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。     

基于多源信息融合的绿茶杀青叶水分含量智能感知方法

为了实现绿茶杀青过程中水分含量的快速有效检测,利用机器视觉结合近红外光谱技术,构建绿茶杀青过程中水分含量变化的定量预测模型。首先采集杀青过程中在制品的光谱和图像信息,然后采用竞争性自适应权重取样（competitive adaptive reweighted sampling,CARS）法、变量组合集群分析（variables combination population analysis,VCPA）法、变量组合集群分析法结合迭代保留信息变量（variable combination population analysis and iteratively retains informative variables,VCPA-IRIV）法和随机蛙跳法（random frog,RF）4 种变量筛选方法提取光谱中的特征波长,并融合图像中的15 个色泽和纹理特征建立线性偏最小二乘回归（partial least squares regression,PLSR）和非线性支持向量回归（support vector regression,SVR）预测模型。结果表明,与单一数据相比,基于融合数据所建立的模型能有效提高预测精度,其中基于CARS算法提取光谱特征波长融合图像的15 个颜色特征,并结合归一化预处理和主成分分析（principal component analysis,PCA）建立的SVR模型效果最佳,其中校正集相关系数为0.974 2,预测集相关系数为0.971 9,相对分析误差（relative percent deviation,RPD）为4.154 6,表明模型具有极好的预测性能。综上,本研究证明融合光谱和图像技术对绿茶杀青过程中水分含量预测的可行性,克服了单一传感器预测精度低的问题,为实现绿茶杀青叶水分含量的快速无损检测和精准把控杀青质量提供理论基础。     

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。     

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。     

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。     

基于近红外光谱技术检测苹果气调贮藏期可溶性固形物含量

目的 基于近红外光谱技术结合偏最小二乘（Partial least square, PLS）法和最小二乘支持向量机回归（Least square-support vector regression, LS-SVR）法建立苹果气调贮藏期可溶性固形物（Soluble solids contents, SSC）含量预测模型。方法 在分析了气调贮藏期苹果细胞结构和SSC变化的基础上,采集了可见-近红外（Visible-near infrared, Vis-NIR）波段和长波近红外（Long wave near infrared, LWIR）波段下不同贮藏时间的苹果漫反射光谱信息,利用主成分分析方法（Principal component analysis,PCA）分析不同贮藏期苹果光谱信息分布特征,使用Kennard-Stone（K-S）算法以3:1比例对样本集进行划分,使用多元散射校正（Multiplicative scatter correction, MSC）和SG（Savitzky-Golay）平滑对光谱进行预处理,利用连续投影算法（Successive projections algorithm, SPA）和竞争自适应重加权采样（Competitive adaptive reweighted sampling, CARS）法对光谱进行特征波长提取,并建立SSC预测模型。结果 在LWIR波段下,经MSC预处理和CARS提取特征波长后建立的PLS模型取得了较好的预测精度,模型相关系数为0.900,均方根误差为0.478;经MSC、SG平滑预处理和CARS提取特征波长后建立的LS-SVR模型取得了更好的预测精度,模型相关系数为0.927,均方根误差为0.507。结论 构建的基于可见/近红外光谱无损预测模型可实现对气调贮藏期苹果SSC的准确预测,为高效贮藏技术提供了理论基础。     

高光谱图像技术检测大曲发酵过程中的水分含量

固态酿造中水分含量是检测大曲不同发酵阶段的关键因素,为快速定量检测发酵过程中水分含量及分布情况,通过高光谱成像技术建立BP神经网络(back propagation neural network, BPNN)数据模型,实现曲块发酵水分含量快速检测。根据所采集大曲发酵高光谱数据,应用主成分分析和实验分析对比提取大曲发酵过程中水分特征光谱所对应的PC1、PC2、PC3、1 200、1 450 nm波段图像;通过图像灰度共生矩阵算法提取水分纹理特征;根据所提取图像纹理特征对曲块发酵水分含量运用偏最小二乘回归、BPNN、支持向量机回归等进行建模预测对比,选择最佳预测模型。结果表明,利用BPNN与1 450 nm特征波段光谱图像纹理特征对水含量建模预测的效果最佳,其训练集决定系数(R~2)和均方根误差(root mean square error, RMSE)分别为0.826 9和0.033 5,预测集R~2和RMSE分别为0.848 4和0.028 7。研究表明,利用高光谱特征光谱所对应图像纹理信息能够对水分含量进行关联预测,为实现对大曲发酵过程水分含量检测提供理论依据。     

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400¹000 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。      

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。     

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。      

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。      

基于高光谱和超声成像技术的原切与合成调理牛排鉴别

针对市场上存在合成调理牛排冒充原切售卖的现象,研究利用高光谱和超声成像技术对它们进行鉴别的方法。分别采集原切与合成调理牛排的高光谱和超声图像信息,利用灰度共生矩阵法提取图像的纹理特征值,分别建立线性判别分析、K最邻近（K-nearest neighbor,KNN）、反向传播人工神经网络和极限学习机（extreme learning machine,ELM）4?种鉴别模型,而后将2?种技术数据融合建模,并采用连续投影法、竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、变量组合集群分析（variables combination population analysis,VCPA）法3?种方法筛选特征变量建模。结果表明：合成调理牛排的肉块组织均匀,超声图像信号弱、均一性好,与原切调理牛排图像存在差异。高光谱和超声成像技术的最佳模型分别为KNN和ELM,模型预测集识别率分别为95.00%和90.00%。数据融合后建模,最佳模型ELM模型预测集识别率模型为97.50%,在3?种变量选择方法中,CARS和VCPA选择的纹理变量建立的模型预测集识别率达到100.00%。研究表明高光谱和超声成像数据融合结合变量选择方法可以快速准确地鉴别原切和合成调理牛排。     

基于高光谱成像技术的工夫红茶数字化拼配

以祁门红茶5?级6?孔正子口、5?级8?孔正子口、6?级6?孔正子口和6?级8?孔正子口4?种原料拼配成工夫红茶,应用高光谱图像系统获取拼配后茶样的光谱和图像信息。采用连续投影算法筛选光谱特征值;通过对图像做主成分分析,提取5?个特征波长,采用灰度共生矩阵法提取5?个特征波长下的图像纹理特征值。分别以光谱特征值、纹理特征值以及融合特征值作为模型输入值,结合偏最小二乘、最小二乘支持向量机（least squares-support vector machine,LS-SVM）和反向传播人工神经网络方法建立茶叶拼配配比定量预测模型,并对模型的结果做比较。结果表明,以光谱特征值与纹理特征值融合后的值为输入参数,结合LS-SVM方法建立的模型,配比预测正确率达到了94.5%,预测结果较好。研究结果为出口茶叶数字化拼配的可行性提供理论依据。     

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(competitiveadaptivereweighted 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(multiplelinearregression,MLR)模型和偏最小二乘回归(partialleastsquaresregression,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 squa...