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。     

灵武长枣VC含量的高光谱快速检测研究

采用可见-近红外高光谱成像技术结合化学计量学方法检测灵武长枣维生素C(VC)含量，探究一种全新的水果内部成分的快速无损检测方法。采用高效液相色谱法(HPLC)测得长枣的VC含量化学值，可见-近红外高光谱成像系统采集164个灵武长枣400～1 000 nm的高光谱图像，利用ENVI4.8软件提取图像的感兴趣区域(region of interest，ROI)，计算其平均光谱，获得光谱值，将化学值与光谱值通过The UnsecramblerX 10.4软件建立模型。利用蒙特卡洛交叉验证法剔除异常值，采用光谱理化值共生距离法(sample set partitioning based on joint x-y distance，SPXY)进行样本划分以提高模型的预测性能；对光谱采用移动平滑(moving average)、中值滤波(median filter)、归一化(normalize)、基线校准(baseline)、多元散射校正(multiple scattering correction，MSC)、去趋势(detrending)和标准正态变量变换(standard normal variate，SNV)等7种方法进行预处理；为进一步减少数据量，降低维度，提高运算速度，使用竞争性自适应加权算法(competitive adaptive reweighted sampling，CARS)、无信息变量消除算法(uninformative variable elimination ，UVE)和连续投影算法(successive projections algorithm，SPA)提取特征波长，以期实现以少数波段代替全波段；将全波段光谱(full spectrum，FS)以及CARS, UVE和SPA三种方法提取的特征波长分别建立偏最小二乘(partial least squares wavelength regression，PLSR)和支持向量机(support vector machine，SVM)模型，从而确定最优的建模模型。利用蒙特卡洛交叉验证法共剔除7个异常样本，采用SPXY法将剔除异常样本后的157个数据区分为校正集和预测集，校正集中样本个数为117，预测集中样本个数为40。将未经光谱预处理的建模结果与分别经过七种光谱预处理的建模结果相比，选择未经光谱预处理的数据进行后续分析；将未经光谱预处理的光谱值采用CARS，UVE，SPA方法进行提取特征波长，CARS共优选出406，415，487，631，636，655，660，665，670，684，689，694，723，732，747和881 nm下的光谱变量16个，利用CARS提取出的特征波长占总波长的12.8%；UVE共优选出406，415，627，631，636，651，655，660，665，670，675，679，684，689，694，699，703，708，742，747，751，756，761，766，771，775，780，785，790，795，919和924 nm下的32个特征波长，利用UVE提取出的特征波长占总波长的25.6%；SPA共优选出401，665，684 nm三个特征波长，利用SPA提取出的特征波长占总波长的2.4%。将全波段光谱与提取出的特征波长建立PLSR模型和SVM模型，对比模型结果显示UVE-SVM模型最优，其R2_c为0.847 1，R2_p为0.714 9，说明UVE有效地对光谱进行降维，简化了数据处理过程。本研究对高光谱成像技术在水果领域的应用进行了有益探索，探究了一种全新的灵武长枣VC含量的无损检测方法，相应建立的可见-近红外高光谱模型为其他水果成分的快速检测提供了理论基础。     

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。