基于可见/近红外透射光谱的番茄红素含量无损检测方法研究

针对番茄内外部结构特征,搭建了可见/近红外透射检测系统,利用完整番茄透射光谱信息,对番茄红素含量进行无损伤快速检测研究。采集的原始光谱曲线经去趋势(DT)、标准正态变量变换(SNV)、多元散射校正(MSC)、归一化(NOR)、一阶导数(FD)预处理后分别用偏最小二乘(PLS)进行建模分析。其中SNV预处理后的模型效果最好,校正集和验证集相关系数分别为0.9771和0.9504,校正集和验证集均方根误差为0.9711和1.0496 mg/kg。为进一步提高模型的精度和稳定性,采用无信息变量消除法(UVE)、连续投影算法(SPA)、竞争性自适应重加权算法(CARS)3种方法单独或联合处理(UVE-SPA,UVE-CARS),对全光谱进行变量优选。经UVE-CARS处理后番茄红素预测模型效果最好,其校正集和验证集相关系数分别提高至0.9830和0.9741,均方根误差分别降低至0.6919和0.7680 mg/kg。最后,选用25个番茄样品对所建立模型进行了外部验证,UVE-CARS-PLS模型的预测集相关系数为0.9812,预测集均方根误差为0.7071 mg/kg,平均相对误差为4.3%。而作为比较的PLS模型的预测集相关系数为0.951,均方根误差为1.0610 mg/kg,平均相对误差6.0%,相比于全光谱PLS模型,UVE-CARS可以很大程度地简化模型,提高模型精度,降低检测的误差限。结果表明,基于自行搭建的番茄可见/近红外透射检测系统结合光谱处理方法,可以实现对生鲜番茄中番茄红素含量的快速、无损检测,为番茄红素定量检测提供了新方法。

基于全透射可见-近红外光谱的西瓜糖度在线检测研究

糖度是评价西瓜品质的重要指标之一,影响着西瓜的受欢迎程度和销售价格。但体积大、皮厚的自然生物特征为西瓜糖度的快速、无损评估带来了挑战。为探索西瓜糖度快速无损检测,选择230个西瓜作为试验样本,使用自行研制的全透射可见-近红外光谱系统在线采集西瓜光谱数据,在线检测过程中保持光谱连续检测点在西瓜的赤道部位,并分别测量西瓜整果糖度和中心糖度作为理化糖度参考值。首先对样本在线检测过程中产生的多条光谱数据进行均值化处理,并选取波长范围690~1100 nm的光谱数据,使用蒙特卡洛方法剔除其中的异常样本,使用多种预处理方法(SNV、SG平滑等)对光谱数据优化,并采用SPXY算法划分样本校正集和预测集以减小因西瓜内部糖度分布差异造成的影响;基于优化的光谱数据构建了线性PLSR模型和非线性LS-SVM模型预测西瓜中心糖度和整果糖度。结果表明,基于SNV和SG组合法预处理光谱构建的LS-SVM模型预测西瓜整果糖度效果最好,其校正集相关系数R C=0.92,建模均方根误差RMSEC=0.37°Brix;预测集相关系数R P=0.88,预测均方根误差RMSEP=0.40°Brix。进一步使用特征波段挑选算法(CARS、UVE、SPA等)对光谱数据优化,结果显示构建的模型效果更好,其中使用CARS和UVE组合算法选取的特征波长构建LS-SVM模型预测西瓜整果糖度时效果最好,其校正集相关系数R C=0.94,校正均方根误差RMSEC=0.31°Brix;预测集相关系数R P=0.91,预测均方根误差RMSEP=0.37°Brix,且建模变量从1524个特征变量缩减到39个特征变量。该研究为实际生产中西瓜糖度快速无损检测应用提供了参考。

近红外光谱联合化学计量学在柑橘类水果质量无损检测方面的最新研究及应用进展

柑橘类水果以其诱人的风味和高保健作用而备受消费者青睐。面对日益增长的市场份额,以及对口感、质量的双重需求,高品质柑橘类水果成为消费偏爱。快速检测技术的研发应用可为柑橘类水果的安全生产和消费保驾护航。近红外(near-infrared,NIR)光谱技术作为一种无损、便捷、高效的绿色检测技术,已被广泛用于水果质量检测研究。文章全面归纳综述了近5年来NIR光谱技术结合化学计量学在柑橘类水果内部成分、外部缺陷、活性物质、病害、品种、分类、产地等方面的检测研究及应用进展,阐明了NIR光谱技术在柑橘类水果质量检测应用方面的发展趋势并提出了相关建议,为完善光谱技术检测柑橘类水果理论和研发专用水果检测设备提供方法借鉴。

花生含油量全基因组选择及近红外光谱筛选的育种技术探究

花生含油量对单位面积产油量至关重要。该性状受多个微效基因控制,但可用的紧密连锁标记十分有限,传统的分子标记辅助选择育种准确性不高。全基因组选择作为一种新的育种方法,可实现对数量性状的早期预测;近红外光谱分析可对作物品质性状(如含油量等)进行无损检测。通过两者优势互补,建立花生含油量全基因组选择和近红外光谱筛选联合的育种技术,探讨影响花生含油量全基因组选择预测准确性的因素,为花生分子育种奠定理论基础。本研究以216个重组自交系为材料构建训练群体;分别以139、464和505株F_(2)、F_(3)和F_(4)为材料构建育种群体;利用自主开发的“PeanutGBTS40K”液相芯片进行基因分型,开展含油量全基因组选择育种模型分析;通过联合全基因组选择和近红外光谱筛选技术,开展花生含油量性状的育种应用,并评价其育种效果。结果显示,对训练群体进行基因分型后,总共获得30,355个高质量SNPs,并用于11个全基因组预测的模型选择分析。含油量预测准确性最高的模型为rrBLUP,其次是randomforest和svmrbf。以重组自交系为预测群体,F_(2)、F_(3)和F_(4)各世代含油量的预测准确性分别为0.116、0.128和0.119;以重组自交系叠加上一轮的育种群体为预测群体,各世代含油量的预测准确性分别为0.116、0.131和0.160。全基因组选择联合近红外筛选要比单独的全基因组选择对各世代的含油量选择效果提高1.8%、2.7%和3.4%;与单独的近红外筛选相比,差异不显著(0.10%、0.06%和0.07%);而近红外筛选与全基因组选择相比,含油量可显著提高1.7%、2.6%和3.3%。通过联合全基因组选择和近红外光谱筛选育种,F_(3)和F_(4)分别比F_(2)的含油量提高1.2%和1.0%。F_(4)总共获得16个入选改良株系,有10个株系含油量≥55.0%,其中2个株系(SF_(4)_201和SF_(4)_379)的理论产量分别比对照增产7.0%和11.1%。本研究通过建立花生含油量性状的全基因组选择-近红外光谱筛选联合育种技术,可有效实现花生含油量性状的遗传改良。

近红外光谱检测润滑油运动黏度方法的建立及应用

在石化炼油厂日常检测中引进近红外光谱技术,将近红外透射光谱与间隔偏最小二乘法(iPLS)相结合,建立一种装置机组润滑油试样运动黏度的快速检测方法。收集140个石化炼油厂各装置的机组润滑油试样的近红外透射光谱,利用iPLS方法进行建模变量选择。全波长建模的决定系数(R^(2))为0.815,预测均方根误差(RMSEP)为0.26 mm^(2)/s;iPLS变量选择后的R^(2)为0.898,RMSEP为0.17 mm^(2)/s。结果表明:通过变量选择可以良好地提升模型的检测精度,相对于全波长来讲通过iPLS法进行建模变量的选择可以更大地降低检测误差,提高检测精度。

食品检测中近红外光谱分析技术的应用研究

为了实现对食品成分、品质等方面的准确检测,为食品安全监管和质量控制提供有效的技术支持,引入近红外光谱分析技术,开展了该项技术在食品检测中的应用研究。通过样品制备、选择光谱采集设备、设置采集参数,采集食品近红外光谱,引入标准正态变量变换算法和自适应滤波算法,预处理采集的光谱数据,基于预处理后的数据,结合主成分分析法,构建食品成分特征与近红外光谱数据之间的数学模型,实现近红外光谱分析技术在食品检测的应用设计。实验结果表明,提出的研究应用后,食品成分检测结果与真实值更加接近,检测均方根误差较小,食品检测的准确性得到了显著提升。

基于双光栅和柱透镜的高分辨率近红外微型光谱仪

因为便携、低成本、集成化等优势,微型光谱仪已经成为光谱仪技术发展的重要趋势,其中工作波段在近红外的微型光谱仪,在光纤传感和解调、光纤通信等领域有着非常广泛的应用。但目前的近红外微型光谱仪普遍存在分辨率低、成本高、体积大不便于携带等问题,为此,提出了一种独特的基于双光栅和柱透镜的微型光谱仪结构,开展了理论和实验研究。相对于传统的微型光谱仪结构,新的设计主要有三个特征:使用光纤代替入射狭缝,以减少光能损失;采用双光栅将光束进行二次衍射;使用柱透镜以改变线阵CCD阵列表面的成像尺寸。首先,利用Zemax软件进行了光学设计和仿真分析,光谱范围为1525~1570 nm,光学系统结构在66 mm×40 mm×24 mm的体积范围内,光谱分辨率理论上达到0.2 nm,比未加柱透镜的结构提升了2.5倍。然后,根据理论分析,选购了合适的光电器件进行了系统封装,与匹配的电路模块结合,实现了微型光谱仪的光谱检测功能。光谱仪的光学系统安装在66 mm×40 mm×30 mm的体积范围内,实际测量的光谱分辨率为0.215 nm,与理论结果较为吻合。进一步地,搭建了一套基于该微型光谱仪的光纤光栅温度传感测量系统,该微型光谱仪作为信号解调仪,选择了四个中心波长分别为1534、1538、1542和1545 nm的光纤光栅作为传感器,温度在0~50℃范围内以1℃为间隔连续变化,最终实现了温度实时测量和信号解调,系统温度灵敏度分别达到9.58、9.68、9.69和9.6 pm·℃^(-1),验证了该微型光谱仪的高分辨率和高可靠性。研制的微型光谱仪的子组件可以固定在外壳上,系统内部无可移动元器件,体积小、分辨率高、稳定性好,可应用于其他诸如物质浓度分析、传感信号测量等需要高分辨光谱分析的场合。

面向油品参数快速计量的高精度傅里叶近红外光谱仪

针对油品现场检测中实时性和准确度的需要,研制了一种面向油品参数快速计量的高精度傅里叶近红外光谱仪。该光谱仪采用相干长度扩增方法,可快速定位有效信号;通过驱动采集控制系统对傅里叶近红外检测光路进行100 nm等间隔的干涉调制,最终由傅里叶逆变换解析出的吸收光谱分辨力可达3.25 cm^(-1)。用该光谱仪对汽油样品进行质量检测的结果表明:该光谱仪可在短时间内对汽油中5种物质含量进行快速计量,其最大体积误差不超过0.7%,可以满足油品参数现场计量的需求,对市场中成品油质量的监管具有重要意义。

不同光谱采集方式对手持式近红外建模效果的影响

对烟叶原烟采取滑动法和六点法2种方式进行扫描,同时对烟末样品采取滑动法,用二阶导数预处理,异常样本剔除、波长选择、剔一交互验证等后用偏最小二乘法分别建立烟碱模型,三者的相关系数分别为0.97、0.98、0.99,三者的校正标准误差(SEC)分别为0.20%、0.25%、0.09%。结果表明烟叶样品采用滑动法扫描优于六点法,检测的烟叶样品更具有代表性和其快速的结果能满足实际应用需求,在应用过程中节省大量的时间,明显提高工作效率。

近Bohr速度129Xeq+离子入射Ta靶发射近红外光谱线

用动能一定的高电荷态^(129)Xe^(q+)(17≤q≤27)离子,分别入射洁净的Ta靶表面,测量中性化的激发态Xe原子从组态5p^(5)(^(2)P°_(3/2))nl退激到组态5p^(5)(^(2)P°_(3/2))ml’过程中辐射的近红外光谱线.实验结果表明:多激发态的空心原子退激发射其特征光谱线,部分典型的跃迁按照阶梯方式退激.Xe原子发射的谱线的单粒子荧光产额和激发的Ta原子发射谱线的单粒子荧光产额随入射离子电荷态的增加而增加,其增加的趋势与入射离子携带的势能随电荷态增加的趋势一致.证明在近Bohr速度的能区,经典过垒模型是成立的.

基于可见光-近红外高光谱信息与数据融合的木质化鸡胸肉的判别模型构建

木质化鸡胸肉(wooden breast,WB)制约肉鸡行业发展,传统触诊检测方法耗时且效率低,为提升高光谱成像(hyperspectral imaging,HSI)技术检测鸡胸肉木质化程度的效果,本论文以白羽鸡鸡胸肉为研究对象,将其划分4个木质化等级,采集其在400~1000和1000~2000 nm内的HSI信息,通过不同光谱预处理算法和特征波段筛选方法,建立基于全波段、特征波段和HSI数据融合的偏最小二乘判别分析(Partial least squares-discriminant analysis,PLS-DA)模型和支持向量机(Support vector machine,SVM)模型。结果显示,SVM模型比PLSDA模型更适于判别鸡胸肉木质化程度,基于1000~2000 nm内全波段和特征波段的最佳模型预测集总体正确率均高于400~1000 nm内的模型,基于两波段HSI数据融合的木质化判别模型优于基于单一波段(包括全波段和特征波段)的模型,最佳模型预测集总体正确率为96.7%,能较好地区分出4个木质化等级,且对4个等级的判别准确率均可达90%以上。研究结果为HSI实现木质化鸡胸肉的准确无损检测提供技术支持。

茴香渣营养特征分析及其常规养分和矿物元素含量近红外反射光谱预测模型构建

本试验旨在分析茴香渣营养特征及构建其常规养分和矿物元素含量近红外反射光谱(NIRS)预测模型。利用NIRS技术结合改良偏最小二乘法(MPLS)分析了103份茴香渣样品中常规养分干物质(DM)、粗蛋白质(CP)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、粗灰分(Ash)、有机物(OM)、粗脂肪(EE)以及矿物元素钙(Ca)、铁(Fe)、钾(K)、磷(P)和镁(Mg)含量的预测模型。结果表明:茴香渣CP和EE含量较高,NDF和ADF含量较低,且矿物元素含量丰富,可作为饲料原料添加到动物饲粮中。构建的预测模型中,常规养分DM、CP、NDF、ADF、Ash、OM和EE含量的预测决定系数(RSQ)分别为0.940、0.922、0.918、0.873、0.847、0.878和0.908,验证相对分析误差(RPD)均大于2.5,预测的准确性较高,取得最佳定标效果。矿物元素Ca、Fe和K含量的RSQ分别为0.912、0.911和0.856,RPD均大于2.5,预测效果较好,可以用于实际生产;Mg含量的RSQ和RPD分别为0.794和2.203,预测效果较弱,仅能粗略预测来进行样品筛选;P含量的RSQ和RPD分别为0.654和1.667,预测效果差,预测值和实测值的误差较大,不能用于实际生产。综上所述,利用NIRS技术建立的预测模型可快速、准确地预测茴香渣中DM、CP、NDF、ADF、Ash、OM、Ca、Fe和K含量。

基于近红外高光谱图像的花生内部霉变快速判别方法研究

目的针对外观正常但内部存在不同程度霉变的花生,探索采用近红外高光谱成像技术结合机器学习方法构建花生内部霉变快速无损判别模型的可行性。方法采集100粒内部霉变和100粒健康花生的近红外高光谱图像构成数据集,将多种经典光谱预处理方法与支持向量机(support vector machine,SVM)组合建立花生内部霉变判别模型,并采用蒙特卡洛-无信息变量消除法(Monte Carlo-uninformative variable elimination,MC-UVE)找出霉变判别中有效的光谱特征波长。结果将Savitzky-Golay卷积平滑方法和二阶求导光谱预处理方法与SVM组合,对内部霉变严重样本判别的总体识别准确率可达95%,对不同程度内部霉变样本的平均识别准确率为88%;基于MC-UVE筛选得到10、5、3个特征波长构建的模型总体识别准确率为90%、85%和82%。结论实验结果表明高光谱技术结合机器学习可为花生内部霉变的快速、无损判别提供可行的解决方案,同时特征波长筛选为基于光电原理的霉变花生色选机系统开发提供了参考。

基于近红外漫射光谱的离体血氧测量技术研究

基于近红外漫射光谱技术(Near-Infrared Diffuse Optical Spectroscopy,NIRS)和修正的比尔朗伯定律(Modified Beer-LambertLaw,MBLL)提出了一种适用于离体血液的新型氧含量测量方法,同时开发了血氧实时监测系统以实现体外循环血氧参数的连续监测。NIRS利用脱氧血红蛋白和氧合血红蛋白对两种波长近红外光吸收率的差异来计算组织的吸收和散射系数,朗伯-比尔定律是表征光强衰减与光子传输路径关系的数学表达式,将二者结合可估算血红蛋白的吸收系数;与传统的测量方式不同,本文所提出的透射式测量方法,通过双波长(660~904 nm)光源探头交替切换可获取多参数的光学信号,信号实时上传至采集界面(LabVIEW),经过对数化处理,并结合创新的血氧算法得到血液吸收系数、血氧饱和度与光信号的线性模型。为了验证本文研究方案的可行性,开展了液态仿体实验和离体血溶液实验,以滴入溶液墨水体积(仿体实验)和酵母溶液体积(血溶液实验)为变量,通过调控溶液浓度改变光密度变化幅度,证实二者均与光密度(DO)具有良好的线性关系(r^(2)>0.95,p<0.01)。本研究所提出的新型血氧测量方法和血氧实时监测系统适合于离体血液的血氧测量,数据准确可靠、重复稳定性好。

基于近红外高光谱技术的杧果可溶性固形物含量无损检测

【目的】近红外高光谱成像技术(NIR-HSI)在水果内部品质的无损检测方面具有快速、准确和无损的特点。旨在利用NIR-HSI技术分析不同品种杧果的可溶性固形物含量,并探讨400~1000nm波段范围内的光谱差异和可溶性固形物含量的响应。【方法】选择贵妃杧果和台农1号杧果作为研究对象,使用NIR-HSI技术获取杧果样本的光谱数据。采用CARS-PLS模型分析可溶性固形物含量与各波段光谱反射率的相关系数。为了验证模型的性能,计算了建模R^(2)、斜率Slope、截距和RMSE等指标。【结果】得到CARS-PLS模型的性能指标:建模R^(2)为0.8806,斜率为0.8515,截距为12.208,RMSE为0.6366。这些指标表明该模型具有较高的建模拟合度和预测精度。【结论】应用NIR-HSI技术对杧果可溶性固形物含量进行检测具有可行性。为进一步研究不同水果可溶性固形物含量的高精度模型奠定了基础。通过NIR-HSI技术的应用,可以提供一种非破坏性且高效准确的方法,用于水果品质评估和检测。这对农产品质量控制和市场营销具有重要的意义。

近红外光谱分析技术在玉米品质检测中的应用研究进展

玉米是我国重要的粮食作物和动物饲料来源。为实现精准化营养和自动化加工,在玉米种植、仓储、深加工、饲用等领域,玉米的营养品质、安全指标及种子质量等备受关注。传统的化学检测方法会对样品产生破坏,耗时耗力,并且需要专业的技术人才进行操作,难以满足日益增长的玉米检测需求。近红外光谱分析技术具有检测速度快、操作简单、多组分同时分析等优点。本文主要综述近红外光谱分析技术在检测玉米的化学成分、安全指标、种子质量等方面的研究进展,旨在为近红外光谱分析技术在玉米的品质评价、种质选择等方面的检测应用提供参考。

改进模糊推理分类器进行木材树种近红外光谱开集分类识别研究

开集分类识别是近10多年来模式识别领域研究的热点,它能够识别训练集中已知类别的测试样本,同时还能够有效“拒识”未知类别的测试样本;这些未知类别样本不包含在训练集中。现有的开集分类识别算法主要是基于Support Vector Machine(SVM)和深度学习网络框架进行改进,并且主要应用在自然景物图像领域中;在光谱分析领域中还鲜有报道。将传统的闭集框架下的模糊推理分类器进行模型改进,提出了开集框架下的改进模糊推理分类器,并将其应用到木材树种近红外光谱分类识别中。首先,使用Flame-NIR近红外微型光谱仪采集木材样本横切面的近红外光谱曲线,采用Metric Learning算法进行光谱向量维度约简降维至4维(4D)。其次,改进闭集框架下的模糊推理分类器,根据模糊规则置信度和各维度隶属度概率的乘积构建Generalized Basic Probability Assignment(GBPA),再根据GBPA进行分类处理。在20个树种的具有不同的Openness指标下的近红外光谱数据集的分类识别对比实验表明,改进的开集模糊推理分类器(fuzzy reasoning classifier in an open set,FRCOS)优于现有的基于机器学习和深度学习的开集分类识别主流算法,具有较好的评价指标F-Score,Kappa系数及总体识别率。

土壤有机质可见-近红外反射光谱特性研究

为优化土壤有机质含量预测模型运算速度,以50份土壤有机质为例,利用Pearson相关系数分析法对土壤有机质的特征波段进行提炼筛选。结果表明,土壤样品的反射光谱与土壤有机质含量在555~662 nm波段范围内呈较强负相关,显著特征波段为601 nm;经过不同预处理后的土壤反射光谱与土壤有机质含量呈较强的相关性,显著特征波段增加,主要体现在601、1221、1410、1665、1880、2110、2200 nm波段附近。对不同土壤含水率的反射光谱与土壤有机质含量之间的Pearson相关曲线进行分析发现,显著特征波段主要体现在601、1450、1930、2200 nm波段附近,随着土壤含水率的增加,土壤有机质的特征波段601 nm的相关性逐渐减弱,土壤水分的特征波段1450、1930、2200 nm的相关性逐渐加强;土壤含水率超过10%,土壤反射光谱与土壤有机质含量呈正相关。研究获取的土壤有机质特征波段和土壤水分影响波段,为土壤有机质快速检测模型的建立提供理论支撑。

婴幼儿奶粉中多种掺假物近红外高光谱图像检测方法

奶粉市场是食品掺假行为频发领域,其中婴幼儿配方奶粉价格高,其质量是消费者、生产企业和执法部门关注的重点。近红外高光谱成像(Near infrared-hyperspectral imaging,NIR-HSI)技术结合化学计量学和机器学习算法可以检测奶粉中单一掺假物含量。基于NIR-HSI技术研究了不同品牌婴幼儿奶粉中多掺假物(三聚氰胺、香兰素和淀粉)的定量预测。对基于像素点预处理后的高光谱图像划分感兴趣区域(Region of interest,ROI),提取ROI平均光谱。基于经典的过滤式特征选择算法拉普拉斯分数(Laplacian score)(无监督)和ReliefF(有监督)挑选建模关键变量,建立偏最小二乘回归模型(Partial least squares,PLS)。开发包含自定义选择层的一维卷积神经网络模型(One-dimensional convolutional neural networks,1DCNN)。自定义层根据权重系数绝对值,可确定重要波长变量。Laplacian score-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.1110%、0.0570%、0.0349%和0.3481%。ReliefF-PLS模型对预测集中奶粉、三聚氰胺、香兰素和淀粉预测结果均方根误差分别为0.1998%、0.0540%、0.0455%和0.1823%。1DCNN模型对预测集中奶粉、三聚氰胺、香兰素和淀粉质量分数预测结果均方根误差分别为0.8561%、0.0911%、0.0644%和0.2942%。对Laplacian score、ReliefF和自定义选择层挑选出的前15个重要波长进行对比分析,不同特征选择方法挑选的特征波长子集有所区别,但都选择1210、1474、1524、1680 nm等附近波长。基于ReliefF-PLS模型的可视化结果表明了其良好的预测能力。

基于塑料近红外光谱的判别分类研究

目的为了回收可用于不同物品包装的塑料,对不同塑料种类进行识别分类。方法首先采集PP、PET、HDPE、TPE、PLA、PBT、TPU、POM-M90、PPO-GF20NC、TPB、PPS、ABS、PPO(natural)、SAN、POM-F20、PPO(white)16种塑料的近红外光谱数据,其次针对光谱数据采集时存在的噪声问题,使用SG平滑滤波进行了光谱数据预处理,之后利用主成分分析算法进行光谱数据降维,减少待处理数据量,最后分别运用无监督聚类K-means算法和监督聚类极大似然估计、Fisher判别式以及光谱角算法建立4类分类模型。结果K-means算法可以将PPO-GF20N、PLA和PPO(本色)与其他塑料粒子区分开,准确率分别是100%、100%以及80%;Fisher判别式和极大似然估计法对POM-M90和POM-F20的识别准确率为93%,其他塑料粒子识别准确率均为100%;光谱角算法对PET的识别准确率为80%,POM-F20的识别准确率为47%,其余粒子的识别准确率均大于90%。结论上述机器学习算法结合近红外光谱成像技术建立分类模型可为常见塑料的鉴别研究提供参考。