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VIS/NIR高光谱成像技术检测鸡肉嫩度

利用400~1000 nm可见近红外高光谱成像系统对鸡肉嫩度进行快速无损检测研究。采集鸡肉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鸡肉的标准嫩度。以原始光谱和多元散射校正(MSC)预处理光谱数据建立鸡肉嫩度的偏最小二乘回归(PLSR)模型,预处理光谱建立的模型效果更优。基于MSC预处理,采用偏PLS权重系数法结合逐步回归法筛选出了4个特征波长。然后采用PLSR和多元线性回归(MLR)模型分别建立特征波长处光谱反射值和鸡肉嫩度关系的数学模型,优选最佳模型。结果显示:MLR模型预测效果较好,预测相关系数(RP)和均方根误差(RMSEP)分别为0.94和1.97。研究表明:利用可见近红外高光谱成像技术结合多元回归分析法对鸡肉嫩度的快速无损检测是可行的。     

基于高光谱和极限学习机的冷鲜羊肉颜色无损检测

利用400~1000 nm近红外高光谱成像系统对冷鲜羊肉颜色进行快速无损检测研究。采集140个冷鲜羊肉样品(贮藏1~7 d)光谱图像,并测量其亮度(L*)、红度(a*)、黄度(b*)和饱和度(C*)等颜色参数。选取感兴趣区域获取样品代表性光谱,利用联合区间偏最小二乘法(si PLS)对一阶微分、多元散射校正、标准正态变量变换(SNV)等方法预处理后的光谱数据筛选特征波段,建立冷鲜羊肉颜色各参数的si PLS-ELM神经网络校正模型。对于L*、a*、b*和C*,模型的预测集相关系数(RP)分别为0.9219、0.9391、0.9603和0.8839,预测集均方根误差(RMSEP)分别为1.1935、0.2333、0.6009和0.3586。结果表明:采用可见-近红外高光谱成像技术结合si PLS-ELM神经网络对冷鲜羊肉颜色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。     

基于近红外高光谱成像的冷鲜羊肉表面细菌总数检测

细菌总数是反映肉品被污染和腐败状况的重要指标,为寻找快速有效的冷鲜羊肉表面细菌总数无损检测方法,本研究利用近红外高光谱(900~1700nm)成像技术对20d贮藏期内的冷鲜羊肉表面细菌总数进行快速无损检测。由80个样本表面高光谱图像获取目标区域反射光谱,采用多元散射校正和二阶导数相结合(MSC+SD)的方法进行预处理。将用主成分分析法对光谱降维后获得6个特征波长作为输入变量,分别采用偏最小二乘回归(PLS)、误差反向传递人工神经网络(BP-ANN)和径向基函数人工神经网络(RBF-ANN)三种方法建立模型对冷却羊肉表面细菌总数进行预测,均取得较好预测结果,其中,神经网络建模效果优于PLS,预测效果最好的是RBF-ANN模型,相关系数R为0.9988,均方根误差RMSEP为0.2507。结果表明,NIR高光谱图像技术可用于冷鲜羊肉表面细菌总数的快速无损检测。     

冷鲜羊肉冷藏时间和水分含量的高光谱无损检测

利用可见-近红外高光谱成像技术对冷鲜羊肉的冷藏时间和水分含量进行无损检测。通过波长400～1 000 nm可见-近红外高光谱系统采集160 个羊肉样本光谱信息,优选主成分-14-线性判别法对原始光谱建立羊肉冷藏时间的判别模型,校正集对羊肉冷藏时间的判别率为99.17%,预测集为100%,模型可较好地判别羊肉的冷藏时间。其次,针对羊肉冷藏过程中水分含量的变化,优选最佳预处理方法并运用偏最小二乘回归（partial leastsquares regression,PLSR）法建立水分含量预测模型;结果表明,经过Savitzky-Golay卷积平滑预处理的PLSR模型对水分含量的建模效果最优,校正集和预测集相关系数分别为0.888和0.784,交互验证均方根误差为0.696。研究表明,采用可见-近红外高光谱成像技术对冷鲜羊肉冷藏时间的判别和冷藏过程中羊肉水分含量的快速预测是可行的。     

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。     

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。     

基于高光谱成像技术的长枣表面农药残留无损检测

利用近红外高光谱成像技术对灵武长枣的表面农药残留进行无损检测研究。采用Kubelka-Munk校正和SavitzkyGolay卷积平滑对900~1 700nm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;运用偏最小二乘回归系数选择特征波长,建立全波段和特征波长下的偏最小二乘农药残留预测模型。结果表明,经过Kubelka-Munk+Savitzky-Golay卷积平滑处理后的光谱建模效果最好,且利用特征波长建立的长枣表面农药残留校正和验证模型的相关系数和均方根误差分别为0.86,0.85和0.000 32,0.000 33,优于全波段建立的模型。研究表明,采用高光谱成像技术对灵武长枣表面农药残留的无损检测是可行的。     

应用便携式近红外仪检测生鲜羊通脊肉的嫩度

在北京市内收集生鲜羊通脊肉样品98个,研究应用便携式近红外仪快速无损检测生鲜羊通脊肉嫩度,结合化学计量学的方法建立可以快速无损检测生鲜羊通脊肉嫩度的近红外光谱检测模型。在建模过程中,研究了平滑、求导和信号校正等不同光谱预处理方法对模型的影响。结果表明:最佳的光谱预处理方法为均值中心化、Savitzky-Golay(SG)一阶导数、SG平滑和正交信号校正。应用偏最小二乘法建模所得模型的校正集标准偏差0.90、验证集标准偏差2.39、校正集相关系数(R c)=0.94、验证集相关系数(R p)=0.64、主因子数为4,说明模型具备较好的预测准确性,可应用于生鲜羊通脊肉嫩度的快速无损检测中。     

近红外光谱技术快速测定鹅肉嫩度

目的：应用近红外光谱技术快速检测鹅肉的嫩度值。方法：采集完整鹅肉的近红外光谱（950～ 1 650 nm）,光谱经多种校正预处理后,再分别采用主成分回归和偏最小二乘法建立鹅肉嫩度的定量预测数学模 型。结果：采用5点移动窗口平滑处理结合偏最小二乘法所建立模型的预测效果最好,嫩度定量校正数学模型的模 型决定系数为0.908 0,内部交互验证均方根误差为113.618 6。用此模型对预测集20 个样品进行预测,预测值与实 测值的相关系数达到0.971 1,预测值平均偏差为21.673 g,预测值和实测值之间没有显著性差异（P＞0.05）。结 论：近红外光谱作为一种无损快速的检测方法,可用于评价鹅肉的嫩度。     

基于NIR高光谱技术检测滩羊冷鲜肉颜色

试验评估了利用近红外高光谱成像系统(900~1 700 nm)快速预测滩羊冷鲜肉颜色的可行性。采集具有代表性的120个滩羊外脊肌肉样品的高光谱数据,并测量其颜色参数(L*,a*和b*)。对光谱数据进行标准正态变量变换(SNV)预处理,并用正自适应加权算法(CARS)对光谱数据进行降维处理,最后应用偏最小二乘回归对光谱数据建模。结果表明,建立的偏最小二乘回归模型能很好地预测冷鲜滩羊肉的颜色参数,利用高光谱技术预测颜色是可行的。     

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。     

近红外高光谱快速无接触评估冷鲜猪肉脂质氧化

基于近红外高光谱成像技术对不同贮藏期的猪肉脂肪氧化程度进行快速无接触评估研究。采集冷鲜猪肉样品的900~1 700nm反射光谱信息,经高斯滤波平滑(GFS)、移动平均值平滑(MAS)、卷积平滑(SGCS)、中值滤波平滑(MFS)、多元散射校正(MSC)、标准正态变量变换(SNV)和基线校正(BC)7种预处理后,利用偏最小二乘回归(PLSR)算法挖掘光谱信息与2-硫代巴比妥酸(TBA)参考值之间的定量关系。结果显示,经GFS预处理的全波段光谱(486个波长)构建的GFS-PLSR模型预测TBA效果较好(RP=0.919,RMSEP=0.036 mg/100g)。采用回归系数法(RC),逐步回归法(Stepwise)和连续投影算法(SPA)筛选最优波长优化GFS-PLSR模型。结果显示,使用RC法从GFS光谱中筛选的29个最优波长构建的RC-GFS-PLSR模型预测TBA效果较好(RP=0.924,RMSEP=0.034mg/100g),且和GFS-PLSR模型预测精度相近。试验表明,利用近红外高光谱成像技术结合RC法预测猪肉中TBA值可实现猪肉脂肪氧化程度的间接快速评估。     

基于高光谱成像技术的金银花霉变检测模型

利用高光谱成像技术,研究一种快速、准确、无损检测金银花霉变程度的方法。通过比较Savitzky-Golay(SG)卷积平滑、多元散射校正(MSC)和SG-MSC 3种预处理方法对偏最小二乘算法(PLS)建模效果的影响,得到SG-MSC为建模最优预处理方法。使用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)选择经预处理后光谱的特征波长,并分别建立偏最小二乘判别(PLS-DA)和最小二乘支持向量机(LS-SVM)的判别分析模型。结果表明,光谱经SG-MSC预处理后,应用CARS提取特征波长并建立LS-SVM判别分析模型为金银花不同霉变程度最优判别模型,其训练集与验证集的正确率均达到100%。利用高光谱成像技术能够快速无损、有效地鉴别金银花霉变程度,并且在特征波长下能实现金银花霉变程度的快速判别分析。     

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。     

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。     

生鲜猪肉水分含量的快速无损检测

目的 研究生鲜猪肉水分含量与1000~1680 nm范围内近红外吸收光谱之间的关系, 对生鲜肉的水分含量进行快速无损检测。方法 将原始光谱经中值平滑、多元散射校正和一阶导数复合预处理, 结合多元线性回归和偏最小二乘回归两种建模方法建立生鲜肉水分含量的预测模型。结果 应用所建立的模型对111个实际生鲜猪肉样品的水分含量进行预测, 得到较为满意的预测结果, 两种模型的预测相关系数分别为0.839和0.810。结论 所建模型适合于生鲜猪肉水分的无损快速检测。     

基于高光谱成像的羊肉掺假可视化无损定量检测

目的：快速、准确检测羊肉掺假。方法：利用可见—近红外(400~1 000 nm)和短波近红外(900~1 700 nm)高光谱成像仪对羊肉中掺假不同比例的鸭肉进行数据采集,比较两个波段范围内不同光谱预处理方法的偏最小二乘法(PLS)建模效果,最终在可见—近红外波段选择归一化预处理方法,在短波近红外波段选择标准正态变量变换(SNV)预处理方法。分别对两个波段的光谱数据进行最优的预处理后,采用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)、区间随机蛙跳算法(iRF)和组合区间偏最小二乘法(SiPLS)对特征波长进行选取。结果：在短波近红外(900~1 700 nm)波段采用SNV-SPA-PLS模型的羊肉掺假预测效果最好,预测集决定系数为0.968 4,预测标准偏差为0.058 2,预测集相对分析误差为5.625 4,并得到较好的图像反演结果。结论：利用不同波段的高光谱成像技术可实现对羊肉掺假的快速无损定量检测。     

基于最优光谱信息的冷鲜鸡肉TBA值快速检测

基于最优光谱信息构建PLS模型预测冷鲜鸡肉的2-硫代巴比妥酸(2-Thiobarbituric acid,TBA)值,快速无损评估冷鲜鸡肉的氧化程度。采集冷鲜鸡肉的900~1700 nm范围内高光谱图像,提取并平均图像中感兴趣区域内的反射光谱信息,经移动平均值平滑(MAS)、卷积平滑(SGS)、中值滤波平滑(MFS)、高斯滤波平滑(GFS)、归一化(N)、多元散射校正(MSC)、基线校正(BC)和标准正态变量变换(SNV)8种方法预处理光谱信息后,建立偏最小二乘(PLS)模型预测冷鲜鸡肉中TBA值。同时采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(SPA)筛选最优波长优化PLS模型。结果显示,基于PLS-β系数法从GFS光谱筛选的31个最优波长构建的GFS-P-OW-PLS模型预测冷鲜鸡肉TBA值效果最好(r_P=0.945,RMSEC=0.053 mg/100 g)。综上,基于最优光谱信息构建PLS模型可实现鸡肉TBA值的快速无接触检测。