鸡蛋新鲜度、pH值及黏度的高光谱检测模型

利用高光谱成像仪采集鸡蛋的高光谱透射图像,并利用游标卡尺、pH计、黏度计测定鸡蛋的新鲜度、酸碱度与黏度,用竞争性自适应重加权（competitive adaptive reweighed sampling,CARS）算法与连续投影算法（successive projections algorithm,SPA）选取特征波长分别建立鸡蛋品质与其高光谱特征的简单多元线性回归（multiple linear regression,MLR）模型,并在CARS提取的特征波长基础上用SPA进行了二次波段提取,建立相应的MLR模型,对比一次波长提取与二次波长提取选择的特征波长建立的模型性能。结果表明,CARS与SPA建立的MLR模型的验证集相关系数均在0.9以上。二次特征波段建立MLR模型的验证集相关系数比一次特征波段提取建立的MLR相关系数高,且均方根误差（root mean square error,RMSE）均有所减小,选取的特征波段比单独使用CARS或SPA选取的波段要少。建立的鸡蛋新鲜度、酸碱度（pH值）、黏度MLR模型的相关系数R分别为0.94、0.95、0.95,RMSE分别为6.36、0.17、149。即CARS、SPA提取特征波长可以优化模型,二次特征波段提取能更进一步的优化模型,提高了模型的稳定性,该模型能完好无损预测鸡蛋品质。     

基于可见/近红外高光谱成像技术的牛肉品种鉴别

利用可见/近红外高光谱成像技术实现荷斯坦奶牛、秦川牛、西门塔尔牛三个品种牛肉的快速无损鉴别。首先,对原始光谱进行预处理并对样本集进行划分;应用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)对预处理后的光谱数据提取特征波长;结合偏最小二乘判别模型(PLS-DA)、K最近邻(KNN)模型及支持向量机(SVM)模型进行全波段及特征波段鉴别分析。结果表明,一阶导数(FD)法为最优预处理方法,利用光谱-理化值共生距离法(SPXY)法划分后的样本模型预测性能最好;利用CARS、SPA和UVE分别选出24、17和19个特征波长;基于CARS法提取的特征波长所建的RBF-SVM模型的校正集与预测集正确率分别为100%、98.82%。由此可见,基于高光谱成像技术能够获得较好的牛肉品种鉴别效果。该研究可为牛肉品种的快速无损鉴别提供参考。     

高光谱成像技术对灵武长枣果皮强度的无损检测

利用高光谱技术对灵武长枣果皮强度检测进行研究,为灵武长枣外部品质无损检测提供科学方法。采集120个灵武长枣的400~1000 nm的高光谱图像,对光谱数据进行预处理;应用连续投影算法(SPA)、正自适应加权算法(CARS)和无信息变量消除法(UVE)对原始光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)果皮强度预测模型。结果表明:采用标准正态变换(SNV)预处理算法效果最优,其PLSR模型的交叉验证相关系数(Rcv)为0.8207,交叉验证均方根误差(RMSECV)为9.9630;利用SPA、CARS和UVE法从全光谱的125个波长中分别选取出29个、31个和31个特征波长;而基于全光谱建立的LS-SVM模型效果最优,其预测相关系数(Rp)为0.9555,预测均方根误差(RMSEP)为3.8282;研究结果表明基于高光谱成像技术采集的灵武长枣漫反射光谱进行果皮强度无损检测具有可行性。     

基于可见/近红外光谱和变量选择的脐橙可溶性固形物含量在线检测

为联合可见/近红外光谱技术和变量选择方法在线检测脐橙主要内部品质指标可溶性固形物(SSC),分别选定脐橙校正集和预测集样本141个和47个,脐橙运输速度为0.3m/s,利用USB4000微型光谱仪在线采集脐橙样本的可见/近红外光谱,先分别采用无信息变量消除(UVE)和遗传算法(GA)对650~950nm波段范围的波长变量进行预筛选,再分别利用竞争自适应重加权采样(CARS)及连续投影算法(SPA)对波长变量进一步筛选,并应用偏最小二乘(PLS)方法分别建立脐橙SSC的在线预测模型,并与原始光谱等建立的预测模型进行比较。结果表明,对于脐橙SSC,预筛选方法GA优于UVE方法,变量选择方法CARS优于SPA方法;GA-CARS及GA-SPA联合变量选择方法优于对应的单一变量选择方法CARS及SPA。在上述变量选择方法中,GA-CARS方法获得的结果最优,其所建立的脐橙SSC的PLS模型的校正集和预测集相关系数分别为0.933和0.824,校正集和预测集均方根误差分别为0.429%和0.670%,性能优于原始光谱建立的PLS模型,且建模波长变量数由1 385个下降为78个,仅占原波长变量数的5.63%。由此表明,GA-CARS联合变量选择方法可以有效筛选脐橙SSC的波长变量,提高预测模型的稳定性和预测精度。     

可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法

为探究基于高光谱成像技术预测灵武长枣VC含量的可行性并寻找最佳预测模型。采集100?个长枣样本在波长400～1?000?nm处的高光谱图像,对光谱数据进行预处理;应用遗传算法（genetic algorithm,GA）、连续投影算法（successive projection algorithm,SPA）和竞争性正自适应加权（competitive adaptive reweighted sampling,CARS）算法对原始光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘（partial least squares regression,PLS）和最小二乘支持向量机（least squares support vector machine,LSSVM）VC含量预测模型。结果表明,采用标准正态变换预处理算法效果最优,其PLS模型的交叉验证相关系数为0.839?5,交叉验证均方根误差为16.248?2;利用GA、SPA和CARS从全光谱的125?个波长中分别选取出12、5?个和26?个特征波长;基于CARS建立的PLS模型效果最优,其Rc、Rp、校正均方根误差、预测均方根误差分别为0.896?2、0.889?2、10.746?2%、12.145?3%。研究结果表明基于高光谱成像技术对灵武长枣VC含量的无损检测是可行的。     

基于近红外光谱的腌制期咸鸭蛋理化指标无损检测

以高邮麻鸭蛋为研究对象,采集整个腌制期咸鸭蛋近红外光谱数据,对比测定其理化指标值,建立咸鸭蛋关键品质指标（蛋黄含水率、蛋黄氯化钠浓度和咸蛋黄指数）的无损快速检测模型。为尽可能削弱外部其他因素对样本光谱采集过程的影响,使用多元散射校正、归一化等预处理方法,结合竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、连续投影算法（successive projections algorithm,SPA）和非信息变量剔除（uninformative variables elimination,UVE）3种特征选择算法建立偏最小二乘回归模型,并在一次特征波段选取基础上提取二次特征波长,再建立偏最小二乘回归模型。结果表明,蛋黄含水率、蛋黄氯化钠浓度和咸蛋黄指数的最优波长选择方法均是二次特征波段提取法UVE+SPA,发现二次特征波段选择综合表现最优。经对比分析,蛋黄含水率、蛋黄氯化钠浓度、咸蛋黄指数最优模型结构分别是标准化-UVE+SPA-PLSR、卷积平滑-UVE+SPA-PLSR、均值中心化-UVE+SPA-PLSR,训练集相关系数...     

盐池滩羊肉脂肪含量的高光谱预测模型构建

本文利用可见-近红外高光谱成像技术预测冷鲜滩羊肉脂肪含量,优选最佳预测模型。测定90个滩羊背最长肌的脂肪含量并采集其光谱图像,对原始光谱进行不同种预处理后,构建了全波段下的偏最小二乘回归(PLSR)和主成分回归(PCR)的光谱预测模型。为减少模型运算次数,在预处理效果最优的全波段模型上采用连续投影算法(SPA)、应用竞争性自适应重加权(CARS)、变量组合集群分析(VCPA)和波长空间迭代收缩(IVISSA)方法提取特征波长,构建脂肪含量的光谱预测模型。结果表明:采用归一化(Normlize)预处理后光谱构建的PLSR全波段模型效果最好,校正集模型相关系数(Rc)达到0.921;采用多元散射校正(MSC)预处理后光谱构建的PCR全波段模型效果最好,其校正集模型相关系数(Rc)达到0.850;在4种提取特征波长过程中,IVISSA算法所提取特征波长的交互验证均方根误差(RMSECV)最低,为0.0072;Normlize-IVISSA-PLSR模型较其他3种算法所构建的PLSR模型效果最优,其校正集相关系数(Rc)和预测集相关系数(Rp)值分别为0.931和0.754,表明利用高光谱技术对盐池滩羊肉脂肪含量进行预测是可行的。研究成果为冷鲜滩羊肉品质在线光谱快速无损检测系统开发提供理论依据。     

基于VIS/NIR高光谱技术的灵武长枣SSC含量的无损检测研究

利用高光谱技术对灵武长枣可溶性固形物含量(SSC)检测进行研究,为灵武长枣内部品质无损检测提供科学方法。以灵武长枣为对象,对光谱数据进行预处理,应用连续投影算法(SPA)和正自适应加权算法(CARS)进行关键波长的选择,通过偏最小二乘回归(PLSR)和主成分回归(PCR)建立预测模型。实验结果表明:采用去趋势(Detrend)预处理算法效果最优,PLSR模型的交叉验证相关系数(Rcv)为0.809,交叉验证均方根误差(RMSECV)为1.331;通过SPA算法和CARS算法能够有效地对光谱数据进行降维处理,对SPA优选的8个和CARS优选的21个特征变量分别用PLSR和PCR建立预测模型,CARS-PLSR建模效果最优,其相关系数(Rp)为0.864,预测均方根误差(RMSEP)为1.174;研究结果表明基于高光谱成像技术采集的灵武长枣漫反射光谱进行SSC无损检测具有可行性。     

基于高光谱成像技术和连续投影算法检测葡萄果皮花色苷含量

应用高光谱成像技术结合连续投影算法（SPA）实现葡萄果皮中花色苷含量的快速无损检测。采集60 组样本高光谱图像,获取样本光谱曲线,并采用多元散射校正预处理方法提高信噪比。然后采用SPA选择光谱变量,将其作为多元线性回归（MLR）、偏最小二乘（PLS）模型和BP神经网络（BPNN）的输入变量,分别建立SPAMLR、SPA-PLS和SPA-BPNN模型并与全光谱变量PLS模型相比较。结果表明,SPA-MLR、SPA-BPNN和SPA-PLS模型的预测精度均优于全光谱变量PLS模型,其中SPA-PLS模型获得了最佳预测结果,其预测相关系数Rp和预测均方根误差（RMSEP）分别为0.900 0和0.550 6。结果表明,利用近红外高光谱成像技术能够有效检测酿酒葡萄果皮中花色苷含量。     

近红外光谱结合连续投影算法检测综纤维素含量

为了简化模型并实现制浆材综纤维素含量近红外光谱法的快速准确检测,以连续投影算法（SPA）筛选出有效波长组合进行了建模实验研究和分析。选择5种制浆材原料共82个样品,测量其综纤维素含量及光谱数据,经蒙特卡罗交叉验证法剔除异常样品后,剩余样品按2∶1划分为校正集和预测集。校正集先以多元散射校正（MSC）方法预处理,再利用SPA选择波长结合偏最小二乘（PLS）回归建立了综纤维素含量的近红外分析模型,并与相关系数法、竞争性重加权自适应选择（CARS）算法所选波长的建模及预测效果进行了比较。结果表明,SPA算法选择出25个波长能充分表征全谱图中的综纤维素含量信息,预测精度最高,预测均方根误差（RMSEP）和预测决定系数（R2p）分别为0.8306和0.9801,满足工业应用精度需求。     

基于高光谱图像特征融合的榛子水分含量测定

采用高光谱图像技术对榛子水分含量进行快速无损检测。采集200个榛子在400~1 000 nm波段的高光谱图像,提取榛子图像区域的平均光谱信息。利用K-S算法划分样品验证集和预测集,使用四种预处理方法对光谱进行预处理。通过竞争自适应加权算法（Competitive Adaptive Reweighted Sampling,CARS）和逐次投影法（Successive Projection Algorithm,SPA）进行光谱特征的提取;灰度共生矩阵法（Gray Level Co-occurrence Matrix,GLCM）提取图像的纹理特征;分别建立基于光谱特征,图像纹理特征以及两者串联融合的偏最小二乘回归（Partial Least Squares Regression,PLSR）和支持向量回归（Support Vector Regression,SVR）模型对榛子水分进行预测。结果表明,CARS和SPA算法能够有效选择特征波长并提升预测性能;图像特征能够对榛子水分进行预测,基于主成分图像提取的图像特征信息建立的模型预测效果更好。光谱图像特征融合能明显提高对榛子水分含量预测的准确率,CARS提取的特征波段结合主成分图像的纹理特征显示出了更好的效果,SVR模型的RMSECV为0.03,RC 为0.97,RMSEP为0.04,RP为0.96。利用高光谱图像和纹理特征能够对榛子水分进行有效预测,为榛子水分含量检测提供了新的方法。     

基于高光谱成像技术无损检测芒果轻微损伤

目的 使用高光谱成像技术实现对芒果轻微损伤的无损识别。方法 在可见光-近红外波长范围内采集完好芒果和损伤芒果的高光谱图像, 并提取相应的感兴趣区域(regions of interest, ROI)获得样本高光谱数据。经过多种预处理方法比较, 选择光谱预处理方法。使用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)分别对预处理后的光谱提取特征波长, 并分别建立了多元线型回归(multiple linear regression, MLR)模型和偏最小二乘回归(partial least squares regression, PLSR)模型。结果 选择多元散射校正(multiplicative scatter correction, MSC)作为光谱预处理方法。针对芒果轻微损伤识别, CARS-MLR模型识别效果最好, 其校正集相关系数为0.881, 预测集相关系数为0.821, 校正集均方根误差(calibration set root mean square error, RMSEC)为0.146, 预测集均方根误差(prediction set root mean square error, RMSEP)为0.236, 准确率为97.14%。结论 利用高光谱成像技术可以实现对芒果表面轻微损伤进行有效鉴别。     

基于近红外高光谱成像技术的宁夏羊肉产地鉴别

使用900~1700 nm高光谱成像系统采集宁夏银川、固原、盐池三个不同产地的绵羊后腿样本的近红外高光谱数据,对光谱采用面积归一化方法预处理,利用SPA、CARS、UVE算法对预处理后的光谱数据提取特征波长分别为17、40、121个;结合PLS-DA及KNN建立特征波段下的判别模型。结果表明KNN判别模型效果较差,3种特征波长中利用CARS提取的特征波长建模效果最佳,代替全光谱建立PLS-DA判别模型是可行的;综合对比模型效果,CARS-PLS-DA为最优模型,校正集正确率90.48%,预测集正确率84.21%。证明利用近红外高光谱成像技术对羊肉产地鉴别是可行的。     

基于特征波长提取的哈密大枣可溶性固形物的高光谱预测

本文利用高光谱图像技术对干制后的哈密大枣可溶性固形物含量(SSC)进行预测研究。使用多种预处理方法对原始光谱进行处理,并对原始光谱和预处理后的光谱分别建立PLS模型,对比分析得出均值中心化(MC)处理效果最佳。对MC处理后的光谱经联合区间偏最小二乘算法(si-PLS)筛选后,再结合遗传算法(GA)和竞争性自适应重加权算法(CARS)提取哈密大枣SSC的特征波长,将提取的波长变量建立哈密大枣SSC的PLS预测模型。结果显示:利用MC-CARS-GA-si-PLS方法提取的16个关键波长变量(仅占全光谱变量的2%)所建立的PLS模型性能优于全光谱PLS模型。该模型的预测集相关系数(Rp)、预测均方根误差(RMSEP)和预测(RPD)分别为0.93、0.48和2.721。该方法提取的波长变量所建立的预测模型,不仅使模型简化,而且增强了模型的预测能力,为高光谱图像技术对水果及其干制品的定量分析研究提供了参考。     

基于高光谱技术及SPXY和SPA的玉米毒素检测模型建立

应用高光谱技术研究和构建霉变玉米黄曲霉毒素B1（aflatoxin B1,AFB1）和玉米赤霉烯酮（zearalenone,ZEN）含量的检测方法,通过建立霉变玉米中这2?种毒素含量的预测模型,实现对玉米霉变程度的快速、无损、准确判别。首先,通过对比5?种预处理方法,确定标准正态变量校正法对原始光谱数据进行预处理;然后,采用光谱-理化值共生距离算法结合偏最小二乘回归（partial least squares regression,PLSR）法分析不同校正集样本预测AFB1和ZEN含量的差异,并分别优选出130?个和140?个校正集样本;在采用均匀光谱间隔法对原始光谱变量进行初降维的基础上,对比连续投影算法（successive projections algorithm,SPA）和竞争性自适应重加权算法2?种变量提取法。结果表明：经SPA分别筛选出17?个特征波段且基于较少校正集样本和特征波长光谱信息建立的PLSR模型能够获得较优的预测结果,对应AFB1和ZEN含量预测集的相关系数和均方根误差（root mean square error of prediction,RMSEP）（R2pre,RMSEP）由最初的（0.994?4,0.984?6）和（0.991?6,2.320?9）分别变为（0.997?3,0.681?5）和（0.997?7,1.144?1）,在降低模型复杂度的情况下提高了预测精度,表明该模型对这2?种毒素含量能够实现较强的预测能力。因此,利用高光谱技术对玉米AFB1和ZEN含量实施无损检测具有可行性。     

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R_C2)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R_P2)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。     

基于微型近红外光谱仪的油菜籽含油率模型参数优化研究

为实现油菜籽含油率快速无损检测,采用微型近红外光谱仪,结合竞争性自适应重加权(CARS)、遗传算法(GA)、连续投影算法(SPA)、无信息变量消除法(UVE)、向后区间偏最小二乘法(BIPLS)、联合区间偏最小二乘法(SIPLS)等方法优选油菜籽含油率近红外光谱特征波长,建立偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)定量分析模型,同时对LS-SVM模型参数进行优化。研究表明,对PLSR模型,BIPLS+GA优选的26个特征波长建模效果最好,其预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.9330和0.0075,对LS-SVM模型,SIPLS+GA优选的13个特征波长建模效果最好,预测相关系数(Rp)和预测均方根误差(RMSEP)分别0.9192和0.0055。证明了波长优选和参数优化可有效简化油菜籽含油率近红外光谱定量分析模型,提高模型预测精度和稳定性,为进一步拓展微型近红外光谱仪的应用提供技术参考。