近红外区

近红外区（精选7篇）

近红外区 篇1

摘要：针对小波能量比在平滑的红外图像中提取过渡区存在误判的问题,提出用基于小波变换过渡区的算法。该算法通过小波变换将红外图像的低频和高频进行分离,对高频分量进行分析,构造方差,对方差进行阈值处理,重构过渡区,从而克服了小波能量比将红外背景误判为过渡区的不足。实验结果表明:本文算法提取出来的红外图像的过渡区具有很好的准确性。

关键词：小波变换,红外图像,方差,过渡区

0 引言

过渡区是介于目标和背景之间的区域,它是一个特殊的区域,本身像素的灰度值也介于目标灰度均值和背景灰度均值之间,对于非过过渡区域而言,过渡区内灰度变化通常是剧烈的,且本身又具有宽度且面积不为零的这样区域特点。提取过渡区对图像目标的形状和尺寸没有任何条件,是一种典型的通用算法。

基于过渡区提取的分割算法在图像分割研究中成为热点[1,2,3,4,5],其中小波分析在时域和频域都具有良好的局部特性和多分辨分析特点,已经成功地应用在图像边缘检测、过渡区提取领域[6,7,8]。

文献[8]提出基于小波能量比的过渡区提取与分割算法,对于图像背景为纹理细节时,该方法可以很好把目标分割出来。但对红外图像背景呈大面积的连续分布状态,背景灰度值相差较大时,就会有把背景误判成过渡区提取问题,降低图像识别的准确率。针对文献[8]中小波能量比算法的不足,提出用小波方差来描述过渡区,不仅消除了误判现象,而且提取的过渡区能很好的位于目标与背景之间。实验结果证明,本文算法提取的过渡区有很好的准确性和连贯性。

1 小波能量比参数[7]

图像经过离散小波后,可将原始图像分离成4个部分,分别对应着图像低频部分以及图像3个方向(水平、垂直、对角)的高频部分,用fLL,fLH,fHL,fHH,表示。为了计算每一部分分量所包含的能量,定义如下能量函数

E=f(x,y)m×n (1)

式中:f(x,y)为小波变换后中对应图像(x,y)处的像素值,m×n为像素个数。

定义如下的小波能量比参数

undefined

根据文献[7]中定义特定大小尺寸的窗口,将窗口在图像中由左到右、由上到下移动,每移动一个像素,可计算出一个局部小波能量比,由此可得到图像变换后的小波能量比特征表,通过设定阈值,可将图像过渡区提取出来,具体算法步骤如下:

1)设定邻域窗尺寸及小波能量比门限值(即阈值);

2)由式(2)计算小波能量比参数值;

3)根据阈值提取过渡区;

4)根据过渡区灰度直方图得到分割阈值;

5)根据阈值分割图像。

小波能量比参数的阈值可由式(3)确定

Rr=αrmax (3)

式中:rmax为小波能量比特征值的最大值;α为0～1之间的系数,它决定了提取过渡区的阈值。

由式(1)、式(2)可见,小波能量比参数反映的图像灰度变换频率和灰度幅值变换比。当图像内像素变化频繁,但幅度变化不大时,高频成分能量较小,对小波能量比参数值也较小,可当成纹理细节来处理,如图1a中的红外图像-手,手内部灰度值变化频繁但幅度不大,在红外成图像中可当作纹理处理,用小波能量比能很好的提取出过渡区,如图2a所示。但对像素变化频繁,幅度变化相对较大,如图1b所示,由于受高压电线的影响,高压电线附近的环境温度要比其他地方的环境温度要高,在图像中表现为灰度值连续变化较大,但从肉眼观看基本无法识别,同样采用小波能量比参数来提取过渡区,就会把背景误判为过渡区提取出来,如图2b所示。由此可见,用小波能量比参数在红外图像中提取过渡区有一定的局限性。

2 小波方差比参数

过渡区内像素灰度变化频繁且剧烈,小波能量比在像素灰度变化频繁但幅值较小的情况下可以很好地提取过渡区,而对像素灰度变化频繁但幅值较大就有可能把背景提取到过渡区来。为了更好的描述灰度变化的剧烈程序,本文用方差比替代能量比,根据公式(1),以变换后图像的像素(x,y)为中心,窗口大小为m×n的领域∏,记方差为

d(∏)undefined

定义小波方差比参数

D(∏)undefined

由式(4),(5)可以看出,在窗口∏领域内小波方差比参数具有如下特点:1) 若窗口∏内图像像素不变或变化幅度不大时,对应着小波高频分量较小,小波方差比参数值也较小,可认是为图像同质性比较好,灰度较均匀。2) 若窗口∏内图像像素变化剧烈且频繁,包含大量的小波高频分量,小波方差参数值自然也较大,可认为图像同质性较差,属于过渡区。可以看出,小波方差比反映的是灰度变换的剧烈程度,通过设定阈值,可将目标过渡区提取出来,设定阈值为

Df(∏)=αDmax(∏) (6)

式中:Dmax(∏)为变换后的图像的小波方差参数最大值;α为0～1之间的系数,可根据实际图像调节α的值,为了保证过渡区有一定的连贯性,而又不把背景误判成过渡区,一般取α值为0.7～0.9。

与文献[8]的方法类似,仍定义特定大小窗口领域∏,∏的大小一般为5×5或7×7,(x,y)为窗口领域∏的中心点,当移动(x,y)时,可以计算出每个像素点对应的小波方差比参数,具体算法步骤如下:

1)设定窗口邻域窗∏的大小及系数α的值;

2)根据公式(1)计算出小波能量;

3)根据公式(4),通过移动以(x,y)为中心点的窗口领域∏,从左到右、从上到下计算出每个像素点对应该的小波方差比参数;

4)计算小波方差比参数最大值Dmax(∏);

5)设置小波方差比参数阈值Df(∏);

6)根据阈值Df(∏)提取过渡区。

3 实验分析

为了验证本文算法的有效性,所有程序在Matlab 7.9上编写。通过对实际红外图像进行过渡区的提取,与小波能量比进行对比实验。

图3a为使用本文中小波方差比参数来提取图1a的过渡区。可以看出,手内部的灰度值变化频繁,但幅值变化不大,小波高频分量较低,可认为图像同质性比较好,而在手的边缘,灰度变化频繁且幅值变化大,包含大量小波高频分量,因此通过小波方差比参数可以很好地提取过渡区。 图1b环境温度尽管受到高压电线的影响,在灰度幅度上出现较大的连续变化,但相对过渡区而言,灰度变化幅度相对还是较小的,经小波方差比参数量化后,过渡区的灰度差异被量化到更高的数量级别上,经过阈值后,可以准确地提取出过渡区,如图3b所示,能准确提取出过渡区,避免了将受到高压电线影响的背景错误的当成过渡区,具有很好的连贯性。

4 结论

针对小波能量比在平滑的红外图像中提取过渡区存在误判的问题,提出用基于小波变换的方法来描述过渡区的算法。通过小波方差比,将像素灰度值变化程度量化到更高的数量级别上,可以很好地区别出像素变化剧烈和平缓变化。通过实验验证,本文算法能很好地克服小波能量比参数将背景误判为过渡区的问题,提取出来的过渡区有很好的准确性,具有很好的连贯性。

参考文献

[1]梁学军,乐宁.基于光强加权梯度算子的图像过渡区算法[J].图像识别与自动化,2001(1):4-7.

[2]乐宁,梁学军,翁世修.图像过渡区算法及其改进[J].红外与毫米波学报,2001,20(3):211-214.

[3]闫成新,桑农,张天序,等.基于局部复杂度的图像过渡区提取与分割[J].红外与毫米波学报,2005,24(4):312-316.

[4]曹占辉,张科,李言俊.局部模糊复杂度的图像过渡区提取算法[J].火力与指挥控制,20083,3(1):25-27.

[5]甘斌,张雄伟,甘仲民.基于小波变换的多尺度图像边缘处理[J].电视技术,2001,25(8):20-22.

[6]MALLAT S,ZHANG S.Characterization of signals from multiscale edges[J].IEEE Trans.PAMI1,9921,4(7):710-73。

[7]赵茂程,郑加强,凌小静.一种基于小波变换的图像过渡区提取及分割方法[J].农业工程学报,2005,21(11):103-107.

[8]闫成新,桑农,张天序.基于小波变换的图像过渡区提取与分割[J].计算机工程与应用,20044,0(18):29-31.

近红外区 篇2

现代近红外光谱技术及应用进展

摘要：简要介绍了现代近红外光谱的发展、技术特点和测量原理,对近年来近红外光谱仪器、化学计量学方法及软件和应用的.进展情况及我们在这几个方面开展的工作进行了简要介绍. 作者： 徐广通袁洪福陆婉珍 Author： Guangtong XUHongfu YUANWanzhen LU 作者单位： 石油化工科学研究院,100083,北京 期 刊： 光谱学与光谱分析 ISTICEISCIPKU Journal： SPECTROSCOPY AND SPECTRAL ANALYSIS 年，卷(期)： ,20(2) 分类号： O4 关键词：近红外光谱 仪器 化学计量学 应用 机标分类号： TN2 TH7 机标关键词： 红外光谱技术应用近红外光谱仪器化学计量学技术特点测量原理方法及软件 基金项目：

血糖浓度的短波近红外定量分析 篇3

关键词： 短波近红外光谱； 血糖； 间隔偏最小二乘法； 移动窗口偏最小二乘法

引言糖尿病是一种常见的慢性终身性疾病。近年来，随着人民生活水平的提高，糖尿病发病率不断攀升。最新调查数据显示[1]，1994年我国糖尿病患病率仅为2.5%，到2008年，糖尿病患病率已高达9.7%，其中前期患病率为15.5%。血糖是诊断糖尿病的关键指标。目前，小型便携式的电子血糖仪得到了广泛的应用。现代光谱分析技术是实现无损血糖检测的一个重要的发展方向。以往的血糖检测研究多集中于长波近红外（1 100～2 500 nm）[27]，其主要原因是在这些区域，含有葡萄糖的甲基CH对称伸缩振动和 OH伸缩振动的一级、二级倍频，具有较强的葡萄糖特征吸收信号。然而这些区域内水分子也会产生较强的吸收信号，在此干扰条件下使得在长波近红外内实现血糖的无损检测几乎是不可行的。本文则关注短波近红外（700～1 100 nm）的检测分析。在短波近红外处，人体骨骼、肌肉、脂肪、皮肤等的吸收系数很小，该波段被誉为人体“光学治疗窗”[8]，处于该窗口的光学波段可以更有效地携带人体内部的信息。而且短波近红外包含了葡萄糖的甲基CH对称伸缩振动的三倍频和OH伸缩振动的三倍频[9]，具有检测的可能性。长波近红外区域制作成快速并行检测所需的阵列检测器，价格较为昂贵，且检测时间较长。相比较，短波近红外光谱区域可以使用成本较低的Si基光敏元件，硅阵列检测器CCD的技术也已成熟，可以大幅度提高检测速度，有利于实现检测设备的小型化和低成本。本文对短波近红外波段用于血液样本中葡萄糖浓度的定量检测的可行性进行探索。与长波近红外相比，短波近红外是更高倍频（或合频）的振动吸收，谱峰更宽，光谱重叠的情况会更严重。为了充分提取光谱信息，需要研究有效可靠的定量校正方法。本文在640～1 100 nm范围内测量血清短波近红外光谱，采用间隔偏最小二乘法（interval partial least squares，IPLS）和移动窗口偏最小二乘法（moving window partial least squares，MWPLS）分析了吸光度与血清中葡萄糖浓度之间的量化关系。1原理及方法偏最小二乘法（partial least squares，PLS）是一种较为常用的近红外光谱数据处理方法[10]，主要用于线型模型的建立。为了更有效利用光谱信息，选择血糖光谱信息最为丰富的波段进行建模，文章采用IPLS和MWPLS技术，其主要原理和步骤如下：IPLS：（1）将整个光谱分割成若干个波段，对每个波段进行偏最小二乘分析，根据交叉验证均方差（root mean square error of cross validation，RMSECV），从中找出最佳主成份数；（2）改变光谱分割的波段数目，按照（1）中的过程分析；（3）对比（2）中不同波段数时所得到的结果，最终找出最适宜建模的光谱区间。MWPLS：选取一个宽度为w的光谱窗口，从整个光谱（假设有n个波长点）的第一个波长点开始依次向右移动一个波长点直至最后，设置一最大主成分数，对每个子波长区分别建立偏最小二乘法PLS 模型，分别得到不同主成分数里对应PLS 模型的预测误差（root mean square error of prediction，RMSEP），从而找出含有用信息的一个或几个波长区。然后利用这些波长区建立PLS模型。光学仪器第35卷

第3期王伟，等：血糖浓度的短波近红外定量分析

文章采用IPLS和MWPLS对血清样品的短波近红外光谱进行数据分析和优化时，模型最终的预测能力通过相关系数R，预测均方差RMSEP，偏差Bias的值来检验，其中RMSEP和Bias的定义如下：RMSEP=1Ip∑Ipi=1（y^i-yi）2（1）

Bias=1Ip∑Ipi=1（y^i-yi）（2）其中y^i表示样本的预测值，yi表示样本的实测值，Ip表示检验的样本数。2数据测量及模型建立

2.1数据测量对13名志愿者在午饭后3h各抽取静脉血约5 mL，为了扩大样本血糖范围，每名志愿者第一次抽血后口服葡萄糖50 g，30 min后再次抽血。每个样品取少量全血用血糖仪测量其血糖值作为参考值，血糖浓度范围4.9～8.3 mmol/L，剩余血样经分离得到血清约2.5 mL。使用UV1900紫外可见分光光度计室温下测定样品的吸收光谱，带宽1 nm，测量波长范围640～1 100 nm，采用10 mm光程的石英比色皿，以空气作参比，测量其吸光度。样品中，血清的提取及血清中葡萄糖浓度参考值由上海交通大学校医院采用血糖仪测量后提供。

2.2数据预处理为了避免除血糖浓度以外的因素对血清样本光谱的干扰，根据马氏距离采用最小半球体积法（smallest halfvolume，SHV）[11]对样本中的奇异样品进行筛选，结果如图1所示。由图1可以发现标记1的样品其马氏距离明显高于其它样品，经检查发现是由于该血清较其它样品混浊，呈乳浊液状，而乳浊液在光谱检测时，由于溶液中颗粒的存在容易导致光线通过样品池时产生散射，因此建立模型时将样品1剔除较好。将奇异光谱剔除后，为了去除高频噪声，基线漂移等影响，对剩余的样品在640～1 100 nm波段内作基线校正，然后采用窗口宽度为10 nm，多项式次数为2的SavitzkyGolay平滑法对光谱作预处理[1213]，处理后的血清光谱如图2所示。

图5可以看出，在915～1 065 nm这个波段建立PLS模型，当主成分数为9时交叉验证均方差RMSECV最小，因此选用这一谱段对血糖浓度进行回归建模。用建立的模型对验证集每一个样品进行预测，其预测结果如图6所示，相关系数R=0.982 2，预测均方差RMSEP=0.163 5 mmol/L，偏差Bias=-0.087 3 mmol/L。3结论本文主要研究了使用短波近红外进行血糖浓度检测的可行性。通过IPLS与MWPLS对640～1 100 nm血清光谱的数据建模，结果表明：（1）根据马氏距离对样品的光谱进行奇异样品筛选，可以提高建模的准确性；（2）采用IPLS方法对全谱进行分析，能够提取葡萄糖分子官能团对应的近红外特征谱段，从而有效提取光谱中有效信息建立较好的预测模型；（3）采用MWPLS的方法，能够找出包含光谱有效信息的精确波长起止点，进一步优化其预测模型。下一步的工作是将样本浓度范围扩大，从而使建立的模型适用范围更广泛，并提高血糖定量分析的准确性。本文的研究结果将为进一步发展短波近红外的无损血糖检测技术提供基础。

参考文献：

[1]YANG W，LU J，WENG J，et al.Prevalence of diabetes among men and women in China[J].The New England Journal of Medicine，2010；362（12）：1090-1101.

[2]肖君，王龙，骆清铭，等.基于近红外三波长的血糖检测系统研制[J].光电子·激光，2007，18（9）：1135-1138.

[3]高丽丽，陶卫，赵辉，等.用于无创血糖检测的光声池设计与研究[J].光学仪器，2012，34（2）：55-60.

[4]刘娟，王尚奇，简水生.血糖浓度检测技术的最新进展[J].激光生物学报，2005，14（5）：393-396.

[5]李刚，刘玉良，林凌，等.采用多光程长建模方法检测血液成分含量[J].分析化学，2007，35（10）：1495-1498.

[6]张兰，张清悦，南群，等.中红外光谱法在无创血糖检测技术中的应用[J].光学与光电技术，2008，6（2）：81-84.

[7]王云，徐可欣，常敏.近红外光谱技术检测牛奶中脂肪及蛋白质含量校正模型的建立[J].光学仪器，2006，28（3）：3-7.

[8]陈文亮，徐可欣，杜振辉，等.人体无创血糖检测技术[J].仪器仪表学报，2003，24（4）：258-264.

[9]陆婉珍，袁洪福，徐广通，等.现代近红外光谱分析技术[M].北京：中国石化出版社，2001：18-19，148-149.

[10]李振庆，黄梅珍，倪一，等.改进偏最小二乘法在近红外牛奶成分测量中的应用[J].光学技术，2009，35（1）：70-73.

[11]刘蓉，陈文亮，徐可欣，等.奇异点快速检测在牛奶成分近红外光谱测量中的应用[J].光谱学与光谱分析，2005，25（2）：207-210.

[12]SAVITZKY A，GOLAY M J E.Smoothing and differentiation of data by simplified least squares procedures[J].Analytical Chemistry，1964，36（8）：1627-1639.

近红外区 篇4

1 仪器与监测方法

1.1 仪器

GASMET-4020型便携式傅立叶红外气体分析仪,芬兰GASMET公司。

1.1.1 基本原理

由光源发出的红外光经过固定平面反射镜后,由分光器分成二束,其中50%的光透射到可调凹面镜,另外50%的光反射到固定平面镜。可调凹面镜移动至二束光的光程差是半波长的偶数倍的时候,这二束光发生相长干涉,干涉图由红外检测器捕获,经傅立叶变换处理后得到红外光谱图[1]。该谱图与特征标准光谱图通过Camlet软件进行匹配,可对样品进行定性定量分析[2]。

1.1.2 性能特点

仪器内置抽气泵,直接进样,分析速度快(小于1 min),可现场连续分析,结果直读。测量范围广,可分析大多数有机、无机气体。仪器出厂标定了50种化合物,实际测量时,可对这已知的50种化合物进行定量分析。同时仪器工作站中储存300种化合物标准光谱图库,可用于定性分析。

1.2 监测方法

实际测量前,使用高纯氮钢瓶气对仪器气室进行清洗并制作空白背景谱图。实际测量时,选择出厂标定的50种化合物标准谱库,对样品进行定性定量分析。监测点位的选取按照《大气污染物无组织排放监测技术导则》[2]规定,在目标企业的上下风向布点监测。

2 现场排查与监测

根据该化工园区近期异味投诉案例以及相关专家对各企业生产工艺、原物料、产品及废气排放情况综合分析的基础上,最终确定4家企业为重点监测对象。分别为:化工厂A、化工厂B、化工厂C以及距离该化工园区西南方向5公里的垃圾填埋场。

在适合的风向风速条件下,笔者使用便携式傅立叶红外气体分析仪,对这4家企业的厂界上下风向进行了现场连续监测。

3 监测结果与讨论

3.1 化工厂A监测情况

化工厂A位于该化工园区的东北角,在主导风向为东北风时,整个化工园区处于该厂下风向。首先对该厂厂界上风向布设1点、下风向环形布设3点进行现场监测,主要污染因子监测结果见表1。再沿着下风向点位按照东北风的走向逐步向化工园区内部进行布点监测,监测结果见表2。监测气象条件:晴,东北风,风速2.0 m/s。

监测结果显示主要异味污染因子为氯乙烯、丙烯腈、二氯乙烷。化工厂A作为氯碱型化工企业,其聚氯乙烯生产过程会排放氯乙烯废气;腈纶(聚丙烯腈)生产会排放丙烯腈废气,而且该厂厂区内部分离出很多包租性质的小化工企业,生产烧碱的上下游产品,这些小化工厂排放的废气很庞杂。而化工园区的其他企业在原料使用及生产过程中,均不产生丙烯腈和聚氯乙烯类的污染因子。因此可判定化工厂A的异味排放,在东风、北风和东北风情况下会对整个化工园区造成影响。

3.2 化工厂B监测情况

化工厂B位于化工园区中心地带,监测期间,正处于化工厂A的下风向。对该厂厂界上风向布设1点、下风向环形布设3点进行现场监测,主要污染因子监测结果见表3。监测气象条件:晴,东北风,风速2.0 m/s。

监测结果显示,该厂厂界检出了丙烯晴、氯乙烯、二氯乙烷,说明化工厂A的异味排放已经扩散到了此处。除此之外,发现了新的特征污染因子苯乙烯,最高浓度达到2.89 mL/m3。经现场核实,该苯乙烯异味主要是由于苯乙烯原料在厂院露天装卸造成的。而且该厂厂院西南角紧靠厂界的原料储存区和下水道中都遗留有未清理净的苯乙烯原料,造成异味排放。

3.3 化工厂C监测情况

化工厂C紧邻化工厂A,对其厂界上下风向进行监测,监测结果与表3基本类似,未发现苯乙烯和其它新的特征污染因子。但该厂下风向有明显恶臭异味。经现场核查,是由于该厂污水处理站曝气池及污泥压滤间产生的异味。

3.4 垃圾填埋场监测情况

该垃圾填埋场位于化工园区外西南方向5公里处。该垃圾场恶臭异味明显。对垃圾填埋场厂界上风向布设1点、下风向环形布设3点进行现场监测,主要污染因子监测结果见表4。监测气象条件:晴,东北风,风速2.0 m/s。

监测结果显示,检测出了“丙烯腈、氯乙烯、二氯乙烷、甲烷”四项特征因子,其中甲烷最高浓度为18.12 mL/m3,其余三项均小于1 mL/m3。其中“丙烯腈、氯乙烯、二氯乙烷”三项特征因子,应为监测场所上风向(监测时段内刮东北风,垃圾填埋场处在化工园区的下风向)的化工企业扩散过来的。甲烷为填埋场内堆放的垃圾发酵产生的气体,甲烷虽然无味,但仍可以作为垃圾填埋场异味的特征因子。因此,可以推测,当主导风向为西南风时,垃圾填埋场会对化工园区异味造成影响。

4 结 论

(1)化工厂A是化工园区异味来源的主要原因。“丙烯腈、氯乙烯、二氯乙烷”三项污染因子,可作为该厂的目标污染因子。化工园区内(包括垃圾填埋场厂界)各测点,均检出此三项污染因子,说明整个化工园区及周边区域受该厂异味排放影响十分明显。

(2)垃圾填埋场是化工园区异味来源的另一原因。垃圾填埋场周边空气恶臭气味很大,甲烷可作为目标污染因子。当主导风向为西南风时,势必会对化工园区异味造成影响。

(3)化工厂B由于该厂在原料装卸过程中处置不当,造成苯乙烯异味排放。苯乙烯因子可作为该厂异味指示因子。

(4)总体上讲,便携式傅立叶红外气体分析仪较出色的完成了此次异味排查监测工作,但由于该仪器标准谱库中只有50种可定性定量分析的物质,一些未在标准谱库中的污染物无法检出,使此次异味监测工作受到了一定的局限。

摘要：某化工园区空气中经常出现难闻异味,严重影响周边地区居民正常生活。本文采用便携式傅立叶红外气体分析仪对该化工园区环境空气进行了现场监测,确定了该化工园区空气中特征污染因子,明确了异味的主要来源,取得了良好效果。

关键词：傅立叶,红外,异味

参考文献

[1]吴征铠,唐敖庆.分子光谱学专论[M].济南:山东科学技术出版社,1999:150-163.

[2]马战宇,庞晓露,高亮,等.便携式傅立叶红外快速检测环境中气态污染物[J].中国环境监测,2007,23(4):44-46.

近红外区 篇5

玉米自交系品质性状的近红外光谱测定

利用近红外透射光谱分析仪,对黑龙江省农业科学院草业所玉米室选育的71份玉米自交系进行了品质成份测定,其中的14份和的57份.结果表明:玉米籽粒的3种成份在不同材料中差异显著,粗脂肪的变异系数较大,和20分别为7.09和7.46;粗淀粉的`变异系数较小,为0.51和0.68;蛋白质的变异系数分别为4.03和4.51.自交系的粗脂肪平均含量分别为3.81%和3.62%,粗淀粉平均含量为72.44%和71.96%,蛋白质平均含量为12.15%和11.54%.同时针对近红外技术进行了讨论.

作 者：潘丽艳 孙德全 李绥艳 马延华 林红 张瑞博 PAN Li-yan SUN De-quan LI Sui-yan MA Yan-hua LIN Hong ZHANG Rui-bo 作者单位：黑龙江省农业科学院草业研究所,黑龙江哈尔滨,150086刊 名：黑龙江农业科学英文刊名：HEILONGJIANG AGRICULTURAL SCIENCES年，卷(期)：“”(2)分类号：S513关键词：玉米 自交系 近红外分析 品质性状

近红外区 篇6

关键词：星图匹配 三角形匹配 研究

中图分类号：V448 文献标识码：A 文章编号：1007—3973（2012）009—101—02

1 引言

基于三角形方法的星图匹配是为了有效配准图像中星源而提出的。匹配两维点源坐标立标的问题需要预先得到天体测量的底片常数。其中包括平移，缩放，旋转等等。

2 创建三角形点列表

得到目标点的中心，然后按照星等由小到大进行排序，最后选择最亮的n颗星输出到列表A中。表A用来存储图像中拍摄到的目标的中心和星等信息。直接读取星表所给数据，按照星等由小到大排序，最后输出到列表B中，在每个列表中选择n颗亮星，期望它们都能找到自己所对应的星。

创建三角形列表。定义BC为最长的边，是最短的边，n个点可以构造T个三角形，T的确定如下：

定义点积和和最长边和最短边的比率如下：

其中是C到B的向量，是C到A的向量，a/c最长边和最短边的比率。点积对平移和旋转具有稳定性，用下面公式表示点积：

3 三角形匹配

在构建好了三角形列表A，B后，对三角形列表B按最长边和最短边比率来分类，将比率在yi €？ 内的三角形才进行匹配计算，这样可以降低计算量和复杂度。

计算底片常数。在三角形列表A和B进行匹配成功后，进行底片常数的计算。计算标准坐标，转换公式如下所示：

其中代表星表中的赤道坐标，（A，D）代表原点。如图1所示。

其中a，b，c，d，a'，b'，c'，d'是描述两个坐标系统之间的平移和旋转的底片常数，L是焦距。通常选取多个点用最小二乘法来求a，b，c，d，a'，b'，c'，d'，作为一个检验，有a=b'，b=—a'，这是由Edberg1983年提出来的。底片常数的绝对误差超过2.5%，则这个候选对象被拒绝。

标准坐标（ ，），和测量坐标（x，y）的转换关系如下：

4 三角形匹配方法的实现

通过三角形方法的匹配主要工作是创建三角形，表1是对图像的目标创建三角形列表部分数据。三角形数据按照最大边与最小边的比率降序排列。

利用matlab2008a对上文中给出的星图三角形列表中数据编程实验，给定比率误差在小于0.005，点积误差小于0.005，最小边长度误差小于0.005为限制条件最终得到匹配结果，表2给出了导航星表中三角形点和星图三角形列表中行对应匹配点的对应关系。将望远镜参数代入公式（6）、（7）中可以求得底片常数。

用算得的底片常数可以计算出图像中每个点在标准坐标中的坐标位置。

5 总结

通过文章分析和利用matlab计算可以看出利用三角形方法进行星图匹配具有较好的实用性，在实际的星空导航系统中可以得到一定程度的应用。

参考文献：

[1] 房建成，全伟，孟小红.基于Delaunay三角剖分的全天自主星图识别算法[J].北京航空航天大学学报，2005，31（3）：312—315.

[2] 陈元枝，郝志航.适用于星敏感器的星图识别方法[J].光电工程，2000，27（5）：5—10.

[3] 邹晓，靳艳峰.基于贪心算法进行三角剖分的印鉴匹配方法[J].计算机工程与设计，2007，28（5）：1199—1201.

[4] 朱长征，张志龙，沈振康.一种新的星模式识别算法[J].宇航学报，2005，26（sup）：35—38.

[5] 任俊杰.快速星像匹配算法的比较[D].广州：暨南大学，2010.

[6] Seheehter P L，Mateo M，Saha A.DOPHOT，A CCD Photometry Program：deseription and tests[J].PASP，1993，105：1342—1353.

[7] Mikhail Belenkii，David Sandler，Donald Bruns，et al.DAYTIME STELLAR IMAGER FOR ATTITUDE DETERMINATION[P].United States Patent Application Publication，US20060085130A1，United States，2006 Apr.20.

近红外区 篇7

摘 要：采用短波近红外光谱对生鲜鸡肉中的胆固醇含量进行检测，使用便携式近红外光谱仪在近红外光谱短波区域采集236 份生鲜鸡肉的光谱信息，采用化学计量学法建立鸡肉胆固醇的偏最小二乘法定量预测模型。结果表明：最佳光谱预处理方法为标准化和基线校正，并通过剔除两次异常值对模型进行校正，所建定标模型的校正集相关系数Rc=0.801 1，校正标准差（sEC）=6.699 8，验证集相关系数Rp=0.803 4，预测标准差（sEP）=7.529 6，主因子数MF=4，sEP/sEC=1.12，说明模型可靠性、稳健性和预测效果较好。

关键词：便携式近红外光谱仪；短波近红外光谱；快速无损检测；生鲜鸡肉；胆固醇含量

Rapid Nondestructive Detection of Cholesterol Level of Fresh Chicken by Shortwave Near Infrared Spectroscopy

WANG Hui1， TIAN Hanyou1， ZOU Hao1， LIU Fei1， LI Jiapeng1， CHEN Wenhua1， DI Yanquan2， QIAO Xiaoling1，*

（1. Beijing Key Laboratory of Meat Processing Technology， China Meat Research Center， Beijing 100068， China；

2. Focused Photonics （Hangzhou） Co. Ltd.， Hangzhou 310052， China）

Abstract： A portable near infrared spectrometer was applied to collect spectral information in the short-wave infrared region of 236 samples of fresh chicken to establish a quantitative model for predicting the cholesterol content of fresh chicken breast through partial least squares regression combined with chemometrics. The results showed that the optimal spectral pretreatment method was the combination of normalization and baseline correction. Model calibration was achieved by elimination of abnormal values performed twice. Parameters of the optimal prediction model developed were determined as follows： Rc （correlation coefficient for calibration set） = 0.801 1， sEC （standard error of calibration） = 6.699 8， Rp （correlation coefficient for prediction set） = 0.803 4， sEP （standard error of prediction） = 7.529 6， MF （number of main factors） = 4， and sEP/sEC = 1.12， which indicated the prediction model had better reliability， robustness and performance than other models.

Key words： portable near infrared spectrometer （NIR）； short-wave NIR region； rapid nondestructive prediction； fresh chicken； cholesterol content

DOI：10.15922/j.cnki.rlyj.2016.03.007

中图分类号：O657.3 文献标志码：A文章编号：1001-8123（2016）03-0029-04

王辉， 田寒友， 邹昊， 等. 短波近红外光谱快速无损检测生鲜鸡肉胆固醇含量[J]. 肉类研究， 2016， 30（3）： 29-32. DOI：10.15922/j.cnki.rlyj.2016.03.007. http：//rlyj.cbpt.cnki.net

WANG Hui， TIAN Hanyou， ZOU Hao， et al. Rapid nondestructive detection of cholesterol level of fresh chicken by shortwave near infrared spectroscopy[J]. Meat Research， 2016， 30（3）： 29-32. （in Chinese with English abstract） DOI：10.15922/j.cnki.rlyj.2016.03.007. http：//rlyj.cbpt.cnki.net

现代临床和流行病学证明，过多摄入高脂肪含量和高胆固醇含量的食品是导致“三高”等心脑血管疾病[1-2]、人体主要脏器的病变及激素代谢异常和紊乱等[3-6]的主要诱因。鸡肉是我国最主要的禽类食品之一，其胆固醇平均含量达到约114.4 mg/100 g[7]。随着人们生活水平的提高，社会大众对于高胆固醇食品的认识也逐渐深入，低胆固醇的功能性食品成为人们的首选。

根据国家标准的要求，目前检测肉及肉制品中胆固醇含量的主要方法是高效液相色谱法，由于其存在耗时、低效、繁琐、昂贵、样品损失、培训时间长等诸多问题，已无法满足现代企业生产过程对产品进行批量检测的需求。而近红外光谱技术（near infrared spectrometer，NIR）是近年来发展起来的一种高效快捷的检测分析手段，它所具有分析简便快捷、操作平台稳定、性价比高、人员无需培训及样品无损检测等优势，是传统方法无法比拟的，该项技术在诸多领域得到广泛应用[8-11]。到目前为止，国内研究已发表了诸多关于利用近红外技术对肉及肉制品的理化和感官指标进行检测分析的文章和专著[12-19]，但目前关于对胆固醇进行的近红外光谱分析的报道较少。

本研究采用便携式近红外光谱仪对生鲜鸡肉中的胆固醇含量进行检测并建立预测模型，为肉及肉制品企业在品质控制和加工工艺上提供快速无损检测的理论依据和指导作用。

1 材料与方法

1.1 材料与试剂

鸡胸肉购于北京地区集贸市场、超市。样品购置后，沿肌肉纤维垂直方向将鸡胸肉较厚的一端切除1～1.5 cm，将内部肌肉纤维暴露出来，置于4 ℃条件下备检。

1.2 仪器与设备

SupNIR-1100型便携式近红外光谱分析仪 聚光科技（杭州）股份有限公司；TRACE 1310型气相色谱仪 美国Thermo Scientific公司。

1.3 方法

1.3.1 鸡肉近红外吸收光谱信息采集

在光谱采集过程中保持待测样品温度在4 ℃左右，环境温度和湿度基本一致。采集光谱信息前，除去样品检测面上的水。信息采集过程中，将鸡胸肉样品的横截面紧贴在检测探头上并避开含有筋膜的区域。光谱采集条件：扫描范围为600～1 099 nm，分辨率为10 nm，波长准确性为0.2 nm，波长重复性为±0.05 nm，吸光度噪声小于50 μA，光谱采集间隔为5 s，光谱循环扫描次数为10 次，每个样品连续采集2 次光谱信息，取其平均值作为该样品的原始光谱。

1.3.2 胆固醇含量的测定

按照国家标准GB/T 9695.24—2008《肉与肉制品胆固醇含量测定》的规定进行检测。

1.3.3 近红外光谱的波长选择

根据近红外光谱区的波长范围可将其划分为短波（700～1 100 nm）、中波（1 100～1 800 nm）和长波（1 800～2 500 nm）3 个区段，不同谱区承载了C—H、N—H、O—H等基团的倍频和合频。胆固醇所含C—H、N—H、O—H等基团的4 倍频分别位于900、800、740 nm左右，主要集中于短波近红外光谱区[20]。

1.3.4 建立和验证近红外光谱模型

将各样品胆固醇含量数据与光谱数据一一对应并进行关联，并按照3∶1的比例将其分为校正集和验证集。本实验使用便携式近红外光谱分析仪自带的RIMP化学计量学分析软件中标准化、求导、平滑、信号校正等11 种预处理方法处理光谱，采用偏最小二乘法（partial least squares method，PLS）建立模型，并在对模型进行优化时，根据软件中的学生残差验证剔除异常值。根据一般模型评价的规则，校正标准差（sEC）、交互验证标准差（sECV）、预测标准差（sEP）越小且相互间越接近越好，校正集相关系数（Rc）和验证集相关系数（Rp）越接近1越好，主因子数（MF）较少，sEP/sEC<1.2[20]，以上述模型参数作为模型性能的评价指标，并依据相应参评指标的优劣筛选出最优光谱预处理方法和最优胆固醇预测模型。

2 结果与分析

2.1 鸡肉胆固醇参比值分析

鸡肉胆固醇含量的参比值分布区见图1，其胆固醇参比值分布范围为52.7～121.1 mg/100 g，含量区间差异为68.4 mg/100 g，分布范围比较宽，各样品具有较好的代表性。

图2为对同一鸡肉样品进行2次扫描后所获取的光谱曲线，可看出两次扫描所获取的光谱基本重合，并以其平均光谱作为该样品光谱曲线。

由图3可知，近红外光谱图中不同胆固醇含量样品的光谱波形相近且不完全重合，这说明出样品光谱曲线在短波近红外谱区有着良好的重复性及差异性。

2.3 胆固醇预测模型的建立与优化

鸡肉属于不均一和背景复杂的多组分天然复杂物样品，其胆固醇有效信息基本都存在于近红外光谱的纵向差异上。在建模之前需对样品表观光谱中光谱背景造成的失真进行恢复，本研究通过选择可以校正基线漂移、减少系统和随机背景噪声、分辨信息叠加等干扰因素的一种或几种预处理方法的组合，对在短波区提取的鸡肉胆固醇光谱进行处理，使其复原以更加接近真实光谱，提高样品的光谱有效信息率并确定样品的真实光谱特征，以便表现出光谱之间和样品之间的差异，并采用偏最小二乘法建立胆固醇预测模型。

通过对11 种预处理方法进行排列组合对鸡肉的光谱信息进行校正，进行预建模以获得较好的预测模型。用标准化、SG一阶导数、差分求导、SG平滑、标准正态变量交换、去趋势校正及基线校正等预处理方法并剔除两次异常值后对模型的影响。通过综合评判各参评指标，筛选出鸡肉胆固醇优化模型见表2。

20个定标模型的Rc和Rp均发生明显提升，sEC、sEP、sECV和MF均明显降低，各相关参数均优于无处理组构建的定标模型，由此可看出，模型对于校正集中样品的预测值与鸡肉胆固醇的参比值具有高度线性相关关系，样品光谱与样品待测量在一定范围内的关联性较好，模型对于待测样品的预测性能也较好，内部和外部检验的误差也较小，sEC小于sECV且相互接近，sEP与sECV相互接近，这说明样品的代表性较好。但是经过两次异常值的剔除，模型适配范围缩小，容变性变弱，由此导致模型的稳健性降低，而2号模型的sEP/sEC=1.12<1.2，说明经过预处理并2次剔除异常值后，模型的适配范围仍然基本涵盖待测样品的光谱变动范围，其他模型的稳健性均大于1.2，但是可以通过向校正集中加入具有代表性的样本以提高模型的容变性，改善模型的预测效果。虽然除2号外的其他模型的Rc均高于2号模型，定标模型自身预测准确性较高，但是Rp均低于2号模型，由此可知即使自我预测准确性高，校正集的有效信息率也未必能满足对待测样品的预测。所有模型的MF都在3或4左右，说明建模时只需少数主因子即可包含建模所需的充分待测量信息。综上所述，通过对比表中各预处理方法对模型的影响及各模型参评参数之间的对比，可以看出2号模型的预处理方法——标准化和基线校正，为最佳预处理方法。处理后的光谱数据经剔除两次异常值后，采用偏最小二乘法建立的模型，Rc=0.801 1，sEC=6.699 8，Rp=0.803 4，sEP=7.529 6，sECV=6.774 0，MF为4，模型具有较好的预测准确性和稳健性。作为数学模型两大基本性能的可靠性和稳健性，是两种相对独立的性质，预测模型的建立和光谱背景的校正之间存在一定的平衡性，需通过调节二者之间的关系，来获得具有良好预测准确性和背景包容性的数学模型。

2.4 定标模型的内部交互验证和外部预测验证

Fig.4 Scatter plots of prediction values versus reference values of cholesterol content in calibration （a） set and validation set （b）

图4a、b为剔除两次异常值后，剔除完毕后显示没有异常样本。校正集中的样品点分布于回归线的两侧，校正集相关系数（Rc）=0.801 1，校正标准差（sEC）=6.699 8，验证集中的样品点分布于回归线的两侧，验证集相关系数（Rp）=0.803 4，预测标准差

（sEP）=7.529 6，说明模型校正集和验证集的参比值与待测样品的预测值呈现强相关性。

3 结 论

本研究对鸡肉的胆固醇含量进行短波近红外检测，共采集样品236 份，其中校正集177 份和验证集59 份，用来建立定标模型，并对其模型性能进行分析和评估。鸡肉胆固醇最大含量为121.1 mg/100 g，最小含量为52.7 mg/100 g，含量差异为68.4 mg/100 g，分布范围比较宽，各样品具有较好的代表性。

在600～1 099 nm的短波近红外区，提取各样品光谱信息，采用标准化、SG一阶导数、差分求导、SG平滑、标准正态变量交换、去趋势校正及基线校正等预处理方法进行光谱背景的校正并进行模型优化，使用偏最小二乘法建立模型，通过效果比较，获得最佳预处理方法为标准化和基线校正并剔除两次异常值，所获模型参数为Rc=0.801 1，sEC=6.699 8，Rp=0.803 4，sEP=7.529 6，MF为4，sEP/sEC=1.12，证明该模型稳健性较好，预测准确性较高。

参考文献：

[1]付明德. 胆固醇与心血管病问答[J]. 心血管病学进展， 1994， 2（2）： 113-116.

[2]苑聪， 吴洁. 高密度脂蛋白胆固醇与心血管剩余风险[J]. 中国动脉硬化杂志， 2012， 20（11）： 1045-1050.

[3]王浩， 张泽生， 张颖， 等. 高胆固醇膳食对大鼠和仓鼠肝脏HMG-CoA-R、LDL-R蛋白和基因表达的影响[J]. 食品研究与开发， 2011， 31（10）： 192-195.

[4]魏香兰， 方如塘， 冀爱云， 等. 高脂饲料中胆固醇含量对大鼠非酒精性脂肪肝动物模型建立的影响[J]. 西北药学杂志， 2012， 27（3）： 233-236. DOI：10.3969/j.issn.1004-2407.2012.03.019.

[5]王陵， 董蕾， 段炜， 等. 高胆固醇饮食对胃肠移行性复合运动及胃肠激素影响的实验研究[J]. 中华消化杂志， 2007， 27（5）： 336-337. DOI：10.3760/j.issn：0254-1432.2007.05.016.

[6]范平， 丁佑铭， 汪斌， 等. 高胆固醇饮食对妊娠豚鼠胆囊AQPsmRNA及雌性激素受体的影响[J]. 临床外科杂志， 2011， 19（12）： 826-829.

[7]祝加红， 孙克年. 鸡肉蛋产品中胆固醇含量的中草药调控[J]. 中国饲料添加剂， 2015， 156（4）： 8-10.

[8]相秉仁， 李睿， 吴拥军， 等. 近红外光谱分析技术在药学领域中的应用[J]. 计算机与应用化学， 1999， 16（5）： 118-120. DOI：10.3969/j.issn.1001-4160.1999.05.003.

[9]刘爱秋， 邓晓建， 王平荣， 等. 近红外光谱分析技术及其在农业领域的应用[J]. 西南农业学报， 2004， 16（2）： 98-102. DOI：10.3969/j.issn.1001-4829.2003.02.025.

[10]王凤霞， 张卓勇， 王亚敏， 等. 近红外光谱技术在医药领域应用的新进展[J]. 首都师范大学学报（自然科学版）， 2005， 26（3）： 53-59. DOI：10.3969/j.issn.1004-9398.2005.03.012.

[11]许俐， 陈斌. 近红外光谱技术在食品和农产品领域中的应用[J]. 农业机械学报， 1997（增刊1）： 184-187.

[12]张玉华， 孟一， 张应龙， 等. 近红外光谱技术在食品安全领域应用研究进展[J]. 食品科技， 2012， 37（10）： 283-286.

[13]李静， 刘斌， 岳田利， 等. 近红外光谱分析技术及其在食品中的应用[J].

农产品加工（学刊）， 2007， 3（3）： 44-47. DOI：10.3969/j.issn.1671-9646-B.2007.03.013.

[14]董文宾， 王顺民. 近红外光谱技术在食品分析中的应用[J].

食品研究与开发， 2004， 25（1）： 113-115. DOI：10.3969/j.issn.1005-6521.2004.01.045.

[15]Prado N， Fernández-Ibá?ez V， González P， et al. On-site nir spectroscopy to control the shelf life of pork meat[J]. Food Analytical Methods， 2011， 4（4）： 582-589. DOI：10.1007/s12161-011-9208-2.

[16]Kamruzzaman M， Elmasry G， Sun D W， et al. Non-destructive assessment of instrumental and sensory tenderness of lamb meat using NIR hyperspectral imaging[J]. Food Chemistry， 2013， 141（1）： 389-396. DOI：10.1016/j.foodchem.2013.02.094.

[17]Uddin M， Okazaki E， Ahmad M U， et al. NIR spectroscopy： A non-destructive fast technique to verify heat treatment of fish-meat gel[J]. Food Control， 2006， 17（8）： 660-664. DOI：10.1016/j.foodcont.2005.04.009.

[18]Prieto N， Ross D R， Roehe R. Predicting meat quality： the application of NIR spectroscopy[J]. Food Engineering and Ingredients， 2009， 34（4）： 34-36.

[19]Elmasry G， Sun D W， Allen P. Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging[J]. Food Research International， 2011， 44（9）： 2624-2633. DOI：10.1016/j.foodres.2011.05.001.