近紅外光譜數據庫技術及其在農產品檢測中的應用（簡體書）

近紅外光譜數據庫技術

近紅外光是介於可見光和中紅外光之間的電磁波，波長範圍為780～2526nm。使用近紅外光照射樣品時，部分紅外輻射波段被選擇性吸收後產生近紅外光譜。由於近紅外光譜分析技術具有快速、無損和多指標同時檢測的特點，相關技術的發展十分迅速，目前已經被廣泛應用於農業、食品、化工和醫藥等行業中，成為對顆粒、粉末和固體等多種形態物質快速分析的重要手段，已有部分領域將近紅外光譜分析方法認定為國際、國家或行業標準。
截至目前，近紅外光譜分析的主要方法依然是基於傳統模式識別算法，借助化學計量學軟件建立定性或定量分析模型，最終實現對待測樣品的快速檢驗。這種分析模式存在一個明顯弊端，即由於校正集樣品規模、代表性均十分有限，加之對分析人員的技術水準與經驗積累要求較高，通常導致耗費大量精力和物力建立的模型，僅能在極小的範圍或若干個批次樣品的範圍內適用。
隨著計算機硬體設備性能的日益提升和資料庫技術的不斷發展，一些專家學者開始探索基於資料庫系統拓展近紅外光譜分析技術的可行性，於是近紅外光譜資料庫技術應運而生。本書系統而全面地介紹了近紅外光譜資料庫的基本原理、主要算法和開發實例，並結合特定領域展示了相關算法的運用、算法參數的優化選擇等，尤其在光譜預處理算法和光譜匹配算法方面進行了深入研究。
在光譜平滑算法方面，針對常用平滑算法對光譜中所有數據點採用相同的平滑策略，給平滑的光譜特徵波段帶來較多信息損失的問題，本書提出一種根據光譜資料點權值大小適配平滑算法的策略，既能夠保證粗糙部分的平滑效果，又能減少平滑部分的信息丟失。針對特定樣品的實際應用表明，本書所提出的算法既能夠確保粗糙的光譜波段平滑效果較好，又能夠充分保護平滑的光譜波段免受較大的信息損失。
在光譜匹配算法方面，針對常見全光譜匹配算法直接基於光譜曲線的吸光度（光譜反射比或強度值）計算匹配度，容易受到噪聲信息或樣品成分分佈不均等因素的干擾導致匹配正確率低的問題，本書提出了一種基於傑卡德相似性係數原理的全光譜匹配算法，該算法通過對一階導數光譜的二值化，對噪聲信息進行過濾和對吸光度（光譜反射比或強度值）進行模糊化處理，將關注點從光譜強度轉移到光譜波形上來。針對特定樣品的實測結果表明，該算法遠優於傳統算法。
本書共分為五章，其中第1章和第3章由周萬懷老師和徐守東老師共同編寫，第2章和第4章由周萬懷老師和李浩老師共同編寫，第5章由徐守東老師和李浩老師共同編寫，劉從九老師參與了本著作的整體規則設計以及相關課題應用技術的研究。
本書的內容主要源自於國家自然基金項目(31601224)，2020年度兵團農業領域科技攻關計畫項目（2020AB006-1），安徽省教育廳重大項目（KJ2020ZD004）、重點項目（KJ2019A0650）和2021年安徽省高校拔尖人才培育項目的研究成果，對以上項目和相應主管部門提供支持表示衷心感謝！
由於作者水準有限，加之編寫時間倉促，書中不足之處在所難免，敬請讀者批評指正。

前言
第1章緒論
11課題背景與研究意義
111NIR光譜技術概述
112NIR光譜分析的常見流程
113存在的問題與發展趨勢
12SDBS概述
121SDBS原理及特點
122國外研究進展概況
123國內研究進展概況
124其他相關研究
13本書研究目的、內容和技術路線
131研究目的
132研究內容
133技術路線
14本章小結
第2章光譜資料庫常用算法
21光譜預處理算法介紹
211平滑
212扣減
213導數或微分
214標準化
215多元散射校正
216標準正交變換
22NIR光譜特徵峰識別及其參數計算
221NIR光譜的特點
222峰位
223峰邊界
224峰高
225峰寬
226峰面積
23匹配算法
231SMA-P
232SMA-FS
24波段選擇
241經驗法
242分段排序法
243相關係數法
244方差分析法
245相關成分分析法
246基於遺傳算法的波段選擇法
247CARS波段選擇法
25常用建模算法
251定量建模算法
252定性建模算法
26本章小結
第3章一種自我調整平滑算法在蘋果NIR光譜分析中的應用
31引言
32技術與方法
321噪聲估算
322光譜局部波動頻率
323資料點權值
324一種自我調整平滑算法
325光譜特徵峰定位及參數計算算法改進
33試驗
331試驗樣品
332光譜儀與參數設置
333SSC檢測儀
334支撐試驗的軟硬體平臺
34結果與討論
341SSC測量結果
342基於DA的分類結果
343構造各類別的中心光譜
344算法參數的確定與優選
345改進後算法對特徵波段的保護
346假性峰過濾參數優化
347基於SMA-P的分類原理
348基於SMA-P的蘋果樣品分類
35本章小結
第4章基於傑卡德相似性係數原理的SMA-FS在蘋果分類識別中的應用
41引言
42方法介紹
421蘋果樣品NIR光譜的一階導數
422一階導數光譜的預處理
423一階導數二值化
424JSC
425JSC在NIR光譜匹配中的應用
426SMA-JSC算法的改進
43試驗
431試驗樣品
432光譜儀與參數設置
433支撐試驗的軟硬體平臺
44結果與分析
441S5～S7三類樣品的SSC含量
442基於DA的S1～S7分類
443類別中心構建
444基於SMA-JSC的蘋果樣品分類識別
445SMA-JSC算法與常用SMA-FS算法的比較
446基於SMA-JSC算法檢索分析特定樣品的原理
447解析度對SMA-JSC算法的影響
448改進SMA-JSC算法在蘋果分類識別中的應用
45本章小結
第5章NIR-SDBS原型系統開發實例
51概述
52NIR-SDBS原型系統分析
521NIR-SDBS原型系統的需求描述
522水果NIR-SDBS原型系統的主要用例
523動態模型（場景時序圖）
524靜態模型（物件模型）
53系統設計
54對現有系統的比較
55本章小結
附錄二維碼資源
附錄A中英文對照表
附錄B部分算法C#代碼
附錄C基於SMA-JSC算法檢索分析特定樣品測試結果
參考文獻