江苏大学食品与生物工程学院, 江苏 镇江 212013
采用颜色、 剪切力和K值评价冰鲜与冻融三文鱼的品质, 利用高光谱成像技术结合化学计量学方法对三个品质指标进行预测, 并讨论了不同波长选择算法所建模型的预测效果。 准备不同冻融次数三文鱼样本, 进行高光谱数据采集和品质指标真实值的测定。 采用六种预处理方法减少光谱数据中暗电流以及噪声的干扰, 采用竞争性自适应重加权算法(CARS)、 区间变量迭代空间收缩法(iVISSA), iVISSA-CARS筛选出与待测指标相关的变量, 通过比较三种波长选择算法筛选的特征变量所建偏最小二乘(PLS)模型的预测结果, 优选出三个品质指标最佳的变量选择方法。 结果表明1st Der-CARS-PLS模型对颜色中的a*预测效果最好, 筛选出的51个变量建立模型的Rc和Rp分别为0.931 6和0.929 7, RMSECV和RMSEP分别为0.716和0.735; 2nd Der-CARS-PLS模型对剪切力的预测效果最好, 筛选出的61个特征变量建立模型的Rc和Rp分别为0.892 1和0.887 3, RMSECV和RMSEP分别为0.67 N和0.80 N; 模型N-CARS-PLS取得了K值最好的预测效果, 筛选出的51个特征变量所建模型的Rc, Rp, RMSECV和RMSEP分别为0.951 4, 0.950 0, 1.33, 1.53。 说明CARS变量筛选方法能够有效提取与特征指标相关的变量, 提高模型的预测性能。 除此之外, 特征变量筛选联合算法iVISSA-CARS-PLS对三个指标的预测也取得了较好的结果, 对三个指标测试集的Rp分别为CARS-PLS预测模型的97.48%, 97.02%, 98.98%, 而所用变量数仅为CARS-PLS的60.78%, 62.29%, 60.78%, 说明变量筛选组合算法极大的减少了建立模型所用的数据量。 三个指标的CARS-PLS以及iVISSA-CARS-PLS模型取得的预测效果均高于iVISSA-PLS, 说明对于三文鱼三个品质指标的预测, CARS波长点筛选策略优于iVISSA波段选择策略。 将优选出来的PLS模型分别用于构建三个品质指标的可视化分布图, 清楚的展示了不同冻融次数三个品质指标的大小以及空间分布。 因此, 高光谱成像技术结合化学计量学方法可以较好的表征三文鱼的品质指标, 为三文鱼多品质指标的同时快速检测提供了部分理论参考。
高光谱成像技术 三文鱼 颜色 剪切力 K值 变量筛选方法 Hyperspectral imaging technology Salmon Color Shear force K value Variable screening method 光谱学与光谱分析
2021, 41(8): 2591
1 北京工商大学计算机与信息工程学院, 北京100048
2 中国农业机械化科学研究院, 北京100083
为了提高近红外光谱技术快速测定番茄苗氮含量的准确度和稳健性, 比较分析竞争自适应重加权采样法(CARS)、蒙特卡罗无信息变量消除法(MCUVE)、向后间隔偏最小二乘法(BiPLS )和组合间隔偏最小二乘法(SiPLS)四种特征波长挑选方法, 筛选与番茄苗氮含量相关的特征光谱。在十种不同氮素处理水平下(尿素溶液浓度0～120 mg·L-1), 培育60株番茄苗样本(每个处理6株), 使其分别处于不同程度的过量氮素、氮素适度、缺氮素和无氮素状态。分别采集每株番茄苗样本的叶片, 扫描其12 500～3 600 cm-1波段的近红外光谱。比较四种方法所建立的番茄苗氮素定量分析模型可知: CARS和MCUVE挑选的特征变量所建定标模型的性能比BiPLS和SiPLS挑选的特征变量所建定标模型的性能更优, 但是预测性能远低于后者。其中, 基于BiPLS建立的番茄苗氮素含量预测模型性能最佳, 相关系数(r)、预测均方根误差(RMSEP)和性能对标准差之比(RDP)分别为0.952 7, 0.118 3和3.291 0。因此, 近红外光谱技术结合特征谱区筛选可以有效地提高番茄苗叶片氮素含量的定量分析模型指标, 使模型更实用化。但是, 特征波长挑选方法不具有普适性。基于单个波长变量筛选的方法所建立的模型较为敏感, 更适用于样本状态较为均匀的待测对象;而基于波长区间筛选的方法所建的模型相对抗干扰性更强, 更适用于样品状态不均匀, 重现性较差的待测对象。因此, 特征光谱筛选只有与样本状态及建模指标结合, 才能使其在建模过程中发挥更好的作用。
近红外 特征光谱 筛选方法 番茄苗 氮含量 Near-infrared spectroscopy Characteristic spectrum Selecting method Tomato seedling Nitrogen content
为了实现对太阳能电池可靠性的筛选分类，建立了一套低频噪声自动测试系统。首先，根据太阳能电池1/f噪声的来源，确定了在大电流密度情况下以1/f噪声功率谱作为太阳能电池可靠性指示的可行性。然后，由测试得到的功率谱曲线明确了通过比较在f为1 Hz频点处的1/f噪声功率谱值大小可以区分太阳能电池的可靠性。最后，根据半导体器件可靠性试验验证的分类标准，给出了确定筛选阈值的方法。实验结果表明：该方法可以在短时间内无损地完成一批太阳能电池3个等级的可靠性分类，平均每个太阳能电池的测试时间只需5 min。采用该筛选方法，能精确检测单一器件，解决了传统方法花费大、周期长，易引起器件的损伤，且只能得到一批器件可靠性的统计规律的问题。该方法适用于对太阳能电池可靠性要求高的应用场合。
太阳能电池 1/f噪声 可靠性 筛选方法 solar cell 1/f noise reliability screening method
