生鲜猪肉细菌总数的高光谱特征参数研究

目的 通过对高光谱数据进行洛伦兹拟合参数的分析, 讨论高光谱技术对生鲜猪肉细菌总数预测的可行性。方法 63个猪肉样品贮存于4 ℃冰箱中, 每天随机取出4块样品, 在400~1100 nm波长范围内获取猪肉表面的高光谱散射图像, 从高光谱图像中提取猪肉的反射光谱曲线, 利用洛伦兹函数进行拟合, 然后用单参数和不同参数结合的方法建立多元线性回归模型。结果 多参数结合的方法比单个参数建立的模型更好, 最好的模型结果是三个参数结合建立模型, 校正集相关系数为0.96, 标准差为0.42; 预测集相关系数为0.89, 标准差为0.46。结论 利用高光谱成像技术结合洛伦兹函数对快速检测猪肉细菌总数具有一定的可行性。     

高光谱成像检测煎制中调理牛肉品质的变化

将牛肉混合调料后煎制到不同熟度,制成调理肉,研究调理牛肉加工中水分、色泽、嫩度等理化品质及370～1 023nm波段内的光谱特征变化,并构建品质的可视化检测模型。结果表明,牛肉煎制中含水率下降,剪切力上升,且变化显著(P0.05)。由于调料混合以及煎炸加工的不均匀性,调理肉表面色泽与可见光区间光谱变化不规律,而在近红外光谱(800～1 023nm)反射值随熟度显著增高。基于100块牛肉数据,采用主成分分析(PCA)降维高光谱数据,支持向量机(SVM)建模并用粒子群(PSO)优化参数,预测调理牛肉水分和剪切力R~2分别为0.908,0.763,RMSEP分别为1.096,2.097。证实高光谱技术具备对混有各种调料的复杂食品的检测能力。     

基于高光谱成像技术预测牡蛎干制加工过程中的水分含量

提出一种应用高光谱成像技术结合化学计量学检测牡蛎干制加工过程中水分含量的方法。采用高光谱成像系统,在400～1 100 nm范围内,采集到5个干燥时期的100个牡蛎干样本高光谱图像。提取所有样本感兴趣区域的平均光谱数据,对原始光谱数据进行多元散射校正(MSC)、卷积平滑(S-G)预处理,采用相关系数法提取8个特征波长。基于所提取的特征波长,建立光谱数据与水分含量的多元线形回归(MLR)和BP神经网络模型。结果表明:两种模型均有较好的预测效果。MLR模型的校正集、预测集和交叉验证集的相关系数较BP神经网络低;校正集、预测集和交叉验证集均方根误差分析结果表明,BP神经网络效果较MLR好。高光谱成像技术结合化学计量学方法可检测牡蛎干制过程中水分含量的变化。     

用光谱成像技术与分光光度法测量织物颜色的比较分析

针对分光光度法与光谱成像技术测量相同织物颜色结果存在差异的问题,选用Datacolor 600型分光光度计、Datacolor Spectravision多光谱成像系统和HIS高光谱成像系统,分别对同一套单色全棉针织物进行测量,探讨了3种仪器测得的颜色参数和光谱反射率差异的原因及规律。通过计算不同仪器间的色差和指数光谱相似性,采用皮尔逊相关系数进行数据分析。研究结果表明,HIS高光谱成像系统重复性好,重复测量的平均色差为0.154;3种仪器测得的光谱反射率具有强相似性;相较于Spectravision多光谱成像系统,HIS高光谱成像系统的颜色结果更接近于分光光度计;Spectravision多光谱成像系统的有效像元尺寸更小,织物纹理对颜色结果影响较大,Spectravision多光谱成像系统测量的明度偏低;HIS高光谱成像系统的有效像元大小与相机工作距离成正比,适用范围更广。     

基于阈值选取高光谱感兴趣区域的牛肉掺假检测

目的建立一种通过阈值选取高光谱图感兴趣区域建立模型从而提高快速检测牛肉掺假猪肉水平的方法。方法以2%为间隔,掺假比例为2%～50%(w/w),配制掺入猪肉糜的掺假牛肉样本并采集高光谱反射数据,根据某波长处光谱数据频率曲线设定阈值提取高光谱感兴趣区域,同时以直径为150个像素的圆形区域提取光谱作为对比。采用浓度梯度法、Kennard-Stone法、光谱-理化值共生距离法(sample set partitioning based on joint x-y distance,SPXY)、极大线性无关法将样本划分为校正集和预测集,借助多元散射校正结合平滑预处理后采用偏最小二乘法建立掺假预测模型进行比较分析。结果通过设定阈值提取感兴趣区域建立的模型比圆形区域提取所建模型更加稳定、精准,其中SPXY法划分样本所建立的模型预测效果最好,校正相关系数r_c~2为0.9733,验证集相关系数r_p~2为0.9515。结论基于高光谱技术通过设定阈值提取特征光谱并结合化学计量学可提高预测牛肉掺假的能力。     

红葡萄酒中白藜芦醇含量的高光谱快速检测算法优化

将高光谱技术与流化床富集技术相结合,用大孔吸附树脂对干红葡萄酒中的微量白藜芦醇吸附后,采集光谱图像,通过比对多种预处理方法对建模效果的影响进而优选算法。结果表明,采用霍特林T2统计检测方法剔除异常样本,KS算法划分白藜芦醇含量样本集,标准正态变换法预处理光谱数据,建立的标准正态变换-偏最小二乘回归模型预测效果最优,其校正相关系数Rc2为0.813 8,校正均方根误差为0.047 7,预测相关系数Rp2为0.782 4,预测均方根误差为0.050 2,为白藜芦醇的高光谱痕量检测提供理论参考。     

多毛刺小样本高光谱数据下鹰嘴蜜桃含水率的预估

目的：提出并解决鹰嘴蜜桃高光谱测量数据多毛刺和小样本问题。方法：基于高光谱成像技术，使用图像处理方法识别高光谱图像中鹰嘴蜜桃所在区域，计算该区域内的光谱图像从而得到平均光谱反射率数据，形成高光谱曲线图像。对于存在抖动和毛刺的高光谱图像数据，比较多项式平滑算法（SG）、多元散射矫正算法（MSC）、标准正态变量算法（SNV）、一阶导数算子（D1）、二阶导数算子（D2）等数据预处理方法对模型预测精度的影响；针对数据维度高且样本量少的特点，使用主成分分析算法（PCA）对数据进行降维，再对降维后的数据应用马氏距离测度方法（MD）进行异常值剔除；最终利用Kennard-Stone算法（KS）划分出训练集和测试集，并选取小样本场景下表现较好的偏最小二乘回归（PLSR）模型对鹰嘴蜜桃的含水率进行估计和分析。结果：SG-PCA-MD-KS-PLSR模型在高光谱曲线存在抖动和毛刺情况时对鹰嘴蜜桃含水率估计的效果最好，训练集下决定系数（R²）达到0.928，均方根误差（RMSE）为0.008 4，测试集下R²达到0.926，RMSE为0.009 2。在进一步对鹰嘴蜜桃以含水率为指标进行分级试验时，该模型的预测结果可以较好地对鹰嘴蜜桃含水状况进行分级，训练集下分级正确率为0.956，测试集下分级正确率为0.923。结论：利用高光谱成像技术建立SG-PCA-MD-KS-PLSR模型，在高光谱样本数较小且存在毛刺的情况下，仍能对鹰嘴蜜桃含水率进行无损估计。     

基于深度学习和蛋白质语言模型的抗菌肽预测模型研究

针对目前已有抗菌肽(Antimicrobial Peptides, AMPs)预测模型的准确度(ACC)仍有待提高的问题,提出一种新的基于深度学习和蛋白质语言模型的抗菌肽预测模型DeepGlap,该模型分别采用两个蛋白质语言模型对抗菌肽序列进行特征提取,将提取的特征向量融合后输入由多层双向长短记忆网络(mBi-LSTM)、一维卷积神经网络(1D-CNN)和注意力机制组成的深度学习网络中,并进行性能评估与优化。结果表明：该模型的ACC、皮尔逊相关系数(MCC)和曲线下的面积(AUC)分别为0.739、0.489和0.81,优于已有抗菌肽预测模型的预测效果。     

基于近红外透射光谱及多种数据降维方法的红富士苹果产地溯源

为了探寻苹果产地溯源新方法,本文以新疆阿克苏、陕西洛川、山东烟台三个不同产地600个红富士苹果样本为试材分别采集其590～1250nm的近红外透射光谱图,将经过光谱校正后的光谱数据做归一化(Normalization)、多元散射校正(Multivariate Scattering Correction,MSC)等8种光谱预处理,对经过预处理后的光谱数据建立全波长分类模型发现二阶求导为最优预处理方法;然后再将经过二阶求导预处理的光谱数据结合以欧几里得距离(Euclidean)、相关距离(correlation)、余弦相似度(cosine)、城市街区距离(cityblock)作为距离度量的K最近邻法建模,发现K最近邻法(correlation)为最优分类识别方法;随后再分别用高斯过程隐变量模型(Gaussian Process Latent Variable Model,GPLVM)、线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)、等12种数据降维方法对经二阶求导预处理后的光谱做降维处理,并结合K最近邻法(correlation)鉴别苹果产地。结果表明,提取前9个主成分,采用二阶求导-扩散映射-K最近邻法(correlation)模型识别效果最优,建模集和预测集的分类识别率分别为97.30%与92.30%。故,深度学习数据降维方法结合近红外透射光谱技术可成功、有效地实现苹果产地溯源。     

基于高光谱的单粒小麦籽水分分布预测

为预测单粒小麦籽的含水量,将小麦籽分成折痕向上(记为A面)和折痕向下(记为B面)进行高光谱扫描,建立4种预测模型,记为MA、MB、MC和MD。其中,模型MA与MB分别由A与B面单粒小麦籽的光谱构成,模型MC由A与B面的平均光谱构成,模型MD由A与B面的光谱混合而成。利用偏最小二乘回归法对这4种模型进行比较,结果表明:模型MD具有最佳预测效果,对于模型MD,经过1阶微分和标准正态变换预处理后,其预测集的均方根误差为1.36%,相关系数为0.90。同时利用高光谱成像技术还可以获得整盘单粒小麦籽的水分分布图,分布图能定位水分不正常的粒籽,为研究自动剔除水分异常的单粒小麦籽提供参考。     

融合高光谱和图像深度特征的腊肉分类与检索算法研究

本文以腊肉为实验对象,建立一种融合光谱曲线特征和图像特征的肉类食品分类与检索方法,利用10个3×3的卷积层、3个5×5的卷积层、5个5×5的池化层和2个全连层的CNN模型对高光谱图像进行特征提取,并以交叉熵作为优化目标,同时利用多元散射校正和主成分分析方法(Principal Component Analysis,PCA)对光谱特征进行预处理和特征提取,然后将两种特征进行融合,并将融合特征利用支持向量机(Support Vector Machine,SVM)进行分类。结果表明,直接使用CNN训练好的模型对高光谱图像进行特征提取,利用SVM作为分类器,分类的准确率只有75.6%,融合光谱曲线特征后用SVM进行分类,准确率可达99.2%。此外,本文还计算了被检索样本和标准等级样本特征向量的欧氏距离,完成了腊肉新鲜度等级的检索任务,显示了该方法的可行性和有效性。     

仿植被可见光-近红外反射光谱特征的分散染料印花织物制备及其性能

针对传统仿植被印染伪装织物易出现“同色异谱”现象、印染工序复杂的问题,通过分散染料直接印花方法制备了可精确模拟常见绿色植被可见光-近红外(Vis-NIR)反射光谱特征的印花织物。研究了染料种类及含量、染料复配种类及比例、织物规格及含水量对涤纶印花织物Vis-NIR反射光谱特征的影响。通过计算印花织物与叶片反射光谱间的欧氏距离、光谱角和光谱相关系数,分析其仿植被Vis-NIR伪装性能,并测试其色牢度性能。结果表明：以240 g/m²机织本白涤纶织物为基布,分散蓝NP-SBG、分散橙30、分散深蓝HGL复配质量比为2.5：2.0：1.1,含水量为120.9%时制备的印花织物,其光谱反射率曲线与绿色植被Vis-NIR反射光谱相似,与万年青叶片光谱曲线的欧氏距离为0.346,光谱角在400～780 nm波段为0.169°、在780～1 350 nm波段为0.009°、在1 450～1 780 nm波段为0.094°、在2 000～2 350 nm波段为0.107°,光谱相关系数为0.997,达到一级高光谱伪装要求;同时该印花织物的褪色牢度、沾色牢度、耐干摩擦色牢度、耐湿摩...     

麻雀搜索算法优化BP算法结合高光谱预测小米米粉糊化特性

为了实现小米米粉糊化特征指标的批量、快速检测,探索计算机深度学习结合高光谱成像技术在小米米粉糊化特征指标预测方面的应用方法,本研究运用高光谱数据提取、预处理分步运算程序获得小米米粉平均光谱数据,并以该数据矩阵为基础,运用麻雀搜索算法（sparrow search algorithm,SSA）优化误差反向传播（error back propagation,BP）算法进行待测样品糊化特征指标回归、预测。结果表明,光谱数据预处理程序能够标准化并简化光谱数据提取、预处理过程,该程序在粉末及小颗粒样本光谱数据的提取、预处理过程中具有普遍适用性;运用BP算法及SSA优化BP算法对小米米粉糊化各特征指标进行预测,从预测值与测试值间均方误差（mean squared error,MSE）可以看出,各指标MSE均下降,以峰值黏度（peak viscosity,PV）为例,其MSE从0.026 6降为0.017 5,可知运用SSA优化BP算法能够提高小米米粉糊化特征指标预测精度,降低MSE。本研究结论可以为高光谱成像结合计算机深度学习在小米米粉糊化特性预测方面应用提供理论支撑。     

基于无人机高光谱的烟田涝灾早期识别

[目的]为准确、及时估算烟田涝灾损失程度.[方法]以搭载高光谱成像仪的无人机采集强降水后的烟田高光谱遥感影像,对影像进行图像分割、几何校正、辐射校正、地表反射率反演等处理,根据烟株倒伏程度将烟田分为受灾烟田、正常烟田和土壤3个类别,并构建兴趣区(region of interests,ROI),采用光谱角匹配算法对涝灾...     

应用二次发酵技术提高浓香型大曲酒质量

“二次发酵”技术是利用酒醅发酵产酒结束后的产香阶段,人为添加大曲粉、黄水、酒等物质,强化容内涵酷的产香,使酒质更香、更甜、更浓稠的一种工艺技术。应用“二次发酵”技术可提高酒中微量成分含量;酒中已酸乙酯最高达660mg/100ml(已酸乙酯可提高10mg/100ml）,已乳比协调,平均低于1:0.4。应注意：（1）必须选择发酵正常的池口;（2）黄水、酒和曲粉的用量及其三者的比例。     

皮蛋凝胶品质含水率和弹性的高光谱预测及其可视化

采用高光谱成像技术对出缸期皮蛋凝胶品质的含水率和弹性进行可视化检测与不同品质预测.首先,采集合格、优质皮蛋的高光谱信息,对比测定其含水率和弹性,对皮蛋原始光谱数据进行卷积平滑、一阶导数、卷积平滑和一阶导数变换,分析不同预处理光谱数据与含水率和弹性数值的相关性;采用蒙特卡罗偏最小二乘法分析并剔除异常值,利用光谱-理化值共...     

Identification of <Emphasis Type="Italic">Staphylococcus</Emphasis> species with hyperspectral microscope imaging and classification algorithms

Hyperspectral microscope imaging method was presented as a rapid and efficient tool to classify gram-positive bacteria species. The datacube (1024 × 1024 × 89) were obtained by hyperspectral microscope imaging system, which provided cell images between 450 and 800 nm wavelengths with 4-nm resolution, resulting in 89 contiguous spectral images that were acquired with an acousto-optic tunable filters (AOTF) hyperspectral imaging platform. Spectral information of bacteria were extracted from region-of-interest (ROI) in the cell, which were approximately between 140 and 380 pixels depending on the size of the cells. Using a Mahalanobis distance algorithm, the outliers beyond 99 % confidence of data were eliminated and classified five species with classification methods including partial least square discriminant analysis (PLS-DA) and support vector machine (SVM) for linear and non-linear classification algorithms to differentiate Staphylococcus species. PLS-DA classified five species with 89.8 % accuracy and 0.87 kappa coefficient; whereas, SVM had much higher classification accuracy of 97.8 % with 0.97 kappa coefficient. To reduce the number of wavelengths for fast data processing, thirty-one spectral bands out of 89 contiguous bands were selected using the correlation of each band. When SVM classification method with selected bands were used, the classification accuracy and kappa coefficient were 93.9 % and 0.92, respectively.