基于荧光光谱法与深度信念网络的稻种发芽率检测方法研究（英文）

针对传统稻种发芽率检测效率低、精度差、专业化要求高等问题,通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。首先,将连粳7号和武运粳均分别老化0~7d后,以5min为间隔在纯净水中分别浸泡5~30min。然后用荧光光谱仪检测浸泡液的荧光光谱,光谱数据经中心化后用集合经验模态分解(EEMD)去噪,并通过主成分分析法提取441.5nm的特征荧光波长。最后,利用偏最小二乘回归(PLSR),反向传播神经网络(BPNN),径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。比较后得出,DBN模型在少数据、弱信号情况下的预测精度最高,预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。同时,通过分析混合稻种荧光数据Rp的变化趋势,得到最佳浸泡时间为22.1min,实际上,精确度超过0.95(Rp)需要5min左右。研究结果表明,结合荧光光谱法和EEMD-DBN模型,非破坏性地预测水稻种子发芽率具有可行性和高准确性,并且适用于不同颜色和污染水平的水稻种子的检测。     

基于连续偏振光谱技术与嵌入型灰色神经网络的稻种发芽率检测方法研究

针对稻种发芽率传统检测方法周期长,近红外光谱检测技术等无损检测方法受稻种自然颜色及含水量影响大的问题,通过连续偏振光谱结合嵌入型灰色神经网络(IGNN)的方法建立稻种发芽率预测模型。对检测连续偏振光谱运用经典模式分解(EMD)和小波包变换进行去噪处理,根据去噪效果选择EMD去噪。利用主成分分析(PCA)提取去噪后的连续偏振光谱特征,结合偏最小二乘法回归(PLSR)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和IGNN分别构建稻种发芽率预测模型,建模结果显示10 min检测时间点IGNN预测模型精度最高,预测集相关系数RP=0.985,预测集均方根误差(RMSEP)为0.771。研究结果表明基于连续偏振光谱技术结合嵌入型灰色神经网络的方法实现稻种发芽率快速无损检测是可行的且精度较高。     

结合高光谱图像的光谱和纹理信息预测羊肉可溶性蛋白和GSH含量

可溶性蛋白和谷胱甘肽（GSH）是羊肉重要的生理生化指标，是衡量机体抗氧化能力大小的重要因素，传统检测方法程序复杂，检测费时。为此应用可见-近红外（400～1 000 nm）高光谱成像技术实现可羊肉可溶性蛋白和还原性谷胱甘肽（GSH）含量无损、快速检测。首先，对采集的180个羊肉样本的原始光谱信息采用4种方法进行预处理，再运用竞争自适应加权算法（CARS）、区间变量迭代空间收缩算法-迭代和保留信息变量法（iVISSA-IRIV）进行特征波段的提取。同时使用灰度共生矩阵法（GLCM）提取贡献率最高的主成分图像的纹理信息。最后将优选出的预处理方法和特征波长信息作为光谱信息和光谱-纹理融合信息分别结合多元线性回归（MLR）、最小二乘支持向量机（LS-SVM）模型建立羊肉可溶性蛋白和谷胱甘肽含量的预测模型。结果显示未经预处理的原始光谱建立的羊肉可溶性蛋白含量PLSR模型效果最佳，其R_c和R_p分别为0.875 7和0.854 7；采用SNV法预处理后光谱建立的羊肉GSH含量PLSR模型效果最佳，其R_c和R_p分别为0.804 8和0.826 5。利用iVISSA-IRIV共筛选出31个特征波长，建立的羊肉可溶性蛋白LS-SVM模型的R_c和R_p最优，分别为0.914 6和0.881 8；同时利用iVISSA-IRIV筛选出29个特征波长，建立的羊肉GSH-MLR模型的R_c和R_p最优，分别为0.844 6和0.870 5。最终经光谱特征信息和图谱信息融合模型对比发现，建立iVISSA-IRIV-LS-SVM模型对羊肉可溶性蛋白预测效果最佳，其R_c和R_p分别为0.914 6和0.881 8；利用SNV-iVISSA-IRIV法提取的光谱特征信息与纹理信息融合建立的MLR模型为预测羊肉GSH含量的最优模型，其R_c和R_p分别为0.849 5和0.890 4。利用最优iVISSA-IRIV-LS-SVM和iVISSA-IRIV-MLR模型和成像处理方法，结合伪色彩图像直观的表示羊肉样本的可溶性蛋白和GSH含量的空间分布情况。研究结果表明利用高光谱图像的光谱和纹理信息能够用来预测羊肉可溶性蛋白和GSH含量。     

基于激光诱导击穿光谱技术的咖啡豆中咖啡因含量快速检测方法

应用激光诱导击穿光谱(LIBS)技术研究了快速检测咖啡豆中咖啡因含量的可行性。将咖啡豆磨粉压成片状作为采集LIBS光谱数据的样本,应用原子吸收分光光度计测量每个样本中咖啡因的含量。应用基线校正,小波变换和归一化等数据预处理方法;针对基于全部变量的偏最小二乘(PLS)模型会出现过拟合,分别应用回归系数和主成分分析(PCA)选择特征变量,并建立了基于特征变量的PLS和BP神经网络模型。结果表明：基于回归系数所选特征变量的PLS模型中,建模集相关系数R_c=0.96,预测集R_p=0.91;基于PCA提取特征变量的PLS模型中,R_c=0.94,R_p=0.90;基于PCA所选特征变量的BP神经网络模型中,R_c=0.96,R_p=0.96。两种方法所提取特征变量均对应C,H,O,N,Na,Mn,Mg,Ca和Fe,且基于上述两种方法所选特征变量的PLS模型均对预测集样本有较好的预测结果,说明上述元素与咖啡因含量存在联系,应用回归系数和PCA选择的特征变量是有效的,但是咖啡豆内C,H,O,N,Na,Mn,Mg,Ca,Fe与咖啡因含量的确切关系需要进一步研究。基于PCA所选特征变量的BP神经网络模型有更优的预测结果,说明所选特征变量适用于不同的建模方法。研究表明LIBS技术结合化学计量学方法可以实现咖啡豆中咖啡因含量的快速检测。     

不同颜色冬枣可溶性固形物可见-近红外光谱分析模型构建

冬枣品质受其品种和生长环境等因素的影响,引起采后化转红指数不同,导致果实的颜色差异较大,从而影响其可溶性固形物（SSC）检测模型的分析精度。采用可见-近红外（Vis-NIR）光谱结合Norris-Williams平滑（NWS）、连续小波导数（CWD）、多元散射校正（MSC）、标准正态变量变换（SNV）和NWS-MSC五种光谱预处理方法构建不同颜色（红绿相间MJ,绿色GJ和红色RJ）冬枣SSC的偏最小二乘（PLS）定量分析模型,分别采用MJ,GJ,RJ,MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型,并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价;以不同建模样品集（校正集）的校正相关系数（R_c）和交互验证均方根误差（RMSECV）作为构建最优模型的评价指标;测试集的预测相关系数（R_p）和预测均方根误差（RMSEP）用于模型预测精度的评价。研究结果表明：分别采用MJ,GJ和RJ的独立样品集进行建模时,模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测;分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时,MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果,其RMSECV,R_c,RMSEP,R_p分别为1.108,0.698,0.980,0.724和1.108,0.698,0.983,0.822,而对RJ样品的预测误差较大,模型的RMSECV,R_c,RMSEP,R_p为1.108,0.698,1.928,0.597;而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果：MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.077,0.668;对GJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,0.881,0.861;对RJ样品的SSC模型的RMSECV,R_c,RMSEP,R_p为1.158,0.796,1.140,0.841;采用蒙特卡罗无信息变量消除（MCUVE）方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后,模型的R_c和R_p分别由原来的0.796和0.864提高到0.884和0.922,模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721,模型具有较好的分析精度。采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时,当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时,模型具有更好的通用性。     

Lasso算法的油砂钠元素近红外建模

以油砂中钠元素为研究对象,首次应用近红外光谱,结合Lasso(least absolute shrinkage and selection operator)建模方法,建立了油砂金属钠含量的近红外光谱定量校正模型,并与传统的PLS建模方法进行比较。结果表明,两种方法建立的油砂金属钠含量校正模型都具有很高的精度,预测性能方面略有差异。在实验验证集与预测集中,PLS与Lasso算法的相关系数分别是：R_v=0.878 8,R_p=0.857 9和R_v=0.887 4,R_p=0.860 0。实验验证了使用近红外光谱快速测定油砂金属钠含量的有效性,并分析了PLS与Lasso算法的适用范围。     

基于XRF-CNN土壤重金属Zn元素含量预测模型研究

结合X射线荧光光谱法,针对土壤中重金属元素Zn含量的预测问题,提出基于深度卷积神经网络回归预测模型。对原始土壤进行相关预处理,用粉末压片法制作土壤压片,采用X射线荧光光谱法(X-Ray-fluorescence,XRF)获取土壤光谱,相比于传统检测方式,XRF法具有检测速度快、精度高、操作简单、不破坏样品属性并且可实现多种重金属元素同时检测等优点,故将XRF与深度卷积神经网络相结合,实现对土壤中重金属Zn元素含量的精确预测。采用箱型图来剔除X射线荧光光谱中的异常数据,采用熵权法结合多元散射校正来对样品盒数据进行校正,采用Savitzky-Golay平滑去噪法以及线性本底法对光谱数据进行预处理,可以有效地解决由外界环境和人为因素产生的噪声及基线漂移等问题。针对卷积神经网络结构的特殊性,将获取的一维光谱数据向量,采用构建光谱数据矩阵的方式来进行处理,将同一浓度、同一含水率下5组平行光谱数据向量转化为二维光谱信息矩阵,以该矩阵作为深度卷积神经网络预测模型的输入,以适应卷积层的操作要求,利用深度卷积神经网络特殊的结构模式,能有效提取土壤光谱数据特征,提高了深度卷积神经网络预测模型的学习能力,降低模型的训练难度。深度卷积神经网络预测模型采用3层卷积层搭建,使用ReLU激活函数激活,采用最大池化方式,减少数据的维度,增加Dropout层,防止过拟合,使用ADAM优化器对预测模型进行优化。实验以平均相对误差(mean relative error, MRE)、损失函数(LOSS)、平均绝对误差(mean absolute error, MAE)确定了模型的最优学习率为10-3以及最优迭代次数为3000,并将深度卷积神经网络预测模型与BP预测模型、ELM预测模型、PLS预测模型进行对比,以均方误差(mean square error, MSE)、均方根误差(root mean square error, RMSE)、以及拟合系数R2来分析比较预测模型的好坏,结果表明,基于深度卷积神经网络预测模型在对土壤中重金属Zn元素含量预测方面优于BP,ELM,PLS三种预测模型,提高了预测精度。     

基于红外热成像技术和广义回归神经网络的稻种发芽率检测方法研究

基于稻种老化时间不同时的物理学和生理学差异,提出一种基于红外热成像技术及广义回归神经网络的快速、无损检测稻种发芽率的检测方法,解决传统稻种发芽率检测方法操作复杂、实验周期长等问题。在温度为45 ℃、湿度为90%的条件下,将水稻种子依次老化0,1,2,3,4,5,6和7 d,得到不同发芽率的种子;采集稻种红外热图像,然后提取稻种胚芽部位数据,总计144份,随机分为校正集和预测集,其中校正集96份,预测集48份;分析和比较不同老化天数稻种红外热差异,从物理学和生理学方面揭示稻种发芽率与红外热图像间的关系,结合偏最小二乘算法(partial least squares, PLS)、BP(back propagation, BP)人工神经网络和广义回归神经网络(general regression neural network, GRNN),建立稻种发芽率的红外热模型。结果表明,利用GRNN建立的发芽率预测模型效果最优,其中校正集的R_C(相关系数)和SEC(标准偏差)分别为0.932 0和2.056 0,预测集R_P(相关系数)和SEP(标准偏差)分别为0.900 3和4.101 2,相关性均达到较高水平且校正集与预测集的标准偏差均较小。实验结果表明,采用红外热成像技术结合广义回归神经网络研究稻种发芽率是可行的,且所建模型在稻种发芽率快速测定方面有较高的精度。     

小米米粉碱消值的高光谱快速预测

小米米粉的主要成分是淀粉,其食味品质决定小米米粉的市场价值。糊化特性是小米米粉的重要物理特性,而碱消值是能够直接反应其糊化特性的主要特征指标。通过小米米粉碱消值的差异,可以间接反映直链淀粉含量,当碱消值降低时,相反,糊化温度和直链淀粉含量却很高,而小米米粉口感粘糯性越差。采用高光谱技术结合化学计量学方法,建立快速检测小米米粉碱消值预测模型,旨在探索一种快速、无损、低成本预测小米米粉碱消值的方法。实验采集小米米粉高光谱数据,在被测样品感兴趣区域(ROI)按像素点逐一选择,提取高光谱数据矩阵,并进行均值运算,得到每个样品在各个光谱波段的平均光谱值。利用粘度测定仪(RVA)测定小米米粉碱消值指标。光谱数据采用全波段、竞争性自适应重加权采样法(CARS)及随机蛙跳(RF)法选择特征波段处理,建立偏最小二乘回归(PLSR)模型;全波段建立预测模型R_p值最高为0.77,说明能够利用小米米粉高光谱反射率反演小米米粉的碱消值,而采用其他两种计算方法所得R_p值分别为0.72和0.7,与前者较为接近,也反映了采用CARS和RF建立的回归模型具有可行性。为提高预测精度,采用Savitzky-Golay(S-G)法、多元散射校正(MSC)和S-G+MSC对数据预处理。可以看出采用MSC预处理光谱数据建立PLSR模型性能较好(R_p=0.83)。对MSC预处理后的数据再次CARS和RF法选择特征波段,建立PLSR模型,与未进行预处理的回归模型相比,R_p值变化不大,这也说明CARS和RF具有一定的稳定性,可以作为小米米粉高光谱反射率预测碱消值的参考方法。结果表明：为实现对小米米粉碱消值的快速、无损检测,通过运用高光谱技术能够利用小米米粉高光谱反射率预测碱消值,进而为小米米粉品质评级、加工及碱消值传感器的开发提供参考依据和数据支撑。     

连续偏振光谱的稻种发芽率检测方法研究

针对目前传统稻种发芽率检测方法周期长、精度低的问题,提出新颖的基于连续偏振光谱技术实现稻种发芽率快速、无损检测的方法。以不同老化天数稻种为检测目标,10 min为检测时间点,使用起偏器将光纤准直光源调制成线偏振光垂直入射稻种浸出液,而后以5°为间隔旋转检偏器,并通过光纤光谱仪检测透射的光谱,对检测的偏振光谱通过归一化预处理后,根据不同发芽率稻种检测时偏振角及波长的贡献给出特征偏振角和特征波长,特征偏振角为0°,5°和25°,特征波长为576,620和788 nm,将获取的连续偏振光谱以特征偏振角和特征波长处的透射率为输入,构建稻种发芽率检测模型。分别比较运用偏最小二乘法回归(partial least squares regression,PLSR)、BP神经网络(back propagation neural network,BPNN)、径向基神经网络(radial basis function neural network,RBFNN)三种建模方法建立稻种发芽率检测模型。分别用老化天数为0,2,4,6 d的稻种,在不同的偏振角共测量1 520组实验数据,其中912组数据作为校正集,608组数据作为预测集,建模结果表明三种模型预测精度较高,其中RBFNN模型预测精度最高,其相关系数r为0.976,均方误差RMSE为0.785,平均相对误差MRE为0.85%。表明利用连续偏振光谱技术通过多维度光谱信息能够有效实现稻种发芽率的快速、准确检测。     

FTIR光谱结合曲线拟合研究萌发水稻种子

种子的萌发是种子生命历程中的主要组成部分之一,了解种子萌发过程中经历的生理生化变化,准确确定种子的活力,对农业生产很重要,因而,研究种子萌发有重要意义。采用傅里叶变换红外光谱结合曲线拟合研究不同萌发程度的水稻种子,以探寻种子贮藏物质动员情况,对不同萌发时间的水稻种子进行傅里叶变换红外光谱、二阶导数光谱、二维相关红外光谱和曲线拟合研究。结果显示,原始红外光谱整体相似,光谱反映出水稻种子的主要贮藏物质为淀粉、蛋白质和脂肪;吸收峰强度比A_{1 659}/A_{1 019},A_{1 740}/A_{1 019},A_{1 157}/A_{1 019},A_{1 157}/A_{1 081}随萌发时间的增加而降低。814～1 000和1 028～1 340 cm-1范围内的二维相关红外光谱结果显示自动峰个数和最强自动峰的位置、强度随种子萌发时间的增加而变化,表明种子在萌发过程中糖类和蛋白质发生变化。二阶导数光谱在1 200～950 cm-1范围内出现七个峰,其中988 cm-1处的峰随萌发时间的增加向较高波数蓝移,而1 053和1 158 cm-1处的峰向较低波数红移,表明水稻种子在萌发过程中多糖的结构和含量可能发生了变化;在1 700～1 600 cm-1范围内出现九个峰,其中1 641和1 692 cm-1处的峰呈现随萌发时间的增加红移到较低波数的趋势,表明水稻种子在萌发过程中蛋白质的结构和含量可能发生了变化;在1 800～1 700 cm-1范围二阶导数光谱仅观察到1 712和1 744 cm-1处的两个峰,其中1 744 cm-1由脂类物质C═O伸缩振动引起,为脂肪的特征峰。为进一步研究水稻种子萌发过程中贮藏物质的具体变化,以二阶导数光谱确定的子峰位置和数目为依据,对原始红外光谱的1 200～950与1 800～1 600 cm-1区域进行曲线拟合分析。曲线拟合结果显示,随萌发时间的增加,多糖和蛋白质的相对含量总体上呈现下降趋势,脂肪的相对含量先降后升。研究表明,傅里叶变换红外光谱结合曲线拟合可作为研究种子萌发的有效手段。     

基于近红外光谱分析的高丹草种子发芽率检测研究

高丹草中粗蛋白质以及碳水化合物的含量丰富,适合青贮处理.优质的高丹草种子是发展畜牧业十分重要的前提,发芽率是检验种子质量最常规的指标之一,播前种子发芽率检测与筛选十分必要.现阶段采用发芽试验法进行种子发芽率的检测,周期长、成本高.基于此,提出利用近红外光谱对高丹草种子进行发芽率的快速、无损检测.选择适量的高丹草种子样品...     

近红外光谱Elastic Net建模方法与应用

当近红外光谱信息远大于样本量时，对光谱信息进行自动变量选择进而建立光谱与样品含量的稀疏线性模型重要且具有挑战性。利用近红外光谱，将变量选择方法Elastic Net用于聚苯醚生产过程中微量成分邻甲酚的测量，建立近红外光谱与邻甲酚含量之间的定量校正模型，并将其模型预测效果与Lasso方法进行对比。在变量数目远远大于样本量的情形下，Lasso方法虽可实现变量选择，但由于对系数的过度压缩，使得模型的预测精度受到影响，而Elastic Net通过增加L2惩罚项避免了过多删失数据，可以提高模型预测精度。为了验证Elastic Net方法的模型性能指标，用复相关系数R2和调整的复相关系数R2_a来评价模型的可解释性，利用平均相对预测误差MRPE(mean relative prediction error)和预测相关系数Rp来评价模型的预测精度。Lasso方法建立的模型性能指标为：R2=0.94，R2_a=0.93，MRPE=4.51％，R_p=0.96；Elastic Net方法的性能指标为：R2=0.97，R2_a=1，MRPE=3.25％，R_p=0.98。结果表明，Elastic Net所建立模型的性能指标优于Lasso方法，可以得到可解释性较强和预测精度较高的稀疏线性模型。     

基于退化数据和DBN算法的IGBT健康参数预测方法

绝缘栅双极型晶体管(IGBT)等电子元器件被广泛用于运输和能源部门,其健康状态对于设备安全和有效至关重要;在对IGBT的结构和损伤机制分析基础上,结合NASA艾姆斯中心开展的IGBT加速退化试验,选择集电极-发射极关断峰值电压作为失效特征参数,提出了一种基于深度信念网络的预测模型对其进行分析和预测;以Levenberg-Marquardt(LM)算法模型作为对比,实验结果显示文章提出的三隐藏层DBN模型相比于LM模型有更好的预测性能和更高的预测精度。     

基于Adaptive Elastic Net方法的近红外光谱建模技术

当近红外光谱信息远远大于样本量时,对光谱信息进行自动变量选择进而建立光谱与微量成分含量之间的稀疏线性模型重要且具有挑战性。针对聚苯醚生产过程中微量成分邻甲酚难以测量的问题,将变量选择方法Adaptive Elastic Net用于建立近红外光谱与邻甲酚含量之间的定量校正模型,并将其模型性能与ElasticNet方法进行对比。在变量数目远远大于样本量的情形下,ElasticNet方法虽可以实现变量选择,但由于其系数估计不具备Oracle性质,使得模型的可解释性和预测精度受到影响,而Adaptive Elastic Net方法通过对L1惩罚项施加自适应权重从而很好的解决了上述问题并提高了模型性能。为了验证Adaptive Elastic Net方法的模型性能指标,用最终被选中的自变量数目来评价模型复杂度;利用复相关系数R2来评价模型的可解释性,利用平均相对预测误差MRPE(mean relative prediction error)和预测相关系数R_p来评价模型的预测精度。Elastic Net方法建立的模型性能指标为：NSIV=529,R2=0.96, MRPE=3.22％, R_p=0.97; Adaptive Elastic Net方法的性能指标为：NSIV=139, R2=0.99, MRPE=2.00％, R_p=0.99。结果表明：Adaptive Elastic Net所建立模型的性能指标优于Elastic Net方法,可以得到更加简单且具有较强可解释性和较高预测精度的稀疏线性模型。     

高光谱成像技术的三文鱼多品质指标的预测与分布可视化研究

采用颜色、剪切力和K值评价冰鲜与冻融三文鱼的品质,利用高光谱成像技术结合化学计量学方法对三个品质指标进行预测,并讨论了不同波长选择算法所建模型的预测效果。准备不同冻融次数三文鱼样本,进行高光谱数据采集和品质指标真实值的测定。采用六种预处理方法减少光谱数据中暗电流以及噪声的干扰,采用竞争性自适应重加权算法（CARS）、区间变量迭代空间收缩法(iVISSA), iVISSA-CARS筛选出与待测指标相关的变量,通过比较三种波长选择算法筛选的特征变量所建偏最小二乘(PLS)模型的预测结果,优选出三个品质指标最佳的变量选择方法。结果表明1st Der-CARS-PLS模型对颜色中的a*预测效果最好,筛选出的51个变量建立模型的R_c和R_p分别为0.931 6和0.929 7,RMSECV和RMSEP分别为0.716和0.735;2nd Der-CARS-PLS模型对剪切力的预测效果最好,筛选出的61个特征变量建立模型的R_c和R_p分别为0.892 1和0.887 3,RMSECV和RMSEP分别为0.67 N和0.80 N;模型N-CARS-PLS取得了K值最好的预测效果,筛选出的51个特征变量所建模型的R_c,R_p,RMSECV和RMSEP分别为0.951 4, 0.950 0, 1.33, 1.53。说明CARS变量筛选方法能够有效提取与特征指标相关的变量,提高模型的预测性能。除此之外,特征变量筛选联合算法iVISSA-CARS-PLS对三个指标的预测也取得了较好的结果,对三个指标测试集的R_p分别为CARS-PLS预测模型的97.48%,97.02%,98.98%,而所用变量数仅为CARS-PLS的60.78%,62.29%,60.78%,说明变量筛选组合算法极大的减少了建立模型所用的数据量。三个指标的CARS-PLS以及iVISSA-CARS-PLS模型取得的预测效果均高于iVISSA-PLS,说明对于三文鱼三个品质指标的预测,CARS波长点筛选策略优于iVISSA波段选择策略。将优选出来的PLS模型分别用于构建三个品质指标的可视化分布图,清楚的展示了不同冻融次数三个品质指标的大小以及空间分布。因此,高光谱成像技术结合化学计量学方法可以较好的表征三文鱼的品质指标,为三文鱼多品质指标的同时快速检测提供了部分理论参考。