引用本文
唐若涵, 李修华, 吕雪刚, 张木清, 姚伟. 透射式可见-近红外光谱法检测活体甘蔗纤维分[J]. 光谱学与光谱分析, 2023,43(8): 2419-2425.
TANG Ruo-han, LI Xiu-hua, L#cod#x000dc; Xue-gang, ZHANG Mu-qing, YAO Wei. Transmittance Vis-NIR Spectroscopy for Detecting Fibre Content of Living Sugarcane[J]. Spectroscopy and Spectral Analysis, 2023,43(8): 2419-2425.
Doi:10.3964/j.issn.1000-0593(2023)08-2419-07  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
透射式可见-近红外光谱法检测活体甘蔗纤维分
唐若涵1,2, 李修华1,2,*, 吕雪刚1,2, 张木清2,3, 姚伟2,3
1.广西大学电气工程学院, 广西 南宁 530004
2.广西大学广西甘蔗生物学重点实验室, 广西 南宁 530004
3.广西大学农学院, 广西 南宁 530004
*通讯作者 e-mail: lixh@gxu.edu.cn

作者简介: 唐若涵, 1999年生, 广西大学电气工程学院硕士研究生 e-mail: 596588134@qq.com

收稿日期: 2022-07-12 修回日期: 2022-10-19 接受日期: 2022-10-19
基金: 国家自然科学基金项目(31760342), 广西科技重大专项(桂科2018-266-Z01)资助
摘要

甘蔗的纤维分是甘蔗选育过程和制糖、 造纸等行业生产中不可忽视的因素, 采用透射形式的可见-近红外光谱法对活体甘蔗纤维分进行无损检测具有重要意义。 采集了6个品种不同生长阶段的123个甘蔗蔗茎样本, 将其按2:1的比例采用Duplex样本集划分方法分为校正集(82个样本)和预测集(41个样本)。 以120°的测量夹角获取了蔗茎在去除蜡质前后两种不同状态下的透射光谱, 并选取噪声较小且幅值变化明显的670~950 nm波段作为实际建模波段。 观察波形发现, 去除蜡质后蔗茎的透光率显著增高, 且建立偏最小二乘(PLS)回归模型分析了蜡质对于模型预测能力的影响, 去蜡后的蔗茎样本建模效果更为良好。 将一阶微分(FD)、 连续小波变换(CWT)、 标准正态变换(SNV)等9种预处理方法分为基线校正、 散射校正、 平滑处理、 尺度缩放四个步骤。 按各步骤的顺序进行排列组合产生108种预处理组合, 分别对处理得到的光谱数据进行PLS建模分析, 最终得到了综合建模效果最优的预处理方法FD+SG。 为筛选得到携带最有效信息的波长, 采取无信息变量消除法(UVE)、 遗传算法(GA)、 竞争性自适应重加权采样法(CARS)以及随机青蛙算法(RF)等有效变量提取算法对最优预处理后的透射光谱进行重要波长筛选。 分别对各算法提取出的重要波长进行PLS建模分析, 其中采用UVE方法提取出来的重要波长建模效果最好, 所选波长的数量为40个, 占全波段的14.3%。 预测集的决定系数(Rp2)为0.73, 比相同预处理下的全波段PLS建模结果提升了14.1%, 预测集的均方根误差(RMSEP)为0.88%(%表示甘蔗纤维分的单位), 比全波段建模结果下降了14.6%。 研究结果表明, 可见-近红外透射光谱能够对活体甘蔗纤维分进行有效预测, 此研究可为相应便携式传感器的开发提供理论依据, 为甘蔗育种、 各行业生产的节本增效提供技术支撑。

关键词: 可见-近红外光谱; 甘蔗; 纤维分; 重要波长; 无损检测
中图分类号:O439 文献标志码:A
Transmittance Vis-NIR Spectroscopy for Detecting Fibre Content of Living Sugarcane
TANG Ruo-han1,2, LI Xiu-hua1,2,*, LÜ Xue-gang1,2, ZHANG Mu-qing2,3, YAO Wei2,3
1. School of Electrical Engineering, Guangxi University, Nanning 530004, China
2. Guangxi Key Laboratory of Sugarcane Biology, Guangxi University, Nanning 530004, China
3. College of Agriculture, Guangxi University, Nanning 530004, China
*Corresponding author
Abstract

The fibre content of sugarcane is a non-negligible factor in the breeding process of sugarcane and the production of sugar, paper and other industries. It is of great significance to detect the fibre content of living sugarcane non-destructively by using visible-near infrared spectroscopy in transmission form. One hundred and twenty-three sugarcane samples of six varieties at different growth stages were collected and divided into a calibration set (82 samples) and prediction set (41 samples) in the ratio of 2:1 using the Duplex sample set division method. The transmission spectra of sugarcane cane stem in the original state and dewaxing state were acquired at a measurement angle of 120°, and the band from 670 to 950 nm with less noise and obvious amplitude fluctuations was chosen as the actual modeling band. The waveforms were observed to find a significant increase in transmittance after dewaxing, and a PLS (Partial least squares) regression model was established to analyze the effect of wax coverage on the predictive model ability. The sugarcane samples were modeled more effectively after dewaxing. The 9 preprocessing methods, including first derivation (FD), continuous wavelet transform (CWT), and standard normal transform (SNV), are divided into four steps: baseline correction, scattering correction, smoothing, and scale scaling. The order of the steps was permuted to produce 108 combined preprocessing methods, and the PLS modeling analysis was performed for the spectra after each combined preprocessing separately, finally, the preprocessing method FD+SG with the best comprehensive modeling effect was acquired. To screen for the wavelengths carrying the most effective information, effective variables screening algorithms such as uninformative variable elimination (UVE), genetic algorithm (GA), competitive adaptive reweighted sampling (CARS), and random frog algorithm (RF) were taken to select important wavelengths for the transmission spectra after optimal pretreatment. The important wavelengths extracted by each algorithm were analyzed for PLS modeling separately, in which the important wavelengths extracted by the UVE method were modeled the best, with the number of selected wavelengths being 40, accounting for 14.3% of the full band. TheRp2 is 0.73, which improves 14.1% over the full-band modeling results with the same preprocessing method, and the RMSEP is 0.88, which decreases 14.6% over the full-band modeling results. The results showed that the transmittance visible-NIR spectrum could effectively predict the fibre content of living sugarcane. This study can provide a theoretical basis for developing corresponding portable sensors, and provide technical support for sugarcane breeding and production efficiency in various industries.

Keyword: Visible-Near infrared spectroscopy; Sugarcane; Fibre content; Important wavelengths; Non-destructive testing
引言

甘蔗中的纤维是一种组分复杂的混合物, 主要含有纤维素、 半纤维素和木质素等, 常被用作蔗厂燃料。 因其低成本、 可再生的特点和对木纤维的可替代性, 如今也被广泛地用于造纸业[1]。 甘蔗纤维分含量的高低还直接影响蔗厂的生产效率: 纤维分越高, 代表其硬度越高, 从而导致榨糖成本增加, 榨糖效率降低。 一些农学家较为关注甘蔗的纤维分含量, 试图探究甘蔗纤维分与甘蔗含糖量及病虫害的关系[2, 3]。 因此, 研究快速检测甘蔗纤维分的方法对工厂生产、 科学研究均具有现实意义。

目前, 甘蔗纤维分的测定主要依靠传统的实验室生化方法, 需要破坏性采样, 且耗时、 耗力、 成本高。 光谱分析法作为一种快速高效的无损检测手段, 已广泛运用于多类农产品的内部品质检测, 如采用可见-近红外光谱检测苹果成熟度[4]、 茶叶水分含量[5]等。 在实际运用中, 透射形式被认为是最适合评估内部成分的光谱分析模式[6], 但由于原始测量样本的大小、 厚度、 形状等存在差异, 使得透射光谱的光程和光密度不一致, 从而在模型校准时需要考虑尺寸、 形状或厚度的影响, 增加了模型的复杂性[7]。 而甘蔗纤维具有较高的结晶度(结晶指数在63%~68%范围内)[8], 光程的增大容易导致样品内部出现更显著的光散射, 从而影响建模效果。 前人的研究证实了甘蔗样本外观对光谱学方法检测其内部成分产生了影响, 吕雪刚等[9]采用180° 、 150° 和120° 的检测角度获取了蔗茎的透射光谱, 发现120° 透射光谱建立的蔗糖分预测模型模效果最佳, 由于该角度下的光程相对较短, 甘蔗直径差异引起的光程差异较小。

近年来有报道采用光谱分析法检测甘蔗纤维分的研究。 Nawi等[10]采用可见-近红外光谱(350~1 075 nm)和全量程(350~2 500 nm)两种形式对蔗茎横截面进行了扫描, 并分别建立了纤维分的PLS预测模型。 Mat等[11]采集了蔗茎表面和横截面400~1 000 nm的反射光谱用以预测甘蔗的重要组分含量。 Phuphaphud等[12]使用便携式可见-短波近红外光谱仪获取了蔗茎的反射光谱(570~1 031 nm), 对比了不同积分时间对于光谱法测量甘蔗纤维分的影响, 发现积分时间为300 ms时预测模型最优。 有研究证实了光谱分析法预测甘蔗纤维分的可行性, 但是以上研究均未考虑甘蔗表皮蜡质的影响, 部分研究还需要对蔗茎的横截面进行扫描, 破坏性大, 尤其是均未对纤维分的重要波长进行筛选。

本研究在吕雪刚等[9]工作的基础上, 针对120° 探测角度下可见-近红外透射光谱进行了甘蔗纤维分的预测研究, 主要目的包括: (1)探究蜡质对于甘蔗蔗茎透射光谱特性的影响; (2)确定甘蔗纤维分预测模型的最优预处理方式; (3)使用多种变量筛选算法提取重要波长, 以提高模型预测能力。

1 实验部分
1.1 样本采集

甘蔗样本采集于广西大学的甘蔗试验田, 按照茎秆直立, 表皮未开裂, 没有发生显著病变的标准, 在随机选取的6个甘蔗品种中挑选了70根甘蔗茎秆, 包括成熟期蔗茎60根, 伸长期蔗茎10根。 实验前对蔗茎进行了基本清理, 保留了覆着于蔗茎表皮的蜡质。 考虑到成熟期的甘蔗上下两端的生理成分差异较为显著, 将其上下两端看作2个样本, 加上伸长期的蔗茎总计得到130个实验样本。

1.2 光谱数据获取

实验采用美国ASD公司生产的FieldSpe c4 Hi-Res便携式地物光谱仪进行光谱采集, 波长范围为350~2 500 nm, 扫描时间为100 ms, 并配置一个12 V、 20 W的卤素灯作为光源, 通过直流稳压电源维持工作。 为贴合蔗茎的圆柱体结构, 针对性地设计了光谱采集平台, 如图1所示, 卤素灯位于蔗茎的底部, 光谱仪的探头置于最优探测夹角(120° )接收透过蔗茎的光信号。 在蔗茎底部的两侧垫有隔光的黑色海绵, 使光源-蔗茎-探头形成一条封闭的入射光通路, 以避免杂散光的影响。 光谱采集时进行白板校正, 将光强转换为透光率。

图1 甘蔗透射光谱采集平台
1: 甘蔗样本; 2: 黑色海绵垫; 3: 卤素灯; 4: 样品固定桶; 5: 探头; 6: 计算机; 7: 数据线; 8: ASD光谱仪; 9: 光纤Fig.1 Transmission spectrum acquisition platform of sugarcanes
1: Sugarcane sample; 2: Black sponge pad; 3: Halogen lamp; 4: Sample fixing cylinder; 5: Probe; 6: Laptop; 7: Data cable; 8: ASD Spectrometer; 9: Optical fiber

实验以120° 的测量角度采集了蔗茎在去蜡前后两种不同状态下的透射光谱。 选取蔗茎全长1/4和3/4的位置进行光谱采集, 每个位置处对蔗茎90° 旋转4次得到4个不同方向下的透射光谱, 每个样本总计得到8组数据, 将其取平均后作为该样本的光谱数据。 以去蜡样本为例, 所得全波段透射光谱如图2所示。 为避免较大噪声干扰和光谱中无用信息的混入, 实际采用幅值变化明显且噪声较小的670~950 nm范围内的280个波段进行分析建模。

图2 去蜡样本的全波段透射光谱图Fig.2 Full-band transmission spectra of dewaxing samples

1.3 甘蔗纤维分的测定

以往的研究通常将压榨并干燥后的蔗渣视为甘蔗蔗茎含有的所有纤维[12], 考虑到此时的蔗渣依然具有部分可溶性固型物, 计算纤维分时应去除这部分质量。 因此, 采取了去除可溶性固体物的国标GB/T 10499— 2014方法对纤维分进行测定。 剔除7个错误数据, 最终得到123个有效数据。 对123个有效样本的纤维分统计发现, 其纤维分在7.08%~13.91%之间。 进一步采用Duplex样本集划分的方法, 按2:1的比例划分为校正集和预测集, 如表1所示。

表1 蔗茎样本纤维分统计 Table 1 Statistical characteristics of fibre content in sugarcane samples
1.4 方法

1.4.1 预处理方法

为减少噪声干扰, 进一步提高模型的预测能力, 首先对原始光谱进行预处理。 将所用预处理方法按照预处理目的划分为多个步骤, 再以分类顺序对各步骤的方法进行排列组合, 最后通过建模分析来评价产生的预处理组合, 可以有效地筛选出最佳预处理方法。 选取一阶微分(FD)、 连续小波变换(CWT)、 标准正态变换(SNV)、 多元散射校正(MSC)、 Savitzky-Golay平滑处理(SG)、 移动平均平滑(MAS)、 标准化(Standardization)、 最大最小归一化(Min-Max Normalization)、 均值中心化(Mean centering)等9种预处理方法, 按照基线校正、 散射校正、 平滑处理、 尺度缩放的分类步骤进行排列组合, 具体如表2所示(0表示无处理), 总计得到3× 3× 3× 4=108种预处理组合。 对每一种组合分别建立PLS模型, 通过模型的精度来评价并确定最优的预处理组合以供后续分析。

表2 四个预处理步骤中所包含方法 Table 2 Methods included in the 4 pre-processing steps

1.4.2 重要波长筛选算法及模型评价

采用了4种有效变量提取算法对纤维分的重要波长进行筛选, 分别是无信息变量消除法(uninformative variable elimination, UVE)、 遗传算法(genetic algorithm, GA)、 竞争性自适应重加权采样算法(competitive adaptive reweighted sampling, CARS)、 随机青蛙算法(random frog algorithm, RF)。

UVE[13]将人为产生的随机变量矩阵作为噪声加入光谱矩阵, 通过留一交叉验证法建立PLS模型, 得到由PLS回归系数向量构成的矩阵。 用系数向量的平均值和标准偏差的商来表示稳定性值, 将光谱变量的稳定性值与加入噪声的最大稳定性值相比, 从而筛选出携带最有效信息的波长, 进而增强模型的预测能力。

GA[14]基于遗传学机理与自然选择理论建立有效变量提取算法。 其将选取的变量组视为染色体, 利用基因重组以及基因变异更新染色体信息, 通过适应度函数评价得到期望的染色体, 即所需有效变量组。

CARS[15]基于“ 适者生存” 思想建立有效变量提取算法。 其通过指数衰减的方式选取变量的个数, 并采用自适应加权采样得到PLS建模中回归系数绝对值较大的变量, 进行交叉验证选取RMSECV最小的子集作为最优变量子集。

RF[16]参考可逆跳转马尔可夫链蒙特卡罗方法建立算法。 该方法通过在模型空间中构建出马尔科夫链的方式获得各个变量被选择的概率, 从而挑选出携带有效信息的变量。

建模过程中, 通过比较RMSEP的最小值确定PLS因子的最佳个数。 模型的准确性和稳定性主要采用校正决定系数( Rc2)、 预测决定系数( Rp2)、 校正均方根误差(RMSEC)、 预测均方根误差(RMSEP)来评价。 所有的数据处理、 建模分析均在MATLAB R2019a(The MathWorks, Natick, MA, USA)上进行。

2 结果与讨论
2.1 蜡质对透射光谱的影响

绘制各蔗茎样本去蜡前后两种状态下的透射光谱, 分别如图3(a, b)所示。 通过观察波形发现, 去蜡样本的透光率整体高于原始样本, 且其分布更为均匀, 说明蔗茎表皮的蜡质显著影响光谱透过率。 甘蔗表皮附着的植物蜡是长链烷烃, 蜡酯, 脂肪酸, 酮, 醛和醇以及类固醇的混合物[17]。 这种蜡质混合物以棕绿色至深褐色的固体形式附着在蔗茎表面, 各组分在光照时也会发生分子振动, 产生对应的倍频和合频吸收, 因此会干扰透射光谱。

图3 去蜡前后样本透射光谱图
(a): 去腊前; (b): 去蜡后Fig.3 Transmission spectra of samples before and after dewaxing
(a): Before dewaxing; (b): After dewaxing

对原始样本和去蜡样本分别建立纤维分的PLS预测模型, 结果如表3所示, 其中的LVs为PLS建模过程中提取的主因子个数。 建模结果表明, 虽然去蜡样本的RMSEP与原始样本接近, 但其 Rp2远高于原始样本, 证明了蜡质对模型的预测能力存在不利影响。

表3 去蜡前后的PLS建模效果 Table 3 PLS modeling results before and after dewaxing
2.2 不同预处理方法对建模结果的影响

采用PLS建模结果评价由基线校正、 散射校正、 平滑处理、 尺度缩放这4个步骤排列组合产生的预处理组合对去蜡样本光谱的效果。 108种预处理组合中的9种单一预处理和建模结果最好的两步、 三步、 四步预处理组合的建模结果如表4所示。 总体建模效果最优的为FD+SG这一两步预处理组合, 其 Rc2和 Rp2分别达到了0.75和0.64, RMSEC和RMSEP分别为0.62%、 1.03%。 后续均以该最优组合预处理后的光谱数据作为基础进行分析。

表4 不同预处理方法预测甘蔗纤维分的PLS建模结果 Table 4 The PLS modelingresults of different preprocessing methods to predict sugarcane fibre content
2.3 重要波长预测甘蔗纤维分

光谱数据维数高, 存在严重的冗余, 容易导致预测模型复杂、 精度低、 稳定性差。 因此, 需要从高维光谱中筛选出最能代表原始光谱有效信息的重要波长进行建模, 不仅可以提高模型的精度和稳定性, 更精简的模型也利于节约计算资源, 易于集成。 采用了UVE、 CARS、 RF、 GA等四种有效变量提取算法对预处理后的甘蔗去蜡透射光谱进行重要波长筛选, 并比较了各算法提取出的波长所建立PLS模型的预测效果。

2.3.1 重要波长筛选结果

(1) UVE筛选结果

采用UVE提取重要波长的过程如图4所示, 设定PLS的最佳因子数为10, 留一交叉验证法的次数为样本数123, 加入噪声变量的数量为光谱波段数280。 图中左侧散点表示光谱变量的稳定性值, 右侧散点表示噪声变量的稳定性值, 用噪声变量最大稳定性绝对值的99%作为界限阈值, 超出阈值即为选取的有效变量。 当RMSECV最低时, 筛选得到40个重要波长, 占总波段数的14.3%。

图4 UVE重要波长选取Fig.4 UVE important wavelength extraction

(2) GA筛选结果

采用GA提取重要波长时, 设定初始群体数为30, 交叉概率为0.8, 变异概率为0.1, 迭代次数为100。 经过30次重复实验, 当RMSECV最小时, 筛选所得重要波长数为15个, 占总波段数的5.4%, 所选重要波长结果如图5所示, 横坐标表示波长, 纵坐标表示波长被选取的频数。

图5 GA重要波长选取Fig.5 GA important wavelength extraction

(3) CARS筛选结果

采用CARS提取重要波长时, 以10折交叉验证法, 设定蒙特卡罗采样为100次。 重复50次提取实验, 其中RMSECV值最小时的结果如图6(a, b, c)所示, 图6(c)中的彩色曲线表示各变量的回归系数, 蓝色竖线所处的位置代表回归结果最好的1次采样。 此时, 共筛选得到28个重要波长, 占总波段长的10%。

图6 CARS重要波长选取
(a): 采样变量数; (b): RMSECV; (c): 回归系数路径Fig.6 CARS important wavelength extraction
(a): Number of sampled variables; (b): RMSECV; (c): paths of regression coefficients

(4) RF筛选结果

采用RF提取重要波长的过程如图7所示, 横坐标表示波长, 纵坐标表示波长被选取的概率。 参数设定随机蛙跳的次数为1 000次, 选择可能性的阈值为0.3(图7中红线)。 该方法最终筛选得到15个重要波长, 占总波段长的6.4%。

图7 RF重要波长选取Fig.7 RF important wavelength extraction

2.3.2 建模结果

各算法筛选得到的重要波长如表5所示, 分别将其作为模型的输入量建立PLS预测模型, 结果如表6所示。

表5 挑选波长列表 Table 5 List of selected wavelengths
表6 不同算法筛选波长的PLS建模结果 Table 6 PLS modeling results with different algorithms for selecting wavelengths

由表5可以看出, 采用UVE、 CARS、 GA、 RF等算法筛选得到的重要波长数量较全波段均明显减少。 UVE算法筛选出的波长建模得到的精度最高, Rp2达到了0.73, 相比于相同预处理下的全波段PLS建模结果提升了14.1%, 也优于Nawi等[10]采用可见-近红外和全量程两种方式对蔗茎进行横截面扫描预测得到的 Rp2(0.56和0.68); RMSEP为0.88%, 相比全波段建模结果下降了14.6%。 UVE提取的重要波长数量为40, 模型输入变量相较于全波段(280个)减少了85.7%, 模型运行时间明显缩短。 CARS、 GA、 RF挑选得到的重要波长数量更少, 但预测精度也下降明显, 这反映出建立甘蔗纤维分的最佳预测模型需要提取更多的特征变量。 对UVE算法筛选出的重要波长建立PLS模型的预测结果散点图如图8(a, b)所示。

图8 UVE挑选的重要波长建立的PLS模型散点图
(a): 校正集; (b): 预测集Fig.8 Scatter plot of PLS model established by the important wavelengths selected by UVE
(a): Calibration set; (b): Prediction set

3 结论

以120° 测量夹角采集了活体甘蔗样本在去蜡前后两种不同状态下的透射光谱, 分析了蜡质对于甘蔗透射光谱特性的影响, 确定了最优的预处理方法, 筛选了纤维分的重要波长, 最终建立了该成分的预测模型。 结论如下:

(1) 蜡质对蔗茎的透射光谱会造成干扰。 对比去蜡前后模型的预测效果, 去蜡样本的预测集模型RMSEP未显著提升, 但 Rp2提升了121.4%, 表明蜡质的覆盖在一定程度上影响了透射式检测甘蔗纤维分的精度。

(2) 探究了由FD、 CWT、 MSC、 SNV、 SG、 MAS等9种预处理方法按4个步骤排列组合产生的108种光谱预处理组合对模型的优化能力, 发现FD+SG表现最佳, 较未经过预处理的数据, Rp2提升了4.8%, RMSEP下降了1.9%。

(3) 比较了UVE、 CARS、 GA和RF等有效变量提取算法筛选出的重要波长建模效果。 由UVE算法筛选出的重要波长建立的PLS模型预测纤维分的效果最佳, Rp2为0.73, 比全波段模型提升了14.1%, RMSEP为0.88%, 比全波段模型降低了14.6%, 重要波长数量减少为40, 模型变量减少了85.7%。

研究结果表明, 可见-近红外透射光谱能够对活体甘蔗纤维分进行有效预测, 此研究可为相应便携式传感器的开发提供理论依据, 为甘蔗育种、 各行业生产的节本增效提供技术支撑。

参考文献
[1] Otieno J O, Okumu N, Adalla M, et al. Asian Journal of Chemical Sciences, 2021, 10(1): 22. [本文引用:1]
[2] White W H, Tew T L, Richard E P. Journal American Society Sugar Cane Technologists, 2006, 26: 87. [本文引用:1]
[3] Waclawovsky A J, Sato P M, Lembke C G, et al. Plant Biotechnology Journal, 2010, 8(3): 263. [本文引用:1]
[4] Zhang M, Zhang B, Li H, et al. Infrared Physics & Technology, 2020, 111: 103529. [本文引用:1]
[5] Huang Z, Sanaeifar A, Tian Y, et al. Journal of Food Engineering, 2021, 293: 110374. [本文引用:1]
[6] Magwaza L S, Opara U L, Nieuwoudt H, et al. Food & Bioprocess Technology, 2012, 5(2): 425. [本文引用:1]
[7] Guthrie J A, Walsh K B, Reid D J, et al. Australian Journal of Agricultural Research, 2005, 56(4): 405. [本文引用:1]
[8] Asagekar S D, Joshi V K. Indian Journal of Fibre & Textile Research, 2014, 39(2): 180. [本文引用:1]
[9] LÜ Xue-gang, LI Xiu-hua, ZHANG Shi-min, et al(吕雪刚, 李修华, 张诗敏, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2021, 41(12): 3747. [本文引用:2]
[10] Nawi N M, Jensen T, Chen G. Journal American Society of Sugar Cane Technologists, 2012, 32: 16. [本文引用:2]
[11] Mat N N, Rowshon K M, Guangnan C, et al. Agriculture & Agricultural Science Procedia, 2014, 2: 136. [本文引用:1]
[12] Phuphaphud A, Saengprachatanarug K, Posom J, et al. Vibrational Spectroscopy, 2019, 101: 71. [本文引用:2]
[13] Centner V, Massart D L, Denoord O E, et al. Analytical Chemistry, 1996, 68(21): 3851. [本文引用:1]
[14] Taylor C E. The Quarterly Review of Biology, 1994, 69(1): 88. [本文引用:1]
[15] Li H, Liang Y, Xu Q, et al. Analytica Chimica Acta, 2009, 648(1): 77. [本文引用:1]
[16] Li H D, Xu Q S, Liang Y Z. Analytica Chimica Acta, 2012, 740: 20. [本文引用:1]
[17] Purcell D E, Leonard G J, O'shea M G, et al. Chemometrics & Intelligent Laboratory Systems, 2005, 76(2): 135. [本文引用:1]