为实现柑橘可溶性固形物含量(SSC)快速无损检测, 基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。 以宽谱LED光源结合特征窄带微型光谱仪为核心, 设计了手持式柑橘可溶性固形物含量无损检测终端。 开发了基于物联网技术的水果光谱仪云端数据系统, 该系统主要包括用户库、 设备库、 检测数据库和模型库, 通过通讯模块与手持式无损检测终端相连接, 可以实现光谱采集参数修改、 云端数据上传与下载、 云模型的调用等功能。 利用该检测系统获取的光谱数据, 建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。 该网络包含输入层、 卷积层、 池化层、 全连接层和输出层等7层结构。 主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型, 并用该模型与多种传统回归方法进行对比。 1D-CNN模型的预测相关系数和预测均方根误差分别为0.812, 0.488, 优于偏最小二乘法(PLS), 人工神经网络(ANN)和支持向量机(SVM)。 采用基于模型的迁移学习方法, 基于主机的1D-CNN模型对从机进行模型传递, 研究了从机标准样本数量对模型传递的影响。 发现使用少量从机光谱样本即可取得较好的效果, 从机预测集均方根误差为0.531。 研究结果表明, 研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、 低成本、 操作简便等优点, 基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。 借助迁移学习算法, 可以实现1D-CNN模型在不同装置间的有效传递, 满足柑橘可溶性固形物含量无损检测的需求。 为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。

近红外光谱分析技术依赖于表征光谱向量和预测目标之间关系的化学计量学方法。 然而, 样品的光谱由信号和各种噪声组成, 传统化学计量学方法较难直接提取光谱的有效特征, 并为复杂的预测任务建立具有较强泛用性的校正模型。 进一步地, 受限于仪器间的差异, 在一台仪器上建立的模型应用于另一台仪器时, 难以取得相同的定量分析结果。 为此, 提出了一种基于卷积神经网络和迁移学习的定量分析建模及模型传递方案, 以提高模型在单仪器和跨仪器上的预测性能。 在卷积神经网络的基础上, 一种结合多尺度特征融合和残差结构, 名为MSRCNN的先进模型被设计, 并在主仪器上展现了卓越的预测能力。 然后, 设计了四种的基于fine-tune模型迁移策略, 将在主仪器上建立的MSRCNN模型迁移到从仪器。 在药品和小麦的公开数据集上的实验结果表明, MSRCNN在主仪器上的RMSE和R2分别为2.587, 0.981和0.309, 0.977, 优于PLS, SVM和CNN。 在利用30个从仪器的样本微调主仪器建立的模型后, 迁移MSRCNN中的卷积层和全连接层的方案取得了最好效果, 其RMSE和R2可分别达到2.289, 0.982和0.379, 0.965。 增加参与模型微调的从仪器样本, 可进一步提高性能。

为解决光谱数据差异导致模型不稳定的问题，研究了不同批次中式菜肴营养素含量预测模型的传递方法。以间隔3个月制作的番茄炒蛋样本为例，采集光谱数据并利用理化方法测定蛋白质含量(每批次120个样本)；选择预测效果较好的第二批次模型作为主模型，将分段直接标准化(Piecewise Direct Standardization, PDS)算法、模型更新(Model Updating, MP)和斜率/截距(Slope/Bias, S/B)修正法联合(PDS-MP-S/B)用于菜肴类模型传递，分析不同PDS窗口数和标准集数对预测结果的影响。当PDS窗口数为11且标准集数为100时，PDS-MP-S/B算法对蛋白质含量的预测结果明显优于无模型传递和单独使用3种算法时，预测模型的预测集决定系数R2(Pred)为09628，相对预测偏差(Relative Prediction Deviation, RPD)为56731，预测均方根误差(Root Mean Square Error of Prediction, RMSEP)为03157。从光谱、模型、结果三个方面实现了模型传递，提高了模型的通用性，减少了建模成本，为中式菜肴的快检提供了理论支持。

研究近红外光谱分析模型中的样本有效划分问题, 针对经典KS算法依据距离度量描述高维度光谱数据间差异时效果不尽人意甚至失去意义的问题, 结合目前相似性度量方法的不足, 构造出一种新的相似性度量函数, 采用光谱特征和性质特征相结合的方式计算样本间差异, 提出一种改进的KS算法以寻求样本差异的最佳表达方式。通过与其他改进方法的对比, 从有效性和对近红外光谱分析模型的影响两方面对所提改进算法进行分析, 验证了所提算法的合理性和优越性。

由上海棱光技术有限公司与中国农业大学联合研发的S450型近红外高密度光栅光谱仪, 使用高速采集技术可得到高密度光谱(波长范围900~2 500 nm, 采集间隔0.1 nm, 光谱包含16 001个数据点), 本文采用该仪器并以小麦、 烟草样品为实验对象, 针对高密度光谱的数据特点, 采用S.G.(savitzky-golay)平滑、 固定窗口组合滑动窗口平滑(FCMWS和一阶导数(FD)等数据处理方法, 并应用偏最小二乘法(PLS)对小麦粗蛋白、 烟草烟碱及总糖含量进行建模和预测, 对仪器整体性能以及数据处理方法的参数优化等, 进行了评价和比较研究。 结果表明: (1)小麦、 烟草样品的原光谱经S.G.平滑结合一阶导数预处理后, 模型性能大幅提高, 通过对参数拟合阶次M和平滑点数N进行优化得出, 当M一定时, N可选取范围较宽, 且当M=2和N处于201～801区间时模型效果理想且稳定; (2)FCMWS方法对小麦、 烟草样品的原光谱进行两层平均平滑, 经调整优化平滑参数K1和K2(K1为第一层平滑的固定窗口大小, K2为第二层滑动窗口大小)得出: 两层平滑参数相乘约为150~310时, 模型性能稳定且较优, 同时FCMWS方法极大地提高了建模速度; (3)以小麦样品为对象, 同时在两台S450型光谱仪上采集样品光谱, 对比分析了仪器间的性能差异, 结果表明光谱经S.G.平滑或FCMWS方法处理后, 不同仪器模型间相互预测数据的相对偏差小于2.00%, 远低于预测值与参考值间的相对偏差, 说明上述两种方法均可降低仪器的台间差异, 实现台间模型的稳定传递。 研究结果表明, 国产S450型高密度光栅光谱仪结合数据平滑去噪技术, 已满足小麦、 烟草等农产品品质检测和模型传递的性能要求, 且该光栅型仪器成本相对较低, 对农业领域推广近红外快速检测技术的应用具有实际意义。

在水果的品质检测和分级分选中, 存在不同仪器所建检测模型难以共享的难题。 为此, 以壶瓶枣为研究对象, 利用可见/近红外光谱技术探讨仪器间可溶性固形物含量（SSC）检测模型的传递方法。 首先, 采用美国ASD（Analytical Spectral Device）公司生产的两台仪器采集样本的光谱信息, 采用最小二乘支持向量机（LS-SVM）建立原始光谱、 Savitzky-Golay一阶导数处理、 标准正态变量变换后的SSC检测模型, 预测不同仪器采集的光谱时3种方法的预测能力均较差。 预测同一台仪器的光谱时, 基于原始光谱的主仪器所建模型最优, 预测集的决定系数（R2p）和均方根误差（RMSEP）分别为0.73和1.36%。 在此基础上, 采用Kennard/Stone算法选取标样, 利用专利算法（Shenk’s）、 直接标准化（DS）、 斜率/偏差算法（S/B）进行模型传递。 然后, 根据回归系数提取主仪器（24个）和从仪器（28个）的特征波长, 优选出单一变量（SV）24个、 共性变量（CV）23个、 融合变量（FV）29个, 均涵盖了SSC的主要吸收谱带。 利用优选的变量分别建立主仪器的LS-SVM检测模型, 采用主仪器的预测结果（R2p=0.78~0.80, RMSEP=1.07%~1.13%）明显好于全波段所建模型, 但预测从仪器时RMSEP为6.62%~7.88%, 模型失效。 最后, 基于波长位置偏移和分子振动的吸收特性提出了共性变量优选结合差值补正（CV-MC）、 单一变量优选结合差值补正、 融合变量优选结合差值补正、 共性变量优选结合波长补正算法（CV-WC）进行模型传递, 并与SV-Shenk’s, CV-Shenk’s, FV-Shenk’s, SV-DS, CV-DS, FV-DS, SV-S/B, CV-S/B和FV-S/B进行对比分析。 结果表明, 基于全波段进行模型传递时, 预测结果均较差（R2p=0.03~0.34, RMSEP=2.44%~4.67%）; 基于优选变量所建模型经SV-Shenk’s, CV-Shenk’s, FV-Shenk’s传递后的结果较差, 经其他算法传递后的结果（R2p=0.47~0.73, RMSEP=1.30%~1.90%）好于全波段; 基于共性变量传递后的结果好于单一变量和融合变量, CV-MC结果最佳（R2p=0.73, RMSEP=1.30%）, CV-WC传递后的预测结果（RMSEP=1.62%）与CV-DS和CV-S/B相近。 研究表明, CV-MC和CV-WC均是一种有效模型传递算法, 对建立不同仪器间通用的鲜枣品质检测模型具有重要意义。