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。

基于近红外光谱技术苹果尺寸差异对糖度模型适用性的影响

为消除水果自身尺寸差异对其糖度预测模型的不利影响,进一步提高水果分选模型精度,应用近红外光谱在线检测装置采集不同果径苹果的近红外光谱,对光谱进行多种预处理后,分别建立苹果可溶性固形物的偏最小二乘法模型,再用苹果果径75~85mm组中的建模集预测苹果果径分别为65~75、85~95mm组中的预测集样品,最后用果径组65~75、75~85、85~95 mm中的建模集和预测集,分别作为混合苹果尺寸糖度预测模型的建模集和预测集,并利用特征光谱选择算法对模型进行简化,建立苹果糖度通用预测模型。结果显示:与建模集和预测集果径不同时所建立的苹果糖度预测模型最优组相比,其相关系数Rp由0.805提高至0.943,预测集均方根误差值RMSEP由0.778减小至0.480,RPD由0.96增加至3.05,再对建立的通用模型进行简化,可以降低苹果尺寸对苹果糖度模型的影响,提高模型预测性能。

基于近红外光谱特征的国产绿茶产地溯源研究

目的研究我国多省出产绿茶近红外光谱特征,探索以近红外光谱差异进行绿茶产地溯源研究的可行性。方法运用傅里叶变换红外光谱仪漫反射法扫描我国多个产区的169份代表性绿茶样本,谱图分别采用一阶导数(first derivative,1st)、最大最小归一化(max-min normalization,Max-min)、标准正态变量变换(standard normal variable transformation,SNV)和多元散射校正(multiplicative scatter correction,MSC)4种预处理方式处理,采用连续投影算法(successive projections algorithm,SPA)筛选产地差异波段,采用主成分分析(principal component analysis,PCA)对光谱降维处理,建立茶叶产区判别模型。结果采用Max-min、SNV、MSC处理的数据前3个主成分的累计方差贡献率均达到95%以上。分别建立基于主成分的线性判别分析(linear discriminant analysis,LDA)、支持向量机(support vector machine,SVM)、K-最近邻算法(K-nearest neighbor algorithm,KNN)判别模型。经交叉验证和测试集验证,确定最佳处理路线为卷积平滑(Savitzky-Golay,S-G)+MSC+SPA+PCA,结合KNN和SVM建立非线性模型,其光谱测试集判别正确率均达到94%以上。结论近红外光谱结合判别模型可以用于绿茶产地溯源,本研究为绿茶溯源及模型参数选择提供了一定的参考。

基于反向比例解析的近红外光谱定量模型快速构建方法

为解决光谱漂移问题,该研究设计了一种基于反向比例解析的近红外光谱定量模型方法。以烟叶近红外光谱和烟碱含量为研究对象,将数据划分为训练集和测试集。通过计算训练集光谱与测试集光谱的相关性并按照高低排序,选择前20%的光谱,运用约束规划的方法,计算测试集的拟合系数,得到测试集光谱的估计值。结果显示,使用反向比例解析法建立的模型的平均绝对误差为0.3466,预测标准偏差为0.4252,相关系数为0.7932,优于PLS模型。反向光谱比例解析可以有效解决光谱漂移问题,实现烟草中烟碱含量的准确预测,为烟碱的有效测量提供参考。

基于迁移成分分析的近红外光谱定量分析通用模型

在近红外光谱定量分析中,由于光谱数据采集设备和环境条件的不同,已有模型在使用到不同设备或不同环境时会出现预测精度低的现象。为了增强定量分析模型的普适性和通用性,提高模型的预测精度,提出一种基于改进的迁移成分分析转移方法(TM-TCA)的近红外光谱定量分析通用模型构建策略。改进的迁移成分分析方法采用二次校正策略,通过对从机光谱数据的两次校正,改善由于仪器偏移、漂移或不稳定性引起的光谱差异性,确保数据的一致性和准确性,消除仪器不同或外界条件影响产生的偏差,使校正后的从机光谱数据特征尽可能接近主机光谱,以此增强模型对从机光谱的预测能力。首先求出主机与从机光谱转换矩阵,通过转换矩阵进行待测样品的一次校正,缩小主机与从机样品间受外界条件因素产生的差异性。将经过转换矩阵转换后的主机-从机光谱数据矩阵作为迁移成分分析方法的输入。接下来,基于多指标综合迭代优化选择迁移学习中的核函数和特征值个数的基础上构建定量分析通用模型。为了验证迁移成分分析改进效果,与多种方法的转移效果进行比较。通过优化分析选择RBF核函数,特征值个数为52,实验表明,基于TM-TCA的光谱校正率达到97.1%,光谱平均差异(ARMS)与转移前相比下降了82.9%,比TM和TCA方法分别降低了46.5%和30.2%。为了验证模型构建策略的有效性,构建基于TM-TCA和偏最小二乘回归(PLSR)的玉米水分定量分析通用模型,并对不同设备条件下的模型通用性进行分析。TM-TCA-PLSR模型的预测效果与TCA-PLSR模型的预测效果相比较,模型的预测决定系数达到了0.8729,提升了41%,预测均方根误差(RMSEP)和平均绝对误差(MAE)分别为0.1543和0.1159,均降低了90%以上,并且TM-TCA-PLSR模型相对分析误差(RPD)值超过了2.5,模型具有实际应用的价值。表明了TM-TCA转移方法能有效减少主机和从机光谱之间的差异性,基于TM-TCA和PLSR的主机模型具有一定的通用泛化能力。

近红外光谱技术快速鉴别碱水浸泡鸡肉的研究

采用近红外光谱分析技术并结合主成分分析法,建立碱水浸泡鸡肉快速鉴别模型。原始光谱经平滑、多元散射校正和一阶导数等预处理后进行系统主成分分析,结果显示正常鸡肉和碱水浸泡鸡肉能得到清晰的分类。通过不同光谱预处理方法,采用簇类的独立软模式法建立分类模型,结果显示通过对样品光谱采用7点卷积平滑方法预处理,分类模型综合正确率最高,校正回判正确率在77.08%~100%之间,预测正确率在81.25%~100%之间。综上,采用近红外光谱分析技术对碱水浸泡鸡肉进行快速鉴别可行。

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。

基于实验型和工业型近红外光谱仪的木片材性预测建模对比研究

本研究探讨了采用工业型光谱仪和实验型光谱仪建立近红外模型用于快速预测木片材性的可行性,分析对比不同光谱仪的建模效果。针对不同材性指标分析特点,通过光谱信号校正和特征波长筛选算法优化模型预测性能,建立适宜的建模方法。结果表明,基于工业型光谱仪建立的近红外模型对木片水分、基本密度、纤维形态等物理性能指标表现出更高的预测精度,而化学组分含量的预测精度与实验型光谱仪无显著差异。工业型光谱仪木片理化材性近红外模型适用于制浆原料品质评价和工业过程分析。

基于近红外光谱的卷烟配方模块香型预测

为提高卷烟配方模块的分类识别准确率,并为卷烟配方模块的科学评估提供技术支撑,提出了一种基于近红外光谱特征筛选的卷烟配方模块香型预测方法。选取2017—2019年238个卷烟配方模块样品的近红外光谱数据,结合特征工程中的递归特征消除法和BP神经网络、随机森林、XGBoost3种机器学习技术,构建了基于特征变量的香型预测模型。与全光谱数据训练的分类效果对比,经过递归特征消除法筛选后的光谱特征变量能够有效提升卷烟配方模块香型的识别准确率,其中,XGBoost算法分类效果最佳,模型对测试集的识别准确率达到了90.41%。结果表明,基于近红外光谱特征筛选的香型预测方法对卷烟配方模块的快速定位、科学评价及卷烟配方设计等有一定的辅助决策作用。

近红外光谱无损分析肉类品质的研究进展

近年来,近红外光谱分析技术以其无损、快速、高效、环境友好等特点,被广泛应用于肉类品质无损快速分析领域。然而,由于基质复杂、水分含量高,肉类常会对近红外光谱产生一定干扰,进而影响分析结果的准确度。为进一步明确近红外光谱分析技术在肉类品质无损分析方面的最新研究进展,本文对近年来近红外光谱技术在牛肉、羊肉、猪肉、鸡肉、水产品5种常见肉类的品质无损分析方面的应用进行梳理,包括品质检测、分类研究、真伪鉴别、质量安全4个方面,并就近红外光谱分析技术在肉类品质无损分析方面的应用进行总结与展望。可为近红外光谱分析技术在肉类品质无损检测、分类研究、真伪鉴别及质量安全方面的应用提供一定的参考与借鉴。

偏最小二乘法和近红外光谱技术快速测定发酵黄芪茎叶中黄酮含量及抗氧化活性

试验测定发酵前、后黄芪茎叶黄酮含量和抗氧化活性,并应用近红外光谱技术(NIR)结合化学计量学法快速预测发酵黄芪茎叶黄酮含量,为定量检测发酵黄芪茎叶黄酮含量提供理论依据以及为黄芪茎叶深加工利用提供技术支持。试验采用硝酸铝-亚硝酸钠比色法测定发酵黄芪茎叶黄酮的含量,测定黄酮对1,1-二苯基-2-三硝基苯肼(DPPH)自由基清除能力和羟基自由基的清除能力,利用偏最小二乘方法构建发酵黄芪茎叶黄酮的快速预测模型。结果表明,发酵黄芪茎叶黄酮抗氧化能力强于发酵前,构建快速预测模型采用了二阶导数(SD)+正态变量变换(SNV)+去趋势算法(Detred)的方法对全谱图进行预处理的效果较好,优化后的模型决定系数(R^(2))、校正均方根误差(RMSEC)、校准标准差(SEC)分别为0.92、0.24、0.24,其相对分析误差(PRD)为3.46,外部验证R2为0.88。研究表明,构建的NIR模型校正和交互验证决定系数均较大,PRD均大于2,说明模型预测性能较好,建立的模型有助于检测发酵黄芪茎叶黄酮含量活性成分。

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RBF-SVM算法探究不同训练程度参与下功能性近红外光谱信号的智能分类与识别分析

目的:在临床康复训练中保持高水平的参与度可以显著促进患者运动能力的恢复。本研究旨在利用功能性近红外光谱(fNIRS)技术监测被试者在训练过程中的参与状态变化,并应用机器学习算法对不同参与度进行分类与识别,为临床评估提供客观量化参与信息,促进优化康复训练方案。方法:本研究招募了16名健康的右利手被试者,参与了不同难度水平的训练任务。使用一般线性模型选择显著激活的fNIRS通道,提取氧合血红蛋白(HbO)浓度特征,包括均值、斜率和样本熵,利用支持向量机(SVM)分类器对被试者的训练参与程度进行分类和识别分析。结果:通过8次3折交叉验证评估了SVM分类器的性能,结果显示:斜率、均值、样本熵及这三种特征的组合下,分类模型的准确率分别为75.1%、83.2%、80.5%和86.8%。结论:采用SVM分类器能够有效对fNIRS信号进行分类和识别。该研究为运动训练提供了量化参与程度评估信息,将进一步或可为脑卒中运动功能康复智能评估研究奠定理论基础,并为智能康复处方的制定和动态参数调整提供依据,有助于提高运动康复训练效率和效果。

环氧树脂基近红外吸收涂层的近红外光谱、力学及耐盐水性能研究

以环氧树脂为粘合剂,Sm2O3为功能颜料,硅烷偶联剂和石墨烯为改性剂,制备得到了一种同时具有突出力学性能和耐盐水性能的近红外低反射率涂层。系统研究了Sm2O3添加量、硅烷偶联剂种类、硅烷偶联剂添加量和石墨烯添加量对涂层性能的影响。结果表明:Sm2O3添加量的增加可明显降低涂层对1.06μm近红外光的反射率,当Sm2O3添加量为50%,涂层对1.06μm近红外光的反射率可低至31.2%。此时,涂层的附着力和耐冲击强度分别可达到1级和50 kg·cm。用硅烷偶联剂改性涂层,偶联剂上的强极性基团分别可与涂层中的树脂基体和颜料形成共价键结合,从而可发挥桥连作用,进而可明显改善涂层的柔韧性,其中KH560的改性效果最佳。当KH560添加量为5%,涂层的柔韧性可从改性前的9 mm显著改善为改性后的4 mm。石墨烯具有特殊的共平面结构和超长共轭结构特征,使其对入射光的吸收可延伸到近红外区域。石墨烯特殊的片层结构使其具有很高的耐冲击强度和柔韧性,在涂层中添加石墨烯可明显改善涂层的力学性能。研究发现石墨烯的添加可在进一步改善涂层力学性能的前提下显著降低涂层对1.06μm近红外光的反射率。当石墨烯添加量为8%,涂层对1.06μm近红外光的反射率可低至12.6%,此时涂层可具备突出的激光隐身效能。同时,涂层的附着力、柔韧性和耐冲击强度分别可达到1级、2 mm和50 kg·cm,可很好地满足实际工程应用要求。在环氧树脂、硅烷偶联剂和石墨烯的协同界面优化作用下,最佳配方(Sm2O3添加量为50%、KH560添加量为5%、石墨烯添加量为8%)的涂层经盐水腐蚀21 d后,涂层的微结构、近红外低反射率性能和力学性能可保持稳定。此时,涂层对1.06μm近红外光的反射率为12.47%,涂层的附着力、柔韧性和耐冲击强度分别可保持在1级、2 mm和45 kg·cm,表明制备的涂层具有良好的耐盐水性能。

基于近红外光谱技术的局部氧饱和度监测在体外循环中的应用

在体外循环过程中,对患者血流动力学变化的实时监测与管理对于确保患者安全和良好预后具有至关重要的作用。基于近红外光谱成像技术(NIRS)的血氧饱和度(rSO_(2))检测可无创、实时、长时程连续监测大脑或组织的氧代谢,已广泛应用于临床心脑血管疾病的诊断、预后、疗效评估以及神经康复过程。本文将对NIRS的基本原理、常见血氧指标及其在心脏手术中的应用进行综述,以期为临床对体外循环患者并发症的预防及管理提供参考。

基于可见/近红外光谱和函数型线性回归模型的成熟期苹果可溶性固形物含量预测

可溶性固形物含量(SSC)是反映苹果品质和成熟度的重要指标,能够用于苹果品质分析和成熟度预测。以新疆阿克苏冰糖心红富士苹果为研究对象,从果实膨大定形期至完熟期,以3d等间隔周期采摘样本,采集其380~1110nm的可见/近红外光谱,测定其SSC,共552个样品。然后,利用基函数平滑方法将采集的可见/近红外光谱离散数据转化为光谱曲线,即函数型数据,并以可见/近红外光谱曲线、一阶导曲线、二阶导曲线为函数型解释变量,SSC为标量响应变量,分别建立函数型线性回归模型。为了验证和分析模型的性能,根据原始光谱离散数据,经过移动平滑、一阶导和二阶导预处理后,分别建立偏最小二乘回归(PLSR)、核支持向量机(KSVM)、随机森林(RF)、梯度提升树(GBM)和深度神经网络(DeepNN)。结果表明,在建立的18个模型中,针对训练集,PLSR-dNIR模型、KSVM-dNIR模型、RF-dNIR模型、GBM-dNIR模型和Deep NN-d2NIR模型都优于FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型,且Deep NN-dNIR模型最优(r_(c)=0.9996,R_(c)^(2)=0.9986,RMSEC=0.0740,RPDC=27.4366);针对测试集,FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型均优于其他所有模型,且FunLR-NIR模型最优(r_(v)=0.9534,R_(v)^(2)=0.9077,RMSEV=0.5856,RPDV=3.3017)。综合训练集和测试集的结果来看,核支持向量机模型、随机森林模型、梯度提升树模型和深度神经网络模型容易过拟合,而函数型线性回归模型具有更好的普适性。此外,从三个函数型线性回归模型(FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型)的预测效果看,模型均具有良好的鲁棒性和较高的预测精度。试验结果表明,结合可见/近红外光谱技术与函数型数据分析构建的函数型线性回归模型,可成功、有效地实现成熟期苹果的可溶性固形物含量预测。

基于近红外光谱技术有监督模式识别的青皮产地溯源分析

利用便携式近红外光谱仪采集不同产地(安徽、广东、四川)青皮外壁和内囊光谱数据,采用单一预处理和组合预处理方法消除光谱中的多种干扰,结合主成分分析(PCA)、簇类独立软模式分类法(SIMCA)及Fisher线性判别分析(FLDA)等模式识别方法建立青皮产地溯源模型。结果表明,光谱预处理可以在一定程度上消除基线漂移、背景噪声和谱峰重叠干扰,但无法实现产地溯源。3种模式识别方法中,PCA无法实现青皮产地溯源;青皮外壁和内囊原始光谱的SIMCA模型获得的青皮产地溯源整体鉴别率分别为99.14%和98.28%;FLDA模型获得的整体鉴别率均为99.57%,优于SIMCA模型;经光谱预处理优化后的SIMCA和FLDA模型对青皮产地溯源的鉴别率均可达100%,即便携式近红外光谱技术结合有监督模式识别方法可实现青皮产地溯源的无损分析,可为食药同源物质产地溯源拓展新途径。