基于高光谱成像技术的长枣表面农药残留无损检测

利用近红外高光谱成像技术对灵武长枣的表面农药残留进行无损检测研究。采用Kubelka-Munk校正和SavitzkyGolay卷积平滑对900~1 700nm波段范围内的原始光谱进行预处理,选取最优的预处理方法;运用偏最小二乘回归系数选择特征波长,建立全波段和特征波长下的偏最小二乘农药残留预测模型。结果表明,经过Kubelka-Munk+Savitzky-Golay卷积平滑处理后的光谱建模效果最好,且利用特征波长建立的长枣表面农药残留校正和验证模型的相关系数和均方根误差分别为0.86,0.85和0.000 32,0.000 33,优于全波段建立的模型。研究表明,采用高光谱成像技术对灵武长枣表面农药残留的无损检测是可行的。     

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。     

高光谱成像在农产品疾病以及农药残留检测中的应用

高光谱成像(hyperspectral imaging,HSI)技术是目前用于农产品品质无损评估的最有前途的技术之一.现代社会要求检测技术可以做到对农产品的病害严重程度有可靠准确的评估,高光谱成像技术作为一种非破坏性的检测技术,可用于农产品的无损检测,结合适当的光谱预处理使其更加全面.本文对高光谱成像原理、设备以及图像...     

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%。     

基于高光谱图像技术的果蔬表面农药残留检测研究

水果和蔬菜是人们日常饮食中最重要的组成部分之一.农药在果蔬的种植过程中起到病虫草害的防治作用,但是农药并不能全部被植物吸收,大部分仍残留在果实表面.近年来因过量使用农药而造成的农药中毒现象屡见不鲜,使得果蔬的食用安全性受到人们的广泛关注.目前,常见的农药残留检测方法虽然有很多,但是精度高的检测过程较为复杂,且检测时间较长,仅能用于实验室农药残留的精确分析和检测;化学检测方法一般是破坏性检测,具有消耗有机试剂、制样繁琐且检测成本高等弊端.而高光谱图像检测方法则能够达到实时、高效、快速、无损检测的目的.     

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.     

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。      

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。     

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...     

基于高光谱成像技术的薯麦混合粉淀粉含量检测

为快速无损检测薯麦混合粉中的淀粉含量,在近红外（900～2 500 nm）的光谱范围采集样品的高光谱图像,通过对比原始光谱和七种不同预处理后的光谱数据建立偏最小二乘回归（Partial least square regression,PLSR）,支持向量机回归（Support vector machine regression,SVMR）模型效果,确定多元散射校正法（Multiplicative scattering correction,MSC）为最佳预处理方法。采用竞争性自适应加权法（Competitive adaptive reweighted sampling,CARS）和连续投影算法（Successive projections algorithm,SPA）提取特征波长,建立PLSR和多元线性回归（Multiple linear regression,MLR）模型,结果表明SPA显著的降低了模型的复杂度,SPA-MLR模型检测集的决定系数（R2P）为0.9181,检测集的均方根误差为0.4214%。通过高光谱图像可视化,实现薯麦混合粉淀粉含量检测,为快速无损检测薯麦混合粉中的淀粉含量建立了一种新方法。     

基于高光谱成像技术的酿酒高粱品种分类

针对不同品种酿酒高粱分类难、分类精度有待提高等问题,提出了一种结合光谱和图像信息的高光谱成像技术从而对酿酒高粱进行分类的方法.通过采集11类共550个高粱样本的高光谱数据,运用连续投影算法从多元散射校正预处理后光谱中筛选出48个特征波长,再提取图像的灰度共生矩阵作为图像特征,利用纹理特征、全光谱、特征光谱及其结合图像特...     

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的 比较反向传播神经网络(backpropagation algorithm neural network, BPNN)模型与偏最小二乘回归(partial least squares regression, PLSR)模型在预测芒果可溶性固形物含量(soluble solids content, SSC)方面的性能评估。方法 使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据建立两种预测模型, 通过采用多元散射校正(multiplicative scatter correction, MSC)进行光谱预处理, 利用遗传算法(genetic algorithm, GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms, IVISSA)和变量组合群体分析算法(variable combination population analysis, VCPA)提取特征波长变量, 通过比较不同特征波长提取方法进一步优化对比预测模型。结果 与PLSR模型相比, BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳, 预测集判定系数 、均方根误差(root mean square error of prediction, RMSEP)、残差预测偏差(residual prediction deviation, RPD)分别为0.8641、0.3924和2.7127。结论 该模型可快速、准确地检测芒果的SSC, 并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC, 为开发在线芒果SSC无损检测系统奠定基础。     

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。      

基于高光谱技术检测小麦粉灰分含量

目的 基于高光谱技术实现对小麦粉灰分含量的准确检测。方法 利用高光谱成像技术采集小麦粉的光谱数据,建立基于偏最小二乘法(partial least squares regression,PLSR)和深度极限学习机(deep extreme learning machines,DELM)的小麦粉灰分含量预测模型;通过分析3种预处理算法和4种波长选择算法,分别选出最佳的预处理与波长选择方法,最后构建基于特征波段光谱信息的预测模型,并对结果进行比较。结果 标准正态变量校正(standard normal variable,SNV)为最佳预处理方法;连续投影算法(successive projections algorithm,SPA)相较于随机森林(random forest,RF)、无信息变量消除(uninformative variable elimination,UVE)和遗传算法(genetic algorithm,GA)选择特征波长的模型更优;DELM模型更适用于灰分含量的检测,最优模型的测试集决定系数为0.968,预测集均方根误差为0.024。结论 高光谱成像技术可以快速、精准的...     

基于空间统计方法的蔬菜中农药残留风险分析

目的分析蔬菜中农药残留空间格局分布变化及规律,找到聚集热点区域,为蔬菜中农药残留监测、监管提供科学依据。方法用空间统计方法对某省2014—2016年蔬菜中农药残留监测信息结合地理信息进行空间格局分布及空间聚集性分析。结果 2014—2016年区域内监测的蔬菜中农药残留检出率和超标率两者分布格局较一致,但三年对比变化较大,检出较高区域集中分布在西南部和东北部;超标率涉及区县较少,散在分布在西南部和东北部。2014年监测区域的蔬菜中农药检出率全局存在正相关性(P0.05,Moran's I=0.410),局部相关主要分布在西南部、北部和南部地区;2016年监测区域的蔬菜中农药超标率全局存在正相关性(P0.05,Moran's I=0.111),局部相关主要分布在西南部地区;2016年监测区域的蔬菜中农药检出率全局存在负相关性(P0.05,Moran's I=-0.087),局部相关主要分布在中部地区。时空扫描统计量分析结果显示监测区域内超标率和检出率均有聚集性,超标率有一个聚类区域(LLR=27.11,P0.05,RR=20.04),分布在东北部区县;检出率有两个聚类区域,一类聚类区域(LLR=43.24,P0.05,RR=6.9)分布在东北部和南部区县,二类聚类区域(LLR=19.13,P0.05,RR=4.13)分布在西南部区县。结论 2014—2016年监测区域的蔬菜中农药残留检出率和超标率呈现较为一致的下降趋势。空间自相关性和时空扫描统计量结果显示存在聚集性,聚集区域主要为东北部和西南部邻近区县,且聚集区域的相对风险度RR值均4,提示这些聚集区县较其他区县农药残留风险高,是监管部门应该关注的热点区域。     

Detection of early bruises in apples using hyperspectral data and thermal imaging

The early detection of bruises in apples was studied using a system that included hyperspectral cameras equipped with sensors working in the visible and near-infrared (400–1000 nm), short wavelength infrared (1000–2500 nm) and thermal imaging camera in mid-wavelength infrared (3500–5000 nm) ranges. The principal components analysis (PCA) and minimum noise fraction (MNF) analyses of the images that were captured in particular ranges made it possible to distinguish between areas with defects in the tissue and the sound ones. The fast Fourier analysis of the image sequences after pulse heating of the fruit surface provided additional information not only about the position of the area of damaged tissue but also about its depth. The comparison of the results obtained with supervised classification methods, including soft independent modelling of class analogy (SIMCA), linear discriminant analysis (LDA) and support vector machines (SVM) confirmed that broad spectrum range (400–5000 nm) of fruit surface imaging can improve the detection of early bruises with varying depths.