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。      

基于高光谱和极限学习机的冷鲜羊肉颜色无损检测

利用400¹000 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1⁷ 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。     

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400¹000 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.     

基于高光谱技术的羊肉含水率无损检测

利用高光谱成像系统(1000~2500 nm)对羊肉含水率进行无损检测研究。对108个羊肉样本进行光谱信息采集,通过标准正态变换法、归一化法、去趋势校正法、S-G卷积平滑法、导数法、多元散射校正法对原始光谱进行预处理,对全波段下的原始光谱和预处理后的光谱建立偏最小二乘回归(PLSR)模型,优选出的最佳预处理算法为去趋势校正法。原始数据经去趋势校正法预处理后,采用相关系数法选取特征波长,建立特征波长下羊肉含水率的 PLSR模型和逐步多元线性回归(SMLR)模型。结果表明,SMLR模型对含水率预测效果最好,校正集相关系数R_c为0.8597,标准误差SEC为0.0521;预测集相关系数R_p为0.8654,标准误差SEP为0.0387。研究表明,利用高光谱成像技术检测羊肉含水率是可行的。     

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。     

肉品挥发性盐基氮的高光谱无损快速检测

建立利用高光谱成像技术对生鲜猪肉的挥发性盐基氮含量进行快速无损伤检测的方法。方法 利用400~1100 nm光谱范围的高光谱成像系统, 获取猪肉表面的高光谱图像信息, 通过洛伦兹函数对其表面的扩散信息进行拟合, 结合偏最小二乘回归和多元线性回归两种方法, 分别建立预测猪肉TVB-N含量的预测模型。结果 利用洛伦兹三参数组合[abc]结合MLR方法建立预测猪肉TVB-N含量的模型效果优于PLSR模型, 预测相关系数达到0.90, 标准差为4.67。结论 高光谱成像技术可以快速无损伤检测肉品挥发性盐基氮。     

高光谱成像技术在食品品质无损检测中的应用探究

本文综述了高光谱成像技术和高光谱成像系统的原理,从食品新鲜度检测、生物污染检测、水分检测和固形物含量检测4个方面分析高光谱成像技术的应用,了解其检测要点与优势,以期提高高光谱成像技术的应用水平,更好地保证食品的品质和安全。     

基于近红外光谱的红提内部品质无损检测研究

红提的可溶性固形物含量（Solube Solids Content,SSC）、总酸（Total Acid,TA）、pH、硬度（Firmness Index,FI）和含水率（Moisture Content,MC）等内部品质指标直接影响着果实的口感及品质,同时也是水果成熟度的评判标准。为快速获得上述内部品质指标,且避免不必要的检测损耗,本文提出了一种新的红提无损检测模型。以生长期红提为研究对象,利用Antaris II近红外光谱仪采集了360个样本的近红外光谱信息。对采集到的光谱信息分别用SNV等算法进行预处理并通过建模确定了最优预处理方法。然后通过降维算法提取光谱信息的特征波长,最后基于偏最小二乘回归算法（Partial Least Squares Regression,PLSR）分别建立了红提的SSC、TA、pH、FI和MC的检测模型。红提的SSC、TA的最优检测模型为SG-CARS-SPA-PLSR模型,pH的最优检测模型为MA-CARS-SPA-PLSR模型,FI和MC的最优检测模为SG-CARS-PLSR模型。所建立的红提SSC、TA、pH、FI和MC的最优PLSR模型的预测集的相关系数R_p分别为0.9787、0.9811、0.9870、0.9568、0.9329,残差预测偏差RPD分别为4.8637、4.9006、6.0939、3.4453、2.5825,表明以上模型具有较高的检测精度。本文所建的红提内部品质检测模型可为红提内部品质的检测提供可靠的方法。     

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。     

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。     

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。      

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。     

高光谱成像技术对羊肉新鲜度的无损检测

为探究高光谱成像技术对羊肉新鲜度无损检测的可行性,通过高光谱成像系统获取羊肉样本935～2 539 nm的高光谱图像,测定羊肉挥发性盐基氮(total volatile basic nitrogen,TVB-N)含量并划分样本新鲜度类别。借助连续投影法(successive projection algorithm,SPA)优选的12个特征波长建立基于反向人工神经网络(back-propagation artificial neural network,BPANN)和分类回归决策树(classification and regression trees,CART)算法的羊肉新鲜度判别模型。结果表明,BPANN模型对校正集和预测集的平均分类准确率为100%和83. 33%,对3个新鲜度类别样本的识别率分别为88. 89%、75%和85. 71%;CART模型对校正集和预测集的平均分类准确率为100%和91. 67%,对3个新鲜度类别样本的识别率分别为88. 89%、87. 50%和100%。CART模型的平均分类准确率和对3个类别样本的识别率均高于BPANN模型,表明高光谱成像技术结合C...     

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。