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。

基于可见-近红外光谱技术的广东典型地区耕地土壤养分含量预测模型评估

【目的】可见-近红外光谱(Visible-near infrared spectroscopy,VNIRS)可以利用少量土壤样品建立预测模型,从而无损快速地预测土壤养分含量。然而,至今鲜见广东省土壤养分的VNIRS预测模型的报道。本研究旨在通过传统化学分析方法和VNIRS技术对广东典型地区的耕地土壤进行分析,构建土壤全量及速效养分含量的VNIRS预测模型,并评估利用光谱分析土壤全量和速效养分含量的可行性,为广东省土壤养分的快速检测及质量评估提供科学参考。【方法】本研究采集了粤东(梅州)、粤西(湛江)、粤北(韶关)、粤西北(肇庆)和珠三角(惠州和珠海) 5个地区共514份耕地土壤样品,测量样品有机质、全氮、可溶性有机碳、碱解氮和速效磷含量,同时利用VNIRS在400~2 490 nm波长范围内探明其全光谱特征,筛选定标样品,结合偏最小二乘法和主成分分析,建立预测模型,并在此基础上进行反向验证,评估模型的可行性。【结果】各地区土壤有机质、全氮、可溶性有机碳、碱解氮和速效磷含量及光谱特征均存在显著差异。有机质和全氮的定标预测模型效果较好,其中,粤西北地区的有机质定标相关系数达到0.831 1,珠三角地区的全氮定标相关系数达到0.789 8;可溶性有机碳、碱解氮和速效磷的预测模型效果在地区间差异较大,粤西北和珠三角地区碱解氮和速效磷的定标效果远优于其他地区。反向验证结果表明,有机质和全氮的预测值与实测值具有较好的相关性,决定系数(R2)最高分别达到0.69和0.65;粤西北和珠三角地区碱解氮的反向验证结果也较好,R2达到0.63和0.62;而可溶性有机碳和速效磷的反向验证结果总体较差。【结论】VNIRS技术能够区分省域内不同地区的土壤来源,可以作为未来土壤分类和土壤质量调查的重要评价指标。VNIRS技术能够较好地直接预测耕地土壤有机质和全氮含量,对可溶性有机碳、碱解氮、速效磷含量的预测存在明显元素差别和地区差异,今后需进一步筛选光谱范围或采用更优方式构建模型。

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。

可见-近红外与中红外光谱预测土壤养分的比较研究

对土壤养分的快速和准确测定有助于适时指导施肥。为进一步研究可见-近红外(350~2500 nm)与中红外光谱(4000~650 cm^(–1))对土壤养分的预测能力,以贵州省500个土样为例,对光谱进行Savitzky-Golay(SG)平滑去噪处理,再用标准正态化(SNV)方法进行基线校正,然后分别应用偏最小二乘回归(PLSR)和支持向量机(SVM)两种方法进行建模,探讨了可见-近红外和中红外光谱对土壤全氮(TN)、全磷(TP)、全钾(TK)和碱解氮(AN)、有效磷(AP)、速效钾(AK)共六种土壤养分的预测效果。结果表明:(1)无论基于可见-近红外光谱还是中红外光谱,PLSR模型的预测精度整体均优于SVM模型。(2)中红外光谱对TN、TK和AN的预测精度均显著高于可见-近红外光谱,可见-近红外和中红外光谱均可以可靠地预测TN和TK(性能与四分位间隔距离的比率(RPIQ)大于2.10),中红外光谱可相对较可靠地预测AN(RPIQ=1.87);但两类光谱对TP、AP和AK的预测效果均较差(RPIQ<1.34)。(3)当变量投影重要性得分(VIP)大于1.5时,PLSR模型在中红外光谱区域预测TN和TK的重要波段多于可见-近红外光谱区域,TN的重要波段主要集中于可见-近红外光谱区域的1910和2207 nm附近,中红外光谱区域的1120、1000、960、910、770和668 cm^(–1)附近;TK的重要波段主要集中于可见-近红外光谱区域的540、2176、2225和2268 nm附近,中红外光谱区域的1040、960、910、776、720和668 cm^(–1)附近。因此,中红外光谱技术结合PLSR模型对土壤养分预测效果较好,可快速准确预测土壤TN和TK,可为指导适时施肥提供技术支撑。

基于沙柳冠层可见-近红外光谱的热值预测

热值是灌木生物质能源利用的重要燃烧性能参数之一。针对传统实验室检测方法破坏性大、费时费力、无法实现大量样本的快速检测问题,探讨了沙柳冠层可见-近红外光谱(Vis-NIR)结合不同化学计量学方法预测沙柳热值的精度差异。采用标准正态变量变换(SNV)、归一化数据(normalize)、标准正态变量变换+归一化数据和第二代小波变换即提升小波变换(LWT)对冠层光谱进行预处理,采用偏最小二乘法(PLS)和卷积神经网络(CNN)构建了沙柳热值可见-近红外模型。同时,对比分析了鲸鱼优化算法(WOA)、麻雀搜索算法(SSA)和灰狼优化算法(GWO)对CNN模型参数的优化效果。结果表明:当采用db4小波进行5层分解后,其对沙柳冠层可见-近红外光谱的去躁效果最好,基于LWT-WOA-CNN法构建的沙柳热值可见-近红外模型的预测精度最优,校正模型的决定系数(R2)、均方根误差(RMSE)和相对分析误差(RPD)分别为0.852,0.103和2.599,RPD值较原始的PLS和CNN模型分别提高19.11%和76.80%。该研究可为沙柳生物质能源的高效、精细化利用提供技术支撑。

基于可见-近红外光谱和化学计量学的带壳香榧坏籽快速识别

带壳香榧籽在后熟处理及炒制过程中会产生无法食用的香榧坏籽,在不破坏外壳的情况下人工无法准确识别和消除,将影响香榧籽整体品质。利用两种近红外光谱仪采集带壳正常香榧籽和香榧坏籽的光谱数据,研究比较8种光谱预处理方法,采用单一波长选择方法(无信息变量消除算法、竞争性自适应重加权采样算法、连续投影算法和子窗口重排分析法)及联合波长选择方法对两个光谱仪的光谱数据进行特征波长筛选,应用线性判别分析(LDA)和支持向量机方法(SVM)建立香榧坏籽的识别模型并比较模型性能的优劣,以确定不同光谱仪下较优的特征波长选择方法。研究结果表明,对于光谱仪1,预处理未能有效提高模型性能,连续投影算法为最优的特征波长选择方法,所建立的LDA和SVM模型的预测集敏感性、特异性及准确率分别为97.10%、95.00%、96.00%和97.10%、97.50%、97.30%,优于全波段模型,建模波长变量数由661个缩减到9个,仅占原波长变量数的1.36%。对于光谱仪2,基线校正为最优的预处理方法,子窗口重排分析法为最优的特征波长选择方法,所建立的LDA和SVM模型的预测集敏感性、特异性及准确率分别为100.00%、92.50%、96.00%和100.00%、95.00%、97.30%,与全波段模型性能一致,建模波长变量数由155个缩减到55个,占原波长变量数的35.48%。近红外光谱技术可以较好地识别带壳香榧坏籽,合适的特征波长选择方法可以有效筛选特征波长,简化模型,并提高模型的准确率和稳定性。研究还发现1000~1300nm光谱波段与香榧籽的淀粉、脂肪和蛋白质含量有关,较适合于带壳香榧坏籽的鉴别。该研究为带壳香榧坏籽的快速无损识别提供一定参考。

基于紫外-可见和近红外光谱技术的葡萄酒产地鉴别

该研究将紫外-可见光谱、近红外光谱技术与化学计量学方法相结合,建立一种快速、准确鉴别干红葡萄酒产地的方法。采集3个不同产地(怀涿盆地、宁夏贺兰山东麓和渤海湾)的108个赤霞珠干红葡萄酒样品的紫外-可见和近红外光谱信息。首先,对比采用标准正态变量变换(standard normal variable,SNV)、一阶导数(first derivative,FD)、二阶导数(second derivative,SD)及不同方法组合对两种光谱数据进行预处理,分别建立随机森林(random forest,RF)、K-最邻近法(K-nearest neighbor,KNN)和最小二乘支持向量机(least squares support vector machine,LS-SVM)判别模型,通过比较建模结果得到最优的预处理-建模方法组合;然后,基于最优判别模型,采用竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)算法和无信息变量消除(uninformative variable elimination,UVE)法对光谱数据进行特征波段提取并建立判别模型。结果表明,基于紫外-可见光谱建立的SNV+FD-UVE-LSSVM模型的校正集和验证集的识别率分别达到97.53%和96.30%,基于近红外光谱建立的FD-CARS-KNN模型的校正集和验证集的识别率分别达到98.76%和96.30%。该结果证实将紫外-可见光谱、近红外光谱技术与机器学习相结合,有望成为一种简单、快速和低成本的工具,用于鉴别中国干红葡萄酒的地理来源。

利用便捷式可见-近红外光谱仪和机器学习分辨霉变小麦及霉变程度

[目的/意义]可见-近红外光谱可对小麦霉变情况快速无损检测,但是高分辨率光谱仪价格高、体积大,不利于在农业环境中推广,因此通过对低分辨率光谱数据进行优化处理,以期接近高分辨率光谱仪分辨霉变小麦的效果。[方法]使用可见-近红外农产品检测仪(型号VNIAPD,分辨率1.6 nm)和复享光纤光谱仪(型号SIN02040,分辨率0.19 nm)采集100份小麦样本的新鲜状态以及不同霉变状态的光谱数据。首先对SINO2040光谱进行裁剪,让其和VNIAPD波长保持一致,均为640~1 050 nm;然后对其使用标准差标准化(Standard Deviation Normalization,SDN)、标准正态变换(Standard Normal Variation,SNV)、均值中心化(Mean Centrality,MC)、一阶导数(First-order Derivatives,1ST)、Savitzky-Golay平滑(Savitzky-Golay Smoothing,SG)、多元散射校正(Multiple Scattering Correction,MSC)等多种预处理方法处理并使用离群点检测算法(Local Outlier Factor,LOF)筛选出离群点并剔除;其次使用连续投影算法(Sequential Projection Algorithm,SPA)和最小绝对收缩和选择算法(Least Absolute Shrinkage and Selection Operator,LASSO)对预处理后的光谱进行特征波长提取;最后分别采用K近邻算法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forests,RF)和朴素贝叶斯(Na?ve-Bayes)、后向传播神经网络(Back Propagation Neural Network,BPNN)、深度神经网络(Deep Neural Networks,DNN)6种算法对特征波长光谱进行建模分析,从而分辨霉变小麦以及区分霉变程度。[结果和讨论]BPNN、DNN两种神经网络模型的测试集准确率均可达到100%,但是建模时间长,模型内存大;而KNN、SVM、RF和Na?ve-Bayes浅层模型的测试集准确率为93.18%~100%,建模速度快、模型内存小。本研究光谱仪VNIAPD在光学参数(光学分辨率1.6 nm)低于SINO2040的光学参数(光学分辨率0.19 nm)且成本更低的情况下,检测准确率到达同一水平。[结论]本研究通过对比光谱数据的不同预处理方法从而找出了对应算法的最佳数据优化选择,使低分辨率光谱仪VNIAPD检测霉变小麦性能可以追平高分辨率光谱仪SINO2040,为基于可见-近红外光谱的小麦霉变低成本无损检测提供了新选择。

不同工况下可见-近红外光谱的煤矸识别研究

在实现煤炭高效利用过程中,煤矸分选是一个非常重要的步骤,但现有的煤矸分选技术存在资源浪费,效率较低等问题。可见-近红外光谱识别技术具有快速可靠的优点,在煤矸识别领域已有一定的研究基础,但大多数研究并未结合实际工况进行有效分析。首先,在实验室中搭建可见-近红外光谱采集装置,模拟实际环境下不同探测角度(0°、10°、20°、30°)、探测距离(10、15、20、25 cm)、光照角度(15°、25°、35°、45°)三种工况,并分别在单因素条件以及正交试验设计的多因素条件下,采集山西西铭煤矿的煤和矸石样本在可见-近红外波段的光谱数据。其次,对采集的光谱数据进行分析,并先后经过标准正态变量变换和Savitzky-Golay卷积平滑,以减少噪音和误差对数据的影响。最后,在单因素试验中,结合预处理算法并基于决策树(DT)、K近邻(KNN)、偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)、AdaBoost五种机器学习模型对光谱数据进行训练。单因素试验结果表明,AdaBoost算法具有较强的学习能力,在不同工况下对煤和矸石的识别准确率均为100%,优于其他识别模型。在正交试验中,支持向量机(SVM)作为识别模型进行训练,结果表明,在原始数据和预处理后的数据中,三种工况对煤矸识别准确率的影响程度不同,影响次序从大到小为不同光照角度、探测距离、探测角度。同时,对比实验结果可以得出,选用合适的预处理和建模方法可以降低不同工况对识别准确率的影响。预处理后的数据中,最优的工况组合为探测角度0°、探测距离20、光照角度35°。随机选取一组条件与最优组进行三次重复对照试验,结果表明最优组的识别表现优于随机对照组。研究结果对煤矸识别最优工况条件的寻找具有借鉴意义,并为可见-近红外光谱技术在煤矸识别领域的实际应用提供了理论基础。

颗粒度对喀斯特型铝土矿可见光-近红外光谱特征的影响

岩矿反射光谱是智能矿山岩矿智能感知技术以及遥感信息识别的重要参考依据,由于地物表面粗糙度对反射光谱的影响取决于粗糙高度值与波长关系对电磁波传播的影响,因此颗粒度是影响岩石和矿物反射光谱特征的重要因素之一。喀斯特型铝土矿在中国分布广泛,目前有关铝土矿的反射光谱基础数据还非常匮乏。为了探究颗粒度对喀斯特型铝土矿反射光谱的影响规律,本文选取贵州省修文县小山坝喀斯特型铝土矿为研究对象,采用地物光谱仪测试不同颗粒度铝土矿(铝土岩)样品的可见光-近红外反射光谱,并结合铝土矿(铝土岩)主量元素和矿物组成分析讨论铝土矿与铝土岩的光谱差异。结果表明:小山坝铝土矿(铝土岩)由于矿物组成的不同而呈现显著不同的光谱特征,其中铝土矿的反射光谱特征主要与一水硬铝石一致,在1400nm和1800nm波长处有明显的波谷特征,由OH振动谱带所致;铝土岩的反射光谱特征主要与高岭石一致,在1400nm、1900nm、2160nm和2200nm波长处有显著的波谷特征,分别由OH倍频合频、H_(2)O的振动谱带以及Al-OH基团拉伸和弯曲振动的合频所致,且在2160~2200nm波段呈双吸收峰特征。此外,不同颗粒度铝土矿(铝土岩)的整体反射率均较高,最高超过28%,且变化趋势基本相同。随着颗粒度从<0.04mm增加到3mm,铝土矿和铝土岩的反射率均逐渐减小,且铝土矿特征波谷的整体吸收强度相对稳定,而铝土岩特征波谷的吸收强度呈逐渐增大的趋势。本文研究认为可采用小颗粒度的粉末样品在1800nm、1900nm、2160nm和2200nm波长处的特征光谱进行铝土矿和铝土岩的区分。

基于近红外光谱-光纤液滴分析法检测蓝莓综合品质

基于近红外光谱融合液滴分析技术进行蓝莓的二维相关分析,以实现蓝莓综合贮藏品质的检测。本研究采集8个贮藏时间‘绿宝石’蓝莓的近红外光谱图和液滴指纹图,综合分析硬度、花青素、VC、固酸比等15个理化指标,发现各指标之间有着密切的相关性,因此对15个理化指标进行隶属函数联合主成分分析计算蓝莓的综合得分,以此划分综合贮藏品质的等级。对光谱数据进行Savitzky-Golay(SG)卷积平滑、标准正态变换、多元散射矫正和迭代自适应加权惩罚最小二乘预处理,经对比分析,SG卷积平滑预处理后所建立的模型预测精度最高,预测结果为82.67%。对液滴数据取平均进行数据降维后进行移动平均平滑、SG卷积平滑、高斯滤波和中值滤波预处理,经过对比分析,经SG卷积平滑预处理后所建立的模型预测精度最高,预测结果为86.67%。以蓝莓的综合得分作为外扰,对光谱数据和液滴数据分别进行二维相关分析,分别优选出879、1019、1220、1636 nm波长和789、1653、2386、2703 ms自相关峰所对应的位置作为特征变量,以光谱和液滴特征数据融合后作为输入建立支持向量机(support vector machine,SVM)和随机森林模型,模型预测准确率分别为100.00%和98.33%,均高于以单个特征作为输入的预测准确率,且SVM模型预测效果更优,之后用‘蓝宝石’‘莱克西’和‘蓝丰’等9个蓝莓品种进行验证,采用相同的方法进行一系列数据处理建立SVM模型,结果表明模型对于不同品种蓝莓均表现出良好的预测效果。综上,利用可见-近红外光谱融合液滴分析技术可以实现蓝莓综合贮藏品质的预测,为蓝莓的品质检测提供新的方法。

基于可见-近红外光谱法无损检测梨总酸含量

梨作为日常生活中人们最喜爱的水果之一,其总酸含量对梨的口感和品质影响很大,因此无损检测梨中总酸含量具有良好的应用前景。本文采集240个赣北成熟梨样本的近红外光谱数据,以随机的180个梨样本作为校正集,60个未知样本作为预测集,以去除首尾处噪声后的400~1800 nm范围的1401个波长点进行研究分析。采用SG平滑法(SG smoothing)以及基线校正法(Baseline offset correction)对原始光谱数据进行预处理,通过偏最小二乘回归(PLSR)数学模型确定SG平滑法对原始光谱的预处理效果最为显著;并利用竞争自适应重加权(CARS)和连续投影算法(SPA)提取了光谱特征波长。同时,结合PLSR与LS-SVM这2种分析方法建立总酸含量的预测模型。其中,CARS+LS-SVM预测模型对梨总酸含量预测效果最佳,R2p值为0.901,RPD值为2.911。研究结果表明,可见-近红外光谱技术作为一种检测梨总酸含量的方法,结合CARS+LS-SVM预测模型具有良好的性能,完全可以有效实现梨总酸含量的定量检测。

基于便携式近红外光谱仪建立生姜配方颗粒的一致性评价及定量分析方法

目的:建立生姜配方颗粒的近红外光谱(NIRS)一致性评价及定量分析方法。方法:利用便携式近红外光谱仪采集生姜配方颗粒样品的近红外光谱信息,通过对61批生姜配方颗粒样品的指纹图谱与对照指纹图谱进行一致性检验,采用相关系数进行分析评价。采用高效液相色谱法(HPLC)测定生姜配方颗粒样品中6-姜辣素的含量。考察不同预处理方法对定量模型参数的影响,建立偏最小二乘法(PLS)和支持向量回归(SVR)定量模型。结果:在一致性评价中61批生姜配方颗粒的指纹图谱与对照指纹图谱的相关系数均大于0.97,不同样品批次间一致性良好。在所建立的定量模型中,最优PLS模型的校正均方根误差(RMSEC)为0.0711、校正相关系数(RC)为0.6240、预测均方根误差(RMSEP)为0.0654、预测相关系数(RP)为0.7009,最优SVR模型的RMSEC为0.0448、RC为0.9198、RMSEP为0.0663、RP为0.7765。结论:所建立的SVR定量模型较PLS定量模型具有更好的预测性能,能够对6-姜辣素含量进行快速预测。本研究基于便携式近红外光谱仪对生姜配方颗粒进行了有效、快速、无损的质量分析,为生姜配方颗粒的质量控制提供新的方法参考。

比较用可见/短波近红外光谱结合机器学习算法测量土壤性质的不同多元校准方法分析

土壤肥力通常由有机质、总氮、速效磷、速效钾等含量决定。这些物质的含量通常采用可见/长波近红外光谱(visible/near-infrared spectroscopy,Vis/NIRS:350~2500 nm)进行研究,可见/短波近红外区域(visible/shortwave near-infrared spectroscopy,Vis/NIRS:325~1075 nm)的研究却非常罕见,将可见/短波近红外光谱结合机器学习算法来测量土壤养分具有巨大潜力。选取了南昌市新建区和吉安市安福县的四个村庄作为样品获取地点,通过2×2网格法选取对角区的10~30 cm深度的土壤样本,其中水稻土120份(水稻土1和水稻土2),棕壤60份、红壤60份。样品经过研磨、风干等处理后用四分法均匀划分为两份,用于测定样品光谱信息和理化信息。将获取的光谱数据去除325~349和1073~1075 nm的噪声波段,然后采用S-G卷积平滑结合一阶导数进行预处理。将预处理后的光谱数据进行主成分分析(PCA),根据主成分分析得到的得分图(PC1:98.44%,PC2:3.5%,PC3:0.14%)显示出样品存在明显聚类现象且在二维空间内相互可分,样品存在明显聚类现象,PCA可以在一定程度上合理解释不同土壤样品的光谱特征差异。将预处理后的光谱数据建立全波段主成分回归(PCR)和偏最小二乘回归(PLSR)模型,通过PCA和PLSR对光谱数据降维,提取出3个主成分因子(PCs)和9个潜在变量(LVs),建立非线性反向传播神经网络(BPNN)和最小二乘支持向量机(LS-SVM)模型。通过比较PCR、PLSR、BPNN和LS-SVM方法对Vis/SW-NIRS及对OM、TN、P、K的预测精度,得出以下结论:(1)LS-SVM-LVs模型在所有土壤性能方面都优于PCR、PLSR、BPNN-PCs、BPNN-LVs和LS-SVM-PCs模型;(2)LS-SVM-LVs模型对OM和N的预测精度最高,这是在NIR区域具有光谱响应的特性;(3)采用Vis/SW-NIRS测定土壤矿质养分P和钾,具有不同的准确性,这是由于光谱活性成分的共变。根据本研究取得的结果,建议采用LS-SVM-LVs分析作为预测土壤性质(OM、TN、P和K)的最佳模型方法。然而,还需要进一步的研究来深入解释在近红外区域不具有直接光谱响应的土壤特性的测量。该研究成果可以为当地的精细农业的发展提供理论与技术参考。

土壤湿度对近红外光谱反演剖面有机质精度的影响

为深入分析土壤湿度对近红外光谱反演剖面土壤有机质(soil organic matter, SOM)精度的影响,该研究依据水分张力这一指标,将土壤划分为风干状态、1.500、0.330、0.100、0.033 MPa和饱和状态共6种湿度水平,在所选16个地点分别采集深度约150 cm剖面土壤芯柱为研究对象,采用7种方法对所测剖面土壤光谱吸光度进行光谱预处理,选择较佳的预处理方法。同时,采用连续投影算法(successive projection algorithm, SPA)和竞争性自适应重加权-连续投影算法(competitive adaptive reweighting-successive projection algorithm, CARS-SPA)筛选特征波长。构建基于全谱及特征波长的SOM近红外光谱反演模型,并将其与标准正态变量变化(standard normal variate, SNV)预处理方法相结合。结果表明:1)SPA-PLSR模型和CARS-SPA-PLSR模型的精度均优于基于全谱的PLSR模型;2)SNV-SPA-PLSR模型在饱和、风干状态下预测效果更好,而SNV-CARS-SPA-PLSR模型在水分张力分别为0.033、0.100、0.330和1.500 MPa时预测精度更高;3)不同土壤湿度水平近红外光谱“一对一”式预测SOM模型难以满足实际应用,经过对比研究,选用水分张力为1.500 MPa时构建的SNV-CARS-SPA-PLSR模型分别预测6组土壤湿度水平和混合样本集中SOM取得效果最好。该研究结果对各湿度水平下估算SOM含量有一定的指导作用,并为提高不同土壤湿度水平间剖面SOM近红外光谱反演模型的适用性提供参考。

基于近红外光谱的三波长脑组织氧监测系统的研制

近20年来,近红外光谱技术因具有无创、实时等特点,被广泛用于人体监测。氧作为人体主要新陈代谢物质,在脑组织中消耗量最大,为防止患者治疗时出现脑组织氧降低而出现并发症,需要实时监测患者的脑组织血氧饱和度。目前临床使用的脑血氧无创检测设备大多采用双波长,在探测路径上其他物质会对测量结果产生误差,为此该研究基于近红外光谱无创监测脑血氧的基本原理,提出一种三波长探测光源的脑组织氧饱和度监测方法,并通过所搭建的系统进行初步验证,为后续的系统工程化奠定基础。

基于深度学习与可见-近红外光谱的患腥黑穗病小麦籽粒分类研究

针对小麦腥黑穗病快速无损的检测需求,该文将可见-近红外光谱与深度学习算法结合建立了小麦腥黑穗病籽粒的分类模型。采用多元散射校正算法(MSC)和标准正态变换算法(SNV)对光谱进行预处理,消除光谱噪音的影响,分别使用竞争性自适应重加权算法(CARS)和随机蛙跳算法(RF)对预处理后的光谱进行特征波长提取。结果显示,特征提取算法可去除大量冗余信息,波段减少比率为93.7%~94.2%,有效降低了模型运行成本,并可防止模型过拟合。结果显示:MSC+CARS+VGG16模型训练集的准确率为96.39%,测试集准确率为91.67%,取得了较好的分类结果。最终建立的VGG16深度学习模型实现了健康、轻度患病和重度患病3类小麦籽粒的分类。对比传统机器学习模型,VGG16模型能够充分提取光谱特征信息,更好地区分健康与轻度患病籽粒。该研究表明深度学习结合可见-近红外光谱方法,能够实现对不同患病程度腥黑穗病小麦籽粒的有效分类,为腥黑穗病小麦籽粒的快速无损检测提供了一种新方法。

近红外光谱法快速测定烟用香精香料中乙醇、1,2-丙二醇含量

烟用香精香料成分较多、来源复杂,有必要对其质量进行评价以确保不同批次产品质量稳定。现行标准规定采用气相色谱法对乙醇、1,2-丙二醇进行测量,但方法缺陷较多。近红外光谱法(NIR)可有效克服气相色谱法所存在的缺陷。采用NIR获取烟用香精香料的光谱数据,使用偏最小二乘法和支持向量机分别建立乙醇和1,2-丙二醇的定量模型。研究结果发现:四个定量模型的Q_(cv)^(2)和Q_(pre)^(2)值都大于0.98;对于乙醇而言,两种多元校正算法的RMSECV和RMSEP值都不超过0.02;模型参数验证了NIR可快速测定烟用香精香料中乙醇、1,2-丙二醇含量具有可行性,这为以后一张光谱图预测多项理化指标数值打下坚实基础。

透射式可见-近红外光谱法检测活体甘蔗纤维分

甘蔗的纤维分是甘蔗选育过程和制糖、造纸等行业生产中不可忽视的因素,采用透射形式的可见-近红外光谱法对活体甘蔗纤维分进行无损检测具有重要意义。采集了6个品种不同生长阶段的123个甘蔗蔗茎样本,将其按2∶1的比例采用Duplex样本集划分方法分为校正集(82个样本)和预测集(41个样本)。以120°的测量夹角获取了蔗茎在去除蜡质前后两种不同状态下的透射光谱,并选取噪声较小且幅值变化明显的670~950 nm波段作为实际建模波段。观察波形发现,去除蜡质后蔗茎的透光率显著增高,且建立偏最小二乘(PLS)回归模型分析了蜡质对于模型预测能力的影响,去蜡后的蔗茎样本建模效果更为良好。将一阶微分(FD)、连续小波变换(CWT)、标准正态变换(SNV)等9种预处理方法分为基线校正、散射校正、平滑处理、尺度缩放四个步骤。按各步骤的顺序进行排列组合产生108种预处理组合,分别对处理得到的光谱数据进行PLS建模分析,最终得到了综合建模效果最优的预处理方法FD+SG。为筛选得到携带最有效信息的波长,采取无信息变量消除法(UVE)、遗传算法(GA)、竞争性自适应重加权采样法(CARS)以及随机青蛙算法(RF)等有效变量提取算法对最优预处理后的透射光谱进行重要波长筛选。分别对各算法提取出的重要波长进行PLS建模分析,其中采用UVE方法提取出来的重要波长建模效果最好,所选波长的数量为40个,占全波段的14.3%。预测集的决定系数(R^(2)_(p))为0.73,比相同预处理下的全波段PLS建模结果提升了14.1%,预测集的均方根误差(RMSEP)为0.88%(%表示甘蔗纤维分的单位),比全波段建模结果下降了14.6%。研究结果表明,可见-近红外透射光谱能够对活体甘蔗纤维分进行有效预测,此研究可为相应便携式传感器的开发提供理论依据,为甘蔗育种、各行业生产的节本增效提供技术支撑。