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。      

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。     

基于高光谱和极限学习机的冷鲜羊肉颜色无损检测

利用400¹000 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1⁷ 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。      

基于近红外高光谱成像技术的宁夏羊肉产地鉴别

使用900~1700 nm高光谱成像系统采集宁夏银川、固原、盐池三个不同产地的绵羊后腿样本的近红外高光谱数据,对光谱采用面积归一化方法预处理,利用SPA、CARS、UVE算法对预处理后的光谱数据提取特征波长分别为17、40、121个;结合PLS-DA及KNN建立特征波段下的判别模型。结果表明KNN判别模型效果较差,3种特征波长中利用CARS提取的特征波长建模效果最佳,代替全光谱建立PLS-DA判别模型是可行的;综合对比模型效果,CARS-PLS-DA为最优模型,校正集正确率90.48%,预测集正确率84.21%。证明利用近红外高光谱成像技术对羊肉产地鉴别是可行的。     

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。     

南疆鲜羊肉水分含量的近红外光谱法无损检测

本文在近红外反射光谱780~1700 nm的波长范围内采集新宰杀的同一品种的羊的后腿肉134个样本的光谱数据,来实现快速无损的南疆生鲜羊肉含水量的检测。这些光谱数据经中值平滑滤波、多元散射校正、一阶导数、标准化处理、中心化变换和S-G平滑等预处理方法对原始光谱进行降噪处理;然后以13:1的比例将样本分为训练集和测试集,并采用PLSR建立预测模型,使用所建模型对生鲜羊肉水分含量进行预测。结果为:训练集的预测相关系数Rc为0.94、标准差MSEC为0.04,预测成功率为97.6%,测试集的预测相关系数Rv为0.89、标准差MSEV为0.07,预测成功率为96.4%。实验结果证实结合中值平滑滤波、多元散射校正、一阶导数、标准化处理、中心化变换和S-G平滑等多种预处理方法建立的基于近红外光谱PLSR模型,可以对南疆鲜羊肉的水分含量进行精确的快速无损评价,并且能为南疆生鲜羊肉水分含量的快速无损检测技术的应用提供理论上的指导。     

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。     

高光谱成像技术检测肴肉新鲜度

建立阿胶中马和驴成分高特异、高灵敏的实时荧光聚合酶链式反应（polymerase chain reaction,PCR）检 测方法。选择马和驴线粒体基因tRNA-Thr及D-loop区为靶序列,设计合成特异引物,通过普通PCR和实时荧光PCR 检测,结果表明,这两对引物能够准确检测阿胶或动物胶中马和驴成分。     

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。     

基于高光谱成像的滩羊肉菌落总数和挥发性盐基氮的无损检测

以宁夏滩羊肉为研究对象,利用400¹000 nm可见近红外高光谱对冷鲜羊肉的菌落总数和挥发性盐基氮含量进行新鲜度的检测研究。采集冷鲜滩羊肉表面光谱图像,提取感兴趣区域获取原始光谱数据。剔除由蒙特卡洛检测法所检测出的异常样本,采用理化值共生距离法（SPXY）划分样本的校正集和预测集。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;后采用主成分回归法（PCR）和支持向量机回归法（SVR）建立模型,优选最佳建模方法。结果表明:光谱数据经过正交信号校正（OSC）预处理后,建立的菌落总数和TVB-N含量预测模型效果较好,其RC分别为0.9067和0.9147,Rp分别为0.8743和0.8802,均高于其他光谱预处理模型。通过不同建模方法的比较,建模效果较好的是PLSR方法。研究表明:利用可见近红外高光谱技术可以实现对滩羊肉新鲜度的无损检测。      

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。     

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...     

苹果品质高光谱成像检测技术研究进展

高光谱成像对水果的无损检测是近些年迅速发展的一项新技术,它能三维地获取被检测对象内部与外部多项特征。本文通过介绍高光谱成像系统结构、光源种类及扫描形式,归纳适用于检测苹果品质的系统类型,通过描述指标检测操作流程解析其中几个重要环节,并对国内外苹果指标检测的操作流程、建模方法、研究进展进行总结,最后提出苹果品质高光谱无损检测的研究方向和应用前景。      

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。      

基于高光谱成像技术的鸡肉菌落总数快速无损检测

以市售新鲜冷藏(4℃)鸡胸肉为研究对象,采集鸡胸肉表面的高光谱(400~1 100 nm)图像信息,采用偏最小二乘回归(partial least square regression,PLSR)建立菌落总数预测模型,采用不同预处理方法提高模型的预测准确性和稳健性,实现快速无损检测生鲜鸡胸菌落总数的目的。结果表明:标准变量变换(standard normalized variate,SNV)预处理后,模型性能最佳。模型的校正标准差(standard error of calibration,s_(EC))和验证标准差(standard error of prediction,s_(EP))分别为0.40和0.57,s_(EP)/s_(EC)为1.08,校正集相关系数(correlation coefficient of prediction,R_C)和验证集相关系数(correlation coeffic ient of prediction,R_P)分别为0.93和0.86;且应用最佳模型可有效预测样品菌落总数的分布地图。     

近红外技术快速检测冷鲜羊肉品质的研究

目的建立近红外反射光谱法,结合偏最小二乘回归法对冷鲜羊肉进行快速无损检测。方法从农贸市场购买新冷鲜羊肉100批,通过分析一阶导和二阶导,S-G平滑(savitzky-golay,S-G)和Norris平滑方式建立羊肉的近红外光谱参数与样品的蛋白质、脂肪、水分含量之间的对应关系模型。结果蛋白质含量最优模型选择5981.72～5961.74 cm~(-1)波段,二阶导,S-G平滑方式,相关系数为0.9312,建模方差为0.803;脂肪含量最优模型选择5207-7362 cm~(-1)波段,一阶导,Norris平滑方式,其相关系数0.9157,建模方差为4.703;水分含量最优模型选择6800-9000 cm~(-1)波段,一阶导,Norris平滑方式,相关系数为0.9200,建模方差为0.039。结论所建立模型的精确度符合检测要求,为羊肉品质的分析测定提供了一种快速方便的检测方法 。     

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。     

基于高光谱成像技术的水果表面农药残留无损检测

在高光谱成像技术的基础上,提出了一种应用于水果表面农药残留的无损检测方法。对采集数据进行预处理和特征提取,通过细菌群体趋药性算法找到最优的最小二乘支持向量机参数,建立农残检测模型,并与最小二乘支持向量机模型进行比较,验证该模型的优越性和准确性。结果表明,基于连续投影法特征波长结合文中检测模型具有最高的检测精度,其准确率达97.92%。     

高光谱成像技术对不同成熟期葡萄香气成分的无损检测

利用高光谱成像技术结合偏最小二乘(PLS)法建立不同成熟期贝达葡萄香气成分预测模型。用气相色谱-质谱(GC-MS)测定葡萄香气成分的组成及含量,选择葡萄香气的特征成分酮类、酚类、烷烃类为研究对象,通过连续投影算(SPA)法选择其特征波长,建立特征波长-香气成分模型和全波段-香气成分模型。结果表明:不同成熟期的葡萄香气成分含量与其光谱具有显著相关性:酮类物质全波段-PLS的预测相关系数(RP)为0.992 5, SPAPLS的RP=0.984 3;酚类物质全波段-PLS的RP=0.988 8, SPA-PLS的RP=0.992 8;烷烃类物质全波段-PLS的RP=0.987 0,SPA-PLS的RP=0.989 6。研究表明,高光谱成像技术可以对不同成熟期的葡萄香气成分进行无损检测。