南京林业大学机械电子工程学院，江苏 南京 210037
近红外光谱及成像检测凭借其高效、无损、非接触等优点近年来被广泛应用于农林产品、食品检测等方面。该技术可快速获取样品光谱和图像信息，进而结合化学计量学、机器学习建模等对样品进行品质安全、掺杂掺假、理化指标和产地溯源等方面检测，深受各行各业的认可。但光学仪器使用环境以及被测样品性质具有局限性，光学检测结果易受到各种因素干扰，从而影响检测精度，应当予以消除或削弱。简述了近红外光谱和高光谱成像的检测基本原理，并对国内外近红外光谱及成像技术在检测时受到的影响因素进行总结与归纳，结合国内外研究学者在相关方面的研究内容，重点在温度、光照、水分、曲率变化和湿度等5个方面及相关校正方法的应用进行阐述，对当前存在的部分问题提出总结与建议，以期为相关方向的研究人员提供参考及借鉴。
近红外光谱 高光谱成像 无损检测 化学计量学 影响因素 校正方法 激光与光电子学进展
2024, 61(4): 0400003
1 南京林业大学林业资源高效加工利用协同创新中心, 江苏 南京 210037
2 南京林业大学机械电子工程学院, 江苏 南京 210037
我国南方丘陵山区大面积种植油茶果, 而目前油茶果的采摘期主要根据节气和经验来判断, 过早和过晚采摘油茶果皆会带来经济损失。 旨在探索高光谱成像技术准确鉴别油茶果成熟度的可行性, 应用波段范围为400～1 000 nm的高光谱成像(HSI)系统采集了不同成熟度油茶果共480个样本的高光谱数据。 基于SNV、 SNV-detrend、 SG、 一阶导和二阶导5种不同预处理建立PLS-DA和PSO-SVM判别模型。 选择最优预处理数据进行特征波长筛选, 发现相比于SPA, CARS筛选特征波长建立的简化模型性能更优, CARS-PLS-DA和CARS-PSO-SVM模型预测集分类准确率为92.5%和89.2%, Kappa系数均超过0.86。 采用颜色矩的方法提取高光谱图像中颜色特征值结合特征波长建立PLS-DA和PSO-SVM组合模型, 发现仍是经CARS筛选特征波长建立的模型性能最优, 其中CARS+颜色-PLS-DA和CARS+颜色-PSO-SVM模型预测集分类准确率分别为94.2%和93.3%。 特征波长融合颜色特征值的组合建模比单一特征波长建模分类效果好, 预测集分类准确率分别提高了1.7%和4.1%。 CARS+颜色-PLS-DA模型显示出最佳预测性能, 其Kappa系数为0.923 1。 研究表明利用高光谱成像技术结合化学计量学方法可用于油茶果成熟度检测, 为实现快速、 无损、 准确鉴别油茶果成熟度提供了科学依据。
高光谱成像 油茶果 成熟度 颜色特征值 Kappa系数 Hyperspectral imaging Camellia oleifera fruit Maturity Color features Kappa coefficient 光谱学与光谱分析
2023, 43(11): 3419
1 南京林业大学机械电子工程学院, 江苏 南京 210037
2 南京财经大学食品科学与工程学院, 江苏 南京 210023
3 江苏省粮油质量监测中心, 江苏 南京 210031
基于近红外漫透射光谱分析技术, 设计了便携式面粉品质安全检测仪, 该检测仪主要包括光谱采集模块、 光源控制模块、 处理与显示模块以及电源模块。 其中漫透射检测附件不仅可以实现光谱补偿功能, 还可以有效避免外界杂散光的干扰, 设计了控制光源开关的电路, 通过实验确定样品的最佳厚度。 选用树莓派4B作为核心处理器, 选用可充电锂电池供电, 仪器可持续供电2 h, 仪器大小为250 mm×170 mm×300 mm。 以去除麸皮后由小麦磨成的面粉为研究对象, 总共180份样品, 每份样品再分三份, 分别为黄色、 红色和蓝色。 对所有的红色样品使用波长为9001 870 nm的近红外漫透射光谱进行光谱信息采集并记录, 对所有的黄色样品进行湿度值的测量并记录, 对所有的蓝色样品进行DON含量的测量并记录, 三种样品需要同时进行测量。 利用箱线图剔除光谱两端的噪声和一个异常样本, 最终选取1 048~1 747 nm波段光谱进行建模。 利用多元散射校正(MSC)、 S-G卷积平滑和标准正态变换(SNV)对原始光谱数据进行预处理, 分别建立了面粉湿度的偏最小二乘回归预测模型和DON含量超标与否的PCA-逻辑回归分类模型。 所建湿度的最优PLSR预测模型的建模集和预测集相关系数分别为0.883和0.853, 均方根误差分别为0.382%和0.286%, 残差预测偏差RPD为2.5; 所建DON含量超标与否的PCA-逻辑回归分类模型的预测集ROC曲线下的AUC值为0.927, 混淆矩阵显示未超标样本的预测准确率为96%, 超标样本的预测准确率为89%。 基于PyQt5设计GUI界面, 运用Python语言编写了面粉品质实时检测系统, 该检测软件可以实现PLSR、 PCA-逻辑回归模型的训练、 保存和加载。 利用外部验证集试验验证了便携式面粉多品质检测仪的精确性和稳定性。 结果显示面粉湿度的外部验证集相关系数和均方根误差为0.876和0.21%, 最大相对误差为2.89%。 面粉DON含量超标与否的识别准确率为90%, 表明该仪器可以对面粉的湿度和DON含量超标与否进行无损检测分析。
面粉 近红外光谱 品质 便携式 无损检测 呕吐毒素 Flour Near infrared spectrum Quality Protable Nondestructive examination DON 光谱学与光谱分析
2022, 42(4): 1235
1 中国农业大学工学院, 现代农业装备优化设计北京市重点实验室, 北京 100083
2 塔里木大学机械电气化工程学院, 新疆 阿拉尔 843300
山茶油素有“东方橄榄油”美誉, 实现掺假山茶油的鉴别具有重要实用价值, 采用近红外光谱技术对掺有葵花油的山茶油进行检测。 分别以1%, 5%, 10%为梯度制备掺假比例不同的山茶油样品, 并根据掺假比例将其分为A组（0%～5%）和B组（6%～10%）共11个样品, C组（15%～40%）6个和D组（50%～100%）6个样品。 将每个掺假样品充分混匀后再分为9份, 依次采集其1 000～2 500 nm范围的吸收光谱, 共获得207条光谱曲线。 每组样品的光谱数据按2∶1随机分为训练集与验证集。 经去除首尾噪声后, 通过主成分分析法（principal component analysis, PCA）降维, 并利用前四个主成分建立了鉴别山茶油不同掺假等级的主成分-支持向量机判别模型, 训练集与验证集的总体判别准确率分别达96.38%和94.20%; 进一步, 通过对前四个主成分的载荷系数的分析, 并结合原始光谱, 提取建模过程中权重较大的波长并解析其化学含义, 最终确定出五个特征波长: 1 212, 1 705, 1 826, 1 905及2 148 nm, 以此波长重新建立近红外特征光谱山茶油掺假等级判别模型, 对训练集与验证集的总体判别准确率也达到了94.20%和92.75%。 研究结果表明, 利用近红外光谱和特征光谱均能够较好实现山茶油掺假等级的鉴别, 同时所建立的近红外特征光谱模型也为设计相应的掺假山茶油实用便携式检测仪器提供了理论基础。
山茶油 掺假检测 近红外光谱技术 特征光谱 支持向量机 Camellia oleifera oil Detection of adulterations NIR spectroscopy Characteristic wavelengths SVM
