红外光谱结合最小二乘支持向量机掺杂牛奶判别方法研究

基于红外光谱和最小二乘支持向量机建立掺杂牛奶与纯牛奶的判别模型。分别配置含有葡萄糖牛奶(0.01~0.3gL-1)和三聚氰胺牛奶(0.01~0.3gL-1)样品各36个,采集纯牛奶及掺杂牛奶样品的红外光谱。采用最小二乘支持向量机分别建立掺杂葡萄糖、掺杂三聚氰胺、两种掺杂牛奶与纯牛奶的判别模型,并利用这些模型对未知样品进行判别,其判别正确率都为95.8%。研究结果表明:与线性的偏最小二乘判别建模方法相比,最小二乘支持向量机方法具有更强的预测能力。     

以高光谱数据有效预测苹果可溶性固形物含量

从高光谱数据中选取能够有效进行内部品质检测的特征波长,是利用高光谱成像技术进行水果品质定量分析的关键。本文采用遗传算法(GA)、连续投影算法(SPA)和GA-SPA算法分别从400～1 000 nm的苹果高光谱图像中提取特征波长,利用偏最小二乘法(PLS)、最小二乘支撑向量机(LS-SVM)和多元线性回归(MLR)建模进行苹果可溶性固形物含量(SSC)的定量分析并进行了综合比较。160个样品中,120个用于建模,40个用于预测。比较发现SPA-MLR模型获得了最好的结果,R2_p,RMSEP和RPD分别为0.950 1,0.308 7和4.476 6。结果表明：SPA能够有效地用于高光谱数据的变量选择,利用SPA-MLR可建立稳健的苹果SSC预测模型,较少的有效变量和MLR模型的易解释性表明该模型在在线检测和便携式仪器开发中具有较大的应用潜力。     

苹果可溶性固形物便携式检测实验研究

为实现苹果可溶性固形物的便携式快速检测,搭建了以STS光谱仪和自制样品杯作为光谱检测装置的苹果可溶性固形物便携式检测平台。采用自行设计的检测平台采集了苹果的近红外漫反射光谱,对比分析了不同的光照角度、光源与探头距离对光谱响应特性的影响,建立了苹果可溶性固形物偏最小二乘模型(PLS)和最小二乘支持向量机模型(LS-SVM),采用连续投影算法及主成分分分析法对最小二乘支持向量机模型进行了优化,并对比分析了两种检测模型的优劣。其中当光源距探头距离为15 mm光源角度为45°时,结合偏最小二乘法建立苹果的可溶性固形物定量检测模型精度最高。模型的预测集相关系数为0.924,预测均方根误差为0.334%。实验结果表明,采用四周照射、底部接收并结合避光圈的这种结构布置能够有效的克服杂散光现象并且提高了光谱中的有效信息。研究可为快速、便携的苹果可溶性固形物检测仪器的设计提供参考依据和理论支撑。     

梨和苹果糖度在线检测通用数学模型研究

采用可见/近红外光谱技术在线检测水果糖度,每个水果品种要单独建模,模型升级维护耗时费力。探讨建立苹果、梨等薄皮水果可溶性固形物(SSC)在线检测通用数学模型的可行性。利用自行设计的可见/近红外漫透射光谱在线检测系统,在积分时间80 ms、单线速度5个/s的条件下,采集新梨7号、砀山酥梨、玉露香梨和富士苹果四种水果的可见/近红外漫透射光谱。分析了四种水果的可见/近红外漫透射光谱响应特性,采用变异系数法和连续投影算法,筛选通用数学模型建模用光谱变量,并建立了偏最小二乘和最小二乘支持向量机梨与苹果梨通用数学模型。采用新样品评价模型的预测能力,变异系数法筛选光谱波段建立的偏最小二乘通用数学模型预测精度最高,通用模型预测梨和苹果梨模型预测均方根误差分别为0.49%和0.55%,通用模型预测相关系数分别为0.88和0.93;独立模型预测新梨7号、玉露香梨、砀山酥梨和富士苹果的预测相关系数分别为0.93,0.91,0.88和0.95,预测均方根误差分别为0.40%,0.42%,0.41%和0.46%。通用数学模型的预测精度略低于每个品种的独立数学模型,但是通用模型的通用性高于单一模型。实验结果说明采用变异系数法结合偏最小二乘法建立薄皮水果在线检测通用数学模型,实现四种水果糖度在线检测是可行的。     

基于高光谱成像技术应用光谱及纹理特征识别柑橘黄龙病

讨论了基于高光谱成像技术光谱及纹理特征在识别早期柑橘黄龙病中的应用。使用一套近地高光谱成像系统采集了176枚柑橘叶片的高光谱图像作为实验样品,其中健康叶片60枚,黄龙病叶片60枚,缺锌叶片56枚。手工选取每幅叶片高光谱图像的病斑位置作为样品感兴趣区域(regions of interest, ROI),计算其平均光谱反射率,并以此作为样品的反射光谱,光谱范围为396～1 010 nm。样品光谱分别经过主成分分析(PCA)及连续投影算法(SPA)进行数据降维,再结合最小二乘支持向量机(LS-SVM)分类器建立分类模型。相比原始光谱,由PCA选取的前四个主成分及SPA选取的一组最佳波长组合(630.4,679.4,749.4和899.9 nm)建立的模型拥有更好的分类识别能力,其对三类柑橘叶片平均预测准确率分别为89.7%和87.4%。同时,从被选四个波长的每幅灰度图像中提取6个灰度直方图的纹理特征以及9个灰度共生矩阵的纹理特征再次构建分类模型。经SPA优选的10个纹理特征值进一步提高了分类效果,对三类柑橘叶片的识别正确率达到了100%,93.3%和92.9%。实验结果表明,同时包含光谱信息及空间纹理信息的高光谱图像在柑橘黄龙病的识别中显示了很大的潜力。     

基于高光谱成像技术应用光谱及纹理特征识别柑橘黄龙病（英文）

讨论了基于高光谱成像技术光谱及纹理特征在识别早期柑橘黄龙病中的应用。使用一套近地高光谱成像系统采集了176枚柑橘叶片的高光谱图像作为实验样品,其中健康叶片60枚,黄龙病叶片60枚,缺锌叶片56枚。手工选取每幅叶片高光谱图像的病斑位置作为样品感兴趣区域(regions of interest,ROI),计算其平均光谱反射率,并以此作为样品的反射光谱,光谱范围为396~1 010nm。样品光谱分别经过主成分分析(PXA)及连续投影算法(SPA)进行数据降维,再结合最小二乘支持向量机(LS-SVM)分类器建立分类模型。相比原始光谱,由PCA选取的前四个主成分及SPA选取的一组最佳波长组合(630.4,679.4,749.4和899.9 nm)建立的模型拥有更好的分类识别能力,其对三类柑橘叶片平均预测准确率分别为89.7%和87.4%。同时,从被选四个波长的每幅灰度图像中提取6个灰度直方图的纹理特征以及9个灰度共生矩阵的纹理特征再次构建分类模型。经SPA优选的10个纹理特征值进一步提高了分类效果,对三类柑橘叶片的识别正确率达到了100%,93.3%和92.9%。实验结果表明,同时包含光谱信息及空间纹理信息的高光谱图像在柑橘黄龙病的识别中显示了很大的潜力。     

番茄碰伤和可溶性固形物近红外光谱同时在线检测

可溶性固形物和碰伤是影响番茄品质的两个主要因素。研究的目的是探索可见近红外漫透射光谱同时在线检测番茄碰伤和可溶性固形物的可行性。在单通道送果速度5个每秒条件下,采集番茄近红外漫透射光谱。对比分析碰伤与正常番茄样品的近红外漫透射光谱特性,结果表明,碰伤与正常番茄样品的近红外漫透射光谱在光强上存在明显差异,碰伤果光强要强于正常果,其原因可能是碰伤后果肉变软,透光性变强;在650和675 nm处碰伤果比正常果要多两个吸收峰,可能是碰伤后,番茄表皮颜色发生变化所致。选取贡献率占比最多的前三个主成数,对正常果与碰伤果近红外漫透射光谱主成分定性分析,正常果与碰伤果不能有效聚类,故近红外漫透射光谱主成分定性分析效果不明显,需选择建立高维近红外漫透射光谱定性判别模型。故建立了碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型,误判率为0%,能正确判别碰伤果,故选用碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型作为番茄碰伤果在线剔除分选模型。通过对未参与建模的样品进行验证,能正确识别出碰伤果。经近红外漫透射光谱偏最小二乘定性判别模型剔除碰伤果后,按照可溶性固形物指标进行分级。分别使用全部波段和606～850 nm的波段进行建模预处理,且对全部波段和606～850 nm波段光谱进行2阶导数预处理,前后平滑设为9,利用连续投影算法与遗传算法优选可溶性固形物的光谱建模变量,对比发现,利用未经算法筛选过的606～850 nm波段光谱变量进行建模,效果最好,建立了可溶性固形物在线检测模型,预测集均方根误差为0.43 Brix°。采用未参与建模的样品进行碰伤和可溶性固形物同时在线检测验证,碰伤样品的分选准确率达96%,可溶性固形物样品的分选准确率达91%。表明：番茄碰伤和可溶性固形物近红外漫透射光谱同时在线检测是可行的。     

高斯拟合算法在光谱建模中的应用研究

采用高斯拟合算法对光谱进行特征提取,利用拟合得到的特征参量表征光谱信息,并结合多元校正方法对光谱模型进行优化和解释,建立了样品快速准确的测定方法。实验以玉米活体叶片为研究对象,建立叶片光谱与叶绿素含量之间的关系模型,采用三个高斯峰对原始光谱的1 551个数据拟合后,光谱数据转换为9个高斯特征量(约为整个波段的0.58%),进而利用该高斯特征量来预测叶绿素含量。实验结果显示,采用高斯拟合分别与偏最小二乘法和主成分回归结合建模,其预测集相关系数分别为0.960和0.962;不采用高斯拟合算法而直接采用偏最小二乘法和主成分回归对全光谱建模,其预测集相关系数分别为0.957和0.919。可见,将高斯拟合算法运用到定量分析模型中是可行的,该方法不仅简化了模型参数,而且提高了模型的可解释性。     

用遗传算法快速提取近红外光谱特征区域和特征波长

提出了一种遗传区间偏最小二乘法(GA-iPLS),并用该方法快速提取苹果糖度近红外光谱的特征区域,在此基础上采用遗传偏最小二乘法(GA-PLS)提取苹果糖度近红外光谱的特征波长,进行苹果糖度预测。结果表明,整个光谱等分为40个子区间,遗传区间偏最小二乘法能快速寻找出5个特征子区间(第4,6,8,11,18号);在5个特征子区间的基础上用遗传偏最小二乘法继续优化,从中提取44个特征波长。建立在5个特征子区间和44个特征波长上的偏最小二乘法模型精度均优于全光谱偏最小二乘法模型,对预测集的预测相关系数提高了近10%;且模型得到了很大的简化,用于建模的主因子数减少了7个。这些结果表明,用这两种方法不但可以建立简洁、数据运算量少的模型,还可以快速地提取近红外光谱的特征区域和特征波长。     

二维相关近红外谱结合NPLS-DA判别掺杂牛奶的研究

将二维相关近红外谱与多维偏最小二乘判别分析方法结合起来,建立了掺杂牛奶与纯牛奶的判别模型.分别配置掺杂尿素牛奶(1～20 g/L)和掺杂三聚氰胺牛奶(0.01～3 g/L)样品各40个,采集纯牛奶及掺杂牛奶样品的近红外光谱.在量化二维相关近红外同步谱的基础上,采用多维偏最小二乘判别分析法分别建立了掺杂尿素、掺杂三聚氰胺及两种掺杂牛奶与纯牛奶的判别模型对未知样品进行判别,其判别正确率分别为95％、90％和92.5％,并与偏最小二乘判别和隐变量正交投影判别建模方法进行了比较.结果表明:多维偏最小二乘判别分析法具有更强的预测能力可推广到其它食品的掺杂检测中.     

应用近红外高光谱成像技术预测甘蔗可溶性固形物含量

为了探究应用近红外高光谱成像技术对甘蔗内部可溶性固形物（SSC）预测的可行性,试验样本选择三种不同品种中的240个甘蔗节作为研究对象。通过高光谱成像系统获取甘蔗节的近红外光谱信息和图像信息,并分别探讨了光谱信息和图像纹理信息对甘蔗可溶性固形物预测的可行性。采用最小二乘回归（PLSR）,最小二乘支持向量机（LS-SVM）及主成分回归（PCR）建模方法构建甘蔗可溶性固形物的预测模型。比较了连续投影算法（SPA）、无信息变量消除算法（UVE）及区间偏最小二乘（iPLS）特征提取方法对预测结果的影响。实验结果表明：基于甘蔗的光谱信息能实现可溶性固形物的预测,其中偏最小二乘回归模型的建模集和预测集的相关系数分别为0.879和0.843,均方根误差分别为0.644和0.742。通过UVE算法提取105个有效波长所建立的PLSR模型的建模集及预测集相关系数分别为0.860和0.813,均方根误差分别为0.693和0.810。     

可见近红外高光谱成像对灵武长枣定量损伤等级判别

利用可见近红外（Vis-NIR）高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。采用定量损伤装置得到损伤Ⅰ,Ⅱ,Ⅲ,Ⅳ和Ⅴ级的灵武长枣,借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。提取感兴趣区域（region of interest,ROI）并计算样本平均光谱值。利用光谱-理化值共生距离算法（SPXY）将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。灵武长枣原始光谱建立偏最小二乘判别分析（PLS-DA）分类模型,得到校正集和预测集准确率分别为72.70%和86.67%;灵武长枣原始光谱数据采用移动平均（MA）、卷积平滑（SG）、多元散射校正（MSC）、正交信号修正（OSC）、基线校准（baseline）和去趋势（de-trending）等方法进行光谱预处理并建立PLS-DA分类判别模型。通过分析比较,得到MSC-PLS-DA为最优分类判别模型,校正集准确率为76.19%,预测集准确率为86.67%,其中校正集比原始光谱建模准确率提高了3.49%,预测集准确率较原始光谱建模结果未提高;为了提高建模效果,对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法（SPA）、无信息变量消除（UVE）、竞争性自适应加权抽样（CARS）和区间变量迭代空间收缩法（iVISSA）等算法提取特征波长,建立PLS-DA分类判别模型,结果表明,MSC-CARS-PLS-DA为最优模型组合,校正集准确率为77.14%,预测集准确率为89.52%,建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。结果表明,Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。     

基于高光谱成像的苹果多品质参数同时检测

利用高光谱空间散射曲线的3个洛伦兹拟合参数对苹果的品质(硬度、可溶性固溶物含量)进行同时检测。采用偏最小二乘,逐步多元线性回归和BP神经网络3种方法,对归一化处理和未归一化处理的3个洛伦兹参数组合分别建立苹果品质的预测模型。结果表明:采用偏最小二乘法对未归一化处理参数的组合建立硬度的预测模型其预测结果最好,校正组相关系数Rc=0.93,校正标准差SEC=0.56,验证组相关系数Rv=0.84,验证标准差SEV=0.94。采用偏最小二乘法对归一化处理参数的组合建立可溶性固形物的预测模型其预测结果最好,Rc=0.95,SEC=0.29,Rv=0.83,SEV=0.63。研究结果表明:利用高光谱空间散射曲线的多拟合参数组合可以同时检测苹果的多品质参数。     

近红外高光谱成像技术用于转基因大豆快速无损鉴别研究

以近红外高光谱成像技术,结合化学计量学方法,研究了转基因大豆的快速、无损检测方法。实验以3种不同非转基因亲本(HC6, JACK, TL1)及其转基因大豆作为研究对象。采用高光谱成像系统采集874~1 734 nm波长范围的256个波段范围的高光谱图像,提取大豆的光谱信息,剔除明显噪声部分后,采用Moving Average(MA)平滑预处理的941~1 646 nm范围光谱数据进行分析。采用偏最小二乘判别分析算法(partial least squares-discriminant analysis, PLS-DA),对3种非转基因亲本大豆建立模型进行判别分析,其相应的建模集和预测集的判别正确率分别为97.50%和100%,100%和100%,96.25%和92.50%,结果表明,高光谱成像技术可用于非转基因大豆的识别。对非转基因亲本及其转基因大豆进行判别分析,基于全谱,3种的建模集和预测集的判别正确率分别为99.17%和99.17%,87.19%和81.25%,99.17%和98.33%;以x-loading weights提取非转基因亲本及其转基因大豆判别分析的特征波长并建立PLS-DA模型,3种的建模集和预测集的判别正确率分别为72.50%和80%,80.63%和79.38%,85%和85%,该结果表明非转基因亲本与转基因品种的判别分析是可行的,特征波长的选择也可用于非转基因亲本与转基因品种的判别分析。研究表明采用近红外高光谱成像技术对非转基因大豆、非转基因亲本及其转基因大豆进行鉴别是可行的,为转基因大豆的快速无损准确鉴别提供了一种新方法。     

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。     

高光谱技术融合图像信息的牛肉品种识别方法研究

高光谱图像包含了大量的光谱信息和图像信息,采用高光谱成像技术对牛肉品种进行识别。获取可见-近红外(400~1000 nm)光谱范围内的安格斯牛、利木赞牛、秦川牛、西门塔尔牛、荷斯坦奶牛五个品种共252个牛肉样本的高光谱图像。在ENVI软件中对高光谱图像进行阈值分割并构建掩膜图像,获取样本的感兴趣区域(ROI),并结合伪彩色图对牛肉样本的反射率指数进行可视化表达;采用Kennard-Stone(KS)法对样本集进行划分以提高模型的预测性能;对原始光谱采用卷积平滑(SG)、区域归一化(Area normalize)、基线校正(Baseline)、一阶导数(FD)、标准正态变量变换(SNV)及多元散射校正(MSC)等6种方法进行预处理;采用竞争性自适应重加权算法(CARS)提取特征波长。然后利用颜色矩对不同牛肉样本的颜色特征进行提取;对原始光谱图像进行主成分分析,结合灰度共生矩阵(GLCM)算法,提取主要纹理特征。最后结合偏最小二乘判别(PLS-DA)算法建立牛肉样本基于特征波长、颜色特征以及纹理特征的识别模型。KS法将牛肉样本划分为校正集190个,预测集62个;将未经预处理的光谱数据与经过6种不用预处理的光谱数据进行建模分析,结果发现经FD法处理后的光谱数据所建模型的识别率最高;结合CARS法对经FD法预处理后的光谱数据进行特征波长提取,共提取出22个波长;利用颜色矩和GLCM算法分别提取出每个牛肉样本的9个颜色特征、48个纹理特征。将特征波长数据与颜色、纹理特征信息进行融合建模,结果表明,基于特征光谱+纹理特征的模型识别效果最佳,其校正集与预测集识别率分别为98.42%和93.55%,均高于特征光谱数据模型识别率,说明融合纹理特征后使样本分类信息的表达更加全面;融合颜色特征后模型的校正集识别率均有所增加,但预测集识别率稍逊,颜色特征虽携带了部分有效信息,但这些信息与牛肉样本的相关性不大。因此,寻找与牛肉样本相关性更大的颜色特征是提高模型识别率的重要途径之一。该研究结果为牛肉品种的快速无损识别提供了一定的参考。     

近地高光谱成像技术对黑豆品种无损鉴别

基于近地高光谱成像技术结合化学计量学方法,实现了黑豆品种的鉴别。实验以三种不同颜色豆芯的黑豆为研究对象,采用高光谱成像系统采集380～1 030 nm波段范围的高光谱图像,提取高光谱图像中的样本感兴趣区域平均光谱信息作为样本的光谱进行分析,建立黑豆品种的判别分析模型。共采集180个黑豆样本的180条平均光谱曲线。剔除明显噪声部分之后以440～943 nm范围光谱为黑豆样本的光谱,采用多元散射校正(multiplicative scatter correction,MSC)对光谱曲线进行预处理。分别以全部光谱数据、主成分分析(principal component analysis,PCA)提取的光谱特征信息、小波分析(wavelet transform,WT)提取的光谱特征信息建立了偏最小二乘判别分析法(partial least squares discriminant analysis,PLS-DA),簇类独立模式识别法(soft independent modeling of class analogy,SIMCA),最邻近节点算法(K-nearest neighbor algorithm,KNN),支持向量机(support vector machine,SVM), 极限学习机(extreme learning machine,ELM)等判别分析模型。以全谱的判别分析模型中,ELM模型效果最优;以PCA提取的光谱特征信息建立的模型中,ELM模型也取得了最优的效果;以WT提取的光谱特征信息建立的模型中,ELM模型结识别效果最好,建模集和预测集识别正确率达到100%。在所有的判别分析模型中,WT-ELM模型取得了最优的识别效果。实验结果表明以高光谱成像技术对黑豆品种进行无损鉴别是可行的,且WT用于提取光谱特征信息以及ELM模型用于判别黑豆品种能取得较好的效果。     

应用高光谱图像检测鱼肉挥发性盐基总氮含量研究

鱼类产品的新鲜程度研究一直是重要的课题,其中挥发性盐基总氮（TVB-N）是一项重要指标,该指标已列入我国食品卫生标准, 一般在低温条件下, 鱼类挥发性盐基氮的量达到30 mg/100 g时,即认为是肉质变质的标志。传统的物理检测方法不能够实现定量检测,化学检测法则耗时长,且需要专业人员进行破坏式检测。为了克服传统光谱检测技术无法检测分析外部空间属性的缺点,该实验采用波长范围在900～1 700 nm高光谱成像结合化学计量法实现了三文鱼的TVB-N含量检测。首先对从市场买的新鲜三文鱼按照背面和反面（腹部）进行分割处理,背面和反面（腹部）再10等分,每条三文鱼制作成20个样本,一共100个样本,其中75个样本用于校正集,25个样本用于预测集。然后用高光谱成像系统采集三文鱼鱼样本的光谱数据,再通过蒸馏法测定三文鱼TVB-N的含量,并建立其理化值样本,然后分别采用最小二乘支持向量机（LS-SVM）和偏最小二乘（PLS）模型对100个样本光谱全波长数据进行三文鱼TVB-N建模分析。LS-SVM模型和PLS模型预测决定系数(R2)分别为0.918和0.907,预测均方根误差(RMSEP)分别为2.312%和2.751%。为了进一步提高运算效率和优化模型,对全谱数据利用连续投影算法（SPA）提取到8个特征波长（956,1 013,1 152,1 210,1 286,1 301,1 397和1 464 nm）,基于8个特征波长分别建立SPA-LS-SVM和SPA-PLS模型,模型预测决定系数(R2)分别为0.903和0.901,RMSEP分别为2.761%和2.801%,SPA-LS-SVM模型的结果优于SPA-PLS。最后SPA-LS-SVM模型因其可靠性和有效性而被选择为最适合TVB-N预测模型,基于图像处理编程技术将高光谱图像中的每个像素转换成相应的TVB-N值并以不同颜色表示,实现了三文鱼肉TVB-N含量的可视化,可以很形象的表达三文鱼的TVB-N的含量分布情况。实验说明,可利用高光谱成像技术预测三文鱼的TVB-N含量预测,这为水产品的自动加工和分类奠定了基础,渔业可以从高光谱技术中获益。     

水果糖度可见-近红外光谱手持式检测装置开发与试验

基于可见-近红外光谱分析技术开发了手持式水果糖度检测装置,并用于水果糖度的现场实时分析。硬件系统主要包括微型光谱仪、卤素灯、OLED显示屏、单片机及驱动电路等。采用Keil 5开发工具,用C语言开发单片机程序。配合上位机以LabView编写的光谱采集程序,实现光谱信息的采集。以苹果和大桃作为检测对象,对装置的检测精度和模型在2台装置（主机、从机）间的传递效果进行了探讨。在实验室和果园环境下,分别获取了苹果、大桃样本在600～950 nm范围的可见-近红外光谱。对实验室条件下采集的主机校正集光谱进行分析,经过平滑、最大值归一化、二阶导数等预处理后,利用偏最小二乘算法分别建立了苹果、大桃的糖度检测模型。模型导入主机装置后,对预测集样本进行检验。对苹果、大桃的预测集相关系数和预测均方根误差分别为0.925,0.587%和0.821,0.613%。采用分段直接校正和基于典型相关分析算法的模型传递方法将模型由主机传递到从机。对比后发现,基于典型相关分析算法取得了更好的模型传递结果。从机对苹果、大桃糖度的预测集相关系数和预测均方根误差分别为0.883,0.641%和0.805,0.626%。将实验室条件下建立的模型用于树上采集到的水果光谱数据分析,得到预测集相关系数和预测均方根误差分别为0.866,0.741%和0.816,0.627%。整体检测结果表明,该装置可以满足对苹果、大桃糖度的有效检测,借助模型传递算法,实现了模型在不同装置间的共享和有效传递,且实验室环境下采集的数据建立的模型可以用于树上水果糖度的有效检测,该装置具有较大的经济价值和应用前景。     

高光谱成像技术预测光伏电池中共聚物胶膜层压温度

提出了利用高光谱成像技术结合化学计量学方法实现在线无损预测光伏电池中乙烯-醋酸乙烯共聚物（EVA）胶膜层压温度的方法。四类EVA胶膜层压的温度控制在128,132,142和148 ℃。采集的高光谱波段范围在904.58～1 700.01 nm之间。每类样本建模集包含90个样本,预测集包含10个样本。从获得的EVA胶膜高光谱图像中选取150×150像素大小的感兴趣区域,并以该区域内所有的像素点包含的光谱反射率平均值作为该样本的光谱特征曲线。分别采用偏最小二乘回归法、多分类支持向量机法和大间隔最邻近法对高光谱薄膜样本层压温度进行建模和预测。权重回归系数图表明短波和长波近红外波段高光谱数据对层压温度预测都有贡献。由于EVA高分子材料反射高光谱数据表现出了较强的非线性性,偏最小二乘法预报性能受到较大影响,为95%,而基于核方法的预测模型在高维特征空间一定程度消除了EVA高分子材料测量光谱非线性特性的影响,较为准确地反映原始EVA高分子材料光谱数据与层压温度之间的关系,比较上述三种模型的预测精度可知,大间隔最邻近模型对EVA胶膜层压温度的预测精度率最高,达到100%。结果表明,应用高光谱成像技术在线无损预测EVA胶膜层压温度是可行的,为实现光伏电池夹层中EVA高分子材料封装温度自动监测与控制创造了条件。