基于近红外光谱与随机青蛙算法的褐变板栗识别

为了实现板栗Castanea mollissima的快速自动分选，研究了基于近红外光谱技术的褐变板栗无损检测方法。首先采用Antaris Ⅱ傅里叶变换近红外光谱仪获取70个正常板栗和110个褐变板栗的近红外光谱（1000．00-2500．00nm），比较了不同光谱预处理方法对褐变板栗识别的影响，随后采用一种新的变量选择方法即随机青蛙算法（Ran-doraFrog）提取与板栗褐变相关的特征波长变量，最后基于特征波长建立和比较了褐变板栗识别的偏最小二乘-线性判别分析模型（PLS-LDA）和最小二乘一支持向量机（LS-SVM）模型。结果显示：经标准正态变量变换（SNV）预处理和随机青蛙算法优选的23个特征波长所建LS-SVM模型的性能最优，该模型对测试集的敏感性、特异性和识别正确率分别为0．92，1．00和95．00％。随机青蛙算法可以有效筛选重要的特征变量，不仅能简化模型，而且可以提高识别准确率和识别速度。

基于近红外光谱技术的针叶材板材表面节子缺陷检测

为了实现木板材依据节子进行自动化分级,采用近红外光谱技术研究了多种针叶材表面节子缺陷的检测方法。采用Smart Eye 1700近红外光谱仪获取北美黄杉Pseudotsuga menziesii,铁杉Tsuga chinensis,云杉Picea asperata,白云杉Picea glauca-英格曼云杉Picea engelmannii-扭叶松Pinus contorta-冷杉Abies laciocarp a(SPF)等4种板材的近红外光谱(1 000~1 650 nm),比较了光谱预处理方法、建模方法对节子识别的影响,并首次对多种针叶树材进行了节子识别的适应性研究,随后引入一种新的变量选择方法即随机青蛙算法用于优选节子检测的特征波长,在此基础上建立了板材节子识别的最小二乘-支持向量机(LS-SVM)模型。结果显示:一阶导数光谱预处理结合LS-SVM所建混合树种板材节子识别模型性能最优。随机青蛙算法提取了8个特征波长变量,仅占全波段变量的1.23%,所建简化模型效果最好。该模型对测试集的敏感性、特异性和识别准确率分别为98.49%,93.42%和96.30%。近红外光谱技术结合化学计量学方法可以对针叶材树种板材的表面节子进行快速准确检测,随机青蛙算法是提取板材表面节子缺陷特征的有效方法。该结果可为下一步搭建木材节子快速检测系统提供技术支撑。

近红外光谱结合不同变量筛选方法用于黄芩提取过程中黄芩苷含量预测

近红外光谱技术(NIRS)结合化学计量学可以实现中药过程分析中的快速定量,变量筛选算法的应用可以有效去除光谱中的冗余信息并筛选出与成分信息相关的关键变量,与全光谱模型相比可以显著降低模型复杂度,并提高预测精度。本文将近红外光谱技术结合不同变量筛选算法用于黄芩提取过程黄芩苷含量的快速测定,基于SPXY法划分数据集,采用竞争自适应加权重采样法(CARS)、随机青蛙算法(RF)、连续投影算法(SPA) 3种不同变量筛选方法,以偏最小二乘法(PLS)为基础,建立并比较了黄芩药材提取过程黄芩苷含量的定量校正模型。经CARS法、RF法和SPA法分别筛选出92、10、17个变量, CARS-PLS法建立的黄芩苷模型具有最佳性能, CARS法筛选的关健变量与指标成分黄芩苷的化学结构也有着较好的对应关系。模型的校正均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为0.528 2和0.720 2,与全光谱模型相比,模型的校正集相关系数(Rc)从0.917 0上升到0.979 9,相对预测偏差(RSEP)从10.58%降低到5.59%。