高光谱成像技术对羊肉新鲜度的无损检测

为探究高光谱成像技术对羊肉新鲜度无损检测的可行性,通过高光谱成像系统获取羊肉样本935～2 539 nm的高光谱图像,测定羊肉挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量并划分样本新鲜度类别。借助连续投影法(successive projection algorithm,SPA)优选的12个特征波长建立基于反向人工神经网络(back-propagation artificial neural network,BPANN)和分类回归决策树(classification and regression trees,CART)算法的羊肉新鲜度判别模型。结果表明,BPANN模型对校正集和预测集的平均分类准确率为100%和83. 33%,对3个新鲜度类别样本的识别率分别为88. 89%、75%和85. 71%;CART模型对校正集和预测集的平均分类准确率为100%和91. 67%,对3个新鲜度类别样本的识别率分别为88. 89%、87. 50%和100%。CART模型的平均分类准确率和对3个类别样本的识别率均高于BPANN模型,表明高光谱成像技术结合C...     

基于特征选择与特征提取融合的鸡蛋新鲜度光谱快速检测模型优化

为有效提高鸡蛋新鲜度检测效率、优化检测模型,本研究结合波长特征选择和特征提取方法各自的优点,对二者进行有效融合共同优化鸡蛋新鲜度检测模型。利用一阶微分对550～950?nm范围内鸡蛋的可见-近红外透射光谱数据进行预处理,考虑到冗余光谱信息对模型精度的影响,使用特征选择方法中的竞争性自适应重加权(competitive?adaptive?reweighted?sampling,CARS)算法融合非线性特征提取局部切空间排列(local?tangent?space?alignment,LTSA)算法最小化光谱无用信息,建立支持向量机回归(support?vector?regression,SVR)模型,结果表明单一使用CARS特征波长选择建立模型得到训练集交叉验证相关系数(Rcv)为0.880 5,交叉验证均方根误差(root?mean?square?error?of?cross?validation,RMSECV)为8.59,预测集相关系数(Rp)为0.888 9,预测集均方根误差(root?mean?square?error?of?prediction,RMSEP)为8.42,融合LT...     

基于CUVE-PLS-DA的鸡蛋新鲜度在线检测分级

针对目前鸡蛋新鲜度检测技术方法存在劳动强度大、检测精度低、分级效率不足等缺陷,本研究在4 800 枚/h的禽蛋传输机上搭建了可见-近红外透射光谱（501～1 000 nm）在线检测装置,动态采集鸡蛋透射光谱数据,并建立光谱信息与鸡蛋哈夫值等级的偏最小二乘判别模型。采用3∶1原则对鸡蛋样本进行随机划分,其中校正集169 个,验证集57 个,通过比较多种光谱预处理方法以及两种特征波长选择方法,得出标准正态变换预处理方法和多模式共识方法能够有效地提高模型的正确率、运算效率和预测能力,优化模型后的校正集和验证集准确率分别为92.31%、91.23%。结果表明本实验建立的可见-近红外光谱透射光谱检测方法能够对鸡蛋的新鲜度进行无损、智能、在线检测分级。     

基于卷积神经网络模型的裂纹鸡蛋图像识别

目的:提高基于计算机视觉的鸡蛋裂纹检测方法的准确性和运行效率。方法:使用禽蛋模拟撞击设备得到裂纹鸡蛋,并通过鸡蛋动态图像采集设备采集不同角度裂纹鸡蛋和完好鸡蛋图像,然后以原始图像和经预处理后图像分别建立用于裂纹鸡蛋图像识别的YOLO-v5、ResNet和SuffleNet模型,并比较不同模型识别准确度以及对未经预处理图像的适应性。结果:YOLO-v5、ResNet和SuffleNet模型均可有效识别经过预处理的裂纹鸡蛋图像,其验证集准确率分别为98.8%,97.8%,99.4%。对于未经预处理的裂纹鸡蛋,ResNet模型判别准确率较低,而SuffleNet模型对其适应性较好,判别准确度超过99%。结论:在卷积神经网络模型中,SuffleNet模型适用于裂纹鸡蛋图像的识别,且采集的图像无需进行预处理。     

鱼体新鲜度近红外光谱检测方法的比较研究

目的 建立针对淡水鱼整鱼鱼体新鲜度的快速无损检测方法. 方法 通过比较不同的光谱与相应挥发性盐基氮(TVB-N)值的建模结果, 以及对比分析竞争性自适应重加权算法(CARS)、遗传算法(GA)及连续投影算法(SPA)三种特征波长选择方法对模型的优化结果, 对鱼鳞及光谱采集部位等影响因素进行研究。结果 鱼体有鳞时的尾部为最佳新鲜度检测部位。CARS法较优且鱼体新鲜度检测的最优波段为800~1100 nm, 采用CARS特征波长选择方法选择出23个波长变量重新建立PLS模型, 模型预测集相关系数RP=0.957, 预测均方根误差RMSEP=0.589 mg/100 g。利用CARS方法选择的23个波长变量对淡水鱼进行新鲜度评价, 准确率达96.67%。结论 该方法为淡水鱼整鱼新鲜度快速无损检测提供了一种有效的方法。     

基于高光谱技术的马铃薯外部品质检测

为了快速无损检测马铃薯外部品质,研究采用高光谱成像技术对马铃薯外部品质分级。选取合格、发芽、绿皮、孔洞4种马铃薯外部特征,获取光谱数据,采用不同预处理方法对光谱数据进行处理,并分别建立偏最小二乘判别模型,结果显示采用标准正态变量变换法(SNV)获得的模型效果最优。对预处理后的光谱数据利用连续投影算法(SPA)及加权权重法(WWM)分别优选出了13个和9个特征波段,对两种不同方法得出的特征波段分别建立了支持向量机判别模型,结果显示两种方法对预测集的判别准确率均达到了100%,WWM-SVM判别模型对校正集的交叉验证率为99.5%,高于SPA-SVM判别模型的交叉验证率。利用高光谱成像技术结合SPA-SVM和WWM-SVM对马铃薯外部品质进行分级具有可行性。     

基于特征融合的猪肉新鲜度高光谱图像检测

利用高光谱反射图像技术研究了猪肉新鲜度的无损检测。采集了180个猪肉样本在400~1 000 nm范围内的高光谱反射图像,提取了高光谱图像的光谱均值和熵两类特征;分别利用连续投影算法、主成分分析,以及连续投影算法结合主成分分析3种特征降维方法,提取了反映肉类新鲜度信息的重要特征变量;并建立了这些特征变量与挥发性盐基氮(TVB-N)的最小二乘支持向量机(LSSVM)预测模型;在此基础上提出了猪肉TVB-N含量的可视化检测方法。研究结果表明:相比于单一特征模型,利用光谱均值和熵融合特征的LSSVM模型可显著提高模型的准确度;连续投影算法结合主成分分析的特征降维方法,可显著降低模型的复杂度,提高模型准确度。利用光谱均值和熵两类特征,通过连续投影算法和主成分分析相结合的特征降维方法所建立的LSSVM预测模型,可取得最佳的预测准确度,其预测集的均方根误差RMSEP为1.96,相关系数(RP)为0.948,剩余预测偏差(RPD)为3.12,可满足实际检测需要。建立在此基础上的可视化方法,可直观显示肉类的腐败区域和程度。     

基于光谱技术的支持向量机判别牛肉新鲜度

目的 实现生鲜牛肉新鲜度等级的无损快速判别。方法 用可见/近红外光谱检测系统, 获取储存1~18 d的36块牛肉样品的400~1600 nm范围的光谱信息, 以挥发性盐基氮理化值为分类依据。用多元散射校正(MSC)、变量标准化(SNV)、SG平滑预处理方法处理光谱数据, 分别建立牛肉新鲜度的支持向量机分类模型。结果 MSC+SG预处理后所建立的分类模型预测能力最好, 训练集和测试集的回判识别率和预测识别率分别为96.30%、100%, 验证集的识别率为88.89%。结论 可见/近红外光谱结合支持向量机, 对牛肉新鲜度进行无损快速判别是可行的。     

近红外高光谱成像技术对鸡蛋种类的鉴别

为探讨近红外高光谱成像技术对鸡蛋种类判别的可行性,采用近红外高光谱(900~1700 nm)成像技术,以223个鸡蛋样本为研究对象,其中富硒鸡蛋74枚、无公害鸡蛋72枚、普通鸡蛋77枚,富硒鸡蛋和无公害鸡蛋为海兰褐鸡蛋,普通鸡蛋为洋鸡蛋。对比S-G卷积平滑、基线校准(Baseline)、标准正态变量变换(SNV)、标准化(Normalize),优选出S-G卷积平滑光谱预处理方法;连续投影算法(SPA)、无信息变量消除法(UVE)、后向间隔偏最小二乘波段选择法(BiPLS)算法提取的特征波长数分别为8、107和155,分别建立全光谱、SPA、UVE、BiPLS的PLS-DA判别模型,结果显示在4种模型中BiPLS-PLS-DA的识别性能要优于FS-PLS-DA、UVE-PLS-DA和SPA-PLS-DA,其校正集正确识别率为95.24%,预测集识别率为78.18%。近红外高光谱成像技术作为一种快速、高效的种类判别技术对鸡蛋种类的判别具有可行性。     

振动胁迫下双孢蘑菇高光谱成像品质检测

为快速有效识别双孢蘑菇轻微损伤,以不同振动时间后不同损伤程度的双孢蘑菇为研究对象,采集400～1 000 nm的完好无损、振动60 s和振动120 s双孢蘑菇的近红外高光谱图像,发现3 种类型的双孢蘑菇在450～750 nm的光谱曲线有明显差异。比较标准正态变量变换、SG（Savitzky-Golay）平滑和多元散射校正等预处理方法,确定SG平滑为最优预处理方法。并将处理后的数据采用连续投影算法和竞争性自适应重加权算法提取不同损伤程度的特征波段;基于灰度共生矩阵提取500 nm波长特征图像感兴趣区域的纹理特征,分别将光谱信息和纹理特征信息作为输入,建立偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）、BP（back propagation）神经网络和极限学习机损伤程度识别模型。结果表明,两种特征集建模,PLS-DA模型均表现出最好的识别效果,PLS-DA模型训练集和测试集平均识别准确率为93.33%、91.11%和88.89%、86.67%。最后基于光谱-纹理融合信息建立PLS-DA模型,训练集和测试集总体识别正确率分别为97.78%、95.56%。结果表明,光谱-纹理融合信息建模预测效果优于单一特征信息建立的判别模型。因此,采用高光谱融合信息建模可以提高不同损伤程度的双孢蘑菇检测精度,为双孢蘑菇贮藏、分类提供理论支撑。     

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。     

基于高光谱成像技术的酿酒高粱品种分类

针对不同品种酿酒高粱分类难、分类精度有待提高等问题,提出了一种结合光谱和图像信息的高光谱成像技术从而对酿酒高粱进行分类的方法。通过采集11类共550个高粱样本的高光谱数据,运用连续投影算法从多元散射校正预处理后光谱中筛选出48个特征波长,再提取图像的灰度共生矩阵作为图像特征,利用纹理特征、全光谱、特征光谱及其结合图像特征分别建立支持向量机、偏最小二乘判别和极限学习机分类模型,最后再采集220个未参与建模样本对所建模型进行外部验证。结果表明,基于特征光谱结合纹理特征建立的支持向量机模型效果最佳,训练集和测试集的识别率分别为96%和95.3%,验证集的识别率达到91.8%,高于单一光谱数据建模效果,说明光谱和图像信息结合可以提高酿酒高粱的分类识别率。该方法为高粱品种的高精度分类和不同酿酒原料的快速无损检测提供了可行的方法。     

A rapid method for identification of Lanxangia tsaoko origin and fruit shape: FT-NIR combined with chemometrics and image recognition

Lanxangia tsaoko’s accurate classifications of different origins and fruit shapes are significant for research in L. tsaoko difference between origin and species as well as for variety breeding, cultivation, and market management. In this work, Fourier transform-near infrared (FT-NIR) spectroscopy was transformed into two-dimensional and three-dimensional correlation spectroscopies to further investigate the spectral characteristics of L. tsaoko. Before building the classification model, the raw FT-NIR spectra were preprocessed using multiplicative scatter correction and second derivative, whereas principal component analysis, successive projections algorithm, and competitive adaptive reweighted sampling were used for spectral feature variable extraction. Then combined with partial least squares-discriminant analysis (PLS-DA), support vector machine (SVM), decision tree, and residual network (ResNet) models for origin and fruit shape discriminated in L. tsaoko. The PLS-DA and SVM models can achieve 100% classification in origin classification, but what is difficult to avoid is the complex process of model optimization. The ResNet image recognition model classifies the origin and shape of L. tsaoko with 100% accuracy, and without the need for complex preprocessing and feature extraction, the model facilitates the realization of fast, accurate, and efficient identification.     

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...     

融合高光谱和图像深度特征的腊肉分类与检索算法研究

本文以腊肉为实验对象,建立一种融合光谱曲线特征和图像特征的肉类食品分类与检索方法,利用10个3×3的卷积层、3个5×5的卷积层、5个5×5的池化层和2个全连层的CNN模型对高光谱图像进行特征提取,并以交叉熵作为优化目标,同时利用多元散射校正和主成分分析方法(Principal Component Analysis,PCA)对光谱特征进行预处理和特征提取,然后将两种特征进行融合,并将融合特征利用支持向量机(Support Vector Machine,SVM)进行分类。结果表明,直接使用CNN训练好的模型对高光谱图像进行特征提取,利用SVM作为分类器,分类的准确率只有75.6%,融合光谱曲线特征后用SVM进行分类,准确率可达99.2%。此外,本文还计算了被检索样本和标准等级样本特征向量的欧氏距离,完成了腊肉新鲜度等级的检索任务,显示了该方法的可行性和有效性。     

基于PCA-ELM和光谱技术预测香蕉成熟度

本文利用高光谱成像技术(Hyperspectral imaging)对常温下贮存的450个未剥皮香蕉样本光谱数据进行采集,首先检测样本果肉可溶性固形物含量(TSS)、坚实度(FIM),采用SPSS单因素方差分析,然后运用线性优化岭回归分析-偏最小二乘法(RR-i PLS)建立了香蕉成熟度理化指标的光谱和图像特征分类模型,结果表明通过实验平台获取光谱数据预测香蕉可溶性固形物含量以及坚实度的相关系数R2值分别为0.92和0.94。再通过连续投影法(successive projections algorithm,SPA)法以及主成分分析法(principal component analysis,PCA)分别选取特征波长,建立基于特征波长的极限学习机(extreme learning machine,ELM)对光谱数据进行建模交叉验证。通过比较RR-i PLS,SPA-ELM与PCA-ELM三种分类预测模型,表明基于特征波长的PCA-ELM分类模型具有较好的预测性能。交叉验证准确率达到99%。为能快速无损识别香蕉果实品质提供一种有效的预测研究,基本满足对香蕉成熟度分类检测且显示出有效建模分析,且能达到有效的经济效益。