏波信号在上位机中通过呼气式的测量结果与脉搏波信号的幅值建立数学模型,将数学模型写入单片机实现离线测量。通过实验测试验证数学模型精度。结果表明,其满足相对误差小于10%的精度要求,符合实际使用需求。

基于近红外光谱技术结合ARO-LSSVR的天麻中有效成分含量快速检测

为实现对天麻中天麻素和对羟基苯甲醇含量的快速、无损检测,以云南昭通乌天麻为实验对象,采集900~1 700 nm波长范围内的光谱数据。首先,采用卷积平滑和标准正态变量变换进行光谱数据预处理,其次通过竞争性自适应重加权采样法(competitive adapative reweighted sampling,CARS)与迭代保留信息变量算法进行特征波长的提取,根据基于特征波长建立最小二乘支持向量回归(least squares support vector machine,LSSVR)模型的结果,选择最佳特征波长提取方法。为了提高模型的准确率,本研究引入人工兔智能算法对LSSVR中的正则化参数γ和核函数密度σ2进行优化,并与粒子群优化算法(particle swarm optimization,PSO)、灰狼优化算法(grey wolf optimizer,GWO)进行对比,评估人工兔优化算法(artificial rabbits optimization,ARO)的优越性。结果表明,ARO算法在寻优速度、寻优能力上优于PSO、GWO;天麻素、对羟基苯甲醇的最佳预测模型均为CARS-AROLSSVR,其Rp2分别为0.969 6和0.957 7,预测均方根误差分别为0.014和0.020。综上,近红外光谱可用于天麻中有效成分的定量检测,本研究可为天麻快速检测装置的研发提供理论依据。

基于可见-近红外光谱的鲜食葡萄成熟品质关键指标检测

酚类物质是评价葡萄成熟品质的重要指标,本文利用可见-近红外光谱技术结合化学计量学定量分析方法对葡萄皮总酚、籽总酚、皮单宁和籽单宁含量开展了无损检测研究。通过手持式可见-近红外光谱仪采集巨玫瑰葡萄波长400~1029 nm范围内的漫反射光谱,采用SPXY算法将其划分为校正集和预测集,结合标准正态变换(Standard normal variate,SNV)、多元散射校正(Multiplicative scatter correction,MSC)、一阶导数(First derivative,1 D)、二阶导数(Second derivative,2 D)、Savitzky-Golay卷积平滑(Savitzky-Golay smoothing,SG)和Savitzky-Golay卷积平滑+一阶导数(SG+1D)6种预处理方法以及偏最小二乘回归(Partial least squares regression,PLSR)、支持向量机回归(Support vector machine regression,SVR)和卷积神经网络(Convolutional neural network,CNN)3种建模算法,分别建立了基于全波段和特征波长的葡萄皮总酚、籽总酚、皮单宁和籽单宁定量预测模型并进行综合对比分析。结果表明,对于皮总酚、籽总酚和籽单宁,经特征波长筛选后建立的模型效果优于全波段,而对于皮单宁,全波段建立的模型较特征波长效果更佳;因此,在预测皮总酚、籽总酚、皮单宁和籽单宁含量时,最优模型分别为RAW-CARS-SVR、1D-CARS-SVR、RAW-CNN和RAW-CARS-PLSR,校正集相关系数(Correlation coefficient of calibration set,Rc)分别为0.96、0.99、0.96和0.91,预测集相关系数(Correlation coefficient of prediction set,Rp)分别为0.95、0.99、0.83和0.89,剩余预测偏差(Residual predictive deviation,RPD)分别为3.56、7.30、1.92和2.25。因此,结合可见-近红外光谱和合适的回归模型,可以实现对巨玫瑰葡萄的皮-籽总酚、皮-籽单宁含量的无损检测。

基于近红外光谱法对五倍子主成分含量的快速检测

水分、单宁酸和没食子酸含量是评价五倍子质量的重要指标,目前多采用中华人民共和国林业行业标准的方法获得,繁琐且时效性得不到保证。为了探讨快速测量这些指标的可行性,通过采集五倍子样本130份,采用化学法测量化学值,利用近红外光谱技术进行五倍子样本的光谱扫描,将其与传统方法测定的化学值进行拟合,采用偏最小二乘法(PLS)构建数学模型,对比模型相关系数和误差评估模型预测性能。最终得到五倍子中水分、单宁酸和没食子酸的最佳预处理方法分别为FD+MSC、FD和FD+ML,水分的特征波段为9 403.7~7 498.2、 6 012.0~5 774.1、 4 601.5~4 246.7 cm^(-1),单宁酸的特征波段为9 403.7~7 498.2、 6 102.0~4 597.7 cm^(-1),没食子酸的特征波段为6 102.0~5 446.3,4 601.5~4 246.7 cm^(-1);主因子数分别为9、 10和5;水分、单宁酸和没食子酸校正集相关系数(R_(c)~2)分别为0.968、 0.915和0.926,交叉验证均方根误差(RMSECV)分别为0.72%、 2.55%和1.47%,相对分析误差(RPD)分别为5.57%、 3.42%和3.69%;验证集相关系数(R_(p)~2)分别为0.951、 0.891和0.891,预测均方根误差(RMSEP)分别为0.563%、 1.28%和0.414%。分析结果表明利用近红外光谱法结合化学计量学方法对五倍子中水分、单宁酸和没食子酸含量的检测具有可行性并达到很好的效果。

近红外光谱检测技术在塑料分选中的应用进展

近红外光谱检测技术(NIRS)在塑料分选中的应用旨在对塑料种类与组份进行识别,从而提高回收效率最终实现资源的综合利用。本文首先介绍传统塑料分选技术发展;其次概述近红外检测技术原理与其在塑料领域的应用现状;最后对在塑料分选领域应用前景进行了总结与展望。在塑料分选领域,近红外光谱检测技术相比传统的物理和化学检测方法,具有快速、无损、高效等明显的优势,可通过实时、在线检测,定性与定量的方式对未知样品进行识别与分选。尽管该技术在一些实验研究中已经取得了显著的阶段性成果,但在实际工程应用特别是检测的精准度,外延新的应用场景等方面仍需进一步研究和优化。

近红外光谱法快速检测何首乌炮制过程中多糖含量的研究

该研究基于近红外光谱技术建立了何首乌在蒸制过程中多糖含量变化的快速定量模型。采用蒽酮浓硫酸法测定了不同蒸制时间何首乌的多糖含量并结合采集的近红外光谱数据建立模型,以校正集相关系数(R^(2)_(c))、预测集相关系数(R^(2)_(p))、交叉验证集均方根误差(RMSECV)和预测集均方根误差(RMSEP)作为评价指标,考察了不同预处理方法和变量筛选方法的效果。结果显示,随着蒸制时间的延长,何首乌多糖含量先上升后下降并趋于平稳,采用平滑+变量标准化+随机蛙跳变量筛选建立的偏最小二乘法回归模型的R^(2)_(c)=0.96,RMSECV=0.74,R^(2)_(p)=0.96,RMSEP=0.28;外部预测相对偏差小于3.0%。所建立的多糖含量定量模型质量较高,预测能力较强,可为探索何首乌炮制工艺标准化及质量评价提供参考。

带壳板栗含水率的可见/近红外与中短波近红外光谱检测对比研究

为实现带壳板栗含水率的无损快速检测与评价,利用可见/近红外和中短波近红外光谱技术进行定量预测方法探索与对比研究。应用不同光谱预处理方法在波段Ⅰ和波段Ⅱ建立全光谱PLSR模型,结果显示,标准正态变量变换预处理的波段Ⅰ模型及归一化预处理的波段Ⅱ模型为优选,预测集相关系数分别达0.882和0.856,预测均方根误差为1.389%和1.665%。进一步对优选预处理光谱应用iPLSR,BiPLSR和SiPLSR建模预测并对比,研究结果表明,波段Ⅰ总体优于波段Ⅱ,且iPLSR模型的预测效果最优,Rp和RMSEP分别可达0.910及1.180%,明确了近红外光谱检测带壳板栗含水率的优选波段、预处理及建模方法。研究为后续板栗含水率高通量在线快检提供技术与方法支撑。

基于近红外光谱特征的冷冻小龙虾鲜度快速检测方法

为建立快速检测冷冻小龙虾鲜度的近红外光谱模型,采集解冻的小龙虾虾尾、虾仁及虾糜的近红外光谱,分别利用一阶导数、多元散射校正、小波变换(wavelet transform,WT)和标准正态变换进行预处理,并利用偏最小二乘(partial least squares,PLS)与卷积神经网络(convolutional neural network,CNN)算法将预处理前后的光谱数据分别与总挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量关联,构建定量预测模型并比较建模效果,选取较佳模型,探究模型预测准确度和适用性。结果显示,预处理方法明显影响了建立模型的精度,光谱经预处理建立的CNN模型与PLS模型相比,具备更好地预测小龙虾TVB-N含量的能力。其中,虾仁光谱经WT预处理建立的CNN模型对验证集的预测准确度最高,校正集与验证集的相关系数分别为0.97、0.96,校正集与验证集的均方根误差分别为1.26、0.93mg/100g。近红外光谱的准确度、精密度与灵敏度均在合理范围内,方法学验证结果良好。综合考虑实际应用中快速、准确、低损伤等需求,确定WT-CNN-虾仁模型为预测冷冻小龙虾中TVB-N含量的最优模型。这些结果表明,WT-CNN-虾仁模型在预测冷冻小龙虾TVB-N含量、快速评价新鲜度方面具有巨大潜力。

复杂环境下基于近红外光谱的挂面生产过程水分快速检测方法研究

水分含量是面条的重要品质指标,水分快速无损检测对挂面企业提质增效有重要意义。研究利用近红外技术分别检测挂面生产过程面片与挂面水分,根据不同外界环境下近光谱的波动探究近红外检测面片与挂面水分的影响因素,采用Si-PLS变量筛选和CARS竞争性自适应重加权2种算法筛选出于水分相关的特征波长,用线性回归与偏最小二乘法2种方法建模并比较模型性能,所建立最佳模型预测误差为0.011 6,相关系数R为0.999 2。对于实际环境中温度变化导致光谱波动的情况,采用多元线性回归和支持向量回归2种方法分别建立温度补偿模型,所建立的补偿模型误差为0.087 8,相关系数R为0.989 5,证明了在挂面生产过程中利用近红外光谱技术进行水分快速检测的可行性。

一种融合叶绿素荧光技术与可见-近红外光谱的番茄幼苗热胁迫无损检测方法

全球气温上升导致高温天气频发,番茄作为温度敏感型植物更易发生热胁迫,最终导致产量损失。在植物热胁迫检测中,温度通常被用作标定其受胁迫程度的依据,但由于不同植株个体的耐热性和自身健康状态存在差异,同一温度下的植株可能会产生不同程度热胁迫症状,以温度来标定热胁迫状态可能会导致误判。以番茄幼苗为研究对象,提出了一种融合叶绿素荧光技术与可见-近红外光谱的番茄幼苗热迫胁程度快速分类方法,以提高对番茄热胁迫程度评估的准确性。采集了对照组植株和热胁迫植株的叶绿素荧光参数与可见-近红外光谱数据,以叶绿素荧光参数为热胁迫评价指标,结合k-means++聚类算法评估了番茄幼苗受热胁迫影响的严重程度,通过对标定后样本的叶绿素荧光参数和植物逆境胁迫相关生理量进行分析,验证了标定结果的合理性。以聚类模型输出为依据对光谱数据进行标定,采用3种预处理方法及其组合,结合3种特征波长提取算法对光谱数据进行处理,获得了6个与样本热胁迫程度相关的特征波段。最后以6个特征波段为输入,热胁迫程度为输出,基于4种机器学习算法构建分类模型,实现了对样本热胁迫程度的分类。结果表明:样本叶绿素荧光参数F_(v)/F_(m),F_(v)/F_(o),NPQ,Y(NPQ)和Y(NO)与其胁迫状态存在显著的中高度相关,依据以上参数将所有样本标记为无胁迫,轻度热胁迫和重度热胁迫三类。三类样本的叶绿素荧光参数、丙二醛(MDA)含量以及光合色素含量均表现出了组间显著差异,聚类结果合理。基于聚类结果对光谱数据进行标定,根据标定结果提取光谱特征波长,99%以上的冗余特征被消除,进一步筛选获得了6个用建立分类模型的特征波长。在建立的4个模型中,线性判别分析(LDA)模型具有最优性能,其测试集分类准确率为92.45%,F1分数为0.9291,AUC为0.9780。结果表明,采用叶绿素荧光技术结合可见-近红外光谱技术检测热胁迫是可行的,该研究为热胁迫的快速检测、耐热性快速筛选以及高温灾害预警提供了一种有效方法。

猪肉理化指标的近红外光谱无损检测

我国是世界上最大的猪肉生产国,同时也是最大的消费国。猪肉的品质影响着人们摄取蛋白质的质量,目前缺乏有效的快速无损检测方法应对巨大的检测需要。为快速测定冷藏猪肉挥发性盐基氮(TVB-N)、pH值和含水率,提出一种新的猪肉品质检测方法,利用近红外光谱技术结合化学计量学方法建立冷藏猪肉TVB-N、pH值和含水率的数学模型。以不同种类的白条猪肉为研究对象,选择排酸完成后的猪最长背部肌肉的切块,采集相应猪肉近红外光谱数据并结合化学计量学试验获取TVB-N、pH和含水率的测量值,对比分析采集到的光谱信息和理化指标,发现在8600~8450、7160~6950、5300~5000 cm^(-1)区域出现显著的吸收峰,而8600~8450 cm^(-1)附近吸收峰的峰值却明显小于其他吸收峰。使用SPXY(sample set partitioning based on joint X-Y distances)算法进行数据集划分,将数据集按照3∶1的比例划分成训练集和测试集。使用蒙特卡罗交叉验证法(MCCV)剔除异常数据,通过偏最小二乘法回归(PLSR)建立TVB-N、pH值、含水率和全波段光谱信息的回归关系。利用数据中心化、Savitzky-Golay(S-G)一阶求导、S-G二阶求导、直接差分二阶求导和多元散射校正等方法对原始光谱进行预处理,探寻合适的预处理方式。结果显示:数据中心化、直接差分二阶求导、二阶求导取得较优的试验效果;故结合竞争性自适应重加权算法(CARS)、非信息变量剔除(UVE)、连续投影算法(SPA)等特征波长提取算法建立PLSR特征波段模型并进行分析。结果显示,TVB-N、pH值、含水率的预测模型结构分别为数据中心化-CARS-PLSR、直接差分二阶求导-CARS-PLSR、二阶求导-CARS-PLSR时具有优异的性能,其中训练集相关系数RC分别为0.9471、0.9988、0.9971,均方根误差(RMSE)分别为1.2088、0.0087、0.0015;测试集相关系数RP分别为0.9275、0.9630、0.9459,RMSE分别为1.6836、0.0517、0.0056。综上可知,近红外波段区域与猪肉TVB-N、pH值、含水率存在显著相关性,利用近红外光谱可以准确预测猪肉中TVB-N、pH值和含水率。

基于近红外光谱与深度学习的紫菜水分无损检测

为探索近红外光谱结合深度学习网络对紫菜水分定量检测的可行性,本研究检测并收集了479组干条斑紫菜的光谱数据和水分含量数据,分别使用四种方法对其中的光谱数据进行了预处理,并在全波段下建立了四种传统定量水分预测模型和一种卷积神经网络(Convolution Neural Networks,CNN)深度学习水分预测模型。对比五种模型预测结果后发现,在S-G平滑结合二阶导数的预处理方法下所建立的CNN模型预测效果最佳,其预测均方根误差(Root-Mean-Square Error of Prediction,RMSEP)值为0.456,预测集决定系数(Coefficient of Determination of Prediction,R_(p)^(2))值为0.990,优化后,该模型的RMSEP值降至0.342,R_(p)^(2)值可以达到0.994(>0.8),同时,外部验证相对误差(Ratio of Performance to Deviation for Validation,RPD)值达6.155(>3),证明了模型实际应用于农业和食品工业的可能性。该CNN模型能够快速、准确、无损地预测条斑紫菜的水分含量,提高了紫菜水分检测的效率和准确性,为相关干制水产品的质量控制提供了重要的参考依据。

基于近红外光谱技术的牦牛奶粉掺假检测与产地识别研究

牦牛奶粉的掺假检测和产地识别有助于保障食品安全、维护消费者权益,是促进乳制品市场健康发展的重要举措。传统的DNA检测方法和稳定同位素分析技术的检测周期长,难以满足快速、低成本现场分析的需求。针对以上问题,本研究建立了一种基于近红外光谱技术(Near-infrared Spectroscopy,NIRS)快速辨别牦牛奶粉掺假及产地的方法。收集了来自四川、甘肃、云南及青海的9个品牌的牦牛奶粉。在制备掺假样品之前,采用聚合酶链式反应(Polymerase Chain Reaction,PCR)技术和DNA凝胶电泳验证所收集的牦牛奶粉中是否掺杂了牛奶粉。完成验证后,进行掺假样品的制备以及近红外光谱数据的采集。采用K最邻近法(K-Nearest Neighbors,KNN)建立分类模型,偏最小二乘回归(Partial Least Squares Regression,PLSR)建立定量预测模型。通过优化光谱预处理方法和变量筛选方法进一步提升定量预测模型的预测能力。结果表明,KNN对牦牛奶粉掺假检测(纯牛奶粉、纯牦牛奶粉、掺杂着牛奶粉的牦牛奶粉)及产地识别(四川、甘肃、云南、青海)实现了100%的正确分类。掺假定量预测模型的校正集相关系数(R_(c))为0.9975,预测集相关系数(R_(p))为0.9913,预测集均方根误差(Root Mean Square Error of Prediction,RMSEP)为1.9823%,性能偏差比(Ratio of Performance to Deviation,RPD)为7.2522。本方法可快速、准确地预测牦牛奶粉中牛奶粉的掺杂以及牦牛奶粉产地的辨别,为牦牛奶粉的质量控制提供技术支持。

基于近红外光谱的小麦成分检测仪

当前较为传统和普遍的谷物成分和品质检测方法主要是传统分离式、人工检测,传统检测方法的主要问题是耗费时间长效率低,无法实现快速检测。近红外(NIR,波长范围:780~2500 nm)光谱分析技术具有适用样品范围广、定量测量精度高、检测时间极短,分析效率高,无损检测,不污染环境、操作简单、可以实现现场快检或在线检测等优点,广泛的应用于谷物和粮食品质的在线或快速检测。目前现有的近红外谷物检测仪器一般能检测谷物少数成分的结果,但结构复杂、价格昂贵。且由于不同季节不同地区谷物的差异导致模型适用性差,难以在基层谷物收购、加工和流通环节推广应用。针对这些问题,设计了一款基于近红外光谱分析的小麦品质检测仪。采用Python上位机来控制近红外光谱仪,通过设定和修改采集参数集成控制检测仪三个舵机以及重量传感器,实现光谱采集,并对光谱数据进行预处理,代入模型计算得到目标样品的理化指标。通过主成分分析(PCA)处理去除异常值,后经过递推平均滤波、标准正态变换(SNV)等预处理,再经过竞争自适应重加权采样(CARS)特征筛选后利用偏最小二乘回归(PLS)得到最优模型。测试结果表明,该系统能够长时间稳定运行,并有效降低了杂散光、样品均匀性等因素带来的误差。并可实现一台机器对不同地区不同季节的小麦的水分、湿面筋、白度和容重指标的检测,可以满足谷物收购与储存等方面的需求。

基于近红外光谱与双权重竞争特征搜索策略的橡胶树叶片氮素检测

本研究旨在解决传统近红外光谱分析在橡胶树叶片氮含量(LNC)检测中模型精度和稳定性的局限。通过对180张橡胶树叶片进行定量分析,提出了一种改进的重加权采样算法,即双权重竞争性自适应重加权采样(DWCARS)。该方法综合运用回归系数和变量投影重要性(VIP)2种权重评价标准,并通过竞争性机制优化特征选择。比较分析结果表明,与传统CARS和差分进化(DE)等方法相比,DWCARS能够提取出更少且预测精度更高的波长变量。在测试集上,DWCARS模型展现了显著性能优势,其决定系数(R_(P)^(2))为0.9367,均方根误差(RMSE_(P))为0.1215,相比于CARS算法建立的预测模型RMSE P值降低了21.66%。表明DWCARS算法在提高橡胶树叶片氮含量检测的准确性和稳定性方面表现卓越,适用于精确监测橡胶树生长阶段的氮素状况。