结合2D-COS和光谱融合技术的小麦淀粉回生特性定量表征

回生是淀粉加工、运输和储藏过程中的重要理化性质,快速检测淀粉回生程度对淀粉制品的品质和保质期有重要意义。为了探究二维相关光谱法(2D-COS)优选回生淀粉特征变量的可行性,研究结合2D-COS和光谱融合技术对小麦淀粉的回生特性进行定量表征。首先,将不同回生时间的小麦淀粉测定结晶度和回生度,从淀粉体系中晶体含量和对淀粉酶水解抗性的角度表征淀粉回生特性。然后,分别采集样品的近红外和中红外光谱数据,对采集的原始光谱进行Savitzky-Golay平滑和标准正态变量变换预处理后,结合偏最小二乘法分别基于近红外光谱、中红外光谱和融合光谱构建全光谱的预测模型。在此基础上,以回生天数为外部扰动,分别选取回生0, 1, 2, 3, 5, 7, 10, 14, 21和35 d的10条淀粉光谱进行2D-COS分析。通过分析同步谱和自相关谱,辨识了近红外13个和中红外11个与回生特性有关的特征波长。最后,基于这些特征波长进一步建立回生度和结晶度的预测模型。结果表明,全光谱模型结果中,光谱融合后的模型预测效果较好,结晶度模型的相对分析误差(RPD)值由1.203 4和2.069 0提高至3.980 9,回生度...     

若干二维映象中V型阵发层流相区的特征

通过几个实例的分析,说明二维映象中V型阵发的层流相所占据的相空间区域常常具有一维特征.这些一维相空间区域对应于已经由边界碰撞分岔消失的周期点的“鬼魂”留下的一段稳定流形.它们构成类似于一维映象中阵发发生后层流相迭代通过的“隧道”.隧道的开口有明确的位置.V型阵发的湍流相所对应相空间区域具有二维特征.解析讨论了这些特征的形成机制. 关键词： V型阵发 层流相 流形     

一种“类耗散系统”中的“类Ⅴ型阵发”

一类不连续不可逆保面积映象可以展示类似耗散的行为,因此可称其为“类耗散系统”.在一种类耗散系统中观察到了椭圆周期轨道及其周围的椭圆岛与映象不连续边界碰撞而消失的现象.周期轨道消失后,经过一系列过渡椭圆周期轨道之后,系统的行为由一个混沌类吸引子主导.在混沌类吸引子刚刚出现时,混沌时间序列呈现层流相与湍流相的无规交替.这一切都与不连续耗散系统中发生的Ⅴ型阵发的相应性质十分相似,因此可称为“类Ⅴ型阵发”.然而,当混沌类吸引子刚刚出现时,仅可以找到最后一个过渡椭圆岛的“遗迹”,并不存在它的“鬼魂”,因此类Ⅴ型阵发不遵从Ⅴ型阵发的特征标度规律.反之,混沌类吸引子的鬼魂却存在于最后一个过渡椭圆周期轨道的类瞬态过程中,因此在类Ⅴ型阵发导致混沌运动的临界点之前,由此“类瞬态混沌奇异集”中逃逸的规律就成为标志这一种临界现象的标度律.这与Ⅴ型阵发又根本不同. 关键词： 类耗散性 类混沌吸引子 类Ⅴ型阵发     

基于光谱技术的原料肉新鲜度指标在线检测系统开发及试验

为了实现原料肉新鲜度参数的无损在线实时评估,基于双波段可见/近红外反射光谱（350~1 100和1 000~2 500 nm）技术建立了原料肉新鲜度主要指标的在线检测系统。研究设计了装置的光源单元、光谱采集单元、控制单元和驱动单元,优化设计了光源固定支架和安放角度,编写了相应的控制程序,开发了实验室用和便于在不同生产线应用的两套在线检测系统。首先,对试验参数（传送带速度和样品到透镜入光口距离）进行了优化研究,通过光谱相似度比较和显著性分析,确定传送带速度是275 mm·s-1、距离是12 cm时能够获得更加稳定的光谱信号。然后,基于该试验参数,分别在静止和在线条件下采集了贮藏时间为1~13 d共50个猪肉样本的反射光谱,并利用抛物线拟合法对双波段光谱进行融合,以获取整条覆盖可见及近红外区域的完整光谱。为了使两个波段范围内的光谱数据点权重相同,在整个波段范围内均匀分布,借助三次样条插值法将所有光谱数据点以2 nm为间隔进行重新排布。采用窗口移动多项式最小二乘拟合法对光谱作平滑处理,采用标准正态变量变换对每条光谱进行标准化预处理,分别建立了静止和在线条件下新鲜度主要表征指标-颜色（L*,a*和b*）、pH和挥发性盐基氮的预测模型,以此验证所搭建系统的可靠性。经过对比分析,发现在线条件下的建模结果不如静止状态下的建模结果,这可能与在线采集时光谱存在漂移现象有关。进一步尝试利用一阶导数处理来消除基线漂移强化谱带特征,并对一阶导数和标准化处理顺序对建模结果的影响进行了探讨。结果发现先经过一阶导数再经过标准化处理,能更好地消除外部干扰造成的影响,建模结果更佳。在该处理方式下,基于第一波段光谱建立了颜色参数（L*,a*,b*）的预测模型,基于双波段光谱建立了pH和挥发性盐基氮的在线检测模型,预测相关系数分别为0.955 3,0.924 7,0.955 1,0.961 5和0.966 8。最后,为了验证模型的适用性,基于开发的便于在不同生产线应用的在线检测系统,利用独立的20个样本对在线模型进行外部验证,对颜色参数（L*,a*,b*）,pH和挥发性盐基氮的预测相关系数分别为0.918 9,0.914 1,0.947 7,0.950 4和0.960 6。研究结果表明,该系统通过双波段光谱的实时采集和融合,可以获取更多反应样本内部信息的光学信号,具有更强的检测能力。结合设计的光路等其他硬件单元,可以同时获取样本表面更大区域的反射光谱信息,从而实现对原料肉新鲜度主要表征参数的无损、在线、实时评估。该系统便于组装和拆卸,可以适应不同企业生产线的实际需要,具有较强的实用价值和较好的市场前景。     

桂花酒中山梨酸钾拉曼表面增强预测模型在其他果酒中的传递

自行搭建的拉曼光谱点扫描系统,以柠檬酸钠还原法配制的SC银溶胶为表面增强剂,建立了桂花酒中山梨酸钾的定量预测模型,模型校正集决定系数(R2_C)和均方根误差(RMSEC)分别为0.978 9和0.070 3 g·kg-1,验证集决定系数(R2_P)和均方根误差(RMSEP)分别为0.934和0.165 7 g·kg-1。桂花酒中山梨酸钾的定量预测模型为主光谱模型,结合K/S算法,探讨了基于DS算法和PDS算法将桂花酒主光谱模型向杨梅酒的修正传递方法。结果显示,用K/S算法选取4个杨梅酒样品,基于DS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.906 1和0.215 0 g·kg-1。K/S算法选取3个杨梅酒样品(窗口宽度为5),基于PDS算法传递桂花酒主光谱模型验证结果R_P和RMSEP值分别为0.905 5和0.225 0 g·kg-1。DS算法和PDS算法均可以用少量样品将桂花酒中山梨酸钾的主光谱预测模型有效传递给杨梅酒,实现了一种被测物预测模型在同类物种间的传递,具有重要实用意义。     

二维相关光谱的猪肉TVB-N特征变量优选研究

为了探讨利用二维相关可见/近红外光谱法优选猪肉挥发性盐基氮(TVB-N)特征变量的可行性,以贮藏时间为外扰,研究了不同新鲜程度猪肉样本的二维相关光谱特性。首先,获取56个猪肉样本在贮藏1～14 d的400~1 000 nm范围的可见/近红外反射光谱,经过标准正态变量变换(SNV)处理后,基于全波段光谱建立TVB-N的偏最小二乘回归(PLSR)模型。然后,依据TVB-N实测值,从中挑选出10个具有一定浓度梯度的样本(贮藏时间分别为0,36,72,108,144,180,216,252,288和324 h),利用一阶导数对光谱进行预处理后,根据不同样本之间的光谱差异,选取7个波段用于二维相关光谱解析。分析各个波段的二维相关同步谱和自相关谱,从7个波段范围内共选取23个变量作为不同贮藏时间下与TVB-N相关的敏感波长,并建立简化的PLSR模型。相较于全波段光谱数据所建模型,模型效果有所改善,预测集决定系数R2_p由0.792 1上升至0.865 8,误差从3.658 2 mg·(100 g)-1下降至3.246 0 mg·(100 g)-1。表明基于二维相关光谱对猪肉TVB-N特征变量进行优选的思路是可行的,该方法能够从全光谱数据中筛选出与目标物质相关的敏感变量,这也为近红外光谱特征波长选择提供了一个新的方法。     

双波段光谱融合的猪肉多品质参数同时检测方法研究

在双波段可见/近红外光谱系统(350~1 100和1 000~2 500 nm)中,由于两台仪器性能有所不同,导致在波段重叠区域对同一样品测得的反射率不同,出现数据交叉现象。针对此问题,提出一种波段连接数据融合的方法,以期对两个波段的光谱进行更好的应用。首先采集60个生鲜猪肉样品表面的反射光谱信息,利用Savitzky-Golay(S-G)平滑和标准正态变量变换进行预处理,然后利用单一波段和双波段光谱数据与猪肉品质参数(颜色参数L*, a*, b*,pH和蒸煮损失率)理化值建立偏最小二乘预测模型,并分析比较。利用提出的波段融合方法对两个波段重叠区域出现的交叉进行处理,处理后的双波段光谱融合数据对参数L*, a*, b*, pH以及蒸煮损失率建模,验证集的相关系数分别为0.948 8,0.920 0,0.950 5,0.930 1和0.903 5,模型效果与未融合前相当甚至更优。采用无信息变量消除法方法进行特征变量筛选,利用优选后的特征变量建立了更为简化的模型。实验结果表明,所提出的波段融合方法能够对两个波段光谱数据实现较好的融合,利用融合后的光谱数据有利于建立更简化、性能更佳的预测模型。     

高光谱和集成学习的鸭梨黑斑病潜育期快速识别方法

鸭梨黑斑病在感染早期阶段引起感染区域外观的变化很微小,肉眼难以观察,因此对其早期识别仍然是困难的。结合高光谱成像技术和Stacking集成学习算法,实现了鸭梨黑斑病的潜育期识别检测。首先,获取健康和不同腐败程度黑斑病鸭梨样品的原始高光谱图像,基于图像选取感兴趣区域(ROI),然后对提取的平均光谱数据进行一阶导数(FD)、二阶导数(SD)、标准正态变量变换(SNVT)及组合SNV-FD和SNV-SD预处理后,采用竞争性自适应权重取样法(CARS)提取特征波长的光谱信息。最后基于筛选出的特征信息分别建立最小二乘支持向量机(LS-SVM)、 K最邻近法(KNN)、随机森林(RF)和线性判别分析(LDA)分类模型。其中,预测效果最好的组合为SNV-FD-LSSVM,SNV-KNN和SNV-FD-RF,准确率分别达到94%, 88%和88%。四种算法建立的模型中,测试集准确率不低于85.00%的个数分别为5、 3、 2和0,因此优选出LS-SVM、 KNN和RF三个分类器用于后续的集成学习。为提高模型准确率,以优选出的LS-SVM、 KNN和RF三种模型作为基分类器构建Stacking学习框架,...     

基于表面增强拉曼的鸡尾酒中苯甲酸钠和山梨酸钾的同时快速检测

基于实验室自行搭建的拉曼点扫描系统,以市售鸡尾酒为研究对象柠檬酸钠还原硝酸银配制的银溶胶作为表面增强剂,探讨了鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的同时快速检测方法。首先确定鸡尾酒中苯甲酸钠拉曼特征峰为846.1,1 007和1 605 cm-1,山梨酸钾拉曼特征峰为1 164,1 389和1 651 cm-1,进而对它们拉曼特征位移强度稳定性及鸡尾酒中两种防腐剂对拉曼特征位移强度的相互影响进行了分析。结果表明,利用该方法采集的鸡尾酒中苯甲酸钠和山梨酸钾表面增强拉曼特征位移强度具有较高的稳定性,而且鸡尾酒中苯甲酸钠和山梨酸钾的拉曼特征位移强度相互影响并不大,具有较高的稳定性。分别制备苯甲酸钠浓度范围为0.154 3~1.5 g·kg-1的42个鸡尾酒样品及山梨酸钾浓度范围为0.062~1.5 g·kg-1的45个鸡尾酒样品,分别建立了苯甲酸钠和山梨酸钾的线性回归模型。选用最佳的苯甲酸钠1 007和1 605 cm-1二元线性回归预测模型与山梨酸钾的1 164和1 651 cm-1二元线性回归预测模型,对不同浓度苯甲酸钠和山梨酸钾43个鸡尾酒样品进行了苯甲酸钠和山梨酸钾同时预测验证。结果显示,鸡尾酒中苯甲酸钠和山梨酸钾预测值与实际值相关系数(r)分别为0.949 3和0.921 8,均方根误差(RMSE)分别为0.088 2和0.142 9 g·kg-1。基于银溶胶表面增强拉曼完全可以实现鸡尾酒中苯甲酸钠和山梨酸钾两种防腐剂的快速同时检测,为液态食品中防腐剂的同时快速监测提供了技术支撑。     

基于深度卷积神经网络的红外船只目标检测方法

针对红外船只图像较模糊导致的识别率低、识别速度慢等问题,提出了一种基于深度卷积神经网络(CNN)的检测算法。首先采用标记分水岭分割算法提取红外船只图像中的连通区域,并对原图相应的目标位置进行标记和归一化处理,提取候选区域。采用改进的AlexNet(一种深度CNN模型)进行船只目标识别,将提取的候选区域送入改进的AlexNet进行特征提取和预测,得到最终检测结果。分水岭方法可大大减少候选区域检测时间,以及减少深度CNN识别时间。利用实验室自制的红外成像系统获取近千张红外船只图像数据,并对其平移缩放形成的数据集进行仿真实验。结果表明,标记分水岭与深度CNN的结合,可有效识别船只目标,所提方法具有良好的性能,能够更加快速准确地识别红外船只目标。