基于GA和CARS的真空包装冷却羊肉细菌菌落总数高光谱检测

在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares, PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm, GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling, CARS)分别对预处理后的473～1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS, CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R2_c)和均方根误差(root mean square error, RMSEC)分别为0.96和0.29,交互验证的决定系数(R2_cv)和均方根误差(root mean square errorof cross validation, RMSECV)分别为0.92和0.46,预测集的决定系数(R2_p)和均方根误差(root mean square error of prediction, RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation, RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。     

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。     

特征谱区筛选在多元混合物的太赫兹光谱定量分析中的应用

用特征谱区筛选法结合太赫兹时域光谱(THz-TDS)技术对多元混合物成分含量进行了定量分析研究。实验利用太赫兹时域光谱系统测量了由乳糖一水合物(LAC)、对乙酰氨基酚(APAP)、可溶性淀粉(starch)以及微晶纤维素(MCC)四种材料组成的混合物样品的太赫兹吸收光谱,并分别尝试采用常规区间偏最小二乘(iPLS)、向后区间偏最小二乘(biPLS)、联合区间偏最小二乘(siPLS)和移动窗口偏最小二乘(mwPLS)四种特征谱区筛选法对多元混合物的太赫兹吸收光谱进行特征子区间优选,建立了太赫兹吸收谱与四元混合物中乳糖一水合物含量之间的定量回归模型。通过比较四种谱区筛选算法模型及全光谱偏最小二乘(PLS)模型所得结果,表明采用移动窗口偏最小二乘法建立的谱区筛选模型得到的结果相对最优,其交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)、校正集相关系数(R_C)和预测集相关系数(R_P)分别为0.980 3,1.114 1,0.996 0和0.995 1。实验结果表明,采用特征谱区筛选方法可以有效选择多元混合物太赫兹吸收光谱的特征区间,提高模型精度和降低模型复杂性,为实现多元混合物成分含量的快速检测提供了一种有效的方法。     

基于SVM算法的近红外光谱技术在鱼糜水分和蛋白质检测中的应用

采用支持向量机(support vector machine,SVM)建立了鱼糜样品中水分和蛋白质含量的近红外光谱校正模型,并采用独立样本集进行了预测。光谱数据经间隔两点一阶导数(DB1G2)、标准正态变换(SNV)、多元散射校正(MSC)相结合的方法预处理后,用偏最小二乘(PLS)降维处理,取前15个投影变量为自变量。获得水分模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP; 蛋白质模型的校正相关系数R_c、预测相关系数R_v、定标标准差SEE、预测标准差SEP,有较好的预测准确性。基于SVM算法的近红外光谱技术可用于鱼糜水分和蛋白质含量的快速检测。     

基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究

利用高光谱成像系统获得网纹类哈密瓜糖度漫反射光谱信息,选择有效波段500～820 nm进行哈密瓜糖度检测建模回归分析。对比了多元散射信号修正和标准正则变换校正方法,原始光谱、一阶微分、二阶微分光谱预处理方法对建模精度的影响;采用偏最小二乘法、逐步多元线性回归和主成分回归方法对比分析了带皮哈密瓜和去皮哈密瓜糖度检测模型效果。结果表明,对原始光谱经过MSC和一阶微分光谱处理后,采用PLS和SMLR方法均可取得很好的建模效果,应用PLS法检测带皮哈密瓜糖度是可行的,其校正集相关系数(R_c)为0.861,RMSEC为0.627,预测集相关系数(R_p)为0.706,RMSEP为0.873;应用SMLR法检测去皮哈密瓜糖度效果最佳,校正集相关系数(R_c)为0.928,RMSEC为0.458,预测集相关系数(R_p)为0.818,RMSEP为0.727。研究表明,应用高光谱成像技术检测哈密瓜糖度具有可行性。     

基于可见-近红外光谱变量选择的荒漠土壤全磷含量估测研究

以新疆艾比湖湿地保护区采集的300个荒漠土壤样品为研究对象,利用ASD Field Spec○R 3 HR光谱仪获取的土壤可见-近红外光谱数据以及化学分析获取的土壤全磷数据为数据源,将原始光谱数据经过卷积平滑、标准正态变量变换以及一阶微分预处理后,采用蚁群-遗传结合区间偏最小二乘法提取荒漠土壤全磷含量特征波长,构建土壤全磷含量偏最小二乘回归预测模型;并与全谱偏最小二乘、蚁群-区间偏最小二乘、遗传-偏最小二乘模型进行比较。结果表明：经蚁群-区间偏最小二乘法筛选后,荒漠土壤全磷特征波段为500~700,1 101~1 300,1 501~1 700,1 901~2 100 nm;进一步采用遗传-区间偏最小二乘法进行变量选择,得到共线性最小的13个有效波长,分别为：1 621,546,1 259,573,1 572,1 527,564,1 186,1 988,1 541,2 024,1 118和1 191 nm。建模方法比较显示,采用蚁群-遗传结合区间偏最小二乘法选择的特征变量,建立的模型精度最高,其次是遗传算法、蚁群算法和全光谱。蚁群-遗传结合区间偏最小二乘法建立的土壤全磷含量的模型,效验证均方根误差RMSECV以及预测集均方根误差RMSEP分别为0.122和0.108 mg·g-1,效验证相关系数R_c以及预测集的相关系数R_p分别为0.535 7,0.555 9。因此,经过卷积平滑、标准正态变量变换以及一阶微分预处理,并利用蚁群-遗传结合区间偏最小二乘法建立的模型不仅简单,而且具有较高的预测精度和较好的稳健性,可以估算荒漠土壤全磷含量。     

基于遗传算法的安溪铁观音品质快速评价研究

为探究一种快速无损的安溪铁观音品质评价方法,利用遗传算法(GA)对茶样的近红外光谱特征波长进行筛选,结合偏最小二乘(PLS),建立全谱段的PLS定量模型与GA-PLS模型。结果表明,傅里叶变换近红外(FT-NIR)全谱段光谱在经过平滑+二阶导数+归一化处理后,PLS模型预测性能最高,建模结果为：校正集相关系数R_C=0.921,校正集均方根误差RMSEC=0.543,验证集相关系数R_P=0.913,验证集均方根误差RMSEP=0.665。选用近红外光谱6 670～4 000 cm-1谱区,采用遗传算法进行特征波长筛选,参与建模数据点数从1 557缩减到408个。优选波段后,GA-PLS建模结果为：校正集相关系数R_C=0.959,校正集均方根误差RMSEC=0.413,验证集相关系数R_P=0.940,验证集均方根误差RMSEP=0.587。可见,GA-PLS模型的校正集和验证集的预测结果均优于全谱段PLS模型。结果说明,在传统的近红外光谱技术结合化学计量学方法的建模基础上,加入遗传算法进行波长筛选,能有效提高模型预测能力,实现方法学的创新研究,且GA-PLS品质评价模型具有较强的参考和推广价值,为提高我国茶叶品质的检测技术水平提供新的方法借鉴。     

特征变量优选在苹果可溶性固形物近红外便携式检测中的应用

为实现苹果可溶性固形物(SSC)的便携式快速检测,利用环形光纤探头和微型光谱仪搭建便携式苹果可溶性固形物光谱采集系统,结合无信息变量消除(UVE)、遗传算法(GA)、竞争性自适应加权(CARS)算法筛选基于偏最小二乘(PLS)的苹果可溶性固形物的近红外光谱特征波长。另外,采用反向区间最小二乘支持向量机(BiLS-SVM)和GA算法优选基于LS-SVM的特征波长变量,分别建立所选特征波长和全波段的PLS模型和LS-SVM模型。试验结果表明,经过GA-CARS算法从全波段1 512个波长中筛选出的50个特征波长建立的PLS模型效果最好,其预测相关系数和预测均方根误差分别为0.962和0.403°Brix。利用该检测装置结合GA-CARS筛选的特征波长,可有效简化苹果可溶性固形物近红外便携式检测模型并提高模型的预测精度,为进一步构建便携式苹果可溶性固形物检测设备奠定了基础。     

基于离散萤火虫算法的近红外波长优选方法研究

近红外光谱数据量大,需要进行压缩,以降低建立光谱校正模型的计算复杂度,提高模型精度和稳健性。为此,提出了一种基于离散萤火虫算法(discrete firefly algorithm)的近红外光谱波长变量筛选方法。首先采用蒙特卡罗方法剔除异常值,并应用Kennard-Stone法进行校正样本的选择。对通用萤火虫算法进行离散化处理,改进了吸引度的自适应公式,在移动公式中增加了牵引权重,以适应离散化处理的影响和优化算法,并在离散萤火虫算法中加入精英保留策略,加快算法的收敛速度。实验中找到DFA算法中的各项参数中的最佳值。通过离散萤火虫算法优选波长变量,建立发酵液中丁二酸含量的近红外光谱偏最小二乘回归(partial least squares regression)校正模型。与标准遗传算法(genetic algorithm)优选波长方法进行了比较。结果显示,基于离散萤火虫算法的波长优选方法所建立的PLS校正模型,其校正集的相关系数(R2_c)为0.986,RMSEC为0.409,预测集的相关系数(R2_p)为0.969,RMSEP为0.458,模型稳健性和精度都要优于全光谱建模以及遗传算法波长优选方法。显示了DFA在近红外光谱数据筛选方面的优越性。     

采用可见/近红外光谱检测大麦叶片过氧化氢酶与过氧化物酶含量的研究

采用可见/近红外光谱对丙酯草醚胁迫下大麦叶片过氧化氢酶(catalase, CAT)与过氧化物酶(peroxidase, POD)含量预测进行研究。对500～900 nm光谱采用移动平均法(moving average, MA)11点平滑方法进行预处理。采用蒙特卡罗-偏最小二乘法(monte carlo-partial least squares, MCPLS)方法分别对于CAT与POD的含量预测剔除7个与8个异常样本。基于全部光谱建立了CAT与POD含量预测的PLS,最小二乘支持向量机(least-squares support vector machine, LS-SVM)与极限学习机(extreme learning machine, ELM)模型,ELM模型对CAT含量预测效果最好,建模集相关系数(correlation coefficient of calibration, R_c)为0.916,预测集相关系数R_p为0.786;PLS模型对POD含量预测效果最佳,R_c为0.984,R_p为0.876。采用连续投影算法(successive projections algorithm, SPA)算法分别为CAT与POD预测选择了8个与19个特征波长,基于特征波长建立的PLS,LS-SVM与ELM模型中,ELM模型对CAT与POD含量预测效果均最佳,CAT含量预测的相关系数为R_c=0.928,R_p=0.790;POD含量预测的相关系数R_c=0.965,R_p=0.941。基于全谱与基于特征波长的回归分析模型预测效果相当,且对POD含量的预测效果优于对CAT含量的预测效果,而这需要进一步研究以得到精度和稳定性更高的预测模型。研究结果表明,采用可见/近红外光谱结合化学计量学方法可以实现对除草剂胁迫下大麦叶片CAT与POD含量的预测。     

基于线性回归算法的春玉米叶面积指数的冠层高光谱反演研究

利用辽宁锦州地区2013年生长季不同土壤水分控制条件下的春玉米冠层高光谱数据,及对应的植株叶面积指数(leaf area index,LAI)数据,分析在不同发育期内不同生长状况下的春玉米冠层高光谱特征及其与植株叶面积指数的关系。采集并计算共313组有效样本,包括350～2 500 nm波段范围光谱的反射率、反射率倒数的对数、反射率一阶导数及LAI,应用多元逐步线性回归法和偏最小二乘回归法,对剔除了受大气水分影响较为严重光谱波段的其他波段数据进行降维,构建叶面积指数的全波段冠层高光谱数据模型,并进行精度检验与比较。结果表明,春玉米LAI与光谱反射率在可见光波段(350～680 nm)、红外波段(1 430～1 800和1 950～2 450 nm)均呈显著的负相关;反射率倒数的对数在对应区间为显著的正相关;反射率一阶导数则在可见光和近红外波段(350～1 350 nm)存在较显著相关波段。三种全波段冠层高光谱数据在春玉米LAI的线性回归中,偏最小二乘法在以冠层反射率为自变量的模型构建中,比多元逐步线性回归拟合度好,其总均方根误差为0.480 7;以冠层光谱反射率的倒数的对数及一阶导数为自变量,应用逐步线性回归法建模,拟合度较好,其总均方根误差分别为0.333 5和0.348 8;三种光谱数据的春玉米LAI两种回归算法中,以冠层反射率倒数的对数为自变量,应用逐步线性回归方法建模的拟合度最佳。     

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。     

基于Bi PLS结合Si PLS的组合权值COD浓度预测模型

水体中过高浓度的有机物含量危害巨大,不仅会造成严重的环境污染,而且危害人类身体健康,传统化学法检测水体化学需氧量(COD)的步骤繁琐且时效性差,不利于水体中COD的快速定量检测。针对这些问题,提出了一种将紫外光谱与组合权值模型相结合的快速定量检测COD方法,该组合权值模型是基于反向区间偏最小二乘法(BiPLS)结合组合区间偏最小二乘法(SiPLS)算法对紫外光谱的特征子区间筛选组合,然后依据特征子区间的权值建立的预测模型。首先按照一定的浓度梯度配制45份COD标准液样本,通过实验获取标准液的紫外光谱数据;对获取到的COD紫外光谱数据做一阶导数和S-G滤波(Savitzky-Golay)的预处理,消除基线漂移和环境干扰噪声;应用SPXY(Sample set partitioning based on jiont X-Y)算法将实验样本数据组划分成校正集和预测集。然后基于BiPLS算法对全光谱区间进行波长筛选,在BiPLS筛选过程中,目标区间的划分数量会对建模产生较大影响,于是对子区间划分数量进行优化,把子区间分成15~25个,在不同区间数下都进行偏最小二乘(PLS)建模,通过交互验证均方根误差(RMSECV)来筛选最优子区间数,得到区间数为18时,模型效果最佳。从18个波长区间筛选出了6个特征波长子区间,入选的子区间为2,1,3,11,7和6,对应波长为234~240,262~268,269~275,290~296,297~303和304~310 nm,这6个特征波长区间涵盖了大量的光谱信息,对最终预测模型的贡献度大;接下来通过SiPLS算法对这6个初选区间进行进一步的筛选组合,采用不同的组合数构建不同特征区间上的PLS模型,在相同组合数下,筛选出一个区间组合数最优的结果,对比不同组合数下预测模型的误差与相关性,将6个区间筛选组合为3个特征波长区间,分别为234~240,262~275和290~310 nm,这三个特征区间最佳因子数分别为4,4和3。对传统SiPLS的特征区间组合方法进行改进,基于权值的大小来对这3个特征区间进行线性组合,代替过去特征区间直接组合的方法。通过权值公式计算出这3个特征区间的权重大小分别为0.509,0.318和0.173,最终建立线性组合权值COD浓度预测模型。为了验证组合权重预测模型的精度,另外建立了全波长范围内的PLS预测模型、单个特征波长区间的PLS预测模型、直接组合特征波长区间的PLS模型,并使用评价参数相关系数的平方(R2)、预测值与真实浓度值的均方根误差(RMSEP)和预测回收率(T)来对模型评价。验证结果表明,相比其他预测模型,组合权值模型相关系数的平方达到了0.999 7,明显优于直接组合特征区间建模的0.968 0,预测均方根误差为0.532,比直接组合特征区间的预测模型误差降低了29.3%,预测回收率为96.4%~103.1%,显著地提高了预测精度。该方法简单可行,不会产生二次污染,可为在线监测水体中COD浓度提供一定的技术支持。     

基于特征波段的高光谱技术检测水体中毒死蜱浓度的实验研究

为了探究反射光谱检测水体中毒死蜱农药的可行性,使用由ASD公司的FieldSpecPro地物波谱仪构成的高光谱采集系统在室内、室外环境获取两种不同浓度区间的毒死蜱样品的光谱数据。基于偏最小二乘(PLS)和主成分分析(PCA)算法分别对毒死蜱样品光谱数据建立全波段定量模型,结果两种模型的预测能力均较高。通过相关性分析(CA)计算相关系数来选择毒死蜱样品光谱的特征波长,其中浓度区间为5~75 mg·L-1的室内、室外实验光谱的特征波长为388,1 080,1 276 nm和356,1 322,1 693 nm,浓度区间为0.1~100 mg·L-1的室内外实验样品光谱的特征波长为367,1 070,1 276,1 708 nm和383,1 081,1 250,1 663 nm。结合PLS算法建立样品特征波长光谱数据的定量模型,结果与全波段模型相比,浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波长模型的校正集决定系数R2_C分别提高至0.987 5和0.999 2,预测集决定系数R2_P分别提高至0.989 4和0.994 4,校正集均方根误差RMSEC分别降低为2.841和0.714,预测集均方根误差RMSEP分别降低为1.715和1.244;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波长PLS模型的校正集决定系数R2_C分别提高至0.998 3和0.998 8,预测集决定系数R2_P分别提高至0.998 4和0.999 0,校正集均方根误差RMSEC分别降低为1.383和1.186,预测集均方根误差RMSEP分别降低为1.510和1.229,验证集标准差与预测均方根误差的比值(RPD)有所增加,尤其是针对浓度区间为0.1~100 mg·L-1的实验,RPD值显著增加至21.7,说明基于特征波长建立的毒死蜱样品定量模型具有较高精度的预测能力,但是通过不同浓度区间范围的对比实验发现,ASD地物光谱仪对低浓度的毒死蜱溶液预测的相对误差偏大,存在客观上的检测下限。为了保证不同试验条件下的毒死蜱农药的特征波长都得到分析,增强模型使用的普适性与鲁棒性,根据特征波长选择出4个波段,即351~393,1 065~1 086,1 245~1 281和1 658~1 713 nm作为特征波段。特征波段模型的波长变量个数共38个,相比于全波段模型的432个波长变量,模型变量精简了91.2%,其中浓度区间为5~75 mg·L-1的室内外实验光谱PLS特征波段模型的R2_C分别为0.993 7和0.987 8,R2_P分别为0.979 8和0.998 2,RMSEC分别为1.690和2.516,RMSEP分别为1.987和0.659;浓度区间为0.1~100 mg·L-1的室内外实验光谱特征波段PLS模型的R2_C分别为0.9882和0.9807,R2_P分别为0.9391和0.9936,RMSEC分别为3.345和3.942,RMSEP分别为8.996和2.663,且四种实验情况下的模型RPD值均大于2.5,满足定量分析条件。因此采用高光谱采集系统对室内和室外环境中毒死蜱农药的快速检测具有一定的可行性,此研究结果对有机磷农药等面源污染物快速检测有实际的应用价值,可为农田水体有机磷农药快速检测仪器的开发提供理论基础。     

基于THz-ATR光谱的玉米种子水分定量模型优化方法研究

应用太赫兹时域光谱技术结合区间偏最小二乘法筛选玉米种子水分THz特征波段,并采用支持向量机构建基于特征谱区的抗非线性干扰的种子水分快速定量分析模型。实验以郑单958玉米种子为例,制备含水量范围9.58%~12.71%的种子粉末样本40组(每组取样3份),采用衰减全反射(ATR)附件扫描得到120份样本太赫兹时域光谱,根据SPXY(光谱-理化值共生距离算法)法划分得到训练集样本90份,测试集样本30份。种子水分对太赫兹波具有强烈吸收,首先采用基于偏最小二乘线性回归的移动区间（mwPLS）、独立区间(iPLS)、后向区间(biPLS)和联合区间(siPLS)方法筛选最优特征谱区组合;鉴于环境水分、种子其他成分及系统噪声对种子水分太赫兹光谱存在不可避免的非线性干扰,在上述光谱特征区间进一步采用基于RBF核函数的支持向量机和网格搜索法构建得到预测性能最优的种子水分快速定量分析非线性模型,训练集均方根误差为0.021 2,预测集均方根误差为0.069 7,相对分析误差为12.345 7,相较于传统偏最小二乘线性回归模型,模型性能得到提升。种子水分含量是影响种子贮藏安全和种子活力的重要因素,实验结果表明：太赫兹时域光谱结合化学计量学可以有效筛选种子水分特征吸收谱区,建立抗干扰、高精度的种子水分快速定量分析模型,有望成为未来种子质量快速测定领域一项极具应用潜力的补充技术。     

高光谱图像与稀疏核典型相关分析冷鲜羊肉新鲜度无损检测

羊肉新鲜度受多种因素影响，通常由多个指标来综合评价，常规试验操作复杂不适合在线检测。高光谱成像数据能够反映羊肉新鲜度变化过程中多种成分的变化信息，但是光谱特征提取与评价模型的建立对最终结果影响较大。为了研究高光谱成像与多指标的快速检测羊肉新鲜度的可行性，提出一种稀疏核典型相关分析方法，借助实验室测定的多个标准值，研究多指标的羊肉新鲜度无损检测。采集了70个代表各级新鲜程度的羊肉样本400~1 000 nm高光谱图像，采用实验室方法测定了挥发性盐基氮(TVB-N)和菌落总数(TAC)标准值，选择感兴趣区域(ROIs)提取代表性光谱图像，利用所提出的特征提取方法提取光谱特征信息，并按照3:1划分校正集和预测集，利用三层神经网络进行分类识别试验。结果表明，新鲜度等级分类总体精度(OA)为0.939 3，Kappa系数为0.906 0，均方根误差(RMSEC)为0.297。研究表明，所提出的多指标光谱特征提取方法可用于快速无损检测羊肉新鲜程度，为采用高光谱成像综合多个新鲜度检测指标，改善由于单一检测指标造成评价模型的适用性和鲁棒性提供了基础。     

羊肉嫩度傅里叶变换近红外光谱偏最小二乘法定量分析研究

以从内蒙、宁夏、甘肃、新疆4个肉羊产区筛选的有代表性的98份羊肉样品为试材,应用傅里叶变换近红外光谱技术探讨了羊肉嫩度无损检测的方法。以模型决定系数(r2)、校正标准差(RMSECV)和预测标准差(RMSEP)为模型精度评价指标,采用偏最小二乘法(PLS)对近红外光谱信息与样品的质构仪剪切力值进行了拟合,确定了最佳的光谱预处理方法、主成分数和波段范围。结果表明：所选98个羊肉样品的剪切力值分布范围为1.673～6.631 kg,其中75%以上的样品剪切力值在2～5 kg,基本覆盖了我国现有的肉羊嫩度值分布;在11 995～5 446 cm-1和4 601～4 246 cm-1的波段范围内,最佳主成分数为10,光谱经矢量归一法处理后,建立的羊肉嫩度模型精度最高,r2达到86.2%,RMSECV为0.445;用此模型对预测集29个样品进行预测,预测值与实测值的相关系数r达到0.87,预测平均偏差为0.385,RMSEP为0.524。