融合图谱特征信息的明虾挥发性盐基氮含量无损检测

为实现明虾中挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量的快速预测,采用近红外光谱和机器视觉技术获取明虾图谱特征信息,融合图谱特征信息构建预测明虾中TVB-N含量的支持向量机模型.获取明虾4℃贮藏0～12 d共51 个样品的光谱信息和图像信息,同时参照GB 5009.228...     

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。     

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。     

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。     

基于光谱和图像信息融合的玉米霉变程度在线检测

融合可见-近红外光谱和机器视觉分析技术,建立玉米霉变程度在线检测方法。辐照灭菌玉米分别接种5 种谷物中常见有害霉菌,并于28 ℃和85%相对湿度环境中储藏15 d至严重霉变。在样品储藏的第0、6、9、12、15天,同时在线采集其光谱及图像特征信息,将提取的样品光谱特征波长和图像颜色特征参数融合成总特征参数,建立玉米霉变程度定性定量模型。结果表明,主成分分析可成功区分不同霉变程度的玉米样品;基于光谱和图像信息融合的线性判别分析模型对不同霉变程度玉米样品的整体识别率达91.1%,比单独应用光谱和图像时的准确率分别提高4.4%和8.9%;基于信息融合的玉米菌落总数偏最小二乘回归模型结果也同样较优,模型预测决定系数Rp2为0.894 1,均方根预测误差为0.665（lg（CFU/g））,相对分析偏差达3.06。结果表明光谱和图像数据融合能够提高模型精度,在霉变玉米在线检测方面具有可行性。下一步应不断扩大样品量,补充自然霉变及受更多代表性霉菌侵染的玉米样品,以不断增强模型的鲁棒性和适用性。     

基于高光谱图像特征融合的榛子水分含量测定

采用高光谱图像技术对榛子水分含量进行快速无损检测。采集200个榛子在400~1 000 nm波段的高光谱图像,提取榛子图像区域的平均光谱信息。利用K-S算法划分样品验证集和预测集,使用四种预处理方法对光谱进行预处理。通过竞争自适应加权算法（Competitive Adaptive Reweighted Sampling,CARS）和逐次投影法（Successive Projection Algorithm,SPA）进行光谱特征的提取;灰度共生矩阵法（Gray Level Co-occurrence Matrix,GLCM）提取图像的纹理特征;分别建立基于光谱特征,图像纹理特征以及两者串联融合的偏最小二乘回归（Partial Least Squares Regression,PLSR）和支持向量回归（Support Vector Regression,SVR）模型对榛子水分进行预测。结果表明,CARS和SPA算法能够有效选择特征波长并提升预测性能;图像特征能够对榛子水分进行预测,基于主成分图像提取的图像特征信息建立的模型预测效果更好。光谱图像特征融合能明显提高对榛子水分含量预测的准确率,CARS提取的特征波段结合主成分图像的纹理特征显示出了更好的效果,SVR模型的RMSECV为0.03,RC 为0.97,RMSEP为0.04,RP为0.96。利用高光谱图像和纹理特征能够对榛子水分进行有效预测,为榛子水分含量检测提供了新的方法。     

滩羊肉中特征脂肪酸含量的高光谱检测及可视化

风味是影响肉品质和消费的重要因子,主要由一些风味前体物质经过复杂的化学反应转化而来。羊肉风味与油酸(C_(18:1))含量有显著相关性,且硬脂酸(C_(18:0))含量与羊肉膻味呈正相关。本文采用可见/近红外高光谱(400～1 000 nm)快速检测滩羊肉中风味前体特征脂肪酸含量。首先选取掩膜后光谱图像作为感兴趣区域,采用6种方法进行光谱预处理,对比分析后优选出最佳预处理方法;然后结合连续投影算法(SPA)、无信息变量消除算法(UVE)和变量组合集群分析法(VCPA)提取特征波长并建立回归预测模型;最后通过建立的最优预测模型将脂肪酸含量定量反演到样本图像上。结果表明:油酸以MSC-UVE-MLR建模效果最优,其R_C=0.9099,R_P=0.8759;硬脂酸以SNV-SPA-MLR建模效果最优,其R_C=0.8691,R_P=0.8446。利用光谱反射率值结合最优模型参数实现了脂肪酸含量在羊肉样本高光谱图像上的可视化表达,可以通过更加直观清晰的方式对羊肉品质进行快速无损检测。     

基于多源感知信息融合的牛肉新鲜度分级检测

利用机器视觉和近红外光谱的多源感知信息融合技术评判牛肉新鲜度,并开发了相关的识别系统。以牛后腿肉为研究对象,对获取的图像特征信息和光谱特征信息,采用BP神经网络建立牛肉新鲜度分级模型。其中,通过主成分分析提取相应的主成分因子作为建模输入,根据挥发性盐基氮含量划分新鲜度等级作为模型输出。结果发现,在图像特征信息因子数为6、光谱信息主成分因子数为6时,建立的模型预测识别率可达98.31%。结果表明,基于机器视觉和近红外光谱技术的多源感知信息融合技术评判牛肉新鲜度的方法可行。     

基于拉曼和近红外光谱特征层融合的食用油MUFA和PUFA含量检测

针对食用油中单不饱和脂肪酸(MUFA)和多不饱和脂肪酸(PUFA)含量的快速检测问题,研究探索应用拉曼(Raman)和近红外(NIR)光谱以及特征层数据的融合,结合化学计量学分析,建立食用油MUFA和PUFA含量预测模型。重点研究各种预处理算法对模型预测能力的影响。应用竞争性自适应重加权采样(CARS)提取Raman和NIR光谱的特征波长,应用网格搜索(GS)算法选取支持向量机回归(SVR)模型的参数组合(C,g)值,分别建立基于拉曼和近红外光谱的特征波段的SVR预测模型;建立基于特征层的多源光谱融合的SVR预测模型。试验表明,基于特征层融合建立的Raman-NIR-SVR模型能够实现食用油MUFA和PUFA含量的快速预测,且预测效果更优。其中预测MUFA含量的SG15-ALS-Nor-CARS-MSC-CARSSVR模型的预测集决定系数R2为0.977 3,与单光谱中最优含量预测模型相比增加了2.43%;而预测PUFA含量的MA11-air PLS-Nor-CARS-MSC-CARS-SVR模型的预测集R2为0.993 0,比较最优单光谱数据建立的SVR模型增加了2.57%。结果表明,采用特征层融合方法建立的含量预测模型的综合性能优于基于单光谱数据建立的模型。