面粉(小麦粉)是中国北方大部分地区的主食, 苯甲酸是重要的酸型食品防腐剂, 为了便于食品长期保存, 往往会添加苯甲酸以便延长食品保存时间。 但食用添加苯甲酸过量的小麦粉会对身体健康产生严重危害。 太赫兹技术是一种新兴的检测技术, 由于处于特殊的0.1～10 THz的太赫兹频段, 在食品安全检测方面体现出了很强的应用潜力。 主要致力于探索太赫兹光谱技术检测苯甲酸的合理性、 可行性, 利用太赫兹时域光谱技术对面粉中的食品添加剂苯甲酸进行实验研究。 实验获取了面粉和苯甲酸的太赫兹时域光谱和频域光谱, 其吸收系数显示苯甲酸的特征吸收峰在1.94 THz波段, 面粉的太赫兹吸收系数几乎以一定的斜率增加, 说明可以用THz-TDS(Terahertz time domain spectrum)技术对面粉中的苯甲酸进行特征识别。 为建立面粉中添加剂苯甲酸的定量检测模型, 实验获取了面粉中掺杂不同百分比(质量分数)苯甲酸的太赫兹时域光谱, 计算得到吸收系数谱。 实验发现吸收峰幅度的变化是与苯甲酸的含量成正比的, 苯甲酸含量增加吸收峰幅度变大。 首先探索了不同光谱预处理方法对太赫兹光谱的影响, 采用如平滑校正、 多元散射校正、 基线校正和归一化等方法对原始光谱进行校正处理。 校正之后, 建立相应的PLS (partial least squares)模型以选择最优预处理方法。 然后分别建立苯甲酸浓度和太赫兹吸收系数的MLR (multiple linear regression)、 PLS和LS-SVM(partial least squares support vector machines)回归模型, 并对比分析不同模型的优劣。 将光谱数据归一化后建立的PLS模型更具有优势, 预测相关系数Rp为0.979, 预测均方根误差RMSEP为1.30%。 LS-SVM与PLS和MLR模型相比, LS-SVM模型可以获得更好的建模结果, LS-SVM的预测相关系数Rp为0.987, 预测均方根误差RMSEP为1.10%。 利用MLR方法仅使用1.946和1.869 THz两个波段点进行建模, 建模效果预测相关系数Rp为0.955, 预测均方根误差RMSEP为1.90%。 通过该研究为面粉中苯甲酸添加剂的无损检测提供了新的解决方案, 也为其他类型的添加剂的检测提供了方法指导, 对促进面粉行业的健康发展具有重要的意义。

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。

白茎绢蒿是一种广泛分布于新疆富蕴县各个矿区的一种植物。 在矿区进行矿产勘查时, 由于植物等障碍信息的存在, 传统的勘查方法已经难以发挥作用, 急需一些新方法、 新思路。 遥感植物地球化学方法可以巧妙地利用植物这一天然的信息源, 把植物从障碍信息转换为了有用信息。 帮助人们快速、 经济地获取植物屏障下的矿产有用信息。 由于其具有大面积、 快速、 无损性等优点, 受到了越来越多学者的关注, 成为当下的研究热点。 近些年虽然有学者综合考虑“吸收系数”和“衬度系数”这两个指标, 证明了白茎绢蒿是对隐伏矿床的勘查具有较好指示性作用的植物, 生在在矿床上部的植物可以较好的吸收土壤中的成矿元素, 在其体内形成地球化学异常, 相比于其他植物异常信息更加清晰可见。 但是目前没有人研究是否可以从光谱的角度来发现白茎绢蒿体内的地球化学异常, 进而为隐伏矿床的勘查提供参考。 因此, 本研究首次尝试从白茎绢蒿的光谱信息中寻找出与地球化学异常密切相关的特征波段或者特征值, 然后构建基于植物光谱的隐伏矿床预测模型。 采取的方法是首先利用ASD FieldSpec3 型光谱仪分别对生长在矿床上部和背景区的植物进行光谱测定, 然后从原始光谱、 一阶导数光谱、 二阶导数光谱、 一阶导数的分形维数、 二阶导数的分形维数五个层面对生长在这两个区域的植物光谱进行对比分析, 最终优选出了10个差异显著的特征波段, 分别为: R′824, R′834, R′1 533, R′1 573, R′1 633, R′1 643, R″1 284, R″1 703, 一阶导数的分形维数以及二阶导数的分形维数。 这些特征波段可以作为植物地区寻找隐伏矿床的植物地球化学标志。 以优选出的10个特征波段作为输入参数, 分别用随机森林 (RF)和偏最小二乘-支持向量机(PLS-SVM)构建了基于植物光谱数据的隐伏矿床预测模型。 结果表明: （1）两种模型均可以取得较好的效果, 但是相比于随机森林模型, 偏最小二乘-支持向量机模型具有更好的鲁棒性, 泛化能力也更强; （2）利用植物的光谱异常寻找隐伏矿床具有较大的潜力, 因为相比于传统方法, 更加简单、 快速。 课题组已经利用动力三角翼和HySpex成像高光谱传感器构建了“超低空探测平台”, 可以实现对地“亚米级”的观测。 但是如何有效的解决“空间尺度”和“光谱尺度”问题, 如何把地面试验场建立的模型更好的应用于超低空探测平台, 实现研究区大面积地、 快速地植物异常信息提取将是我们下一步的研究重点。

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。

相对于传统生化测定方法,基于近红外光谱(Near infrared spectroscopy,NIRS)玉米籽粒蛋白质含量检测是一种快速、非破坏、且适用于多组分同时检测的新方法.但在建模过程中,由于奇异数据(异常值)的存在会影响近红外光谱模型的预测精度和稳定性,我们采用奇异数据筛选法剔除了玉米籽粒近红外光谱中的奇异数据并建立了玉米籽粒蛋白质含量的偏最小二乘支持向量机(Least squares support vector machine,LS-SVM)模型.本文分别采用杠杆值法(Leverage)、半数重采样法(Resampling by Half-Mean,RHM)和蒙特卡洛采样法(Monte-Carlo Sampling,MCS)剔除了玉米籽粒蛋白质光谱数据中的奇异数据并对模型结果进行比较.在剔除奇异数据的基础上,采用偏最小二乘回归法(Partial least squares regression,PLSR)提取主成分,并基于小生境蚁群算法(Niche ant colony algorithm,NACA)优化偏最小二乘支持向量机(LS-SVM)模型参数(γ和σ2),建立基于LS-SVM的玉米籽粒蛋白质定量分析模型.结果表明,采用3种奇异数据筛选法剔除奇异数据后所建LS-SVM模型的预测结果都优于采用原光谱数据所建模型,相比较而言,蒙特卡洛采样法为基于近红外光谱检测玉米籽粒蛋白质的最佳奇异数据筛选法.

采用紫外可见(ultraviolet/visible, UV/Vis)光谱技术对水体中有机物浓度的指标化学需氧量(chemical oxygen demand, COD)进行快速检测, 将收集到的135份水样进行UV/VIS波段全光谱扫描, 应用Savitzky-Golay (SG)平滑算法, 经验模态分解算法(empirical modedecomposition, EMD)和小波分析(wavelet transform, WT)对提取出的光谱数据进行去除噪声处理, 为了简化模型, PLSR建模得到的6个潜在变量(LVs)作为偏最小二乘支持向量机(LS-SVM)的输入建立COD预测模型, LS-SVM模型的预测集决定系数r2为0.82, 预测均方根误差RMSEP为14.82 mg·L-1。 说明使用LVs作为LS-SVM建模输入, 可以准确快速检测水产养殖水体中的COD含量, 为将来实现水产养殖水质COD含量的在线检测以及其他水质参数的快速测定奠定了基础。

应用可见/近红外光谱技术实现了转基因水稻叶片的快速识别和叶绿素含量(SPAD)的快速检测。 建立偏最小二乘-支持向量机(LS-SVM)鉴别模型, 校正集的正确率为100%, 同时应用连续投影算法(SPA)提取有效波长, 建立SPA-LS-SVM鉴别模型, 只用了全变量的0.3%进行建模, 其预测集的正确率达到87.27%。 在定量分析中, 各模型的最优结果均来自经过正交信号校正(OSC)的光谱数据, 经过SPA处理后的模型均优于最优的全波段PLS模型, 说明SPA是一种有效的波长选择方法。 最优SPAD值预测模型为SPA-LS-SVM, 其相关系数(r)和预测均方根误差(RMSEP)分别为0.902 2和1.312 1, 获得了满意的结果。 这说明提出的SPA-LS-SVM方法能快速识别转基因水稻叶片并对SPAD值进行准确预测, 为实现大田活体鉴别与连续监测提供了新方法。