出缸期皮蛋凝胶质构特性与品质的高光谱无损检测

质构作为一种重要的品质参数，能够显著地影响出缸期皮蛋的凝胶品质，目前没有有效的快速无损检测方法。应用高光谱成像实现对出缸期皮蛋质构特性的无损预测及不同品质皮蛋的检测分级。以不同品质鸭皮蛋为研究对象，采集优质蛋、合格蛋与不合格蛋样本的高光谱数据，对比测定其凝胶质构硬度和弹性参数，对原始光谱进行单一和组合变换（多元散射校正MSC、包络线去除CR、一阶求导FD、包络线去除一阶求导组合CR-FD），分析一维光谱数据与质构硬度和弹性的相关性，发现经CR-FD变换后的光谱反射率与凝胶质构硬度、弹性的相关性最大，分别在波长683和715 nm达到最大值为0.882和0.865；基于最优的光谱变换和二维相关光谱法，以凝胶质构硬度和弹性作为扰动因子，探寻皮蛋硬度和弹性的最优研究区域，结果显示：以硬度为扰动因子时，波长476，539，647，672，728和851 nm处存在自相关峰；在波长483，572，657，739和826 nm处的光谱信号对弹性值较敏感，故最终选择476~851和483~826 nm两个敏感波段分别作为凝胶硬度和弹性的研究区域；对比连续投影算法（SPA）、竞争性自适应重加权算法（CARS）、遗传算法（GA）、粒子群优化算法（PSO）、无信息消除法（UVE）5种不同变量选择方式，发现使用粒子群优化算法结合PLSR模型的检测精度最高：预测硬度的R2_p和均方根误差RMSEP为0.826和0.874，RPD为2，预测弹性的R2_p和均方根误差RMSEP为0.886和0.402，RPD为1.9。使用3种不同分类器对不同品质皮蛋进行预测，发现对优质蛋、合格蛋与不合格蛋分类的准确率分别达到了97%，92%和100%，基于预测结果的混淆矩阵和ROC曲线对模型进行评估，PLS-DA模型的精度和泛化能力优于BP和RF模型。综上表明，使用高光谱技术可以实现皮蛋质构特性的预测及对不同品质皮蛋的无损分级。     

傅里叶变换中红外光谱的牛奶品质无损检测分级

市场上普遍存在“高蛋白”,“高乳脂”等特色牛奶。为了实现对特优优质奶、高蛋白特色奶、高乳脂特色奶和普通奶的无损快速分级,收集了河北省10个牧场不同月份（1月、3月—10月）的5 121份牛奶样本并采集中红外光谱数据,分别测定牛奶中的乳蛋白、乳脂和体细胞数,构建了牛奶品质分级模型。首先,分析牛奶光谱并去除冗余波段,最终选择925~1 597和1 712~3 024 cm-1的敏感波段组合作为全光谱用于建立模型。为了提高模型的性能,采用标准正态变量变换（SNV）,多元散射校正（MSC）,一阶导数,二阶导数,一阶差分和二阶差分6种算法对光谱进行预处理并建立朴素贝叶斯模型（NB）和随机森林模型（RF）,确定二阶差分为最佳预处理方法,其测试集准确率分别为92.11%和96.87%。为了简化模型,利用无信息变量消除法（UVE）、竞争性自适应重加权算法（CARS）与稳定性竞争性自适应重加权采样算法（SCARS）以及UVE-CARS算法和UVE-SCARS算法对二阶差分后的光谱数据提取特征变量。然后,分别基于全光谱和所选特征变量数据,建立NB模型和RF模型。结果表明,SCARS算法为NB模型的最佳特征提取算法,模型的训练集准确率与测试集准确率分别为94.45%,93.94%;UVE-SCARS算法为RF模型的最佳特征提取算法,模型的训练集准确率与测试集准确率分别为99.86%,96.48%。综上,基于傅里叶变换中红外光谱技术建立的二阶差分-UVE-SCARS-RF模型,可以实现特优优质奶、高蛋白特色奶、高乳脂特色奶和普通奶的无损快速分级,通过建立中红外光谱模型,首次将乳蛋白、乳脂含量和体细胞数直接结合进行分级鉴定,这是以往未曾有过的。模型应用方便,只需将获得的牛奶红外光谱数据输入模型即可输出预测类别,在牛奶产业中具有实际应用价值。     

基于高光谱图像信息融合的红提糖度无损检测

红提糖度是重要的内部品质衡量指标,传统的检测方法均为破坏性生化检测,本文基于高光谱成像技术,提出了一种基于高光谱信息融合的红提糖度含量无损检测方法。采集并提取260个红提样本的光谱信息和图像信息,对光谱信息分别利用SNV、S-G等光谱预处理方法建立PLSR模型,确定最好的光谱预处理方法,分别采用一次降维(GA、CARS、IRIV)算法和组合降维算法(CARS-SPA、IRIV-SPA、GA-SPA)共六种降维方法对光谱信息进行特征变量提取;获取灰度共生矩阵的图像纹理信息,结合图像的颜色信息(R、G、B、H、S、V、L、a、b),组成19个图像特征参数,采用PCA算法对图像信息进行降维,分别建立基于降维处理后的光谱信息、图像信息以及两者融合的红提糖度线性预测模型PLSR、非线性预测模型LSSVM,并对比分析模型的优劣。结果表明,若只利用光谱信息建模,IRIV-SPA可有效地提取红提糖度光谱信息的特征波长,提高模型的预测性能;若只利用图像信息进行建模,模型的预测性能不好,PCA降维有效地提高了模型的预测性能,但提高的性能有限;将IRIV-SPA特征波段提取后的光谱和经PCA降维后的图像信息进行融合,分别建立PLSR和LSSVM模型,红提糖度的最优PLSR模型的校正集和预测集相关系数分别为0.943,0.941;红提糖度的最优LSSVM模型的校正集和预测集相关系数分别为0.954,0.952。LSSVM所建模型的效果好于PLSR所建模型,但模型的运算时间较长。两种模型的精度均比单方面基于光谱或图像信息的模型都有较大的提高,表明融合高光谱图像的光谱与图像信息不仅可以提高模型的运算速度、简化模型,同时有效地提高了红提糖度预测性能,为红提糖度的检测找到了一种新的方法。     

表面增强拉曼光谱检测鸡蛋蛋清内三聚氰胺的定量方法研究

三聚氰胺对人体有害,鸡蛋内三聚氰胺定量检测非常有必要。以鸡蛋蛋清为研究对象,应用表面增强拉曼光谱技术结合化学计量学方法对蛋清内三聚氰胺进行了定量检测。首先采用人工饲养蛋鸡的方法获取含有三聚氰胺的样品鸡蛋。然后使用便携式拉曼光谱检测仪(Opto Trace RamTracer-200)和拉曼增强试剂测定蛋清的表面增强拉曼光谱,同时利用气相色谱质谱技术测定相应蛋清中三聚氰胺的含量。利用Raman Analyzer对拉曼光谱基线进行校正。应用相关系数法从表面增强拉曼光谱中选取320个光谱变量作为输入变量,建立偏最小二乘定量校正模型;并应用谱峰分解法建立谱峰分解定量校正模型。两种模型建立过程中均选定90个样本做为模型校正集,44个样本做为模型验证集,两种模型都有较好的预测效果。偏最小二乘定量校正模型预测值与气相色谱质谱联用法(GC-MS)测定值的决定系数R2为0.856,预测均方根误差RMSEP为1.547;谱峰分解定量校正模型R2为0.947,RMSEP为0.893。实验结果表明,该方法能有效定量检测鸡蛋内三聚氰胺,检测一个样本仅需15 min,为蛋品的三聚氰胺检测提供了一种新途径。     

基于LLE-SVR的鸡蛋新鲜度可见/近红外光谱无损检测方法

鸡蛋新鲜度是反映鸡蛋内部品质的一个重要指标。为了能够实现鸡蛋新鲜度的快速无损检测,利用微型光纤光谱仪采集鸡蛋550～950 nm的透射率光谱曲线,与鸡蛋的哈夫单位值进行了定量分析。通过不同的预处理方式分别结合偏最小二乘回归(partial least squares regression, PLSR)与支持向量回归(support vector regression, SVR)建立模型,比较了不同模型的预测结果,发现一阶微分结合SVR能够实现较好地预测,且利用SVR建模要优于PLSR。为了提高运算效率,减少无用信息对建模的不良影响,分别利用线性降维主成分分析法(principal component analysis, PCA)与非线性降维局部线性嵌入(locally linear embedding, LLE)对一阶微分后的光谱数据降维,比较两种降维方法的预测效果,得出了LLE降维要优于PCA降维,其训练集和预测集的相关系数与均方根误差分别为92.2%,7.21和91.1%,8.80,训练集交叉验证的均方根误差相比减少了0.79。实验结果表明,利用局部线性嵌入结合支持向量回归进行非线性建模,能够提高鸡蛋新鲜度的预测能力,表明该方法对鸡蛋新鲜度的可见/近红外光谱检测可行。     

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%。     

基于紫外‐可见透射光谱技术和极限学习机的早期鸡胚雌雄识别

为了对鸡种蛋胚胎进行雌雄识别,探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性,搭建了鸡种蛋透射光谱检测系统,采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱,光谱范围为360~1 000 nm。构建极限学习机（ELM）鸡胚雌雄识别模型,通过比较不同放置方式和孵化天数下模型的识别准确率,发现竖向放置且孵化第7 d的识别效果最好;将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、可见光（380~780 nm）、近红外（780~1 000 nm）、紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析,预测集准确率分别为82.86%,77.14%,75.71%,84.29%和81.43%,筛选出360~780 nm的紫外-可见光波段为有效波段;在紫外-可见光（360~780 nm）波段,采用多元散射校正（MSC）去噪,并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维,建立不经筛选特征波长、CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。其中不经筛选特征波长的ELM模型识别效果最好,但输入变量最多,隐含层神经元为680且激活函数为sig时,预测集准确率为84.29%。SPA筛选特征波长的ELM模型识别效果次之,输入变量有9个,隐含层神经元为840且激活函数为hardlim时,预测集准确率为81.43%。CARS筛选特征波长的ELM模型识别效果最差,输入变量有27个,隐含层神经元为100且激活函数为sig时,预测集准确率为78.57%;用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值,不经筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,SPA筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,CARS筛选特征波长建立的GA-ELM模型,预测集准确率为81.43%。紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同,表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息,SPA使用的变量数仅占紫外-可见光波段的2.14%,因此,雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型,预测集准确率为87.14%,其中,雌性识别率为88.57%,雄性识别率为85.71%,单个样本平均判别时间0.080 ms。结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。