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金银花与山银花快速鉴别

利用高光谱成像技术,研究一种快速、准确、无损的鉴别金银花与山银花的方法。通过对比3种预处理方法对偏最小二乘算法(Partial Least Squares,PLS)建模效果的影响,得到SNV为建模最优预处理方法。使用回归系数法(Regression Coefficient,RC)和连续投影算法(Successive Projection Algorithm,SPA)选择经预处理后光谱的特征波长,并分别建立极限学习机(Extreme learning machine,ELM)和最小二乘支持向量机(Last Squares Support Vector Machine,LSSVM)的判别分析模型。结果表明,光谱经SNV预处理后,应用SPA提取特征波长并建立LS-SVM判别分析模型为金银花和山银花最优判别模型,其建模集与预测集识别率均达到了100.00%。因此,利用高光谱成像技术能够无损、有效地鉴别金银花与山银花,并且在全光谱和特征波长下均能实现金银花与山银花的快速判别分析。     

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。     

显微高光谱技术检测肌细胞中超氧化物歧化酶活力的方法研究

利用可见显微高光谱技术对羊肉肌细胞中的超氧化物歧化酶(Superoxide dismutase,SOD)活力进行检测。通过显微高光谱系统(380~980 nm)采集223个显微图像,根据样本光谱的反射率提取感兴趣区域并结合SOD酶活力建立模型。对原始光谱结合偏最小二乘回归模型,进行样本集划分及多种光谱预处理的模型对比分析,优选出多元散射校正为预处理方法,采用6种方法提取特征波长,并根据特征波长建立偏最小二乘回归、多元线性回归、主成分回归三种模型。结果显示,建立基于竞争性自适应重加权法挑选特征波长的多元线性回归模型最优,预测集的相关系数和均方根误差分别为0.8351和21.3578 U/mg·prot。采用显微高光谱成像技术对肌细胞内超氧化物歧化酶活力的检测是具有可行性的。     

白酒糟醅中酸度值的高光谱检测方法

酸度值是评价白酒糟醅质量的重要指标之一,为进一步提高糟醅酸度值的检测精度,提出了一种应用高光谱成像技术检测糟醅酸度值的方法。采用高光谱成像系统,在900～1 700 nm内采集糟醅样本的光谱信息,并提取全部样本的平均光谱数据。采用3种预处理方法对原始光谱进行预处理,得到多元散射校正（multiplicative scatter correction, MSC）为最佳预处理方法。在保证检测精度的基础上,为提高检测效率,采用竞争自适应加权抽样（competitive adaptive reweighted sampling, CARS）算法选择特征波段作为优化方法,建立偏最小二乘回归（partial least squares regression, PLSR）和最小二乘支持向量机（least squares-support vector machine, LS-SVM）预测模型。结果表明,CARS算法选取38个特征波长所建立的LS-SVM预测模型显示出良好的预测效果,其中预测集相关系数R²_p为0.961 8,预测集均方根误差为0.058 0 g...     

高光谱技术结合CARS-ELM的油桃品种判别研究

基于高光谱技术研究竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)结合极限学习机(Extreme learning machine,ELM)对油桃品种判别的可行性。本文利用高光谱成像技术选取油桃420~1000 nm的高光谱图像数据,经卷积平滑法(Savitzky-Golay smoothing,SG)、附加散射校正算法(Multiplicative Scatter correction,MSC)、基线校正(Baseline)、变量标准化算法(Standard Normalized Varite,SNV)等预处理方法处理原始数据,通过PLSR模型确定Baseline为最佳预处理方法。采用主成分分析法(Principal Component Analysis,PCA)、连续投影算法(Successive Projections Algorithm,SPA)与竞争性自适应重加权算法等提取的特征波长,建立偏最小二乘(Partial Least Square,PLS)和极限学习机鉴别模型进行比较研究。结果显示:基于CARS算法提取的特征波长构建的CARS-ELM和CARS-PLS模型性能最优。CARS-PLS预测集相关系数(RP)和均方根误差(RMSEP)分别为0.942和0.205;CARS-ELM的RP和RMSEP分别为0.931和0.119。说明CARS是一种有效的提取特征波长的方法,且ELM与PLS对模型的预测能力相当,可见利用高光谱图像技术结合CARS-ELM对油桃的品种判别是可行的。     

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。     

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。     

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。     

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%。     

基于可见-近红外高光谱技术对鸡种蛋性别鉴定的研究

目的 为实现鸡种蛋胚胎性别的无损检测,提出了基于可见-近红外高光谱检测海兰褐鸡种蛋胚胎性别的方法。方法 通过分析种蛋0~14 d大头部位的400~1000 nm波段下的光谱,建立基于偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）的种蛋性别判别模型,比较不同孵育天数下的模型判别率,优选出最佳的检测天数;通过分析四种不同的预处理算法,选出最佳的鸡种蛋胚胎高光谱预处理方法,最后构建基于全波段和特征波段光谱信息的判别模型,并对结果进行比较。结果 基于PLS-DA和SVM的模型在第9 d的预测集结果达到最高,分别为80%和82.5%。主成分分析（PCA）结果表明,雄雌种蛋光谱信息可以进行区分;变量标准化（SNV）为最佳预处理方法;全波段相对于连续投影算法（SPA）、竞争性自适应重加权算法（CARS）选择特征波长的模型更优,建模集、预测集准确率分别为90%和85%。结论 研究结果表明可见-近红外高光谱技术可以快速、较准确、无损检测海兰褐种蛋胚胎性别,该技术为褐壳种蛋胚胎性别鉴定实现在线检测提供了一定的理论基础。     

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。     

高光谱成像技术快速预测鸡蛋液菌落总数

针对鸡蛋液中菌落总数分析方法操作繁琐、时效性低等问题,采用高光谱成像技术（400～1 000 nm）建立鸡蛋液中菌落总数的快速预测方法。于蛋清中接种铜绿假单胞菌后采集不同污染程度蛋液样本的原始高光谱信息,结合连续投影算法进行特征波段的提取,分别建立基于特征波段和全波段光谱信息下的偏最小二乘和支持向量机（support vector machine,SVM）预测回归模型。结果表明：标准化预处理效果相对最佳,蛋清、蛋黄以及全蛋液样本对应的相对最佳定量分析模型为基于特征波段下的SVM模型。其中蛋清预测集相关系数RP为0.81,预测集均方根误差（root mean square error of prediction,RMSEP）为0.63（lg（CFU/g））;蛋黄预测集的RP为0.82,RMSEP为0.47（lg（CFU/g））;全蛋液样本中RP为0.75,RMSEP为0.75（lg（CFU/g））。结果表明,高光谱成像技术结合化学计量学方法,可以实现对鸡蛋内部微生物污染程度的定量预测。     

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。