基于高光谱图像技术的固态发酵中芽孢杆菌的快速识别

利用高光谱图像技术结合模式识别方法,研究了镇江香醋固态发酵中产酸芽孢杆菌的快速识别方法。筛选3种芽孢杆菌为标准菌,以标准菌生长12 h的菌落为研究对象,利用高光谱成像系统采集图像:提取感兴趣区域(20×20)单菌落平均光谱共120条,并SNV预处理,采用主成分分析(PCA)从每幅图像优选3幅特征图像,并从每幅特征图像提取4个基于灰度共生矩阵的纹理特征变量;对光谱和图像纹理的特征变量均进行PCA,分别提取合适的主成分构建BP-ANN和KNN识别模型。其中,光谱模型识别效果优于图像模型,且BP-ANN光谱模型识别效果最优,对校正集和预测集样本的识别率分别为98.70%和97.78%,主成分因子数为5。研究表明,菌落内部特征是识别菌种属的关键,且利用高光谱图像技术识别细菌具有可行性,且快速简便。     

基于高光谱技术的乳杆菌快速鉴别

乳杆菌可发酵糖类产生乳酸,是乳酸发酵食品中的优势菌群。乳杆菌的快速鉴别有利于监控菌群的组成及其在发酵过程的变化情况,保障发酵食品的品质。本文尝试用高光谱技术快速表征5种乳杆菌(短乳杆菌、干酪乳杆菌、植物乳杆菌、发酵乳杆菌、罗伊氏乳杆菌)的光谱差异,结合化学计量学方法对乳杆菌进行快速鉴别。首先采集5种乳杆菌菌落在431~963 nm范围的高光谱反射图像,利用ENVI软件对高光谱数据进行预处理及光谱信息提取。利用主成分分析法(PCA)表征5种乳杆菌菌落的光谱特征,结合K-最近邻法(KNN)和误差反向传播神经网络(BP-ANN)建立5种乳杆菌的鉴别模型。结果表明,当主成分为5时BP-ANN模型的效果最优,对应的校正集识别率为100%,预测集识别率为96.23%。     

基于高光谱成像技术无损检测苹果表面缺陷

基于高光谱成像技术结合模式识别,建立了苹果表面缺陷识别模型。首先,利用高光谱图像采集系统采集完好无损和表面有缺陷苹果的高光谱图像,提取感兴趣区域的平均光谱反射率;然后,比较标准正态变换(SNV)和多元散射校正(MSC) 2种光谱预处理方法对建模效果的影响,得出MSC为建模最优预处理方法。最后,采用主成分分析法选择累计贡献率超过99%的前5个主成分作为样本集特征光谱数据,分别建立了基于K最近邻(KNN)模式识别和偏最小二乘判别分析(PLS-DA)识别模型。结果表明:光谱经MSC预处理后,基于PLS-DA建立的识别模型对校正集和检验集识别率均达到100%,表明基于高光谱成像技术结合模式识别可实现苹果表面缺陷的无损检测。     

高光谱技术融合平板菌落法同步计数酸奶中益生菌

采用高光谱技术结合平板菌落法快速表征益生菌酸奶中常见的发酵菌种（保加利亚乳杆菌、嗜热链球菌）和益生菌种（干酪乳杆菌、嗜酸乳杆菌、植物乳杆菌）的光谱差异,并结合不同模式识别方法对混合菌种发酵酸奶中每种益生菌的数量进行同步计数,最后与传统计数法得到的菌落数量结果进行对比,通过2 种计数结果的差异性分析验证高光谱菌落计数的可行性。结果表明,当主成分数为9时,最小二乘支持向量机模型对不同种类菌落识别效果均优于K-最近邻法和误差反向传播神经网络模型,其中校正集识别率为99.20%,预测集识别率为93.33%,为最佳计数模型,与传统计数法并无显著差异（P＞0.05）,验证高光谱技术应用在混合菌种发酵酸奶中对每种益生菌同步计数的可行性,解决传统计数法无法同步计数混合菌种酸奶中各益生菌数量的缺陷问题,为快速无损检测酸奶品质与保健活性提供检测依据。     

高光谱反射、透射和反透射成像模式的皮棉杂质检测方法研究

建立了3种高光谱反射、透射和反透射模式成像系统用于分析皮棉杂质,对比不同成像模式下皮棉和杂质区域的光谱类型识别率。反射、透射和反透射的高光谱图像均采用固定阈值分割和形态学膨胀填充方法,确定皮棉和杂质的区域,提取该区域的平均光谱。光谱经预处理,然后进行主成分分析,利用支持向量机模型识别方法建立皮棉和杂质区域光谱类型识别模型,验证不同预处理方法对识别效果影响;同时,预处理后的光谱进行波长筛选,筛选后的波长建立判别分析模型。结果表明,反射、透射和反透射成像模式下皮棉和杂质区域光谱识别率分别为90.63%、95.78%和88.47%,其中,透射成像模式光谱类型识别率最高。     

基于高光谱反透射图像的新疆冰糖心红富士水心鉴别

采用高光谱成像技术结合化学计量法,采集新疆冰糖心红富士好果与水心病果样本在波长范围380～1 004 nm的可见近红外高光谱反透射图像,选取感兴趣区域获得平均光谱,对原始光谱采用直接差分一阶求导等9种光谱预处理方法,再分别用主成分分析、快速独立分量分析、相关系数法完成数据降维,结合贝叶斯判别、K最近邻法、马氏距离判别、最小二乘支持向量机、二次线性判别方法识别是否有水心病。结果表明,主成分分析提取前15主成分,采用标准正态变量变换-主成分分析-最小二乘支持向量机与多元散射校正-主成分分析-最小二乘支持向量机模型识别效果最优,校正集和预测集识别率分别为100%和91.2%。     

融合光谱与纹理特征的龙井茶等级无损识别

龙井茶等级快速无损识别具有重要意义。本研究以六个等级龙井茶为实验对象,应用高光谱成像技术,分别建立基于光谱特征、纹理特征及融合特征的支持向量机(Support Vector Machine,SVM)识别模型。首先采用标准正态变量变换(Standard Normal Variate,SNV)对光谱进行归一化处理,提取光谱特征,建立SVM光谱模型;然后通过T分布和随机近邻嵌入(T-Distributed Stochastic Neighbour Embedding,T-SNE)算法将高维高光谱数据映射到低维空间,选取特征图像。应用灰度共生矩阵(Gray-Level Co-Occurrence Matrix,GLCM),提取纹理特征,建立SVM图像模型;最后将光谱特征和纹理特征进行数据级融合,建立SVM混合模型。数据显示,光谱模型预测集识别率为91.11%,图像模型预测集识别率为75.42%,混合模型预测集识别率为95.14%。结果表明,与仅使用光谱或纹理信息建模相比,结合光谱和纹理特征可以提高模型识别的准确率。为进一步提高混合模型精度,引入人工蜂群(Artificial Bee Colony,ABC)算法,迭代优化SVM模型的惩罚因子C和核函数宽度g,得到最优模型,预测集准确率可达98.61%。本研究为改进龙井茶叶快速无损评估技术提供了一种可靠的方法。     

基于高光谱成像的滩羊肉菌落总数和挥发性盐基氮的无损检测

以宁夏滩羊肉为研究对象,利用400~1000 nm可见近红外高光谱对冷鲜羊肉的菌落总数和挥发性盐基氮含量进行新鲜度的检测研究。采集冷鲜滩羊肉表面光谱图像,提取感兴趣区域获取原始光谱数据。剔除由蒙特卡洛检测法所检测出的异常样本,采用理化值共生距离法(SPXY)划分样本的校正集和预测集。先对原始光谱预处理并建立偏最小二乘回归(PLSR)模型,优选最佳预处理方法;后采用主成分回归法(PCR)和支持向量机回归法(SVR)建立模型,优选最佳建模方法。结果表明:光谱数据经过正交信号校正(OSC)预处理后,建立的菌落总数和TVB-N含量预测模型效果较好,其RC分别为0.9067和0.9147,Rp分别为0.8743和0.8802,均高于其他光谱预处理模型。通过不同建模方法的比较,建模效果较好的是PLSR方法。研究表明:利用可见近红外高光谱技术可以实现对滩羊肉新鲜度的无损检测。     

高光谱图像对灰葡萄孢霉、匍枝根霉、炭疽菌的生长拟合及区分

利用高光谱成像系统获取真菌在马铃薯葡萄糖琼脂板上培养期间的高光谱图像,采用400～1 000 nm全波段光谱响应值,并计算全波段的平均值、波峰716 nm处的光谱值和全波段内光谱值第1主成分的得分值,利用这3 种参数计算方法构建真菌生长模拟模型。结果表明,3 种方法建立的模型测试集的决定系数（R2）为0.722 3～0.991 4,均方误差和均方根误差分别为2.03×10－4～5.34×10－3、0.011～0.756。建立的生长模型与传统菌落计数法建立的生长模型之间的相关系数为0.887～0.957。另外,主成分分析和偏最小二乘法判别分析可以区分3 种不同菌种。其中,偏最小二乘法判别分析模型对培养36 h的3 种真菌及对照组的区分准确率为97.5%。高光谱图像技术能够用来对真菌生长进行模拟和真菌的种类区分。     

近红外光谱技术快速检测紫薯半干面中菌落总数及新鲜度

利用近红外光谱分析技术和化学计量学分析方法,对紫薯半干面菌落总数(TVC)及其新鲜度鉴别进行研究。结合偏最小二乘法对比10种光谱预处理方法,建立紫薯半干面的TVC预测模型,最终选定SNV+2D为最优预处理方法。经优化TVC最优模型的校正集和预测集的决定系数R分别为0.99213和0.97537,交互验证均方根误差及预测集均方根误差分别为0.250和0.445。采用主成分分析结合马氏距离的定性判别分析法,定性鉴别紫薯半干面新鲜程度。当选用标准归一化为光谱预处理方法时,正确识别率达到100%。利用近红外光谱分析技术可以快速、无损地检测紫薯半干面中TVC及新鲜度。     

基于高光谱图像的玉米种子产地与年份鉴别

提出了一种利用高光谱图像技术对玉米种子产地和年份的鉴别方法。首先采用高光谱成像系统采集不同产地和年份的玉米种子高光谱图像,利用主动轮廓模型对玉米种子高光谱图像进行轮廓提取,得到每粒玉米在400~1 000 nm共233个波段范围内的4个光谱特征,利用不同的特征及预处理方式结合偏最小二乘判别分析建立玉米种子的产地和年份鉴别模型。结果显示,利用最佳特征及预处理方式建立的玉米种子产地和年份鉴别模型中,训练集和测试集精度分别为99.11%和98.39%。研究结果表明,利用高光谱图像技术对玉米种子的产地和年份进行无损鉴别是可行的。     

基于高光谱成像技术的酿酒高粱品种分类

针对不同品种酿酒高粱分类难、分类精度有待提高等问题,提出了一种结合光谱和图像信息的高光谱成像技术从而对酿酒高粱进行分类的方法。通过采集11类共550个高粱样本的高光谱数据,运用连续投影算法从多元散射校正预处理后光谱中筛选出48个特征波长,再提取图像的灰度共生矩阵作为图像特征,利用纹理特征、全光谱、特征光谱及其结合图像特征分别建立支持向量机、偏最小二乘判别和极限学习机分类模型,最后再采集220个未参与建模样本对所建模型进行外部验证。结果表明,基于特征光谱结合纹理特征建立的支持向量机模型效果最佳,训练集和测试集的识别率分别为96%和95.3%,验证集的识别率达到91.8%,高于单一光谱数据建模效果,说明光谱和图像信息结合可以提高酿酒高粱的分类识别率。该方法为高粱品种的高精度分类和不同酿酒原料的快速无损检测提供了可行的方法。     

基于高光谱和超声成像技术的原切与合成调理牛排鉴别

针对市场上存在合成调理牛排冒充原切售卖的现象,研究利用高光谱和超声成像技术对它们进行鉴别的方法。分别采集原切与合成调理牛排的高光谱和超声图像信息,利用灰度共生矩阵法提取图像的纹理特征值,分别建立线性判别分析、K最邻近（K-nearest neighbor,KNN）、反向传播人工神经网络和极限学习机（extreme learning machine,ELM）4?种鉴别模型,而后将2?种技术数据融合建模,并采用连续投影法、竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、变量组合集群分析（variables combination population analysis,VCPA）法3?种方法筛选特征变量建模。结果表明：合成调理牛排的肉块组织均匀,超声图像信号弱、均一性好,与原切调理牛排图像存在差异。高光谱和超声成像技术的最佳模型分别为KNN和ELM,模型预测集识别率分别为95.00%和90.00%。数据融合后建模,最佳模型ELM模型预测集识别率模型为97.50%,在3?种变量选择方法中,CARS和VCPA选择的纹理变量建立的模型预测集识别率达到100.00%。研究表明高光谱和超声成像数据融合结合变量选择方法可以快速准确地鉴别原切和合成调理牛排。     

高光谱技术结合迭代决策树的香肠菌落总数预测

利用波长范围400～1 000 nm高光谱对香肠的菌落总数进行预测研究。选取450 个香肠样本的光谱数据作为训练集,50 个作为测试集。采用多元散射校正方法对光谱预处理并采用主成分分析法对光谱降维处理。对训练集和测试集数据分别采用支持向量回归和迭代决策树（gradient boosting decision tree,GBDT）方法建立定量分析模型,优选最佳建模方法。结果表明：GBDT的建模效果较好,其训练集和测试集的均方根误差分别为0.001和0.003,决定系数R2分别为0.998和0.996。研究表明,基于高光谱成像技术利用GBDT方法预测香肠菌落总数可行并可有效实现。     

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。     

Classification of Black Beans Using Visible and Near Infrared Hyperspectral Imaging

A rapid and non-destructive method based on the visible and near infrared hyperspectral imaging technique in the wavelength range of 390–1050 nm was investigated for discriminating the varieties of black beans. In total, 300 samples of three varieties were scanned by the visible and near infrared hyperspectral imaging system, and hyperspectral data were analyzed by spectral and image processing technique respectively. A successive projection algorithm was used to obtain 13 characteristic wavelengths (504, 507, 512, 516, 522, 529, 692, 733, 766, 815, 933, 998, and 1000 nm) for spectral analysis. After the processing of successive projection algorithm, optimal image selection was carried out by principal component analysis based on the characteristic wavelengths. The first principal component image was used for the image analysis, whose contribution rate was over 98.34%. Gray level co-occurrence matrix analysis from first principal component image was applied to extract image features including 16 textural features and six morphological features. In this study, partial least squares-discriminate analysis, support vector machine, and K-nearest neighbors were used for model establishments, respectively, based on spectral feature, image feature, and the combination of spectral and image features. The results show that the best correct discrimination rate of 98.33% was achieved by applying combined spectral and image features. The study demonstrated that visible and near infrared hyperspectral imaging technique was potential for rapid classification of black beans, and the performance of the classification model can be improved by the feature combination.     

基于可见/近红外高光谱成像技术的牛肉品种鉴别

利用可见/近红外高光谱成像技术实现荷斯坦奶牛、秦川牛、西门塔尔牛三个品种牛肉的快速无损鉴别。首先,对原始光谱进行预处理并对样本集进行划分;应用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)对预处理后的光谱数据提取特征波长;结合偏最小二乘判别模型(PLS-DA)、K最近邻(KNN)模型及支持向量机(SVM)模型进行全波段及特征波段鉴别分析。结果表明,一阶导数(FD)法为最优预处理方法,利用光谱-理化值共生距离法(SPXY)法划分后的样本模型预测性能最好;利用CARS、SPA和UVE分别选出24、17和19个特征波长;基于CARS法提取的特征波长所建的RBF-SVM模型的校正集与预测集正确率分别为100%、98.82%。由此可见,基于高光谱成像技术能够获得较好的牛肉品种鉴别效果。该研究可为牛肉品种的快速无损鉴别提供参考。     

重建高光谱图像的酿酒高粱品种识别方法研究

目的 基于重建高光谱图像技术实现对酿酒高粱品种的实时快速识别。方法 对分层回归网络(hierarchical regression network, HRNet)进行改进,得到残差注意力分层回归网络(residual attention-hierarchical regression network, RA-HRNet)。利用该网络进行重建高光谱图像,并在此基础上建立双向长短期记忆网络结合注意力机制(bi-directional long short-term memory-attention, BiLSTM-Attention)的酿酒高粱品种识别模型。以原始RGB数据作为重建高光谱图像网络的输入,将输出重建的光谱图像作为酿酒高粱品种识别模型的输入,以完成酿酒高粱品种识别。结果 RA-HRNet相比HRNet,模型参数量[Params(M)]降低80.5%,模型计算量[floating point operations per second, FLOPS(G)]降低80.2%,峰值信噪比(peak signal-to-noise ratio, PSNR)提升16.9%,平均相对绝对误差...