酥梨货架期的高光谱成像无损检测模型研究

水果新鲜度是反映水果是否新鲜、饱满的重要品质指标,为了探讨水果不同货架期的预测和判别方法,以酥梨为研究对象,利用高光谱成像技术,结合偏最小二乘判别法（PLS-DA）和偏最小二乘支持向量机（LS-SVM）算法对酥梨货架期进行判别。由光源、成像光谱仪、电控位移平台和计算机等构成的高光谱成像装置采集样品光谱,装置光源采用额定功率为200 W四个溴钨灯泡成梯形结构设计,光谱范围为1 000～2 500 nm,分别率为10 nm。选取优质酥梨30个,货架期设置为1, 5和10 d,对30个样品完成3次光谱图像的采集,并矫正原始图像。实验结果表明：基于图像的酥梨货架期定性分析时,对不同货架期样品的原始图像进行PCA压缩,得到三种不同货架期的权重系数数据,PC1图像提取特征波长点为1 280,1 390,1 800,1 880和2 300 nm,以特征图像的平均灰度值作为自变量且以货架期作为因变量建立定性判别模型,建模集68个,预测集22个。最小二乘支持向量机以RBF为核函数时,预测集中样品的误判个数为1,误判率为4.5%。而当采用lin核函数时,样品的误判个数为0,误判率为0。PLS-DA定性分析时RMSEC为1.24,R_c为0.93。RMSEP为1,R_p为0.96,预测集误判率为0。特征图像对酥梨货架期判别LS-SVM中的lin核函数所建立的模型结果较好,优于RBF核函数的建模效果,也优于PLS-DA判别模型。ENVI软件提取实验样品光谱后建立LS-SVM和PLS-DA判别模型,LS-SVM利用RBF和lin核函数误判率分别为4.5%和0。与RBF核函数相比,lin核函数所建立的模型预测酥梨货架期的效果更好。PLS-DA方法主成分因子数为12,RMSEC和RMSEP分别为0.48和0.78,R_c和R_p分别为0.99和0.97,建模集与预测集的误判率均为零。LS-SVM中的lin核函数所建立的模型结果较好,依然优于PLS所建立的检测模型。酥梨的光谱信息结合LS-SVM可以实现对酥梨货架期的检测和判别。基于图像建立酥梨的货架期预测模型与光谱相比,都实现了酥梨货架期的判别,而特征图像法,选择区域较少流失部分信息,计算量小,建模结果相对略差。酥梨货架期的高光谱成像检测模型研究为消费者正确评价水果新鲜度提供了理论指导, 也为后期果水果货架期检测仪器的开发提供了技术支持。     

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。     

应用高光谱成像技术鉴别绿茶品牌研究

应用高光谱成像技术,基于光谱主成分信息和图像信息的融合实现名优绿茶不同品牌的鉴别。首先采集6个品牌名优绿茶在380～1 023 nm波长范围的512幅光谱图像,然后提取并分析绿茶样本的可见近红外光谱响应特性,结合主成分分析法找到了最能体现这6类样本差异的2个特征波段(545和611 nm),并从这2个特征波段图像中分别提取12个灰度共生矩阵纹理特征参量包括中值、协方差、同质性、能量、对比度、相关、熵、逆差距、反差、差异性、二阶距和自相关,最后融合这12个纹理特征和三个主成分特征变量得到名优绿茶品牌识别的特征信息,利用LS-SVM建立区分模型,预测集识别率达到了100%,同时采用ROC曲线的评估方法来评估分类模型。结果表明综合应用灰度共生矩阵变量和光谱主成分变量作为LS-SVM模型输入可实现对绿茶品牌的鉴别。     

基于高光谱成像技术的猪肉嫩度检测研究

提出了基于高光谱成像技术的猪肉嫩度检测方法。利用高光谱成像系统获取78个猪肉样本在400～1100nm范围的高光谱图像数据;通过主成分分析高光谱数据进行降维,从中优选出3幅特征图像,并从每幅特征图像中分别提取对比度、相关性、角二阶矩和一致性等4个基于灰度共生矩阵的纹理特征变量,这样每个样本共有12个特征变量,再通过主成分分析提取6个主成分变量,并参照剪切力方法测得的样本嫩度等级结果,利用神经网络方法构建猪肉嫩度等级判别模型。模型对校正集样本的回判率为96.15%,预测集样本的判别率为80.77%。研究表明高光谱图像技术可以用于猪肉嫩度等级水平的检测。     

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。     

高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定量测定

由于高光谱数据量大、维数高,光谱噪声明显、散射严重等特征导致光谱建模时关键变量提取较为困难,同时,高光谱图像的获取会受非单色光、杂散光、温度等多种因素的影响,从而使高光谱数据与待测性质之间有一定非线性关系。为此,提出采用正自适应加权算法(CARS)对可见-近红外高光谱高维数据进行关键变量筛选,并与全光谱和经典变量提取方法SPA,MC-UVE,GA和GA-SPA方法进行比较。以200个库尔勒香梨为研究对象,采用SPXY方法将样本划分为校正集和预测集,校正集和预测集分别包含150个和50个样本。基于不同方法筛选的变量,分别建立线性PLS模型及非线性LS-SVM模型,r2,RMSEP和RPD用于模型性能的评估。综合比较发现,GA,GA-SPA和CARS变量筛选方法能够有效地筛选出原始高光谱数据中具有强信息且对外界影响因素不敏感的变量,适用于高光谱数据关键变量的提取,其中CARS变量筛选效果最佳,基于CARS获取的关键变量构建的非线性LS-SVM库尔勒香梨SSC含量预测模型获得了最优的预测结果,r2_pre,RMSEP和RPD分别为0.851 2,0.291 3和2.592 4。研究表明,CARS方法是一种有效的高光谱关键变量筛选方法,利用高光谱数据,非线性LS-SVM模型比线性PLS模型更适合于香梨品质的定量预测。     

应用近红外高光谱成像预测三文鱼肉的水分含量

应用近红外高光谱成像技术实现三文鱼肉水分含量的快速无损检测。采集来自不同部位的三文鱼肉共90个样本的高光谱图像, 提取样本感兴趣区域(ROI)的平均光谱。随机取60个样本作为建模集, 其余30个样本作为预测集。分别采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)对全波段和水分含量建立相关性模型, 并对预测集样本的水分含量进行预测。再用一种新的变量提取方法random frog选择特征波长, 并基于特征波长分别建立水分检测的PLSR和LS-SVM模型。特征波长模型的预测精度虽然稍逊于全波段模型, 但是仅用12个变量代替了全波段的151个变量, 大大简化了模型, 更便于实际应用。PLSR和LS-SVM特征波长模型的预测相关系数(Rp)分别为0.92和0.93, 预测均方根误差(RMSEP)分别为1.31%和1.18%, 取得了满意的结果。研究表明, 近红外高光谱成像与化学计量学方法结合可以准确预测三文鱼肉的水分含量, 为鱼肉品质的快速监测提供重要的参考。     

应用近红外高光谱成像预测三文鱼肉的水分含量

应用近红外高光谱成像技术实现三文鱼肉水分含量的快速无损检测。采集来自不同部位的三文鱼肉共90个样本的高光谱图像,提取样本感兴趣区域(ROI)的平均光谱。随机取60个样本作为建模集,其余30个样本作为预测集。分别采用偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)对全波段和水分含量建立相关性模型,并对预测集样本的水分含量进行预测。再用一种新的变量提取方法random frog选择特征波长,并基于特征波长分别建立水分检测的PLSR和LS-SVM模型。特征波长模型的预测精度虽然稍逊于全波段模型,但是仅用12个变量代替了全波段的151个变量,大大简化了模型,更便于实际应用。PLSR和LS-SVM特征波长模型的预测相关系数(R_p)分别为0.92和0.93,预测均方根误差(RMSEP)分别为1.31%和1.18%,取得了满意的结果。研究表明,近红外高光谱成像与化学计量学方法结合可以准确预测三文鱼肉的水分含量,为鱼肉品质的快速监测提供重要的参考。     

荧光高光谱结合特征波长筛选的脐橙表面农药残留快速检测

采用荧光高光谱成像技术对脐橙表面不同浓度毒死蜱和多菌灵进行判别。实验通过由氙灯光源激发的高光谱成像系统（392～998.2 nm）分别采集浓度为0,0.5,1,2 mg·kg-1的毒死蜱和0,1,3,5 mg·kg-1多菌灵的高光谱图像。使用ENVI软件获取样本的感兴趣区域（ROI）;对原始光谱数据采用卷积平滑（SG）、标准正态标量变换（SNV）及一阶导数（FD）方法进行预处理;采用区间变量迭代空间收缩法（iVISSA）、无信息变量消除算法（UVE）和竞争性自适应加权算法（CARS）进行一次提取特征波长,二维相关光谱（2D-COS）方法进行二次提取特征波长。最后采用主成分分析与线性判别分析相结合算法（PCA-LDA）和偏最小二乘算法（PLS-DA）建立基于两次提取特征波长脐橙表面不同浓度毒死蜱和多菌灵残留的判别模型。将原始光谱数据与经过预处理的3种光谱数据进行建模分析,结果发现毒死蜱和多菌灵的光谱数据经过SG处理后模型效果最优。对经SG预处理后的毒死蜱光谱数据和多菌灵光谱数据进行特征波长一次提取,最佳特征波长分别为iVISSA法和CARS法,分别提取出26个和30个特征波长;再采用二维相关光谱（2D-COS）算法对这26个和30个特征波长进行二次提取,分别得到10个和12个特征波长。对一次提取特征波长和二次提取特征波长后的光谱数据分别建模。结果表明,对于不同浓度的毒死蜱,基于iVISSA-2D-COS建立的PCA-LDA模型判别效果最佳,其校正集与预测集判别正确率分别为98.61%和95.83%;对于不同浓度的多菌灵,基于CARS-2D-COS建立的PCA-LDA模型判别效果最佳,其校正集与预测集判别正确率分别为97.22%和95.83%,均高于全波段光谱数据模型和一次提取特征波长模型判别正确率,说明2D-COS可以捕捉可用的荧光光谱信息。该研究采用2D-COS对一次提取最优特征波长进行二次提取后建模,研究结果为脐橙表面不同浓度农药残留的快速无损判别提供了一定的参考。     

近红外光谱技术结合RCA和SPA方法检测土壤总氮研究

基于近红外光谱技术结合连续投影算法和回归系数分析对检测土壤总氮含量进行研究。采集农田土壤样本近红外光谱数据,土壤样本数量共394个。由于原始光谱数据量大,在500～2 500 nm光谱波长范围基础上,为简化模型,在原始光谱基础上采用连续投影算法和回归系数分析提取特征变量,以两种变量选择方法提取的特征变量作为输入,分别采用偏最小二乘回归(PLS)、 多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)建模方法建立总氮预测模型,共建立了9个预测模型,最优预测集的决定系数为0.81,剩余预测偏差RPD为2.26。研究表明,基于连续投影算法和回归系数分析选择的特征波长可以应用于近红外光谱检测土壤总氮含量,同时可以大大简化模型,适合开发便携式土壤养分检测仪。     

Hyperspectral imaging technology for determination of dichlorvos residue on the surface of navel orange

A hyperspectral imaging system is developed to detect dichlorvos residue on the surface of navel orange.After acquiring hyperspectral images of 400 navel oranges,the actual content of dichlorvos residue is measured by gas chromatography.Optimal wavelengths are extracted using the regression coefficients of partial least squares （PLS）,and a PLS model with 12 factors is established.In the prediction set of 0.2282 11.652-mg/kg pesticide residue,the correlation coefficient and the root mean standard error are 0.8320 and 1.3416,respectively.The hyperspectral imaging technology can meet the requirement of online fast nondestructive detection.     

高光谱成像技术对鲜枣内外部品质检测的研究

外部缺陷以及内部可溶性固形物的含量对提升鲜枣的采后附加值和鲜枣后续生产加工具有重要的意义,因此,为了实现同时对鲜枣内外部品质进行快速、准确识别,利用高光谱成像技术(450-1,000 nm)对壶瓶枣的“自然损伤”和可溶性固形物含量同时进行检测研究。首先,对光谱数据进行主成分分析(PCA)得到前7个主成分光谱值,对图像数据采用灰度共生矩阵(GLCM)提取到7项图像纹理指标(对比度、相关性、能量、同质性、方差、均值、熵)。然后,分别使用光谱主成分值、图像纹理特征值、以及主成分与纹理特征融合值建立偏最小二乘支持向量机(LS-SVM)模型对壶瓶枣的外部缺陷(“自然损伤”)和内部品质(可溶性固形物含量)进行检测研究。结果表明：使用主成分与纹理特征融合值建立的LS-SVM模型可作为通用模型同时对壶瓶枣内外部品质进行检测研究,其“自然损伤”判别正确率为92.5%,可溶性固形物预测集的预测相关系数(R_p)和预测均方根误差(RMSEP)分别达到了0.944和0.495。表明,采用高光谱成像技术可以建立通用模型同时对壶瓶枣的内外部品质进行检测,该研究为壶瓶枣的无损检测提供了理论参考。     

基于高光谱漫透射成像可视化检测脐橙可溶性固形物

厚皮类瓜果内部品质的无损检测是目前水果产业的检测技术瓶颈。本文采用高光谱漫透射技术对脐橙可溶性固形物(SSC)含量进行可视化分析研究。通过基线校正(Baseline)预处理结合连续投影算法(SPA)优选9个特征波长,建立SSC偏最小二乘回归(PLSR)模型,校正集相关系数r_(cal)为0.891,校正集均方根误差RSMEC为0.612°Brix,预测集相关系数r_(pre)为0.889,预测集均方根误差RMSEP为0.630°Brix。最后,计算各个像素点的SSC值结合图像处理技术得出SSC的可视化分布图,直观判断脐橙SSC含量高低。     

应用高光谱成像技术对打蜡苹果无损鉴别研究

探讨应用高光谱成像技术快速无损鉴别不同苹果蜡的可行性。通过对分别打食用果蜡、工业蜡和未打蜡的126个苹果样品,采用380～1 024 nm范围的高光谱图像仪获取三类苹果的高光谱图像信息,采用ENVI软件处理平台提取高光谱图像中对象的漫反射光谱响应特性。从126个样品中随机取出84个样品建模,其余42个样品作为独立的验证集。对光谱数据分别采用偏最小二乘(PLS)、最小二乘支持向量机(LS-SVM)和BP神经网络等建立高光谱响应特征与食用蜡苹果、工业蜡苹果、未打蜡苹果的关系模型,比较不同建模方法的效果。结果表明：采用MSC-SPA-LS-SVM模型可以较好的区分食用果蜡、工业蜡和未打蜡的三类苹果,预测结果的正确率分别为100%,100%和92.86%。     

基于高光谱成像技术的脐橙叶片的叶绿素含量及其分布测量

为实现脐橙叶片叶绿素含量无损检测及其分布可视化表征,采用高光谱成像技术,结合自适应重加权算法(CARS)和连续投影算法(SPA),筛选特征光谱变量,进行脐橙叶片叶绿素含量及可视化分布研究。选取叶绿素测量位置的7×7矩形感兴趣区域,提取并计算脐橙叶片平均光谱。基于Kennard-ston方法,将148个脐橙叶片样品划分成建模集和预测集(111∶37)。采用CARS和SPA算法分别筛选出了32个和6个叶绿素特征光谱变量,用于建立偏最小二乘(PLS)回归模型。采用37个未参与建模的脐橙叶片样品评价模型的预测能力,经比较,CARS-PLS和SPA-PLS模型均优于变量筛选前的PLS模型,且CARS-PLS和SPA-PLS模型的预测能力几乎相同,其预测集相关系数分别为0.90和0.91,均方根误差分别为1.53和1.60。SPA-PLS模型计算脐橙叶片每个像素点的叶绿素含量,经伪彩色变换,绘制了脐橙叶片叶绿素含量可视化分布图。实验结果表明:变量筛选方法结合高光谱成像技术,能够实现脐橙叶片叶绿素含量无损检测及叶绿素分布可视化表达,并简化了数学模型。     

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。