IVISSA算法冷鲜滩羊肉嫩度的高光谱模型优化

高光谱成像可同时获取被检测对象的图像信息和光谱信息,并对其内部成分进行定性和定量分析。国内外学者采用高光谱对肉品品质的研究多集中在水分、菌落总数、色泽、 pH、挥发性盐基氮等方面,在肉品嫩度检测中应用区间变量迭代空间收缩法优选特征波长的研究鲜有报道。利用可见-近红外(400～1 000 nm)和近红外(900～1 700 nm)高光谱结合化学计量学方法对冷鲜滩羊肉嫩度进行无损预测,优选最佳建模波段。首先,采集羊肉的高光谱图像,提取样本感兴趣区域的光谱反射值,采用TA-XTplus质构仪测量滩羊肉嫩度;其次,将两个波段下的原始光谱数据进行多元散射校正(multiple scattering correction, MSC)、去趋势(de-trending)、基线校准(baseline)、标准正态变量(standard normal variable, SNV)、归一化(normalize)和卷积平滑(Savitzky-Golay)等预处理;分别采用连续投影算法(successive projection algorithm, SPA)、竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)、变量组合集群分析法(variables combination population analysis, VCPA)和区间变量迭代空间收缩法(interval variable iterative space shrinkage approach, IVISSA)对最佳预处理的光谱数据优选特征波长;最后,建立冷鲜滩羊肉嫩度的偏最小二乘回归(partial least squares regression, PLSR)预测模型,优选最佳建模波段。结果表明:(1)滩羊肉嫩度的近红外高光谱模型的预测效果优于可见-近红外高光谱;(2)经过多种预处理方法所建立的滩羊肉嫩度的模型中,近红外区域的原始光谱(original spectra, OS)模型效果最优,其R_c=0.83,R_p=0.79, RMSEC=874.94, RMSEP=1 465.97;(3)近红外高光谱的原始光谱经SPA, CARS, VCPA, IVISSA四种方法共挑选出15, 16, 13和123个特征波长,占总波长的7%, 6%, 5%和54%;(4)近红外高光谱结合OS-IVISSA-PLSR建立的冷鲜滩羊肉嫩度预测模型最好,其R_c=0.85,RMSEC=850.86,R_p=0.79, RMSEP=1 497.11。IVISSA算法不仅可大幅度减少模型运算次数,还可以保证模型的精准和稳定性。研究表明, OS-IVISSA-PLSR模型对冷鲜滩羊肉嫩度进行高光谱的快速无损检测是可行的。     

基于高光谱成像技术的滩羊肉新鲜度快速检测研究

滩羊肉的新鲜度是其品质安全的一个重要衡量指标,也是肉品品质安全控制的关键环节。挥发性盐基氮（TVB-N）是表征肉品腐败过程主要的化学信息,能有效地评价出滩羊肉的新鲜度。然而,TVB-N的传统检测过程繁琐且人为影响因素大,检测结果缺乏客观性和一致性,不能满足当今肉品检测过程无损、快速、高效的需求。高光谱成像技术符合现代检测技术向多源信息融合方向发展的需求,已在食品安全领域得到广泛应用。利用可见/近红外高光谱成像技术（400~1 000 nm）结合动力学和化学计量学方法以及计算机编程技术,将同时实现滩羊肉贮存期内（15 ℃环境）TVB-N 浓度的快速检测和贮藏期的预测。研究中提取每个样品感兴趣区域的平均光谱数据,选用蒙特卡洛算法剔除异常样本。采用X-Y共生距离（SPXY）法划分为校正集和预测集,分别选用多元散射校正（multiplicative scatter correction, MSC）、卷积平滑（savitzky-golay, SG）、标准变量变换（standard normalized variate, SNV）、归一化（normalization）、基线校准（baseline）五种方法对原始光谱数据进行预处理,优选出最佳预处理方法。采用竞争性自适应重加权法（campetitive adaptive reweighted sampling, CARS）和连续投影算法（successive projections algorithm, SPA）分别提取了21个和6个特征波长。为优化模型并提高其模型精度,采用SPA算法对 CARS 所选特征波长进行二次提取,优选出14个特征波长。基于所提取的特征波长建立TVB-N浓度的PLSR模型,优选出 SNV-CARS-SPA-PLSR 模型具有较高的预测能力（R2_c=0.88,RMSEC=2.51, R2_p=0.65, RMSEP=2.11）。同时,建立了滩羊肉TVB-N变化与贮藏时间的动力学模型,并将优化后的光谱模型和动力学反应模型相结合建立了滩羊肉光谱吸光度值与贮藏时间的高光谱动力学模型,实现对贮藏时间的预测,并通过 PLS-DA判别模型对滩羊肉贮藏时间进行判别分析（校正集判别准确率为100%,预测集为97%）。研究表明,利用可见/近红外高光谱成像技术结合动力学和化学计量学方法以及计算机编程技术,可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析,为开发实时在线检测装备提供理论参考。     

饲料中粗脂肪和粗纤维含量的近红外光谱快速分析

采用近红外光谱(NIRS)结合偏最小二乘(PLS)方法,实现对饲料中粗脂肪和粗纤维的快速定量分析。采用Norris-Williams平滑求导(NW)和多元散射校正(MSC)方法对光谱进行预处理;蒙特卡罗无信息变量消除法(MCUVE)、变量组合集群分析法(VCPA)和区间变量迭代空间收缩法(iVISSA)用于光谱变量选择和优化; PLS用于光谱校正模型的建立,采用校正集相关系数(R_c)、交互验证均方根误差(RMSECV)、预测集相关系数(R_p)和预测集均方根误差(RMSEP)评价模型。光谱预处理中经MSC处理后的光谱模型优于其他预处理方法,其RMSECV和RMSEP值都减小,R_c和R_p值都增大。脂肪定量分析中,原始光谱模型的RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.20和0.88,变量数(V_n)为1 501;经MCUVE方法选择变量后建立的定量模型,其RMSECV和R_c为0.17和0.92, RMSEP和R_p为0.19和0.89,V_n为400个;经VCPA选择变量建立PLS定量模型,其RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.25和0.81,V_n为12;经iVISSA选择变量后的模型,其RMSECV和R_c为0.21和0.86, RMSEP和R_p为0.20和0.87,V_n为20。粗纤维定量分析中,原始模型的RMSECV和R_c为0.28和0.91, RMSEP和R_p为0.25和0.95,V_n为1 501;经MCUVE选择后的模型,其RMSECV和R_c为0.23和0.95, RMSEP和R_p为0.23和0.94,V_n为740;经VCPA选择变量后的模型,其RMSECV和R_c为0.27和0.91, RMSEP和R_p为0.30和0.91,V_n为11;经iVISSA选择后变量的模型,其RMSECV和R_c为0.29和0.90, RMSEP和R_p为0.27和0.93,V_n为20。结果表明, MSC方法可以有效提高光谱质量,消除光谱平移误差; MCUVE变量选择方法可以简化模型提高模型精度和稳定性,建立最优模型。在粗脂肪的定量分析模型中, MSC处理后的光谱经过MCUVE选择后剩余400个变量,R_c和R_p相较于全谱模型提高了0.05和0.01, RMSECV和RMSEP分别降低到了0.17和0.19;经VCPA和iVISSA选择变量的模型其结果与全谱模型相似,但其变量分别只有12和20个。在粗纤维模型中,经MCUVE选择后740个变量用于建立PLS模型,其R_c和R_p为0.95和0.94, RMSECV和RMSEP分别为0.23和0.23; VCPA和iVISSA分别运用11和12个变量建立回归模型,但结果都比MCUVE模型差。利用饲料近红外光谱建立MSC-MCUVE-PLS模型可以有效对饲料粗脂肪和粗纤维进行定量分析。     

基于高光谱开发滩羊肉中高铁肌红蛋白含量的定量函数

高铁肌红蛋白(metmyoglobin,MetMb)在肉中所占的比例直接影响肉的色泽。利用可见近红外光谱(ViS-NIR)采集到的滩羊肉数据与化学计量学方法相结合,探讨高光谱成像快速无损检测滩羊肉中MetMb含量的可行性以及开发滩羊肉中MetMb含量的定量函数。采用分光光度计测量滩羊样本的MetMb含量,使用ENVI4.8软件提取贮藏期间200个样本光谱图像的感兴趣区域,将获取的光谱数据与化学值相结合,定量解释两者的相关性;利用光谱理化值共生距离法,按照3∶1的比例划分样本,对校准模型进行独立(外部)验证;采用乘法散射校正(multiple scattering correction, MSC)、一阶导数(first derivative, 1~(st) derivative)和去趋势(De-trending)等3种不同的方法对原始光谱数据进行预处理,以消除噪音对原始光谱的干扰;竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)、区间变量迭代空间收缩方法(interval variable iterative space shrinkage approach,iVISSA)、间隔随机蛙跳算法(interval random frog, IRF)、变量组合集群分析法(variables combination population analysis, VCPA)、连续投影算法(successie projection algorithm, SPA)以及IRF+SPA、 iVISSA+SPA组合方法被用于光谱的变量选择和优化;使用典型的线性建模方法:偏最小二乘回归(partial least square regression,PLSR)建立全波段和特征波段的预测模型,确定最佳模型;通过最佳模型建立滩羊肉中MetMb含量的定量函数。结果表明:原始光谱模型性能较好于3种预处理光谱的模型性能,其R■=0.852,R■=0.788, RMSEC=4.604, RMSEP=5.729;原始光谱经过CARS, VCPA, IRF, SPA, iVISSA, IRF+SPA, iVISSA+SPA等方法分别选出16, 13, 48, 14, 45, 10和11个特征波长,占总波长的12.8%, 10.4%, 38.4%, 11.2%, 36%, 8%和8.8%。通过对比PLSR模型, IRF+SPA-PLSR模型性能最佳,R■=0.808,R■=0.826, RMSEC=5.253, RMSEP=5.149, IRF+SPA算法不仅减少了计算时间,而且生成了更准确,更稳健的预测模型;最后,基于IRF+SPA算法建立的MetMb含量的定量函数为:■。表明ViS-NIR光谱对滩羊肉中MetMb含量的快速无损检测是可行的,开发的定量函数为快速测定滩羊肉中MetMb的含量提供参考。     

高光谱图谱融合检测羊肉中饱和脂肪酸含量

为探究高光谱成像(400~1000 nm)对羊肉中饱和脂肪酸(SFA)含量检测的可行性,提出一种基于特征光谱信息和图像纹理特征融合的SFA含量预测模型,实现对羊肉中SFA含量的快速检测及分布可视化。利用分段阈值法构建掩膜图像,获取羊肉样本感兴趣区域(ROI),结合SPXY法对样本集进行划分并对相关光谱信息进行预处理,分别采用连续投影算法(SPA)、变量组合集群分析法(VCPA)和β权重系数法提取特征光谱;通过获取羊肉样本主成分图像,结合灰度共生矩阵(GLCM)算法提取图像纹理信息;分别对特征光谱、图像信息及图谱融合信息建立的偏最小二乘回归(PLSR)与最小二乘支持向量机(LS-SVM)预测模型进行对比分析。利用5种不同对原始光谱数据进行预处理,经SNV法预处理后的光谱其校正集与预测集相关系数分别为0.921和0.875,较原始光谱分别增加了0.001和0.04,均方根误差模型分别为0.244和0.268,较原始光谱模型分别减少了0.003和0.06;对SNV法预处理后的光谱数据进行特征波长提取,SPA法、VCPA法及β权重系数法分别提取出12,10和9个特征波长;获取羊肉样本的前5个主成分图像,选择所含信息量最多的第一主成分图像进行纹理特征提取,依次提取0,45°,90°和135°方向下的能量、熵、同质性和相关性共4个主要纹理特征。利用SPA法提取的特征波长建立的PLSR与LS-SVM模型性能较好,PLSR模型校正集与预测集相关系数分别为0.8849和0.8807,均方根误差分别为0.3001和0.2606;LS-SVM模型校正集与预测集相关系数分别为0.8987和0.8926,均方根误差分别为0.2767和0.2476;图谱信息融合模型中,PLSR模型校正集与预测集相关系数分别为0.9071和0.9078,较特征光谱模型分别增加了0.02和0.03,均方根误差分别为0.3269和0.2992,较特征光谱模型分别增加了0.03和0.04;LS-SVM模型校正集与预测集相关系数分别为0.9206和0.8946,较特征光谱模型分别增加了0.02和0.002,均方根误差分别为0.2519和0.2458,较特征光谱模型分别减少了0.02和0.002。光谱预处理中经SNV法处理后的光谱所建模型性能优于其他预处理方法;采用SPA法提取的12个特征波长简化了光谱模型,提高了模型性能,特征光谱建模的最优方法为SPA-LS-SVM;图谱信息融合模型较特征光谱模型,模型相关系数增加较少,表明图像纹理信息虽携带了部分有效信息,但这些信息与羊肉中SFA含量之间的相关性有待进一步研究。基于图谱信息融合模型的预测性能最优,其次为光谱信息模型。择优选取SPA-PLSR模型计算羊肉样本中每个像素点的SFA含量,利用伪彩色图直观表示了羊肉样本中SFA的含量分布。实现对羊肉样本SFA含量的无损检测及分布可视化表达。     

基于高光谱技术反演大豆生理信息的特征波长提取方法研究

生理信息的准确获取及预测可为种植的精细化管理提供依据。传统的大豆生理信息反演方法检测效率低、操作过程繁琐且多为有损检测。利用高光谱技术建立大豆生理信息的快速无损反演方法。以大豆开花结荚期叶片为研究对象,在2个日期(D1和D2)获取高光谱、叶绿素含量、净光合速率和光合有效辐射数据。首先分别采用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导数(FD)、二阶导数(SD)、 Savitzky-Golay平滑(SG)、 MSC-SG-FD、 MSC-SG-SD、 SNV-SG-FD和SNV-SG-SD共9种方法对原始光谱数据进行预处理,随后结合偏最小二乘法(PLS)建立全波段模型,比较分析,选出最优预处理方法。再分别利用竞争性自适应权重取样法(CARS)、连续投影法(SPA)和相关系数法(CC)对特征波长进行筛选提取。最后将优选出的预处理方法与特征波长变量进行PLS建模并对比分析,以校正集和预测集相关系数R_c和R_p为模型评价指标,最终优选出与大豆生理信息相关性最高的反演模型。结果表明:采用MSC-SG-FD预处理后建立的叶绿素含量全波段PLS模型的Rc和Rp最高,分别为0.909和0.882(D1), 0.909和0.880(D2),采用SNV-SG-FD预处理后建立的光能利用率全波段PLS模型的R_c和R_p最高,分别为0.913和0.894, 0.902和0.869,与原始及其他预处理后建立的模型相比表现出最高的模型性能特征。进一步对比3种特征波长提取方法的建模,发现SPA法筛选出的变量能将叶绿素含量反演模型的建模变量数由512个压缩至20个(D1)和23个(D2),变量压缩率高达96.09%和95.51%,同时能将光能利用率反演模型的建模变量数压缩至27个和37个,变量压缩率高达94.73%和92.77%。最终得出反演叶绿素含量的最优建模方法为MSC-SG-FD-SPA-PLS,R_c值为0.944(D1)和0.941(D2),R_p值为0.911和0.903,反演光能利用率的最优建模方法为SNV-SG-FD-SPA-PLS,R_c值为0.929(D1)和0.925(D2),R_p值为0.912和0.907,所建模型精度较高,可为大面积检测大豆生理信息提供技术支持。     

感兴趣区域对羊肉pH高光谱检测模型的影响研究

感兴趣区域(regions of interest, ROIs)的选择及其光谱提取是高光谱图像无损检测分析的关键一步。为快速准确检测羊肉pH,在473～1 000 nm波段,开展了两种不同提取ROIs方法对羊肉pH高光谱检测模型的影响研究。采用“矩形区域法”和“图像分割法”两种ROIs方法分别获得相应的122条羊肉光谱,对比了不同预处理方法对建模效果的影响,并比较了两种ROIs方法下逐步多元线性回归(SMLR)、主成分回归(PCR)和偏最小二乘回归(PLSR)的模型精度。结果表明,提取光谱数据建模中SMLR和PLSR模型效果分别最优。“矩形区域法”提取ROIs对应的SMLR模型校正集的相关系数(R_cal)和均方根误差(RMSEC)分别为0.85和0.085,预测集的相关系数(R_p)和均方根误差(RMSEP)分别为0.82和0.097。“图像分割法”提取ROIs对应的PLSR模型校正集的R_cal和RMSEC分别为0.95和0.050,预测集的R_p和RMSEP分别为0.91和0.071。其次通过比较“矩形区域法”和PCR, SMLR和PLSR三个模型中,“图像分割法”提取的ROIs光谱数据建模效果较优。表明,应用高光谱图像技术结合“图像分割法”提取ROIs快速无损准确检测羊肉pH具有可行性。     

不同pH值土壤中铅含量的太赫兹光谱反演建模研究

针对土壤中铅含量的定量检测问题,本研究基于太赫兹光谱技术对不同pH下土壤中铅含量的最佳反演预测模型进行了探索性研究。分别制备了pH为8.5, 7.0和5.5的含铅土壤样品,采集样品的太赫兹光谱数据,并对光谱数据做了多元散射矫正(MSC)、基线校正和Savitzky-Golay平滑等预处理。对预处理后的光谱数据,采用连续投影法(SPA)选取光谱数据的特征频率。基于选取的特征频率分别采用偏最小二乘法(PLS)、支持向量机(SVM)和误差反向传播神经网络(BPNN)建立土壤中铅含量的反演预测模型,采用校正集相关系数(R_c)、校正集均方根误差(RMSEC)、预测集相关系数(R_p)、预测集均方根误差(RMSEP)和剩余预测偏差(RPD)作为评价参数对模型性能进行评估,确定铅在不同pH土壤中的最佳预测模型。实验结果表明:在经过SPA选择特征频率后的建模效果普遍比全光谱的效果好。其中pH 8.5的样品最佳预测模型为SPA-PLS,R_c,R_p, RMSEC, RMSEP和RPD分别为0.997 7, 0.994 6, 14.52 mg·kg~(-1), 22.70 mg·kg~(-1)和9.63; pH 7.0的样品最佳预测模型为SPA-SVM,R_c,R_p, RMSEC, RMSEP和RPD分别为0.996 2, 0.975 7, 20.25 mg·kg~(-1), 33.04 mg·kg~(-1)和4.56; pH 5.5的样品最佳预测模型为SPA-BPNN,R_c,R_p, RMSEC, RMSEP和RPD分别为0.968 7, 0.974 4, 48.83 mg·kg~(-1), 55.03 mg·kg~(-1)和4.44。该研究结果为不同pH土壤中铅含量的光谱反演预测提供了一种新思路,亦可为其他重金属在不同pH土壤中的含量反演预测模型提供理论方法和技术支持。     

基于高光谱图像和偏最小二乘的羊肉pH值特征波段筛选研究

波段筛选方法的选取以及随后的光谱特征波段的提取对高光谱模型效果的影响较大。为了快速准确检测羊肉的pH值,开展并讨论了利用两种特征波段筛选方法对羊肉pH值高光谱模型的影响研究。本研究采用二阶导数(2D)、多元散射校正(MSC)和中心化处理(mean-centering)相结合的方法对所提取纯肌肉部分的代表性光谱进行预处理,利用联合区间偏最小二乘(siPLS)和联合区间偏最小二乘结合遗传算法(siPLS-GA)对全波段473～1000 nm范围光谱进行特征波段的提取,并分别建立相对应特征波段范围羊肉pH的PLS预测模型,同时与全波段的PLS模型效果相比较。结果表明采用siPLS-GA提取的特征波长建立的PLS模型效果最优,其选取的特征波长点数为56,校正集相关系数(R_cal)和均方根误差(RMSEC)分别为0.96和0.043,预测集相关系数(R_P)和均方根误差(RMSEP)分别为0.96和0.048。siPLS-GA方法既能够减少建模使用的光谱变量,又可以提高模型精度,因此利用高光谱图像技术结合siPLS-GA可以实现羊肉pH的特征波段筛选和快速准确检测。     

羊肉挥发性盐基氮的高光谱图像快速检测研究

挥发性盐基氮(TVB-N)通常被作为评价羊肉新鲜度的理化参考指标。为了揭示高光谱图像技术(HSI)快速检测羊肉新鲜度的可行性,采集了71个新鲜度具有代表性的羊肉样品的漫反射高光谱图像(400～1 000 nm),并利用半微量定氮法测定了其挥发性盐基氮(TVB-N)的化学值。选择感兴趣区域(ROIs)提取样品的代表性光谱,采用含量梯度法划分校正集和预测集,比较不同的光谱预处理方法,比较逐步多元线性回归(SMLR)、偏最小二乘(PLSR)和主成分分析(PCR)建模方法,建立并验证了TVB-N的校正模型。结果表明,利用多元散射校正(MSC)、一阶导数、Savitzky-Golay(S-G)平滑及中心化处理结合的预处理方法,PLSR和PCR模型都可以实现对羊肉TVB-N的定量检测。对于建立的PLSR模型,采用的预处理方法为MSC、15点2次S-G平滑、1阶导数和中心化相结合的方法,选择的潜变量因子数为11,获得的校正集的相关系数(R)和校正均方根误差(RMSEC)分别为0.92和3.00 mg·(100 g)-1,预测集的相关系数(r)、预测均方根误差(RMSEP)和相对分析误差(RPD)分别为0.92,3.46 mg·(100 g)-1和2.35。研究表明,高光谱图像技术可用于准确快速地检测分析羊肉中新鲜度关键指标TVB-N的含量。该研究为采用高光谱图像技术进一步分析羊肉新鲜度其他指标、改善TVB-N的建模效果及在实际生产中应用该技术提供了基础。     

结合高光谱图像的光谱和纹理信息预测羊肉可溶性蛋白和GSH含量

可溶性蛋白和谷胱甘肽（GSH）是羊肉重要的生理生化指标，是衡量机体抗氧化能力大小的重要因素，传统检测方法程序复杂，检测费时。为此应用可见-近红外（400～1 000 nm）高光谱成像技术实现可羊肉可溶性蛋白和还原性谷胱甘肽（GSH）含量无损、快速检测。首先，对采集的180个羊肉样本的原始光谱信息采用4种方法进行预处理，再运用竞争自适应加权算法（CARS）、区间变量迭代空间收缩算法-迭代和保留信息变量法（iVISSA-IRIV）进行特征波段的提取。同时使用灰度共生矩阵法（GLCM）提取贡献率最高的主成分图像的纹理信息。最后将优选出的预处理方法和特征波长信息作为光谱信息和光谱-纹理融合信息分别结合多元线性回归（MLR）、最小二乘支持向量机（LS-SVM）模型建立羊肉可溶性蛋白和谷胱甘肽含量的预测模型。结果显示未经预处理的原始光谱建立的羊肉可溶性蛋白含量PLSR模型效果最佳，其R_c和R_p分别为0.875 7和0.854 7；采用SNV法预处理后光谱建立的羊肉GSH含量PLSR模型效果最佳，其R_c和R_p分别为0.804 8和0.826 5。利用iVISSA-IRIV共筛选出31个特征波长，建立的羊肉可溶性蛋白LS-SVM模型的R_c和R_p最优，分别为0.914 6和0.881 8；同时利用iVISSA-IRIV筛选出29个特征波长，建立的羊肉GSH-MLR模型的R_c和R_p最优，分别为0.844 6和0.870 5。最终经光谱特征信息和图谱信息融合模型对比发现，建立iVISSA-IRIV-LS-SVM模型对羊肉可溶性蛋白预测效果最佳，其R_c和R_p分别为0.914 6和0.881 8；利用SNV-iVISSA-IRIV法提取的光谱特征信息与纹理信息融合建立的MLR模型为预测羊肉GSH含量的最优模型，其R_c和R_p分别为0.849 5和0.890 4。利用最优iVISSA-IRIV-LS-SVM和iVISSA-IRIV-MLR模型和成像处理方法，结合伪色彩图像直观的表示羊肉样本的可溶性蛋白和GSH含量的空间分布情况。研究结果表明利用高光谱图像的光谱和纹理信息能够用来预测羊肉可溶性蛋白和GSH含量。     

Box-Behnken法冷鲜滩羊肉蛋白质的高光谱模型优化

高光谱成像技术是一种将成像与光谱相结合的新型无损检测技术,属于间接分析方法;光谱模型的建立非常关键,需综合考察各建模因素间的交互作用。应用Box-Behnken法设计响应面试验优化冷鲜滩羊肉蛋白质含量的可见/近红外高光谱定量检测模型。使用可见/近红外高光谱成像系统采集冷鲜滩羊肉样本的高光谱图像,分析肉样反射光谱特性。采用二维相关光谱技术（2DCOS）,以冷鲜滩羊肉中蛋白质含量为“外界扰动”,研究扰动条件下光谱信号的动态变化,解析二维相关光谱谱图特征,寻找与微扰相关的敏感变量。分别采用多元散射校正（multiplicative scatter correction,MSC）和标准正态变量变换（standard normalized variate,SNV）提取有用信号,优化所选特征波段光谱质量。为实现数据快速降维,减少大量光谱数据处理负担,采用变量组合集群分析法（variable combination population analysis,VCPA）和应用竞争性自适应加权算法（competitive adaptive reweighted sampling,CARS）对2DCOS范围内特征波段进行二次优选。根据Design-Expert软件中Box-Behnken法设计响应面试验,以特征优选、光谱预处理及多元校正方法为考察因素,各因素中3种不同方法为水平,建立冷鲜滩羊肉蛋白质含量分析的优化检测体系。结果表明,波长473,679,734和814 nm处存在较强的自相关峰,473~814 nm范围内的特征波段为冷鲜滩羊肉蛋白质检测的敏感区域;MSC和SNV能够消除肉样自身散射作用的干扰,CARS和VCPA对特征波段进行二次优选,分别优选出了16和9个特征波长;各因素对蛋白质可见/近红外光谱模型预测性能的影响顺序为特征优选方法>预处理方法>多元校正方法,优选出2DCOS-SNV-LSSVM模型具有较高的运行速率和预测能力,其R_c=0.858 8,RMSEC=0.005 8;R_p=0.860 4,RMSEP=0.005 7。研究表明,Box-Behnken法在可见/近红外高光谱（400~1 000 nm）建模参数优化选择中的应用,可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析,为分析对象光谱模型的优化及提高预测结果的准确性提供理论参考。     

基于二次迭代Monte Carlo的羊肉硬度定量检测研究

随着居民生活水平的提高和对健康饮食结构的重视,羊肉作为一种高蛋白且低脂肪和胆固醇的畜肉,需求量逐年上涨。根据国家统计局统计,2012年-2019年我国畜肉产业中羊肉产量占比从6.27%上升到9.02%。研究提出了一种基于二次迭代Monte Carlo（MC）算法剔除异常样本的羊肉硬度定量检测PLSR模型。采用GaiaSorter高光谱分选仪的Image-λ-V10E-H相机采集羊肉样品400~950 nm的高光谱数据,Image-λ-N17E相机采集羊肉样品900~1 650 nm的高光谱数据。首先,对比分析了S-G平滑、二阶求导、多元散射校正（MSC）、标准正态变换（SNV）等光谱预处理方法在消除噪声影响,提高光谱分别率等方面的能力,选取最佳光谱预处理方法。然后,在第一次MC抽样中,计算所有样本预测误差均值和标准差的平均值,以该平均值的2.5~3倍作为可疑样本阈值,3倍作为异常样本阈值;剔除异常样本,保留并标注可疑样本,进行第二次MC抽样,以样本预测误差均值和标准差的3倍值为阈值进行异常样本二次剔除;对第一次MC抽样中标注可疑样本进行二次检测。最后,对比分析了基于全波长建立的偏最小二乘回归（PLSR）模型和基于回归系数法（RC）提取的特征波长建立的PLSR模型。研究结果表明,所提出的二次迭MC算法可以准确判别可疑样本是否为异常样本,有效优化样本集,为建模提供良好的数据基础。以MSC作为光谱预处理算法基于400~950和900~1 650 nm两段高光谱数据建立PLSR模型的R2_P分别为0.947 2和0.978 3,RMSE_P分别为47.789 9和30.590 1 g,优于其他三种光谱预处理算法。另外,基于900~1 650 nm建立的PLSR模型明显优于基于400~950 nm波长样本集建立的模型。通过RC算法选取出羊肉硬度在400~950和900~1 650 nm波长范围的特征波长分别为14个（410,438,450,464,539,558,612,684,701,734,778,866,884和935 nm）和10个（915,949,1 085,1 156,1 206,1 262,1 318,1 384,1 542和1 580 nm）。其中,基于900~1 650 nm波长建立的PLSR模型的R2_P为0.985 0,RMSE_P为24.397 0 g,为羊肉硬度预测的最佳模型。结果表明,所提出的融合二次迭代MC算法的PLSR模型可以有效预测羊肉冷藏过程中硬度特性变化趋势,为羊肉品质无损检测相关研究提供参考。     

高光谱结合二维相关光谱检测灵武长枣中半纤维素的含量

利用高光谱成像技术与二维相关光谱（2D-COS）结合化学计量学检测灵武长枣半纤维素含量。采用定量瘀伤装置获得0,Ⅰ,Ⅱ,Ⅲ,Ⅳ级瘀伤长枣模型,通过高光谱和分光光度计分别获得样品高光谱图像和半纤维素含量。蒙特卡洛异常值检测法剔除异常样本后,分别用随机划分法（RS）,Kennard-Stone法（KS）、光谱-理化值共生距离法（SPXY）和3∶1比例法对样本集划分校正预测。采用基线校准（Baseline）、去趋势（De-trending）和标准化（Normalize）对长枣原始光谱预处理后建立偏最小二乘回归模型（PLSR）,优选最佳样本集划分及预处理方法。利用2D-COS将光谱信号扩展到第2维,在全光谱范围内寻找与半纤维素含量相关的敏感波段区间。采用竞争性自适应加权算法（CARS）、引导软收缩（BOSS）、区间变量迭代空间收缩方法（iVISSA）、变量组合集群分析法（VCPA）以及iVISSA+BOSS,iVISSA+CARS和iVISSA+VCPA方法在2D-COS敏感波段区间进行特征波长提取,并建立基于特征波长的PLSR模型。结果表明,样本集经3∶1划分和Baseline预处理后建立的基于全波段的PLSR模型最优,故最佳样本集划分方法为3∶1,预处理方法为Baseline,用于后续特征波长提取。通过2D-COS分析发现3个与半纤维素相关的自相关峰（401,641和752 nm）;在2D-COS敏感区域（401～752 nm范围内）,采用BOSS,CARS,iVISSA,VCPA,iVISS+BOSS,iVISS+CARS,iVISS+VCPA分别提取了14,26,39,12,15,22和11个对应的特征波长,占总波长的18.9%,35.1%,52.7%,16.2%,20.2%,29.7%和14.8%。对比2D-COS和特征波建立的PLSR模型,2D-COS+iVISSA-PLSR模型效果较好,其R2_C=0.747 9,R2_P=0.604 7,RMSEC=0.043 8,RMSEP=0.060 3。研究表明,利用高光谱成像技术结合2D-COS可实现灵武长枣半纤维素含量的快速检测。     

贮藏期内灵武长枣果糖含量的高光谱预测

高光谱成像可将图像和光谱相结合,同时获得目标对象的图像和光谱信息,已在农产品定性和定量分析检测方面得到广泛利用。利用可见-近红外高光谱成像结合化学计量学方法对贮藏期内灵武长枣果糖含量进行无损检测。采用高效液相色谱测量长枣果糖含量的化学值,可见-近红外高光谱系统采集长枣的高光谱图像,提取每个样本感兴趣区域的平均光谱;建立长枣贮藏期的径向基核函数支持向量机（radial basis kernel function support vector machine,RBF-SVM）模型;分别选用正交信号校正法（orthogonal signal correction,OSC）、多元散射校正（multiplicative scatter correction,MSC）、中值滤波（median-filter,MF）、卷积平滑（savitzky-golay,SG）、归一化（normalization,Nor）、高斯滤波（gaussian-filter,GF）和标准正态变换（standard normalized variate,SNV）等方法对原始光谱进行预处理;为减少数据量,降低维度,提高运算速度,采用反向区间偏最小二乘法（backward interval partial least squares,BiPLS）、间隔随机蛙跳算法（interval random frog,IRF）和竞争性自适应加权算法（competitive adaptive reweighted sampling,CARS）对光谱数据提取特征变量;建立全波段和特征波段的偏最小二乘回归（partial least squares regression,PLSR）和主成分回归（principle component regression,PCR）长枣果糖含量预测模型。结果表明：RBF-SVM判别模型校正集准确率为98.04%,预测集准确率为97.14%,能很好地预测长枣的贮藏期;利用BiPLS, IRF及CARS进行降维处理,提取特征波长个数为100, 63和23,占原光谱数据的80%,50.4%和18.4%;为简化模型运算过程并提高模型精度,采用CARS算法对BiPLS及IRF算法所选取的特征波长进行二次筛选,分别优选出18和15个特征波长,占原光谱数据的14.4%和12%,显著减少特征波长数;将全波段光谱与提取出的特征波长分别建立长枣果糖含量的PLSR及PCR预测模型,优选出CARS提取特征波长建立的PLSR模型效果最优,其中校正集的相关系数R_c=0.854 4,均方根误差RMSEC=0.005 3,预测集的相关系数R_p=0.830 3,均方根误差RMSEP=0.005 7,说明CARS有效地对光谱进行降维,简化了数据处理过程。研究表明,利用可见-近红外高光谱成像结合化学计量学方法及计算机编程,可以有效的实现灵武长枣果糖含量的快速无损分析,为灵武长枣内部品质的检测提供理论依据。