利用特征波段提取及结合机器学习对小米淀粉的高光谱检测研究

运用高光谱检测技术实现小米淀粉的快速检测在小米定级、定价及降低加工成本中具有重要意义。本研究基于高光谱检测技术,采用化学计量学及机器学习相关知识对小米直链、支链淀粉含量进行检测,并提出特征波段提取联用预处理方法及Logistic结合COOT （coot optimization algorithm）优化算法。结果表明采用特征波段提取联用算法建立的PLSR（partial least squares regression）模型能够在减少波段冗余情况下不影响模型预测精度,其中直链淀粉较好模型为MSC（multiplicative scatter correction）-RF（random frog）-IRIV（iteratively retains informative variables）-PLSR,支链淀粉较好模型为MSC-CARS（competitive adaptive reweighted sampling）- IRIV-PLSR。为了进一步提高模型预测精度,基于最佳预处理算法结合Logistic-COOT建立BP（back propagation）预测模型能够较好的预测小米直链、支链淀粉的含量,模型评价直链、支链淀粉相关系数 (correlation coefficient, R)、均方根误差(root mean squared error, RMSE)、相对分析误差(relative percent deviation, RPD)分别为0.74,1.19,1.51;0.72,5.25,1.40。这一结论能够为小米其他营养成分的高光谱检测及产品分类、定级等提供理论参考。     

采后猕猴桃可溶性固形物含量的高光谱无损检测

为探讨基于高光谱成像技术无损检测采后猕猴桃可溶性固形物含量（soluble solids content,SSC）的可行性,基于猕猴桃900～1 700 nm波长范围的反射高光谱,建立了预测SSC的偏最小二乘、支持向量机及误差反向传播 （error back propagation,BP）网络模型,并综合比较了分别以全光谱的226 个波长,利用连续投影算法提取的12 个有效波长和采用无信息变量消除法提取的128 个有效波长作为模型的输入变量对各模型预测效果的影响。结果表明,连续投影算法能有效地提取有效波长,其在简化模型方面优势明显;BP网络与连续投影算法相结合具有最好的预测性能（预测相关系数为0.924,预测均方根误差为0.766）。研究表明,高光谱成像技术可无损检测猕猴桃的SSC,该技术将使猕猴桃内部品质的工业化分级成为可能。     

光谱预处理结合模拟退火算法的小麦粉面筋含量检测

为得到可靠的小麦粉中面筋含量定量分析模型,基于光谱预处理及模拟退火算法（simulated annealing algorithm,SAA）对近红外光谱（near infrared spectroscopy,NIR）进行优化处理。偏最小二乘（partial least squares,PLS）回归用于建立预测模型,以决定系数R2、校正均方根误差（root mean square error of calibration,RMSEC）、预测均方根误差（root mean square error of prediction,RMSEP）为指标,对比在不同光谱预处理条件下建立的回归模型与光谱预处理结合模拟退火算法优化处理条件下的回归模型。结果表明光谱预处理结合SAA-PLS模型能够有效提高模型的稳定性和预测能力,将R2从0.763?7提高到0.949?1、RMSEC从1.371?2降低到0.589?8、RMSEP从1.450?2降低到0.534?1。结果说明,光谱预处理结合模拟退火算法对光谱进行优化处理是可行的,模型预测能力和稳定性均优于未处理模型和仅进行光谱预处理的模型。     

基于高光谱成像技术无损检测芒果轻微损伤

目的 使用高光谱成像技术实现对芒果轻微损伤的无损识别。方法 在可见光-近红外波长范围内采集完好芒果和损伤芒果的高光谱图像, 并提取相应的感兴趣区域(regions of interest, ROI)获得样本高光谱数据。经过多种预处理方法比较, 选择光谱预处理方法。使用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)分别对预处理后的光谱提取特征波长, 并分别建立了多元线型回归(multiple linear regression, MLR)模型和偏最小二乘回归(partial least squares regression, PLSR)模型。结果 选择多元散射校正(multiplicative scatter correction, MSC)作为光谱预处理方法。针对芒果轻微损伤识别, CARS-MLR模型识别效果最好, 其校正集相关系数为0.881, 预测集相关系数为0.821, 校正集均方根误差(calibration set root mean square error, RMSEC)为0.146, 预测集均方根误差(prediction set root mean square error, RMSEP)为0.236, 准确率为97.14%。结论 利用高光谱成像技术可以实现对芒果表面轻微损伤进行有效鉴别。     

高光谱结合优化算法的多品种高粱混合的淀粉含量检测

高粱作为一种酿酒原料,其不同混合比例配比的高粱的淀粉含量会影响白酒的品质和产量。因此,准确高效地检测混合高粱中的淀粉含量对获得优质高产的白酒具有重要意义。本文基于可见光高光谱成像技术研究了混合高粱中的淀粉含量的快速检测方法。采用不同预处理方法对高粱样本的光谱数据进行预处理,并建立偏最小二乘法回归（partial least squares regression, PLSR）模型来确定最佳预处理方式。使用主成分分析（principal component analysis,PCA）、PLSR算法分别提取高粱样本的光谱特征。基于全波长和光谱特征分别建立了预测高粱淀粉含量的遗传算法-BP神经网络（genetic algorithm-back propagation neural network, GA-BPNN）和粒子群算法-支持向量机回归(particle swarm optimization -support vector regression, PSO-SVR)模型。对比模型性能发现,采用PCA方法提取的光谱特征建立的GA-BPNN模型最优,其直链淀粉的预测决定系数、预测均方根误差分别为0.992 2、0.041 6,支链淀粉的预测决定系数、预测均方根误差分别为0.151 9,0.933 6。研究结果表明,可见光高光谱成像技术结合优化算法可以快速预测不同混合比例配比下高粱的淀粉含量,为检测高粱的淀粉含量提供了一种新的方法。     

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。     

利用差示扫描量热仪研究小米淀粉及小米粉的糊化特性

采用差示扫描量热仪（differential scanning calorimeter,DSC）研究NaCl添加量、蔗糖添加量及pH值对小米淀粉和小米粉糊化特性的影响,并用SPSS软件进行相关性及显著性分析,将小米淀粉和小米粉的糊化特性进行对比。结果表明：相同测试条件下,小米淀粉的糊化温度（包括糊化起始温度T0、峰值温度Tp、糊化终止温度Tc）比小米粉糊化温度低（2.65±0.87） ℃;糊化热焓值（ΔH）比小米粉高（2.51±0.32） J/g;添加NaCl的小米淀粉及小米粉的糊化温度比添加蔗糖的糊化温度高（4.30±1.24） ℃。酸性条件抑制小米淀粉的糊化作用,碱的存在则促进体系糊化。     

拉曼光谱技术快速检测专用煎炸油极性组分

为能够快速、无损检测专用煎炸油的极性组分含量,采集不同煎炸时间下煎炸油样本的拉曼光谱图。为建立稳定性高、误差小、精度高的模型,研究不同预处理方法对模型效果的影响,建立相应的偏最小二乘回归模型以选择最优的光谱预处理方法。结果表明：标准正态变换处理后的偏最小二乘模型最优,预测均方根误差（root mean square error of prediction,RMSEP）为1.18,决定系数R2为0.940?4。其次,将标准正态变换处理后的光谱数据分别建立误差反向传播（error back propagation,BP）算法和径向基函数算法神经网络模型,通过比较稳定性以及误差大小,得出采集到的拉曼光谱经过标准正态变换处理后采用BP神经网络建立的模型效果最好,RMSEP为0.032?6,R2为0.972。该方法可以用作专用煎炸油极性组分的快速分析。     

不同成熟度猕猴桃糖度紫外/可见光谱检测

猕猴桃糖度是判别其成熟度的关键指标,为构建预测不同成熟度猕猴桃糖度的最优模型。利用紫外/可见（200 nm～1 000 nm）光谱采集系统获取不同成熟期“贵长”猕猴桃的反射光谱,比较3种光谱预处理方法[一阶导数、多元散射校正、标准正态变换（standard normal variation,SNV）]对光谱的预处理效果,应用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）从预处理后的全光谱中选取特征光谱,基于全光谱和特征光谱分别构建预测猕猴桃糖度的误差反向传播（error back propagation,BP）网络模型。结果表明：SNV预处理效果最优,采用CARS从1 024个全波段中选取了29个特征波长,提升了预测模型的检测效率,构建的SNV-CARS-BP模型的预测性能最优,其预测集决定系数RP2=0.901,均方根误差（root mean squares errors for prediction,RMSEP）为0.643%,剩余预测偏差（residual predictive deviation,RPD）为3.217。研究表明,采用紫外/可见光谱技术和BP网络检测猕猴桃糖度是可行的,SNV-CARS-BP模型最优。     

可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法

为探究基于高光谱成像技术预测灵武长枣VC含量的可行性并寻找最佳预测模型。采集100?个长枣样本在波长400～1?000?nm处的高光谱图像,对光谱数据进行预处理;应用遗传算法（genetic algorithm,GA）、连续投影算法（successive projection algorithm,SPA）和竞争性正自适应加权（competitive adaptive reweighted sampling,CARS）算法对原始光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘（partial least squares regression,PLS）和最小二乘支持向量机（least squares support vector machine,LSSVM）VC含量预测模型。结果表明,采用标准正态变换预处理算法效果最优,其PLS模型的交叉验证相关系数为0.839?5,交叉验证均方根误差为16.248?2;利用GA、SPA和CARS从全光谱的125?个波长中分别选取出12、5?个和26?个特征波长;基于CARS建立的PLS模型效果最优,其Rc、Rp、校正均方根误差、预测均方根误差分别为0.896?2、0.889?2、10.746?2%、12.145?3%。研究结果表明基于高光谱成像技术对灵武长枣VC含量的无损检测是可行的。     

基于高光谱技术检测小麦粉灰分含量

目的 基于高光谱技术实现对小麦粉灰分含量的准确检测。方法 利用高光谱成像技术采集小麦粉的光谱数据，建立基于偏最小二乘(partial least squares regression, PLSR)和深度极限学习机(deep extreme learning machines, DELM)的小麦粉灰分含量预测模型；通过分析3种预处理算法和4种波长选择算法，分别选出最佳的预处理与波长选择方法，最后构建基于特征波段光谱信息的预测模型，并对结果进行比较。结果 标准正态变量校正(standard normal variable, SNV)为最佳预处理方法；连续投影算法(successive projections algorithm, SPA)相较于随机森林（random forest, RF）、无信息变量消除(uninformative variable elimination, UVE)和遗传算法(genetic algorithm, GA)选择特征波长的模型更优；DELM模型更适用于灰分含量的检测，最优模型的测试集决定系数Rp2达0.968，均方根误差(root mean square error, RMSEP)达0.024。结论 高光谱成像技术可以快速、精准的无损检测小麦粉灰分含量，该技术可为在线检测小麦粉品质系统的开发提供理论依据。     

分子光谱技术结合深度学习模型识别食用植物油种类

为实现对食用植物油的快速无损识别，采用衰减全反射-傅里叶变换红外光谱获取10种食用植物油样本的340份谱图数据，经过预处理消除光谱数据中的噪声与背景干扰，通过主成分分析降维特征提取3个主成分，在此基础上构建KNN模型与基于SSA算法优化的BP神经网络模型，对植物油种类进行识别并对识别效果进行比较。结果表明：KNN模型的识别准确率可达97.7%;基于SSA算法优化的BP神经网络分类效果最佳，识别准确率达100%,而传统BP神经网络模型识别准确率仅为87.6%。综上，建立的分子光谱技术结合深度学习模型识别食用植物油种类的新方法，实现了对食用植物油种类的准确识别。     

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的 比较反向传播神经网络(backpropagation algorithm neural network, BPNN)模型与偏最小二乘回归(partial least squares regression, PLSR)模型在预测芒果可溶性固形物含量(soluble solids content, SSC)方面的性能评估。方法 使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据建立两种预测模型, 通过采用多元散射校正(multiplicative scatter correction, MSC)进行光谱预处理, 利用遗传算法(genetic algorithm, GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms, IVISSA)和变量组合群体分析算法(variable combination population analysis, VCPA)提取特征波长变量, 通过比较不同特征波长提取方法进一步优化对比预测模型。结果 与PLSR模型相比, BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳, 预测集判定系数 、均方根误差(root mean square error of prediction, RMSEP)、残差预测偏差(residual prediction deviation, RPD)分别为0.8641、0.3924和2.7127。结论 该模型可快速、准确地检测芒果的SSC, 并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC, 为开发在线芒果SSC无损检测系统奠定基础。     

Extraction of Spectral Information from Hyperspectral Data and Application of Hyperspectral Imaging for Food and Agricultural Products

Hyperspectral imaging is built with the aggregation of imaging, spectroscopy and radiometric techniques. This technique observes the sample behaviour when it is exposed to light and interprets the properties of the biological samples. As hyperspectral imaging helps in interpreting the sample at the molecular level, it can distinguish very minute changes in the sample composition from its scatter properties. Hyperspectral data collection depends on several parameters such as electromagnetic spectrum wavelength range, imaging mode and imaging system. Spectral data acquired using a hyperspectral imaging system contain variations due to external factors and imaging components. Moreover, food samples are complex matrices with conditions of surface and internal heterogeneities, which may lead to variations in acquired data. Hence, before extracting information, these variations and noises must be reduced from the data using reference-dependent or reference-independent spectral pre-processing techniques. Using of the entire hyperspectral data for information extraction is tedious and time-consuming. In order to overcome this, exploratory data analysis techniques are used to select crucial wavelengths from the excessive hyperspectral data. Using appropriate chemometric techniques (supervised or unsupervised learning techniques) on this pre-processed hyperspectral data, qualitative or quantitative information from sample can be obtained. Qualitative information for analysing of the chemical composition, detecting of the defects and determining the purity of the food product can be extracted using discriminant analysis techniques. Quantitative information including variation in chemical constituents and contamination levels in food and agricultural sample can be extracted using categorical regression techniques. In combination with appropriate spectra pre-processing and chemometric technique, hyperspectral imaging stands out as an advanced quality evaluation system for food and agricultural products.     

基于MEA-BP神经网络的大米水分含量高光谱技术检测

利用高光谱技术对储藏大米的水分含量进行检测。本实验以120个大米样本为研究对象,采集所有大米样本的高光谱图像,利用多元散射校正的预处理方法对大米样本原始光谱数据进行降噪处理。由于原始高光谱数据量大且冗余性强,故利用逐步线性回归分析方法对预处理后的数据进行特征提取。最后建立BP神经网络的大米水分定量检测模型,由于建模效果没有达到预期目标,因此引入遗传算法(genetic algorithm,GA)和思维进化算法(mind evolutionary algorithm,MEA)优化BP神经网络的权值和阈值。对BP、GA-BP、MEA-BP 3种大米水分预测模型进行比较,3种模型的预测集决定系数都达到0.86以上,其中MEA-BP模型具有最佳的预测效果,预测集决定系数达到0.966 3,且均方根误差为0.81%。     

Nondestructive Freshness Discriminating of Shrimp Using Visible/Near-Infrared Hyperspectral Imaging Technique and Deep Learning Algorithm

In this study, visible and near-infrared hyperspectral imaging (HSI) technique combined with deep learning algorithm was investigated for discriminating the freshness of shrimp during cold storage. Shrimps were labeled into two freshness grades (fresh and stale) according to their total volatile basic nitrogen contents. Spectral features were extracted from the HSI data by stacked auto-encoders (SAEs)-based deep learning algorithm and then used to classify the freshness grade of shrimp by a logistic regression (LR)-based deep learning algorithm. The results demonstrated that the SAEs–LR achieved satisfactory total classification accuracy of 96.55 and 93.97% for freshness grade of shrimp in calibration (116 samples) and prediction (116 samples) sets, respectively. An image processing algorithm was also developed for visualizing the classification map of freshness grade. Results confirmed the possibility of rapid and nondestructive detecting freshness grade of shrimp by the combination of hyperspectral imaging technique and deep learning algorithm. The SAEs–LR method adds a new tool for the multivariate analysis of hyperspectral image for shrimp quality inspections.     

基于分类特征提取和深度学习的牛肉品质识别

目的：降低数据差异性和光谱特征冗余度对牛肉品质识别的影响。方法：提出一种基于分类特征提取和深度学习的牛肉品质识别方法,采用改进的DPeak算法对光谱数据进行自适应聚类分析,实现对数据的差异性分析。定义牛肉光谱特征提取目标函数,采用离散狮群算法进行求解,提取每个分类的最佳光谱特征子集,最大限度降低特征冗余度。运用改进狮群算法(ILSO)对每个分类对应的支持向量机(SVM)模型参数进行优化,提出融合分类特征提取和ILSO优化SVM的牛肉品质识别模型,完成对牛肉品质的分类识别。结果：相比于SSA-SVM、PCA-SVM识别模型,该模型识别精度提高了约12.3%~14.5%。结论：基于分类特征提取和深度学习的牛肉品质识别模型能够提高牛肉品质识别精度。     

小米粉在水和牛奶中稳定性参数及糊化特性的探究

本文用炒、烤、微波三种方法对小米进行熟化处理,并进行不同粒径的粉碎处理,研究熟化处理对小米粉糊化特性的影响,粒径对小米粉在水和牛奶中冲调时稳定性的影响。结果表明:熟化处理方法和粒径对小米粉在水中和牛奶中的稳定性有影响,且对小米粉的糊化特性也有一定影响。三种处理方法对小米粉糊化特性有不同影响。相比于未处理的对照样品,微波处理对小米粉的糊化特性影响较弱。烤小米粉糊化淀粉在温度和剪切力的作用下的耐受能力最强;炒小米粉回生能力最强。粒径对小米粉的糊化特性、热稳定性有着很大的影响,冲调稳定性随着粒径的减小而增大,冲调结块率和水溶性指数随着粒径的减小而减小。水中和牛奶中的小米粉的稳定性显示出相同的趋势,但是在牛奶中小米粉的变化规律更加明显。