基于BP神经网络快速无损检测开阳枇杷糖度

为实现开阳枇杷糖度的快速无损检测,采用紫外/可见光纤光谱仪采集开阳枇杷的反射光谱,探究比较标准正态变换以及多元散射校正预处理原始光谱的效果;应用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、连续投影算法以及组合两种方法分别筛选特征变量,基于筛选的特征变量构建预测开阳枇杷糖度的反向传播（back propagation,BP）神经网络检测模型。结果表明：标准正态变换预处理效果相对较好;基于CARS从835个全变量中筛选出49个特征变量,使模型的运算效率明显提高;构建的枇杷糖度预测模型中,CARS-BP的性能最好,预测集相关系数为0.91,均方根误差为0.56%,剩余预测偏差为2.42。表明采用紫外/可见光谱结合BP神经网络适用于开阳枇杷糖度的快速无损检测,为后期在线无损检测设备的研发提供参考。     

不同成熟度猕猴桃糖度紫外/可见光谱检测

猕猴桃糖度是判别其成熟度的关键指标,为构建预测不同成熟度猕猴桃糖度的最优模型。利用紫外/可见（200 nm～1 000 nm）光谱采集系统获取不同成熟期“贵长”猕猴桃的反射光谱,比较3种光谱预处理方法[一阶导数、多元散射校正、标准正态变换（standard normal variation,SNV）]对光谱的预处理效果,应用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）从预处理后的全光谱中选取特征光谱,基于全光谱和特征光谱分别构建预测猕猴桃糖度的误差反向传播（error back propagation,BP）网络模型。结果表明：SNV预处理效果最优,采用CARS从1 024个全波段中选取了29个特征波长,提升了预测模型的检测效率,构建的SNV-CARS-BP模型的预测性能最优,其预测集决定系数RP2=0.901,均方根误差（root mean squares errors for prediction,RMSEP）为0.643%,剩余预测偏差（residual predictive deviation,RPD）为3.217。研究表明,采用紫外/可见光谱技术和BP网络检测猕猴桃糖度是可行的,SNV-CARS-BP模型最优。     

京郊鲜食杏白利糖度的便携式光谱快速无损检测方法研究

目的 建立京郊鲜食杏白利糖度的定量分析预测模型, 实现对京郊鲜食杏品质的快速无损检测。方法 使用便携式近红外光谱仪采集900~1700 nm下鲜食杏的漫反射光谱信息, 使用多元散射校正(multiplicative scatter correction, MSC)、标准正态变量变换(standard normal variable transformation, SNV)和Savitzky-Golay卷积平滑(Ssavitzky – Ggolay smooth, S-G)对原始光谱数据进行预处理, 使用Kennard-Stone (K-S)算法以3:1比例将样本集划分成校正集和预测集, 利用竞争自适应重加权采样(competitive adaptive reweighted sampling, CARS)算法和连续投影算法(successive projections algorithm, SPA)对光谱进行特征波长筛选, 使用偏最小二乘回归(partial least squares regression, PLSR)算法建立京郊鲜食杏白利糖度的预测模型。结果 以MSC+S-G+ CARS+PLSR算法建立的北京鲜食杏的白利糖度预测模型取得较好的预测精度, 模型的校正集均方根误差、校正集相关系数、预测集均方根误差、预测集相关系数分别为0.3502、0.9747、0.4698、0.9616。结论 基于便携式近红外光谱技术所采集数据构建的京郊鲜食杏白利糖度预测模型准确性较高, 可以快速准确检测鲜食杏白利糖度, 从而实现对鲜食杏品质的快速无损检测, 为鲜食杏的品质检测提供了理论依据和方法指导。     

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...     

基于高光谱成像的贵长猕猴桃硬度快速预测

为了提高猕猴桃硬度预测的效率。应用可见/近红外(390～1030 nm)高光谱成像系统获取贵长猕猴桃的高光谱图像信息,并提取每个样品感兴趣区域的反射光谱,采用标准正态变换消除原始反射光谱中的噪声干扰;基于竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)与连续投影算法筛选特征变量,建立误差反向传播神经网络和多元线性回归(multi linear regression,MLR)模型检测贵长猕猴桃硬度。结果表明：应用CARS从256个变量中筛选了35个特征变量,运算效率提升了近11倍(即运算时间从5.84 s降到了0.54 s);构建的CARS-MLR检测模型具有较大的r_c=0.95和r_p=0.92,较小的RMSEC=1.65 kg/cm²和RMSEP=1.99 kg/cm²,且RPD值(2.47)大于2,表明CARS-MLR模型具有非常好的检测性能,利用高光谱成像技术以及化学计量学可以实现贵长猕猴桃硬度的快速无损检测。     

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。     

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。     

CARS-SVM预测哈密瓜可溶性固形物含量

采用近红外光谱技术结合数据降维的方法,建立了哈密瓜可溶性固形物含量的预测模型：对比多种光谱预处理方法,确定二阶求导用于处理原始光谱;经预处理的光谱数据分别结合特征选择竞争性自适应重加权采样法（CARS）、蒙特卡罗无信息变量消除法（MC-UVE）提取特征波长,以及利用主成分分析进行降维;再使用特征选择和特征提取的光谱数据作为模型的输入变量,建立哈密瓜可溶性固形物含量预测模型。结果显示,CARS+SVM建立的预测模型最优,模型的校正集相关系数为0.981 4,预测集相关系数为0.900 2,模型能够准确预测哈密瓜可溶性固形物含量。     

近红外高光谱联用Stepwise算法快速无接触评估冷鲜鸡肉色泽及嫩度

利用900~1700 nm近红外高光谱成像系统联用Stepwise算法快速评估鸡肉色泽和嫩度。通过采集新鲜屠宰鸡肉高光谱图像,提取试验样本感兴趣区域(Region of interests,ROI)反射光谱信息,经中值滤波平滑(Median filtering smoothing,MFS)、多元散射校正(Multiplicative scatter correction,MSC)和标准正态变量变换(Standard normal variable correction,SNV)三种预处理后,分别利用偏最小二乘(Partial Least Squares,PLS)和多元线性回归(Multiple linear regression,MLR)挖掘光谱信息与鸡肉色泽参数(L*、a*、b*)及嫩度参考值之间的定量关系。结果显示,经MFS预处理的近红外光谱(486个波长)构建的全波段PLS回归模型(F-PLS)预测L*(R_P=0.904,RMSEP=2.036)、b*(R_P=0.908,RMSEP=1.577)和嫩度(R_P=0.948,RMSEP=1.596)效果更好。为提高预测效率,采用Stepwise算法筛选最优波长优化F-PLS模型,结果显示,从SNV预处理光谱筛选的14个最优波长构建MLR回归模型预测L*值(R_P=0.894,RMSEP=2.160)效果较优,从SNV预处理光谱筛选的13最优波长构建的O-PLS回归模型预测b*值(R_P=0.877,RMSEP=1.811)效果较优,从MFS预处理光谱筛选的20个最优波长构建O-PLS回归模型预测嫩度值(R_P=0.888,RMSEP=2.408 N)效果较优。本试验表明,利用近红外高光谱成像技术结合Stepwise算法可实现鸡肉色泽参数L*、b*值以及嫩度的快速评估。     

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。     

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。     

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。     

基于高光谱成像技术快速检测茶叶茶多酚含量

目的 为了快速、无损的检测茶叶中茶多酚含量,建立一种精确、高效的多元校正模型。方法 首先利用高光谱成像技术采集单纵茶叶的光谱数据,其次通过二维相关光谱(two-dimensional correlation spectroscopy techniques,2D-COS)波段筛选算法提取特征光谱,最后结合极限学习机(extreme learning machine,ELM)建立茶多酚的预测模型,并与全波段模型进行对比。结果 经二维相关光谱算法所提取后的特征波段所建立的模型预测效果优于全波段模型。茶多酚的决定系数(correlation coefficient of cross-validation,R2)从0.89上升到0.94,预测值均方根误差(root mean square error of prediction,RMSEP)也从2.37%下降到2.16%。结论 表明二维相关光谱波段筛选算法有效的提取茶多酚的特征波段,对茶叶茶多酚含量的快速、无损预测具有可行性。     

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。     

光谱预处理对太赫兹光谱预测猪肉K值的影响

采用太赫兹（terahertz,THz）光谱分析技术无损检测猪肉的新鲜度K值,但水会强烈吸收THz波,从而严重影响THz波对肉的检测。考察预处理方法对削弱水的干扰、提升THz光谱检测猪肉K值的模型性能的影响。分别采用多元散射校正、标准正态变量变换、一阶微分、二阶微分4?种预处理方法对衰减全反射光谱进行预处理,基于反向传播人工神经网络回归算法建立猪肉K值的THz光谱预测模型,比较研究4?种预处理方法后的模型预测精度。研究表明：一阶微分预处理方法效果最好,能够消除光谱基线漂移,提高光谱质量。与原始光谱相比,模型的预测集相关系数（Rp）从0.34提高到0.75,预测集均方根误差从20.24%降低到14.36%。因此,选择合适的光谱预处理技术对提高模型预测精度非常重要,采用一阶微分预处理后的THz光谱数据建立反向传播人工神经网络模型能够无损检测猪肉的新鲜度K值。     

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。     

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。