基于VIS/NIR高光谱成像技术检测鸡肉嫩度

利用400~1000 nm可见近红外高光谱成像系统对鸡肉嫩度进行快速无损检测研究。采集鸡肉表面的高光谱散射图像,提取样本感兴趣区域反射光谱曲线并用剪切力值表征鸡肉的标准嫩度。以原始光谱和多元散射校正(MSC)预处理光谱数据建立鸡肉嫩度的偏最小二乘回归(PLSR)模型,预处理光谱建立的模型效果更优。基于MSC预处理,采用偏PLS权重系数法结合逐步回归法筛选出了4个特征波长。然后采用PLSR和多元线性回归(MLR)模型分别建立特征波长处光谱反射值和鸡肉嫩度关系的数学模型,优选最佳模型。结果显示:MLR模型预测效果较好,预测相关系数(RP)和均方根误差(RMSEP)分别为0.94和1.97。研究表明:利用可见近红外高光谱成像技术结合多元回归分析法对鸡肉嫩度的快速无损检测是可行的。     

基于NIR高光谱成像技术的滩羊肉内部品质无损检测

利用近红外高光谱成像技术对滩羊肉蛋白质和脂肪含量、pH值进行无损检测研究。通过高光谱系统(900~1700 nm)采集69个羊肉样本信息,先对全波段下的原始光谱和预处理后光谱建立偏最小二乘回归(PLSR)模型,对比优选出最佳预处理算法,后采用PLSR的加权β系数法提取特征波长,建立特征波长下各品质参数的PLSR模型,分析预测效果。结果表明:羊肉蛋白质、脂肪含量、pH值最佳预处理方法为基线校准(Baseline)、多元散射校正与S-G卷积平滑结合算法(MSC+SG)和原始光谱;利用特征波长建立预测模型,决定系数(RP2)分别为0.83、0.86和0.72,预测均方根误差(RMSEP)为0.57、0.09和0.12,可替代全波段建模。利用近红外高光谱成像技术对羊肉内部品质进行快速无损检测是可行的。     

冷鲜羊肉品质的高光谱成像无损检测

利用400~1000 nm可见近红外高光谱成像系统对冷鲜羊肉蛋白质含量、嫩度、p H进行无损检测研究。采集冷鲜羊肉表面的高光谱散射图像,提取样本感兴趣区域的反射光谱曲线获得原始数据。先对原始光谱预处理并建立偏最小二乘回归(PLSR)模型,优选最佳预处理方法,后采用正自适应加权算法(CARS)和连续投影算法(SPA)提取特征波长,建立不同特征波长下各品质参数的PLSR预测模型。结果表明:利用原始光谱建立的冷鲜羊肉蛋白质、嫩度和p H的PLSR模型均优于经过光谱预处理所建PLSR模型;在不同波长下建立预测模型,OS-PLSR光谱模型对冷鲜羊肉蛋白质含量预测效果最佳,Rp=0.869,RMSEP=0.097;建立的SPA-PLSR光谱预测模型对p H预测效果理想,Rp=0.958,RMSEP=0.067;CARS-PLSR光谱预测模型对嫩度的预测能力较高,Rp=0.862,RMSEP=0.706。研究表明:利用可见近红外高光谱技术对冷鲜羊肉品质进行快速无损检测是可行的。     

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。     

NIR高光谱成像技术联用SPA算法 快速检测五花肉的过氧化值

利用近红外(NIR)高光谱成像技术结合连续投影算法(SPA)快速、无损检测五花肉的过氧化值。通过高光谱成像系统采集样品的光谱图像,提取其反射光谱信息,经过基线校正(BC)、高斯滤波平滑(GFS)、中值滤波平滑(MFS)、卷积平滑(SGS)、移动平均值平滑(MAS)、标准正态变量变换(SNV)、多元散射校正(MSC)七种预处理后,利用偏最小二乘(PLS)建立预测模型。使用SPA筛选最优波长,重新预算,构建优化的PLS模型和多元线性回归(MLR)模型。结果显示,经过BC预处理(R_P=0.960,RMSEP=5.15×10-4g/100 g)和原始数据RAW(R_P=0.960,RMSEP=4.89×10-4g/100 g)的全波段PLS模型(F-PLS)预测过氧化值效果较好。优化结果显示,RAW的MLR模型(R_P=0.968,RMSEP=4.12×10-4 g/100 g)预测效果更好。研究表明,NIR高光谱成像技术联用SPA算法可潜在实现对五花肉过氧化值的快速无损检测。     

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。     

基于高光谱成像快速检测牛肉糜中大豆分离蛋白掺入量

采用近红外高光谱成像技术(900~1700 nm)结合化学计量学算法快速定量预测牛肉糜中大豆分离蛋白掺入量。首先按照2%~30%(w/w),掺入间隔1%的浓度梯度,制备不同大豆分离蛋白掺入浓度的牛肉糜样品,然后采集样品的高光谱图像并提取光谱数据,最后运用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立预测模型。为了减少模型的高维共线性问题,采用回归系数法(Regression coefficients,RC)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长,优化全波段预测模型。结果显示基于RC法筛选的22个最优波长构建的RC-PLSR模型和RC-MLR模型预测效果优于基于SPA法筛选的21个最优波长构建的SPA-PLSR模型和SPA-MLR模型。其中,RC-PLSR模型预测效果最接近全波段PLSR模型,r_P为0.95,RMSEP为2.73%,RPD为3.32。试验结果表明近红外高光谱成像技术结合化学计量学方法可快速预测牛肉糜中大豆分离蛋白的掺入量。     

基于可见-近红外光谱预测灵武长枣脆度及模型优化

利用可见-近红外光谱对在4℃下冷藏24 h的灵武长枣脆度进行检测,并建立了最优模型。通过400~1 000 nm高光谱成像系统采集了112个长枣图像,对原始光谱与经SNV,MSC、S-G、1ST、2ND、SNV+1ST、MSC+1ST、SNV+2ND、MSC+2ND、SNV+S-G、MSC+S-G预处理后光谱的偏最小二乘回归(PLSR)模型进行了对比分析;采用主成分分析法(PCA)、连续投影算法(SPA)、竞争性自适应重加权法(CARS)提取特征波长,分别建立偏最小二乘回归(PLSR)和主成分回归(PCR)模型;将经预处理后的简化PLSR模型与全波段PLSR模型进行了对比分析。结果表明,采用标准归一化法(SNV)预处理后的PLSR模型优于原光谱及其他预处理方法;提取特征波长后建立的CARS-PLSR模型优于CARS-PCR模型和全波段PLSR模型,其相关系数(RP)和预测均方根误差(RMSEP)分别为0.919、1.121。这表明,基于可见-近红外光谱检测冷藏灵武长枣脆度是可行的,SNVCARS-PLSR模型最佳。     

库尔勒香梨感官及理化指标的定量无损检测

目的 利用高光谱成像技术建立库尔勒香梨分级指标的快速检测方法。方法 选择采摘期香梨作为研究样本, 以颜色（a*）、硬度（带皮硬度, Hardness）和可溶性固形物（soluble solids content, SSC）为研究指标, 使用高光谱成像系统采集样本900~1700 nm范围波长的漫反射光谱。提取样本感兴趣区域（region of interest, ROI）的光谱进行预处理, 采用多元散射校正（muliplication scattering correction, MSC）、标准正态变量变换（standard normal variable transformation, SNV）及其分别与卷积平滑滤波法（savitzky-golay, S-G）相结合的组合处理方法。基于不同的预处理结果建立偏最小二乘回归（partial least squares regression, PLSR）预测模型, 以验证集相关系数(Rv)和均方根误差(RMSEv)对模型进行评价。为进一步优化模型, 采用竞争性自适应重加权算法（competitive adaptive reweighted sampling, CARS）筛选特征波长, 并建立PLSR模型和最小二乘支持向量机（least square-support vector machine, LS-SVM）模型对比建模效果。结果 采用MSC-SG-PLS建立的模型判别准确率最高, 颜色预测模型的Rv和RMSEv值分别达到0.844和0.402; 硬度预测模型的Rv和RMSEv值分别达到0.823和0.417 kg/mm2; 可溶性固形物预测模型的Rv和RMSEv值分别达到0.902和0.301 %。采用CARS算法建立的LS-SVM模型效果最佳, 香梨颜色、硬度和SSC的模型预测值与标准理化值的相关系数分别为0.873、0.908和0.916, 均方根误差分别为0.375、0.385 kg/mm2和0.346 %。结论 研究表明, 利用高光谱成像技术可以实现库尔勒香梨多品质参数的无损检测。     

基于近红外光谱技术检测苹果气调贮藏期可溶性固形物含量

目的 基于近红外光谱技术结合偏最小二乘（Partial least square, PLS）法和最小二乘支持向量机回归（Least square-support vector regression, LS-SVR）法建立苹果气调贮藏期可溶性固形物（Soluble solids contents, SSC）含量预测模型。方法 在分析了气调贮藏期苹果细胞结构和SSC变化的基础上,采集了可见-近红外（Visible-near infrared, Vis-NIR）波段和长波近红外（Long wave near infrared, LWIR）波段下不同贮藏时间的苹果漫反射光谱信息,利用主成分分析方法（Principal component analysis,PCA）分析不同贮藏期苹果光谱信息分布特征,使用Kennard-Stone（K-S）算法以3:1比例对样本集进行划分,使用多元散射校正（Multiplicative scatter correction, MSC）和SG（Savitzky-Golay）平滑对光谱进行预处理,利用连续投影算法（Successive projections algorithm, SPA）和竞争自适应重加权采样（Competitive adaptive reweighted sampling, CARS）法对光谱进行特征波长提取,并建立SSC预测模型。结果 在LWIR波段下,经MSC预处理和CARS提取特征波长后建立的PLS模型取得了较好的预测精度,模型相关系数为0.900,均方根误差为0.478;经MSC、SG平滑预处理和CARS提取特征波长后建立的LS-SVR模型取得了更好的预测精度,模型相关系数为0.927,均方根误差为0.507。结论 构建的基于可见/近红外光谱无损预测模型可实现对气调贮藏期苹果SSC的准确预测,为高效贮藏技术提供了理论基础。     

基于高光谱成像技术的薯麦混合粉淀粉含量检测

为快速无损检测薯麦混合粉中的淀粉含量，在近红外（900～2 500 nm）的光谱范围采集样品的高光谱图像，通过对比原始光谱和七种不同预处理后的光谱数据建立偏最小二乘回归（Partial least square regression，PLSR），支持向量机回归（Support vector machine regression，SVMR）模型效果，确定多元散射校正法（Multiplicative scattering correction，MSC）为最佳预处理方法。采用竞争性自适应加权法（Competitive adaptive reweighted sampling，CARS）和连续投影算法（Successive projections algorithm，SPA）提取特征波长，建立PLSR和多元线性回归（Multiple linear regression，MLR）模型，结果表明SPA显著的降低了模型的复杂度，SPA-MLR模型检测集的决定系数（R2P）为0.9181，检测集的均方根误差为0.4214%。通过高光谱图像可视化，实现薯麦混合粉淀粉含量检测，为快速无损检测薯麦混合粉中的淀粉含量建立了一种新方法。     

NIR高光谱成像技术检测冷鲜羊肉嫩度

利用900~1700 nm近红外高光谱成像系统对冷鲜羊肉嫩度进行快速无损检测研究。采集冷鲜羊肉(1~8 d)表面的高光谱散射图像,提取样本感兴趣区域反射光谱曲线并用剪切力值表征冷鲜羊肉的标准嫩度。以原始光谱、特征区域光谱和Savitzky-Golay卷积平滑预处理光谱建立冷鲜羊肉嫩度的偏最小二乘回归(PLSR)模型,预处理的特征区域光谱建立的模型效果更优。结果表明:特征区域光谱可有效替代全波段光谱,经过S-G卷积平滑预处理后,模型预测效果最佳,预测相关系数(Rp)和均方根误差(RMSEP)分别为0.773和1.060。研究表明:利用近红外高光谱成像技术结合偏最小二乘回归法对冷鲜羊肉嫩度的快速无损检测是可行的。     

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的 比较反向传播神经网络(backpropagation algorithm neural network, BPNN)模型与偏最小二乘回归(partial least squares regression, PLSR)模型在预测芒果可溶性固形物含量(soluble solids content, SSC)方面的性能评估。方法 使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据建立两种预测模型, 通过采用多元散射校正(multiplicative scatter correction, MSC)进行光谱预处理, 利用遗传算法(genetic algorithm, GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms, IVISSA)和变量组合群体分析算法(variable combination population analysis, VCPA)提取特征波长变量, 通过比较不同特征波长提取方法进一步优化对比预测模型。结果 与PLSR模型相比, BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳, 预测集判定系数 、均方根误差(root mean square error of prediction, RMSEP)、残差预测偏差(residual prediction deviation, RPD)分别为0.8641、0.3924和2.7127。结论 该模型可快速、准确地检测芒果的SSC, 并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC, 为开发在线芒果SSC无损检测系统奠定基础。     

基于可见-近红外光谱法无损检测赣南脐橙中总酸含量

目的 基于可见-近红外光谱法建立一种无损测定赣南脐橙总酸含量的技术。方法 利用设计的可见-近红外光谱检测系统检测168个赣南脐橙总酸含量。以给定赣南脐橙的126个样品作为校正集, 42个未知样品作为预测集。本研究以去除首尾处噪声后的400~880 nm范围的光谱波段, 共481个波长点进行研究分析。结合SG (Savitzky-Golay)平滑法、多元散射校正法、变量标准化法、基线校正法4种预处理方法处理原始光谱数据, 通过PLSR数学模型确定最佳预处理模型; 再利用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)、随机蛙跳算法(random frog, RF)、遗传算法(genetic algorithm, GA)、连续投影算法(successive projections algorithm, SPA)和主成分分析法(principal component analysis, PCA) 5种算法对预处理后的数据提取特征变量, 降低维度, 随后分别建立基于特征变量的总酸偏最小二乘回归(partial least squares regression, PLSR)、主成分回归(principal component regression, PCR)、最小二乘支持向量机(least square support vector machine, LS-SVM)及多元线性回归(multiple linear regression, MLR)预测模型。结果 通过PLSR数学模型确定SG平滑预处理模型效果为最佳, 基于SG+GA+LS-SVM模型对总酸含量预测效果最佳, 预测集均方根误差(root mean square error of prediction, RMSEP)值为0.016, 预测集决定系数(prediction set coefficient of determination, )值为0.9834, 相对分析误差(residual predictive deviation, RPD)值为7.76。结论 基于可见-近红外光谱法实现赣南脐橙中总酸含量的无损检测是可行的, 结合SG+GA+LS-SVM预测模型可以实现赣南脐橙总酸含量的定量检测, 可用于评价赣南脐橙总酸含量。     

近红外高光谱快速无接触评估冷鲜猪肉脂质氧化

基于近红外高光谱成像技术对不同贮藏期的猪肉脂肪氧化程度进行快速无接触评估研究。采集冷鲜猪肉样品的900~1 700nm反射光谱信息,经高斯滤波平滑(GFS)、移动平均值平滑(MAS)、卷积平滑(SGCS)、中值滤波平滑(MFS)、多元散射校正(MSC)、标准正态变量变换(SNV)和基线校正(BC)7种预处理后,利用偏最小二乘回归(PLSR)算法挖掘光谱信息与2-硫代巴比妥酸(TBA)参考值之间的定量关系。结果显示,经GFS预处理的全波段光谱(486个波长)构建的GFS-PLSR模型预测TBA效果较好(RP=0.919,RMSEP=0.036 mg/100g)。采用回归系数法(RC),逐步回归法(Stepwise)和连续投影算法(SPA)筛选最优波长优化GFS-PLSR模型。结果显示,使用RC法从GFS光谱中筛选的29个最优波长构建的RC-GFS-PLSR模型预测TBA效果较好(RP=0.924,RMSEP=0.034mg/100g),且和GFS-PLSR模型预测精度相近。试验表明,利用近红外高光谱成像技术结合RC法预测猪肉中TBA值可实现猪肉脂肪氧化程度的间接快速评估。     

基于高光谱成像技术预测牡蛎干制加工过程中的水分含量

提出一种应用高光谱成像技术结合化学计量学检测牡蛎干制加工过程中水分含量的方法。采用高光谱成像系统,在400～1 100 nm范围内,采集到5个干燥时期的100个牡蛎干样本高光谱图像。提取所有样本感兴趣区域的平均光谱数据,对原始光谱数据进行多元散射校正(MSC)、卷积平滑(S-G)预处理,采用相关系数法提取8个特征波长。基于所提取的特征波长,建立光谱数据与水分含量的多元线形回归(MLR)和BP神经网络模型。结果表明:两种模型均有较好的预测效果。MLR模型的校正集、预测集和交叉验证集的相关系数较BP神经网络低;校正集、预测集和交叉验证集均方根误差分析结果表明,BP神经网络效果较MLR好。高光谱成像技术结合化学计量学方法可检测牡蛎干制过程中水分含量的变化。     

基于可见/近红外高光谱成像技术的鸡蛋新鲜度无损检测

以400~1 000nm高光谱系统获得鸡蛋样本的高光谱图像,利用蒙特卡洛法检测异常样本,采用不同预处理方法处理原始光谱;应用竞争性正自适应加权算法(Competitive Adaptive Reweighted Sampling,CARS)、遗传偏最小二乘法(Genetic Algorithms PLS,GAPLS)和间隔蛙跳法(Interval Random Frog,IRF)对预处理后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(Partial Least Squares Regression,PLSR)和最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)鸡蛋新鲜度预测模型。结果表明:标准正态变量变换(Standardized Normal Variate,SNV)法为最优预处理方法;利用CARS、GAPLS和IRF分别选出8,35,74个特征波长;基于GAPLS提取的特征波长的LS-SVM模型最优,其校正相关系数(Rc)为0.899,预测相关系数(Rp)为0.832。表明基于高光谱成像技术的鸡蛋新鲜度无损检测是可行的。     

基于高光谱成像技术的金银花霉变检测模型

利用高光谱成像技术,研究一种快速、准确、无损检测金银花霉变程度的方法。通过比较Savitzky-Golay(SG)卷积平滑、多元散射校正(MSC)和SG-MSC 3种预处理方法对偏最小二乘算法(PLS)建模效果的影响,得到SG-MSC为建模最优预处理方法。使用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)选择经预处理后光谱的特征波长,并分别建立偏最小二乘判别(PLS-DA)和最小二乘支持向量机(LS-SVM)的判别分析模型。结果表明,光谱经SG-MSC预处理后,应用CARS提取特征波长并建立LS-SVM判别分析模型为金银花不同霉变程度最优判别模型,其训练集与验证集的正确率均达到100%。利用高光谱成像技术能够快速无损、有效地鉴别金银花霉变程度,并且在特征波长下能实现金银花霉变程度的快速判别分析。     

基于近红外漫反射光谱的面包老化过程中非冻结水含量无损检测

目的 建立一种基于近红外光谱技术快速无损测定面包老化过程中的非冻结水含量的方法。方法 应用近红外漫反射光谱技术采集新鲜面包在放置2h、2d、3d、4d、5d、6d、7d时的光谱，对比导数、S-G平滑(Savitzky Golay smooth)、标准正态变量变换(Standard normal variable transformation，SNV)及多元散射校正(Multiplicative scatter correction，MSC)预处理方法，利用偏最小二乘回归法(Partial least square regression，PLSR)和多元线性回归法（Multiple Linear Regression，MLR）建立面包老化过程中的非冻结水含量的预测模型，并对比两种模型预测结果。结果 利用PLSR建模相较MLR建模结果较好，建立的模型预测结果较好，模型的校正集相关系数（Rc）和均方根误差（RMSEC）分别为0.9386和0.0236 , 验证集相关系数（Rv）和均方根误差（RMSEP）分别为0.9271和0.0245。结论 通过近红外光谱技术结合偏最小二乘法建立面包老化过程中的非冻结水含量模型可作为面包老化过程中的非冻结水含量无损快速测定的可行性方法，其含量变化可以有效预测面包老化，为面包老化的无损检测提供了新的可行方案。     

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。