摘要:目的 研究基于高光谱成像技术对番石榴可溶性固形物(soluble solids content, SSC)的快速测定。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 Savitzky-Golay 平滑和标准正态变量变换作为预处理手段, 使用主成分分析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、区间随机蛙跳法、自举软收缩法(bootstrapping soft shrinkage, BOSS)、变量组合集群分析提取特征波长, 用于建立比较支持向量回归(support vector regression, SVR)和偏最小二乘回归(partial least squares regression, PLSR)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, 预测集决定系数 R2p 为 0.9216, 均方根误差(root mean square error of prediction, RMSEP)为 0.2366, 剩余预测偏差(residual prediction deviation, 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。

摘要:目的 基于高光谱成像技术结合机器学习建立一种青花椒产地的快速识别方法, 实现四川、贵州、云南、重庆等 10 个青花椒主要产地样品的快速无损鉴别。 方法 本研究利用全平皿法、五点平均法和中心点法 3 种不同的兴趣区域(region of interest, ROI)提取方式, 获得平行光谱数据, 分别采用 5 种预处理方法消除数据噪声提升模型性能, 并比较了偏最小二乘判别分析(partial least square-discriminant analysis, PLS-DA)、随机森林(random forests, RF)和支持向量机(support vector machine, SVM) 3 种模型的产地识别效果。结果 采用全平皿法提取兴趣区域, 通过二阶导(second derivative, D2)预处理后建立的 RF 模型分类效果最佳, 训练集和测试集的准确率均可达到 100%。进一步采用连续投影算法(successive projections algorithm, SPA)选择 27 个特征波长建模, 结果表明多元散射校正(multiplicative scatter correction, MSC)-RF 模型判别效果最优, 训练集准确率为 98.8%, 测试集准确率达到98.3%。 结论 本研究建立的方法可实现不同青花椒主要产地样品的快速无损鉴别, 为高光谱成像技术在食品和药品领域的推广应用及专属小型化仪器装备系统的开发提供了理论依据。

摘要:目的 使用高光谱成像技术实现对芒果轻微损伤的无损识别。 方法 在可见光-近红外波长范围内采集完好芒果和损伤芒果的高光谱图像, 并提取相应的感兴趣区域(regions of interest, ROI)获得样本高光谱数据。经过多种预处理方法比较, 选择光谱预处理方法。使用竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)分别对预处理后的光谱提取特征波长, 并分别建立了多元线型回归(multiple linear regression, MLR)模型和偏最小二乘回归(partial least squares regression, PLSR)模型。 结果 选择多元散射校正(multiplicative scatter correction, MSC)作为光谱预处理方法。针对芒果轻微损伤识别, CARS-MLR 模型识别效果最好, 其校正集相关系数为 0.881, 预测集相关系数为 0.821, 校正集均方根误差(calibration set root mean square error, RMSEC)为 0.146, 预测集均方根误差(prediction set root mean square error, RMSEP)为 0.236, 准确率为 97.14%。结论 利用高光谱成像技术可以实现对芒果表面轻微损伤进行有效鉴别。

摘要:目的 基于高光谱技术实现对小麦粉灰分含量的准确检测。方法 利用高光谱成像技术采集小麦粉的光谱数据, 建立基于偏最小二乘法(partial least squares regression, PLSR)和深度极限学习机(deep extremelearning machines, DELM)的小麦粉灰分含量预测模型; 通过分析 3 种预处理算法和 4 种波长选择算法, 分别选出最佳的预处理与波长选择方法, 最后构建基于特征波段光谱信息的预测模型, 并对结果进行比较。 结果 标准正态变量校正(standard normal variable, SNV)为最佳预处理方法; 连续投影算法(successive projections algorithm, SPA)相较于随机森林(random forest, RF)、无信息变量消除(uninformative variable elimination, UVE) 和遗传算法(genetic algorithm, GA)选择特征波长的模型更优; DELM 模型更适用于灰分含量的检测, 最优模型的测试集决定系数为 0.968, 预测集均方根误差为 0.024。结论 高光谱成像技术可以快速、精准的无损检测小麦粉灰分含量, 该技术可为在线检测小麦粉品质系统的开发提供理论依据。