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。     

宁夏赤霞珠葡萄水分含量的高光谱无损检测研究

利用可见近红外高光谱成像技术对宁夏赤霞珠葡萄含水量的无损检测进行了初步探讨。通过高光谱成像系统(400~1000 nm)采集了136幅赤霞珠葡萄图像,对原始光谱、平均平滑、高斯滤波、中值滤波、卷积平滑、归一化、多元散射校正、标准正态化、基线校准、去趋势化等预处理的偏最小二乘回归(PLSR)模型进行对比分析;采用主成分分析(PCA)、偏最小二乘回归(PLSR)、连续投影算法(SPA)、竞争性自适应重加权(CARS)方法选择特征波长,建立4种特征波长下的PLSR的葡萄含水量预测模型,优选CARS提取特征波长的方法。在此基础上,对比分析了全波段与特征波长下的MLR、PCR、PLSR的葡萄含水量预测模型。结果表明:采用多元散射校正(MSC)光谱建立的PLSR模型优于原始光谱和其他预处理光谱的PLSR模型;CARS提取特征波长建立的PLSR模型优于多元线性回归(MLR)、主成分回归(PCR)模型,预测集的相关系数(R)和预测均方根误差(RMSEP)分别为0.806、0.144。因此,利用可见近红外高光谱成像技术提取特征波长进行宁夏赤霞珠葡萄含水量的检测是可行的。     

基于近红外光谱的大豆水分和粗脂肪含量的快速检测

基于近红外光谱技术快速检测大豆中水分和粗脂肪含量。方法 首先采集350-2500 nm光谱范围的大豆近红外光谱,采用光谱-理化值共生距离（SPXY）算法将大豆样本划分为校正集样本与测试集样本,然后对原始光谱分别采用多元散射校正(MSC)、标准正态变量交换(SNV)、归一化（Nor）等9种方法进行预处理,最后使用偏最小二乘回归(PLSR)分析方法建立模型对样本进行定量分析。结果 原始光谱经过多元散射校正后建立的偏最小二乘回归模型对水分的预测精度最高,其校正集和测试集的相关系数分别为0.8964和0.9055 , 均方根误差分别为0.4211和0.5933;原始光谱经过归一化处理后建立的偏最小二乘回归模型对粗脂肪的预测精度最高,其校正集和测试集的相关系数分别为0.9084和0.9295 , 均方根误差分别为0.6897和0.6462。结论 近红外光谱（NIRS）结合预处理及偏最小二乘回归法,可以快速、准确的检测大豆水分和粗脂肪含量。     

基于高光谱技术的香肠亚硝酸盐快速检测方法

选取7个不同储藏时期的香肠分别进行亚硝酸盐含量检测和对应的光谱数据采集,并用Savitzky-Golary法进行光谱数据预处理,以减少光谱数据的噪声;在预处理后的光谱数据基础上,用偏最小二乘回归系数法提取出29个特征波长;对比分析了特征波长和全波长下香肠中亚硝酸盐含量预测模型的检测精度。结果表明:全波长下的回归模型预测结果均高于特征波长下,且全波长下偏最小二乘回归模型优于主成分回归模型,表征偏最小二乘回归模型精度的决定系数和均方根误差分别为0.982 9和0.059 2。说明全波长下的光谱信息更适用于香肠储藏过程中亚硝酸盐含量高光谱检测模型的构建。     

基于高光谱的茄子外部缺陷检测

利用高光谱(900～1700nm)对完好、木栓化和烂果茄子进行识别研究。共采摘了252个茄子样本,包含完好茄子170个,木栓化茄子60个和烂果茄子22个,利用高光谱成像系统采集完好、木栓化和烂果3种区域一共252个样本的高光谱图像,然后提取合理的感兴趣区域(ROI)获得样本光谱数据。采用多种预处理方法进行光谱预处理,建立偏最小二乘(partial least squares method,PLS)判别分析模型,结果表明,经normalize预处理后模型的预测效果最好,因此选择normalize作为预处理方法。基于预处理后的光谱数据,采用连续投影法(SPA)、回归系数法(RC)和竞争性自适应重加权算法(CARS)提取特征波长,并分别建立偏最小二乘(PLS)和多元线性回归(MLR)判别模型进行研究。结果表明:CARS-MLR模型对3种类型样本鉴别效果最佳,其校正集决定系数Rc2为0.94,预测集决定系数Rp2为0.90,RMSEC和RMSEP分别为0.19和0.21,预测集判别准确率达到96.82%。本研究采用高光谱可以对完好、木栓化和烂果茄子进行有效鉴别,为茄子的缺陷无损检测提供了理论参考。     

基于高光谱技术的羊肉含水率无损检测

利用高光谱成像系统(1000~2500 nm)对羊肉含水率进行无损检测研究。对108个羊肉样本进行光谱信息采集,通过标准正态变换法、归一化法、去趋势校正法、S-G卷积平滑法、导数法、多元散射校正法对原始光谱进行预处理,对全波段下的原始光谱和预处理后的光谱建立偏最小二乘回归(PLSR)模型,优选出的最佳预处理算法为去趋势校正法。原始数据经去趋势校正法预处理后,采用相关系数法选取特征波长,建立特征波长下羊肉含水率的 PLSR模型和逐步多元线性回归(SMLR)模型。结果表明,SMLR模型对含水率预测效果最好,校正集相关系数R_c为0.8597,标准误差SEC为0.0521;预测集相关系数R_p为0.8654,标准误差SEP为0.0387。研究表明,利用高光谱成像技术检测羊肉含水率是可行的。     

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。     

基于近红外光谱技术的马铃薯全粉蛋白质无损检测

为了探索一种简捷、高效、快速、无损的马铃薯全粉品质的检测方法,近红外光谱技术被应用到马铃薯全粉蛋白质的无损检测研究中。以120个经过真空微波冷冻干燥技术处理的不同品种马铃薯为样品,进行光谱采集及相应的化学值测定,采用多元散射校正和SavitzkyGolay卷积平滑对1200~2400 nm波段范围内的原始光谱进行预处理,选取最优的预处理方法;运用主成分回归分析法与偏最小二乘回归系数分别选择特征波长,并根据蛋白质基团的特征光谱区间选取特征波段,建立全波段、特征波段和特征波长下的主成分回归和偏最小二乘蛋白质预测模型。结果为:经过多元散射校正处理后的光谱建模效果最好,且运用偏最小二乘回归系数选择特征波长建立的马铃薯全粉蛋白质校正和验证模型的相关系数和均方根误差分别为0.9693、0.2937和0.9779、0.3304,优于全波段和特征波段建立的模型。研究表明,采用近红外光谱技术对马铃薯全粉蛋白质的无损检测是可行的。     

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。     

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。     

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。     

基于高光谱信息特征选择的玉米霉变程度Fisher鉴别方法

为了提高高光谱鉴别玉米霉变程度的正确率,分别对全波长和特征波长下霉变玉米进行鉴别分析。利用高光谱图像采集系统获得250个霉变玉米样本的高光谱数据,并用标准正态变量变换(standard normal variate,SNV)和多元散射校正(Multiplicative scatter correction,MSC)2种方法对原始数据进行预处理,再对未预处理和预处理后的原始数据进行判别,优选出多元散射校正的预处理方法;运用偏最小二乘回归系数选择了9个特征波长;运用Fisher判别分析(Fisher discriminant analysis,FDA)分别对全波长和特征波长下的训练集进行判别分析,并用对应的测试集进行检验。FDA结果表明,全波长下判别模型的训练集和测试集的准确率分别为97.71%,97.33%,9个特征波长下训练集和测试集的准确率分别为100.00%,98.67%。研究结果表明,利用特征光谱能够较好地表征玉米的霉变程度,有利于提高玉米霉变程度的鉴别正确率。     

黄瓜水分和硬度高光谱特征波长选择与预测模型构建

为实现高光谱对黄瓜新鲜度的快速、准确检测,以硬度和失水率作为品质指标,采用高光谱成像技术对同一批次不同贮藏日期的黄瓜进行检测。采用Savitzky-Golar法、多元散射校正、标准正态变量变换3种方法对黄瓜高光谱数据进行预处理,并对预处理结果进行对比,确定Savitzky-Golar预处理方法;运用竞争性自适应重加权算法、偏最小二乘、连续投影算法对高光谱特征波长进行选择,针对硬度指标分别选取了25,13,20个特征波长,针对失水率指标,分别选取了20,16,20个特征波长;运用BP神经网络构建黄瓜硬度和失水率预测模型。结果表明,基于连续投影算法所筛选出的特征波长光谱信息所建立的BP模型判别效果最佳,其对硬度判别的训练集准确率和测试集准确率分别为95.24%,91.67%;对失水率判别的训练集准确率和测试集准确率分别为97.78%,95.00%。     

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。     

Discrimination of Blended Chinese Rice Wine Ages Based on Near-Infrared Spectroscopy

In this study, near-infrared spectroscopy combined with spectral preprocessing methods was used for the discrimination of blended Chinese rice wine ages (3, 5, 8, and 10 years aged). Discriminant models were developed using principal component analysis, linear discriminant analysis, and discriminant partial least squares regression. The correct classifications for young wines (3 and 5 years) and aged wines (8 and 10 years) were 100% using discriminant partial least squares after spectral preprocessing. Moreover, for the classification of rice wines from the four years aged groups, 95.0% classification accuracy was obtained using discriminant partial least squares with orthogonal signal correction pretreatment in a validation sample set.     

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。     

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。