高光谱漫反射无损检测鸡蛋受精状态

种鸡蛋孵化期间受精状态的检测需要消耗大量人力、物力,并且孵化期间的种鸡蛋不能保证均为健康蛋,需要能够在孵化早期将无精蛋和死精蛋快速准确挑选出来达到降低生产成本的目的。以白来航鸡蛋为研究对象,采用高光谱分选仪批量采集受精、未受精、死精三类鸡蛋共119枚在382~1 026 nm范围内的高光谱数据,其中受精蛋采集孵化3,5,7,9,11,13和15 d的数据,并通过黑白校正方法对原始光谱图做校正处理,得到其漫反射率,经过实验对比以及根据实际生产需要,受精蛋选用孵化3和5 d的光谱数据作为建模数据。同时提出了一种将光谱数据转换为图像数据的方法,在最大化保证光谱原始数据的前提下达到了光谱向量数据可视化的效果,可以有效与深度学习图像识别算法相结合。采用连续投影算法（SPA）、竞争性自适应重加权算法（CARS）对光谱波段进行筛选,建立基于全波段、CARS筛选的特征波长、SPA筛选的特征波长与SVM、RandomForest算法与AlexNet、MobileNet网络的判别模型,其中AlexNet-5dFull Wave Bands准确率最高为93.22%。与通过不同特征波长算法筛选出的数据实验结果对比发现,经过SPA算法筛选后的特征波长的建模效果相比于CARS效果更好,其中SVM-SPA3d模型准确率为91.52%,RandomForest-SPA3d模型的准确率为89.83%,AlexNet-SPA3d模型的准确率为89.83%,表明经过SPA筛选后的特征波长能够保存更多关于种蛋信息差异的有效信息。研究结果表明,利用高光谱分选仪对批量种蛋进行漫反射光谱采集,并将黑白校正后的原始光谱漫反射率数据转换为图像数据,将转换后的图像数据利用深度学习图像识别算法对鸡蛋的受精状态进行准确、无损鉴别是可行的,为后续相关自动化的批量检测提供了技术支持。     

基于高光谱的GA和SPA算法对赣南脐橙叶绿素定量分析

用遗传算法(GA)和连续投影算法(SPA)分别提取了赣南脐橙叶片高光谱图像的有效信息,对叶绿素的含量用偏最小二乘法(PLS)进行建模定量分析。高光谱图像标定后,提取感兴趣区域(ROI)的平均光谱,用GA和SPA算法分别选出了27和8条特征波长,然后用PLS对叶绿素含量建模。GA-PLS与SPA-PLS模型得到的预测集相关系数分别为0.80和0.83,均方根误差分别为2.45和2.30。结果表明：SPA-PLS模型具有较高的优势,可以结合高光谱技术对赣南脐橙叶绿素含量快速、无损的定量分析。     

基于卷积神经网络和高光谱成像技术的多宝鱼新鲜度鉴别

鱼类产品新鲜度鉴别一直是重要的研究课题,相较于目前常规鱼类品质检测方法存在的成本高、检测时间长等问题,高光谱成像技术(HSI)因其无损、快速等优势得到了学者的广泛研究。卷积神经网络是深度学习中应用较为广泛的模型,表达能力强,模型效率高。因此,使用卷积神经网络(CNN)结合高光谱成像技术建立多宝鱼新鲜度鉴别模型。采集160个多宝鱼样本感兴趣区域(ROI)光谱,并根据样本不同冻融次数和冷冻时间分为5类新鲜度。以VGG11网络为基础,针对光谱数据特点对网络结构进行调整,减少全连接层数量,降低模型的复杂度,分别对比不同卷积核个数、激活函数对分类性能造成的影响,确定最佳CNN网络结构。由于高光谱数据量大同时存在的冗余信息较多,分别采用无信息变量消除算法(UVE)和随机青蛙算法(RF)对高光谱数据进行波长筛选,将波长筛选后的高光谱数据分别输入卷积神经网络(CNN)、最小二乘支持向量机(LS-SVM)、 K最近邻算法(KNN)建立模型。采用无信息变量消除(UVE)提取的165个特征波长建立的UVE-CNN模型鉴别效果最佳,分类模型在测试集上的精度达到了100%。结果表明,利用卷积神经网络与高光谱成像...     

高光谱成像的黄瓜病虫害识别和特征波长提取方法

黄瓜霜霉病和斑潜蝇是制约黄瓜产业发展的严重病虫害。为实现黄瓜病虫害快速在线识别,采用高光谱成像和机器学习研究快速识别黄瓜霜霉病和斑潜蝇虫害的方法,为开发实用的基于多光谱成像的黄瓜病虫害快速识别设备奠定基础。使用高光谱成像系统采集黄瓜无症状叶片、霜霉病叶片、斑潜蝇虫害叶片的高光谱图像,在病斑区域选择若干个感兴趣区域(ROI),计算每个ROI的平均反射率数据作为叶片原始光谱数据。使用Kennard-Stone算法将光谱数据按照3∶1的比例划分为训练集和测试集。使用直接正交信号校正(DOSC)、多元散射校正(MSC)、移动窗口平均平滑(MA)3种方法对原始光谱数据进行预处理。采用空间迭代收缩法(VISSA)、竞争性自适应重加权算法(CARS)、迭代保留信息变量法(IRIV)、随机蛙跳算法(SFLA)对MA预处理后的光谱数据进行特征波长提取,分别提取出53、 20、 26、 10个特征波长。然后使用连续投影算法(SPA)分别对特征波长光谱数据进行二次降维,最终VISSA-SPA提取的特征波长为455、 536、 615和726 nm; CARS-SPA提取的特征波长为452、 501、 548...     

基于高光谱的鸡蛋新鲜度检测

借助高光谱成像仪采集贮期白壳鸡蛋的透射高光谱数据,对比测量常规表征新鲜度的哈夫单位值,用Matrix Laboratory (MATLAB)和Statistical Analysis System (SAS)等软件,同时结合化学计量法对样品鸡蛋的高光谱数据进行分析处理,建立了基于高光谱技术的鸡蛋新鲜度预测模型。选用高光谱500～1 000 nm的波段作为敏感波段进行研究,用马氏距离剔除鸡蛋异常样本数据,并对鸡蛋高光谱数据进行了微分校正,通过比较发现高光谱二阶微分与鸡蛋哈夫单位值之间的线性度高,因此选用高光谱二阶微分数据来进一步研究,并对其进行了小波去噪、光滑处理及标准化处理。选用近年新提出来的competitive adaptive reweighted sampling (CARS)变量选取法对高光谱进行降维,提取出32个特征参数,建立了白壳蛋基于全波段的偏最小二乘法(partial least square, PLS)预测模型和基于特征参数的多元回归模型,验证集的相关系数分别为0.88,0.93,均方误差分别为7.565,6.44。用验证集的蛋对基于高光谱二阶微分全波段的偏最小二乘法预测模型、基于特征参数的多元回归模型分别进行验证,两个模型判别白壳蛋新鲜和不新鲜的最高准确率达100%,88%。     

近红外漫反射光谱鉴别鸡蛋种类

提出一种利用近红外光谱技术进行鸡蛋种类快速、无损鉴别的新方法.选用7500-4000cm-1的光谱,采用标准正态变量变换(SNV)后作主成分分析(PCA),选取前10个主成分作为模型输入,种类类别作为模型输出,分别建立了3种鸡蛋种类的线性判别法(LDA)和支持向量机(SVM)鉴别模型,所建模型均能较好的对鸡蛋种类进行鉴别,SVM模型效果优于LDA模型,其预测集正确识别率达97.44％.结果表明,近红外光谱技术可用于鸡蛋种类的快速、无损鉴别.     

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。     

不同波长提取方法的高光谱成像技术检测番茄叶片早疫病的研究

提出了基于连续投影算法(successive projections algorithm,SPA)、载荷系数法(x-loading weights,x-LW)和格拉姆-施密特正交(gram-schmidt orthogonalization,GSO)提取特征波长的高光谱成像技术检测番茄叶片早疫病的方法。首先获取380～1 023 nm波段范围内70个健康和70个染病番茄叶片的高光谱图像信息,然后提取健康和染病叶片感兴趣区域(region of interest, ROI)的光谱反射率值,建立番茄叶片早疫病的最小二乘-支持向量机(least squares-support vector machine,LS-SVM)鉴别模型,建模集和预测集的鉴别率都是100%。再通过SPA 、x-LW和GSO提取特征波长(effective wavelengths,EW),并建立EW-LS-SVM和特征波长-线性判别分析(ew-linear discriminant analysis,EW-LDA)鉴别模型。结果显示,每个模型的鉴别效果都很好,EW-LS-SVM模型中预测集的鉴别率都达到了100%,EW-LDA模型中预测集的鉴别率分别是100%, 100%和97.83%。基于SPA, x-LW和GSO所建模型的输入变量分别是4个(492,550,633和680nm),3个(631,719和747 nm)和2个(533和657 nm),较少的特征波长便于实时检测仪器的开发。结果表明,高光谱成像技术检测番茄叶片早疫病是可行的,SPA,x-LW和GSO都是非常有效的特征波长提取方法。     

可见/近红外高光谱成像技术对鸡蛋种类无损判别

利用高光谱技术对鸡蛋种类判别进行研究,为鸡蛋种类无损判别提供科学方法。本研究利用400~1 000 nm高光谱系统采集3种鸡蛋样本的高光谱图像,对原始光谱进行预处理;应用CARS、GAPLS和IRF对预处理后的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KNN和PLS-DA鸡蛋判别模型。结果表明:Detrend法为最优预处理方法;利用CARS、GAPLS和IRF分别选出31、52和71个特征波长;基于IRF提取的特征波长的PLS-DA模型最优,校正集正确率97.02%,预测集正确率85.71%。表明基于高光谱成像技术采集的鸡蛋反射光谱对种类无损判别是可行的。     

基于可见/近红外透射光谱的孵化早期受精鸡蛋的判别

在种鸡蛋孵化过程中,部分种蛋由于未受精不能正常出雏,不但会造成大量浪费,还有可能引起霉菌感染其他种蛋,利用可见/近红外透射光谱分析技术可以对种鸡蛋中的受精蛋和无精蛋进行检测。为研究孵化初期无精蛋最佳的判别时间,本文通过对孵化环境下种鸡蛋品质随时间变化的研究,最终发现在孵化24h内的种鸡蛋品质还在新鲜状态,在72h后的种鸡蛋品质变为不可食用级别,最终发现36h内是最佳的判别时间。研制了基于可见/近红外透射光谱的静态采集系统,并使用该系统进行了光谱采集。对比同一品种不同样品及不同品种的光谱建模效果,剔除了由蛋黄与蛋壳颜色造成的样本光谱差异区域,选取的有效光谱波段为355~590和670~1 025nm。采用主成分分析法进行预处理,通过不同时间、不同主成分数建模效果的比较,确定最佳的主成分数。同时采用多元散射校正、附加散射校正、导数校正与主成分分析的光谱预处理方法在不同的建模方法下进行对比,并考虑到实际应用与最终的生产效益,建立了有效的判别模型。最佳判别模型为使用24h时采集光谱且采用主成分分析法进行数据预处理并使用Fisher算法建立的模型,判别准确率能达到87.18%。该研究为早期受精蛋与无精蛋的无损伤在线鉴别提供了一种新的方法。     

Nondestructive egg freshness assessment from the equatorial and blunt region based on visible near infrared spectroscopy

This research was to study which orientation was better for freshness prediction of the white-shelled eggs using visible near infrared spectroscopy. The transmission spectra were acquired in the equatorial region and at the blunt end of the eggs. After each spectral measurement, the Haugh unit, yolk index, and albumen pH as the freshness parameters were simultaneously measured using traditional destructive methods. Pretreatment methods containing Savitzky-Golay smoothing, multiplicative scatter correction, the standard normal variate, the first derivative and the second derivative were used. A partial least squares regression was developed to predict the Haugh unit, yolk index, and albumen pH. The best correlation coefficients of prediction were obtained from the equatorial region, and were 0.881, 0.855, and 0.888 for the Haugh unit, yolk index and albumen pH, respectively. And root mean square errors in the prediction set were 7.720, 0.034, and 0.147 for the Haugh unit, yolk index and albumen pH, respectively. The results illustrated that the equatorial region showed better ability than the blunt end to predict freshness of the white-shelled eggs.     

基于高光谱技术融合图像信息的脱绒棉种品种分类检测研究

开展种子品种的识别研究是保证种子质量的重要手段。利用高光谱图像技术融合图像特征信息对脱绒棉种的品种进行判别分析。采集4个品种共240粒脱绒棉种样本的高光谱图像数据(400～1 000 nm),提取样本的光谱信息及长、宽、面积、圆形度、等12个形态特征。采用连续投影算法(SPA)选出11个特征波段作为输入结合偏最小二乘判别分析法(PLS-DA)、软独立模式识别法(SIMCA)、最邻近节点算法(KNN)、主成分分析结合线性判别(PCA-LDA)及二次判别(PCA-QDA)进行建模分析,得出PLS-DA建模集和预测集的总体识别率分别为93%和90%。利用图像信息进行建模分析,模型整体的识别率均不高,说明单独使用高光谱图像的形态特征进行分类效果不佳。将特征波段的光谱和形态特征信息进行融合作为输入,建立基于PLS-DA,SIMCA,KNN,PCA-LDA及PCA-QDA的信息融合模型,其精度均比基于光谱或形态信息模型高,其中PLS-DA模型识别效果最好,建模集和预测集总体识别率分别为98%和97%。表明融合高光谱图像的光谱与图像信息可以在少量波段情况下有效的提高脱绒棉种品种的分类检测精度。     

高光谱成像的猕猴桃糖度无损检测方法

猕猴桃糖度是重要的猕猴桃内部品质衡量指标。传统的糖度检测耗时且有损样品,有效无损检测猕猴桃糖度含量对于其品质分级、储藏销售具有重大意义。基于高光谱成像技术的常见果蔬品质无损检测方法多数是采用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、主成分分析(PCA)、迭代保留信息变量法(IRIV)等算法中的某个单一算法提取特征光谱变量,而这些算法单独使用易导致预测结果的稳定性不足。对此,开展了基于高光谱成像技术的猕猴桃糖度的无损检测方法研究。以四川省雅安市“红阳”猕猴桃为研究对象,依次对猕猴桃样本编号并采集其在400~1 000 nm波长范围内的高光谱图像,计算感兴趣区域的平均光谱作为样本的有效光谱信息;分别采用多元散射校正（MSC）、标准正态变量变换（SNV）、直接正交信号校正（DOSC）等3种光谱数据预处理方法分析对预测模型精度的影响,对比结果显示DOSC的预处理效果最好;对预处理后的光谱分别采用一次降维(CARS,SPA,IRIV)、一次组合降维(CARS+SPA,CARS+IRIV)算法和二次组合降维算法((CARS+SPA)-SPA,(CARS+IRIV)-SPA))等7种算法提取特征光谱变量,并分别构建了预测猕猴桃糖度的3种模型,即支持向量回归机（SVR）、最小二乘支持向量机（LSSVM）和极限学习机（ELM）模型;最后对比了基于不同特征提取方法的3种模型的预测精度。研究结果表明：ELM模型具有最好的预测性能,而SVR模型的预测性能最差;(CARS+IRIV)-SPA所选特征光谱变量输入LSSVM、ELM模型,其获得的预测结果均优于其他算法所选特征光谱变量输入对应模型所得的预测结果,证明了(CARS+IRIV)-SPA算法在提高猕猴桃糖度含量检测精度方面的有效性。对比不同方法的预测结果可知,(CARS+IRIV)-SPA-ELM对猕猴桃糖度的预测性能最优,其相关系数R_c=0.945 1,R_p=0.839 0,均方根误差RMSEC=0.450 3,RMSEP=0.598 3,预测相对分析误差RPD=2.535 1,该方法为猕猴桃糖度的检测无损化、精准化、智能化发展提供了可靠的理论依据和技术支撑。     

高光谱成像的煤与矸石分类

煤与矸石分选是煤矿生产的必要工序,现有的人工分选与机械分选,存在效率低,易造成资源浪费以及环境污染等问题。鉴于可见/近红外高光谱成像具有分析速度快、样品无需预处理、无污染等诸多优势,旨在探讨基于可见/近红外高光谱成像对黑色背景下块状煤与矸石准确分类的可行性,并基于特征波长筛选算法简化模型,为构建多光谱煤与矸石分选系统提供理论参考。首先,搭建高光谱成像系统并采集山西西铭矿的85个煤样本与83个矸石样本在400～1 000 nm（Vis/NIR）与1 000～2 500 nm（NIR）两个范围内的高光谱图像,基于图像处理方法去除背景信息,选取Vis/NIR范围内100×100像素和NIR范围内50×50像素区域内的平均光谱作为该样本在对应波段范围的一条光谱,重复10次,最终在两个波段各获得煤与矸石光谱850条和830条。其次,对光谱先后进行Savitzky-Golay卷积平滑和标准正态变量变换,以减少噪音和误差对光谱的影响。基于全波段光谱建立支持向量机（SVM）,k近邻法（KNN）,偏最小二乘判别分析（PLS-DA）三种模型,每个模型针对预测集的分类准确度均大于0.95,结果表明,基于煤和矸石的光谱信息可将二者区分。随后根据竞争性自适应重加权算法（CARS）和连续投影算法（SPA）选择的特征波长建立简化模型,综合考虑精度与成本等因素,在Vis/NIR范围内基于SPA筛选的3个特征波长所建立的SVM模型效果最好,不仅能有效减少波长数量,还能提高模型的分类效果,对应的灵敏度,特异度,准确度分别为1,0.965 2,0.983 3。基于判别模型与样本的平均光谱还可实现煤和矸石的分类可视化。研究结果对开发基于特征波长的低成本煤和矸石多光谱分选系统,实现煤矸快速、准确的无损检测具有借鉴意义。     

基于图像和光谱融合的脐橙货架期高光谱成像无损检测研究

水果货架期是影响水果品质的重要因素之一,快速无损检测货架期是消费者、食品加工企业日益关心的问题,为了探讨水果不同货架期的预测判别方法的可行性,以不同货架期脐橙为实验样品,运用高光谱成像技术并结合化学计量学方法对不同货架期脐橙进行了预测判别。分别采集脐橙货架期第0天、第7天、14天后的脐橙样本高光谱图像,并进行高光谱图像校正。从光谱角度,提取脐橙样本的平均光谱,每条光谱有176个波长点;从图像角度,先提取脐橙样本的RGB和HSI颜色空间中R,G,B,H,S和I特征值,得到6个分量的均值,然后提取灰度共生矩阵的能量、熵、对比度、逆差矩、相关性的5个图像纹理信息,一共11个图像特征值,并将图像特征进行归一化处理;结合光谱和图像信息,即176个原始光谱和11个图像信息一共187个特征值。利用光谱信息、图像信息、光谱和图像融合信息进行建模,分别建立偏最小二乘支持向量机（LS-SVM）和偏最小二乘判别（PLS-DA）模型。当原始176个光谱变量作为输入变量,核函数为LIN-Kernel时,LS-SVM模型预测效果最佳,预测集误判率为5.33%。当11个图像特征变量作为输入变量,核函数为LIN-Kernel时,LS-SVM模型预测效果最佳,预测集误判率较高为20%。当原始176个光谱变量和11个图像特征变量的融合特征作为输入变量,核函数为LIN-Kernel时,LS-SVM模型预测效果最佳,预测集误判率为1.33%。实验结果表明,以光谱和图像融合信息建立LS-SVM模型效果最优,提高了对不同货架期脐橙识别的正确率,可实现对不同货架期的脐橙准确有效分类识别,误判率为1.33%。利用高光谱成像技术对不同货架期脐橙进行快速判别,对消费者购买新鲜水果和水果深加工企业具有一定程度的理论指导,也为后期相关仪器研发奠定了基础。     

半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究

针对马铃薯空心病的难以检测问题,提出了一种基于半透射高光谱成像技术结合支持向量机(support vector machine,SVM)的马铃薯空心病无损检测方法。选取224个马铃薯样本(合格149个,空心75个)作为研究对象,搭建了马铃薯半透射高光谱图像采集系统,采集了马铃薯样本半透射高光谱图像(390~1 040 nm),对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化(normalize)对原始光谱进行光谱预处理,建立了全波段的SVM判别模型,模型对测试集样本的识别准确率仅为87.5%。为了提高模型性能,采用竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS)结合连续投影算法(successive projection algorithm, SPA)对光谱全波段520个变量进行变量选择,最终确定了8个光谱特征变量(454,601,639,664,748,827,874和936 nm),所选8个光谱变量建立的SVM模型对马铃薯测试集的识别率为94.64%。分别采用人工鱼群算法(artificial fish swarm algorithm,AFSA)、遗传算法(genetic algorithm,GA)和网格搜索法(grid search algorithm)对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析,确定AFSA为最优优化算法,最优模型参数为c=10.659 1,g=0.349 7,确定AFSA-SVM模型为马铃薯空心病的最优识别模型,该模型总体识别率达到100%。试验结果表明：基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测,也为马铃薯空心病的快速无损检测提供技术支持。     

近红外高光谱的脐橙粒化检测研究

脐橙粒化影响消费者食用口感,降低品质,受到广大果农和消费者的关注。脐橙粒化的检测是一项具有挑战性的任务,对品质分级具有重大意义。以不同粒化程度的赣南脐橙为研究对象,探究利用高光谱检测实现对赣南脐橙粒化程度定性判别的可行性。肉眼是无法判断脐橙粒化程度的,因此对脐橙样本做好序号标记后先测光谱再切开判断粒化程度,按照粒化程度分为无粒化（粒化面积为0%）、轻度粒化（粒化面积小于25%）、中度粒化（粒化面积25%～50%）,每类各58个脐橙样品。在这三类脐橙底部均匀取3个点,每类174个样本,共计522个样本数据用作构建原始光谱矩阵。利用近红外高光谱成像系统采集样本397.5～1 014 nm波段内的高光谱图像信息,再利用ENVI4.5软件通过选择感兴趣区域（ROI）提取样本的平均光谱信息。采用主成分分析（PCA）、连续投影算法（SPA）、无信息变量消除（UVE）三种降维方法对光谱数据进行降维处理,消除无关变量,提取有用信息。原始光谱176个波长,PCA挑选出6个主成分因子,SPA挑选17个特征波长,UVE挑选54个特征波长。以全谱数据和三种降维方法挑选出来的变量作为输入分别建立偏最小二乘判别分析（PLS-DA）和最小二乘支持向量机（LS-SVM）模型。建立的PLS-DA建模方法,PCA-PLS-DA误判率最高为25.58%,UVE-PLS-DA误判率最低为5.38%。基于RBF-Kernel和LIN-Kernel两种核函数下的LS-SVM建模方法,整体上RBF-Kernel建模效果优于LIN-Kernel,UVE波长筛选后建立的模型效果优于其他降维方法且降低了模型的误判率。基于RBF-Kernel的UVE-LS-SVM模型效果最佳,检测精度最高,分类总误判率为0.78%,达到最佳效果。该研究结果表明建立的模型能很好地对不同粒化程度的脐橙进行判别,该模型仅采用30.68%的数据,在降低光谱空间维度的同时还降低了误判率,对促进脐橙产业的品质分级发展具有一定的现实意义。     

基于近红外高光谱成像技术的小麦不完善粒检测方法研究

小麦作为主要的粮食作物在我国农业生产、运输、食品加工等方面占有重要地位。不完善籽粒严重影响了小麦质量与粮食安全。不完善籽粒主要在生产、存储、包装等过程中产生，目前我国小麦质量检测多以人工分选为主，但存在人主观性较强，肉眼易疲劳，且费时费力等问题，因此，如何快速准确鉴别小麦不完善粒是现阶段提高生产率和保证粮食安全的重要问题。运用高光谱成像技术和特征波段选取方法提出一种快速有效的小麦不完善粒鉴别方法。利用近红外高光谱成像系统获得1 000粒小麦样本在862.9～1 704.2 nm共256个波段的高光谱反射图像，其中包括健康粒、生芽粒、霉变粒和赤霉粒各250粒，提取每个样本感兴趣区域的平均反射率光谱作为分类特征。本文首先对提取的全波段光谱信息进行窗口平滑、一阶导数差分、矢量归一化等数据预处理，将原始光谱数据的隐藏信号放大并消除随机误差；在预处理的基础上运用伪偏最小二乘(DPLS)和正交化线性判别分析(OLDA)对光谱进行特征提取，降低数据的冗余度；最后采用仿生模式识别(BPR)建立四类小麦的鉴别模型。实验结果表明，采用全波段光谱信息建立的小麦不完善粒鉴别模型的平均识别精度达到97.8%，分析结果可知，利用近红外高光谱成像技术的全波段光谱信息对小麦不完善粒鉴别是可行的。尽管全波段光谱信息取得了较好的鉴别效果，但高光谱成像设备较为昂贵，获取高光谱全波段光谱信息数据量较大，无法满足对现场设备运算速度的高要求，因此，采用连续投影算法(SPA)对全波段光谱数据进行特征波段的选择，使波段数量由256维降低到10维，从而提高系统的可行性和运算速度。采用选取的10个特征波段建立小麦不完善粒鉴别模型，实验结果表明10个特征波段的平均识别精度仅为83.2%，分析结果可知，尽管采用10个特征波段提高了系统实时性，但鉴别准确性较差。为达到与全波段特征基本相当的鉴别效果，利用光谱特征与图像特征结合的方法建立小麦不完善粒鉴别模型，将上述选取的10个特征波段的形态信息、纹理信息和光谱信息进行结合，实验结果表明，10个特征波段的光谱信息与图像信息结合使鉴别的平均识别精度达到94.2%，此识别效果与利用全波段光谱数据的识别效果基本相当。利用高光谱成像系统探索了小麦不完善粒鉴别的可行性，通过分析以上实验可知，基于近红外高光谱成像技术对小麦不完善粒检测具有良好的效果，在有效的提高运算速度的同时也保证了系统的鉴别精度，为后期小麦不完善粒快速检测设备的开发提供了有效的研究方向。     

Comparative study of albumen pH and whole egg pH for the evaluation of egg freshness

The Haugh unit (HU) is the most widely used measure to assess egg freshness. It is crucial and difficult to measure albumen height as a variable of the HU, especially for stale eggs. Albumen pH is strongly correlated to the HU and rarely affected by age or strain, except for storage. The prediction of albumen pH is a better indicator of egg freshness than the HU. Albumen is separated from the yolk in the albumen pH test, while in the whole egg pH measurement, it is not necessary to separate the albumen from the yolk. The objective of this research was to compare the albumen pH with the whole egg pH using visible near-infrared spectroscopy. Spectra were acquired using transmitted light on white-shelled eggs. Pretreatment methods containing multiplicative scatter correction, the standard normal variate (SNV), the first derivative, and the second derivative were used. A partial least square regression (PLSR) was used to set up prediction models. The results illustrated that PLSR models preprocessed by the SNV of albumen pH and whole egg pH were superior to other models. In the best prediction models, the correlation coefficients for albumen pH and whole egg pH were 0.923 and 0.752, and the root mean square error values were 0.170 and 0.265, respectively. The prediction models of albumen pH were better than those of whole egg pH using the PLSR method. In addition, the relevant information concerning albumen pH and whole egg pH ranged from 550 to 850?nm.