近红外高光谱成像技术结合偏最小二乘-判别分析所建模型快速鉴定核桃仁的品质

将近红外高光谱成像技术与偏最小二乘-判别分析(PLS-DA)结合,建立了快速无损鉴定核桃仁品质的分类模型。在900~1 700 nm全波长范围内,采集不同品质核桃仁的光谱数据,以平均光谱作为原始光谱,以标准正态变量对原始光谱数据进行预处理,采用主成分分析对原始光谱数据降维,提取到970,1 151,1 210,1 215,1 256,1 309,1 340,1 379,1 389,1 404,1 460 nm等11个特征波长。基于全光谱和特征波长,分别建立两种PLS-DA分类模型。结果表明:全光谱条件下所建模型在校准集和验证集上的预测正确率最高,可达100%;特征波长条件下所建模型在相同数据集上的分类正确率略有下降,为99.3%;两种模型在测试集上的预测正确率均为100%。

近红外高光谱成像技术快速鉴别国产咖啡豆品种

结合近红外高光谱成像技术和不同的判别分析模型对4种国产咖啡豆品种进行了快速无损判别。通过高光谱成像仪提取874-1 734nm波段内的光谱数据,去除首尾噪声波段后,分别基于925-1 680nm波段的全谱波段和通过连续投影算法（SPA）选择的特征波长,建立了偏最小二乘判别分析（PLS-DA）、随机森林（RF）、K最邻近算法（KNN）、支持向量机（SVM）模型和极限学习机（ELM）5种判别分析模型。基于上述判别模型对咖啡豆品种进行鉴别;然后通过准确率、命中率和否定率3个参数对鉴别结果进行了评价。实验显示,基于全谱和特征波段建立的模型均取得了较好的判别效果,其中ELM模型效果均为最优,每个品种建模集和预测集的准确率、命中率和否定率均在93.5%以上。研究结果表明,基于近红外高光谱成像技术结合模型判别分析方法可以实现对国产咖啡豆品种的识别,特征波长的选择减少了变量数,但判别效果与全谱相当。

近红外高光谱成像技术用于转基因大豆快速无损鉴别研究

以近红外高光谱成像技术,结合化学计量学方法,研究了转基因大豆的快速、无损检测方法。实验以3种不同非转基因亲本（HC6,JACK,TL1）及其转基因大豆作为研究对象。采用高光谱成像系统采集874～1 734nm波长范围的256个波段范围的高光谱图像,提取大豆的光谱信息,剔除明显噪声部分后,采用Moving Average（MA）平滑预处理的941～1 646nm范围光谱数据进行分析。采用偏最小二乘判别分析算法（partial least squares-discriminant analysis,PLS-DA）,对3种非转基因亲本大豆建立模型进行判别分析,其相应的建模集和预测集的判别正确率分别为97.50%和100%,100%和100%,96.25%和92.50%,结果表明,高光谱成像技术可用于非转基因大豆的识别。对非转基因亲本及其转基因大豆进行判别分析,基于全谱,3种的建模集和预测集的判别正确率分别为99.17%和99.17%,87.19%和81.25%,99.17%和98.33%;以x-loading weights提取非转基因亲本及其转基因大豆判别分析的特征波长并建立PLS-DA模型,3种的建模集和预测集的判别正确率分别为72.50%和80%,80.63%和79.38%,85%和85%,该结果表明非转基因亲本与转基因品种的判别分析是可行的,特征波长的选择也可用于非转基因亲本与转基因品种的判别分析。研究表明采用近红外高光谱成像技术对非转基因大豆、非转基因亲本及其转基因大豆进行鉴别是可行的,为转基因大豆的快速无损准确鉴别提供了一种新方法。

基于近红外高光谱成像技术的涩柿SSC含量无损检测

对150个涩柿采集900~1 700nm波段的近红外高光谱图像信息,利用蒙特卡罗—无信息变量消除(MC-UVE)和连续投影算法(SPA)对感兴趣区域光谱进行波长优选。通过MC-UVE-SPA优选出924.69,928.05,1 112.72,1 270.91,1 365.3,1 402.42,1 453.06,1 547.69nm 8个特征波长,对应的光谱反射率作为柿子可溶性固性物含量(SSC)检测的偏最小二乘回归(PLSR)检测模型输入,其预测集相关系数rpre=0.942,预测集均方根误差RMSEP=1.009°Brix。结果表明,MC-UVE-SPA可以有效提取与柿子SSC含量相关的特征信息,从而保留较少的波长建立较好的预测模型。

基于近红外高光谱成像技术的干制红枣品种鉴别

为实现干制红枣的快速鉴别,提出了一种基于近红外高光谱成像技术的鉴别方法。采集四个品种共240个样本干制红枣的近红外高光谱图像(1 000~1 600 nm)。通过主成分分析法(principal component analysis,PCA)、载荷系数法(x-Loading Weights,x-LW)和连续投影算法(successive projections algorithm,SPA)分别提取7个、8个和10个特征波长;基于灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取第一主成分图像的纹理特征。分别以光谱特征、纹理特征、光谱和纹理融合特征作为输入,建立偏最小二乘判别分析(partial least squares-discriminant analysis,PLS-DA)、反向传播神经网络(back-propagation neural network,BPNN)和最小二乘支持向量机(least squares support vector machines,LS-SVM)模型。结果显示,基于融合特征的模型鉴别率高于分别基于光谱特征或纹理特征的模型鉴别率;基于融合特征的BPNN模型的结果最优,对预测集样本鉴别正确率为100%。说明近红外高光谱成像技术可用于干制红枣品种的快速鉴别。

近红外高光谱成像技术在筛查保健食品中违禁添加抗炎药物双氯芬酸钠的研究

双氯芬酸钠是一种非甾体抗炎药,抗炎症效果较好,抗炎化学药物双氯芬酸钠有可能违禁添加到缓解炎症保健食品中。目前已有一些文献研究水、肉及牛奶等中的药物双氯芬酸钠,主要利用高效液相色谱、表面增强拉曼及电化学等方法,需要相对复杂的预处理过程,操作步骤相对复杂,耗时。为了快速、无损检测保健食品中违禁添加物的成分,探索建立采用1000~2524 nm波段或特征最优波段的光谱作为自变量,将近红外高光谱成像技术结合化学计量学分析的方法定量分析缓解炎症保健食品中可能添加的不同浓度的双氯芬酸钠。研究主要运用了8种光谱预处理方法,基于全光谱波长建立了偏最小二乘回归及主成分回归模型,同时,为了提高模型的准确性和稳定性,利用β系数方法选择最优波段1130~1147,1412~1468,1658~1709,2010~2055,2122~2178和2395~2423 nm为自变量建立与双氯芬酸钠浓度的多元线性回归模型。比较了偏最小二乘回归、主成分回归及多元线性回归三种模型。分析结果显示,经标准正态变量预处理方法建立多元线性回归模型,该模型的准确性和和预测能力较好,其预测最低限为0.05%,预测值与实测值的R 2为0.9925,预测均方根误差为0.0049,标准预测偏差为0.0049,说明近红外高光谱成像技术为快速定量分析缓解炎症保健食品中违禁添加抗炎药物双氯芬酸钠提供了理论基础。有望进一步开发拓展到其他违禁添加药物的快速定量应用。

基于近红外高光谱成像技术的鸡蛋污染过程中菌落总数可视化研究

[目的]为探讨鸡蛋污染过程中微生物总量无损预测的可行性,本文研究了一种基于近红外高光谱成像技术可视化鸡蛋中菌落总数的无损预测方法。[方法]将鸡蛋样本在接种大肠杆菌和铜绿假单胞菌的混合菌悬液后储存,采集并统计不同污染程度鸡蛋样本的原始高光谱信息和菌落总数信息;在完成最佳预处理方法筛选后,结合连续投影算法(SPA)分别建立了基于全波段和特征波段光谱信息下的偏最小二乘法(PLS)和支持向量机(SVM)菌落总数预测模型;优选出相对最佳预测模型后进一步实现对鸡蛋内部污染程度的可视化研究。[结果]二阶导数预处理效果相对最佳,其中交叉验证集相关系数R_(CV)为0.88,交叉验证集均方根误差为0.82 lg(CFU·g^(-1));鸡蛋中菌落总数的相对最佳预测模型为基于特征波段下SVM模型,其中建模集相关系数R_C为0.88,预测集相关系数R_P为0.84,建模集和预测集均方根误差分别为0.86和0.97 lg(CFU·g^(-1));根据鸡蛋内部污染程度及光谱特性的差异,建立了鸡蛋内部污染程度伪彩色图像。[结论]近红外高光谱成像技术结合化学计量学及图像处理方法,可实现对鸡蛋内部菌落总数的无损预测及污染程度的可视化,该技术可以为鸡蛋的安全性在线检测提供参考。

可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法

为探究基于高光谱成像技术预测灵武长枣VC含量的可行性并寻找最佳预测模型。采集100个长枣样本在波长400~1 000 nm处的高光谱图像,对光谱数据进行预处理;应用遗传算法(genetic algorithm,GA)、连续投影算法(successive projection algorithm,SPA)和竞争性正自适应加权(competitive adaptive reweighted sampling,CARS)算法对原始光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘(partial least squares regression,PLS)和最小二乘支持向量机(least squares support vector machine,LSSVM)VC含量预测模型。结果表明,采用标准正态变换预处理算法效果最优,其PLS模型的交叉验证相关系数为0.839 5,交叉验证均方根误差为16.248 2;利用GA、SPA和CARS从全光谱的125个波长中分别选取出12、5个和26个特征波长;基于CARS建立的PLS模型效果最优,其Rc、Rp、校正均方根误差、预测均方根误差分别为0.896 2、0.889 2、10.746 2%、12.145 3%。研究结果表明基于高光谱成像技术对灵武长枣VC含量的无损检测是可行的。

基于近红外高光谱成像的单籽粒小麦品种分类研究

以22个品种的小麦为研究对象,利用近红外高光谱成像系统获取小麦籽粒的高光谱图像数据,采用图像分割技术确定小麦高光谱图像的感兴趣区域(ROI),提取小麦900~1700 nm的光谱区间共256个波段的光谱数据。利用遗传算法(GA)对光谱数据进行5次优化,分别建立256、114、57、35、26、13维的特征向量矩阵。利用未归一化与归一化后的数据分别建立灰狼优化算法(GWO)和支持向量机(SVM)的分类模型。结果表明:用1100个训练样本和440个测试样本对模型进行训练和检验分类,准确率分别为87.50%、93.18%;利用近红外高光谱成像技术对单籽粒小麦品种进行分类鉴别是可行的。

基于近红外高光谱成像技术的塑料分类(特邀)

塑料因其可塑性与低成本在日常生活与工业中被广泛使用,然而这也带来环境污染与资源浪费等问题,因此塑料分类成为重要研究课题。为验证高光谱成像技术在塑料分类中的可行性,采用近红外高光谱成像技术(NIR-HSI),比较了1100~1650 nm波段数据在9种常见塑料分类中的效果。涵盖K邻近法(K-NN)、支持向量机(SVM)、粒子群算法训练的SVM(PSO-SVM)、遗传算法优化的SVM(GA-SVM)等机器学习方法。通过验证数据筛选模型准确率后,将其应用于高光谱图像,通过可视化分类对比原始图像评估模型效果。结果显示,基于欧氏距离、余弦相似度的K-NN和GASVM分类效果最佳,验证数据的精度分别达到96.14%、96.21%和98.67%,在可视化分类上也呈现出良好效果。高光谱成像技术在塑料分选中具有很高的应用价值,只需获取特定塑料的光谱数据并进行适当处理,即可对不同颜色、形状、工艺的同类塑料制品进行有效区分。

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。

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的比较反向传播神经网络(backpropagation algorithm neural network,BPNN)模型与偏最小二乘回归(partial least squares regression,PLSR)模型在预测芒果可溶性固形物含量(soluble solids content,SSC)方面的性能。方法使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据,建立两种预测模型,采用多元散射校正(multiplicative scatter correction,MSC)进行光谱预处理,利用遗传算法(genetic algorithm,GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms,IVISSA)和变量组合群体分析算法(variable combination population analysis,VCPA)提取特征波长变量,通过比较不同特征波长提取方法进一步优化对比预测模型。结果与PLSR模型相比,BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳,预测集判定系数R_(p)^(2)、均方根误差(root mean square error of prediction,RMSEP)、残差预测偏差(residual prediction deviation,RPD)分别为0.8641、0.3924和2.7127。结论该模型可快速、准确地检测芒果的SSC,并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC,为开发在线芒果SSC无损检测系统奠定基础。

近红外高光谱成像技术在药物分析中的研究进展

高光谱成像作为一种新型的光谱测量方法,比传统的光谱测量技术有着显著的优势,可同时获取被测试样的光谱信息及空间信息,且测量数据包含的信息量庞大,能更加准确地反映被测试样的整体性质。高光谱成像技术结合有效的化学计量学方法,可以对试样进行快速、无损分析,而且有利于深入研究试样的物理化学属性,现已广泛应用于生物、材料及医药领域的各项研究。本文系统地介绍近红外高光谱成像系统的测量原理、方式、数据结构及数据处理方法,并通过介绍该项技术在药物分析中的应用实例,对其在药物分析中的应用特点、范围及发展现状进行综述。

基于短波近红外高光谱和深度学习的籽棉地膜分选算法

采用膜下滴灌棉花种植模式,在机械采摘过程中地膜易混入籽棉,对后续棉花加工影响极大。地膜无色透明且无荧光效应,常规方法很难识别。为了解决地膜的分选问题,提出一种基于短波近红外高光谱和深度学习的籽棉地膜分选算法。首先,针对高光谱图像中地膜与非地膜像素点光谱特征区分不明显的问题,利用堆叠自适应加权自编码器逐层提取与输出相关的低维非线性高阶特征;然后,将此高阶特征作为分类器的输入,采用粒子群优化的极限学习机实现初步分类;最后,对分类结果进行类型合并,运用形态学方法以及连通域分析,剔除误识别区域,得到优化后的地膜分类结果。经仿真试验及现场测试,算法对地膜识别率达到95.5%,地膜选出率达95%,满足实际生产需求。

甜菜种子活力的测定——基于近红外高光谱技术

为保证田间甜菜种子的出苗率和生产潜力,需要在种植前对种子进行活力检测,挑选出活力高的甜菜种子进行推广种植。利用高温处理法对甜菜种子进行老化处理,再基于标准正态变换(SNV)、去趋势校正(DET)、Savitzky-Golay平滑处理(SG)、一阶差分(1D)和二阶差分(2D)5种近红外高光谱预处理方法,构建种子活力智能检测模型得出预测的种子发芽率,再利用老化处理后的甜菜种子进行发芽实验得出实际的发芽率。研究发现,甜菜种子经过一阶差分预处理建立的智能检测模型预测性能最好,其预测准确率达到91.92%。将未处理的甜菜种子的实际发芽率与一阶差分预处理法建立的智能模型预测结果进行对比,发现模型的预测准确率为88.2%。近红外高光谱技术是一种快速、无损的作物种子活力测定的新方法。

高光谱成像的三七粉质量等级无损鉴别

三七粉是三七的主要消费和商品形式,市场上存在以次充好、甚至是掺假的现象,由于是粉状物料,难以用肉眼判别,为了实现对不同质量等级的三七粉进行无损鉴别。将30头、40头、60头和80头的三七主根研磨成粉,制备样本。采用可见近红外高光谱成像系统(400.68~1001.61 nm)采集4种不同头数三七粉,共计384个样品的高光谱图像,提取高光谱图像感兴趣区域(ROI)的平均光谱值作为样本原始光谱。将384个三七粉样本按2∶1的比例划分训练集和测试集。采用卷积平滑(SG)、多元散射校正(MSC)和标准正态变量变换(SNV)3种预处理方法对三七粉样本光谱信息进行预处理并建立支持向量机(SVM)分类模型,通过比较基于3种预处理方法的SVM模型测试集分类准确率,确定SNV为最优预处理方法。采用迭代保留信息变量(IRIV)、变量组合集群分析(VCPA)和变量组合集群分析混合迭代保留信息变量(VCPA-IRIV)3种特征选择方法提取SNV预处理后光谱的特征波长并建立基于特征光谱和原始光谱的SVM分类模型,通过比较基于3种特征选择方法得到的特征波长建立的SVM模型测试集分类准确率,发现将VCPA与IRIV相结合的VCPA-IRIV为最优特征选择方法。VCPA-IRIV提取了18个特征波长代替全光谱数据参与建模,该算法在降低模型复杂度的同时保持了模型的分类精度。为了提高模型的分类精度,采用引力搜索算法(GSA)对SVM模型中惩罚因子c和核参数g进行寻优,并与网格搜索(GS)的结果进行比较,结果表明,VCPA-IRIV-GSA-SVM模型分类效果最好,测试集分类准确率达到100%。可见,利用可见近红外高光谱成像对三七粉进行质量等级无损鉴别是可行的,为市场上三七粉的质量等级鉴别提供了参考。

基于高光谱成像技术的配方烟丝组分判别

应用近红外(1 000~2 200 nm)高光谱成像技术开展了面对像素、面对样本的配方烟丝4种组分(叶丝、梗丝、薄片丝、膨胀丝)的判别研究。以样本高光谱图像的所有像素点光谱数据进行面对像素的组分判别;以样本所有像素点的平均光谱数据进行面对样本的组分判别。采用二阶导数法结合萨维茨基-戈莱平滑(SG)滤波对光谱数据进行预处理。通过面对像素数据的主成分分析,证实了基于面对像素的高光谱数据进行组分判别的可行性,以前5主成分建立的支持向量机模型很好地实现了叶丝与梗丝、叶丝与薄片丝的判别任务。建立了面对样本的4组分的K近邻和支持向量机判别模型,通过连续投影算法和二阶导数法进行特征波长选择,筛选出具有高判别准确率的波段,组分判别率达86.97%。

基于高光谱成像技术的祁门红茶等级无损检测

为实现快速无损的茶叶产品等级评估,应用近红外(900~1700 nm)高光谱成像技术对6个等级的祁门红茶进行分类。首先利用线性和非线性降维方法对高光谱数据进行可视化处理,可视化算法包括线性方法的主成分分析(Principal Component Analysis,PCA)、多维尺度变换(Multi-Dimensional Scaling,MDS),和非线性方法的t分布随机邻域嵌入(t-Distributed Stochastic Neighbour Embedding,t-SNE)、Sammon非线性映射。其次利用支持向量机(Support Vector Machine,SVM)和极限学习机(Extreme Learning Machine,ELM)建立分类模型来鉴定祁门红茶的不同等级。最后利用SVM和ELM分类模型对高光谱图像每个像素点进行识别,得到预测图。结果表明,t-SNE可以将6个等级的祁门红茶分在六个不同的簇,SVM和ELM的预测集准确率分别为100%和96.35%。t-SNE可视化效果最佳,SVM的检测模型能够有效地对祁门红茶六个等级进行识别。本文为茶叶产品等级的快速、无损检测提供了一种有效的方法,对茶叶产品的质量控制、真伪检测和掺假检测具有重要意义。