1 广西师范大学 物理科学与技术学院, 广西 桂林 541004
2 暨南大学 光电工程系, 广州 510632
3 广东省科学院 动物研究所, 广州 510260
为了探究一种快速、准确的含钩吻蜂蜜的检测方法, 通过中红外(MIR)光谱仪采集了来自不同地区的216个无毒、含钩吻有毒的蜂蜜样品的MIR光谱图像, 选取光谱图像的800~1 800 cm-1波段作为主要研究波段, 应用主成分分析法并结合偏最小二乘回归(PLS-DA)算法建立有无钩吻鉴别模型, 比较不同数据预处理方法的预测结果。仿真结果表明: 经一阶导数预处理后建立的蜂蜜有无钩吻鉴别模型的鉴别效果最佳, 鉴别准确率达到90.74%。
中红外光谱 钩吻毒素 有毒蜂蜜 鉴别 mid-infrared spectrum, Gelsemium elegans benth, po
1 吉林农业大学工程技术学院, 吉林 长春 130118
2 吉林农业大学食药用菌教育部工程研究中心, 吉林 长春 130118
平菇味道鲜美、 营养丰富, 深受消费者喜爱。 平菇在我国的栽培范围较广, 产地分散, 每个产地的气候条件、 栽培基质、 栽培方式的差异, 使不同产地生产的平菇在口感、 营养价值方面会有不同。 为规范平菇产品的市场管理, 更为打造区域内特色平菇品牌, 借助中红外光谱技术无污染、 高效、 低成本等特点, 突破目前化学分析、 生物学鉴别方法的限制, 提出一种中红外光谱结合机器学习鉴别不同产地平菇的方法。 对10个不同产地的平菇子实体进行红外光谱数据采集, 每个地区各60份共600份样本。 光谱数据经分析表明, 在波段530～1 660 cm-1范围内红外光谱的相关性表现出较明显的差异。 同时, 基于K-S法按照训练集和测试集比例为7∶3对样品划分, 得训练集为420份, 测试集为180份。 采用多元散射校正（MSC）, 标准正态变量变换（SNV）, 平滑（SG）, 一阶导数（FD）, 二阶导数（SD）等预处理方法进行光谱优化, 去除噪声, 并结合支持向量机（SVM）进行初步建模对比, 得出MSC预处理后光谱数据差异性最大, 预测集识别效果最好为84.44%。 将MSC光谱数据进行0～1区间的归一化处理, 并采用主成分分析（PCA）对其进行降维, 选择满足训练集中主成分个数累积贡献率≥85%, 且主成分方差百分比≥1%的前7个主成分作为输入变量与支持向量机（SVM）、 随机森林（RF）、 极限学习机（ELM）进行建模识别比较。 实验结果表明, 在识别不同产地平菇模型中, SVM模型识别效果最佳, 训练集和测试集识别率均为100%; RF模型训练集识别率为100%, 测试集识别率略低, 为98.89%; ELM模型对比其他模型识别率较差, 训练集识别率为99.28%, 测试集识别率为98.33%。 3种模型的识别率均高于98%, 说明采用红外光谱结合机器学习的方法可以简单、 快速、 低成本的实现对不同产地平菇的鉴别, 不仅为平菇产品产地识别提供方法依据, 也为其他种类食用菌产品的产地鉴别提供参考。
平菇 中红外光谱 机器学习 支持向量机 随机森林 极限学习机 Pleurotus ostreatus Mid-infrared spectrum Machine learning Support vector machine Random forest Extreme learning machine
1 华中农业大学工学院, 湖北 武汉 430070
3 华中农业大学动物遗传育种与繁殖教育部实验室, 湖北 武汉 430070
4 河北省畜牧业协会, 河北 石家庄 050000
市场上普遍存在“高蛋白”, “高乳脂”等特色牛奶。 为了实现对特优优质奶、 高蛋白特色奶、 高乳脂特色奶和普通奶的无损快速分级, 收集了河北省10个牧场不同月份(1月、 3月-10月)的5 121份牛奶样本并采集中红外光谱数据, 分别测定牛奶中的乳蛋白、 乳脂和体细胞数, 构建了牛奶品质分级模型。 首先, 分析牛奶光谱并去除冗余波段, 最终选择9251 597和1 7123 024 cm-1的敏感波段组合作为全光谱用于建立模型。 为了提高模型的性能, 采用标准正态变量变换(SNV), 多元散射校正(MSC), 一阶导数, 二阶导数, 一阶差分和二阶差分6种算法对光谱进行预处理并建立朴素贝叶斯模型(NB)和随机森林模型(RF), 确定二阶差分为最佳预处理方法, 其测试集准确率分别为92.11%和96.87%。 为了简化模型, 利用无信息变量消除法(UVE)、 竞争性自适应重加权算法(CARS)与稳定性竞争性自适应重加权采样算法(SCARS)以及UVE-CARS算法和UVE-SCARS算法对二阶差分后的光谱数据提取特征变量。 然后, 分别基于全光谱和所选特征变量数据, 建立NB模型和RF模型。 结果表明, SCARS算法为NB模型的最佳特征提取算法, 模型的训练集准确率与测试集准确率分别为94.45%, 93.94%; UVE-SCARS算法为RF模型的最佳特征提取算法, 模型的训练集准确率与测试集准确率分别为99.86%, 96.48%。 综上, 基于傅里叶变换中红外光谱技术建立的二阶差分-UVE-SCARS-RF模型, 可以实现特优优质奶、 高蛋白特色奶、 高乳脂特色奶和普通奶的无损快速分级, 通过建立中红外光谱模型, 首次将乳蛋白、 乳脂含量和体细胞数直接结合进行分级鉴定, 这是以往未曾有过的。 模型应用方便, 只需将获得的牛奶红外光谱数据输入模型即可输出预测类别, 在牛奶产业中具有实际应用价值。
中红外光谱 牛奶 品质分级 无损检测 特征变量 Mid-infrared spectrum Milk Quality grading Nondestructive testing Characteristics of the variable 光谱学与光谱分析
2022, 42(4): 1243
1 塔里木大学农学院, 新疆 阿拉尔 843300
2 中国农业大学土地科学与技术学院, 北京 100083
3 浙江大学环境与资源学院, 浙江 杭州 310058
快速准确监测农田土壤全氮含量, 可显著提高土壤肥力诊断与评价工作的效率。 传统测定土壤全氮的方法存在耗时费力、 成本高、 环境污染等缺点, 而基于光谱学原理的土壤全氮定量方法克服了传统测量的劣势。 中红外(MIR)光谱相较于可见光-近红外(VNIR)光谱而言, 具有更多的波段数和信息量, 如何利用中红外光谱监测土壤全氮含量是具有重要应用前景的研究课题。 为了探索中红外光谱对土壤全氮监测的可行性, 以新疆南疆地区采集的246个农田土样为研究对象, 以室内测定的全氮含量和中红外光谱反射率数据为数据源, 分析了不同全氮含量土样的中红外光谱特征差异, 以主成分分析法(PCA)和连续投影算法(SPA)对光谱数据进行降维, 然后采用偏最小二乘回归(PLSR)、 支持向量机(SVM)、 随机森林(RF)和反向传播神经网络(BPNN)四种建模方法分别构建基于全波段和降维数据的土壤全氮含量定量反演模型。 研究结果表明: (1)土壤在中红外波段光谱反射率随全氮含量的增加而增加, 在3 620, 2 520, 1 620和1 420 cm-1附近存在明显的吸收谷; 将中红外光谱数据进行最大值归一化处理后, 可明显提高土壤光谱反射率与全氮含量的相关性。 (2)对比两种数据降维方法, PCA和SPA分别使模型变量数减少了99.8%和97.5%, 但以PCA提取的8个主成分为自变量建立的模型预测精度总体要高于SPA对应的模型, 因此以PCA提取的主成分建模更适于土壤全氮模型的构建。 (3)在建模集中, PLSR和SVM模型以全波段建模精度最高, 但建模变量数多, 建模效率较低, 而RF和BPNN模型分别以PCA和SPA降维后的数据建立的模型在保持精度相当的前提下, 可显著提高建模效率; 在预测集中, 基于PCA降维数据的BPNN模型预测能力最高, R2和RMSE分别为0.78和0.12 g·kg-1, RPD和RPIQ值分别为2.33和3.54, 模型具备较好的预测能力。 研究结果可为农田土壤全氮含量快速估测提供一定的参考价值。
中红外光谱 土壤全氮 反演模型 光谱数据降维 Mid-infrared spectrum Soil total nitrogen Inversion model Dimension reduction of spectral data 光谱学与光谱分析
2022, 42(9): 2768
1 云南农业大学资源与环境学院, 云南 昆明 650201
2 云南农业大学农学与生物技术学院, 云南 昆明 650201
3 云南省农业科学院药用植物研究所, 云南 昆明 650200
绒柄牛肝菌(Boletus tomentipes Earle)是一种健康食品, 受广大消费者的青睐, 其子实体营养物质积累量受生长环境(海拔、 气候等)影响, 不同产地间营养物质含量差异显著, 为去劣存优, 急需建立一种准确、 快速、 廉价的产地鉴别技术。 采用数据融合策略结合随机森林算法(RF)对绒柄牛肝菌的产地进行鉴别, 比较了多种特征值提取方法对RF模型分类效果的影响。 扫描来自4个产地(北亚热带、 北温带、 南亚热带、 中亚热带)87个样品不同部位的傅里叶变换近红外光谱和傅里叶变换中红外光谱, 分析其光谱特征。 通过Kennard-Stone算法将所有样品划分为2/3的训练集(58)和1/3的验证集(29), 基于4种红外光谱(近红外的菌柄(N-b)、 近红外的菌盖(N-g)、 中红外的菌柄(M-b)、 中红外的菌盖(M-g))与三种数据融合策略(低级融合、 中级融合、 高级融合)的数据, 结合RF建立产地鉴别模型, 比较了不同方法提取的特征值(投影重要性指标值、 Boruta、 潜在变量)对模型分类效果的影响。 其中, 根据袋外错误率(oob)选择最优ntree和mtry; 以特异性、 灵敏度、 训练集正确率和验证集正确率评价模型分类性能, 综合多种评价指标, 找出绒柄牛肝菌产地鉴别的最佳方法。 结果表明: (1)近红外和中红外光谱均能反映不同产地绒柄牛肝菌间存在的细微差异。 (2)单一光谱结合RF建立判别模型效果不理想。 (3)三种融合策略均可提高绒柄牛肝菌的产地鉴定效果, 产地鉴别效果优劣依次为高级融合、 中级融合、 低级融合。 通过扫描绒柄牛肝菌近红外和中红外光谱, 采用基于特征值LV的高级融合策略, 结合RF建立不同产地绒柄牛肝菌鉴别模型, 有高验证集正确率(99.6%), 高灵敏度(0.969), 高特异性(0.986), 实现了绒柄牛肝菌产地的准确、 快速、 廉价鉴别, 可以作为绒柄牛肝菌产地溯源的一种可靠方法。
绒柄牛肝菌 产地鉴别 数据融合 傅里叶变换中红外光谱 傅里叶变换近红外光谱 Boletus tomentipes Geographic origin identification Data fusion Fourier transform mid-infrared spectrum Fourier transform near infrared spectrum 光谱学与光谱分析
2020, 40(5): 1495
东北林业大学工程技术学院, 黑龙江 哈尔滨 150040
基于支持向量机和马氏距离探索了中红外光谱分析识别进口的卢氏黑黄檀、 风车木、 微凹黄檀、 燃料紫檀和东非黑黄檀的能力。 应用中红外光谱仪采集了500组试验样本进行分析, 对试验数据进行了预处理: 首先, 为了保证样本的有效性, 对异常光谱进行了诊断。 基于莱特检验法诊断出卢氏黑黄檀和微凹黄檀各有2组异常, 风车木、 燃料紫檀和东非黑黄檀各有1组异常。 为使样本数量统一, 五种树种分别剔除了包含异常光谱在内的5组数据； 其次, 分析了近红外光谱的树种识别研究, 结果表明: 对光谱数据进行一阶导数处理, 可提高识别的精度。 因此, 对中红外光谱数据进行了平滑处理和一阶导数处理。 采用主成分分析提取了光谱数据的特征值, 测试集的第一和第二主成分得分的散点图显示, 平滑加一阶导数处理的测试集的各自聚类性较平滑处理好。 以主成分的得分为特征, 基于支持向量机和马氏距离进行了识别研究。 考虑到识别方法中主成分个数的选取会直接影响识别的精度, 而通常主成分的选取仅参考累计贡献率, 此处为使主成分的选取更科学, 在支持向量机识别方法中利用粒子群算法进行参数寻优时, 对主成分的个数(范围为［5, 30］)与5折检验下的最佳判别准确率的关系进行了试验, 结果表明: 平滑处理和平滑加一阶导数处理的主成分个数在［7, 11］范围内的5折检验下的最佳判别准确率较高, 结合对应的判别准确率, 确定了最佳的主成分个数为8个。 以前8个主成分作为输入变量, 基于支持向量机和马氏距离对测试集进行了测试, 结果得出: 两种识别方法的正确识别率均较高, 支持向量机的识别率略高于马氏距离, 平滑加一阶导数处理的识别率均优于平滑处理, 平滑加一阶导数处理的支持向量机正确识别率达到了98%, 识别效果最好。 因此, 中红外光谱分析可以作为木材树种识别的一种有效手段。
中红外光谱 树种识别 一阶导数 主成分分析 支持向量机 马氏距离 Mid-infrared spectrum Tree species identification First derivative Principal component analysis Support vector machine Mahalanobis distance 光谱学与光谱分析
2020, 40(7): 2128
1 云南农业大学资源与环境学院, 云南 昆明 650201
2 云南农业大学农学与生物技术学院, 云南 昆明 650201
3 云南省农业科学院药用植物研究所, 云南 昆明 650200
近年来食品安全问题频发, 消费者愈加重视食品原产地的环境安全, 导致地理标志产品的需求增加。 美味牛肝菌(Boletus edulis)作为一种健康食品, 其产品品质受原产地环境影响较大, 为保护消费者的身体健康, 防止假冒伪劣产品进入市场, 急需一种高效、 廉价的美味牛肝菌产地鉴别技术。 采用数据融合策略结合偏最小二乘判别(PLS-DA)模型对美味牛肝菌的产地进行鉴别。 扫描来自8个产地(昆明、 楚雄、 玉溪、 迪庆、 大理、 保山、 文山和曲靖)141个样品的傅里叶变换近红外光谱和傅里叶变换中红外光谱。 使用Kennard-Stone算法将所有样品划分为2/3的训练集和1/3的预测集, 利用三种融合策略(低级、 中级和高级)对4个单一光谱矩阵: 近红外的菌柄(N-b)、 近红外的菌盖(N-g)、 中红外的菌柄(M-b)、 中红外的菌盖(M-g), 建立偏最小二乘判别(PLS-DA)模型。 用交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)评价模型稳定性, 非错误率(NER)、 训练集正确率和预测集正确率评价模型分类性能, 综合多种评价指标, 找出美味牛肝菌产地鉴别的最佳方法。 结果表明: (1)近红外和中红外光谱均能鉴别美味牛肝菌产地; (2)中红外光谱所建立的模型优于近红外光谱所建立的模型; (3)三种融合策略均可提高美味牛肝菌的产地鉴别效果, 产地鉴别效果优劣依次为中级融合、 高级融合、 低级融合、 单一光谱模型。 通过融合近红外和中红外光谱使用PLS-DA进行基于特征值LV的中级融合策略, 建立不同产地美味牛肝菌鉴别模型, 有最少的变量数(49), 最高的产地训练集正确率(100%), 最高的产地预测集正确率(100%), 最低的RMSEP(0.133), 实现了美味牛肝菌产地的快速、 准确鉴别, 可以作为美味牛肝菌产地溯源的一种可靠方法。
美味牛肝菌 产地鉴别 数据融合 傅里叶变换中红外光谱 傅里叶变换近红外光谱 Boletus edulis Geographic origin identification Data fusion Fourier transform mid-infrared spectrum Fourier transform near infrared spectrum 光谱学与光谱分析
2020, 40(4): 1276
1 中国农业科学院蜜蜂研究所, 北京 100093
2 农业部蜂产品质量安全控制重点实验室(北京), 北京 100093
3 农业部蜂产品质量安全风险评估实验室, 北京 100093
4 北京工商大学计算机与信息工程学院, 北京 100048
5 食品安全大数据技术北京市重点实验室, 北京 100048
为快速鉴别5种蜂蜜(椴树蜜、荆条蜜、油菜蜜、洋槐蜜、荔枝蜜)的品种,首次提出了基于主成分分析(PCA)方法结合线性支持向量机(SVM)或最小二乘支持向量机(LSSVM)的中红外光谱法鉴别蜂蜜品种的新方法。用傅里叶变换中红外光谱仪测定5种蜂蜜样本的中红外光谱,并进行归一化预处理,然后用主成分分析降维方法分别提取经预处理后的光谱数据中的5维、10维、15维、20维特征数据,最后设计了线性SVM和基于网格搜索优化算法的径向基函数(RBF)的LSSVM分类器模型。利用不同分类器模型,识别未知蜂蜜样本光谱数据降维到不同维数的特征数据,并进行实验验证。结果表明:应用主成分分析降维方法降维到20维的特征数据在SVM和LSSVM分类器上的平均识别率均高于97%,最高识别率均可达到100%,且稳定性很好;利用较低维数数据进行分类时,LSSVM分类器比SVM的识别精度更高,稳定性更好。研究证明将中红外光谱与线性SVM或LSSVM结合用于快速鉴别蜂蜜品种是可行的。
光谱学 中红外光谱 主成分分析 支持向量机 最小二乘支持向量机 径向基函数 激光与光电子学进展
2018, 55(6): 063003
重庆工商大学废油资源化技术与装备教育部工程研究中心, 重庆400067
微量水分对绝缘油的介质损耗因数、 电阻率等电气性能指标有明显的影响, 探讨绝缘油受微量水分的影响规律, 对于采取有效措施监控绝缘油的运行状态具有重要意义。 首先对配制不同微水含量的绝缘油经过超声波振荡8h后再进行显微图像观察, 得到该油水分散系中游离水和乳化水相对均匀程度在25 min内其分散状态较为稳定; 在此基础上对油水分散系的介质损耗因数、 电阻率指标进行了实验测试, 得到了微水对绝缘油的电气性能指标的影响规律; 然后对不同微水含量的绝缘油进行中红外光谱分析, 得到不同微水含量的绝缘油在1 640, 3 400, 3 450, 3 615 cm-1波数处的吸光度值。 结合绝缘油中红外光谱分析的吸光度值变化以及实验测试结果表明油样在1 640, 3 400, 3 450, 3 615 cm-1水分的特征波数处吸光度值数据随水分含量不同而产生明显变化, 且吸光度值与水分含量的皮尔逊相关系数分别为0.964 1, 0.984 8, 0.984 5, 0.944 0, 油样中水分在相应特征波数处的吸光度值能够较好的反映出油样中水分含量的变化趋势; 微水对绝缘油介质损耗因数的影响和水分子在3 400和3 450 cm-1特征波数处的吸光度值变化趋势之间的相关系数较大, 分别为0.860 6和0.863 6; 微水对绝缘油介质损耗因数的影响和水分子在1 640和3 615 cm-1特征波数处的吸光度值变化趋势之间的相关系数分别为-0.931 5和-0.9680, 从而为绝缘油中微水的监测奠定了前期研究基础。
微量水分 中红外光谱 绝缘油 电气性能 Trace water Mid-infrared spectrum Insulating oil Electrical properties 光谱学与光谱分析
2015, 35(10): 2740
重庆工商大学 废油资源化技术与装备教育部工程研究中心,重庆 400067
为了有效监控绝缘油的运行状态,采用定量分析方法探讨了微量水分对绝缘油表面张力的影响规律。通过配制不同微水含量的绝缘油样,对每组油样进行表面张力测试,然后对油样进行红外光谱扫描,获取了油样中水分在特征波数处(1 640,3 400,3 450,3 615 cm-1)的吸光度值。分析了油液中2,6-二叔丁基对甲酚(T501)等添加剂对油样表面张力变化规律的影响。结果表明: 油样中水分含量与水分特征吸光度值之间有较好的相关性(相关系数分别为0.964 1,0.984 8,0.984 5,0.944 0),油样表面张力和1 640,3 400,3 450,3 615,3 650 cm-1波数处油样吸光度值的变化亦均呈现良好的正相关性。建立了油样表面张力与特征波数处油样吸光度值的多元线性回归模型,拟合精度为0.992 8;根据模型得到的表面张力计算值与实际测量值误差为-0.07~006%,吻合性较好。文中的实验可为含微水绝缘油的表面张力检测提供理论支撑。
中红外光谱 绝缘油 表面张力 微量水分 定量测量 mid-infrared spectrum insulating oil interfacial tension trace water quantitative measurement
