基于NIR高光谱技术快速预测冷鲜鸡肉热杀索丝菌含量

基于NIR高光谱成像技术快速评估鸡肉热杀索丝菌含量。通过采集新鲜鸡肉高光谱图像并提取样本反射光谱信息(900~1699 nm),再采用多元散射校正(Multiplicative Scatter Correction,MSC)、基线校正(Baseline Correction,BC)和标准正态变量校正(Standard Normal Variable Correction,SNV)三种方法预处理原始光谱,分别利用偏最小二乘(Partial Least Squares,PLS)、多元线性回归(Multiple Linear Regression,MLR)挖掘光谱信息与鸡肉热杀索丝菌参考值之间的定量关系。同时采用PLS-β系数法、Stepwise算法和连续投影算法(Successive Projections Algorithm,SPA)筛选最优波长简化全波段模型(F-PLS)提高预测效率。结果显示,经BC预处理的全波段光谱(485个波长)构建的F-PLS模型预测热杀索丝菌效果较好,相关系数R_P为0.973,误差RMSEP为0.295 lg CFU/g。基于PLS-β法从BC预处理光谱中筛选出25个最优波长构建的PLS-β-PLS(R_P=0.931,RMSEP=0.434 lg CFU/g)模型预测较好。本试验表明,利用近红外高光谱成像技术可潜在实现鸡肉热杀索丝菌含量的快速评估。     

NIR高光谱成像技术联用SPA算法 快速检测五花肉的过氧化值

利用近红外(NIR)高光谱成像技术结合连续投影算法(SPA)快速、无损检测五花肉的过氧化值。通过高光谱成像系统采集样品的光谱图像,提取其反射光谱信息,经过基线校正(BC)、高斯滤波平滑(GFS)、中值滤波平滑(MFS)、卷积平滑(SGS)、移动平均值平滑(MAS)、标准正态变量变换(SNV)、多元散射校正(MSC)七种预处理后,利用偏最小二乘(PLS)建立预测模型。使用SPA筛选最优波长,重新预算,构建优化的PLS模型和多元线性回归(MLR)模型。结果显示,经过BC预处理(R_P=0.960,RMSEP=5.15×10-4g/100 g)和原始数据RAW(R_P=0.960,RMSEP=4.89×10-4g/100 g)的全波段PLS模型(F-PLS)预测过氧化值效果较好。优化结果显示,RAW的MLR模型(R_P=0.968,RMSEP=4.12×10-4 g/100 g)预测效果更好。研究表明,NIR高光谱成像技术联用SPA算法可潜在实现对五花肉过氧化值的快速无损检测。     

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。     

基于不同预处理高光谱信息的鸡肉滴水损失率快速预测研究

本文旨在通过挖掘不同预处理高光谱(900~1700 nm)信息构建鸡肉滴水损失率的快速预测模型。首先采集每个鸡肉样本高光谱图像并提取图像感兴趣区域内的平均光谱信息,经基线校正(BC)、标准正态变量校正(SNV)、多元散射校正(MSC)、高斯滤波平滑(GFS)、归一化校正(NC)等五种光谱不同预处理,利用偏最小二乘回归(Partial Least Squares Regression,PLSR)算法构建光谱信息与鸡肉滴水损失率之间的定量关系。然后分别基于回归系数法(Regression Coefficient,RC)、连续投影算法(Successive Projections Algorithm,SPA)和逐步回归算法(Stepwise)筛选出对模型精度影响较大的最优波长优化全波段PLS模型。结果显示,基于BC光谱的全波段PLSR模型(BC-PLSR)预测鸡肉滴水损失率效果更好(r_P=0.95,RMSEP=0.29%,RPD=3.07,ΔE=0.0024%)。利用Stepwise法从BC光谱中选取的14个最优波长(900.6、903.8、905.5、907.1、917.0、997.7、1162.2、1272.4、1354.8、1369.6、1410.8、1425.6、1584.1和1695.1 nm)建立的SW-BC-PLSR模型(r_P=0.97,RMSEP=0.24%,RPD=3.82,ΔE=0.0012%)和多元线性回归(Multiple Linear Regression,MLR)模型SW-BC-MLR(r_P=0.97、RMSEP=0.22%、RPD=4.19,ΔE=0.0036%)预测鸡肉滴水损失率效果均良好。本试验表明,基于近红外高光谱信息可潜在实现鸡肉滴水损失率的快速预测。     

近红外高光谱快速无接触评估冷鲜猪肉脂质氧化

基于近红外高光谱成像技术对不同贮藏期的猪肉脂肪氧化程度进行快速无接触评估研究。采集冷鲜猪肉样品的900~1 700nm反射光谱信息,经高斯滤波平滑(GFS)、移动平均值平滑(MAS)、卷积平滑(SGCS)、中值滤波平滑(MFS)、多元散射校正(MSC)、标准正态变量变换(SNV)和基线校正(BC)7种预处理后,利用偏最小二乘回归(PLSR)算法挖掘光谱信息与2-硫代巴比妥酸(TBA)参考值之间的定量关系。结果显示,经GFS预处理的全波段光谱(486个波长)构建的GFS-PLSR模型预测TBA效果较好(RP=0.919,RMSEP=0.036 mg/100g)。采用回归系数法(RC),逐步回归法(Stepwise)和连续投影算法(SPA)筛选最优波长优化GFS-PLSR模型。结果显示,使用RC法从GFS光谱中筛选的29个最优波长构建的RC-GFS-PLSR模型预测TBA效果较好(RP=0.924,RMSEP=0.034mg/100g),且和GFS-PLSR模型预测精度相近。试验表明,利用近红外高光谱成像技术结合RC法预测猪肉中TBA值可实现猪肉脂肪氧化程度的间接快速评估。     

基于最优光谱信息的冷鲜鸡肉TBA值快速检测

基于最优光谱信息构建PLS模型预测冷鲜鸡肉的2-硫代巴比妥酸(2-Thiobarbituric acid,TBA)值,快速无损评估冷鲜鸡肉的氧化程度。采集冷鲜鸡肉的900~1700 nm范围内高光谱图像,提取并平均图像中感兴趣区域内的反射光谱信息,经移动平均值平滑(MAS)、卷积平滑(SGS)、中值滤波平滑(MFS)、高斯滤波平滑(GFS)、归一化(N)、多元散射校正(MSC)、基线校正(BC)和标准正态变量变换(SNV)8种方法预处理光谱信息后,建立偏最小二乘(PLS)模型预测冷鲜鸡肉中TBA值。同时采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(SPA)筛选最优波长优化PLS模型。结果显示,基于PLS-β系数法从GFS光谱筛选的31个最优波长构建的GFS-P-OW-PLS模型预测冷鲜鸡肉TBA值效果最好(r_P=0.945,RMSEC=0.053 mg/100 g)。综上,基于最优光谱信息构建PLS模型可实现鸡肉TBA值的快速无接触检测。     

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。     

高光谱快速预测冷鲜鸡胸肉中乳酸菌

乳酸菌含量是评价冷鲜鸡胸肉品质的重要指标。随着储藏天数的增加,当乳酸菌含量超过106 CFU/g,冷鲜鸡胸肉黏度增加,开始腐败变味。本研究通过化学计量学算法挖掘高光谱数据快速预测鸡胸肉中乳酸菌含量。首先,采集119个冷鲜鸡胸肉样品900~1700 nm的高光谱图像,提取肉样图像感兴趣区域(Region of interest,ROI)内的光谱信息,经多元散射校正(Multiplicative Scatter Correction,MSC)等8种方法预处理原始光谱,采用偏最小二乘(Partial Least Squares,PLS)算法挖掘光谱信息,构建全波段PLS预测模型(F-PLS)。然后,选用回归系数法(Regression Coefficient,RC)、逐步回归法(Stepwise)和连续投影算法(Successive Projections Algorithm,SPA)筛选最优波长优化F-PLS模型。结果显示,基于SPA法从基线校正(Baseline Correction,BC)预处理光谱中筛选出21个最优波长(903.8、905.5、912.1、915.4、917.0、920.3、923.6、931.8、941.7、1107.0、1135.9、1157.3、1269.2、1303.7、1320.2、1348.2、1551.1、1676.9、1686.9、1695.1和1698.4 nm)构建的SPA-PLS模型预测最好(r_P=0.949,RMSEP=0.439lg CFU/g,RPD=2.787)。本试验表明,采用近红外高光谱技术快速预测冷鲜鸡胸肉中乳酸菌含量是可行的。     

基于高光谱信息的生鲜鸡肉离心损失率快速预测模型构建

本文旨在挖掘900~1700 nm波长范围内的高光谱信息构建生鲜鸡肉离心损失率的快速预测模型。通过采集生鲜鸡肉样品的高光谱图像,并提取图像感兴趣区域的光谱信息,经基线校正(Baseline Correction,BC)、高斯滤波平滑(Gaussian Filter Smoothing,GFS)、多元散射校正(Multiplicative Scatter Correction,MSC)、移动平均值平滑(Moving Average Smoothing,MAS)、中值滤波平滑(Median Filtering Smoothing,MFS)5种光谱预处理后,建立全波段偏最小二乘(Partial Least Squares,PLS)回归模型,并利用回归系数法(Regression Coefficient,RC)、连续投影算法(Successive Projections Algorithm,SPA)和逐步回归法(Stepwise)筛选特征波长,优化全波段模型。结果显示,基于Stepwise法从原始光谱中筛选的16个最优波长(900.6、915.4、1024.0、1089.8、1111.2、1155.6、1165.5、1288.9、1305.4、1433.9、1442.1、1486.7、1493.3、1541.1、1690.1和1693.4 nm)构建的PLS模型预测效果较好,其中,r_C为0.94,RMSEC(Root Mean Square Error of Calibration)为1.43%,r_P为0.94,RMSEP(Root Mean Square Error of Prediction)为1.60%。本文表明,基于高光谱信息构建的PLS模型可快速预测生鲜鸡肉离心损失率。     

基于可见/近红外光谱预测枇杷糖度及模型优化

为实现枇杷糖度的快速无损检测,并探究开阳枇杷糖度最优预测模型。首先利用光纤光谱仪获取开阳枇杷的反射光谱,分析比较标准正态变换和多元散射校正方法对原始光谱数据的预处理效果;然后基于原始全光谱和预处理后的全光谱数据分别构建预测开阳枇杷糖度的偏最小二乘回归和主成分回归模型;最后,采用连续投影算法和竞争性自适应重加权算法（competitive adaptive reweighted sampling, CARS）筛选特征光谱,并基于特征光谱构建预测开阳枇杷糖度的多元线性回归（multi linear regression, MLR）模型。结果表明,采用CARS算法从785个全光谱中筛选了23个特征波长,不仅提升了预测模型的运算效率,而且建立的CARS-MLR模型具有最佳的校正性能（R_C=0.89,RMSEC=0.62）和预测性能（R_P=0.89,RMSEP=0.65,RPD=2.29）。这表明利用可见/近红外光谱技术结合化学计量学预测开阳枇杷糖度是可行的,且CARS-MLR模型相对最优,为枇杷品质的无损快检和分选提供了理论依据与技术基础。     

近红外结合线性回归算法快速预测小麦籽粒干物质和重量

为了实现小麦品质(干物质、重量)的快速无损检测,对35个小麦品种样品进行了近红外系统扫描,获取光谱信息,并进行高斯滤波平滑(GFS)、归一化(N)和基线校正(BC)预处理.采用偏最小二乘(PLS)算法分别建立光谱信息与干物质和重量参考值之间的定量关系.采用回归系数法(RC)和连续投影算法(SPA)两种方法在900～17...     

高光谱成像技术结合线性回归算法快速预测鸡肉掺假牛肉

采用近红外高光谱成像技术(900~1700 nm)结合线性回归算法对牛肉掺假快速无损检测。将鸡肉糜掺入牛肉糜中制备牛肉掺假样品,掺假比例为2%~98%(w/w),掺假间隔为2%。采集掺假样品的光谱图像,提取光谱数据,并利用偏最小二乘回归(Partial least squares regression,PLSR)和多元线性回归(Multiple linear regression,MLR)算法建立掺假样品的定量预测模型。为了减少高维共线性问题,提高模型运算效率,分别采用PLS-β系数法、逐步回归法(Stepwise)和连续投影算法(Successive projection algorithm,SPA)筛选最优波长建立优化预测模型。结果表明,基于SPA算法结合MLR建模方法得到的掺假牛肉预测模型,其预测效果最优,校正集决定系数(R_C2)和均方根误差(Root mean square error of calibration,RMSEC)分别为0.99和3.23%,验证集的决定系数(R_P2)和均方根误差(Root mean square error of prediction)RMSEP分别为0.97和5.31%,预测偏差(Residual predictive deviation,RPD)为6.82。综上,近红外高光谱成像技术结合线性回归算法可以实现对掺假牛肉的快速无损定量检测。     

傅立叶近红外光谱法测定桃果中果胶含量

目的 基于傅里叶近红外光谱(Fourier transform near infrared)检测桃果中果胶含量的研究。方法 近红外光谱采集样品利用两个品种的桃,探究光谱预处理对建模的影响,建模采用偏最小二乘法(PLS)以及主成分回归(PCR)方法,模型的评价标准采用建模相关系数(R_C)、建模均方偏差(RMSE_C)、预测相关系数(R_P)、预测均方偏差(RMSE_P)。结果 两个品种的近红外光谱图和果胶含量无明显差异(P＞0.05),采用标准正态变量变换(SNV)和多元散射校正(MSC)对原始光谱的光程进行选择,所得建模结果影响基本一致,合适光谱数据格式以及平滑处理,能提高PLS和PCR模型的预测精度和稳定性。综合得出模型最佳是利用PLS方法建模并采用MSC/SNV结合一阶导数和 Savitzky-Golay (S-G)平滑对近红外光谱图进行预处理,评价参数分别为R_C=0.7795、R_P=0.7545、RMSE_C=0.0933、RMSE_P=0.0534和R_C=0.7800、R_P=0.7530、RMSE_C=0.0932、RMSE_P=0.0534。结论 该方法为利用近红外建模快速检测桃果中果胶含量提供重要依据。