高光谱成像技术定量可视化检测熟牛肉中挥发性盐基氮的含量

为了能够快速、准确的检测出熟牛肉在冷藏过程中的新鲜状况,尝试利用高光谱成像技术对熟牛肉中的挥发性盐基氮(TVB-N)含量进行定量可视化分析。采集400~1000 nm范围内样品高光谱图像,采用变量组合集群分析法(VCPA)提取出6个光谱特征波段变量,针对特征波段图像,利用Tamura算法共提取出18个纹理特征变量,基于RGB颜色模型,分别计算出R、G和B分量图中共9个颜色特征变量。利用粒子群优化最小二乘支持向量机(PSO-LS-SVM)算法分别建立了不同变量组合的TVB-N含量预测模型。经分析比较,基于光谱与颜色特征融合的PSO-LS-SVM模型展现出最优的预测能力,预测集决定系数(R2p)和均方根误差(RMSEP)分别为0.955和1.093。利用最优模型将TVB-N含量进行可视化表达。结果表明,融合高光谱图像中光谱与颜色特征并结合PSO-LS-SVM算法对熟牛肉中TVB-N含量进行准确的预测与可视化表达是可行的,该研究可为其它肉及肉制品新鲜度检测提供理论参考。     

不同品种牛肉新鲜度光谱检测模型的维护方法

目的 研究不同品种牛肉新鲜度挥发性盐基氮 (TVB-N)定量光谱检测模型的修正方法, 对模型进行维护, 从而提高光谱校正模型的通用性。方法 采用基于SPXY算法的代表性样本添加及光谱吸光度值修正两种方法对黄陂黄牛的TVB-N含量预测模型进行修正。结果 两种方法修正之后的模型使恩施水牛样本的TVB-N预测相关系数R从0.021分别提高至0.919、0.851, 预测误差从8.347分别降至2.182、2.872。结论 修正之后的黄牛模型可实现对黄陂黄牛和恩施水牛两个品种新鲜度TVB-N含量的定量检测, 样本添加的方法优于吸光度值修正方法。     

基于特征融合的猪肉新鲜度高光谱图像检测

利用高光谱反射图像技术研究了猪肉新鲜度的无损检测。采集了180个猪肉样本在400~1 000 nm范围内的高光谱反射图像,提取了高光谱图像的光谱均值和熵两类特征;分别利用连续投影算法、主成分分析,以及连续投影算法结合主成分分析3种特征降维方法,提取了反映肉类新鲜度信息的重要特征变量;并建立了这些特征变量与挥发性盐基氮(TVB-N)的最小二乘支持向量机(LSSVM)预测模型;在此基础上提出了猪肉TVB-N含量的可视化检测方法。研究结果表明:相比于单一特征模型,利用光谱均值和熵融合特征的LSSVM模型可显著提高模型的准确度;连续投影算法结合主成分分析的特征降维方法,可显著降低模型的复杂度,提高模型准确度。利用光谱均值和熵两类特征,通过连续投影算法和主成分分析相结合的特征降维方法所建立的LSSVM预测模型,可取得最佳的预测准确度,其预测集的均方根误差RMSEP为1.96,相关系数(RP)为0.948,剩余预测偏差(RPD)为3.12,可满足实际检测需要。建立在此基础上的可视化方法,可直观显示肉类的腐败区域和程度。     

基于可视传感器阵列的鳊鱼新鲜度评价模型研究

目的 建立基于可视传感器阵列的鳊鱼新鲜度评价模型。方法 研究采用可视传感阵列与鱼体进行无接触式反应, 提取阵列反应前后的颜色变化信息来表征鱼的气味特征; 同时根据行业标准SC/T3032-2007测得表征鱼新鲜度的挥发性盐基氮(TVB-N)含量; 将可视传感技术所得的特征信息与TVB-N指标含量进行关联, 分别建立基于可视传感技术鱼新鲜度评价的定性模型BP神经网络和联合间隔偏最小二乘法(siPLS)定量模型。结果 BP神经网络模型精度较高, 训练集正确率为86.79%, 预测集正确率为86.43%; siPLS模型次之, 模型校正集和预测集的正确率分别为82.52%和80.67%。结论 可视传感器新技术所测得指标与TVB-N相关性较大, 可快速预测出鱼在储藏期间TVB-N的变化从而能够快速、无损地评价鱼类新鲜度。     

基于高光谱成像的滩羊肉菌落总数和挥发性盐基氮的无损检测

以宁夏滩羊肉为研究对象,利用400~1000 nm可见近红外高光谱对冷鲜羊肉的菌落总数和挥发性盐基氮含量进行新鲜度的检测研究。采集冷鲜滩羊肉表面光谱图像,提取感兴趣区域获取原始光谱数据。剔除由蒙特卡洛检测法所检测出的异常样本,采用理化值共生距离法(SPXY)划分样本的校正集和预测集。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;后采用主成分回归法(PCR)和支持向量机回归法(SVR)建立模型,优选最佳建模方法。结果表明:光谱数据经过正交信号校正(OSC)预处理后,建立的菌落总数和TVB-N含量预测模型效果较好,其RC分别为0.9067和0.9147,Rp分别为0.8743和0.8802,均高于其他光谱预处理模型。通过不同建模方法的比较,建模效果较好的是PLSR方法。研究表明:利用可见近红外高光谱技术可以实现对滩羊肉新鲜度的无损检测。     

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。     

高光谱成像技术检测延边黄牛肉的新鲜度

为了提高黄牛肉的质量以及食用安全性,本研究采用高光谱成像技术对延边黄牛肉新鲜度进行检测。通过成像系统采集黄牛肉样品的高光谱图像,对高光谱图像做黑白校正处理,结合S-G滤波和均值滤波对处理后的高光谱图像进行去噪处理,并采用主成分分析法对高光谱数据进行降维。采用半微量定氮法测定延边黄牛肉的挥发性盐基氮含量,通过多个BP-ANN弱分类器组建强分类器,将延边黄牛肉的挥发性盐基氮含量输入强分类器中,以挥发性盐基氮含量为指标,根据分类结果实现延边黄牛肉新鲜度的检测。实验结果表明,当波长为700~750 nm时,延边黄牛肉的挥发性盐基氮含量最高,表明肉内部被破坏的程度较高,肉类的新鲜度越差;在第10~11 d时,延边黄牛肉TVB-N质量分数变化较为明显;采用所提方法对高光谱图像去噪后,信号频率由-15 d B^15 d B区间波动变为-5 dB^5 dB区间波动,信号的频率波动较小,趋于稳定,表明所提方法可有效的去除图像中存在的噪声;所提方法的检测结果准确率最高可达99%,具有较高的检测准确率,且去噪效果较好。     

基于拉曼和近红外光谱特征层融合的食用油MUFA和PUFA含量检测

针对食用油中单不饱和脂肪酸(MUFA)和多不饱和脂肪酸(PUFA)含量的快速检测问题,研究探索应用拉曼(Raman)和近红外(NIR)光谱以及特征层数据的融合,结合化学计量学分析,建立食用油MUFA和PUFA含量预测模型。重点研究各种预处理算法对模型预测能力的影响。应用竞争性自适应重加权采样(CARS)提取Raman和NIR光谱的特征波长,应用网格搜索(GS)算法选取支持向量机回归(SVR)模型的参数组合(C,g)值,分别建立基于拉曼和近红外光谱的特征波段的SVR预测模型;建立基于特征层的多源光谱融合的SVR预测模型。试验表明,基于特征层融合建立的Raman-NIR-SVR模型能够实现食用油MUFA和PUFA含量的快速预测,且预测效果更优。其中预测MUFA含量的SG15-ALS-Nor-CARS-MSC-CARSSVR模型的预测集决定系数R2为0.977 3,与单光谱中最优含量预测模型相比增加了2.43%;而预测PUFA含量的MA11-air PLS-Nor-CARS-MSC-CARS-SVR模型的预测集R2为0.993 0,比较最优单光谱数据建立的SVR模型增加了2.57%。结果表明,采用特征层融合方法建立的含量预测模型的综合性能优于基于单光谱数据建立的模型。     

基于近红外高光谱成像技术的新鲜与冻融牛肉鉴别技术研究

研究运用近红外高光谱成像技术对新鲜与冻融的牛肉进行判别。将45个牛肉样品随机分为两组,第一组25个为新鲜样品,第二组20个作为冻融样品。本实验通过高光谱成像仪获取样品的光谱图像数据,并对图像校正处理后进行分割,分离出感兴趣区域(ROI,Region of Interest)。然后再提取感兴趣区域的平均光谱,并将其作为样品的高光谱数据。经过对高光谱数据的多元散射校正(MSC,Multiplicative Scatter Correction)预处理,应用偏最小二乘回归(PLSR,Partial Least Squares Regression),在全光谱范围(950~1500 nm)构建了本实验的最优模型。实验表明,该模型具有较高的预测精度,其判别正确率为94.4%。因此,近红外高光谱成像技术对冻融牛肉的鉴别检测具有适用性。     

基于特征选择与特征提取融合的鸡蛋新鲜度光谱快速检测模型优化

为有效提高鸡蛋新鲜度检测效率、优化检测模型,本研究结合波长特征选择和特征提取方法各自的优点,对二者进行有效融合共同优化鸡蛋新鲜度检测模型。利用一阶微分对550～950?nm范围内鸡蛋的可见-近红外透射光谱数据进行预处理,考虑到冗余光谱信息对模型精度的影响,使用特征选择方法中的竞争性自适应重加权(competitive?adaptive?reweighted?sampling,CARS)算法融合非线性特征提取局部切空间排列(local?tangent?space?alignment,LTSA)算法最小化光谱无用信息,建立支持向量机回归(support?vector?regression,SVR)模型,结果表明单一使用CARS特征波长选择建立模型得到训练集交叉验证相关系数(Rcv)为0.880 5,交叉验证均方根误差(root?mean?square?error?of?cross?validation,RMSECV)为8.59,预测集相关系数(Rp)为0.888 9,预测集均方根误差(root?mean?square?error?of?prediction,RMSEP)为8.42,融合LTSA特征提取方法后得到Rcv为0.896 0,RMSECV为8.04,Rp为0.898 3,RMSEP为8.18,与CARS-SVR模型相比较,融合模型预测精度均有所提高,同时数据维数再次减少14个,进一步简化了预测模型。研究表明,将特征选择与特征提取二者融合共同应用于鸡蛋可见-近红外光谱数据,不仅提升了光谱检测效率,而且提高了鸡蛋新鲜度预测模型精度,可为鸡蛋新鲜度光谱检测模型优化提供参考依据。     

基于多源感知信息融合的牛肉新鲜度分级检测

利用机器视觉和近红外光谱的多源感知信息融合技术评判牛肉新鲜度,并开发了相关的识别系统。以牛后腿肉为研究对象,对获取的图像特征信息和光谱特征信息,采用BP神经网络建立牛肉新鲜度分级模型。其中,通过主成分分析提取相应的主成分因子作为建模输入,根据挥发性盐基氮含量划分新鲜度等级作为模型输出。结果发现,在图像特征信息因子数为6、光谱信息主成分因子数为6时,建立的模型预测识别率可达98.31%。结果表明,基于机器视觉和近红外光谱技术的多源感知信息融合技术评判牛肉新鲜度的方法可行。     

猪肉中挥发性盐基氮含量光谱检测模型的修正方法

目的 研究猪肉新鲜度指标挥发性盐基氮(TVB-N)含量检测模型修正方法, 以提高光谱校正模型对不同品种猪肉样品的适用性。方法 建立基于偏最小二乘回归(PLSR)的杜长大猪肉TVB-N模型, 采用光谱信号补正与模型更新两种方法对该模型进行修订, 比较修正后杜长大模型对恩施山猪样本的预测效果。结果 建立的杜长大猪肉样本模型预测决定系数R2p为0.884, 预测标准差RMSEP为1.792, 将此模型用于预测恩施山猪TVB-N值, R2p为0.552, RMSEP为4.733。修正后的杜长大猪肉样本模型预测恩施山猪TVB-N值时, R2p分别提高到0.964和0.943, RMSEP分别降低为1.329和1.885。结论 光谱信号补正和模型更新方法均能有效改善模型预测性能, 提高模型适应性。     

Determination of the Freshness of Beef Strip Loins (M. longissimus lumborum) Using Electronic Nose

A beef strip loins (Musculus longissimus lumborum) freshness determination method utilizing electronic nose (e-nose) was investigated in this paper. Fresh beef strip loins samples were stored at 4°C continuously for 10 days. Total viable count (TVC) index, total volatile basic nitrogen (TVB-N) index, and e-nose responses to beef strip loins samples were measured every day. TVC and TVB-N index rose with the increase of storage time. Principal component analysis (PCA) only partially discriminated beef samples under different storage days. Stochastic resonance (SR) signal-to-noise ratio (SNR) spectrum discriminated all beef samples successfully. Beef strip loins freshness discrimination model was developed using SR SNR maximums (SNRmax) linear fitting regression. The proposed method forecasted beef freshness with high accuracy. It is holds promise in meat freshness determination applications.     

基于高光谱反射特性的猪肉新鲜度和腐败程度的对比分析

为有效评价猪肉在贮藏过程中的品质变化,分析相同猪肉样品在相同环境条件下挥发性盐基氮（total volatile basic nitrogen,TVB-N）含量与菌落总数（total viable count,TVC）的变化规律。结果显示,在4?℃冷藏15?d猪肉TVB-N含量与冷藏时间成“J”型变化规律,而TVC与冷藏时间成“S”变化规律。当TVB-N含量在第7.5天达到国家标准规定新鲜度限定值（15 mg/100 g）时,TVC已远超国家标准限定值（6（lg（CFU/g）））,达到7.92（lg（CFU/g））。当TVC在第5.5天达到国家标准限定值时,TVB-N含量仅为10.65?mg/100?g;即在相同贮藏条件下,依据国标TVC指标判定猪肉为“腐败肉”时,而根据TVB-N含量猪肉仍被判定为“新鲜肉”。在此基础上,利用可见-短波近红外高光谱反射技术采集猪肉高光谱数据,建立不同预处理的TVB-N含量与TVC偏最小二乘回归模型。结果表明,利用多元散射校正预处理建立的TVB-N含量模型与1阶导数预处理建立的TVC模型预测效果最好。Rp分别为0.957?2与0.968?2,预测集标准误差分别为2.802?5?mg/100?g与0.332?7（lg（CFU/g））,实测值的标准偏差与预测集的标准误差比值分别为3.093?7和3.434?1;外部验证集相关系数分别为0.928?3与0.930?5,标准误差分别为3.556?2?mg/100?g和0.515?7（lg（CFU/g））。本研究能为高光谱技术更好地应用于猪肉的品质检测提供一定理论依据。     

基于高光谱图像特征融合的榛子水分含量测定

采用高光谱图像技术对榛子水分含量进行快速无损检测。采集200个榛子在400~1 000 nm波段的高光谱图像,提取榛子图像区域的平均光谱信息。利用K-S算法划分样品验证集和预测集,使用四种预处理方法对光谱进行预处理。通过竞争自适应加权算法（Competitive Adaptive Reweighted Sampling,CARS）和逐次投影法（Successive Projection Algorithm,SPA）进行光谱特征的提取;灰度共生矩阵法（Gray Level Co-occurrence Matrix,GLCM）提取图像的纹理特征;分别建立基于光谱特征,图像纹理特征以及两者串联融合的偏最小二乘回归（Partial Least Squares Regression,PLSR）和支持向量回归（Support Vector Regression,SVR）模型对榛子水分进行预测。结果表明,CARS和SPA算法能够有效选择特征波长并提升预测性能;图像特征能够对榛子水分进行预测,基于主成分图像提取的图像特征信息建立的模型预测效果更好。光谱图像特征融合能明显提高对榛子水分含量预测的准确率,CARS提取的特征波段结合主成分图像的纹理特征显示出了更好的效果,SVR模型的RMSECV为0.03,RC 为0.97,RMSEP为0.04,RP为0.96。利用高光谱图像和纹理特征能够对榛子水分进行有效预测,为榛子水分含量检测提供了新的方法。     

基于多源信息融合的绿茶杀青叶水分含量智能感知方法

为了实现绿茶杀青过程中水分含量的快速有效检测,利用机器视觉结合近红外光谱技术,构建绿茶杀青过程中水分含量变化的定量预测模型。首先采集杀青过程中在制品的光谱和图像信息,然后采用竞争性自适应权重取样（competitive adaptive reweighted sampling,CARS）法、变量组合集群分析（variables combination population analysis,VCPA）法、变量组合集群分析法结合迭代保留信息变量（variable combination population analysis and iteratively retains informative variables,VCPA-IRIV）法和随机蛙跳法（random frog,RF）4 种变量筛选方法提取光谱中的特征波长,并融合图像中的15 个色泽和纹理特征建立线性偏最小二乘回归（partial least squares regression,PLSR）和非线性支持向量回归（support vector regression,SVR）预测模型。结果表明,与单一数据相比,基于融合数据所建立的模型能有效提高预测精度,其中基于CARS算法提取光谱特征波长融合图像的15 个颜色特征,并结合归一化预处理和主成分分析（principal component analysis,PCA）建立的SVR模型效果最佳,其中校正集相关系数为0.974 2,预测集相关系数为0.971 9,相对分析误差（relative percent deviation,RPD）为4.154 6,表明模型具有极好的预测性能。综上,本研究证明融合光谱和图像技术对绿茶杀青过程中水分含量预测的可行性,克服了单一传感器预测精度低的问题,为实现绿茶杀青叶水分含量的快速无损检测和精准把控杀青质量提供理论基础。     

鲫鱼新鲜度近红外定量预测模型的建立

为实现鲫鱼新鲜度的快速测定,本文基于近红外漫反射光谱定量分析技术和化学计量学方法,采集了144个鲫鱼鱼肉样品在1000~1799 nm范围内的光谱数据,测定了鲫鱼样品的p H、TVB-N含量、TBA含量和K值四种新鲜度指标;在确定近红外光谱数据最佳预处理方法和适宜波段的基础上,分别采用偏最小二乘法、主成分分析和BP人工神经网络技术、偏最小二乘法和BP人工神经网络技术建立了鲫鱼新鲜度定量预测模型。结果表明,鲫鱼样品四种指标数据范围均较大,可满足建模要求。以p H为鲜度指标时,采用偏最小二乘法和BP人工神经网络技术建立的模型最好,其定标相关系数为0.9945;以TVB-N、TBA和K值为鲜度指标时,采用偏最小二乘法建立的模型最好,其定标相关系数分别为0.9857、0.9985和0.9952。建立的四种鲜度指标定量模型均具有较好的预测能力。