CN102313712B - 一种纤维类物料不同分光方式近红外光谱差异的校正方法 - Google Patents

Abstract

本发明涉及一种纤维类农作物物料不同分光方式近红外光谱差异的校正方法，包括如下步骤：1)选择两台不同分光方式近红外光谱仪，并获取纤维类农作物物料光谱响应数据；2)对两组近红外光谱矩阵进行数据匹配；3)划分样品的验证集和校正集，选取标样集；4)分析两组近红外光谱响应的差异，并分析相应预测结果的差异性；5)对两组近红外光谱矩阵和化学值进行全局中心化处理，确定光谱主成分矩阵，求出校正权重矢量和载荷矢量，并应用于两组近红外光谱矩阵的校正；6)分析校正后两组近红外光谱响应差异与相应预测结果，并与校正前结果进行比较分析。通过本法的方法校正后，两组光谱数据的差异显著减小。

Description

一种纤维类物料不同分光方式近红外光谱差异的校正方法

技术领域

本发明涉及一种光谱差异校正方法，特别是关于一种有效校正纤维类农作物物料不同分光方式近红外光谱仪之间光谱响应差异的方法。

背景技术

基于有机分子倍频与合频吸收光谱的近红外分析技术，由于其无前处理、无污染、无破坏性、方便快捷和可进行多组分同时测定等优点，已在多个领域获得了广泛应用。

近年来，国内外大量相关研究报道也已表明，近红外分析技术可成功用于纤维类农作物原料及相关开发利用产品的物料特性分析。基于纤维类农作物物料理化特性与光谱数据建立多元校正模型是纤维类农作物类物料近红外分析的基础，而可长期适用和共享的模型是其广泛应用的前提。

但是，由于不同因素条件下所获取样本光谱响应的差异性，模型的适用性已成为影响近红外分析技术发展的主要问题之一。其中，仪器条件的不同是影响模型共享和导致模型预测能力下降的重要因素之一，确定并有效校正其光谱响应差异是解决此类问题的核心。

发明内容

针对上述问题，本发明的目的是提供一种可有效校正纤维类农作物物料不同分光方式近红外光谱仪之间光谱响应差异的方法。

本发明所述的纤维类农作物物料包括但不限于秸秆、牧草、稻壳、花生壳、麸糠、木屑等农作物及其副产品。

为实现上述目的，本发明采取以下技术方案：

本发明提供一种纤维类农作物物料不同分光方式近红外光谱差异的校正方法，主要包括以下步骤：

1)选择两台不同分光方式近红外光谱仪，并获取纤维类农作物物料光谱响应数据；

2)对两台仪器所获取的光谱数据进行匹配；

3)划分样品的验证集和校正集，以及选取标样集；

4)分析校正前两组近红外光谱响应数据的差异，并分析光谱响应差异引起的预测结果的差异性；

5)对两组近红外光谱矩阵和化学值进行全局中心化处理，利用处理后的光谱矩阵和对应化学值矩阵进行正交运算，确定光谱主成分矩阵，求出校正权重矢量和载荷矢量，并应用于目标光谱矩阵的校正；

6)分析校正后两组近红外光谱响应差异与相应预测结果。

优选地，对步骤1)两种仪器条件下准确获取的纤维类农作物物料近红外光谱响应数据进行规范。

优选地，设定分辨率高的近红外光谱仪为源仪器，分辨率低的近红外光谱仪为目标仪器，以源仪器光谱数据为基准，将目标仪器光谱数据格式向其转换。

优选地，步骤2)的数据匹配采用三次样条插值和not-a-knot边界条件。

优选地，步骤3)的划分方式为根据所有样品目标参数含量，等间隔取样作为验证集样品，其余作为校正集样品；然后以相同的方式从校正集样品中等间隔取样作为标样集样品。

优选地，在步骤4)中，分别求取两台光谱仪验证集的原始光谱与一阶导数处理后光谱的差异光谱，并计算光谱平均差异ADS值进行量化分析；ADS值越大，光谱差异性越大；

利用源仪器校正模型，对两组验证集光谱进行预测，根据预测标准差RMSEP和系统偏差bias分析光谱响应差异引起的预测结果的差异性，所得两组RMSEP和bias值越接近，预测结果的差异性越小，反之，差异性越大；

$\mathrm{ADS}=\frac{1}{n_v}\underset{i=1}{\overset{n_v}{\mathrm{\Σ}}}\sqrt{\frac{1}{N}\underset{\mathrm{\λ}=1}{\overset{N}{\mathrm{\Σ}}}|{S^i}_{2\mathrm{\λ}}-{S^i}_{1\mathrm{\λ}}|}---\left(1\right)$

式中，n_v为验证集样品数，N为光谱波长点总数目，Sⁱ _2λ和Sⁱ _1λ分别为第i个样品在目标仪器和源仪器所测定光谱λ波长处的吸光度值；

$\mathrm{RMSEP}=\sqrt{\frac{\underset{i=1}{\overset{n_v}{\mathrm{\Σ}}}{(y_i^{\mathrm{ref}}-{\hat{y}}_{\mathrm{iv}}^{\mathrm{NIR}})}^2}{n_v}}---\left(2\right)$

$\mathrm{bias}=\frac{\underset{i=1}{\overset{n_v}{\mathrm{\Σ}}}(y_i^{\mathrm{ref}}-{\hat{y}}_{\mathrm{iv}}^{\mathrm{NIR}})}{n_v}$ (3)

式中，

为验证集第i个样品的化学值，

为验证集第i个样品的近红外预测值。

优选地，在步骤5)中，对两台仪器标样集近红外光谱矩阵和化学值进行全局中心化处理，利用处理后的光谱矩阵X_标样和对应样品的化学值矩阵Y_标样进行正交运算：Z＝X_标样-Y_标样(Y^T _标样Y_标样)^-1Y^T _标样X_标样，对ZZ^T进行主成分分析，取前f个需要正交处理的主成分矩阵T，分别计算求出正交信号校正权重矩阵W和载荷矩阵P，其中W＝X_标样 ^-1T，P＝X_标样 ^TT/(T^TT)；用校正权重矩阵W和载荷矩阵P分别对源仪器校正集、验证集和目标仪器验证集的光谱矩阵X进行校正X_校正＝X-XWP^T。其中，Z的含义为将标样光谱矩阵X_标样与化学值矩阵Y_标样正交计算后的矩阵。

优选地，在步骤6)中，再次求取校正后源仪器和目标仪器验证集光谱的差异光谱，计算ADS值，并采用校正后的源仪器光谱建立校正模型，对目标仪器验证集光谱进行预测；对校正前后的差异光谱、光谱平均差异ADS值、预测标准差RMSEP和系统偏差bias进行对比分析。

本发明的方法优选的技术方案包括如下步骤：

1)选择两台不同分光方式近红外光谱仪，并获取两种仪器条件下的纤维类农作物物料近红外光谱响应数据；

2)设定分辨率高的近红外光谱仪为源仪器，分辨率低的近红外光谱仪为目标仪器，以源仪器光谱响应数据为基准，将目标仪器光谱数据格式向其转换，实现两台仪器所获取光谱数据的匹配；

3)进行样品校正集和验证集的划分以及标样集的选取；

4)求取两台不同分光方式近红外光谱仪之间验证集原始光谱的差异光谱，同时对原始光谱进行一阶导数处理后求取处理后光谱的差异光谱，分析仪器条件不同导致的光谱响应的差异；并利用源仪器校正集样品光谱数据与对应化学值，建立纤维类农作物物料目标参数的近红外校正模型，并对源仪器和目标仪器验证集进行预测，分析光谱响应差异引起的预测结果的差异性；

5)对两台仪器标样集近红外光谱矩阵和化学值进行全局中心化处理，利用处理后的光谱矩阵X_标样和对应样品的化学值矩阵Y_标样进行正交运算：Z＝X_标样-Y_标样(Y^T _标样Y_标样)^-1Y^T _标样X_标样，对ZZ^T进行主成分分析，取前f个需要正交处理的主成分矩阵T，分别计算求出正交信号校正权重矩阵W＝X_标样 ^-1T和载荷矩阵P＝X_标样 ^TT/(T^TT)；

用校正权重矩阵W和载荷矩阵P对源仪器校正集、验证集以及目标仪器验证集光谱矩阵X进行校正X_校正＝X-XWP^T；

6)求取校正处理后两台仪器验证集光谱的差异光谱，并与处理前的差异光谱进行比较，分析光谱响应差异的校正；并利用步骤5)处理后的源仪器校正集建立校正模型，对校正后目标仪器验证集光谱进行预测，验证光谱响应差异的校正效果。

所述步骤3)中，根据样品目标含量大小进行顺序排列，等间隔选取样品作为验证集样品集，其余为校正集样品。采用上述相同方法从校正集样品中进行标样集样品的选取。

所述步骤4)和6)中，根据光谱平均差异ADS值量化分析纤维类农作物物料不同分光方式近红外光谱仪之间光谱响应的差异性，分析原则为：ADS越大，光谱差异越大；

$\mathrm{ADS}=\frac{1}{n_v}\underset{i=1}{\overset{n_v}{\mathrm{\Σ}}}\sqrt{\frac{1}{N}\underset{\mathrm{\λ}=1}{\overset{N}{\mathrm{\Σ}}}|{S^i}_{2\mathrm{\λ}}-{S^i}_{1\mathrm{\λ}}|}---\left(1\right)$

式中，n_v为验证集样品数，N为光谱波长点总数目，Sⁱ _2λ和Sⁱ _1λ分别为第i个样品在源仪器和目标仪器所测定光谱的λ波长处的吸光度值。

所述步骤4)和6)中，根据预测标准差RMSEP和系统偏差bias评价近红外校正模型对验证集样品不同分光方式光谱的预测效果，验证光谱响应差异引起的预测结果的差异性；

$\mathrm{RMSEP}=\sqrt{\frac{\underset{i=1}{\overset{n_v}{\mathrm{\Σ}}}{(y_i^{\mathrm{ref}}-{\hat{y}}_{\mathrm{iv}}^{\mathrm{NIR}})}^2}{n_v}}---\left(2\right)$

$\mathrm{bias}=\frac{\underset{i=1}{\overset{n_v}{\mathrm{\Σ}}}(y_i^{\mathrm{ref}}-{\hat{y}}_{\mathrm{iv}}^{\mathrm{NIR}})}{n_v}---\left(3\right)$

式中，

为验证集第i个样品的化学值，为验证集第i个样品的近红外预测值。

所述步骤5)中，光谱矩阵全局中心化按照下式进行运算。

$X=[X1,X2]-\frac{{\stackrel{\‾}{x}}_1+{\stackrel{\‾}{x}}_2}{2}---\left(4\right)$

式中，X1和X2分别为源仪器和目标仪器标样集近红外光谱矩阵，

和

分别为其平均光谱矩阵。

化学值全局中心化为每个样品化学值减去所有样品化学值均值。

本发明的技术方案具有下述优点：

1)本发明在将不同分光方式近红外光谱仪所测定纤维类农作物物料光谱数据匹配后，首先求取两台仪器间验证集原始光谱的差异光谱，进一步求取一阶导数处理后光谱的差异光谱，并采用光谱平均差异ADS值对其进行量化，可直观准确获取不同分光方式光谱响应的差异。

2)本发明利用源仪器校正集样品光谱数据与目标参数化学值，建立近红外校正模型，并同时对源仪器和目标仪器验证集进行预测，通过预测效果的差别分析清楚体现光谱响应差异导致的模型适用性问题。

3)本发明在对目标仪器光谱响应差异进行校正后，再次求取了两台仪器间验证集光谱的差异光谱，并利用源仪器校正模型，再次对校正后目标仪器验证集光谱进行预测，通过处理前后的数据比较，直观显示并验证纤维类农作物物料不同分光方式近红外光谱响应差异的有效校正。

4)本发明提供的校正方法，可实现纤维类农作物物料不同分光方式近红外光谱仪之间光谱响应差异的有效校正，从而使所建立的纤维类农作物物料重要技术指标近红外校正模型在不同分光方式仪器上进行应用，有效解决模型适用性问题，可实现模型的有效利用和资源共享。

附图说明

图1是本发明实施例中纤维类农作物饲料不同分光方式近红外原始光谱差谱图。

图2是本发明实施例中纤维类农作物饲料不同分光方式近红外一阶导数处理后光谱差谱图。

图3是本发明实施例中纤维类农作物饲料校正后不同分光方式近红外光谱差谱图。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

实施例1

下面结合附图和实施例对本发明进行详细的描述。

本发明包括以下步骤：

1)选择两台不同分光方式近红外光谱仪作为分析仪器，并同时规范两种仪器条件下准确获取的纤维类农作物物料近红外光谱响应数据。

2)对两台仪器所获取光谱矩阵进行数据匹配

由于仪器分光方式不同，所获取的光谱数据格式不同。如光谱数据横轴存在波长和厘米波数两种坐标，又由于仪器性能及分辨率等参数不同，光谱数据范围与数据间隔也不尽相同，因此必须将数据格式转换一致，才能开展下一步研究。本实施例以分辨率高的近红外光谱响应数据为基准，将分辨率低的仪器光谱数据格式向其转换。数据匹配方法采用三次样条插值和not-a-knot边界条件。

其中，MATlab的样条插值函数的默认的设置，是一种称为not-a-knot的边界条件。not-a-knot(非扭结)边界条件，也就是强制使第一个点的三次导数和第二点的三次导数一样；最后一个点的三次导数和倒数第二个点的三次导数一样。

3)样品校正集和验证集的划分以及标样集的选取

纤维类农作物根据样品目标含量大小，采用等间隔样品选取法进行校正集、验证集和标样集样品划分。

4)校正前纤维类农作物物料不同分光方式近红外光谱数据差异分析

①分别求取不同仪器之间验证集原始光谱与一阶导数处理后光谱的差异光谱，并计算光谱平均差异ADS值进行量化分析。根据ADS值的大小，分析光谱差异程度，ADS值越大，光谱差异越大。

$\mathrm{ADS}=\frac{1}{n_v}\underset{i=1}{\overset{n_v}{\mathrm{\Σ}}}\sqrt{\frac{1}{N}\underset{\mathrm{\λ}=1}{\overset{N}{\mathrm{\Σ}}}|{S^i}_{2\mathrm{\λ}}-{S^i}_{1\mathrm{\λ}}|}---\left(1\right)$

式中，n_v为验证集样品数，N为光谱波长点总数目，Sⁱ _2λ和Sⁱ _1λ分别为第i个样品在目标仪器和源仪器所测定光谱的λ波长处的吸光度值；

②利用源仪器校正集样品光谱数据与化学值，建立纤维类农作物物料目标参数近红外校正模型，同时对源仪器和目标仪器验证集进行预测，根据预测标准差RMSEP和系统偏差bias评价近红外校正模型对验证集样品不同分光方式光谱的预测效果，分析光谱响应差异引起的预测结果的差异性。所得两组RMSEP和bias值越接近，预测结果的差异性越小，反之，则差异越大。

$\mathrm{RMSEP}=\sqrt{\frac{\underset{i=1}{\overset{n_v}{\mathrm{\Σ}}}{(y_i^{\mathrm{ref}}-{\hat{y}}_{\mathrm{iv}}^{\mathrm{NIR}})}^2}{n_v}}---\left(2\right)$

$\mathrm{bias}=\frac{\underset{i=1}{\overset{n_v}{\mathrm{\Σ}}}(y_i^{\mathrm{ref}}-{\hat{y}}_{\mathrm{iv}}^{\mathrm{NIR}})}{n_v}$ (3)

其中，

为验证集第i个样品的化学值，为验证集第i个样品的近红外预测值。

5)近红外光谱响应数据差异的校正

首先对两台仪器标样集近红外光谱矩阵进行全局中心化处理：

$X=[X1,X2]-\frac{{\stackrel{\‾}{x}}_1+{\stackrel{\‾}{x}}_2}{2}---\left(4\right)$

其中，X1和X2分别为标样集源仪器和目标仪器近红外光谱矩阵，和

分别为其平均光谱矩阵。

化学值全局中心化处理为：每个样品化学值减去所有样品化学值均值。

利用处理后的光谱矩阵X_标样和对应样品的化学值矩阵Y_标样进行正交运算：

Z＝X_标样-Y_标样(Y^T _标样Y_标样)^-1Y^T _标样X_标样    (5)

对ZZ^T进行主成分分析，选取前f个需要正交处理的稳定的主成分矩阵T，分别计算求出正交信号校正权重矢量W和载荷矢量P：

W＝X_标样 ^-1T                  (6)

P＝X_标样 ^TT/(T^TT)             (7)

由校正权重矢量W和载荷矢量P对源仪器校正集、验证集以及目标仪器验证集光谱矩阵X进行如下校正：

X_校正＝X-XWP^T    (8)

6)校正后纤维类农作物物料不同分光方式近红外光谱数据差异分析

①采用上述步骤4)相同方法求取校正后源仪器和目标仪器验证集光谱的差异光谱，计算ADS值。

②采用校正后的源仪器校正集光谱建立校正模型，对目标仪器验证集光谱进行预测。对校正前后的差异光谱、光谱平均差异ADS值、预测标准差RMSEP和系统偏差bias进行对比分析，确定该方法对光谱响应差异校正的有效性。

下面列举一具体实施例，将本发明应用于校正秸秆青贮饲料傅里叶变换和光栅型近红外光谱响应的差异，以粗蛋白含量作为预测目标参数。

1)研究样本与粗蛋白含量测定

研究样本为141份玉米秸秆青贮饲料，分别收集自我国不同地区(北京、河北、浙江、江苏、吉林、黑龙江、陕西和广西)的牛场和实验室，涵盖了不同预处理和不同青贮方式等。样品经烘箱干燥(65℃，48h)后采用旋风磨粉碎，过1mm筛。样品的粗蛋白含量采用AOAC 2001.11标准方法测定。

2)近红外光谱仪与样品光谱数据测定

不同分光方式近红外光谱仪为：美国Perkin Elmer公司生产的SPECTRUM ONE NTS傅里叶变换近红外光谱仪(漫反射积分球附件，InGaAs检测器)和丹麦FOSS公司生产的NIRSystems^TM 6500光栅型近红外光谱仪(PbS检测器)。SPECTRUM ONE NTS傅里叶变换近红外光谱仪采集光谱时工作参数为：光谱范围9090-4000cm^-1，波数间隔2cm^-1，每条光谱含2545个数据点。NIRSystems^TM 6500光栅型近红外光谱仪采集光谱时工作参数为：光谱范围1100-2500nm，波长间隔2nm，每条光谱含700个数据点。光谱扫描次数均为32次，每个样品重复装样扫描3次，取其平均光谱为样品光谱。本实施例中SPECTRUM ONE NTS光谱仪的分辨率高于NIRSystems^TM 6500，因此，设定SPECTRUM ONE NTS傅里叶变换近红外光谱仪为源仪器，NIRSystems^TM 6500光栅型近红外光谱仪为目标仪器。

3)两台仪器光谱数据的匹配

本实施例以SPECTRUM ONE NTS傅里叶变换近红外光谱数据为标准，将NIRSystems^TM 6500光栅型近红外光谱数据首先转换为以波数表示，进行三次样条插值，选用not-a-knot边界条件，采用先插值后截取的方法实现两台仪器光谱数据的匹配。光谱数据的匹配借助化学计量学软件Unscrambler 9.1(挪威CAMO公司)和Matlab实现。

4)校正前秸秆饲料不同分光方式近红外光谱数据差异分析

根据所有样品粗蛋白含量，隔3取1选择35个样品作为验证集样品，其余作为校正集。相同方法从校正集样品中选取30个样品作为标样集。图1和图2分别为两台仪器之间验证集原始光谱与一阶导数处理后光谱的差异光谱，计算可得其相应ADS值分别为0.30和0.13。而源仪器校正模型对源仪器验证集的预测RMSEP和bias分别为4.73g/kgDM和0.50，目标仪器预测结果RMSEP和bias则为22.84g/kg DM和6.70。因此，两组光谱响应数据之间存在较大差异，虽然通过导数预处理有一定程度改善，但仍然显著降低了模型的预测精度。

5)校正后秸秆饲料不同分光方式近红外光谱数据差异分析

图3为校正后秸秆饲料不同分光方式近红外光谱差谱图，其相应ADS计算结果为0.08。对校正前后的差谱图和平均光谱差异ADS值进行对比分析显示，校正后两组光谱数据的差异显著减小，该方法取得了较好的校正效果。校正后源仪器模型对目标仪器的预测RMSEP和bias分别为9.29g/kg DM和-0.44，比校正前有较大程度的改善，并且与源仪器校正模型对源仪器验证集的预测结果非常接近。

6)不同校正方法的效果比较

本实施例还将其方法与以下几种常用方法进行了比较分析。

1)斜率/截距法：采用源仪器上建立的校正模型分别对源仪器与目标仪器测得的标样光谱矩阵进行预测，得浓度阵C_源和C_目标，假定C_源＝bias+斜率×C_目标，用最小二乘法求出bias和斜率值(slope)。然后对于目标仪器未知样品光谱矩阵的预测浓度阵C，使用公式C_校正＝bias+斜率×C进行预测浓度的校正计算。

2)局部中心化法：源仪器校正集和目标仪器验证集光谱矩阵进行局部中心化校正处理，化学值矩阵进行全局中心化校正处理，利用源仪器校正后光谱与化学值矩阵建立模型，然后对目标仪器校正后的光谱矩阵进行预测。

3)直接校正法：利用转换矩阵F对目标仪器测得的未知样品光谱矩阵进行校正，再由源仪器建立的定标模型进行预测。转换矩阵F采用标样集光谱矩阵由X_源＝X_目标·F通过偏最小二乘法计算得到，所以F＝X^T _目标·X_源。其中，由目标仪器标样光谱阵X_目标的全波长数据来计算源仪器标样光谱阵X_源的每一个波长点的转换F。

4)分段直接校正法与直接校正法原理基本相同，所不同的是，用某i波长点附近一窗口为j+k+1大小的光谱段X_{目标，j+k+1}(从第i-j到i+k波长)代替X_目标的全波长数据，进行源仪器标样光谱阵X_源该波长点的转换F计算。

试验结果：表1为本发明方法与斜率/截距法、局部中心化法、直接校正法和分段直接校正法对秸秆饲料近红外光谱差异的校正结果。结果显示，本发明方法对秸秆饲料不同分光方式近红外光谱差异的校正效果均明显优于其他4种常用方法。

表1

上述各实施例仅用于说明本发明，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (6)

1.一种纤维类农作物物料不同分光方式近红外光谱差异的校正方法，主要包括以下步骤：

1）选择两台不同分光方式近红外光谱仪，并获取纤维类农作物物料光谱响应数据；

2）对两台仪器所获取的光谱数据进行匹配；

3）划分样品的验证集和校正集，选取标样集：根据样品目标含量大小，采用等间隔样品选取法进行校正集、验证集和标样集样品划分，具体为，根据样品目标含量，等间隔取样作为验证集样品，其余作为校正集样品，然后以同样的方法从校正集样品中等间隔取样作为标样集样品；

4）分析校正前两组近红外光谱响应数据的差异，并分析光谱响应差异引起的预测结果的差异性；

5）对两组近红外光谱矩阵和化学值进行全局中心化处理，利用处理后的光谱矩阵和对应化学值矩阵进行正交运算，确定光谱主成分矩阵，求出校正权重矢量和载荷矢量，并应用于目标光谱矩阵的校正；

具体为，利用处理后的光谱矩阵X_标样和对应样品的化学值矩阵Y_标样进行正交运算：Z=X_标样－Y_标样(Y^T _标样Y_标样)^-1T _标样X_标样，对ZZ^T进行主成分分析，取前f个需要正交处理的主成分矩阵T，分别计算求出正交信号校正权重矩阵W=X_标样 ^-1T和载荷矩阵P=X_标样 ^TT/(T^TT)；

用校正权重矩阵W和载荷矩阵P对源仪器校正集、验证集以及目标仪器验证集光谱矩阵X进行校正X_校正＝X－XWP^T；

6）分析校正后两组近红外光谱响应差异与相应预测结果；

其中，设定分辨率高的近红外光谱仪为源仪器，分辨率低的近红外光谱仪为目标仪器，以源仪器光谱数据为基准，将目标仪器光谱数据格式向其转换。

2.根据权利要求1所述的纤维类农作物物料不同分光方式近红外光谱差异的校正方法，其特征在于，步骤2）的数据匹配采用三次样条插值和not-a-knot边界条件。

3.根据权利要求1所述的纤维类农作物物料不同分光方式近红外光谱差异的校正方法，其特征在于，步骤3）的划分方式为根据所有样品目标参数含量，等间隔取样作为验证集样品，其余作为校正集样品；然后以相同的方式从校正集样品中等间隔取样作为标样集样品。

4.根据权利要求1所述的纤维类农作物物料不同分光方式近红外光谱差异的校正方法，其特征在于，在步骤4）中，分别求取两台光谱仪验证集的原始光谱与一阶导数处理后光谱的差异光谱，并计算光谱平均差异ADS值进行量化分析；ADS值越大，光谱差异性越大；利用源仪器校正模型，对两组验证集光谱进行预测，根据预测标准差RMSEP和系统偏差bias分析光谱响应差异引起的预测结果的差异性，所得两组RMSEP和bias值越接近，预测结果的差异性越小，反之，差异性越大；

$\mathrm{ADS}=\frac{1}{n_v}\underset{i=1}{\overset{n_v}{\mathrm{\Σ}}}\sqrt{\frac{1}{N}\underset{\mathrm{\λ}=1}{\overset{N}{\mathrm{\Σ}}}|{S^i}_{2\mathrm{\λ}}-{S^i}_{1\mathrm{\λ}}|}---\left(1\right)$

式中，n_v为验证集样品数，N为光谱波长点总数目，Sⁱ _2λ和Sⁱ _1λ分别为第i个样品在目标仪器和源仪器所测定光谱λ波长处的吸光度值；

$\mathrm{RMSEP}=\sqrt{\frac{\underset{i=1}{\overset{n_v}{\mathrm{\Σ}}}{(y_i^{\mathrm{ref}}-{\hat{y}}_{\mathrm{iv}}^{\mathrm{NIR}})}^2}{n_v}}---\left(2\right)$

$\mathrm{bias}=\frac{\underset{i=1}{\overset{n_v}{\mathrm{\Σ}}}(y_i^{\mathrm{ref}}-{\hat{y}}_{\mathrm{iv}}^{\mathrm{NIR}})}{n_v}---\left(3\right)$

式中，

为验证集第i个样品的化学值，

为验证集第i个样品的近红外预测值；

其中，当近红外光谱范围9090-4000cm^-1，取波数间隔2cm^-1，每条光谱含2545个光谱波长点；当光谱范围1100-2500nm，波长间隔2nm，每条光谱含700个光谱波长点。

5.根据权利要求1所述的纤维类农作物物料不同分光方式近红外光谱差异的校正方法，其特征在于，在步骤5）中，对两台仪器标样集近红外光谱矩阵和化学值进行全局中心化处理，利用处理后的光谱矩阵X_标样和对应样品的化学值矩阵Y_标样进行正交运算：Z=X_{标 样}-Y_标样(Y^T _标样Y_标样)^-1Y^T _标样X_标样，对ZZ^T进行主成分分析，取前f个需要正交处理的主成分矩阵T，分别计算求出正交信号校正权重矩阵W=X_标样 ^-1T和载荷矩阵P=X_标样 ^TT/(T^TT)；用校正权重矩阵W和载荷矩阵P分别对源仪器校正集、验证集和目标仪器验证集的光谱矩阵X进行校正X_校正＝X－XWP^T；

其中所述X代表待校正的光谱矩阵。

6.根据权利要求1所述的纤维类农作物物料不同分光方式近红外光谱差异的校正方法，其特征在于，在步骤6）中，再次求取校正后源仪器和目标仪器验证集光谱的差异光谱，计算ADS值，并采用校正后的源仪器光谱建立校正模型，对目标仪器验证集光谱进行预测；对校正前后的差异光谱、光谱平均差异ADS值、预测标准差RMSEP和系统偏差bias进行对比分析。

Images