基于近红外光谱禽蛋新鲜度无损检测模型研究

利用近红外光谱技术结合波长优选方法研究禽蛋新鲜度品质快速无损检测模型,采用蛋黄指数作为新鲜度评价指标。结果表明,蛋黄指数建立的检测模型效果要优于蛋白pH值和哈夫单位。通过连续投影算法(SPA)优选了4 188.6,4 593.6,4 855.9,5 311.0,5 376.6,5 935.8,6 306.1,7 243.3,7 328.2,7 343.6,8 130.4,8 531.5cm~(-1) 12个特征波谱为输入变量,建立蛋黄指数PLSR、PCR和SMLR检测模型,3种检测模型结果接近,其中,SMLR模型检测效果最好,相关系数r_(pre)=0.950,预测集均方根误差RMSEP=0.030,说明采用近红外光谱禽蛋蛋黄指数检测模型是可行的,通过波长优选后,检测精度较全光谱分析有所提高,该研究结果为进一步开发鸡蛋新鲜度的快速无损检测分级设备提供了理论依据和方法。     

基于可见/近红外高光谱成像技术的牛肉品种鉴别

利用可见/近红外高光谱成像技术实现荷斯坦奶牛、秦川牛、西门塔尔牛三个品种牛肉的快速无损鉴别。首先,对原始光谱进行预处理并对样本集进行划分;应用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)对预处理后的光谱数据提取特征波长;结合偏最小二乘判别模型(PLS-DA)、K最近邻(KNN)模型及支持向量机(SVM)模型进行全波段及特征波段鉴别分析。结果表明,一阶导数(FD)法为最优预处理方法,利用光谱-理化值共生距离法(SPXY)法划分后的样本模型预测性能最好;利用CARS、SPA和UVE分别选出24、17和19个特征波长;基于CARS法提取的特征波长所建的RBF-SVM模型的校正集与预测集正确率分别为100%、98.82%。由此可见,基于高光谱成像技术能够获得较好的牛肉品种鉴别效果。该研究可为牛肉品种的快速无损鉴别提供参考。     

基于高光谱成像的蔬菜新鲜度检测初探

目的 利用高光谱成像技术对蔬菜新鲜度检测进行了初步探讨。方法 采集了小白菜、菠菜、油菜、娃娃菜这四种蔬菜的叶片, 分别在失水0、10、24、48 h的状态下, 利用成像光谱仪采集其光谱图像, 对蔬菜叶片进行对比分析。结果 蔬菜在失水过程中, 高光谱图像能反映其外观形态及内部叶绿素的变化, SPAD值预测模型的相关系数r=0.76。结论 利用高光谱成像来辨别蔬菜叶片新鲜度是可行的。     

基于高光谱成像技术的鸡蛋哈氏单位快速无损检测

本实验利用高光谱(900~1700 nm)成像技术结合化学统计学算法,对鸡蛋哈氏单位的无损检测进行研究。采集样品原始光谱信息,经S-G卷积平滑、MSC、SNV预处理后建立PLSR模型,优选最佳预处理方法;利用PLSR的加权β系数、遗传算法GA提取特征波长,分别建立PLSR、PCR模型,比较建模效果,优选最佳特征波长提取方法及建模方法。结果表明,预处理后建模效果并未提高,即以原始光谱作为建模对象,采用遗传算法提取特征波长后建立的PLSR模型效果最好,其R_C为0.8118,校正集均方根误差是2.9677,R_P为0.8203,预测集均方根误差是3.2762。因此,利用高光谱技术无损检测鸡蛋哈氏单位是可行的,同时为鸡蛋的新鲜度快速判别、分级分选提供理论依据。     

可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法

为探究基于高光谱成像技术预测灵武长枣VC含量的可行性并寻找最佳预测模型。采集100?个长枣样本在波长400～1?000?nm处的高光谱图像,对光谱数据进行预处理;应用遗传算法（genetic algorithm,GA）、连续投影算法（successive projection algorithm,SPA）和竞争性正自适应加权（competitive adaptive reweighted sampling,CARS）算法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（partial least squares regression,PLS）和最小二乘支持向量机（least squares support vector machine,LSSVM）VC含量预测模型。结果表明,采用标准正态变换预处理算法效果最优,其PLS模型的交叉验证相关系数为0.839?5,交叉验证均方根误差为16.248?2;利用GA、SPA和CARS从全光谱的125?个波长中分别选取出12、5?个和26?个特征波长;基于CARS建立的PLS模型效果最优,其Rc、Rp、校正均方根误差、预测均方根误差分别为0.896?2、0.889?2、10.746?2%、12.145?3%。研究结果表明基于高光谱成像技术对灵武长枣VC含量的无损检测是可行的。     

可见/近红外漫反射光谱无损检测甜柿果实硬度

该研究的目的是建立可见/近红外漫反射光谱无损检测甜柿果实硬度的数学模型,评价可见/近红外漫反射光谱无损检测甜柿果实硬度的应用价值。果实硬度采用果皮脆性、果皮强度和果肉平均硬度作为评价指标。在可见/近红外光谱区域(400～2 500 nm),采用改进偏最小二乘法,对比分析了不同导数处理、不同散射及标准化处理的甜柿果实硬度定标模型。结果表明,对于果皮强度和果皮脆性,采用最小偏二乘法、一阶导数处理和标准多元离散校正处理建立的定标模型预测效果较好,RP2分别为0.858和0.862,SEP分别为0.094和0.157,RPD分别为2.47和2.63。对于果肉平均硬度,采用改进偏最小二乘法、一阶导数处理和标准正常化和去散射处理建立的定标模型预测效果较好,RP2为0.82,SEP为0.063,RPD为2.35。因此,可见/近红外漫反射光谱无损检测技术可用于甜柿果实硬度的无损检测。     

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。     

基于可见/近红外高光谱成像技术的番茄表面农药残留无损检测

以番茄为研究对象,应用可见/近红外高光谱成像技术对水果表面农药残留的无损检测研究。用蒸馏水将嘧霉胺农药稀释成1∶20,1∶100,1∶500 3个梯度,将不同浓度的溶液分别滴到60个洗净的番茄表面,形成3×3矩阵。放置在通风阴凉处12h后,应用高光谱系统(400~1 000nm)采集光谱图像信息。利用主成分分析法获得主成分图像(PC),并根据第二主成分图像(PC-2)的权重系数选取特征波长564,809,967nm。采用波段比(564nm/809nm)结合适当的图像处理方法对番茄表面的农药残留进行检测。高浓度(1∶20,1∶100)农药点检测率为100%,而低浓度(1∶500)农药点的检测率为0。结果表明,高光谱成像技术对高浓度农药残留具有较好的检测效果。     

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。     

可见/近红外光谱技术无损检测新鲜鸡蛋pH及蛋白质的研究

本文利用可见/近红外光谱技术检测新鲜鸡蛋p H和蛋白质。分别采集新鲜鸡蛋在400~1000 nm和900~1700 nm波长范围的漫反射光谱,使用多元散射矫正(MSC)、标准正态变量变换(SNV)等光谱预处理技术,选择最佳的预处理方法,使用偏最小二乘法(PLS)建立p H和蛋白质模型并对其进行评价。结果表明,基于900~1700 nm波长范围的光谱获得的p H模型较好,其校正集相关系数为0.948,预测集相关系数为0.855;基于400~1000 nm波长范围的光谱获得的蛋白质模型较好,其校正集相关系数为0.927,预测集相关系数为0.906。研究表明,可见/近红外光谱技术可以较好的预测新鲜鸡蛋的p H和蛋白质,为鸡蛋营养成分的快速无损检测提供新的思路和方法。      

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。      

高光谱成像技术在食品品质无损检测中的应用

高光谱成像技术结合光谱技术和图像技术的优势,能够很好的捕获光谱信息和图像信息。其丰富的光谱信息能够有效的提取样品内部特征。该分析技术已广泛应用于检测食品的水分含量、新鲜度、生物污染等。本文介绍并分析了高光谱成像技术在食品检测中的各种应用,指出了目前高光谱成像技术存在的不足之处,指明了该技术领域工作者今后的重点研究方向,并对高光谱成像技术发展前景进行了分析和展望。      

NIR高光谱成像技术检测冷鲜羊肉嫩度

利用900¹700 nm近红外高光谱成像系统对冷鲜羊肉嫩度进行快速无损检测研究。采集冷鲜羊肉（1⁸ d）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冷鲜羊肉的标准嫩度。以原始光谱、特征区域光谱和Savitzky-Golay卷积平滑预处理光谱建立冷鲜羊肉嫩度的偏最小二乘回归（PLSR）模型,预处理的特征区域光谱建立的模型效果更优。结果表明:特征区域光谱可有效替代全波段光谱,经过S-G卷积平滑预处理后,模型预测效果最佳,预测相关系数（Rp）和均方根误差（RMSEP）分别为0.773和1.060。研究表明:利用近红外高光谱成像技术结合偏最小二乘回归法对冷鲜羊肉嫩度的快速无损检测是可行的。      

Non-destructive discrimination of paddy seeds of different storage age based on Vis/NIR spectroscopy

The potential of visible/near infrared reflectance (Vis/NIR) spectroscopy for non-destructive discrimination of paddy seeds of different storage age was examined based on Vis/NIR spectroscopy coupled with chemometrics. Data from 210 samples of paddy seed were collected from 325 to 1075 nm using a field spectroradiometer. The spectral data were processed and analyzed by chemometrics, which integrated the methods of wavelet transform (WT), principal component analysis (PCA) and artificial neural networks (ANN) modelling. The noise of spectral data was filtered and diagnostic information was extracted by the WT method. Then, diagnostic information from WT was visualized in principal components space, in which the structures with the storage period were discovered. Finally, the first eight principal components, which accounted for 99.94% of the raw spectral variables, were used as the input for the ANN model. A promising model was achieved with a high discrimination accuracy rate of 97.5%. Thus, an effective and non-destructive way to discriminate paddy seeds of different storage periods was put forward.     

基于高光谱成像技术快速检测鸡蛋中二十二碳六烯酸与虾青素含量

目的：本研究利用高光谱成像技术结合机器学习研发一种快速检测鸡蛋中DHA与虾青素含量的技术。方法：利用高光谱成像仪采集全蛋、去壳鸡蛋和蛋黄在400-1000nm波长下的光谱数据,并使用高效液相色谱及气相色谱测定鸡蛋的DHA与虾青素含量。将样本集划分为训练集和预测集,分别采用Savitzky-Golay求导法、傅里叶变换法及小波变换法对原始光谱进行降噪处理。通过遗传算法对原始光谱及降噪后的光谱提取特征波长,分别建立特征波长与全蛋、去壳鸡蛋和蛋黄中DHA、虾青素的偏最小二乘法、支持向量机、bp人工神经网络预测模型。结果：在预测鸡蛋中DHA含量模型中,基于蛋黄特征光谱的模型预测能力最强。其中,一阶导数的差分步长为5的偏最小二乘法模型预测效果最好,其训练集、预测集的决定系数分别为0.999与0.985。在预测鸡蛋中虾青素含量的模型中,基于蛋黄特征光谱的预测能力最强。其中,二阶导数的差分步长为8的支持向量机模型预测效果最好,其中训练集、预测集的决定系数分别为0.942与0.960。结论：利用高光谱成像技术, 可以实现蛋黄中DHA和AST的快速检测。     

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...     

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。