近红外光谱分析技术快速检测冰温贮藏牛肉品质

利用近红外光谱分析技术建立冰温贮藏牛肉品质的快速定量检测方法。采用近红外光谱技术建立近红外光谱的PH值、失水率、挥发性碱基总氮、色差值(L*/a*)的校正模型,能同时预测出牛肉样品的多项品质指标。结果表明:建立的校正模型相关系数都在0.70以上,校正模型的预测值与真实值决定系数均在0.90以上,具有较高的预测准确度。并且利用聚类分析的方法对不同贮藏阶段肉品近红外光谱的数据进行了分类处理,聚类分析结果证明,近红外反射光谱对牛肉的新鲜程度有着较好的分类结果。近红外光谱技术能够替代传统方法快速、非破坏地评价牛肉的肉品质及新鲜程度。     

基于高光谱和极限学习机的冷鲜羊肉颜色无损检测

利用400~1000 nm近红外高光谱成像系统对冷鲜羊肉颜色进行快速无损检测研究。采集140个冷鲜羊肉样品(贮藏1~7 d)光谱图像,并测量其亮度(L*)、红度(a*)、黄度(b*)和饱和度(C*)等颜色参数。选取感兴趣区域获取样品代表性光谱,利用联合区间偏最小二乘法(si PLS)对一阶微分、多元散射校正、标准正态变量变换(SNV)等方法预处理后的光谱数据筛选特征波段,建立冷鲜羊肉颜色各参数的si PLS-ELM神经网络校正模型。对于L*、a*、b*和C*,模型的预测集相关系数(RP)分别为0.9219、0.9391、0.9603和0.8839,预测集均方根误差(RMSEP)分别为1.1935、0.2333、0.6009和0.3586。结果表明:采用可见-近红外高光谱成像技术结合si PLS-ELM神经网络对冷鲜羊肉颜色的快速无损检测是可行的。     

基于VIS/NIR高光谱成像技术检测鸡肉嫩度

利用400~1000 nm可见近红外高光谱成像系统对鸡肉嫩度进行快速无损检测研究。采集鸡肉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鸡肉的标准嫩度。以原始光谱和多元散射校正(MSC)预处理光谱数据建立鸡肉嫩度的偏最小二乘回归(PLSR)模型,预处理光谱建立的模型效果更优。基于MSC预处理,采用偏PLS权重系数法结合逐步回归法筛选出了4个特征波长。然后采用PLSR和多元线性回归(MLR)模型分别建立特征波长处光谱反射值和鸡肉嫩度关系的数学模型,优选最佳模型。结果显示:MLR模型预测效果较好,预测相关系数(RP)和均方根误差(RMSEP)分别为0.94和1.97。研究表明:利用可见近红外高光谱成像技术结合多元回归分析法对鸡肉嫩度的快速无损检测是可行的。     

基于高光谱成像技术和因子判别分析的玉米黄曲霉毒素检测研究

利用高光谱成像技术进行玉米籽粒表面黄曲霉毒素的检测。将黄曲霉毒素原液用甲醇分别稀释成浓度为10、20、100、500μg/L的溶液,然后逐一滴在等量4组共120粒玉米籽粒的表面,取同品种30粒洁净玉米籽粒作为对照组。利用400~1 000 nm可见/近红外高光谱成像系统进行样品图像光谱信息获取,采用标准正态变量校正进行数据预处理。首先经主成分分析(Principal Component Analysis,PCA)进行高光谱数据降维,然后利用PCA从835个波长中提取的前14个主成分为输入,采用因子判别分析(Factorial Discriminant Analysis,FDA)对5类样品进行分类。FDA构建的模型对训练集和验证集的判别准确率分别达95%和86%。结果表明利用高光谱成像技术并结合PCA-FDA方法进行玉米籽粒表面黄曲霉毒素的检测是可行的。     

基于光谱技术的支持向量机判别牛肉新鲜度

目的 实现生鲜牛肉新鲜度等级的无损快速判别。方法 用可见/近红外光谱检测系统, 获取储存1~18 d的36块牛肉样品的400~1600 nm范围的光谱信息, 以挥发性盐基氮理化值为分类依据。用多元散射校正(MSC)、变量标准化(SNV)、SG平滑预处理方法处理光谱数据, 分别建立牛肉新鲜度的支持向量机分类模型。结果 MSC+SG预处理后所建立的分类模型预测能力最好, 训练集和测试集的回判识别率和预测识别率分别为96.30%、100%, 验证集的识别率为88.89%。结论 可见/近红外光谱结合支持向量机, 对牛肉新鲜度进行无损快速判别是可行的。     

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...     

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R_C2)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R_P2)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。     

基于近红外高光谱成像技术的宁夏羊肉产地鉴别

使用900~1700 nm高光谱成像系统采集宁夏银川、固原、盐池三个不同产地的绵羊后腿样本的近红外高光谱数据,对光谱采用面积归一化方法预处理,利用SPA、CARS、UVE算法对预处理后的光谱数据提取特征波长分别为17、40、121个;结合PLS-DA及KNN建立特征波段下的判别模型。结果表明KNN判别模型效果较差,3种特征波长中利用CARS提取的特征波长建模效果最佳,代替全光谱建立PLS-DA判别模型是可行的;综合对比模型效果,CARS-PLS-DA为最优模型,校正集正确率90.48%,预测集正确率84.21%。证明利用近红外高光谱成像技术对羊肉产地鉴别是可行的。     

基于高光谱成像技术预测牡蛎干制加工过程中的水分含量

提出一种应用高光谱成像技术结合化学计量学检测牡蛎干制加工过程中水分含量的方法。采用高光谱成像系统,在400～1 100 nm范围内,采集到5个干燥时期的100个牡蛎干样本高光谱图像。提取所有样本感兴趣区域的平均光谱数据,对原始光谱数据进行多元散射校正(MSC)、卷积平滑(S-G)预处理,采用相关系数法提取8个特征波长。基于所提取的特征波长,建立光谱数据与水分含量的多元线形回归(MLR)和BP神经网络模型。结果表明:两种模型均有较好的预测效果。MLR模型的校正集、预测集和交叉验证集的相关系数较BP神经网络低;校正集、预测集和交叉验证集均方根误差分析结果表明,BP神经网络效果较MLR好。高光谱成像技术结合化学计量学方法可检测牡蛎干制过程中水分含量的变化。     

不同月龄乌珠穆沁羊肌纤维类型与肉品质的变化分析

利用可见/近红外高光谱(400 nm～1 000 nm)成像技术实现对荷斯坦奶牛、秦川牛、西门塔尔牛、安格斯牛、力木赞牛5个品种牛肉进行快速无损判别。首先对原始光谱进行预处理,并利用光谱-理化值共生距离法(sample set partitioning based on joint X-Y distance,SPXY)法划分样本集;结合偏最小二乘判别模型(partial least squaresdiscrimination analysis,PLS-DA),K最近邻(K-nearest neighbor,KNN)模型和径向基函数-支持向量机(radial basis function-support vector machine,RBF-SVM)模型进行全波段及特征波段判别分析。结果表明,一阶导数(first derivative,FD)法为最优预处理方法;基于RBF-SVM法所建模型的校正集与预测集准确率分别为100%、99%。可见,基于高光谱成像技术能够获得较好的牛肉品种判别效果。     

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。     

基于高光谱成像技术无损检测苹果表面缺陷

基于高光谱成像技术结合模式识别,建立了苹果表面缺陷识别模型。首先,利用高光谱图像采集系统采集完好无损和表面有缺陷苹果的高光谱图像,提取感兴趣区域的平均光谱反射率;然后,比较标准正态变换(SNV)和多元散射校正(MSC) 2种光谱预处理方法对建模效果的影响,得出MSC为建模最优预处理方法。最后,采用主成分分析法选择累计贡献率超过99%的前5个主成分作为样本集特征光谱数据,分别建立了基于K最近邻(KNN)模式识别和偏最小二乘判别分析(PLS-DA)识别模型。结果表明:光谱经MSC预处理后,基于PLS-DA建立的识别模型对校正集和检验集识别率均达到100%,表明基于高光谱成像技术结合模式识别可实现苹果表面缺陷的无损检测。     

一种水溶液中果糖含量的近红外光谱分析法

目的建立一种水溶液中果糖含量的近红外光谱分析仪(near-infraredspectroscopyanalysis,NIRSA)检测方法。方法实验中所用的样品数量为30个,随机选取26个作为校正集样品,用于建立果糖的校正模型;4个作为验证集样品,用于校正模型的验证。将待测样品放入样品杯中,利用GSA201型近红外光谱仪采集样品的光谱。得到样品的化验值,将光谱数据和化验值导入到NIRSA化学计量学软件,经过一阶微分S-G平滑处理,利用成分的含量数据和光谱数据一一对应,创建校正模型。为验证模型的预测能力,选取4个果糖水溶液样品作为验证,调用校正模型对该样品进行预测。结果本研究中样品的含量范围在0.4171%～0.4431%之间,样品的含量比较低且范围较窄,GSA近红外光谱仪测量的绝对偏差为0.000024。结论 GSA近红外光谱仪利用光谱数据和校正模型完全能够有效检测水溶液中果糖的含量,且预测的准确度较高。     

可见/近红外光谱技术无损检测新鲜鸡蛋蛋白质含量的研究

鸡蛋是一种重要的食品,蛋白质是鸡蛋的主要营养成分。本研究利用可见近红外反射光谱技术无损检测新鲜鸡蛋的蛋白质含量。使用光谱仪获取新鲜鸡蛋在400~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1-D)对反射光谱进行预处理;对反射光谱、MSC处理光谱和1-D光谱,使用逐步回归法判别法选择最优波长组合,建立多元线性回归模型,使用全交叉验证法验证模型。结果表明,可见/近红外反射光谱经过多元散射校正后,确定的10个最优波长(400、403.16、407.9、714.6、715、715.58、970.4、970.75、973和974.45 nm)组合建立模型的校正和验证结果最好:选定模型的校正结果为R=0.92,SEC=0.42%;验证结果为Rcv=0.89,SECV=0.47%。研究表明可见/近红外反射光谱技术可以较好的预测新鲜鸡蛋的蛋白质含量,本研究可为可见近红外光谱技术在鸡蛋营养成分的快速检测提供一定的理论基础。     

不同分集方法对牛肉嫩度高光谱检测模型的比较

选用牛肉嫩度作为研究对象,开展了4种不同样品集划分方法的选取对其高光谱模型的影响研究。首先选取了70个具有代表性的牛肉样品并提取其肌肉感兴趣区域(ROIs)的光谱,比较分析了浓度梯度法(C-G)、随机法(R-S)、Kennard-Stone(K-S)和光谱-理化值共生矩阵法(SPXY)获取的校正集建立的牛肉嫩度PCR和PLSR模型效果。结果表明:在PCR和PLSR中,SPXY均为最适的样品分集方法,并且4种样品集划分方法下的PLSR模型效果均较优。最优模型SPXY-PLSR校正集的相关系数(Rcal)和均方根误差(RMSEC)分别为0.94和0.48,预测集的相关系数(Rp)和均方根误差(RMSEP)分别为0.93和0.63。研究表明SPXY方法结合高光谱PLSR模型能够实现牛肉嫩度的快速无损检测。     

基于高光谱的茄子外部缺陷检测

利用高光谱(900～1700nm)对完好、木栓化和烂果茄子进行识别研究。共采摘了252个茄子样本,包含完好茄子170个,木栓化茄子60个和烂果茄子22个,利用高光谱成像系统采集完好、木栓化和烂果3种区域一共252个样本的高光谱图像,然后提取合理的感兴趣区域(ROI)获得样本光谱数据。采用多种预处理方法进行光谱预处理,建立偏最小二乘(partial least squares method,PLS)判别分析模型,结果表明,经normalize预处理后模型的预测效果最好,因此选择normalize作为预处理方法。基于预处理后的光谱数据,采用连续投影法(SPA)、回归系数法(RC)和竞争性自适应重加权算法(CARS)提取特征波长,并分别建立偏最小二乘(PLS)和多元线性回归(MLR)判别模型进行研究。结果表明:CARS-MLR模型对3种类型样本鉴别效果最佳,其校正集决定系数Rc2为0.94,预测集决定系数Rp2为0.90,RMSEC和RMSEP分别为0.19和0.21,预测集判别准确率达到96.82%。本研究采用高光谱可以对完好、木栓化和烂果茄子进行有效鉴别,为茄子的缺陷无损检测提供了理论参考。     

近红外光谱技术对圆枣产地的判别分析

采用近红外高光谱成像系统对3类不同产地的圆枣进行判别分析,快速鉴别圆枣产地。应用近红外高光谱获取3类圆枣样本的光谱数据,对光谱采用标准正则变换(SNV)方法预处理,从原始光谱数据中提取特征波长,并建立全波段与特征波段下的线性判别模型来判别3类圆枣的产地。结果表明,近红外光谱结合线性判别法对圆枣产地鉴别的特征波段模型可有效替代全波段模型,模型准确率均大于99%,为实现农产品产地鉴别和自动分类提供理论依据。     

NIR高光谱成像技术检测冷鲜羊肉嫩度

利用900~1700 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(1~8 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。     

基于近红外光谱的冻融猪肉糜鉴别模型研究

目的 反复冻融猪肉糜品质差、不易判别。方法 采用近红外光谱分析技术对新鲜猪肉糜和不同冻融次数猪肉糜分别进行无损鉴别,建立了窄神经网络(narrow neural network, NNN)、线性判别(linear discriminant, LD)、支持向量机(support vector machine, SVM)和子空间判别(subspace discriminant, SD)4种不同的判别模型,并对所建立的模型性能采用正确判别率、混淆矩阵、受试者工作特征曲线和曲线线下面积这4个指标进行评价。结果 基于子空间判别建立的模型较优,其预测集正确判别率为96.4%,并且其混淆矩阵、ROC曲线和AUC均显示了该模型对于冻融猪肉糜分类的优越性。结论 本研究建立的近红外光谱技术结合子空间判别模型对冻融猪肉糜的鉴别能力较强,可为工业化在线检测方法的开发提供技术支撑。     

基于阈值选取高光谱感兴趣区域的牛肉掺假检测

目的建立一种通过阈值选取高光谱图感兴趣区域建立模型从而提高快速检测牛肉掺假猪肉水平的方法。方法以2%为间隔,掺假比例为2%～50%(w/w),配制掺入猪肉糜的掺假牛肉样本并采集高光谱反射数据,根据某波长处光谱数据频率曲线设定阈值提取高光谱感兴趣区域,同时以直径为150个像素的圆形区域提取光谱作为对比。采用浓度梯度法、Kennard-Stone法、光谱-理化值共生距离法(sample set partitioning based on joint x-y distance,SPXY)、极大线性无关法将样本划分为校正集和预测集,借助多元散射校正结合平滑预处理后采用偏最小二乘法建立掺假预测模型进行比较分析。结果通过设定阈值提取感兴趣区域建立的模型比圆形区域提取所建模型更加稳定、精准,其中SPXY法划分样本所建立的模型预测效果最好,校正相关系数r_c~2为0.9733,验证集相关系数r_p~2为0.9515。结论基于高光谱技术通过设定阈值提取特征光谱并结合化学计量学可提高预测牛肉掺假的能力。