基于高光谱技术的鲜食水果玉米含水率无损检测

目的：实现对鲜食玉米含水率的快速、准确预测。方法：采用高光谱技术对鲜食水果玉米进行光谱数据采集,比较了变量标准化算法（SNV）、附加散射校正算法（MSC）、卷积平滑（SG）、移动平均法（MA）等数据预处理方法对模型精度的影响,选取MSC进行预处理。基于MSC预处理数据选用连续投影算法（SPA）、竞争性自适应重加权算法（CARS）以及随机蛙跳法（RF）分别提取含水率的特征波长并建模分析。结果：MSC-CARS-PLS模型的含水率预测效果最好,预测集的决定系数（R²_p）达到0.825 0,预测均方根误差（RMSEP）为0.006 0。结论：利用高光谱技术可实现对鲜食水果玉米含水率的快速无损检测。     

基于高光谱的茄子外部缺陷检测

利用高光谱(900～1700nm)对完好、木栓化和烂果茄子进行识别研究。共采摘了252个茄子样本,包含完好茄子170个,木栓化茄子60个和烂果茄子22个,利用高光谱成像系统采集完好、木栓化和烂果3种区域一共252个样本的高光谱图像,然后提取合理的感兴趣区域(ROI)获得样本光谱数据。采用多种预处理方法进行光谱预处理,建立偏最小二乘(partial least squares method,PLS)判别分析模型,结果表明,经normalize预处理后模型的预测效果最好,因此选择normalize作为预处理方法。基于预处理后的光谱数据,采用连续投影法(SPA)、回归系数法(RC)和竞争性自适应重加权算法(CARS)提取特征波长,并分别建立偏最小二乘(PLS)和多元线性回归(MLR)判别模型进行研究。结果表明:CARS-MLR模型对3种类型样本鉴别效果最佳,其校正集决定系数Rc2为0.94,预测集决定系数Rp2为0.90,RMSEC和RMSEP分别为0.19和0.21,预测集判别准确率达到96.82%。本研究采用高光谱可以对完好、木栓化和烂果茄子进行有效鉴别,为茄子的缺陷无损检测提供了理论参考。     

基于可见/近红外光谱技术快速检测花椰菜中硫代葡萄糖苷的含量

为了快速无损检测不同品种("松花"、"雪白")花椰菜中硫代葡萄糖苷的含量。本实验采集新鲜收获的"松花"、"雪白"花椰菜样本进行可见/近红外光谱的采集、提取和分析。首先,采用基线校正(Baseline)、标准正态变量变换(Standard Nomal Variate transform,SNV)、中值滤波(Median Filter,MF)、高斯滤波(Gaussion Filter,GF)、S-G平滑(Savitzky-Golay)五种方法进行原始光谱的预处理分析。然后,分别采用连续投影算法(Successive Projections Algorithm,SPA)、回归系数法(Regression Coefficient,RC)进行特征波段的提取,并采用主成分分析法(PrincipalComponentAnalysis,PCA)进行主成分的提取,在此基础上,结合最佳预处理方法建立偏最小二乘回归(Partial Least Squares Regression,PLSR)模型。结果表明:"松花"花椰菜的光谱数据所建立的MF-PCA-PLS模型最佳,校正集模型参数Rc=0.89,RMSEC=1.23,预测集模型参数Rp=0.89,RMSEP=0.63。"雪白"花椰菜光谱数据所建的MF-RC-PLS模型最优,校正集模型参数Rc=0.87,RMSEC=1.31,预测集模型参数Rp=0.73,RMSEP=0.46。由此可见,近红外光谱结合PLSR算法能够快速、无损、准确地检测花椰菜中硫代葡萄糖苷的含量。