共查询到10条相似文献，搜索用时 15 毫秒
1.
花椒挥发油含量的近红外光谱无损检测 总被引：5，自引：4，他引：5
应用近红外漫反射光谱技术,采用偏最小二乘法,针对118份完整花椒颗粒定标样品集,研究了扫描分辨率为4、8、16 cm-1,扫描次数为32、64、128的9种扫描参数组合情况下的挥发油含量近红外光谱预测模型.扫描分辨率为16 cm-1、扫描次数为128时,建立的预测模型最优.在最优参数组合情况下,定标集样品的内部验证决定系数R2为0.907,交互验证误差均方根为0.509,用20份样品作为预测集进行外部验证,外部验证决定系数R2为0.973,预测误差均方根为0.272,相对分析误差为6.28.结果表明,近红外光谱分析技术可以快速、无损地检测花椒颗粒中挥发油的含量. 相似文献
2.
芝麻油掺伪的近红外透射光谱检测技术 总被引：2，自引：0，他引：2
采用近红外光谱技术结合间隔偏最小二乘法分别建立芝麻油中掺入大豆油、玉米油和花生油的定量检测模型。实验配制不同比例的掺假芝麻油混合样品,采集样品在4 000～12 000 cm-1范围内的近红外透射光谱,把数据分为校正集与预测集。将4 420～12 000 cm-1波段的光谱进行各种预处理,最佳方法为平滑预处理,并利用间隔偏最小二乘波长筛选法(iPLS)选取光谱特征波段,最后采用偏最小二乘法建立掺假芝麻油的定标模型。结果显示:3种掺假芝麻油的PLS模型预测相关系数分别达到0.998、0.999、0.999,预测均方根误差分别为0.24%、0.24%和0.19%,具有较高的预测精度。实验证明近红外光谱技术对芝麻油掺假的快速检测具有可行性。 相似文献
3.
应用近红外光谱分析技术,采用偏最小二乘法,对141份花椒粉末样品近红外光谱建立挥发油含量定量模型,交叉验证测定系数R2为0.936,交叉验证误差均方根RMSECV为0.421,经直接正交信号校正(DOSC)预处理后,相应的交叉验证测定系数R2提高到0.95,RMSECV减小为0.374.使用105份样品近红外光谱所建立的模型对36份样品的预测集进行预测,光谱采用DOSC预处理前后,预测测定系数R2由0.923提高到0.969,RMSEP由0.452减小到0.289,RSD由11.65%减小到7.44%,RPD由3.622增加到5.573.研究结果表明,使用DOSC预处理后的花椒挥发油含量近红外光谱定量模型的预测效果有较大的提高,且具有较好的稳定性和较强的预测能力,可用于实际的花椒挥发油检测. 相似文献
4.
稻谷千粒质量近红外光谱定量分析 总被引：2，自引：0，他引：2
利用近红外漫反射光谱分析技术对稻谷千粒质量进行了测定和研究.通过对70个不同品种的稻谷样本进行近红外光谱扫描,将获得的光谱进行10种不同方法的预处理,然后应用PLS方法建立稻谷千粒质量预测的定标模型,根据交互验证决定系数(R2)和交互验证标准差(RMSECV)进行最佳定标模型选择,最后依据稻谷千粒质量预测值与真实值间的相关系数(r)和预测标准误差(SEP)进行模型预测能力评价.结果显示,在光谱区间11 998.9～7 497.9+6 101.7～5 449.8+4 601.3～4 246.5 cm-1、采用最小-最大归一化预处理方法建立的定标模型具有最大的交叉验证决定系数0.773和最小的均方根误差1.67 g;以最佳定标模型预测的稻谷千粒质量与真实值之间的相关系数为0.945,预测标准误差为0.76 g,表明近红外光谱分析技术可以用来进行稻谷千粒质量的快速测定. 相似文献
5.
利用近红外漫反射光谱分析技术对稻谷千粒质量进行了测定和研究。通过对70个不同品种的稻谷样本进行近红外光谱扫描,将获得的光谱进行10种不同方法的预处理,然后应用PLS方法建立稻谷千粒质量预测的定标模型,根据交互验证决定系数（R2）和交互验证标准差（RMSECV）进行最佳定标模型选择,最后依据稻谷千粒质量预测值与真实值间的相关系数（r）和预测标准误差（SEP）进行模型预测能力评价。结果显示,在光谱区间11998.9～7497.9＋6101.7～5449.8＋4601.3～4246.5cm-1、采用最小—最大归一化预处理方法建立的定标模型具有最大的交叉验证决定系数0.773和最小的均方根误差1.67g;以最佳定标模型预测的稻谷千粒质量与真实值之间的相关系数为0.945,预测标准误差为0.76g,表明近红外光谱分析技术可以用来进行稻谷千粒质量的快速测定。 相似文献
6.
黄瓜叶片叶绿素含量近红外光谱无损检测 总被引：3，自引：0，他引：3
为了简化黄瓜叶片叶绿素光谱模型和提高模型预测精度,采用联合区间偏最小二乘法( SiPLS)结合净分析物法( NAS)提取近红外光谱的特征信息,建立了黄瓜叶片叶绿素光谱模型.收集了110片新鲜黄瓜叶片,用近红外光谱仪采集光谱数据后立刻用化学分析方法测定叶绿素含量.原始光谱经过SNV预处理和子区间总数优化后,将全光谱均匀划分为29个子区间,用联合区间偏最小二乘法优选出4个特征子区间,在上述特征子区间的基础上,用净分析物法分离光谱中同叶绿素相关的光谱信息,并结合线性回归法建立了叶绿素光谱模型.模型对应的校正集相关系数Rc、校正均方根误差、预测集相关系数Rp和预测均方根误差分别为0.947 2、0.079 5 mg/g、0.925 0和0.090 6 mg/g.结果表明:联合区间偏最小二乘法结合净分析物法能够有效提取叶绿素的特征光谱信息,提高模型精度的同时降低其复杂度. 相似文献
7.
苹果硬度的傅里叶变换近红外光谱无损检测 总被引：3，自引：1，他引：3
利用傅里叶变换近红外光谱技术探讨快速无损检测苹果硬度方法的可行性.通过解析苹果样品的近红外光谱图,用一阶导数、多元散射校正和矢量归一等方法进行预处理,再用偏最小二乘法建立模型.结果表明,多元散射校正能够有效消除光谱基线平移和偏移现象, 提高原光谱的信噪比,选取有效信息波长范围为1408～2355nm.偏最小二乘法结合多元散射校正所建模型的预测效果最好,模型的决定系数R2为0.9852,内部交叉验证均方根差RMSECV和预测标准偏差RMSEP分别为0.0398kg/cm2和0.0166kg/cm2.进一步通过剔除异常值优化模型,并验证检验组的25个样品,模型的R2为0.9908,RMSEP为0.0147kg/cm2.结果表明:建立的模型可靠,预测效果好,能满足苹果硬度快速检测的要求. 相似文献
8.
为了快速检测面条中马铃薯全粉含量,研究近红外高光谱成像技术定量检测面条中马铃薯全粉含量的可能性,自制了马铃薯全粉质量分数在0~35%内随机均匀分布的120个面条样品,在900~2500nm范围采集高光谱图像,随机选取80个样品作为校正集,分别采用原始光谱和经过6种预处理方法预处理后的光谱建立了偏最小二乘回归、主成分回归、支持向量机回归模型。结果表明经标准化预处理后用偏最小二乘回归建模效果最好,校正集决定系数（R2C）为0.8653,交叉验证集决定系数（R2CV）为0.6914。用回归系数法在经过标准化预处理后的光谱数据中提取了与全粉含量相关的特征波长,建立了马铃薯全粉含量偏最小二乘回归简化模型, 校正集决定系数（R2C）为0.8685,交叉验证集决定系数（R2CV）为0.8021,基于特征波长建立的模型效果优于全波段模型,模型效果得到了一定的提高。以剩余40个未参与校正模型建立的样品作为预测集,基于特征波长建立了标准化-偏最小二乘回归简化预测模型,预测集决定系数（R2P）为0.8546,模型具有较好的预测能力。结果表明利用近红外高光谱成像技术可检测面条中马铃薯全粉含量,可为马铃薯全粉面条的快速无损检测建立新的方法。 相似文献
9.
猪肉肌内脂肪含量的可见/近红外光谱在线检测 总被引：4，自引：0，他引：4
研究基于可见/近红外光谱分析技术的新鲜猪肉肌内脂肪含量在线检测。实验样本为208份背最长肌,实验时样品以0.25m/s的速度运动,采集可见/近红外漫反射光谱,进行小波消噪处理后,结合不同的光谱预处理方法建立肌内脂肪含量的偏最小二乘回归模型。研究发现采用db6小波在6层分解后以极大极小原理选择阈值进行消噪效果较好;消噪的光谱直接建立的PLSR模型预测性能较差,经过多元散射校正、变量标准化及微分等预处理均能提高模型的预测性能;变量标准化结合一阶微分预处理后建立的模型性能最佳,校正集相关系数为0.892、验证集相关系数为0.834、校正集均方根误差为0.090、预测集均方根误差为0.080。结果表明可见/近红外光谱可用于肌内脂肪含量的在线检测,但模型相对分析误差最高为1.738,模型的精度和稳定性仍需进一步提高。 相似文献
10.
班菲尔脐橙可溶性固形物近红外光谱特征谱区选择 总被引：2，自引：0，他引：2
为探讨快速无损检测班菲尔脐橙可溶性固形物(TSS)含量的方法,利用多元散射校正对脐橙1 000 ～2 500 nm近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型.结果表明,采用siPLS将光谱划分为17个子区间,利用其中的第4(1 267～1355 nm)、5(1 356 ～1 443 nm)、9(1708～1795nm)、15(2 236 ～2 323 nm)号4个子区间联合建立的TSS模型效果最佳,其校正集决定系数和均方根误差分别为0.9109和0.331 2.预测集决定系数和均方根误差分别为0.878 9和0.448 7,主因子数为6个.研究表明,近红外光谱技术结合siPLS可优选出表征班菲尔脐橙TSS含量信息的特征光谱区间简化预测模型,同时提高模型预测能力和精度. 相似文献