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。      

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。     

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。     

采后猕猴桃可溶性固形物含量的高光谱无损检测

为探讨基于高光谱成像技术无损检测采后猕猴桃可溶性固形物含量（soluble solids content,SSC）的可行性,基于猕猴桃900～1 700 nm波长范围的反射高光谱,建立了预测SSC的偏最小二乘、支持向量机及误差反向传播 （error back propagation,BP）网络模型,并综合比较了分别以全光谱的226 个波长,利用连续投影算法提取的12 个有效波长和采用无信息变量消除法提取的128 个有效波长作为模型的输入变量对各模型预测效果的影响。结果表明,连续投影算法能有效地提取有效波长,其在简化模型方面优势明显;BP网络与连续投影算法相结合具有最好的预测性能（预测相关系数为0.924,预测均方根误差为0.766）。研究表明,高光谱成像技术可无损检测猕猴桃的SSC,该技术将使猕猴桃内部品质的工业化分级成为可能。     

基于高光谱成像的干燥胡萝卜片水分及类胡萝卜素含量无损检测和可视化分析

利用不同波长范围的高光谱成像系统,以热风干燥过程中胡萝卜片水分和类胡萝卜素含量为研究对象,结合多元数据统计分析和化学计量学,分别构建基于偏最小二乘和支持向量机(support?vector?machine,SVM)算法的无损预测模型,并进行可视化分析。结果表明,水分和类胡萝卜素含量预测模型中,基于400～1?000?nm波长范围下多元散射校正的高光谱信息构建的SVM预测模型效果相对最优,对应的预测集决定系数R2P分别为0.984和0.911,预测集均方根误差(root?mean?square?error?of?prediction,RMSEP)分别为0.380?g/g和34.836?mg/100?g。经连续投影算法提取特征波长后,最优模型R2P分别为0.962和0.898,RMSEP分别为0.612?g/g和37.544?mg/100?g,模型剩余预测残差均大于3,精确度和稳定性良好。在最优预测模型的基础上,通过伪彩色成像重现了干燥过程中样品水分及类胡萝卜素的空间分布。实验结果证实高光谱成像技术可以用于胡萝卜片干燥过程水分和类胡萝卜素含量的无损检测,为后续在线检测和胡萝卜片干燥加工提供...     

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。     

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MEA-BP神经网络的大米水分含量高光谱技术检测

利用高光谱技术对储藏大米的水分含量进行检测。本实验以120个大米样本为研究对象,采集所有大米样本的高光谱图像,利用多元散射校正的预处理方法对大米样本原始光谱数据进行降噪处理。由于原始高光谱数据量大且冗余性强,故利用逐步线性回归分析方法对预处理后的数据进行特征提取。最后建立BP神经网络的大米水分定量检测模型,由于建模效果没有达到预期目标,因此引入遗传算法(genetic algorithm,GA)和思维进化算法(mind evolutionary algorithm,MEA)优化BP神经网络的权值和阈值。对BP、GA-BP、MEA-BP 3种大米水分预测模型进行比较,3种模型的预测集决定系数都达到0.86以上,其中MEA-BP模型具有最佳的预测效果,预测集决定系数达到0.966 3,且均方根误差为0.81%。     

干燥过程中玉米水分质量分数均匀度的高光谱图像无损检测

水分含量均匀度是干燥过程一个重要指标,它是评价干燥食品质量和干燥工艺一个重要参数。作者以干燥过程中的玉米为研究对象,研究高光谱图像技术检测水分质量分数均匀度的方法。采用均值特征和标准差特征结合偏最小二乘法(PLS)建立预测模型;并用正交信号校正法对均值特征和标准差进行预处理。结果表明:均值特征和标准差进行预处理后所建立的模型效果较好,预测相关系数为0.839,预测均方根误差为1.74%,潜在变量的数目为2个。研究表明:高光谱图像技术可用于水分质量分数均匀度的直接无损检测。     

高光谱图像技术检测大曲发酵过程中的水分含量

固态酿造中水分含量是检测大曲不同发酵阶段的关键因素,为快速定量检测发酵过程中水分含量及分布情况,通过高光谱成像技术建立BP神经网络(back propagation neural network, BPNN)数据模型,实现曲块发酵水分含量快速检测。根据所采集大曲发酵高光谱数据,应用主成分分析和实验分析对比提取大曲发酵过程中水分特征光谱所对应的PC1、PC2、PC3、1 200、1 450 nm波段图像;通过图像灰度共生矩阵算法提取水分纹理特征;根据所提取图像纹理特征对曲块发酵水分含量运用偏最小二乘回归、BPNN、支持向量机回归等进行建模预测对比,选择最佳预测模型。结果表明,利用BPNN与1 450 nm特征波段光谱图像纹理特征对水含量建模预测的效果最佳,其训练集决定系数(R~2)和均方根误差(root mean square error, RMSE)分别为0.826 9和0.033 5,预测集R~2和RMSE分别为0.848 4和0.028 7。研究表明,利用高光谱特征光谱所对应图像纹理信息能够对水分含量进行关联预测,为实现对大曲发酵过程水分含量检测提供理论依据。     

鸡蛋脂肪含量近红外光谱无损检测技术研究

为建立近红外光谱无损检测鸡蛋脂肪含量的方法,在近红外光谱全波段内采集鸡蛋样品的漫反射光谱图,用酸水解法测定鸡蛋样品中的脂肪含量。对采集的光谱进行最小-最大归一化(Min-max Normalization,MMN)、矢量归一化(Vector Normalization,SNV)、平滑、一阶导数(First Derivative,FD)及多元散射校正(Multiplicative Scatter Correction,MSC)处理,用偏最小二乘法(Partial Least Squares,PLS)对鸡蛋脂肪含量建模验证。结果表明,经多元散射校正(MSC)法预处理,偏最小二乘法(PLS)建模以及杠杆校正(Leverage Correction)检验,鸡蛋的脂肪含量与其近红外光谱信号之间存在线性关系,校正集和验证集相关系数R2分别0.947 5,0.906 3,校正均方差RMSEE为0.173 2,预测均方差RMSEP为0.231 4,模型效果最好,可用于鸡蛋中脂肪含量的无损检测。     

基于近红外高光谱成像技术的涩柿SSC含量无损检测

对150个涩柿采集900~1 700nm波段的近红外高光谱图像信息,利用蒙特卡罗—无信息变量消除(MC-UVE)和连续投影算法(SPA)对感兴趣区域光谱进行波长优选。通过MC-UVE-SPA优选出924.69,928.05,1 112.72,1 270.91,1 365.3,1 402.42,1 453.06,1 547.69nm 8个特征波长,对应的光谱反射率作为柿子可溶性固性物含量(SSC)检测的偏最小二乘回归(PLSR)检测模型输入,其预测集相关系数rpre=0.942,预测集均方根误差RMSEP=1.009°Brix。结果表明,MC-UVE-SPA可以有效提取与柿子SSC含量相关的特征信息,从而保留较少的波长建立较好的预测模型。     

宁夏原产地赤霞珠干红葡萄酒同步荧光光谱特征研究

研究了宁夏原产地赤霞珠干红葡萄酒在不同的稀释梯度、不同的pH值和不同测定时间的荧光光谱特征,确立了同步荧光光谱法测定赤霞珠干红葡萄酒的处理条件和测定方法.测定了不同年份赤霞珠干红葡萄酒在波长差△λ=Em-Ex分别为10nm、20nm、30nm、40nm、50nm、60nm、70nm、80nm、90nm和100nm时的同步荧光图谱.所有葡萄酒样品的同步荧光图谱具有共同特征,可为建立赤霞珠干红葡萄酒的同步荧光指纹图谱指供依据,另外不同年份与品牌的葡萄酒同步荧光图谱也存在差异性,可以用来区别不同年份,不同品牌的葡萄酒.     

番茄总糖含量的近红外光谱无损检测方法研究

根据偏最小二乘法建立番茄总糖含量的定量分析模型,比较原始光谱和平均光谱以及10 种光谱预处理方法对近红外光谱无损检测番茄总糖含量的影响。结果表明：平均光谱所建立的偏最小二乘法校正模型明显优于原始光谱所建模型,常数偏移消除最适合番茄总糖近红外光谱的预处理,其在11998.9～7497.9cm-1 和4601.3～4256.5cm-1优化光谱区内,所建偏最小二乘法定量分析模型的预测值和实测值的相关系数(R)为0.917,校正标准差(RMSEC)为0.263%,预测标准差(RMSEP)为0.236%。平均光谱和优化的光谱预处理方法可有效提高近红外光谱无损检测番茄总糖含量的准确性。     

莲藕淀粉含量的近红外光谱无损检测方法

应用近红外光谱技术无损检测莲藕的淀粉含量。对光谱数据的3种预处理方法进行了比较分析,再采用偏最小二乘法(PLS)和联合区间偏最小二乘法(SiPLS)建立了莲藕淀粉含量的近红外光谱分析模型。研究结果表明,经多元散射校正、一阶导数和平滑等结合的预处理,采用联合区间偏最小二乘法(SiPLS)建立的模型最佳;其校正集的相关系数(Rc)和均方根误差(RMSEC)分别为0.960 0和0.741 6,预测集的相关系数(Rp)和均方根误差(RMSEP)为0.923 8和1.050 6,可以满足实际应用要求。结论:利用近红外光谱技术对莲藕淀粉含量进行无损检测切实可行。     

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。     

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。      

水果成熟度近红外光谱及高光谱成像无损检测研究进展

成熟度作为一项水果品质重要评价指标,与水果的采收、储存、加工、运输、销售等环节息息相关,也是其产量和质量的关键影响因素之一。本文综述了国内外近十年来利用近红外光谱和高光谱成像技术检测水果成熟度的研究现状。从水果成熟度定性判别和成熟度参数定量预测两个方面入手,详细分析了光谱仪器工作波段、光谱采集方式、光谱采样区域、成熟度表征因子、单一成熟度参数、多元成熟度指数对最终检测模型精度和稳定性的影响,最后展望了近红外光谱和高光谱成像技术在水果成熟度检测方向的未来发展趋势,以期为相关领域研究工作提供科学依据和技术参考。     

基于高光谱散射图像的苹果压缩硬度和汁液含量无损检测

压缩硬度和汁液含量是衡量苹果内部品质的两项重要指标。采用高光谱散射图像技术对苹果压缩硬度和汁液含量进行预测。已有研究表明,高光谱图像含有丰富的波谱信息,光谱值与测量值之间存在严重的非线性关系,简单的线性建模方法不能达到较高的预测精度。最小二乘支持向量机(Least Squares Support Vector Machine,LS_SVM)作为一种非线性建模工具,已用于解决小样本、非线性和高维数等实际问题。针对580个‘RedDelicious’苹果的高光谱散射图像,提取600～1000nm范围内的波谱信息,采用LS_SVM建立苹果的压缩硬度和汁液含量模型。研究结果表明,LS_SVM压缩硬度预测模型的相关系数为Rp=0.795,预测均方差为RMSEP=10.4KN/m,汁液含量的相关系数为Rp=0.568,预测均方差为RMSEP=1.20cm2,高于传统的偏微分最小二乘(PartialLeastSquares,PLS)建立的压缩硬度,模型精度Rp=0.744,RMSEP=11.4KN/m,汁液含量模型精度Rp=0.539,RMSEP=1.23cm2。