华东交通大学机电与车辆工程学院, 水果智能光电检测技术与装备国家地方联合工程研究中心, 江西 南昌 330013
茶叶是我国重要的经济作物, 对茶叶病害的及早发现与诊断, 有利于农业生产者及时采取有效的防护措施。 为了实现对茶叶病害的准确判别, 采用叶绿素荧光光谱对茶叶的光谱特性展开研究。 实验采集了健康茶叶样本90片, 藻斑病轻度病害叶片90片, 藻斑病重度病害叶片90片, 并根据Kennard-Stone算法将样本数按3:1划分训练集和预测集样本数, 其中校正集为200个、 验证集为70个。 采用叶绿素荧光光谱采集系统对茶叶藻斑病、 正常叶片进行光谱采集, 其中采集参数设置为: 积分时间20 ms, 激光功率40 mW。 分别分析了患病叶片和正常叶片的光谱响应特性, 总体上看, 三种叶片光谱主要存在吸收强度差异, 光谱走势基本一致。 在685和740 nm附近存在叶绿素的荧光峰, 其差异主要表现在正常叶片光谱较另外两种叶片光谱吸收强度较高, 而重度病害强度最低。 然后使用多项式平滑(Savitzky-Golay)对原始光谱进行平滑和降噪处理, 建立了偏最小二乘判别模型(PLS-DA), 在PLS-DA建模集模型中, 误判样品数为3个, 误判率为3%; PLS-DA预测集模型中, 误判样品个数为5个, 误判率为7.1%。 然后建立4种不同核函数的支持向量机模型进行比较得到, 由RBF作为核函数, 经主成分分析法(PCA)降维后的变量建立的SVM模型误判率最低, 准确率达到95.72%, 最后采用PCA结合线性判别分析方法(LDA)建立的模型效果最好, 准确率达到98.9%。 其中最优主成分数的选取由留一验证法取得, 选用前10个主成分进行建模时, 交叉验证准确率最高, 达98%。 通过模型对比得到PLS-DA建模集和预测集精度都达到90%以上, 以四种核函数建立的支持向量机模型中, 径向基核函数模型效果较优, 达到95.72%。 经主成分分析后建立的LDA效果最好, 识别率为98.9%。 该研究采用叶绿素荧光光谱结合化学计量学对茶叶病害进行识别, 为茶叶病害的快速、 准确预测提供一种新方法。
荧光光谱 主成分分析 偏最小二乘判别法 支持向量机 线性判别分析 藻斑病 Fluorescence Spectroscopy Principal component analysis Partial least squares discrimination Support vector machines Linear discriminant analysis Cephaleuros virescens Kunze 光谱学与光谱分析
2021, 41(7): 2129
马铃薯黑心病是一种马铃薯主要内部缺陷, 严重损害薯条、 薯片、 全粉等加工制品的质量和产率。 目前对马铃薯的分级主要侧重于外部品质检测, 针对内部缺陷检测的研究很少。 旨在开发一种马铃薯黑心病的快速无损检测技术, 为此搭建了马铃薯可见近红外透射光谱分析平台, 分析健康与黑心病马铃薯的透射光谱特性并优化光谱判别模型参数。 基于现有马铃薯分级线和复享PG2000高速光谱仪, 采用左右透射方式(光源与光纤探头位于分级线果盘左右两侧), 采集470个马铃薯(其中健康薯234个、 黑心薯236个)的透射光谱图, 建立偏最小二乘判别模型(PLS-DA), 并利用主成分分析(PCA)与光谱形态特征相结合的方法选择特征波长, 优化模型。 分析发现, 健康薯与黑心薯的可见近红外透射光谱在吸光度值和光谱形态特征方面均存在明显区别。 黑心薯的平均光谱吸光度值高于健康薯(650~900 nm范围内), 但黑心薯的平均光谱曲线较为平缓, 无明显吸收峰, 而健康薯平均光谱曲线在665, 732和839 nm附近有明显吸收峰, 并且健康薯与黑心薯的平均光谱差值在705 nm处达到最大值。 基于PLS-DA法建立了马铃薯黑心病判别模型, 对黑心病的判别效果显著, 分类器特性曲线(ROC)下面积(AUC)值为0.994 2, 黑心薯识别总正确率能够达到97.16%, RMSECV和RMSEP分别为0.28和0.26。 此外, 成功利用PCA与光谱形态特征相结合的方法对模型进行简化, 最终得到由6个波长(658, 705, 716, 800, 816和839 nm)组成的特征波长组合, 简化后的模型总正确率能够达到96.73%, 接近全波段模型判别水平。 研究表明, 左右透射的方式能够准确识别黑心马铃薯, 实现对马铃薯内部缺陷的快速无损检测。 对我国马铃薯产业的发展起到一定的促进作用, 为马铃薯内部缺陷在线检测技术的提高提供了重要的理论基础和实践依据。
可见-近红外透射光谱 黑心病 马铃薯 主成分分析法 偏最小二乘判别法 Vis-NIR transmission spectrum Blackheart disease Potato PCA PLS-DA 光谱学与光谱分析
2021, 41(4): 1213
塑胶微粒原料已渗透到人类衣食住行的方方面面, 并广泛应用于能源、 工业、 农业、 交通乃至航空航天和海洋开发等各重要领域不可或缺的材料。 在利益的诱惑下, 废旧塑胶的走私现象屡禁不止。 我国作为塑胶原料进口大国, 现有检测方法耗时长, 难以实现现场检测, 因此, 开发一种用于现场的废旧塑胶微粒判别方法, 对快速通关和海关缉私有重要意义。 拉曼光谱技术具有快速、 无损、 样品用量小、 无需前处理且适应性强等优点, 已在现场快速鉴别领域得到广泛应用。 在研究塑胶废旧机理的基础上, 将拉曼光谱技术结合化学判别方法, 应用于废旧塑胶原料识别。 选取两类成分相似的实际通关塑胶原料样品, 包含标准品及废旧品各160份, 并对样品的拉曼光谱信息进行了采集。 对比分析了两种塑胶原料的原始拉曼光谱, 并对样品的拉曼光谱特征峰进行了归属分析。 选取1 603 cm-1作为归一化参照峰位, 进一步探究废旧塑胶的成分变化, 对比统计了废旧塑胶原料及标准塑胶原料的相对峰强变化, 结果表明废旧塑胶原料发生了化学老化。 基于主成分分析法(PCA)对原始拉曼光谱及预处理拉曼光谱进行降维处理, 结果表面预处理拉曼光谱的前2主成分空间分离度较好, 通过对原始拉曼光谱数据进行背景扣除及平滑预处理, 可减少荧光背景及噪声对鉴别的影响, 提高鉴别的准确度。 将样品一半划分为校正集用于模型建立, 另一半划分为预测集用于模型验证, 基于偏最小二乘判别分析(PLS-DA), 建废旧塑胶原料鉴别模型, 该模型对建模训练集鉴别正确率为100%, 模型验证集鉴别正确率为99.06%。 研究表明, 基于拉曼光谱技术, 结合测试数据预处理及偏最小二乘判别分析方法, 可以有效地实现塑胶原料的现场、 快速、 准确鉴别, 为开发现场检测装备及方法提供理论参考。
拉曼光谱 ABS塑胶 主成分分析 偏最小二乘判别法 Raman spectroscopy ABS plastic PCA PLS-DA
1 钢铁研究总院, 北京 100081
2 钢研纳克检测技术股份有限公司, 北京 100094
基于拉曼光谱检测技术结合化学判别方法, 建立新陈大米拉曼光谱判别模型; 建立适当的样品预处理方法, 确保样品制备的均一性, 使用拉曼光谱仪对新陈大米共计60组样品进行检测, 在785 nm波长激光激发下, 获取样品200~2 400 cm-1的拉曼光谱信息; 对原始拉曼光谱进行基线校正、 平滑、 滤波等处理。 利用主成分分析法(PCA)对拉曼光谱进行降维处理及粗分类鉴别; 基于偏最小二乘分析法(PLS), 建立新陈大米快速鉴别模型, 该模型对建模训练集鉴别正确率为100%, 模型验证集鉴别正确率为95%。 结果表明: 该模型判断新陈大米是可行的, 为大米新陈度的快速判别提供了一种新的方法。
拉曼 大米 主成分分析 偏最小二乘判别法 Rice Raman spectroscopy PCA PLS 光谱学与光谱分析
2019, 39(5): 1468
1 北京石油化工学院数理系, 北京 102617
2 天津农学院工程技术学院, 天津 300384
将同步-异步二维中红外相关谱和多维偏最小二乘判别法相结合定性分析掺假芝麻油。 分别配置40个纯芝麻油和含有玉米油不同体积分数(3%~60%)的掺假芝麻油样品40个。 室温下, 分别采集所有样品的常规一维中红外光谱(650~4 000 cm-1)。 在研究纯芝麻油和掺假芝麻油的一维中红外光谱的基础上, 以芝麻油中掺假的玉米油浓度为外扰, 进行相关计算, 得到同步和异步二维中红外相关谱矩阵, 并对其进行标准化。 分别提取标准化的同步和异步二维中红外相关谱主对角线上部分和下部分元素进行融合, 得到同步-异步二维中红外相关谱矩阵。 在此基础上, 分别基于同步-异步二维中红外相关谱矩阵、 同步二维中红外相关谱矩阵和异步二维中红外相关谱矩阵建立了三个定性分析掺假芝麻油的多维偏最小二乘判别模型对预测集未知样品进行预测, 其识别正确率分别为100%, 96.2%和96.2%。 结果表明: 相对于同步和异步二维中红外相关谱, 同步-异步二维中红外相关谱不仅包含了完整的掺假油特征信息, 而且剔除了冗余信息, 因此能取得更好的判别结果。
同步-异步二维中红外相关谱 多维偏最小二乘判别法 掺假芝麻油 玉米油 Synchronous-asynchronous 2D mid-infrared correlati Multi-way partial least squares discriminant analy Adulterated sesame oil corn oil 光谱学与光谱分析
2017, 37(4): 1105