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。     

冷鲜羊肉冷藏时间和水分含量的高光谱无损检测

利用可见-近红外高光谱成像技术对冷鲜羊肉的冷藏时间和水分含量进行无损检测。通过波长400～1 000 nm可见-近红外高光谱系统采集160 个羊肉样本光谱信息,优选主成分-14-线性判别法对原始光谱建立羊肉冷藏时间的判别模型,校正集对羊肉冷藏时间的判别率为99.17%,预测集为100%,模型可较好地判别羊肉的冷藏时间。其次,针对羊肉冷藏过程中水分含量的变化,优选最佳预处理方法并运用偏最小二乘回归（partial leastsquares regression,PLSR）法建立水分含量预测模型;结果表明,经过Savitzky-Golay卷积平滑预处理的PLSR模型对水分含量的建模效果最优,校正集和预测集相关系数分别为0.888和0.784,交互验证均方根误差为0.696。研究表明,采用可见-近红外高光谱成像技术对冷鲜羊肉冷藏时间的判别和冷藏过程中羊肉水分含量的快速预测是可行的。     

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。     

基于近红外高光谱成像的冷鲜羊肉表面细菌总数检测

细菌总数是反映肉品被污染和腐败状况的重要指标,为寻找快速有效的冷鲜羊肉表面细菌总数无损检测方法,本研究利用近红外高光谱(900~1700nm)成像技术对20d贮藏期内的冷鲜羊肉表面细菌总数进行快速无损检测。由80个样本表面高光谱图像获取目标区域反射光谱,采用多元散射校正和二阶导数相结合(MSC+SD)的方法进行预处理。将用主成分分析法对光谱降维后获得6个特征波长作为输入变量,分别采用偏最小二乘回归(PLS)、误差反向传递人工神经网络(BP-ANN)和径向基函数人工神经网络(RBF-ANN)三种方法建立模型对冷却羊肉表面细菌总数进行预测,均取得较好预测结果,其中,神经网络建模效果优于PLS,预测效果最好的是RBF-ANN模型,相关系数R为0.9988,均方根误差RMSEP为0.2507。结果表明,NIR高光谱图像技术可用于冷鲜羊肉表面细菌总数的快速无损检测。     

南疆鲜羊肉水分含量的近红外光谱法无损检测

本文在近红外反射光谱780~1700 nm的波长范围内采集新宰杀的同一品种的羊的后腿肉134个样本的光谱数据,来实现快速无损的南疆生鲜羊肉含水量的检测。这些光谱数据经中值平滑滤波、多元散射校正、一阶导数、标准化处理、中心化变换和S-G平滑等预处理方法对原始光谱进行降噪处理;然后以13:1的比例将样本分为训练集和测试集,并采用PLSR建立预测模型,使用所建模型对生鲜羊肉水分含量进行预测。结果为:训练集的预测相关系数Rc为0.94、标准差MSEC为0.04,预测成功率为97.6%,测试集的预测相关系数Rv为0.89、标准差MSEV为0.07,预测成功率为96.4%。实验结果证实结合中值平滑滤波、多元散射校正、一阶导数、标准化处理、中心化变换和S-G平滑等多种预处理方法建立的基于近红外光谱PLSR模型,可以对南疆鲜羊肉的水分含量进行精确的快速无损评价,并且能为南疆生鲜羊肉水分含量的快速无损检测技术的应用提供理论上的指导。     

盐池滩羊肉脂肪含量的高光谱预测模型构建

本文利用可见-近红外高光谱成像技术预测冷鲜滩羊肉脂肪含量,优选最佳预测模型。测定90个滩羊背最长肌的脂肪含量并采集其光谱图像,对原始光谱进行不同种预处理后,构建了全波段下的偏最小二乘回归(PLSR)和主成分回归(PCR)的光谱预测模型。为减少模型运算次数,在预处理效果最优的全波段模型上采用连续投影算法(SPA)、应用竞争性自适应重加权(CARS)、变量组合集群分析(VCPA)和波长空间迭代收缩(IVISSA)方法提取特征波长,构建脂肪含量的光谱预测模型。结果表明:采用归一化(Normlize)预处理后光谱构建的PLSR全波段模型效果最好,校正集模型相关系数(Rc)达到0.921;采用多元散射校正(MSC)预处理后光谱构建的PCR全波段模型效果最好,其校正集模型相关系数(Rc)达到0.850;在4种提取特征波长过程中,IVISSA算法所提取特征波长的交互验证均方根误差(RMSECV)最低,为0.0072;Normlize-IVISSA-PLSR模型较其他3种算法所构建的PLSR模型效果最优,其校正集相关系数(Rc)和预测集相关系数(Rp)值分别为0.931和0.754,表明利用高光谱技术对盐池滩羊肉脂肪含量进行预测是可行的。研究成果为冷鲜滩羊肉品质在线光谱快速无损检测系统开发提供理论依据。     

滩羊肉中油酸和亚油酸含量的近红外预测模型建立

基于近红外光谱技术结合化学计量学方法建立滩羊肉中油酸和亚油酸含量的预测模型。选取滩羊肉外脊、里脊、羊霖、羊腩共138 份样本,在900～2 500 nm波长范围内,采集滩羊肉糜样品的近红外反射光谱,利用气相色谱法作为参考,测定样品中油酸和亚油酸含量,并建立滩羊肉中油酸和亚油酸含量的偏最小二乘回归（partial least squares regression,PLSR）模型。为优化模型性能,使用间隔随机蛙跳（interval random frog,IRF）算法进行数据降维处理。结果表明：对于油酸模型,经过标准正态变量变换结合一阶导数处理后的全波长模型相关性较高,校正相关系数（Rc）和交叉验证均方根误差（root mean square error of cross-validation,RMSECV）分别为0.889 5和10.2515,预测相关系数（Rp）和预测集均方根误差（root mean square error of prediction set,RMSEP）分别为0.7357和10.2492,然而,经IRF算法提取92个特征波长后,Rc和Rp均低于全波长模型;对于亚油酸模型,使用多元散射校正处理后的全波长模型Rc最大,为0.8747,RMSECV为1.0512,但其Rp和RMSEP较小,利用IRF算法提取102 个特征波长后,建立的亚油酸模型相关性得到极大改善,其中Rc最大达到0.9912,相应的RMSECV为0.0118,Rp为0.9879,RMSEP为0.0122。因此,近红外光谱技术结合IRF算法不能较好预测滩羊肉中油酸含量,但对亚油酸含量具有较好的预测能力。     

近红外高光谱联用Stepwise算法快速无接触评估冷鲜鸡肉色泽及嫩度

利用900~1700 nm近红外高光谱成像系统联用Stepwise算法快速评估鸡肉色泽和嫩度。通过采集新鲜屠宰鸡肉高光谱图像,提取试验样本感兴趣区域(Region of interests,ROI)反射光谱信息,经中值滤波平滑(Median filtering smoothing,MFS)、多元散射校正(Multiplicative scatter correction,MSC)和标准正态变量变换(Standard normal variable correction,SNV)三种预处理后,分别利用偏最小二乘(Partial Least Squares,PLS)和多元线性回归(Multiple linear regression,MLR)挖掘光谱信息与鸡肉色泽参数(L*、a*、b*)及嫩度参考值之间的定量关系。结果显示,经MFS预处理的近红外光谱(486个波长)构建的全波段PLS回归模型(F-PLS)预测L*(R_P=0.904,RMSEP=2.036)、b*(R_P=0.908,RMSEP=1.577)和嫩度(R_P=0.948,RMSEP=1.596)效果更好。为提高预测效率,采用Stepwise算法筛选最优波长优化F-PLS模型,结果显示,从SNV预处理光谱筛选的14个最优波长构建MLR回归模型预测L*值(R_P=0.894,RMSEP=2.160)效果较优,从SNV预处理光谱筛选的13最优波长构建的O-PLS回归模型预测b*值(R_P=0.877,RMSEP=1.811)效果较优,从MFS预处理光谱筛选的20个最优波长构建O-PLS回归模型预测嫩度值(R_P=0.888,RMSEP=2.408 N)效果较优。本试验表明,利用近红外高光谱成像技术结合Stepwise算法可实现鸡肉色泽参数L*、b*值以及嫩度的快速评估。     

宁夏赤霞珠葡萄水分含量的高光谱无损检测研究

利用可见近红外高光谱成像技术对宁夏赤霞珠葡萄含水量的无损检测进行了初步探讨。通过高光谱成像系统(400~1000 nm)采集了136幅赤霞珠葡萄图像,对原始光谱、平均平滑、高斯滤波、中值滤波、卷积平滑、归一化、多元散射校正、标准正态化、基线校准、去趋势化等预处理的偏最小二乘回归(PLSR)模型进行对比分析;采用主成分分析(PCA)、偏最小二乘回归(PLSR)、连续投影算法(SPA)、竞争性自适应重加权(CARS)方法选择特征波长,建立4种特征波长下的PLSR的葡萄含水量预测模型,优选CARS提取特征波长的方法。在此基础上,对比分析了全波段与特征波长下的MLR、PCR、PLSR的葡萄含水量预测模型。结果表明:采用多元散射校正(MSC)光谱建立的PLSR模型优于原始光谱和其他预处理光谱的PLSR模型;CARS提取特征波长建立的PLSR模型优于多元线性回归(MLR)、主成分回归(PCR)模型,预测集的相关系数(R)和预测均方根误差(RMSEP)分别为0.806、0.144。因此,利用可见近红外高光谱成像技术提取特征波长进行宁夏赤霞珠葡萄含水量的检测是可行的。     

基于微型近红外光谱仪的油菜籽含油率模型参数优化研究

为实现油菜籽含油率快速无损检测,采用微型近红外光谱仪,结合竞争性自适应重加权(CARS)、遗传算法(GA)、连续投影算法(SPA)、无信息变量消除法(UVE)、向后区间偏最小二乘法(BIPLS)、联合区间偏最小二乘法(SIPLS)等方法优选油菜籽含油率近红外光谱特征波长,建立偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)定量分析模型,同时对LS-SVM模型参数进行优化。研究表明,对PLSR模型,BIPLS+GA优选的26个特征波长建模效果最好,其预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.9330和0.0075,对LS-SVM模型,SIPLS+GA优选的13个特征波长建模效果最好,预测相关系数(Rp)和预测均方根误差(RMSEP)分别0.9192和0.0055。证明了波长优选和参数优化可有效简化油菜籽含油率近红外光谱定量分析模型,提高模型预测精度和稳定性,为进一步拓展微型近红外光谱仪的应用提供技术参考。     

基于可见/近红外光谱技术快速检测花椰菜中硫代葡萄糖苷的含量

为了快速无损检测不同品种("松花"、"雪白")花椰菜中硫代葡萄糖苷的含量。本实验采集新鲜收获的"松花"、"雪白"花椰菜样本进行可见/近红外光谱的采集、提取和分析。首先,采用基线校正(Baseline)、标准正态变量变换(Standard Nomal Variate transform,SNV)、中值滤波(Median Filter,MF)、高斯滤波(Gaussion Filter,GF)、S-G平滑(Savitzky-Golay)五种方法进行原始光谱的预处理分析。然后,分别采用连续投影算法(Successive Projections Algorithm,SPA)、回归系数法(Regression Coefficient,RC)进行特征波段的提取,并采用主成分分析法(PrincipalComponentAnalysis,PCA)进行主成分的提取,在此基础上,结合最佳预处理方法建立偏最小二乘回归(Partial Least Squares Regression,PLSR)模型。结果表明:"松花"花椰菜的光谱数据所建立的MF-PCA-PLS模型最佳,校正集模型参数Rc=0.89,RMSEC=1.23,预测集模型参数Rp=0.89,RMSEP=0.63。"雪白"花椰菜光谱数据所建的MF-RC-PLS模型最优,校正集模型参数Rc=0.87,RMSEC=1.31,预测集模型参数Rp=0.73,RMSEP=0.46。由此可见,近红外光谱结合PLSR算法能够快速、无损、准确地检测花椰菜中硫代葡萄糖苷的含量。     

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。     

近红外高光谱快速无接触评估冷鲜猪肉脂质氧化

基于近红外高光谱成像技术对不同贮藏期的猪肉脂肪氧化程度进行快速无接触评估研究。采集冷鲜猪肉样品的900~1 700nm反射光谱信息,经高斯滤波平滑(GFS)、移动平均值平滑(MAS)、卷积平滑(SGCS)、中值滤波平滑(MFS)、多元散射校正(MSC)、标准正态变量变换(SNV)和基线校正(BC)7种预处理后,利用偏最小二乘回归(PLSR)算法挖掘光谱信息与2-硫代巴比妥酸(TBA)参考值之间的定量关系。结果显示,经GFS预处理的全波段光谱(486个波长)构建的GFS-PLSR模型预测TBA效果较好(RP=0.919,RMSEP=0.036 mg/100g)。采用回归系数法(RC),逐步回归法(Stepwise)和连续投影算法(SPA)筛选最优波长优化GFS-PLSR模型。结果显示,使用RC法从GFS光谱中筛选的29个最优波长构建的RC-GFS-PLSR模型预测TBA效果较好(RP=0.924,RMSEP=0.034mg/100g),且和GFS-PLSR模型预测精度相近。试验表明,利用近红外高光谱成像技术结合RC法预测猪肉中TBA值可实现猪肉脂肪氧化程度的间接快速评估。     

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400~1000 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。     

不同产地羊肉蛋白质高光谱检测模型的维护方法

不同产地羊肉蛋白质含量的光谱检测模型存在模型适用性差的问题,当模型无法预测其他产地羊肉样本的时候,需要对模型进行修正,以提高模型的适用性。采用模型更新算法及斜率/截距算法对固原羊肉样本的蛋白质含量偏最小二乘回归(PLSR)模型进行修正。模型更新算法修正后的银川羊肉样本的预测相关系数(Rp)从0.318升至0.771,预测误差(RMSEP)从0.847 6降低至0.430 8,模型对固原样本的预测相关系数0.864从降至0.756,RMSEP从0.206 2升至0.271 4,斜率/截距算法修正后的银川羊肉样本的预测均方根误差由0.847 6下降到0.000 8,下降了99.91%,此算法不改变模型对固原羊肉样本的预测性能。综合比较,斜率/截距算法更适用于对不同产地羊肉蛋白质PLSR模型的修正。     

基于VIS/NIR高光谱技术的灵武长枣SSC含量的无损检测研究

利用高光谱技术对灵武长枣可溶性固形物含量(SSC)检测进行研究,为灵武长枣内部品质无损检测提供科学方法。以灵武长枣为对象,对光谱数据进行预处理,应用连续投影算法(SPA)和正自适应加权算法(CARS)进行关键波长的选择,通过偏最小二乘回归(PLSR)和主成分回归(PCR)建立预测模型。实验结果表明:采用去趋势(Detrend)预处理算法效果最优,PLSR模型的交叉验证相关系数(Rcv)为0.809,交叉验证均方根误差(RMSECV)为1.331;通过SPA算法和CARS算法能够有效地对光谱数据进行降维处理,对SPA优选的8个和CARS优选的21个特征变量分别用PLSR和PCR建立预测模型,CARS-PLSR建模效果最优,其相关系数(Rp)为0.864,预测均方根误差(RMSEP)为1.174;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SSC无损检测具有可行性。     

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。