高光谱图像光谱提取区域对猕猴桃糖度检测精度的影响

为了了解高光谱图像中光谱提取区域对果品糖度检测模型精度的影响,本文以"华优"猕猴桃为对象,分别提取了10×10、20×20和30×30(像素×像素)的正方形光谱区域以及样品掩膜图像的平均光谱,对平均光谱进行平滑去噪+标准正态变量变换预处理,用处理后的全光谱建立了预测猕猴桃糖度的偏最小二乘、最小二乘支持向量机、极限学习机和误差反向传播网络模型,分析了光谱提取区域对猕猴桃糖度检测精度的影响规律。结果表明,光谱提取面积的增加能够提升最小二乘支持向量机、极限学习机和误差反向传播网络模型的预测性能。基于猕猴桃掩膜图像的平均光谱所建立的最小二乘支持向量机模型具有最好的预测性能,其预测相关系数为0.97,预测均方根误差为0.86oBrix,相对预测误差为4.06。研究说明在高光谱图像中选择合适的光谱提取区域有助于提高模型的预测精度。     

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...     

基于高光谱图像技术的长枣糖度无损检测

基于高光谱图像技术对长枣含糖量进行无损检测。由长枣高光谱图像获取反射光谱进行多元散射校正处理,再采用主成分分析获得主成分数据作为BP神经网络的输入变量,建立长枣糖度预测模型。结果表明,采用BP神经网络预测长枣糖度模型优于PLS,模型的相关系数和均方根误差分别为0.927 4和1.712 5。利用高光谱图像技术对长枣糖度的无损检测是可行的。     

基于高光谱成像技术预测牡蛎干制加工过程中的水分含量

提出一种应用高光谱成像技术结合化学计量学检测牡蛎干制加工过程中水分含量的方法。采用高光谱成像系统,在400～1 100 nm范围内,采集到5个干燥时期的100个牡蛎干样本高光谱图像。提取所有样本感兴趣区域的平均光谱数据,对原始光谱数据进行多元散射校正(MSC)、卷积平滑(S-G)预处理,采用相关系数法提取8个特征波长。基于所提取的特征波长,建立光谱数据与水分含量的多元线形回归(MLR)和BP神经网络模型。结果表明:两种模型均有较好的预测效果。MLR模型的校正集、预测集和交叉验证集的相关系数较BP神经网络低;校正集、预测集和交叉验证集均方根误差分析结果表明,BP神经网络效果较MLR好。高光谱成像技术结合化学计量学方法可检测牡蛎干制过程中水分含量的变化。     

基于阈值选取高光谱感兴趣区域的牛肉掺假检测

目的建立一种通过阈值选取高光谱图感兴趣区域建立模型从而提高快速检测牛肉掺假猪肉水平的方法。方法以2%为间隔,掺假比例为2%～50%(w/w),配制掺入猪肉糜的掺假牛肉样本并采集高光谱反射数据,根据某波长处光谱数据频率曲线设定阈值提取高光谱感兴趣区域,同时以直径为150个像素的圆形区域提取光谱作为对比。采用浓度梯度法、Kennard-Stone法、光谱-理化值共生距离法(sample set partitioning based on joint x-y distance,SPXY)、极大线性无关法将样本划分为校正集和预测集,借助多元散射校正结合平滑预处理后采用偏最小二乘法建立掺假预测模型进行比较分析。结果通过设定阈值提取感兴趣区域建立的模型比圆形区域提取所建模型更加稳定、精准,其中SPXY法划分样本所建立的模型预测效果最好,校正相关系数r_c~2为0.9733,验证集相关系数r_p~2为0.9515。结论基于高光谱技术通过设定阈值提取特征光谱并结合化学计量学可提高预测牛肉掺假的能力。     

基于MCCV-CARS-RF建立红提糖度和酸度的可见-近红外光谱无损检测方法

利用USB2000＋微型光谱仪采集红提400～1?000?nm透过率光谱数据,并通过理化分析测得糖度和酸度值;利用SavitZky-Golay卷积平滑法对原始光谱进行预处理,结合蒙特卡罗交叉验证法剔除奇异点,再利用竞争自适应重加权采样法降维,最终建立随机森林预测模型。糖度预测模型的校正集相关系数和均方根误差分别为0.955?8和0.315?8;验证集相关系数和均方根误差为0.956?8和0.318?5。酸度预测模型的校正集相关系数和均方根误差分别是0.945?6和0.300?1;验证集相关系数和均方根误差为0.940?5和0.311?2。结果表明,该方法适用于红提糖度和酸度的快速无损检测,且具有较高的准确度。     

苹果糖度的光谱模型温度补偿设计

目的 为减少温度对便携仪器近红外光谱模型预测的影响, 尝试构建局部温度混合校正模型, 结合温度信息来预测不同温度下的苹果内部品质。方法 以16、24、32 ℃贮藏温度下红富士苹果为原料, 分别用内置微型光谱仪的自制便携式水果分析仪器获得其透射光谱, 结合温度传感器获取环境温度, 用阿贝折射仪测定苹果糖度。建立单一温度校正模型、全局温度混合校正模型和局部温度混合校正模型对不同温度的样本进行预测。结果 单一温度校正模型对不同温度下苹果糖度预测均方根误差为0.474~3.125% Brix; 当采用全局温度混合校正模型时能降低温度对光谱的影响, 预测均方根误差分布在0.488~0.533% Brix。根据待测样本的温度来构建多个局部温度混合校正模型, 对不同温度下苹果糖度的预测均方根误差为 0.462~0.500% Brix。结论 局部温度混合校正模型可以结合样本温度信息预测苹果糖度, 降低温度对模型的影响, 同时能减少初期建模成本。     

红葡萄酒中白藜芦醇含量的高光谱快速检测算法优化

将高光谱技术与流化床富集技术相结合,用大孔吸附树脂对干红葡萄酒中的微量白藜芦醇吸附后,采集光谱图像,通过比对多种预处理方法对建模效果的影响进而优选算法。结果表明,采用霍特林T2统计检测方法剔除异常样本,KS算法划分白藜芦醇含量样本集,标准正态变换法预处理光谱数据,建立的标准正态变换-偏最小二乘回归模型预测效果最优,其校正相关系数Rc2为0.813 8,校正均方根误差为0.047 7,预测相关系数Rp2为0.782 4,预测均方根误差为0.050 2,为白藜芦醇的高光谱痕量检测提供理论参考。     

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。     

基于siPLS的猕猴桃糖度近红外光谱检测

为了探寻一种快速无损检测猕猴桃糖度的方法,利用小波滤噪法对猕猴桃1000～2500nm 近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型。结果表明,采用联合区间偏最小二乘法将光谱划分为16 个子区间,利用其中的第9、11、13 号3 个子区间联合建立的糖度模型效果最佳,其校正集相关系数和均方根误差分别为0.9414 和0.3788。预测集相关系数和均方根误差分别为0.9295 和0.3904,主因子数为7 个。研究表明,用小波滤噪和联合区间偏最小二乘法所建立的猕猴桃糖度模型不但减少建模运算时间,剔除噪声过大的谱区,而且预测能力和精度均有所提高。     

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。     

Wavelength Selection of Hyperspectral Scattering Image Using New Semi-supervised Affinity Propagation for Prediction of Firmness and Soluble Solid Content in Apples

Hyperspectral scattering image technology is an effective method for nondestructive measurement of internal qualities of agricultural products. However, hyperspectral scattering images contain a large number of redundant data that affect the detection performance and efficiency. A new semi-supervised affinity propagation (AP) (NSAP) algorithm coupled with partial least square regression was proposed to select the feature wavelengths from the hyperspectral scattering profiles of “Golden Delicious” apples for predicting apple firmness and soluble solid content (SSC). Six hundred apples were analyzed in the experiment, 400 of which were used for the calibration model and the remaining 200 apples were used for the prediction model. Compared with full wavelengths, the number of effective wavelengths for apple firmness and SSC prediction selected by NSAP, respectively, decreased to 28 and 40 %. The root mean square error of prediction decreased from 6.6 to 6.1 N and from 0.66 to 0.63 %, respectively, whereas the correlation coefficient increased from 0.840 to 0.862 and from 0.876 to 0.890, respectively. Better prediction accuracy was achieved by the prediction model using selected wavelengths by NSAP than that by traditional AP, SAP, and genetic algorithm. The NSAP approach provided an effective means of wavelength selection using hyperspectral scattering image technique.     

Application of Long-Wave Near Infrared Hyperspectral Imaging for Measurement of Soluble Solid Content (SSC) in Pear

Soluble solid content (SSC) in fruit is one of the most crucial internal quality factors, which could provide valuable information for commercial decision-making. Near-infrared (NIR) technique has effective potentials for determining the SSC since NIR was sensitive to the concentrations of organic materials. In this study, a novel NIR technique, long-wave near infrared (LWNIR) hyperspectral imaging with a spectral range of 930–2548 nm, was investigated for measuring the SSC in pear, which has never been examined in the past. A new combination of Monte Carlo-uninformative variable elimination (MC-UVE) and successive projections algorithm (SPA) was proposed to select most effective variables from LWNIR hyperspectral data. The selected variables were used as the inputs of partial least square (PLS) to build calibration models for determining the SSC of ‘Ya’ pear. The results indicated that calibration model built using MC-UVE-SPA-PLS on 18 effective variables achieved the optimal performance for prediction of SSC comparing with other developed PLS models (MC-UVE-PLS and SPA-PLS) by comprehensively considering the accuracy, robustness, and complexity of models. The correlation coefficients between the predicted and actual SSC were 0.88 and 0.88 and the root mean square errors were 0.49 and 0.35 °Brix for calibration and prediction set, respectively. The overall results indicated that long-wave near infrared hyperspectral imaging incorporated to MC-UVE-SPA-PLS model could be applied as an alternative, fast, accurate, and nondestructive method for the determination of SSC in pear.     

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。     

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的 比较反向传播神经网络(backpropagation algorithm neural network, BPNN)模型与偏最小二乘回归(partial least squares regression, PLSR)模型在预测芒果可溶性固形物含量(soluble solids content, SSC)方面的性能评估。方法 使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据建立两种预测模型, 通过采用多元散射校正(multiplicative scatter correction, MSC)进行光谱预处理, 利用遗传算法(genetic algorithm, GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms, IVISSA)和变量组合群体分析算法(variable combination population analysis, VCPA)提取特征波长变量, 通过比较不同特征波长提取方法进一步优化对比预测模型。结果 与PLSR模型相比, BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳, 预测集判定系数 、均方根误差(root mean square error of prediction, RMSEP)、残差预测偏差(residual prediction deviation, RPD)分别为0.8641、0.3924和2.7127。结论 该模型可快速、准确地检测芒果的SSC, 并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC, 为开发在线芒果SSC无损检测系统奠定基础。     

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900～1700 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(multiplica-tive sca...     

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。     

高光谱图像技术检测枇杷叶片三萜酸含量及叶面分布

枇杷叶富含三萜酸类化合物,具有较高的药用价值。本研究首先建立枇杷叶高光谱信号与三萜酸含量的对应关系,然后利用高光谱图像包含每个像素点的光谱信号这一独特优势,检测枇杷叶片的三萜酸分布。通过联合区间偏最小二乘法(si PLS)建立三萜酸含量分析模型,结果表明,采用si PLS将全光谱均匀划分11个子区间,选择1、5、6、7联合,主因子数为4 h,建立的si PLS谱区筛选模型预测效果最佳,其交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为3.392 mg/g和3.731 mg/g,校正集和预测集相关系数分别为0.8449和0.8223。根据si PLS模型计算叶片上所有像素点处的三萜酸含量,并通过伪彩色方法描述叶片中三萜酸含量的分布。研究结果表明,利用高光谱图像技术分析枇杷叶片三萜酸含量及叶面分布是可行的。     

结合数据融合技术与近红外光谱的休闲苹果脆片综合品质评价

以加工过程中的苹果脆片为对象,对其水分、可溶性固形物、总糖、可滴定酸和硬度5个品质指标进行综合分析,得到各指标的权重和脆片品质的综合得分,根据综合得分情况,将脆片分为A(高品质)、B(中品质)、C(低品质)三类。利用近红外光谱技术获取苹果脆片光谱信息,运用偏最小二乘判别分析(partial least-squares discriminant analysis,PLSDA)方法建立基于光谱特征的苹果脆片综合品质得分的判别模型,对3类脆片进行分类的实际值和预测值的相关系数R分别为0.84,0.63,0.89,均方根误差RMSEC分别为0.26,0.34,0.22,预测集样本的判别准确率分别为83.33%,80.0%,93.33%,说明了结合数据融合技术与近红外光谱评价加工过程中苹果脆片综合品质具有较好的可行性。