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。     

在线近红外光谱在保健酒酒精度检测上的应用

采用短波近红外光谱仪器在线检测保健酒调配液生产线上产品的酒精度。通过使用一阶倒数(First derivative,FD)和平滑处理(Norris derivative filter,ND),对近红外图谱进行预处理,使用偏最小二乘法(Partial least square,PLS)建立了酒精度检测近红外模型。模型的校正集均方根误差(Root mean square error of calibration,RMSEC)为0.737,交互验证相关系数为0.9189;预测集均方根误差(Root mean square error of prediction,RMSEP)为0.788,交互验证相关系数为0.9425。实验数据显示,近红外计算酒精度数值与标准法测量数值相对偏差主要集中在±2%之间,该方法可以满足生产过程中在线检测酒精度的要求。     

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。     

同步荧光光谱法测定橙汁中原果汁的含量

利用同步荧光光谱法对橙汁中原果汁含量进行定量分析。对样本的同步荧光光谱数据进行预处理然后选择不同的光谱波段结合偏最小二乘(partial least squares,PLS)法建立原果汁含量预测模型,并对预测集样本进行预测来验证模型的准确性以及此法的可行性。结果显示:平滑处理结合一阶导数处理后的光谱数据更加适用于模型建立;使用全波段光谱建立的模型性能优于区间波段所建立模型。最终得到的最优模型对预测集进行预测时所得预测均方根误差(Root mean square error of prediction,RMSEP)为0.035832,决定系数(coefficient of determination,R2)为0.972570。由此可以说明同步荧光光谱法结合PLS可实现原果汁含量的定量分析。     

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。     

近红外分析技术快速检测白酒基酒中的总酯含量

采用近红外光谱分析技术,对基酒总酯进行无损检测研究。利用近红外光谱仪采集基酒样品在4000～10000 cm~(-1)波段内的光谱数据,首先对光谱数据进行一阶导数预处理,然后采用Si-PLS组合间隔偏最小二乘法优选特征波长,最后运用PLS偏最小二乘法建立基酒总酯模型。该模型校正集的决定系数R_C~2为0.95,校正集的均方根误差RMSEC为0.17;预测集的决定系数R_P~2为0.93、预测集的均方根误差RMSEP为0.19。与全波段光谱模型相比,该模型预测能力更强,稳定性更优。     

浦城薏米粉水分和还原糖的近红外光谱快速检测模型优化

目的 建立浦城薏米粉水分和还原糖的近红外光谱快速检测模型。方法 采集浦城薏米粉样品的近红外光谱图, 使用6种不同方法对样品的原始光谱分别进行预处理, 在全波段10000~4000 cm?1范围内建立薏米粉偏最小二乘法(partial least squares, PLS)的定量分析模型。结果 浦城薏米粉原始光谱在标准正态变换(standard normal variate, SNV)预处理后确定水分含量最佳模型的光谱波段(5944~5590 cm?1), 主因子数为7, 校正决定系数(determination coefficient of calibration, Rc2)为0.9904, 均方根误差(root mean square error, RMSEC)为0.0631; 在二阶导数法(second derivative, SD)预处理后确定还原糖含量最佳模型的光谱波段(9845~7386 cm?1), 主因子数为6, Rc2为0.9998, RMSEC为0.0187。在上述条件下, 水分和还原糖含量的验证集相关系数(determination coefficient of prediction, Rp2)分别为0.9902和0.9989, 验证均方根(root mean square of prediction error, RMSEP)分别为0.0693和0.0698。结论 经验证, 该模型可以实现浦城薏米粉中水分和还原糖含量的快速无损检测。     

基于高光谱成像技术快速检测茶叶茶多酚含量

目的 为了快速、无损的检测茶叶中茶多酚含量,建立一种精确、高效的多元校正模型。方法 首先利用高光谱成像技术采集单纵茶叶的光谱数据,其次通过二维相关光谱(two-dimensional correlation spectroscopy techniques,2D-COS)波段筛选算法提取特征光谱,最后结合极限学习机(extreme learning machine,ELM)建立茶多酚的预测模型,并与全波段模型进行对比。结果 经二维相关光谱算法所提取后的特征波段所建立的模型预测效果优于全波段模型。茶多酚的决定系数(correlation coefficient of cross-validation,R2)从0.89上升到0.94,预测值均方根误差(root mean square error of prediction,RMSEP)也从2.37%下降到2.16%。结论 表明二维相关光谱波段筛选算法有效的提取茶多酚的特征波段,对茶叶茶多酚含量的快速、无损预测具有可行性。     

高光谱成像及近红外技术在鸡肉品质无损检测中的应用

高光谱成像与近红外光谱(near infrared spectroscopy,NIR)技术是现代食品检测领域的重要手段,本研究对2种技术在鸡肉品质无损检测中的预测精度进行研究。选用62份新鲜程度不同的鸡胸肉,提取其高光谱感兴趣区域(region of interest,ROI)的光谱曲线,并测定样品的挥发性盐基氮(total volatile base nitrogen,TVB-N)含量和菌落总数(total viable count,TVC),利用OPUS 6.0光谱处理软件搜寻最佳的光谱预处理和波段组合,分别建立2个指标的偏最小二乘法(partial least square,PLS)定量分析模型。NIR样本选用30份新鲜程度不同的鸡胸肉,测定其TVB-N含量和TVC,建立PLS的交叉验证模型。结果表明:利用高光谱的ROI平均光谱建立的TVB-N含量与TVC模型的相关系数(R~2)分别为0.965和0.919,均方根误差(root mean square error of cross validation,RMSECV)分别为0.121和0.215;利用NIR建立的TVB-N含量与TVC预测模型的R2分别为0.801和0.780,RMSECV分别为0.232和0.312。由此可见,基于高光谱的ROI区域光谱建立的预测模型在鸡肉品质无损检测中具有比NIR更高的预测精度。     

基于可见近红外的柿饼涩味定量定性分析

柿饼涩味评价是柿饼生产流通环节的重要控制工作。目前没有建立柿饼的快速无损检测方法。文章以恭城月柿为原料,建立涩味可见近红外快速无损检测模型。结果表明:柿饼水分含量在32.1%～36.17%可见近红外定量分析中,发现在460～1050 nm与1300～1680 nm波段范围内,采用改进偏最小二乘回归算法、二阶导数结合标准正常化处理(Standard normal variate,SNV)的建模效果最好。其定标交互验证相关系数(Correlation coef?cient of cross validation,1-VR)和预测相关系数(Correlation coefficient of prediction,R_p~2)分别为0.878和0.865,定标交互验证均方根误差(Root mean standard Error of cross validation,RMSECV)和预测均方根误差(Root mean square error of prediction,RMSEP)分别为0.105、0.125 g/100 g.d;定性模型中,柿饼水分含量在33.2%～36.11%范围内采用450～1050 nm与1300～1650 nm波段结合去散射处理(Detrend only,D)、一阶导数预处理方法最好。判别模型正确率93.1%,预测正确率为72.22%～88.89%。因此,近红外光谱技术可用于柿饼涩味快速无损的定量定性分析。     

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。     

基于高光谱信息的生鲜鸡肉离心损失率快速预测模型构建

本文旨在挖掘900~1700 nm波长范围内的高光谱信息构建生鲜鸡肉离心损失率的快速预测模型。通过采集生鲜鸡肉样品的高光谱图像,并提取图像感兴趣区域的光谱信息,经基线校正(Baseline Correction,BC)、高斯滤波平滑(Gaussian Filter Smoothing,GFS)、多元散射校正(Multiplicative Scatter Correction,MSC)、移动平均值平滑(Moving Average Smoothing,MAS)、中值滤波平滑(Median Filtering Smoothing,MFS)5种光谱预处理后,建立全波段偏最小二乘(Partial Least Squares,PLS)回归模型,并利用回归系数法(Regression Coefficient,RC)、连续投影算法(Successive Projections Algorithm,SPA)和逐步回归法(Stepwise)筛选特征波长,优化全波段模型。结果显示,基于Stepwise法从原始光谱中筛选的16个最优波长(900.6、915.4、1024.0、1089.8、1111.2、1155.6、1165.5、1288.9、1305.4、1433.9、1442.1、1486.7、1493.3、1541.1、1690.1和1693.4 nm)构建的PLS模型预测效果较好,其中,r_C为0.94,RMSEC(Root Mean Square Error of Calibration)为1.43%,r_P为0.94,RMSEP(Root Mean Square Error of Prediction)为1.60%。本文表明,基于高光谱信息构建的PLS模型可快速预测生鲜鸡肉离心损失率。     

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。     

灵武长枣蔗糖含量的高光谱无损检测

利用高效液相色谱法检测蔗糖含量,同时运用高光谱成像技术结合化学计量方法建立蔗糖预测模型;通过竞争性自适应加权（competitive adaptive reweighted sampling,CARS）算法、连续投影算法（successive projection algorithm,SPA）和无信息消除变量（uninformative variable elimination,UVE）降维处理,建立特征波段和全波段的主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）和多元线性回归（multivariable linear regression,MLR）模型。结果表明,采用蒙特卡洛方法剔除异常样本后,相关系数由0.611增大到0.846;正交信号校正法预处理效果最佳,RC和RP分别为0.853和0.794;利用SPA、UVE、CARS、CARS＋SPA和CARS＋UVE五种方法提取了5、21、17、10、18 个特征变量,其中CARS-PCR模型最好,校正集、预测集的相关系数为0.861、0.843,校正集、预测集的均方根误差为0.013 mg/g和0.014 mg/g。综上,高光谱成像技术可以实现长枣蔗糖含量的预测,为更深一步探讨枣的内部品质提供参考。     

高光谱图像感兴趣区域对苹果糖度模型的影响

高光谱图像技术作为一种强有力的新兴技术,已应用于食品农产品品质与安全检测研究,然而高光谱图像中感兴趣区域形状大小的选择直接影响着检测的精度和稳定性。首先采集苹果330~1100 nm的高光谱图像,分别提取不同大小的圆形感兴趣区域和方形感兴趣区域的平均光谱,经光谱预处理以消除噪声及无关信息的影响,然后采用偏最小二乘法分别建立苹果的糖度定量分析模型,并以独立样本的预测集进行验证,分析感兴趣区域形状大小对高光谱图像建模精度的影响。结果表明,提取直径为150像素的圆形感兴趣区域建立的苹果糖度模型精度最高,预测能力最强,校正集相关系数Rc为0.9305,校正均方根误差RMSEC为0.4331,预测集相关系数Rp为0.9232,预测均方根误差RMSEP为0.4568。研究表明,针对研究对象选择合适形状和大小的感兴趣区域,对提高模型精度、发挥高光谱图像的技术优势具有重要意义。     

间隔连续投影算法应用于近红外光谱苹果糖度模型的优化

目的采用一种改进的连续投影算法(successive projection algorithm,SPA)筛选光谱区间变量,优化苹果近红外光谱模型。方法试验以半透射方式无损地获取134个苹果的光谱信息,再以标准方法破坏性检测其内部糖度指标,在光谱信息与糖度指标之间构建定量模型。区间连续投影算法(intervals SPA, iSPA)是根据各光谱区间之间的投影关系,选择那些具有共线性小的区间变量来构建偏最小二乘模型(partial least square,PLS)。尝试以全区间光谱划分的间隔数量从5到60,步长为5,以优化共线性小的间隔组合。结果当划分为20个间隔时,构建的PLS模型相比于其他划分间隔时的模型,具有较小的交互验证均方根误差和较少的入选变量,此时对预测集的预测均方根误差为0.521,优于常规连续投影算法线性回归和全区间PLS模型的预测性能。结论区间连续投影算法可用于光谱区间变量的筛选,结合偏最小二乘法可提高模型的预测性能。     

Mapping of Fat and Moisture Distribution in Atlantic Salmon Using Near-Infrared Hyperspectral Imaging

A nondestructive and rapid method using near-infrared (NIR) hyperspectral imaging was investigated to determine the spatial distribution of fat and moisture in Atlantic salmon fillets. Altogether, 100 samples were studied, cutting out from different parts of five whole fillets. For each sample, the hyperspectral image was collected with a pushbroom NIR (899–1,694 nm) hyperspectral imaging system followed by chemical analysis to measure its reference fat and moisture contents. Mean spectrum were extracted from the region of interest inside each hyperspectral image. The quantitative relationships between spectral data and the reference chemical values were successfully developed based on partial least squares (PLS) regression with correlation coefficient of prediction of 0.93 and 0.94, and root mean square error of prediction of 1.24 and 1.06 for fat and moisture, respectively. Then the PLS models were applied pixel-wise to the hyperspectral images of the prediction samples to produce chemical images for visualizing fat and moisture distribution. The results were promising and demonstrated the potential of this technique to predict constituent distribution in salmon fillets.