基于NIR高光谱技术快速预测冷鲜鸡肉热杀索丝菌含量

基于NIR高光谱成像技术快速评估鸡肉热杀索丝菌含量。通过采集新鲜鸡肉高光谱图像并提取样本反射光谱信息(900~1699 nm),再采用多元散射校正(Multiplicative Scatter Correction,MSC)、基线校正(Baseline Correction,BC)和标准正态变量校正(Standard Normal Variable Correction,SNV)三种方法预处理原始光谱,分别利用偏最小二乘(Partial Least Squares,PLS)、多元线性回归(Multiple Linear Regression,MLR)挖掘光谱信息与鸡肉热杀索丝菌参考值之间的定量关系。同时采用PLS-β系数法、Stepwise算法和连续投影算法(Successive Projections Algorithm,SPA)筛选最优波长简化全波段模型(F-PLS)提高预测效率。结果显示,经BC预处理的全波段光谱(485个波长)构建的F-PLS模型预测热杀索丝菌效果较好,相关系数R_P为0.973,误差RMSEP为0.295 lg CFU/g。基于PLS-β法从BC预处理光谱中筛选出25个最优波长构建的PLS-β-PLS(R_P=0.931,RMSEP=0.434 lg CFU/g)模型预测较好。本试验表明,利用近红外高光谱成像技术可潜在实现鸡肉热杀索丝菌含量的快速评估。     

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。     

基于不同预处理高光谱信息的鸡肉滴水损失率快速预测研究

本文旨在通过挖掘不同预处理高光谱(900~1700 nm)信息构建鸡肉滴水损失率的快速预测模型。首先采集每个鸡肉样本高光谱图像并提取图像感兴趣区域内的平均光谱信息,经基线校正(BC)、标准正态变量校正(SNV)、多元散射校正(MSC)、高斯滤波平滑(GFS)、归一化校正(NC)等五种光谱不同预处理,利用偏最小二乘回归(Partial Least Squares Regression,PLSR)算法构建光谱信息与鸡肉滴水损失率之间的定量关系。然后分别基于回归系数法(Regression Coefficient,RC)、连续投影算法(Successive Projections Algorithm,SPA)和逐步回归算法(Stepwise)筛选出对模型精度影响较大的最优波长优化全波段PLS模型。结果显示,基于BC光谱的全波段PLSR模型(BC-PLSR)预测鸡肉滴水损失率效果更好(r_P=0.95,RMSEP=0.29%,RPD=3.07,ΔE=0.0024%)。利用Stepwise法从BC光谱中选取的14个最优波长(900.6、903.8、905.5、907.1、917.0、997.7、1162.2、1272.4、1354.8、1369.6、1410.8、1425.6、1584.1和1695.1 nm)建立的SW-BC-PLSR模型(r_P=0.97,RMSEP=0.24%,RPD=3.82,ΔE=0.0012%)和多元线性回归(Multiple Linear Regression,MLR)模型SW-BC-MLR(r_P=0.97、RMSEP=0.22%、RPD=4.19,ΔE=0.0036%)预测鸡肉滴水损失率效果均良好。本试验表明,基于近红外高光谱信息可潜在实现鸡肉滴水损失率的快速预测。     

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。     

基于最优光谱信息的冷鲜鸡肉TBA值快速检测

基于最优光谱信息构建PLS模型预测冷鲜鸡肉的2-硫代巴比妥酸(2-Thiobarbituric acid,TBA)值,快速无损评估冷鲜鸡肉的氧化程度。采集冷鲜鸡肉的900~1700 nm范围内高光谱图像,提取并平均图像中感兴趣区域内的反射光谱信息,经移动平均值平滑(MAS)、卷积平滑(SGS)、中值滤波平滑(MFS)、高斯滤波平滑(GFS)、归一化(N)、多元散射校正(MSC)、基线校正(BC)和标准正态变量变换(SNV)8种方法预处理光谱信息后,建立偏最小二乘(PLS)模型预测冷鲜鸡肉中TBA值。同时采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(SPA)筛选最优波长优化PLS模型。结果显示,基于PLS-β系数法从GFS光谱筛选的31个最优波长构建的GFS-P-OW-PLS模型预测冷鲜鸡肉TBA值效果最好(r_P=0.945,RMSEC=0.053 mg/100 g)。综上,基于最优光谱信息构建PLS模型可实现鸡肉TBA值的快速无接触检测。     

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。     

高光谱快速预测冷鲜鸡胸肉中乳酸菌

乳酸菌含量是评价冷鲜鸡胸肉品质的重要指标。随着储藏天数的增加,当乳酸菌含量超过106 CFU/g,冷鲜鸡胸肉黏度增加,开始腐败变味。本研究通过化学计量学算法挖掘高光谱数据快速预测鸡胸肉中乳酸菌含量。首先,采集119个冷鲜鸡胸肉样品900~1700 nm的高光谱图像,提取肉样图像感兴趣区域(Region of interest,ROI)内的光谱信息,经多元散射校正(Multiplicative Scatter Correction,MSC)等8种方法预处理原始光谱,采用偏最小二乘(Partial Least Squares,PLS)算法挖掘光谱信息,构建全波段PLS预测模型(F-PLS)。然后,选用回归系数法(Regression Coefficient,RC)、逐步回归法(Stepwise)和连续投影算法(Successive Projections Algorithm,SPA)筛选最优波长优化F-PLS模型。结果显示,基于SPA法从基线校正(Baseline Correction,BC)预处理光谱中筛选出21个最优波长(903.8、905.5、912.1、915.4、917.0、920.3、923.6、931.8、941.7、1107.0、1135.9、1157.3、1269.2、1303.7、1320.2、1348.2、1551.1、1676.9、1686.9、1695.1和1698.4 nm)构建的SPA-PLS模型预测最好(r_P=0.949,RMSEP=0.439lg CFU/g,RPD=2.787)。本试验表明,采用近红外高光谱技术快速预测冷鲜鸡胸肉中乳酸菌含量是可行的。     

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。     

基于可见/近红外光谱预测枇杷糖度及模型优化

为实现枇杷糖度的快速无损检测,并探究开阳枇杷糖度最优预测模型。首先利用光纤光谱仪获取开阳枇杷的反射光谱,分析比较标准正态变换和多元散射校正方法对原始光谱数据的预处理效果;然后基于原始全光谱和预处理后的全光谱数据分别构建预测开阳枇杷糖度的偏最小二乘回归和主成分回归模型;最后,采用连续投影算法和竞争性自适应重加权算法（competitive adaptive reweighted sampling, CARS）筛选特征光谱,并基于特征光谱构建预测开阳枇杷糖度的多元线性回归（multi linear regression, MLR）模型。结果表明,采用CARS算法从785个全光谱中筛选了23个特征波长,不仅提升了预测模型的运算效率,而且建立的CARS-MLR模型具有最佳的校正性能（R_C=0.89,RMSEC=0.62）和预测性能（R_P=0.89,RMSEP=0.65,RPD=2.29）。这表明利用可见/近红外光谱技术结合化学计量学预测开阳枇杷糖度是可行的,且CARS-MLR模型相对最优,为枇杷品质的无损快检和分选提供了理论依据与技术基础。     

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。     

基于高光谱和极限学习机的冷鲜羊肉颜色无损检测

利用400~1000 nm近红外高光谱成像系统对冷鲜羊肉颜色进行快速无损检测研究。采集140个冷鲜羊肉样品(贮藏1~7 d)光谱图像,并测量其亮度(L*)、红度(a*)、黄度(b*)和饱和度(C*)等颜色参数。选取感兴趣区域获取样品代表性光谱,利用联合区间偏最小二乘法(si PLS)对一阶微分、多元散射校正、标准正态变量变换(SNV)等方法预处理后的光谱数据筛选特征波段,建立冷鲜羊肉颜色各参数的si PLS-ELM神经网络校正模型。对于L*、a*、b*和C*,模型的预测集相关系数(RP)分别为0.9219、0.9391、0.9603和0.8839,预测集均方根误差(RMSEP)分别为1.1935、0.2333、0.6009和0.3586。结果表明:采用可见-近红外高光谱成像技术结合si PLS-ELM神经网络对冷鲜羊肉颜色的快速无损检测是可行的。     

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。     

基于近红外高光谱技术快速检测豌豆蛋白掺假牛肉

利用近红外高光谱成像技术结合偏最小二乘模型(PLSR)对牛肉掺入豌豆蛋白进行快速无损检测。将豌豆蛋白按照1%～30%(w/w)的浓度梯度掺入牛肉糜中(掺入浓度间隔1%)，共获得93个样品以采集其光谱信息。经移动平均值平滑(Moving average smoothing,MAS)、高斯滤波平滑(Gaussian filter smoothing,GFS)、基线校正(Baseline correction,BC)、S-G卷积平滑(Savitzky Golay convolution smoothing,SGCS)、标准正态变量校正(Standard normal variable correction,SNV)等5种方法预处理光谱信息后，利用PLSR算法构建预测模型。然后采用回归系数法(Regression Coefficient,RC)、逐步回归法(Stepwise)和连续投影算法(Successive Projections Algorithm,SPA)筛选最优波长进行模型优化。结果显示，经过GFS预处理所构建的全波段PLSR模型预测效果更好(R_P^2<...     

基于NIR高光谱技术检测滩羊冷鲜肉颜色

试验评估了利用近红外高光谱成像系统(900~1 700 nm)快速预测滩羊冷鲜肉颜色的可行性。采集具有代表性的120个滩羊外脊肌肉样品的高光谱数据,并测量其颜色参数(L*,a*和b*)。对光谱数据进行标准正态变量变换(SNV)预处理,并用正自适应加权算法(CARS)对光谱数据进行降维处理,最后应用偏最小二乘回归对光谱数据建模。结果表明,建立的偏最小二乘回归模型能很好地预测冷鲜滩羊肉的颜色参数,利用高光谱技术预测颜色是可行的。     

生鲜紫薯花青素等多品质参数的可见-近红外快速无损检测

基于实验室自行搭建的可见-近红外光谱系统,以市售生鲜紫薯为研究对象,探讨其花青素、可溶性固形物（soluble solid contents,SSC）以及总糖（total sugars,TS）的同时快速无损检测方法。对紫薯原始光谱进行SG（Savitzky-Golay）平滑、标准正态变量变换以及一阶求导预处理,然后用偏最小二乘回归法进行建模分析。对于花青素和TS,经SG平滑结合一阶求导预处理的模型预测效果最佳;对于SSC,经SNV预处理的模型预测效果最好。针对紫薯各参数最佳预处理光谱采用竞争性自适应加权算法进行波长筛选,再次建立模型。花青素模型预测集的相关系数为0.942 1,预测均方根误差（root mean square error of prediction,RMSEP）为0.225?9?mg/g;SSC模型预测集相关系数为0.943?1,RMSEP为0.878?7?°Brix;TS模型预测集的相关系数为0.925?3,RMSEP为0.244?3%。结果显示,利用可见-近红外光谱可以实现对生鲜紫薯的花青素、SSC以及TS的同时快速无损检测,对生鲜紫薯品质的快速无损检测分选有着重要的实用意义。     

近红外光谱技术快速检测甜叶菊中绿原酸含量

为实现甜叶菊中绿原酸含量的快速检测，该研究利用近红外光谱技术结合偏最小二乘法对甜叶菊绿原酸含量的光谱数据进行了近红外模型分析。结果表明，采用多元散射校正(multiplicative scatter correction, MSC)+Savitzky-Golay卷积平滑预处理算法和无信息变量消除法(uniformative variable elimination, UVE)特征波长选择算法，绿原酸含量近红外模型的性能最好。该模型的交互验证相关系数(correlation coefficient in cross validation,R_CV)和交互验证残差均方根(root mean square error of cross validation, RMSECV)分别为0.945 3和0.263 1;验证集相关系数(correlation coefficient in validation,R_P)和验证集残差均方根(root mean square error of prediction, RMSEP)分别为0.952 1和0.247 2。...     

基于可见/近红外光谱技术快速检测花椰菜中硫代葡萄糖苷的含量

为了快速无损检测不同品种("松花"、"雪白")花椰菜中硫代葡萄糖苷的含量。本实验采集新鲜收获的"松花"、"雪白"花椰菜样本进行可见/近红外光谱的采集、提取和分析。首先,采用基线校正(Baseline)、标准正态变量变换(Standard Nomal Variate transform,SNV)、中值滤波(Median Filter,MF)、高斯滤波(Gaussion Filter,GF)、S-G平滑(Savitzky-Golay)五种方法进行原始光谱的预处理分析。然后,分别采用连续投影算法(Successive Projections Algorithm,SPA)、回归系数法(Regression Coefficient,RC)进行特征波段的提取,并采用主成分分析法(PrincipalComponentAnalysis,PCA)进行主成分的提取,在此基础上,结合最佳预处理方法建立偏最小二乘回归(Partial Least Squares Regression,PLSR)模型。结果表明:"松花"花椰菜的光谱数据所建立的MF-PCA-PLS模型最佳,校正集模型参数Rc=0.89,RMSEC=1.23,预测集模型参数Rp=0.89,RMSEP=0.63。"雪白"花椰菜光谱数据所建的MF-RC-PLS模型最优,校正集模型参数Rc=0.87,RMSEC=1.31,预测集模型参数Rp=0.73,RMSEP=0.46。由此可见,近红外光谱结合PLSR算法能够快速、无损、准确地检测花椰菜中硫代葡萄糖苷的含量。     

基于近红外光谱技术的黄桃脆片可溶性固形物和硬度定量检测方法

以多批次黄桃脆片为分析对象,分别采集了可见/短波近红外光谱(400~1000 nm)和长波近红外光谱(1000~2500 nm)原始信息,分别采用标准正态变量变换(SNV)、多元散射校正(MSC)、移动平均平滑(MS),一阶导数(1-Der)预处理后,建立了全波段线性偏最小二乘法(PLS)和非线性支持向量机(SVM)预测模型,并结合外部试验进行可行性验证。结果表明,基于MSC-SVM的可见/短波红外光谱模型对可溶性固形物预测效果最佳,验证集的决定系数(R p)、预测均方根误差(RMSEP)、相对预测偏差(RPD)分别为0.761,1.998%和1.532;而基于MSC-SVM的长波近红外光谱模型对硬度预测效果相对最佳,对应R p、RMSEP和RPD分别为0.862,0.292 kg和1.991。基于近红外光谱系统可以实现对大批量黄桃脆片品质参数的快速无损检测。