1 西北农林科技大学葡萄酒学院, 陕西 杨凌 712100 西北农林科技大学宁夏贺兰山东麓葡萄酒试验示范站, 宁夏 永宁 750104
2 西北农林科技大学葡萄酒学院, 陕西 杨凌 712100
研究旨在明确“赤霞珠（Cabernet Sauvignon, Vitis Vinifera L.）”葡萄健康叶片和缺磷胁迫不同时期下的光谱信号特征变化, 构建基于光谱技术的“赤霞珠”葡萄叶片缺磷胁迫快速无损诊断模型, 为葡萄园病害防治与管理提供理论参考和技术支持。 以酿酒葡萄“赤霞珠”葡萄叶片为研究对象, 分别采集了正常、 缺磷胁迫初期和末期葡萄叶的VIS/NIR反射率信息。 对比Savitzky-Golay卷积平滑（S-G Smoothing）、 移动平均平滑（MAS）、 标准正态变换（SNV）和多元散射校正（MSC）4种预处理及组合方法对于去除葡萄叶光谱信号中随机噪声的能力, 确定最佳预处理方法。 采用连续投影法（SPA）筛选与“赤霞珠”葡萄叶缺磷胁迫相关的光谱特征变量, 分别构建基于线性核函数（Linear）、 多项式核函数（Poly）、 径向基核函数（RBF）和二层神经网络核函数（Sigmoid）的支持向量机（SVM）模型, 以灵敏度（SEN）和准确率（CCR）为依据评估模型诊断性能, 形成基于VIS/NIR光谱的“赤霞珠”葡萄叶片缺磷胁迫快速无损诊断方法。 S-G Smoothing预处理后的光谱信号的信噪比为110.58, 以其为校正集构建的缺磷胁迫诊断模型最佳, 因此确定其为最佳的预处理方法。 采用主成分分析（PCA）计算样本光谱贡献率, 以95%置信空间为依据检测数据集中的异常样本, 最终发现并剔除了22的离群点。 通过SPA筛选出402.6、 404.6、 409、 411.5、 539.4、 691.9、 729.9、 838.7、 1 011.9、 1 017.5和1 020.5 nm等11个反映“赤霞珠”葡萄叶缺磷胁迫的光谱特征波段, 作为缺磷胁迫快速无损诊断模型的输入变量。 通过对比分析上述4种核函数SVM的诊断结果, 以Linear为核函数构建的“赤霞珠”葡萄叶缺磷胁迫诊断模型能力最佳, 对正常叶片诊断的SEN为81.08%, CCR为100%; 对缺磷胁迫早期叶片诊断的SEN为100%, CCR为84.78%; 对缺磷胁迫末期叶片诊断的SEN为100%, CCR为100%。 该研究建立了基于VIS/NIR光谱的“赤霞珠”葡萄叶片缺磷胁迫快速无损诊断方法, 能够满足葡萄园病害防治与智能化管理的生产需求, 为酿酒葡萄智慧农业发展提供了技术参考。
酿酒葡萄 缺磷胁迫 可见光/近红外光谱 无损诊断 支持向量机 Enological grape Phosphate deficiency VIS/NIR spectroscopy Nondestructive diagnosis SVM 光谱学与光谱分析
2023, 43(12): 3719
糖度是影响鲜食葡萄品质与风味的关键因素, 对其可溶性固形物SSC的检测具有切实需求。 近年来, 随着芯片级光谱传感器的生产技术趋于成熟, 具有高精确性与稳定性的片上光谱传感器为可见/近红外检测技术开辟了新的途径。 设计、 搭建、 测试了一套体积小、 易操作、 低成本的用于鲜食葡萄糖度无损检测的光学系统。 系统以两块搭载芯片级光谱分析技术的新一代可见/近红外光谱传感器AS7263（美国AMS半导体公司）为核心元件。 每个AS7263传感器具有6个集成了纳米光干涉滤波器的数字光谱通道和一个可通过单芯片准确控制电流（1~100 mA）的LED光源。 传感器光谱通道的中心波长范围610~860 nm; 两个LED光源的中心波长分别为730和850 nm, 半峰全宽（FWHM）为50 nm。 首先, 运用此原型在避光环境下采集276颗巨峰葡萄浆果的光谱信息; 用手持式PAL-1糖度仪检测样本SSC（°Brix）并计算基于t分布的样本糖度真值SSCt: SSCt0.9与SSCt0.95。 其次, 针对样本原始光谱数据, 采用PCA提取主成分, 根据得分因子分布, 剔除了16个位于置信区间外的异常样本; 进一步采用一阶导数First Derivative（FD）、 归一化Normalization（0, 1）与标准化Standardization（0, 1）3种方式做数据预处理, 求取样本在12个通道下的吸光度A或Kubelka-Munk函数值F（R）。 针对可见/近红外光谱自变量之间具有多重相关性、 光谱信息与糖度信息之间非线性相关的特点, 建立PLS-BP神经网络糖度预测模型（自变量为吸光度A或F（R）值, 因变量为SSCt）。 结果显示, 当t分布的置信概率为0.95、 光谱预处理方式为Standardization（0, 1）、 光谱信息指标为吸光度A时所建立的预测模型精度最高: 决定系数rp2为0.93、 均方根误差RMSEP为0.181、 预测集偏差Bias为-0.01、 残留预测偏差RPD为3.78, 可认为模型具有较高精度与较好适应性对葡萄SSC做出预测。 最后, 结合实验结果, 作了葡萄浆果SSC光谱检测原理的分子尺度分析: 在各分子振动类型中, O—H键伸缩振动的3倍频、 4倍频, O—H键剪式振动与伸缩振动3倍频、 4倍频的合频, CO键伸缩振动的8倍频、 9倍频为可见/近红外光谱检测的有效振动频率。 该研究为未来工业与消费领域在线质量检测设备的高精度化、 便携化、 低成本化提拱了技术参考。
可见/近红外技术 鲜食葡萄 可溶性固形物 智能光谱传感器 BP神经网络 偏最小二乘法 Vis/NIR Table grapes SSC Smart spectral sensor BP neural network PLS 光谱学与光谱分析
2023, 43(7): 2146
由4′-［4-(4-吗啉基丁氧基)苯基］-2,2′∶6′,2″-三联吡啶合成了一种含吗啉修饰的三联吡啶钯配合物(Pd1), 并通过核磁氢谱、元素分析和X射线单晶衍射对其结构进行表征。Pd1对金黄色葡萄球菌(S. aureus)表现出良好的抗菌活性(MIC=62.48 μg/mL, MIC为最小抑菌浓度)。通过耐药实验发现金黄色葡萄球菌对Pd1不易产生耐药性, 筛选发现Pd1与盐酸克林霉素联合作用时, 可以增强金黄色葡萄球菌对盐酸克林霉素的敏感性。机制研究发现Pd1对与产生耐药性有关的生物膜有明显的抑制作用。此外, Pd1对金黄色葡萄球菌产生的毒素活性具有明显的抑制作用。
金属配合物 多吡啶钯配合物 吗啉 晶体结构 抗金黄色葡萄球菌 联合作用 metal complex polypyridine palladium complex morpholine crystal structure anti-Staphylococcus aureus antibiotic combination
葡萄霜霉病对葡萄生产构成严重威胁, 尽早防治是治理霜霉病的关键。 为了对该病进行早期检测, 以PCR检测获取的霜霉病相对生物量作为霜霉病侵染的依据, 从暗适应-光适应-暗弛豫3个光合生理状态连续变化过程中, 采集80个人工接种霜霉菌叶片和80个健康对照叶片连续6 d的叶绿素荧光图像。 对比健康和接种叶片叶绿素荧光动力学曲线、 参数图像和参数值的差异, 使用单因素方差分析评估叶绿素荧光参数对霜霉病侵染的敏感性, 筛选叶绿素荧光参数最优特征子集, 使用机器学习分类器构建霜霉病早期检测模型。 结果表明, 随着接种后天数(day post inoculation, DPI)的增加, 霜霉病侵染程度不断加深, 健康和接种叶片叶绿素荧光动力学曲线、 参数图像和参数值从2DPI开始有显著差异(p<0.05), 霜霉病侵染导致叶片光化学猝灭速率减小(Rfd变小), 光合效率降低(Fv/Fm变小), 叶片活力和光保护能力衰退(NPQ和qN变小), 叶片吸收的光能更多以荧光的形式释放出来(Ft和Fm变大)。 基于序列前向浮动算法优选的叶绿素荧光参数特征子集(qN-L3, Rfd-L2, NPQ-L1和Fv/Fm-D1)和BP神经网络分类器的SFFS-BP模型对3DPI健康和接种叶片识别准确率为83.75%, 全实验周期连续6 d平均准确率达到85.94%。 可为葡萄霜霉病光合表型分析和早期检测提供一种快速、 准确的手段。
叶绿素荧光成像 葡萄霜霉病 病害检测 特征选择 Chlorophyll fluorescence imaging Plasmopara Viticola infection Disease detection Feature selection 光谱学与光谱分析
2022, 42(4): 1028
1 中国地质大学(北京)珠宝学院, 北京 100083
2 中国地质大学(北京)珠宝与矿物材料实验教学中心, 北京 100083
葡萄石可以以板状、片状、葡萄状、肾状、放射状或块状集合体的形式产出, 因其美丽的外观和特殊的晶体结构, 近年来受到了学者的广泛关注。本文通过电子探针、粉晶X射线衍射仪、傅里叶变换红外光谱仪、显微拉曼光谱仪、紫外可见分光光度计等仪器对黄绿色葡萄石的成分、结构及谱学特征进行了分析与探讨。葡萄石的主要致色元素为Fe, 且Fe3+经常取代Al3+占据八面体配位, Fe2+经常取代Ca2+存在于空隙中。电子探针数据表明: Fe与Al的含量变化整体呈现负相关关系, Fe与Ca的含量变化也整体呈现负相关关系, Fe含量相对较高的样品其黄绿色调加深。XRD图谱和拉曼光谱的结果表明: 在葡萄石中绿帘石以包裹体的形式存在。红外光谱和拉曼光谱表明葡萄石中存在硅氧四面体和铝氧八面体两种架构, 紫外可见吸收光谱揭示了葡萄石的致色机理。本文对葡萄石的矿物学特征及谱学特征进行系统分析, 为后续葡萄石的进一步研究提供思路与实验数据。
葡萄石 矿物学 成分 结构 谱学特征 致色机理 prehnite mineralogy composition structure spectral characteristic chromogenic mechanism
1 新疆农业大学机电工程学院, 新疆 乌鲁木齐 830052
2 浙江大学生物系统工程与食品科学学院, 浙江 杭州 310058
葡萄具有丰富的营养价值、 药用价值和经济价值, 是世界上种植面积最大的水果之一。 根据人们的消费需求及产品的贮运要求, 葡萄被加工成葡萄干、 葡萄汁、 葡萄酒、 葡萄籽油等常见葡萄制品。 基于食品质量安全的关注以及高品质果蔬农产品的需求, 如何快速有效地评价葡萄及其制品的质量已成为当务之急。 随着无损检测技术及装备的快速发展, 近红外光谱(NIR)技术因其快速、 无损、 精确、 经济及便于在线分析的优点, 也逐渐被应用在果蔬等农产品质量品质检测领域。 近年来, 国内外学者利用NIR技术在不损坏被检测葡萄及其制品的前提下, 结合化学计量法、 主成分聚类分析(PCA)、 偏最小二乘判别分析(PLS-DA)、 主成分回归(PCR)、 偏最小二乘回归(PLSR)、 支持向量机(SVM)及神经网络(NN)等数据处理方法探究了糖、 酒精、 酸等一般成分及色素、 单宁、 芳香物质等特有成分含量与有效光谱信息的关联性, 以此建立了葡萄及其制品主要品质指标的定性鉴别与定量分析模型, 为便携式近红外葡萄品质检测设备的研制和在线葡萄汁、 葡萄酒酿制过程监测系统的开发提供了一定技术支持。 文章系统概述了近十年来国内外NIR技术在葡萄、 葡萄酒、 葡萄汁及葡萄副产物检测中的应用现状, 旨在为葡萄及其制品在后续分类鉴定与品质评价研究方面提供参考。 研究表明NIR技术通过定量定性分析可实现葡萄复杂理化成分的多组分检测和分类鉴别, 在测定葡萄理化特性与内部品质方面的研究已经有了一定的进展, 且在葡萄酒、 葡萄汁的品质过程监测和定性鉴别方面的研究应用逐渐增多, 并逐步应用于葡萄皮中多酚、 花青素等葡萄副产物分析, 以及葡萄藤、 葡萄叶营养生长状况监测等其他方面, 进一步证实了NIR技术正成为检测葡萄及其制品品质的一种有效工具, 为进一步提高葡萄及其制品品质价值以及实现葡萄果园的实时、 高效生产管理提供了技术支持, 应用前景极为广泛。 如何深入挖掘葡萄及葡萄制品不同类检测数据所反映信息的内在关联性, 结合视觉、 味觉、 嗅觉等多源信息融合技术建立预测精确度更高、 更稳健的模型去全面评价葡萄生产、 果园管理、 成熟期收获及产后加工全过程, 实现对葡萄及其制品生产全过程质量控制和在线监测将成为今后的发展趋势。
无损检测 模型 葡萄 品质 NIR Non-destructive detection Model Grape Quality NIR 光谱学与光谱分析
2021, 41(12): 3653
酿酒葡萄一般批量采收, 采收期对其品质有较大影响。 传统方法主要依靠对样本的酚、 糖等各组分含量进行实验室理化指标检测, 判定采收成熟度。 如果对多个地块进行采摘前的连续监测, 则批量大、 成本高、 采样与分析工作量繁重, 且时效性差, 难以保证果品的收获品质。 以蛇龙珠品种为对象, 提出一种利用近地面多光谱图像对种植区葡萄成熟度和批量采收期判别的方法。 通过DJI Phantom四旋翼无人机搭载ADC Micro多光谱相机, 以S型采样路线直接拍摄9个采样点的蛇龙珠田间原位图像, 并采集葡萄果粒样本; 利用PixelWrench2 x64软件进行图像处理, 得到每张图像的红色(R)分量、 绿色(G)分量、 近红外(NIR)分量值; 将葡萄果粒榨汁, 依据检测时长、 成本和代表性程度, 选取总糖含量为成熟度判定指标, 采用PAL-1手持式糖度仪检测葡萄汁总糖含量; 分别分析R, G, NIR分量与日期的显著性关系, 发现叶片集中区域(局部)的R分量与日期为最显著关系(p-value=5.314 44×10-4, 调整后R2=0.815), 可作为建模的成熟度参数; 按照模型集与验证集为4:1的原则构建“总糖含量—局部R分量”线性回归与对数回归模型, 结果显示: 相比于线性模型, 总糖含量与局部R分量呈非常显著的对数关系(p-value=5.124 07×10-10, 调整后R2=0.970 62), 且该模型的平均预测误差≤1.388%、 最大预测误差≤4.6%、 采收前预测误差±0.46%, 证明该对数模型具有较高的检测精度。 实际采收前, 利用上述方式在近采收期采集蛇龙珠葡萄田间原位多光谱图像, 将得出的局部R分量值带入对数模型, 可对总糖含量进行预测, 并以22%±0.46%的总糖含量为标准研判蛇龙珠葡萄是否成熟。 结果表明: 采用区块光谱图像进行酿酒葡萄的批量采收品质和采收时间预测具有便利性与可行性, 为光谱图像在农业实际生产中的应用提供了新思路。
酿酒葡萄 多光谱图像 无人机 成熟度 判别 Wine grapes Multispectral figures Unmanned Aerial Vehicles Degree of maturity Determination 光谱学与光谱分析
2021, 41(10): 3220
1 石河子大学食品学院, 新疆 石河子 832003
2 石河子大学机械电气工程学院, 新疆 石河子 832003
酿酒葡萄中的总酚含量是影响葡萄品质的重要指标, 也是影响葡萄酒质量的关键因素。 为了快速准确地检测赤霞珠葡萄的总酚含量, 利用近红外光谱技术结合GA-ELM预测模型对赤霞珠葡萄总酚含量进行预测研究。 试验采用5个收获期(每期采集40串, 每串取10个)的赤霞珠葡萄, 采集200组葡萄的12 500~4 000 cm-1波段范围内的近红外光谱。 基于福林酚比色法原理对赤霞珠葡萄的总酚含量进行测定, 使用SPXY算法将样品按照3:1比例分为校正集和预测集, 共计150个校正集和50个预测集。 分别采用多元散射(MSC)、 标准正态变换(SNV)、 数据中心化(MC)、 移动窗口平滑(MA)和一阶导数+SG方法对原始光谱进行预处理, 优选出最佳的预处理方法为MSC。 并进一步采用竞争性自适应重加权算法(CARS)、 遗传算法(GA)、 联合区间偏最小二乘算法(si-PLS)和连续投影算法(SPA)分别对光谱波段进行提取, 经对比分析发现CARS提取的69个特征波长数据能有效提高模型的稳定性和预测结果。 在MSC预处理和特征波长提取的基础上, 引入极限学习机(ELM)算法, 建立赤霞珠葡萄总酚含量的预测模型, 在总酚含量预测过程中, 采用遗传算法(GA)对ELM模型进行优化, 并探究了不同的激活函数和隐含层神经元个数对GA-ELM模型预测能力的影响, 确定最优的激活函数为Sigmoidal, 最优的神经元个数为50个。 最后, 将ELM和GA-ELM模型的预测能力进行对比, 结果显示GA-ELM模型的预测能力高于ELM模型的预测能力, 其中MSC+CARS+GA-ELM模型预测能力最好, 校正相关系数(Rc)为0.901 7, 预测相关系数(Rp)为0.901 3, 校正均方根误差(RMSEC)为2.112 4, 预测均方根误差(RMSEP)为1.686 8, 剩余预测偏差(RPD)为2.308 0。 研究结果表明: 利用近红外光谱技术结合变量优选建立的GA-ELM模型可实现对赤霞珠葡萄的总酚含量的预测, 为赤霞珠葡萄品质的检测奠定了理论基础。
变量优选 赤霞珠葡萄 总酚 极限学习机 近红外光谱 Variable optimization Cabernet sauvignon grapes Total phenol Extreme learning machine Near infrared spectroscopy 光谱学与光谱分析
2021, 41(7): 2036
中国农业大学信息与电气工程学院, 北京 100083
酿酒葡萄成熟度是确定葡萄采收期的重要品质指标, 针对酿酒葡萄大田中成熟度检测难度大的问题, 利用可见/近红外(Vis/NIR)光谱技术和化学计量学, 研究了酿酒葡萄可溶性固形物含量(SSC)与光谱数据之间的内在联系。 采用USB2000+光谱仪获取5种酿酒葡萄及其叶片在不同成熟时期的Vis/NIR光谱数据, 通过OMNIC 8.0软件提取光谱数据, 将化学值与光谱吸收率值通过TQ Analyst8.0软件建立模型。 选取信噪比高的450~1 000 nm波段, 利用PCA剔除异常光谱数据, 将一阶导数(FD)、 Savitzky-Golay卷积平滑(S-G)、 多元散射校正(MSC)、 标准正态变换(SNV)分别组合共4种方法用于光谱数据预处理。 利用偏最小二乘(PLS)法分别建立了5种葡萄基于酿酒葡萄光谱数据的SSC预测模型, 建立了5种葡萄基于冠层叶片光谱数据的SSC预测模型, 对比了不同方式预处理后的建模效果, 并选择最优预处理方式建模。 最后用外部样本分别验证了SSC预测模型。 结果表明, 采用S-G平滑+FD+MSC的预处理方法时大多数预测模型性能达到最好。 5种葡萄浆果校正集和验证集的R分别达到0.93和0.86以上, 最高均方根误差分别为0.30和0.48, 5种葡萄冠层叶片校正集和验证集的R分别达到0.73和0.65以上, 最大均方根误差分别为0.95和0.75。 5种葡萄浆果外部试验样本预测值与真实值间的平均RE最高为0.43%。 基于酿酒葡萄浆果光谱的SSC预测模型具备良好的预测能力, 优于基于酿酒葡萄冠层叶片光谱的SSC预测模型, SSC预测模型能够为酿酒葡萄成熟度评价研究提供理论参考。 Vis/NIR光谱技术适用于在酿酒葡萄大田中快速、 无损检测SSC。
可见/近红外光谱 酿酒葡萄成熟度 偏最小二乘法 可溶性固形物 Visible/near infrared spectroscopy Maturity of wine grape Partial least square method Soluble solids content
1 西北农林科技大学机械与电子工程学院, 陕西 杨凌 712100
2 宝鸡文理学院电子电气工程学院, 陕西 宝鸡 721016
3 农业农村部农业物联网重点实验室, 陕西 杨凌 712100
4 陕西省农业信息感知与智能服务重点实验室, 陕西 杨凌 712100
5 西北农林科技大学园艺学院, 陕西 杨凌 712100
6 旱区作物逆境生物学国家重点实验室, 陕西 杨凌 712100
葡萄霜霉病是全球危害最严重的葡萄病害, 对该病进行早期检测和防治, 可提高葡萄品质和产量, 提出一种基于多光谱荧光成像技术(MFI)和支持向量机模型(SVM)的霜霉病早期检测方法。 对人工接种霜霉病的葡萄叶片(145个)和健康对照叶片(145个)从叶背面连续6天进行多光谱荧光成像, 获得试验叶片16个荧光参数(4个单独波段F440, F520, F690, F740及其相互比值)的图像。 在分析不同荧光波段图像随接种天数(DPI)变化规律基础上, 通过单因素方差分析和相关性分析, 优选出进行霜霉病早期检测的4个波段特征F520, F690, F440/F740, F690/740, 利用这4个特征构建基于SVM的霜霉病检测模型。 试验发现, 16个荧光参数都有早期检测霜霉病的潜力, 四个单独波段中F440和F520比F690和F740对霜霉病的侵染更敏感, 6DPI才显症的病斑能在F440和F520波段2DPI(接种后第二天)的荧光图像中凸显, 接种叶片F440和F520波段荧光强度均随着DPI增加快速升高, 在2DPI显著高于健康叶片(p<0.01), 并随着DPI增加更加显著(p<0.0001); 接种叶片F690和F740波段荧光强度均随着DPI增加逐渐减小, 1DPI—3DPI与健康叶片无显著差异, 从4DPI开始显著低于健康叶片(p<0.05), 并在5DPI—6DPI更加显著(p<0.01); 健康叶片荧光参数变化很小。 F440极易受干扰, 变异系数最大, F520最稳定。 随着DPI增加, 叶片被侵染程度加深, 4个特征融合的SVM模型对健康和接种叶片检测准确率逐渐提高, 1DPI的准确率为65.6%, 3DPI检测准确率为82.2%, 整个试验周期(1DPI—6DPI)的平均检测准确率达84.6%, 高于单一特征中最优波段F520的阈值检测结果(1DPI的准确率为61.1%, 3DPI检测准确率为78.9%, 整个试验周期为80.0%)。 结果表明利用MFI技术和SVM模型能实现霜霉病显症前的早期检测, 为便携式葡萄霜霉病早期诊断设备的开发提供了理论依据。
多光谱荧光成像 葡萄霜霉病 病害检测 支持向量机 特征选择 Multicolor fluorescence imaging Grapevine downy mildew Disease detection Support vector machine Feature selection
