华东交通大学机电与车辆工程学院, 江西 南昌 330013
果品内部化学基础信息与光谱信息较好对应是提高模型的关键。 大量的皮厚、 体积大的水果果肉在可见-近红外区域透光性差、 光折射角度难以确定、 化学基础信息获取不准, 导致品质预测效果差。 以西瓜为研究对象, 对西瓜不同区域的可溶性固形物与品质属性的内在联系进行探讨。 水果市场购买360个西瓜样品, 在线检测装置采集光谱时参数用两种设置: 积分时间100 ms、 电流8.0 A和积分时间为150 ms, 电流8.15 A, 后者的光谱吸收峰值强度更高。 西瓜可溶性固形物含量测定时, 将西瓜分为8份, 分别测量心糖、 中糖、 外围糖、 底边糖(SSC)和混合糖(SSC)的平均值, 西瓜内部不同区域可溶性固形物有较大的差异, 果中心的心糖值最高, 而越靠近瓜皮区域的糖度值越低。 以西瓜不同区域可溶性固形物为因变量, 卷积平滑(S-G)降解光谱噪声后的光谱为自变量建立可溶性固形物偏最小二乘预测模型, 建模集270个, 预测集90个。 对比模型发现, 提高分选装置的积分时间和卤钨灯电流, 可以增加可溶性固形物模型预测精度; 局部区域的可溶性固形物作为模型的因变量预测效果也高于混合糖为因变量建立的模型。 由于可见-近红外入射后在瓜果内部发生一定角度的折射、 光停留在浅层区透射等原因, 靠近瓜皮的底边糖区域表征了较多的西瓜果肉信息, 建模效果最佳, 预测集相关系数为0.89, 均方根误差为0.24, 建模集相关系数为0.96, 均方根误差为0.18。 而中糖、 外围糖等具有一定深度且在光的直线区域表征的西瓜果实内部信息较少, 建模效果较差。 因此西瓜底边糖为最佳的可溶性固形物采集区域。 研究结果揭示了水果光散射规律特征及其与品质属性的内在联系, 可供实现光谱数据库和分析模型的在线更新参数。
西瓜 可见-近红外 装置参数 可溶性固形物 预测模型 Watermelon Visible/near infrared Device parameters Soluble solids Prediction model 光谱学与光谱分析
2020, 40(10): 3265
华东交通大学 机电与车辆工程学院, 江西 南昌 330013
针对厚皮果透光性差、不同柚子品种糖度在线检测要单独建模等问题, 本文以柚子为研究对象, 采集有效光谱325条, 对比分析不同柚子品种在710 nm和800 nm附近的两个吸收峰光谱响应特性。550～970 nm全波段范围内的光谱采用SPA无信息消除后建立柚子偏最小二乘判别模型误判率为1.25%; 偏最小二乘法在550～970 nm全波段范围和去差异化后750～930 nm波段范围的预测相关系数分别为0.58和0.86, 预测均方根误差RMSEP分别为0.84和0.55。实验结果表明, 连续投影法结合偏最小二乘判别模型可以实现不同柚子品种的定性判别, 变异系数法对光谱去差异化后结合最小二乘模型对厚皮果柚子可溶性固形物的定量检测效果最佳, 该研究为不同品种的厚皮果在线分选技术提供了参考和理论依据。
近红外光谱 在线检测 模型 可溶性固形物 品种判别 near-infrared spectroscopy on-line detection universal model soluble solids variety discrimination
华东交通大学机电与车辆工程学院, 江西 南昌 330013
水果新鲜度是反映水果是否新鲜、 饱满的重要品质指标, 为了探讨水果不同货架期的预测和判别方法, 以酥梨为研究对象, 利用高光谱成像技术, 结合偏最小二乘判别法(PLS-DA)和偏最小二乘支持向量机(LS-SVM)算法对酥梨货架期进行判别。 由光源、 成像光谱仪、 电控位移平台和计算机等构成的高光谱成像装置采集样品光谱, 装置光源采用额定功率为200 W四个溴钨灯泡成梯形结构设计, 光谱范围为1 000～2 500 nm, 分别率为10 nm。 选取优质酥梨30个, 货架期设置为1, 5和10 d, 对30个样品完成3次光谱图像的采集, 并矫正原始图像。 实验结果表明: 基于图像的酥梨货架期定性分析时, 对不同货架期样品的原始图像进行PCA压缩, 得到三种不同货架期的权重系数数据, PC1图像提取特征波长点为1 280, 1 390, 1 800, 1 880和2 300 nm, 以特征图像的平均灰度值作为自变量且以货架期作为因变量建立定性判别模型, 建模集68个, 预测集22个。 最小二乘支持向量机以RBF为核函数时, 预测集中样品的误判个数为1, 误判率为4.5%。 而当采用lin核函数时, 样品的误判个数为0, 误判率为0。 PLS-DA定性分析时RMSEC为1.24, Rc为0.93。 RMSEP为1, Rp为0.96, 预测集误判率为0。 特征图像对酥梨货架期判别LS-SVM中的lin核函数所建立的模型结果较好, 优于RBF核函数的建模效果, 也优于PLS-DA判别模型。 ENVI软件提取实验样品光谱后建立LS-SVM和PLS-DA判别模型, LS-SVM利用RBF和lin核函数误判率分别为4.5%和0。 与RBF核函数相比, lin核函数所建立的模型预测酥梨货架期的效果更好。 PLS-DA方法主成分因子数为12, RMSEC和RMSEP分别为0.48和0.78, Rc和Rp分别为0.99和0.97, 建模集与预测集的误判率均为零。 LS-SVM中的lin核函数所建立的模型结果较好, 依然优于PLS所建立的检测模型。 酥梨的光谱信息结合LS-SVM可以实现对酥梨货架期的检测和判别。 基于图像建立酥梨的货架期预测模型与光谱相比, 都实现了酥梨货架期的判别, 而特征图像法, 选择区域较少流失部分信息, 计算量小, 建模结果相对略差。 酥梨货架期的高光谱成像检测模型研究为消费者正确评价水果新鲜度提供了理论指导, 也为后期果水果货架期检测仪器的开发提供了技术支持。
高光谱成像 货架期 特征图像 最小二乘判别 偏最小二乘支持向量机 Hyperspectral imaging technique Shelf life Feature image Least squares discriminant Partial least squares support vector machine 光谱学与光谱分析
2019, 39(8): 2578
华东交通大学 机电与车辆工程学院,南昌 330013
为了建立醇类汽油定性定量分析判别的通用模型,采用WQF-510A傅里叶变换红外光谱仪与OPUS光谱采集软件获得甲醇汽油、乙醇汽油的中红外光谱。利用主成分(PC)分析和偏最小二乘(PLS)判别法对醇类汽油样品进行定性判别；通过无信息变量消除进行波段筛选,并基于无信息变量消除-偏最小二乘（UVE-PLS）和无信息变量消除-最小二乘支持向量机（UVE-LSSVM）两种方法分别建立醇类汽油的通用模型后用数据进行评价检验。结果表明,利用PC和DPLS对醇类汽油样品定性判别准确率达到100%；基于UVE-LSSVM方法建立的通用模型效果最好,决定系数和预测集均方根误差分别为0.945和2.187。该研究表明醇类汽油定性定量分析判别通用模型是可行的,该模型可以作为醇类汽油醇含量检测的技术参考和理论依据。
光谱学 通用模型 中红外光谱 无信息变量消除 最小二乘支持向量机 醇类汽油 spectroscopy general model mid-infrared spectroscopy uninformation variable elimination least squares support vector machines alcoholic gasoline
华东交通大学机电与车辆工程学院, 江西 南昌 330013
甲醇汽油是一种清洁能源, 甲醇汽油中甲醇的含量决定了汽油的性能。 通过中红外光谱对甲醇汽油中甲醇含量进行定量检测和分析。 首先, 对采集的甲醇汽油原始中红外光谱进行平滑处理(smoothing) 、 多元散射校正(MSC) 、 基线校正(baseline) 、 归一化(normalization) 等预处理, 再建立PLS模型, 对比选择最佳预处理方法, 结果表明: 在多元散射校正(MSC) 处理后建立的PLS模型效果最好, 模型的预测集相关系数r为0.918, 预测均方根误差RMSEP为2.107。 为进一步简化模型, 提高预测精度, 采用无信息变量消除(uninformative variable elimination, UVE)方法对波长进行筛选, 将UVE波段筛选之后的作为模型的输入变量, 采用偏最小二乘法(partial least squares, PLS) 、 主成分回归(principal components regression, PCR)和最小二乘支持向量机(least square support vector machine, LSSVM) 三种方法分别建立甲醇汽油中甲醇含量的定量预测模型, 并比较不同模型的预测效果和结果。 结果表明, 使用无信息变量消除可以较好提高数据的运算速度, 其中, UVE-PLS模型建模效果最好, r和RMSEP分别为0.923和2.075。 该实验表明中红外光谱检测甲醇汽油中甲醇含量是可行的并可以得到较好的效果; UVE是一种对甲醇汽油的中红外光谱非常有效的波段筛选方法, 该模型的建立对石油化工领域具有较为重要的意义。
中外光谱 甲醇汽油 无信息变量消除 偏最小二乘支持向量机 Mid-infrared spectroscopy Ethanol gasoline UVE LS-SVM
