小麥內(nèi)在品質(zhì)近紅外光譜無損檢測技術(shù)研究.pdf

1、中國是一個(gè)人口大國，小麥?zhǔn)俏覈钪匾募Z食之一，如何快速的、有效的、無損的檢測小麥中的各種化學(xué)成分，并對多項(xiàng)指標(biāo)進(jìn)行評價(jià)，一直是各國研究的問題。國內(nèi)許多行業(yè)對高品質(zhì)小麥的需求促進(jìn)了小麥無損檢測技術(shù)的發(fā)展，但是現(xiàn)有的近紅外光譜分析儀器多數(shù)體積龐大，價(jià)格昂貴，不適合做現(xiàn)場分析及在線檢測，從而使近紅外光譜技術(shù)推廣應(yīng)用存在明顯障礙。另外，雖然目前水分、粉碎谷物蛋白、整粒谷物蛋白等的近紅外光譜方法已被國際標(biāo)準(zhǔn)化委員會所認(rèn)可，但是，在近紅外光譜數(shù)據(jù)

2、處理過程中，由于樣本的復(fù)雜性使得物理層交疊信息的解釋性較弱，校正模型的傳遞性和普適性差，因此，近紅外光譜技術(shù)和儀器至今尚未在全球范圍內(nèi)廣泛應(yīng)用，建模過程中的思想和方法仍是努力探索的前沿課題，而小麥的近紅外光譜數(shù)據(jù)具有組份復(fù)雜，變異度高，自然采樣不受控等特點(diǎn)，使其近紅外光譜分析問題成為一個(gè)亟待解決的問題，本文是在這一背景下開展小麥內(nèi)在品質(zhì)無損檢測技術(shù)研究，主要研究內(nèi)容如下:
　　1、首先，簡單介紹了現(xiàn)有的近紅外光譜分析儀器，詳細(xì)論述

3、了常用的近紅外光譜預(yù)處理方法及建模方法，其中，光譜預(yù)處理方法包括平滑、求導(dǎo)、小波變換(WT)、多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變換(SNV)、正交投影方法(OSC)等，建模方法主要包括偏最小二乘方法(PLS)、支持向量機(jī)方法(SVM)等，并給出了模型評價(jià)理論。其次，基于目前小麥近紅外光譜測試的主要方法，自行設(shè)計(jì)了近紅外漫反射光譜測試系統(tǒng)和近紅外漫透反射光譜測試系統(tǒng)，其主要包括光纖耦合系統(tǒng)、光源系統(tǒng)等。對于光纖耦合系統(tǒng)，基于光學(xué)擴(kuò)展量和分

4、布加權(quán)平均采樣的思想，提出利用分層環(huán)帶光纖耦合的形式收集樣品的漫射光，設(shè)計(jì)了一個(gè)分立式雙層環(huán)帶分布收集結(jié)構(gòu)，該結(jié)構(gòu)主要將整個(gè)光接收面分為兩層環(huán)帶，每層環(huán)帶的接收點(diǎn)數(shù)量不同，其中，一層為9個(gè)接收點(diǎn)，另一層為10個(gè)接收點(diǎn)，共計(jì)19個(gè)接收點(diǎn)，9個(gè)接收點(diǎn)的環(huán)帶層與受照表面成30°角，而10個(gè)接收點(diǎn)的環(huán)帶層與受照表面成60°角，并且每個(gè)接收點(diǎn)的光能量收集方式均采用光纖耦合收集（可配耦合透鏡增加接收立體角），解決了傳統(tǒng)積分球采樣結(jié)構(gòu)存在的開孔小、樣

5、品裝樣姿態(tài)對測試影響大等問題;對于光源系統(tǒng)，采用長壽命鹵鎢杯燈作為光源的燈泡，聚光結(jié)構(gòu)采用反射聚光器配合前置準(zhǔn)直透鏡的聚光結(jié)構(gòu)，再輔以濾光片使光線集中，定向性好，輻射效果理想。
　　2、針對于小麥水分模型，基于信息?；枷?，在有監(jiān)督學(xué)習(xí)方式下，利用小波多尺度分解，實(shí)現(xiàn)小麥近紅外光譜的特征提取，選擇具有代表性的小波系數(shù)，重構(gòu)光譜，建立預(yù)測模型，使小麥近紅外光譜水分預(yù)測模型的校正均方根誤差（RMSECV）由全光譜的0.4887降低到0

6、.2910，降低了40.5％，極大程度優(yōu)化了模型，提高了模型預(yù)測精度。
　　3、基于常用的變量選擇方法，主要包括無信息變量消除算法(UVE)、連續(xù)投影算法(SPA)、無信息變量消除算法結(jié)合連續(xù)投影算法(UVE-SPA)，針對于小麥蛋白質(zhì)模型，采用連續(xù)小波變換(CWT)和多元散射校正(MSC)對原始光譜進(jìn)行預(yù)處理，分析了不同的變量選擇方法的變量選擇結(jié)果，并提出了基于特征投影圖(LPG)的變量選擇方法，并給出了具體處理步驟。其次，分別

7、對SVM模型、CWT-SVM模型、CWT-MSC-SVM模型、CWT-MSC-UVE-SVM模型、CWT-MSC-SPA-SVM模型、CWT-MSC-UVE-SPA-SVM模型、CWT-LPG-SVM模型和CWT-MSC-LPG-SVM模型的建模結(jié)果進(jìn)行了討論，并給出了相應(yīng)模型評價(jià)，其中，CWT-MSC-LPG-SVM模型效果最好，使變量數(shù)目減少了90％，預(yù)測均方根誤差（RMSEP）降低了34％，極大程度提高了小麥蛋白質(zhì)預(yù)測模型的預(yù)測精

8、度。
　　4、給出了模型集群分析(MPA)思想，MPA思想是首先根據(jù)所收集樣本，利用蒙特卡洛采樣技術(shù)(MCS)，進(jìn)行子訓(xùn)練集的劃分，本文將收集到的93個(gè)小麥樣本，按照2∶1的原則，采用蒙特卡洛采樣技術(shù)分別建立500個(gè)子建模集和子預(yù)測集;其次，針對于每個(gè)子訓(xùn)練集建立子回歸模型，本文利用特征投影圖方法結(jié)合偏最小二乘方法針對于每個(gè)子建模集和子預(yù)測集進(jìn)行建模分析，并得出500個(gè)子預(yù)測集的均方根誤差;最后，根據(jù)所建子模型，分別在樣本空間、變

9、量空間、參數(shù)空間、模型空間進(jìn)行討論，并對子模型的參數(shù)進(jìn)行統(tǒng)計(jì)分析，從而選擇感興趣的信息，本文是將500個(gè)子預(yù)測集的均方根誤差（RMSE）進(jìn)行統(tǒng)計(jì)分析，刪除預(yù)測均方根誤差大的模型42個(gè)，在剩余的458個(gè)子模型中，將每個(gè)子模型中所選擇的變量進(jìn)行統(tǒng)計(jì)分析，統(tǒng)計(jì)出現(xiàn)頻次高的特征變量，共計(jì)12個(gè)。比較分析不同變量選擇方法的建模結(jié)果，其中，基于MPA思想的CWT-MSC-MC-LPG-PLS模型將變量數(shù)減少了95％，模型精度提高了51％，可以更好的