基于高光谱成像技术的水果品质无损检测

高光谱图像技术结合光谱技术与计算机图像技术两者的优点,可获得大量包含连续波长光谱信息的图像块,其图像信息可检测水果的外部品质,光谱信息则可用于水果内部品质的检测,达到根据水果内、外部综合品质进行分类的目的. 综述了国内外将该技术应用于水果品质检测方面的研究进展,提出了利用高光谱图像技术检测苹果轻微损伤的方法,利用500～900nm的高光谱图像数据,通过主成分分析提取547nm波长下的特征图像.     

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...     

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。      

高光谱成像技术在农产品无损检测中的应用

高光谱成像技术具有“图谱合一”的特点,其汇集了传统成像和光谱技术的特点,能同时获得待测农产品样本的图像信息和光谱信息,因此该技术既可以通过成像技术检测物体的外部特征,又可以通过光谱技术得到农产品的内部品质和食用安全性信息,包括品种分类、理化指标测定、真菌感染检测和农药残留检测等。与传统检测方法相比,高光谱成像以其检测过程中前处理简单、无污染、无破坏性的特点,在农产品无损检测领域有所应用。从高光谱成像的理论基础出发,对其图像获取与分析方式进行概述,并阐述了高光谱成像技术在农产品无损检测领域中近五年的研究进展,以期为农产品的品种分类、营养品质和食用安全性评估方法提供参考。     

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。     

高光谱成像技术在肉类安全无损检测的应用研究进展

高光谱成像技术在肉类安全品质预测及分选分级方面已取得了诸多成果。作者重点综述了其在肉类有毒有害物质检测、肉类掺假检测、肉类分选分级中的研究现状,讨论了其存在的不足及发展趋势,以期为肉类安全无损检测方法的研究提供参考。     

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。     

高光谱成像在鱼肉品质无损检测中的研究进展

高光谱成像（hyperspectral imaging,HSI）技术作为一种无损、快速、准确的绿色分析技术在水产品品质检测方面得到了广泛应用。集图像与光谱技术优势于一体,HSI技术可同时检测实验样品的物理和几何特征（颜色、大小、形状和质地等）,还可以提供内部组成成分的化学和分子信息（水分、脂肪、蛋白及其他氢键物质）。本文主要综述了HSI技术在鱼肉品质快速检测方面的最新研究进展,主要涉及到鱼肉的化学组成、物理属性、微生物污染以及新鲜度等四大方面。同时对HSI技术在鱼肉检测中的应用研究进行了展望,以期开发适用于不同检测要求的在线HSI设备。     

高光谱成像技术在果蔬品质安全无损检测中的应用

近年来,人们对果蔬品质关注度提高。随着成像技术和光谱技术的快速发展,高光谱成像技术广泛应用于各种果蔬产品的快速和非破坏性检测中。高光谱成像技术具有"图谱合一"的优点,可同时检测果蔬的内部、外部品质信息。本文介绍了高光谱成像技术的基本原理,综述了高光谱成像技术在果蔬内外部品质检测方面的应用进展,并简要分析了高光谱成像技术在果蔬品质检测中的发展趋势和面临的挑战,以期对我国相关研究人员的研究工作提供参考。     

基于近红外高光谱成像快速无损检测注胶肉研究

采用近红外高光谱成像技术结合化学计量学方法建立注胶肉的快速无损检测模型。首先通过近红外高光谱成像系统获取含有不同浓度梯度卡拉胶的猪里脊肉高光谱图像,然后提取图像中的光谱数据,使用偏最小二乘法(Partial least square,PLS)探究光谱信息与不同掺假比例卡拉胶之间的定量关系。结果表明全波段光谱(900~1700 nm)所构建的PLS校正集模型均方根误差(Root mean square error,RMSE)为1.74%,预测模型RMSE为3.16%。表明基于全波段所建立的PLS模型具有较优的预测性能。利用连续投影算法(Successive projection algorithm,SPA)筛选获得11个特征波长,并优化全波长PLS模型,将预测集样品带入,以验证模型的预测效果,结果表明SPA算法结合PLS建模方法所建立的模型预测效果更优,预测集相关系数(R_P)为0.93,均方根误差(Root mean square error of prediction,RMSEP)为3.51%,预测偏差(Residual predictive deviation,RPD)为2.66。试验表明利用高光谱成像技术可实现对注胶猪肉的快速无损检测。     

基于电子鼻技术的马铃薯真菌性腐烂病早期检测

确定马铃薯致腐菌种,并建立快速检测方法对腐烂样本进行识别。本研究通过微生物及分子生物学方法对马铃薯致腐菌进行鉴定,采用电子鼻方法对样本进行检测,建立模型对不同感染阶段样本进行识别。结果显示:马铃薯主要致腐烂菌为出芽短梗霉,建立的K最近邻判别模型中,训练集与预测集识别率分别为90%和85%;建立的BP网络判别模型中,训练集与预测集判别率分别达到93.75%和90%,各腐烂阶段能够较好地被识别。研究结果为后期电子鼻技术应用至马铃薯腐烂病检测提供理论基础。     

鸡蛋新鲜度、pH值及黏度的高光谱检测模型

利用高光谱成像仪采集鸡蛋的高光谱透射图像,并利用游标卡尺、pH计、黏度计测定鸡蛋的新鲜度、酸碱度与黏度,用竞争性自适应重加权（competitive adaptive reweighed sampling,CARS）算法与连续投影算法（successive projections algorithm,SPA）选取特征波长分别建立鸡蛋品质与其高光谱特征的简单多元线性回归（multiple linear regression,MLR）模型,并在CARS提取的特征波长基础上用SPA进行了二次波段提取,建立相应的MLR模型,对比一次波长提取与二次波长提取选择的特征波长建立的模型性能。结果表明,CARS与SPA建立的MLR模型的验证集相关系数均在0.9以上。二次特征波段建立MLR模型的验证集相关系数比一次特征波段提取建立的MLR相关系数高,且均方根误差（root mean square error,RMSE）均有所减小,选取的特征波段比单独使用CARS或SPA选取的波段要少。建立的鸡蛋新鲜度、酸碱度（pH值）、黏度MLR模型的相关系数R分别为0.94、0.95、0.95,RMSE分别为6.36、0.17、149。即CARS、SPA提取特征波长可以优化模型,二次特征波段提取能更进一步的优化模型,提高了模型的稳定性,该模型能完好无损预测鸡蛋品质。     

高光谱成像技术在肉品品质评价中的应用

高光谱成像技术具有图像技术和光谱学的优点,能同时获得食品物料的空间信息和光谱信息,进而达到快 速、无损、精准检测的效果。本文阐述了高光谱成像的基本原理,分析了高光谱图数据处理的方法;总结了高光谱 成像技术在肉品品质评价与检验方面的研究进展,并按肉品的检测指标进行了分类综述,以期为开展肉品品质评价 的研究提供借鉴。     

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。     

基于动态时间弯曲的马铃薯干腐病发病期时序高光谱诊断方法

本实验针对马铃薯干腐病潜育期到发病期的诊断方法进行研究,利用时序高光谱对病害发生过程中的病症特征进行分析和提取,并基于时序性特征采用动态时间弯曲（dynamic time warping,DTW）聚类算法对时序关键点进行分析,即对发病期初始点进行诊断。本研究在数据预处理中使用图像阈值分割算法提取动态感兴趣区域,利用概率密度比算法剔除病害光谱异常值,在对比病症的光谱与外观后,发现马铃薯干腐病的光谱具有非单调性特征,再基于该非单调性特征使用高斯核函数的主成分权重系数法进行光谱特征提取。最后基于病害特征,利用模糊聚类方法判定时序关键点,其结果正确率仅为66.7%;针对特征时序性再利用DTW聚类算法判定时序关键点,其结果正确率达94.4%。本实验研究表明基于DTW的时序高光谱诊断方法能对马铃薯干腐病发病期进行有效诊断。