近红外光谱技术快速检测腊肉酸价和过氧化值

探讨应用傅里叶近红外光谱技术快速定量检测腊肉酸价和过氧化值的方法。腊肉样品经粉碎、混匀后在AntarisⅡ傅里叶近红外光谱分析仪上扫描,获得其近红外光谱与国标法测定的酸价和过氧化值含量数据进行关联,用傅里叶变换近红外光谱技术结合偏最小二乘法建立近红外光谱与腊肉酸价和过氧化值含量的数学模型并进行预测。结果表明：酸价模型中,校正决定系数和交叉验证决定系数分别是0.99582和0.98687,校正均方差和交叉验证均方差分别是0.1370和0.1900;过氧化值模型中,校正决定系数和交叉验证决定系数分别是0.99999和0.99926,校正均方差和交叉验证均方差分别是0.756×10-4和0.684×10-3。用该模型对验证集样本进行预测并统计分析,表明预测值与测定值无显著差异,傅里叶近红外光谱技术快速定量检测腊肉酸价和过氧化值是可行的。     

基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(R_P)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。     

肉品挥发性盐基氮的高光谱无损快速检测

建立利用高光谱成像技术对生鲜猪肉的挥发性盐基氮含量进行快速无损伤检测的方法。方法 利用400~1100 nm光谱范围的高光谱成像系统, 获取猪肉表面的高光谱图像信息, 通过洛伦兹函数对其表面的扩散信息进行拟合, 结合偏最小二乘回归和多元线性回归两种方法, 分别建立预测猪肉TVB-N含量的预测模型。结果 利用洛伦兹三参数组合[abc]结合MLR方法建立预测猪肉TVB-N含量的模型效果优于PLSR模型, 预测相关系数达到0.90, 标准差为4.67。结论 高光谱成像技术可以快速无损伤检测肉品挥发性盐基氮。     

NIR高光谱成像技术检测冷鲜羊肉嫩度

利用900¹700 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（1⁸ 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。     

高光谱成像技术检测肴肉新鲜度

建立阿胶中马和驴成分高特异、高灵敏的实时荧光聚合酶链式反应（polymerase chain reaction,PCR）检 测方法。选择马和驴线粒体基因tRNA-Thr及D-loop区为靶序列,设计合成特异引物,通过普通PCR和实时荧光PCR 检测,结果表明,这两对引物能够准确检测阿胶或动物胶中马和驴成分。     

冷鲜羊肉品质的高光谱成像无损检测

利用400¹000 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。      

高光谱成像技术对不同成熟期葡萄香气成分的无损检测

利用高光谱成像技术结合偏最小二乘(PLS)法建立不同成熟期贝达葡萄香气成分预测模型。用气相色谱-质谱(GC-MS)测定葡萄香气成分的组成及含量,选择葡萄香气的特征成分酮类、酚类、烷烃类为研究对象,通过连续投影算(SPA)法选择其特征波长,建立特征波长-香气成分模型和全波段-香气成分模型。结果表明:不同成熟期的葡萄香气成分含量与其光谱具有显著相关性:酮类物质全波段-PLS的预测相关系数(RP)为0.992 5, SPAPLS的RP=0.984 3;酚类物质全波段-PLS的RP=0.988 8, SPA-PLS的RP=0.992 8;烷烃类物质全波段-PLS的RP=0.987 0,SPA-PLS的RP=0.989 6。研究表明,高光谱成像技术可以对不同成熟期的葡萄香气成分进行无损检测。     

基于高光谱成像的大米中蛋白质含量的可视化研究

为了研究大米蛋白质含量在品种和产地之间的差异,将采集的大米按照品种、产地进行分类。将提取的感兴趣区域光谱信息与化学方法测定的蛋白质含量相结合,建立全波长预测模型,通过对比确定最优的模型为偏最小二乘回归(partial least-squares regression,PLSR)。连续投影算法(successive projection algorithm,SPA)筛选特征波段,建立PLSR的特征波长模型,其性能与全波长模型相当。提取特征波长下的高光谱图像,将提取的特征图像上的所有像素点的光谱数据导入已建好的SPA-PLSR模型,预测各像素点的蛋白质含量,并把高光谱灰度图像进行伪彩色处理,得到不同品种产地大米的蛋白质含量分布图。结果表明,利用高光谱成像技术对大米中蛋白质含量分布进行可视化研究具有可行性,为后期筛分大米的产地和品种提供依据。     

基于近红外高光谱成像技术的宁夏羊肉产地鉴别

使用900~1700 nm高光谱成像系统采集宁夏银川、固原、盐池三个不同产地的绵羊后腿样本的近红外高光谱数据,对光谱采用面积归一化方法预处理,利用SPA、CARS、UVE算法对预处理后的光谱数据提取特征波长分别为17、40、121个;结合PLS-DA及KNN建立特征波段下的判别模型。结果表明KNN判别模型效果较差,3种特征波长中利用CARS提取的特征波长建模效果最佳,代替全光谱建立PLS-DA判别模型是可行的;综合对比模型效果,CARS-PLS-DA为最优模型,校正集正确率90.48%,预测集正确率84.21%。证明利用近红外高光谱成像技术对羊肉产地鉴别是可行的。     

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。     

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。     

采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测

为提供苹果病害在线、快速、无损检测的理论依据,采用高光谱成像技术进行了北方大面积种植的寒富苹果病害无损检测研究。寒富苹果的主要病害有炭疽病、苦痘病、黑腐病和褐斑病害。为选择较少的有效波长而利于在线快速检测,首先采集高光谱苹果图像,分割出感兴趣区域并提取光谱信息,然后采用连续投影算法(successive projections algorithm,SPA)从全波长(500~970 nm)中提取了10个特征波长SPA1(502、573、589、655、681、727、867、904、942 nm和967 nm),再对这10个特征波长采用连续投影算法提取3个特征波长SPA2(681、867 nm和942 nm)。最后利用全波长光谱信息、SPA1提取的10个特征波长的光谱信息和SPA2提取的3个特征波长的光谱信息作为输入矢量采用线性判别分析、支持向量机和BP人工神经网络(BP artificial neural network,BPANN)模型进行苹果病害的检测。通过对检测结果分析,最终选择SPA2-BPANN为最佳检测方法,训练集检测率达100%,验证集检测率达100%。结果表明,高光谱成像技术可以有效对苹果病害进行检测,所获得的特征波长可为开发多光谱成像的苹果品质检测和分级系统提供参考。     

食源性致病菌高光谱识别模型构建

针对食源性致病菌检测过程耗时费力的问题,应用高光谱成像技术获取了12,18,24h3个生长期的5类致病菌[金黄色葡萄球菌(S.aureus)、单增李斯特菌(LM)、致泻大肠埃希氏菌(DEC)、肠炎沙门氏菌(SE)和福氏志贺菌(S.flexneri)]的高光谱图像,利用连续投影算法(SPA)结合相关分析(CA)提取不同生长期致病菌敏感波段并建立了最小二乘支持向量机(LS-SVM)判别模型。结果表明,5类致病菌对不同波长光的反射能力不同。SPA-CA筛选出的5个敏感波段(462,498,649,853,979nm)的反射率可较好地反映5类致病菌在不同生长期的波谱特性。基于该敏感波段反射率构建的LS-SVM模型能有效地判别出S.aureus、LM和DEC 3类致病菌,而SE和S.flexneri两种属容易被互相误判,SE被误判成S.flexneri的概率为11.2%,S.flexneri被误判成SE的概率为19.9%。LS-SVM模型对5类致病菌的总体识别正确率为90.9%。综上,高光谱成像技术结合化学计量学方法具有快速诊断食源性致病菌的能力。     

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。     

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。