基于高光谱成像的香肠菌落总数回归预测及数据可视化

香肠的好坏有很多种评价指标,菌落总数（TVC）是其中的一种。高光谱成像技术已经成为一种快速、无损检测食品品质的有效方法。本文利用高光谱成像技术对香肠的菌落总数进行了定量分析,对数据进行了主成分分析（PCA）,研究发现数据集中前四个主成分累计贡献率已达97.65%,已经可以反映出香肠所包含的绝大部分信息。对前四个主成分对应的优化区间采用高斯核函数的SVM回归模型进行预测,并为了提高回归预测模型的精确度,对模型的c,g参数,进行了遗传算法（GA）、网格搜索算法和粒子群算法（PSO）寻优对比,其中PSO寻优可使回归预测值和真实值的相关系数为0.9777,交互验证均方根误差为0.0823,能够准确快速的实现香肠菌落总数的预测。除此之外,利用python对回归预测的数据进行可视化,更加直观的显示菌落总数变化,且可以达到实时观看的效果。     

高光谱成像技术快速预测鸡蛋液菌落总数

针对鸡蛋液中菌落总数分析方法操作繁琐、时效性低等问题,采用高光谱成像技术（400～1 000 nm）建立鸡蛋液中菌落总数的快速预测方法。于蛋清中接种铜绿假单胞菌后采集不同污染程度蛋液样本的原始高光谱信息,结合连续投影算法进行特征波段的提取,分别建立基于特征波段和全波段光谱信息下的偏最小二乘和支持向量机（support vector machine,SVM）预测回归模型。结果表明：标准化预处理效果相对最佳,蛋清、蛋黄以及全蛋液样本对应的相对最佳定量分析模型为基于特征波段下的SVM模型。其中蛋清预测集相关系数RP为0.81,预测集均方根误差（root mean square error of prediction,RMSEP）为0.63（lg（CFU/g））;蛋黄预测集的RP为0.82,RMSEP为0.47（lg（CFU/g））;全蛋液样本中RP为0.75,RMSEP为0.75（lg（CFU/g））。结果表明,高光谱成像技术结合化学计量学方法,可以实现对鸡蛋内部微生物污染程度的定量预测。     

基于高光谱成像技术的鸡肉菌落总数快速无损检测

以市售新鲜冷藏(4℃)鸡胸肉为研究对象,采集鸡胸肉表面的高光谱(400~1 100 nm)图像信息,采用偏最小二乘回归(partial least square regression,PLSR)建立菌落总数预测模型,采用不同预处理方法提高模型的预测准确性和稳健性,实现快速无损检测生鲜鸡胸菌落总数的目的。结果表明:标准变量变换(standard normalized variate,SNV)预处理后,模型性能最佳。模型的校正标准差(standard error of calibration,s_(EC))和验证标准差(standard error of prediction,s_(EP))分别为0.40和0.57,s_(EP)/s_(EC)为1.08,校正集相关系数(correlation coefficient of prediction,R_C)和验证集相关系数(correlation coeffic ient of prediction,R_P)分别为0.93和0.86;且应用最佳模型可有效预测样品菌落总数的分布地图。     

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400¹000 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。      

基于近红外光谱的条斑紫菜菌落总数快速检测技术

为了探究快速、无损地检测条斑紫菜质量的可行性,本研究开发了一种基于近红外光谱技术的条斑紫菜微生物污染程度的定量分析方法。首先对来自不同海域的紫菜样本的菌落总数进行了测定,然后采集了155组样本的原始光谱信息和菌落总数信息。用标准正态变量变换（SNV）、多元散射校正（MSC）、二阶导数（Second-order derivative）等方法对光谱数据进行预处理。在完成最佳预处理方法筛选后,建立了基于光谱信息的非线性拟合（MLR）、支撑向量回归（SVR）、人工神经网络（ANN）、卷积神经网络（CNN）菌落总数预测模型。结果表明,标准正态变量变换与二阶导数的组合预处理效果最优,基于全波段下深度学习模型CNN预测效果最好（r值为0.940）。由此说明,CNN作为一种深度学习模型,可以实现针对条斑紫菜微生物品质的快速评价。     

基于手持式近红外光谱仪的三文鱼菌落总数 检测技术

针对三文鱼在4℃贮藏过程中的微生物变化,利用手持式近红外光谱仪,通过小波分析对于光谱进行预处理,之后结合遗传算法和BP神经网络系统方法建立预测和检测模型。结果表明该模型与传统平板计数方法的相关系数为0.981,均方根误差为0.097,验证模型的相关系数为0.960,均方根误差为0.098,具有良好精确度、准确度,因此能够用于冷藏三文鱼菌落总数的无损、现场检测。     

基于高光谱技术的香肠亚硝酸盐快速检测方法

选取7个不同储藏时期的香肠分别进行亚硝酸盐含量检测和对应的光谱数据采集,并用Savitzky-Golary法进行光谱数据预处理,以减少光谱数据的噪声;在预处理后的光谱数据基础上,用偏最小二乘回归系数法提取出29个特征波长;对比分析了特征波长和全波长下香肠中亚硝酸盐含量预测模型的检测精度。结果表明:全波长下的回归模型预测结果均高于特征波长下,且全波长下偏最小二乘回归模型优于主成分回归模型,表征偏最小二乘回归模型精度的决定系数和均方根误差分别为0.982 9和0.059 2。说明全波长下的光谱信息更适用于香肠储藏过程中亚硝酸盐含量高光谱检测模型的构建。     

基于高光谱成像技术对番石榴可溶性固形物的快速测定

目的 珍珠番石榴(Psidium guajava "Pearl")是中国亚热带地区的优势水果,可溶性固形物含量(soluble solids content, SSC)是番石榴品质优选的关键理化参数。本文旨在凭借高光谱成像技术实现珍珠番石榴SSC的测定,比较支持向量回归(support vector regression, SVR)和偏最小二乘回归(partial least squares regression, PLSR)模型对其预测准确性的影响。方法 通过高光谱成像系统和全自动折光仪获得番石榴的表面反射光谱与SSC信息,选择S-G平滑 (Savitzky-Golay, S-G)和标准正态变量变换(standard normal variable transformation, SNV)作为预处理手段,使用主成分分析(principal component analysis, PCA)评估预处理前后光谱的聚类变化。采用区间变量迭代空间收缩法(interval variable iterative space shrinkage algorithms, iVISSA)、区间随机蛙跳法(interval random frog , iRF)、自举软收缩法(bootstrapping soft shrinkage , BOSS)、变量组合集群分析(variable combination population analysis, VCPA)提取特征波长,用于建立SVR和PLSR预测模型。结果 预处理后光谱数据主成分聚类进一步分散,PLSR整体在预测集的回归效果比SVR更好,BOSS-PLSR为最优预测模型,R_p^2为0.9216,RMSEP为 0.2366,RPD为3.5710。结论 利用高光谱成像技术快速实现番石榴可溶性固形物测量是可行的。     

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。     

一种基于高光谱图像的熟牛肉TVB-N含量预测方法

传统肉制品新鲜度检测方法具有耗时费力、效率低、有损等缺陷,提出利用高光谱成像(HSI)技术预测熟牛肉新鲜度指标挥发性盐基氮(TVB-N)含量。首先通过HSI系统获取熟牛肉样本的高光谱数据,并进行黑白校正。进而采用移动平均平滑和多元散射校正对高光谱数据进行预处理。最后采用支持向量回归(SVR)方法分别建立基于全光谱特征、单一光谱特征、单一纹理特征、主成分分析(PCA)融合特征对TVB-N含量的预测模型。结果显示,使用PCA融合特征的SVR模型,对新鲜度的关键指标TVB-N含量的平均预测准确度(APA)可达到85.13%,表明高光谱成像技术与信息融合技术相结合能够提升模型准确度。