冷鲜羊肉品质的高光谱成像无损检测

利用400~1000 nm可见近红外高光谱成像系统对冷鲜羊肉蛋白质含量、嫩度、p H进行无损检测研究。采集冷鲜羊肉表面的高光谱散射图像,提取样本感兴趣区域的反射光谱曲线获得原始数据。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,后采用正自适应加权算法(CARS)和连续投影算法(SPA)提取特征波长,建立不同特征波长下各品质参数的PLSR预测模型。结果表明:利用原始光谱建立的冷鲜羊肉蛋白质、嫩度和p H的PLSR模型均优于经过光谱预处理所建PLSR模型;在不同波长下建立预测模型,OS-PLSR光谱模型对冷鲜羊肉蛋白质含量预测效果最佳,Rp=0.869,RMSEP=0.097;建立的SPA-PLSR光谱预测模型对p H预测效果理想,Rp=0.958,RMSEP=0.067;CARS-PLSR光谱预测模型对嫩度的预测能力较高,Rp=0.862,RMSEP=0.706。研究表明:利用可见近红外高光谱技术对冷鲜羊肉品质进行快速无损检测是可行的。     

基于微型近红外光谱仪的油菜籽含油率模型参数优化研究

为实现油菜籽含油率快速无损检测,采用微型近红外光谱仪,结合竞争性自适应重加权(CARS)、遗传算法(GA)、连续投影算法(SPA)、无信息变量消除法(UVE)、向后区间偏最小二乘法(BIPLS)、联合区间偏最小二乘法(SIPLS)等方法优选油菜籽含油率近红外光谱特征波长,建立偏最小二乘回归(PLSR)和最小二乘支持向量机(LS-SVM)定量分析模型,同时对LS-SVM模型参数进行优化。研究表明,对PLSR模型,BIPLS+GA优选的26个特征波长建模效果最好,其预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.9330和0.0075,对LS-SVM模型,SIPLS+GA优选的13个特征波长建模效果最好,预测相关系数(Rp)和预测均方根误差(RMSEP)分别0.9192和0.0055。证明了波长优选和参数优化可有效简化油菜籽含油率近红外光谱定量分析模型,提高模型预测精度和稳定性,为进一步拓展微型近红外光谱仪的应用提供技术参考。     

近红外结合Si-ELM检测食醋品质指标

为了提高近红外光谱技术检测食醋中可溶性无盐固形物含量(SSFSC)的精度和稳定性,提出采用联合区间偏最小二乘(Si-PLS)筛选光谱特征区间,再利用极限学习机(ELM)算法建立非线性回归模型,并对该方法的优越性进行系统比较;试验通过交互验证优化模型相关参数,以预测时的相关系数(Rp)和预测均方根误差(RMSEP)作为模型的评价指标。结果表明,Si-PLS结合ELM算法(Si-ELM)所建模型最佳,预测结果:Rp=0.973 9,RMSEP=1.232g/100mL。说明利用近红外光谱技术可以快速准确检测食醋中的SSF-SC,Si-ELM的应用可以适当提高该预测模型的精度。     

莲藕淀粉含量的近红外光谱无损检测方法

应用近红外光谱技术无损检测莲藕的淀粉含量。对光谱数据的3种预处理方法进行了比较分析,再采用偏最小二乘法(PLS)和联合区间偏最小二乘法(SiPLS)建立了莲藕淀粉含量的近红外光谱分析模型。研究结果表明,经多元散射校正、一阶导数和平滑等结合的预处理,采用联合区间偏最小二乘法(SiPLS)建立的模型最佳;其校正集的相关系数(Rc)和均方根误差(RMSEC)分别为0.960 0和0.741 6,预测集的相关系数(Rp)和均方根误差(RMSEP)为0.923 8和1.050 6,可以满足实际应用要求。结论:利用近红外光谱技术对莲藕淀粉含量进行无损检测切实可行。     

郎枣轻微损伤可见/近红外光谱分波段动态判别研究

为了实现轻微损伤郎枣的快速无损检测,以完好和轻微损伤郎枣为研究对象,动态采集其可见/近红外光谱数据。依据光谱波段定义将采集的光谱数据分为可见光(Vis)、短波近红外(SW-NIR)、长波近红外(LW-NIR)、可见/短波近红外(Vis/SW-NIR)、近红外(NIR)和可见/近红外(Vis/NIR)等6个波段,分别选取各波段最佳预处理方法。采用连续投影法(SPA)和主成分分析法(PCA)分别对各波段光谱数据降维,以全波长、SPA提取的特征波长和PCA提取的主成分作为输入,分别建立偏最小二乘回归法(PLSR)和最小二乘支持向量机(LS-SVM)模型,通过比较预测集的判别准确率,确定最佳建模方法。结果表明,PLSR模型优于LS-SVM模型,SW-NIR波段较其余5个波段有更好的判别能力,所建SW-NIR-SNV-SPA-PLSR模型判别准确率为93.3%,为最佳模型。本实验为轻微损伤郎枣的快速无损检测和相关仪器的开发提供了理论基础。     

高光谱成像技术对灵武长枣果皮强度的无损检测

利用高光谱技术对灵武长枣果皮强度检测进行研究,为灵武长枣外部品质无损检测提供科学方法。采集120个灵武长枣的400~1000 nm的高光谱图像,对光谱数据进行预处理;应用连续投影算法(SPA)、正自适应加权算法(CARS)和无信息变量消除法(UVE)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回归(PLSR)和最小二乘支持向量机(LS-SVM)果皮强度预测模型。结果表明:采用标准正态变换(SNV)预处理算法效果最优,其PLSR模型的交叉验证相关系数(Rcv)为0.8207,交叉验证均方根误差(RMSECV)为9.9630;利用SPA、CARS和UVE法从全光谱的125个波长中分别选取出29个、31个和31个特征波长;而基于全光谱建立的LS-SVM模型效果最优,其预测相关系数(Rp)为0.9555,预测均方根误差(RMSEP)为3.8282;研究结果表明基于高光谱成像技术采集的灵武长枣漫反射光谱进行果皮强度无损检测具有可行性。     

近红外高光谱联用Stepwise算法快速无接触评估冷鲜鸡肉色泽及嫩度

利用900~1700 nm近红外高光谱成像系统联用Stepwise算法快速评估鸡肉色泽和嫩度。通过采集新鲜屠宰鸡肉高光谱图像,提取试验样本感兴趣区域(Region of interests,ROI)反射光谱信息,经中值滤波平滑(Median filtering smoothing,MFS)、多元散射校正(Multiplicative scatter correction,MSC)和标准正态变量变换(Standard normal variable correction,SNV)三种预处理后,分别利用偏最小二乘(Partial Least Squares,PLS)和多元线性回归(Multiple linear regression,MLR)挖掘光谱信息与鸡肉色泽参数(L*、a*、b*)及嫩度参考值之间的定量关系。结果显示,经MFS预处理的近红外光谱(486个波长)构建的全波段PLS回归模型(F-PLS)预测L*(R_P=0.904,RMSEP=2.036)、b*(R_P=0.908,RMSEP=1.577)和嫩度(R_P=0.948,RMSEP=1.596)效果更好。为提高预测效率,采用Stepwise算法筛选最优波长优化F-PLS模型,结果显示,从SNV预处理光谱筛选的14个最优波长构建MLR回归模型预测L*值(R_P=0.894,RMSEP=2.160)效果较优,从SNV预处理光谱筛选的13最优波长构建的O-PLS回归模型预测b*值(R_P=0.877,RMSEP=1.811)效果较优,从MFS预处理光谱筛选的20个最优波长构建O-PLS回归模型预测嫩度值(R_P=0.888,RMSEP=2.408 N)效果较优。本试验表明,利用近红外高光谱成像技术结合Stepwise算法可实现鸡肉色泽参数L*、b*值以及嫩度的快速评估。     

基于VIS/NIR高光谱成像技术检测鸡肉嫩度

利用400~1000 nm可见近红外高光谱成像系统对鸡肉嫩度进行快速无损检测研究。采集鸡肉表面的高光谱散射图像,提取样本感兴趣区域反射光谱曲线并用剪切力值表征鸡肉的标准嫩度。以原始光谱和多元散射校正(MSC)预处理光谱数据建立鸡肉嫩度的偏最小二乘回归(PLSR)模型,预处理光谱建立的模型效果更优。基于MSC预处理,采用偏PLS权重系数法结合逐步回归法筛选出了4个特征波长。然后采用PLSR和多元线性回归(MLR)模型分别建立特征波长处光谱反射值和鸡肉嫩度关系的数学模型,优选最佳模型。结果显示:MLR模型预测效果较好,预测相关系数(RP)和均方根误差(RMSEP)分别为0.94和1.97。研究表明:利用可见近红外高光谱成像技术结合多元回归分析法对鸡肉嫩度的快速无损检测是可行的。     

基于支持向量机的食醋总酸近红外光谱建模

为了得到稳定可靠的食醋总酸光谱模型,以不同产地、不同种类的95个食醋样品为研究对象,应用基于统计学原理的最小二乘支持向量机(LS-SVM)对食醋总酸含量进行光谱分析.对预处理后的光谱进行主成分分析(PCA),以主成分信号作为输入变量建立食醋总酸含量的近红外光谱模型,并与偏最小二乘法(PLS)和向后区间偏最小二乘法(biPLS)模型进行比较.结果表明,LS-SVM模型中的校正集中的相关系数(rc)和交互验证均方根误差(RMSECV)分别达到0.9614和0.2192,预测集相关系数(rp)和预测均方根误差(RMSEP)分别达到和0.919和0.3226,均优于PLS和biPLS模型.研究表明,近红外光谱与食醋总酸含量呈非线性关系,采用LS-SVM建立的模型预测性能更好,精度更高.     

基于近红外光谱技术(NIRS)对工夫红茶含水率、游离态氨基酸、茶多酚品质成分评价研究

目的:提出一种利用近红外光谱技术无损快速检测工夫红茶含水率、游离态氨基酸、茶多酚品质的新方法。方法:实验样品共计240个,手动选择180个样品作为校正级,剩余60个样品作为预测集;利用OPUS 7.0软件优化出各模型最佳波数段和最佳预处理方法,平滑点数17,维数1,结合含水率、游离态氨基酸、茶多酚含量建立预测模型,分析预测模型的预测性能。结果:各预测模型预测精准度高,均可用于工夫红茶含水率、游离态氨基酸、茶多酚品质预测。其中,各模型校正相关系数(Rc)为92.76%~99.28%,校正均方根误差(RMSEC)为0.016~0.0437;预测相关系数(Rp)为97.41%~98.46%,预测均方根误差(RMSEP)为0.00915~0.0168。各模型校正集和预测集均有较高的拟合度,模型预测性能游离态氨基酸含水率茶多酚。结论:近红外光谱图结合含水率、游离态氨基酸、茶多酚品质含量建立的各预测模型预测性能优,适合工夫红茶品质评价。     

基于最小二乘支持向量机的白酒酒醅成分定量分析

利用近红外光谱技术实现对白酒发酵过程中酒醅主要成分的质量控制,并进行模型优化,提高性能。采用偏最小二乘法提取的潜在变量作为最小二乘支持向量机的输入变量,先后建立了白酒酒醅中酒精度、淀粉、水分、酸度的近红外定量模型,并与经无信息变量消除法波段筛选后建立的偏最小二乘模型结果进行比较。结果表明：与偏最小二乘模型相比,4 个指标的最小二乘支持向量机定量模型的相关系数（R2）、预测均方根误差以及相对分析误差3 个评价参数均有更优表现;对未知样品进行预测时,最小二乘支持向量机模型的预测准确度明显高于偏最小二乘模型。说明最小二乘支持向量机模型的准确度、稳定性及预测性能均优于偏最小二乘法模型,为白酒酒醅的品质分析方法研究提供了新的思路。     

遗传算法联合LS-SVM的苹果原醋成分定量分析

利用近红外光谱技术对苹果原醋中的重要指标进行定量分析,并进行模型优化以提高性能。采用遗传偏最小二乘法（GA-PLS）提取的特征波长作为最小二乘支持向量机（LS-SVM）的输入变量,先后建立苹果原醋中总酸、可溶性固形物的近红外定量模型,并与建立的偏最小二乘（PLS）模型结果进行比较。用决定系数（R2）、预测均方根误差（RMSEP）以及相对分析误差（RPD）对模型进行评价,确定最佳建模方法。结果表明,相比于PLS模型,总酸及可溶性固形物指标的LS-SVM定量模型的R2、RMSEP以及RPD值均有更好的表现,且在进行独立测试集验证时,LS-SVM模型的预测精度也明显优于PLS模型。说明遗传算法联合LS-SVM建立的定量模型有很高的准确度及稳定性,可以应用于苹果原醋总酸和可溶性固形物含量的快速检测。     

融合近红外光谱和颜色参数的草莓可溶性固形物含量定量分析模型构建

草莓可溶性固形物(soluble solids content,SSC)含量是评价草莓内部品质的关键指标。为了实现对该指标的快速、无损评估,基于近红外光谱技术,构建了线性偏最小二乘(partial least squares,PLS)和非线性最小二乘支持向量机(least squares support vector machine,LS-SVM)模型,联合蒙特卡罗无信息变量消除和连续投影算法(Monte-Carlo uninformative variable elimination,successive projections algorithm,MC-UVE-SPA)从原始光谱4254个变量中提取了27个有效变量,并构建了基于有效变量的定量分析模型。同时,考虑到草莓表面颜色的影响,基于草莓RGB图像各分量获取了颜色特征参数,进一步融合光谱和颜色特征构建了多参数融合PLS和LS-SVM模型。基于相同的校正集和预测集,比较了所有模型对草莓内部SSC的预测性能。结果表明,MC-UVESPA是一种有效的草莓光谱变量选择算法,且多参数融合非线性LS-SVM模型是草莓内部SSC定量预测的最优模型。针对预测集样本,该模型相关系数RP和预测均方根误差(root mean square error of prediction,RMSEP)分别为0.9885和0.1532。该研究为基于近红外光谱技术的草莓可溶性固形物含量检测便携式仪器和在线检测设备研发奠定了基础。     

磨盘柿褐变指标的可见/近红外漫反射无损预测研究

为了建立可见/近红外漫反射光谱与磨盘柿果皮和果肉褐变之间的关系,作者在全光谱区域(570～1 848 nm)对比分析了不同处理方法对磨盘柿果皮颜色b*和果肉浊度定标模型的影响。结果表明,应用MPLS、原始光谱和无散射处理建立果皮颜色b*的定标模型预测性能较好,Rp2为0.968,RMSEP为1.417 7,RPD为7.92。应用PLS、一阶导处理和无散射处理建立磨盘柿果肉浊度的定标模型预测性能较好,Rp2为0.757,RMSEP为0.107 9,RPD为2.22。因此,可见/近红外漫反射技术对磨盘柿果皮颜色b*和果肉浊度的快速无损检测具有可行性。     

基于计算机视觉的核桃外观缺陷检测

为快速准确识别核桃外观缺陷(黑斑、破裂),自行搭建图像采集系统采集样本图像。预处理后采用形态学和逻辑运算去除背景,基于样本图像提取18个颜色特征参数和20个纹理特征参数。采用形态学和逻辑运算提取缺陷部分和样本投影像素面积的比值t以及样本图像阈值分割后二值图像的欧拉数。分别采用回归系数法(Regression Coefficient,RC)和连续投影法(Successive Projections Algorithm,SPA)优选特征参数并建立偏最小二乘法(PLS)模型。结果表明,基于SPA法优选特征参数建立的模型性能最优。将SPA法提取的5个优选特征参数作为输入建立最小二乘支持向量机(LS-SVM)模型,并对预测集样本进行预测。结果表明,对正常核桃、黑斑核桃、破裂核桃的判别准确率分别为88.9%、83.3%、94.6%,总判别率为88.9%。本研究建立的方法能够很好的对核桃外观缺陷进行检测,为今后核桃的在线检测分选提供了技术支持。     

鲜枣可溶性固形物最小二乘支持向量机动态检测研究

用可见/近红外光谱动态检测鲜枣的可溶性固形物含量。试验时样品以0.1m/s的速度运动,采集其可见/近红外漫反射光谱(350～2500nm)。用平均平滑法对120个赞皇枣样品、118个郎枣样品的光谱进行消噪处理,采用连续投影算法提取其特征波长,并建立相应的最小二乘支持向量机预测模型SPA/LS-SVM;同时将赞皇枣在500～1100nm范围的可见/短波近红外平滑光谱数据,郎枣在700～1500nm范围的平滑光谱数据用最小二乘支持向量机建立Smooth/LS-SVM预测模型,并对各自预测集样品(30个)的可溶性固形物含量进行预测和对比分析。结果表明:SPA/LS-SVM模型预测相关系数(赞皇枣0.833,郎枣0.847)与Smooth/LS-SVM模型预测相关系数(赞皇枣0.848,郎枣0.857)相差不大,且前者更精简,预测速度快,预测时间短,可以作为鲜枣可溶性固形物含量的一种动态检测方法,但模型的精度和稳定性需进一步提高。     

Measurement of Soluble Solids Content and pH of Yogurt Using Visible/Near Infrared Spectroscopy and Chemometrics

Visible/near infrared spectroscopy (Vis/NIRs) technique was applied to non-destructive quantification of sugar and pH value in yogurt. Partial least squares (PLS) analysis and least squares support vector machine (LS-SVM) were implemented for calibration models. In this paper, three brands (Mengniu, Junyao, and Guangming) were set as the calibration, and the remaining two brands (Yili and Shuangfeng) were used as prediction set. In the LS-SVM model, the correlation coefficient (r), root mean square error of prediction, and bias in prediction set were 0.9427, 0.2621°Brix, 1.804e−09 for soluble solids content, and 0.9208, 0.0327, and 1.094e−09 for pH, respectively. The correlation spectra corresponding to the soluble solids content and pH value of yogurt were also analyzed through PLS method. LS-SVM model was better than PLS models for the measurements of soluble solids content and pH value. The results showed that the Vis/NIRs combined with LS-SVM models could predict the soluble solids content and pH value of yogurt.     

A feasibility study on on-line determination of rice wine composition by Vis–NIR spectroscopy and least-squares support vector machines

The feasibility of visible and near infrared (Vis–NIR) spectroscopy and least-squares support vector machines (LS-SVM) for on-line determination of rice wine composition was investigated. A circle-light fibre spectrometer system was designed to collect transreflectance spectra of rice wine samples in round brown glass bottles with the bottle sealed and the labels removed. Statistical equations were established between reference data and Vis–NIR spectra by LS-SVM. Compared to partial least squares regression (PLSR), the performance of LS-SVM was slightly better, with higher correlation coefficients for validation (r_val) of 0.915, 0.888 and 0.872, and lower root mean square error of validation (RMSEP) of 0.168 (%(V V⁻¹)), 0.146 (g L⁻¹) and 0.033 for alcohol content, titratable acidity, and pH, respectively. Based on the results, it was concluded that the Vis–NIR spectrometer system was suitable for on-line wine quality determination, and LS-SVM was a reliable multivariate method for NIR analysis.     

On-line versus off-line NIRS analysis of intact olives

Visible/near-infrared calibrations were developed for the determination of the quality parameters (fat content, moisture and free acidity) of intact olive fruits. The reflectance spectra were acquired in two different instruments (diode-array versus grating monochromator based instruments). The grating monochromator based instrument was used at the laboratory (off-line analysis), whereas the portable diode-array based device was placed on top of a conveyor belt set to simulate measurements in an olive oil mill plant (on-line analysis). Partial least squares (PLS) regression and least squares support vector machine (LS-SVM) were used for the development of the calibration models. A total of 174 samples were prepared for the calibration (N = 122) and validation (N = 52) sets. The root mean square error of prediction (RMSEP) and the residual predictive deviation (RPD) values were better using the diode-array instrument and applying the PLS regression method for the fat content parameter while for the free acidity and moisture content, the LS-SVM algorithm gave the best results. The results obtained seems to suggest the viability of the on-line system, instead of the off-line analysis, for the determination of physicochemical composition in intact olives.