高光谱成像技术结合化学计量学可视化花生中蛋白质含量分布

花生中蛋白质含量与分布能够显著影响花生制品品质。利用高光谱图像结合化学计量学研究可视化花生中蛋白质含量分布的可行性。从校正后的花生图像的感兴趣区域(region of interest, ROI)中提取光谱信息,通过传统化学方法测定蛋白质含量。比对了不同光谱预处理和回归算法,以二阶导数(the second derivative, 2nd-der)为最佳的光谱预处理方法,偏最小二乘法(partial least squares, PLS)为最佳的回归算法。基于预处理后的光谱和花生蛋白质的化学值,建立全波长PLS模型,全波长模型具有良好的性能(校正集相关系数为0.91,校正集标准偏差0.86;预测集相关系数为0.86,预测集标准偏差为0.69)。利用回归系数法(regression coefficient, RC)从全波长模型中选择14个特征波长,建立2nd-der-RC-PLS特征波长模型,模型性能(校正集相关系数为0.86,校正集标准偏差1.03;预测集相关系数为0.80,预测集标准偏差为0.77)与全波长模型相当。采用2nd-der-RC-PLS算法将花生高光谱图像转变成蛋白质含量分布图。成对t检验判断凯氏定氮法与高光谱法无显著性差异。结果表明结合化学计量学的高光谱成像技术为测定花生中蛋白质含量分布提供了一种高效非破坏性方法。     

基于近红外高光谱技术和特征波谱分析方法的竹类判别研究

竹叶含有丰富的功能性成分,具有良好的抗氧化、调节血脂、抗癌、保护心脑血管等功效,在食品和药品等领域具有较高的应用价值,但不同品种的竹叶其功能性成分差异较大。传统对于竹类品种的鉴别主要是通过观察竹叶大小、纹理、竹枝分枝和竹竿高度等,效率低且错误率较高,因此,快速准确的区分不同品种的竹叶,是竹类资源开发和加工过程中的重要任务之一。采用近红外高光谱(900～1 700 nm)技术对我国不同产地的12种竹叶进行鉴别分析。用主成分分析(PCA)对竹叶进行聚类分析,应用主成分因子中X-loading(XL)和random frog(RF)算法进行特征波段的提取,分别得到6条(931,945,1 217,1 318,1 473和1 653 nm)和12条(1 052,1 140,1 163,1 177,1 180,1 193,1 230,1 241,1 477,1 483,1 629和1 649 nm)特征波段,并基于全波段(238条波长)及采用以上算法所得的特征波段建立最小二乘-支持向量机(LS-SVM)判别分析模型,其识别率分别为99.17%(全波段),95.83%(XL算法),95.83%(RF算法)。最后,采用受试者工作特征曲线(receiver operating characteristic curve, ROC curve)对LS-SVM模型的判别效果进行验证,结果表明,曲线下面积(AUC)均在0.98以上,说明近红外高光谱结合LS-SVM可以很好地实现竹类的鉴别分析,这为竹叶的食用和药用价值的开发利用提供理论参考。     

粮油品质安全高光谱成像检测技术的研究进展

粮油品质安全至关人类营养健康与生命安全。常规检测粮油品质安全方法,由于操作困难、破坏性强、费用高、试剂污染等缺点,不能满足快速无损,高效无污染的要求,难以与工业4.0接轨。整合光谱和图像手段的高光谱成像技术,伴随着化学计量学的发展,突破了常规检测方法局限性,是粮油品质安全检测技术的发展趋势。在大量文献的基础上,综述了高光谱成像技术原理,以及在品质方面(组分测定、发芽检测、品种分类)和安全方面(真菌检测、虫害检测)的研究进展,特别分析了高光谱成像技术检测粮油品质安全的应用光谱范围、化学计量学方法、仪器设备和模型准确性,指出了现阶段在粮油品质安全检测中存在的主要问题,并对今后的研究方向和重点进行了展望,以期推动高光谱成像技术在粮油领域的应用发展。     

基于显微高光谱成像技术判别食源性致病菌种类的方法研究

如何实现对食源性致病微生物的早期快速检测是全球食品安全领域面临的挑战之一。传统的致病菌生化检测方法虽然准确性高,但是过程复杂、耗时漫长,易错过控制疫情爆发的窗口期。该研究提出一种基于暗场显微高光谱成像技术的检测方法,能够借助显微镜技术突破传统光谱成像的灵敏度和分辨率极限,并利用可见/近红外光谱为单个致病菌细胞添加高分辨率的图像和光谱信息。以空肠弯曲杆菌、大肠埃希氏菌O157:H7和鼠伤寒沙门氏菌为检测对象,采用显微高光谱成像技术进行数字化表征和数据采集,结合双向长短期记忆网络(Bi-LSTM)算法对各致病菌细胞的图像和光谱数据进行建模分类。结果显示,显微尺度的致病菌光谱数据呈现可判别的分布规律,新采用的Bi-LSTM网络在光谱数据集中表现优异,在三种致病菌的分类任务中取得了91.0%的平均准确率,而传统的线性判别分类器(LDA)和支持向量机分类器(PCA-SVM)的平均准确率分别为80.1%和88.5%。但是,仅依赖光谱数据进行致病菌种类判别仍然存在较为严重的假阳性问题,尤其是在大肠埃希氏菌O157:H7和鼠伤寒沙门氏菌的分类中存在错误分类。图像信息的加入则能够显著改善各分类的识别准确...     

应用红外光谱显微成像技术观测单细胞雨生红球藻虾青素代谢过程

雨生红球藻是一种适于生产虾青素的单细胞绿藻,虽然已有研究报道了藻细胞内类胡萝卜素的合成代谢途径,但是对类胡萝卜素及虾青素的具体形成过程以及它们在显微尺度上的含量和分布变化还缺乏直接的观测数据和证据。本研究运用高空间分辨率的傅里叶变换红外光谱显微成像技术,对不同时期的单一雨生红球藻细胞中的类胡萝卜素的空间分布和含量进行了观测,根据红外光谱成像数据证实了β胡萝卜素为虾青素合成的前体,并且分析和探讨了细胞中的脂质和蛋白质与虾青素合成及积累的关系。     

基于高光谱成像技术的微小摄像头检测技术

针对高光谱成像特点,提出了一种基于三维特征检测微小摄像头的方案。在空间维利用猫眼效应筛选疑似目标,在光谱维对结果进行精准判定。依据摄像头结构,分析了可见光摄像头的反射光谱特征。基于几何光学和辐射度学,计算和仿真了系统的探测距离。结果表明,正常工作时,光功率影响最小探测距离,目标尺寸影响最大探测距离。搭建了微小摄像头光谱特征验证系统。结果表明,采用吸收型红外截止滤光片的目标的非反射光占比曲线变化平缓且数值高,采用反射型红外截止滤光片的目标的非反射光占比曲线可见光部分数值高,红外部分数值低,从700 nm附近开始下降,甚至发生突变,实验数据显示,突变位置的斜率绝对值是红外波段斜率绝对值的10倍以上。实验结果与预期分析的结果一致,验证了高光谱成像技术检测微小摄像头的可行性。     

基于高光谱成像技术的滩羊肉新鲜度快速检测研究

滩羊肉的新鲜度是其品质安全的一个重要衡量指标,也是肉品品质安全控制的关键环节。挥发性盐基氮（TVB-N）是表征肉品腐败过程主要的化学信息,能有效地评价出滩羊肉的新鲜度。然而,TVB-N的传统检测过程繁琐且人为影响因素大,检测结果缺乏客观性和一致性,不能满足当今肉品检测过程无损、快速、高效的需求。高光谱成像技术符合现代检测技术向多源信息融合方向发展的需求,已在食品安全领域得到广泛应用。利用可见/近红外高光谱成像技术（400~1 000 nm）结合动力学和化学计量学方法以及计算机编程技术,将同时实现滩羊肉贮存期内（15 ℃环境）TVB-N 浓度的快速检测和贮藏期的预测。研究中提取每个样品感兴趣区域的平均光谱数据,选用蒙特卡洛算法剔除异常样本。采用X-Y共生距离（SPXY）法划分为校正集和预测集,分别选用多元散射校正（multiplicative scatter correction, MSC）、卷积平滑（savitzky-golay, SG）、标准变量变换（standard normalized variate, SNV）、归一化（normalization）、基线校准（baseline）五种方法对原始光谱数据进行预处理,优选出最佳预处理方法。采用竞争性自适应重加权法（campetitive adaptive reweighted sampling, CARS）和连续投影算法（successive projections algorithm, SPA）分别提取了21个和6个特征波长。为优化模型并提高其模型精度,采用SPA算法对 CARS 所选特征波长进行二次提取,优选出14个特征波长。基于所提取的特征波长建立TVB-N浓度的PLSR模型,优选出 SNV-CARS-SPA-PLSR 模型具有较高的预测能力（R2_c=0.88,RMSEC=2.51, R2_p=0.65, RMSEP=2.11）。同时,建立了滩羊肉TVB-N变化与贮藏时间的动力学模型,并将优化后的光谱模型和动力学反应模型相结合建立了滩羊肉光谱吸光度值与贮藏时间的高光谱动力学模型,实现对贮藏时间的预测,并通过 PLS-DA判别模型对滩羊肉贮藏时间进行判别分析（校正集判别准确率为100%,预测集为97%）。研究表明,利用可见/近红外高光谱成像技术结合动力学和化学计量学方法以及计算机编程技术,可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析,为开发实时在线检测装备提供理论参考。     

基于高光谱的工夫红茶发酵品质程度判别方法

发酵作为影响红茶品质形成的重要流程,发酵品质程度的判断主要基于人工经验,难以实现准确客观的评价。该研究主要针对于工夫红茶发酵工序,以不同发酵时序下的样品为对象,利用高光谱检测技术并结合化学计量学方法,对制备的不同发酵程度的样本进行无损检测和智能判别。首先利用高光谱成像仪（400～1 000 nm）采集工夫红茶发酵样品的高光谱数据,并根据气温、茶叶嫩度、萎凋情况、揉捻过程、发酵叶颜色及香气等现场生产信息,将6个不同发酵时序下的样本,根据发酵程度依次划分为3类（轻度发酵、适度发酵、过度发酵）。为了降低采集高光谱信息时因培养皿中发酵叶的不平整而产生的散射现象对光谱数据的影响,选取标准正态变量变换算法（standard normal variate,SNV）与多元散射校正算法（multiplicative scatter correction,MSC）对全波段光谱进行预处理,将预处理后的光谱数据进行主成分分析（principal components analysis,PCA）,分别得到前3个主成分的三维载荷图,根据样本在图中的空间分布特征,因而选择效果较好的SNV预处理方法。以全波段光谱最优主成分作为模型输入量,建立邻近算法(K-nearest neighbor,KNN)、随机森林（random forests,RF）、极限学习机（extreme learning machine, ELM）判别模型,识别率分别为63.89%,94.44%和86.11%,结果表明,非线性模型（RF、ELM）识别率较高,其中RF模型性能优于ELM模型。为比较基于全波段与特征波长建立的工夫红茶发酵品质程度模型判别效果,采用连续投影算法（successive projections algorithm,SPA）提取31个特征波长进行PCA降维处理,以特征波长最优主成分作为模型输入量,构建SPA-KNN,SPA-RF和SPA-ELM判别模型,识别率分别为83.33%,91.67%和91.67%。通过SPA对变量筛选后,SPA-KNN和SPA-ELM模型性能明显提高,SPA-RF模型识别准确度略有下降。与特征波长建立的模型相比,全波段建立的RF模型性能最佳,对工夫红茶轻度发酵、适度发酵、过度发酵的判别率分别达到了100%,83.33%和83.33%。研究结果为推进红茶智能化、数字化加工的实现,提供了理论基础和科学依据。     

透射和反射高光谱成像的马铃薯损伤检测比较研究

针对马铃薯损伤部位随机放置会影响检测精度的问题,提出从正对相机、背对相机及侧对相机三个方向,应用透射和反射高光谱成像技术采集马铃薯图像,进行透射和反射高光谱成像的马铃薯损伤检测比较研究。对透射和反射高光谱图像进行独立成分(IC)分析和特征提取,利用所得特征对反射图像进行二次IC分析,对透射和反射光谱进行变量选择,最终分别建立基于反射图像、反射光谱、透射光谱的马铃薯损伤定性识别模型;对识别准确率高的模型做进一步优化,采用子窗口排列分析(SPA)算法对透射光谱的特征做二次选择得到3个光谱变量,并建立任意放置的马铃薯损伤识别最优模型。试验结果表明,基于反射图像、反射光谱建立的模型识别准确率较低,其中基于反射图像的马铃薯碰伤,侧对相机识别准确率最低为43.10%;基于透射光谱信息建立的模型识别准确率较高,损伤部位正对、背对相机的识别准确率均为100%,侧对相机为99.53%;马铃薯损伤识别最优模型对任意放置的损伤识别准确率为97.39%。应用透射高光谱成像技术可以检测任意放置方向下的马铃薯损伤,该研究可为马铃薯综合品质的在线检测提供技术支持。     

基于高光谱技术的覆盖保鲜膜菠菜货架期预测研究

保鲜膜能提高果蔬保水性,隔绝外界细菌侵染,延长货架期。为了准确估测覆盖保鲜膜果蔬品质的优劣,对其货架期进行预测具有重要意义。应用高光谱技术结合化学计量学方法对同等贮藏条件下覆膜新鲜菠菜叶片的货架期进行了预测。先采集五个不同贮藏时间下75盘共300片菠菜样本在可见-近红外(Vis-NIR,380～1 030 nm)与近红外(NIR,874～1 734 nm)波段的高光谱数据,然后测定不同贮藏时间下菠菜叶片叶绿素含量。提取300片覆膜菠菜叶片的平均光谱(200个为建模集,100个为预测集)后,对建模集光谱进行主成分分析(principal component analysis,PCA),发现不同贮藏期内叶片光谱数据在前3个主成分空间有一定的聚类。根据建模集光谱信息与预先赋予的不同贮藏期虚拟等级分别建立偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)模型,得到预测集样本的贮藏期总的判别准确率分别为83%(Vis-NIR)和81%(NIR)。表明,高光谱技术结合化学计量学方法能够实现对新鲜菠菜货架期的分类和预测,为消费者正确评价覆盖保鲜膜的菠菜品质提供了理论指导,也为后期果蔬货架期检测仪器的开发提供了技术支持。     

陈皮年份的高光谱技术鉴别研究

市场上陈皮以次充好现象时有发生,而年份是衡量陈皮品质的重要指标。研究用高光谱技术结合化学计量学算法,在380~1 023及874~1 734nm两波段对不同放置方式的陈皮进行年份鉴别。为了寻找更合适的波段和模拟实际生产检测中陈皮放置的随机性,采集了四个年份共180个样本在380~1 023及874~1 734nm的正、反面高光谱图像(720幅)。用主成分分析法(principal component analysis,PCA)对陈皮光谱信息进行定性分析,发现不同年份陈皮基于正反面光谱有明显的聚类;而后以回归系数法(regression coefficient,RC)选取陈皮年份相关的特征波段以减少变量;用偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)基于全波段、特征波段对三种放置方式(正、反、正反混合)的样本建立模型,最后对特征波段建立线性PLS-DA模型和非线性ELM模型并进行比较分析。研究表明:在380~1 023nm的预测效果大多高于874~1 734nm,基于非线性ELM的判别结果均高于线性PLS-DA模型,准确率最高可达到建模集100.00%,预测集98.33%,陈皮正、反、正反混合三种放置方式预测准确率多数可高于85%,故采用高光谱技术可实现对不同放置方式的陈皮年份进行无损鉴别,为进一步开发便携仪器或在线生产设备提供方法和理论依据。     

基于高光谱成像技术的菜青虫生命状态检测研究

采用近红外高光谱成像技术对菜青虫的存活与死亡状态进行了研究,通过提取菜青虫不同状态的光谱信息,建立判别分析模型。以不同预处理方法对所提取的951.5～1 649.2 nm光谱进行预处理,并建立偏最小二乘判别分析(partial least square-discriminant analysis, PLS-DA)模型对菜青虫的生死状态进行判别分析,判别正确率接近或达到100%。用移动平均(moving average,MA)5点平滑光谱分别采用连续投影算法(successive projections algorithm, SPA)以及加权回归系数(weighted regression coefficient,B_w)分别选取了17和20个特征波长进行生与死状态的判别。基于特征波长建立了PLS-DA, K最邻近节点算法(K-nearest neighbor,KNN),BP神经网络(back propagation neural network,BPNN)以及支持向量机(support vector machine,SVM)模型,判别正确率接近100%。结果表明采用近红外高光谱成像技术对菜青虫生命状态的研究是可行的,为作物虫害的快速诊断提供了新方法。     

基于高光谱成像技术的土壤水分机理研究及模型建立

为了研究宁夏地区土壤的水分迁移机理以及对土壤水分快速无损检测,利用高光谱成像(光谱范围900~1 700 nm)技术对土壤的含水率进行了研究。通过高光谱成像系统采集了208个土样,比较了不同天数下土壤含水率与光谱的变化、不同质量含水量光谱的差异。对采集到的土样进行PLSR模型建立,对比分析不同光谱预处理方法、不同方法提取特征波长(UVE、CARS、β系数、SPA)、不同建模方法(MLR、PCR、PLSR)建立的模型,优选出最佳模型。结果表明:在一定的土壤含水量范围内,光谱曲线的反射率与土壤含水率成反比;当增大到超过田间持水率时,光谱曲线的反射率与土壤含水率成正比。对比分析了不同预处理方法,优选出单位向量归一化预处理方法。对比不同的模型,优选出SPA提取的特征波长的MLR模型。最优的特征波长为987,1 386,1 466,1 568,1 636,1 645 nm,最优模型的预测相关系数Rp=0.984,预测均方根误差RMSEP为0.631。因此,今后可采用不同波段对土壤含水率进行定量分析。     

基于高光谱成像技术的不同产地小米判别分析

高光谱成像技术被广泛应用于农产品的检测。基于高光谱成像技术结合机器学习算法无损鉴别不同地区的小米样本。将来源7个省份共计23份样品的小米样本根据地理区域划分为东北地区、河北、陕西、山东和山西共5大类，其中东北地区共6份样品，山西地区5份样品，河北、陕西和山东各4份样品。将每份样品均分为10等份并利用高光谱成像仪采集900～1 700 nm波段内小米的高光谱数据。为了减少光照不均匀和暗电流对实验的影响，对采集到的高光谱数据进行黑白校正。利用ENVI软件选取小米高光谱图像的感兴趣区域(ROI)，每份小米样品选取9个ROI。计算ROI内的平均光谱值，以此平均值作为该样本的一条光谱记录，最后共收集到2 070条光谱曲线，其中东北类540条，山西类450条，其他河北类、山东类、陕西类各360条。为了减少样品表面的不平整性引起的散射现象，进而影响小米的真实光谱信息，对收集到的原始光谱进行多元散射校正预处理(MSC)。采用随机划分法对校正过后的光谱数据划分训练集和测试集，测试集占的比例为0.3。利用线性判别分析(LDA)对不同产地小米的光谱数据进行可视化分析，将测试集代入训练好的LDA模型，做出预测结果的混淆矩阵(Confusion Matrix)，结果表明LDA对于陕西和山西类的预测准确率为0.84和0.99，对于东北、河北和山东的预测准确率仅为0.68，0.68和0.40。进而采用递归特征消除(RFE)对小米的光谱信息进行特征选择，去除冗余的信息，提高模型的预测准确率。将RFE分别与支持向量机(SVM)和逻辑回归(LR)结合，对不同产地小米的判别进行对比分析。将小米光谱数据的训练集分别代入SVM-RFE和LR-RFE模型并结合3折交叉验证技术，以模型F值的微平均(Micro-averaging)最优选择出相应的特征子集。结果表明，LR-RFE选择的波长数为74个，其模型的Micro_F为0.59；SVM-RFE选择的波长数为220，其模型的Micro_F为0.66。将选择后的特征子集应用到测试集并将测试集分别代入SVM和LR模型，采用模型预测结果的混淆矩阵和模型的受试者工作特征曲线(ROC)作为评价方法。结果表明SVM-RFE对东北地区、河北、陕西、山东和山西的预测准确率分别为1，0.37，0.72，0和1，其ROC曲线下面积(AUC)分别为0.82，0.92，0.93，0.70和0.99。LR-RFE的预测准确率分别为0.92，0，0.97，0和0.80，其AUC分别为0.72，0.74，0.94，0.66和0.88。从预测结果可以看出SVM-RFE模型的综合分类性能优于LR-RFE，而对陕西类的判别LR-RFE要优于SVM-RFE，对于河北类和山东类两个模型都不能有效判别。这两个模型的预测准确率相比LDA有了一定的提升。     

基于高光谱成像技术的山楂损伤和虫害缺陷识别研究

采用高光谱成像技术（420～1 000 nm）对山楂的缺陷（表面的损伤以及虫害区域）进行识别研究。共采摘了134个样品,包含损伤果46个、虫害果30个、损伤及虫害果10个和完好果48个。考虑到山楂的花萼、果梗与损伤、虫害的RGB图像有相似的外观特征,容易造成误判,利用高光谱成像系统采集了损伤、虫害、完好、花萼和果梗五个区域一共230个山楂样本的高光谱图像,并提取相应的感兴趣区域（region of interest, ROI）,得到了样本的光谱数据。使用标准归一化（standard normalized variate, SNV）,卷积平滑（savitzky golay, SG）,中值滤波（median filter, MF）,多元散射校正（multiplicative scatter correction, MSC）方法进行光谱预处理,建立偏最小二乘（partial least squares method, PLS）判别分析模型,结果表明经过SNV预处理后的预测结果较好。最后选取SNV作为预处理方法。应用回归系数法（regression coefficients, RCs）从全波段中提取10条特征波段（483,563,645,671,686,722,777,819,837和942 nm）,利用Kennard-Stone算法将各类样本按照3:1的比例随机分成训练集（173个）和测试集（57个）,并对其建立最小二乘支持向量机（least squares-support vector machine, LS-SVM）判别模型,山楂缺陷的正确识别率为91.23%。然后,运用主成分分析（principal componentanalysis, PCA）进行10条敏感波段下单波段图像的数据压缩,分别采用“sobel”算子和区域生长算法“Regiongrow”识别出86个缺陷山楂样本的边缘与缺陷特征区域,得出单损伤、单虫害和损伤及虫害样本的识别率分别为95.65%,86.67%和100%。研究结果表明：采用高光谱成像技术可以对山楂的损伤、虫害、花萼和果梗进行定性分析和特征识别,该研究为山楂的缺陷无损检测提供了理论参考。     

小球藻、球等鞭金藻和螺旋藻生物量高光谱成像的可视化研究

微藻高效培养是微藻生物能源开发利用的关键和前提,而在营养充足的培养条件下生长迅速但较易受到环境污染和影响,因此微藻生长过程中对其生长状况进行监测意义重大。高光谱成像技术同时拥有丰富物质品质信号的优点和图像包含丰富品质分布空间信息的优点,可为微藻的快速无损检测提供新的方法和手段。分别采集小球藻、球等鞭金藻和螺旋藻三种微藻各45个样本的高光谱图像,并提取样本感兴趣区域(ROI)的平均光谱。利用连续投影算法(SPA)波长优选之后,取30个建模集样本的光谱数据与其相应的生物量建立多元线性回归(MLR)模型,对15个预测集样本的生物量进行预测,小球藻、球等鞭金藻和螺旋藻预测相关系数(r)分别为0.950,0.969和0.961,预测均方根误差(RMSEP)为0.010 2,0.010 7和0.017 1,获得了较好的预测精度。最后,用所建MLR模型对预测集图像上每个像素点的生物量加以预测,采用Matlab图像编程处理将不同的生物量用不同的颜色表示,最终以伪彩图的形式实现藻液生物量的可视化。研究结果表明,高光谱成像技术对小球藻和螺旋藻藻液生物量的可视化效果较好,对球等鞭金藻的预测效果还需要进一步改进。本研究为实现微藻生长信息的快速获取和进一步开展微藻生物质能源利用奠定了一定的研究基础。     

基于差分反射高光谱成像的薄层TMDC材料检测技术研究

二维过渡金属硫化物(TMDC)材料因为独特的激子效应和材料学性质,在太阳电池、光催化、传感器、柔性电子器件等领域得到广泛的应用。层数对其性质有显著的调控作用,自动检测识别所需层数的样品是其从实验室走进半导体制造工业的重要技术需求。本文结合反射高光谱成像技术与图像处理算法,发展了一种二维TMDC薄层样品的显微成像自动检测技术。基于自主搭建的反射高光谱成像系统,对制备的不同层数TMDC标准样品进行了光学对比度的系统研究,阐明了层数的差分反射光谱机理,提出了可靠的层数判定方法。基于传统边缘检测技术优化设计了一套图像处理算法,实现了TMDC样品的图像检测及层数鉴定。本文方法具有普遍性、实用性,结合自动对焦的扫描控制,能够实现大规模的自动化样品检测,这也为其他表面目标的显微识别和检测提供了新的灵感和参考。     

基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究

利用高光谱成像系统获得网纹类哈密瓜糖度漫反射光谱信息,选择有效波段500～820 nm进行哈密瓜糖度检测建模回归分析。对比了多元散射信号修正和标准正则变换校正方法,原始光谱、一阶微分、二阶微分光谱预处理方法对建模精度的影响;采用偏最小二乘法、逐步多元线性回归和主成分回归方法对比分析了带皮哈密瓜和去皮哈密瓜糖度检测模型效果。结果表明,对原始光谱经过MSC和一阶微分光谱处理后,采用PLS和SMLR方法均可取得很好的建模效果,应用PLS法检测带皮哈密瓜糖度是可行的,其校正集相关系数(R_c)为0.861,RMSEC为0.627,预测集相关系数(R_p)为0.706,RMSEP为0.873;应用SMLR法检测去皮哈密瓜糖度效果最佳,校正集相关系数(R_c)为0.928,RMSEC为0.458,预测集相关系数(R_p)为0.818,RMSEP为0.727。研究表明,应用高光谱成像技术检测哈密瓜糖度具有可行性。     

基于高光谱成像技术的鲜枣裂纹的识别研究

裂纹是衡量鲜枣品质的重要指标之一,果皮裂纹加速鲜枣的腐烂,导致鲜枣货架期的缩短,严重降低鲜枣的经济价值。采用高光谱成像技术在380～1 030 nm波段范围内对鲜枣裂纹的位置及大小信息特征进行快速识别。选用偏最小二乘回归(PLSR)、连续投影法(SPA)和全波段图像主成分分析(PCA),得到鲜枣裂纹相关的敏感波段。然后利用选取的鲜枣裂纹的敏感波段对建模集的132个样本建立最小二乘支持向量机(LS-SVM)判别模型,并对预测集的44个样本进行判别。对PLSR-LS-SVM,SPA-LS-SVM和PCA-LS-SVM判别模型采用ROC曲线进行评判,得出PLSR-LS-SVM模型对鲜枣裂纹定性判别的结果(area=1,std=0)最佳。选取PLSR回归系数挑选出的5条鲜枣裂纹敏感波段(467,544,639,673和682 nm)对应的单波段图像进行主成分分析,其中将主成分PC4的图像结合图像处理技术,最终识别出鲜枣裂纹的位置、大小信息。结果表明,采用高光谱成像技术结合光谱图像处理可以实现鲜枣裂纹定性判别和定量识别的研究,为进一步开发相关仪器的研究提供理论方法和依据。     

基于NIR高光谱成像技术的长枣虫眼无损检测

为了研究快速识别虫眼枣与正常枣的有效方法,利用特征波长主成分分析法结合波段比算法进行虫眼枣识别。首先,利用NIR高光谱成像系统采集130个长枣(50个正常、80个虫眼枣)图像,提取并分析不同类型长枣特征区域的平均光谱曲线,对970~1 670 nm范围内的光谱数据进行主成分分析,确定7个特征波长(990,1 028,1 109,1 160,1 231,1 285,1 464 nm)。然后,对长枣图像做主成分分析,选择PC2图像进行虫眼识别,虫眼与正常枣的识别率分别为67.5%、100%。为了进一步提高虫眼枣的识别率,采用波段比(R1231/R1109)对未识别的虫眼枣进行再次识别,识别率提高到90%。结果表明,基于NIR高光谱成像技术的检测方法对虫眼枣识别是可行的,同时也为多光谱成像技术应用于在线检测长枣品质提供了理论依据。