基于高光谱成像技术的羊肉新鲜度预测

为实现羊肉新鲜度的快速、无损检测,应用高光谱成像技术对不同存储天数的羊肉建立挥发性盐基氮TVB-N(Total volatile basic nitrogen,TVB-N)含量预测模型。通过高光谱成像系统获取羊肉样本935～2 539nm的高光谱图像,选取样本左上、左下、右上、右下和中间5个位置20×20像素的方形作为感兴趣区域(Region of interesting,ROI),提取ROI并计算区域内样本平均光谱。利用二进制粒子群优化算法(Binary particle swarm optimization,BPSO)和相关系数分析法(Correlation coefficient,CC)提取羊肉TVB-N高光谱特征变量,结合偏最小二乘回归(Partial least squares regression,PLSR)和随机森林回归(Random forest regression,RFR)建模算法,分别建立表征羊肉TVB-N含量的BPSO-PLSR、BPSO-RFR、CC-PLSR、CC-RFR预测模型。依据袋外均方根误差RMSEOOB最小原则,对最佳回归子树和分裂特征2个主要参数进行寻优以提高RFR建模算法的预测精度。比较4个模型的预测效果发现,BPSO-RFR模型的预测精度最高,其校正集决定系数R_c~2和均方根误差RMSEC分别为0.87和2.99,预测集决定系数R_p~2和均方根误差RMSEP分别为0.86和3.36。综上,高光谱成像技术和机器学习算法的有机结合为快速有效检测肉品新鲜度提供了理论依据。     

基于微型近红外光谱仪油菜籽粗脂肪 与粗蛋白校正模型的建立

为了验证微型近红外光谱仪的现场分析实用性,利用该光谱仪测定了油菜籽中粗脂肪与粗蛋白的含量。采集油菜籽样品的近红外反射光谱,光谱经预处理和异常样本剔除后,结合偏最小二乘法回归(PLSR)建立油菜籽的粗脂肪与粗蛋白定量分析模型。结果表明,粗脂肪的模型校正相关系数(Rc)、校正均方根误差(RMSEC)、预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.9187、1.1873、0.8162和1.3895;粗蛋白的模型校正相关系数(Rc)、校正均方根误差(RMSEC)、预测相关系数(Rp)和预测均方根误差(RMSEP)分别为0.8773、0.8153、0.8033和0.7532。验证了该光谱仪在油菜籽的粗脂肪含量和粗蛋白含量检测方面是可行的,为进一步拓展微型近红外光谱仪的应用奠定了基础。     

利用荧光高光谱图像技术无损检测猕猴桃糖度

将405nm激光照射到猕猴桃样品上,当激光透过样品内部时,部分单色光被样品内部成分吸收,释放出荧光,再用高光谱成像系统采集诱导出的荧光散射图像.在荧光散射图像上选取感兴趣荧光区域(ROIs),提取感兴趣区域在波长400～1000nm范围内的特征变量.当提取12个特征变量时,建立的猕猴桃糖度多元线性回归(MLR)模型的校正集相关系数Rc为0.932,预测均方根误差(RMSEC)为0.4764°Brix,预测集相关系数Rp为0.8227,预测均方根误差(RMSEP)为0.5645°Brix.研究结果表明,采用激光诱导荧光成像技术无损检测猕猴桃糖度是可行的.     

葡萄可溶性固形物的高光谱无损检测技术

为明确采用高光谱成像技术对葡萄可溶性固形物(SSC)检测的可行性。以高光谱成像系统为试验仪器,采集葡萄样本的漫反射光谱,对比分析不同光程校正方法、不同预处理方法对建模精度的影响,建立不同的葡萄SSC定量预测模型。研究结果表明,在波段500~1 000 nm的范围内,采用经过标准正态变化、一阶微分和Savitzky-Golay平滑相结合预处理后的偏最小二乘法建模方法预测能力最强,校正集相关系数(r_c)为0.912 6,校正集均方根误差(RMESC)为0.542,预测集相关系数(r_p)为0.854 0,预测集均方根误差(RMESP)为0.758。由结果可知,应用高光谱成像技术可以对葡萄可溶性固形物含量进行无损检测。     

脐橙可溶性固形物含量的光谱检测技术研究

以晚熟脐橙为试材,采用近红外光谱技术与常规检测分析相结合的方法,对比和评价了基于果面和果汁光 谱信息的脐橙可溶性固形物(TSS)含量预测模型精度,并筛选了可溶性固形物预测特征光谱.通过对果面和果汁原 始光谱的多元散射校正(MSC)预处理,利用偏最小二乘法(PLS)分别建立了TSS预测模型,其中,当果面光谱主因 子为5时,其对于可溶性固形物预测相关系数为最大(R=0.8367)、预测均方根误差(RMSEP)为最小(RMSEP= 0.4903);而当果汁光谱主因子为8时,其对果汁可溶性固形物的预测相关系数为最大(R=0.9058)、预测均方根 误差为最小(RMSEP=0.5236).采用联合区间偏最小二乘法(siPLS)对果面和果汁光谱特征波段组合进行筛选, 获得果面光谱建模特征波段组合为1000~1107,1750~1857,2071~2177和2178~2284nm,建立的校正集和 预测集模型相关系数分别为0.9462和0.9020,RMSECV为0.3596,RMSEP为0.4309;获得用于果汁光谱建模 的特征波段组合为1000~1125,1251~1375,1376~1500和1626~1750nm,校正和预测模型相关系数分别为 0.9894和0.9596,RMSECV为0.1631,RMSEP为0.3128.结果表明:试验所筛选出的果面和果汁近红外光谱 特征波段组合建立的校正模型,均可用于晚熟脐橙TSS含量的无损检测,果汁光谱对于甜橙果实固形物含量预测 精度高于果面光谱,近红外光谱技术用于橙汁固形物检测是可行的.     

小麦籽粒蛋白质光谱特征变量筛选方法研究

【目的】筛选整粒小麦籽粒蛋白质的近红外特征光谱波段并建立优化模型,可实现快速、无损测定整粒小麦籽粒蛋白质含量,为田间便携式小麦籽粒蛋白质含量速测仪设计提供依据。【方法】2012-2013年以蛋白质含量有明显差异的8个冬小麦品种为试验品种,设置3个施氮量和2个灌溉量共6个处理,建立丰富的样本类型,共采集176个小麦籽粒光谱数据;将ASD FieldSpec Pro光谱仪采集到的基于全反射下垫面的整粒小麦籽粒反射光谱通过公式A=log(1/R)转换为吸收光谱,对吸收光谱采用S-G平滑、多元散射校正和基线校正等方法进行预处理,以消除背景噪声,然后采用交叉验证偏最小二乘回归方法进行特征波段压缩;分析比较无信息变量剔除法（UVE）结合交叉验证偏最小二乘回归、连续投影算法（SPA）结合交叉验证偏最小二乘回归、UVE与SPA组合后结合交叉验证偏最小二乘回归、UVE与SPA组合后结合多元线性回归（MLR）及UVE与SPA组合后结合逐步多元线性回归（SMLR）等多种特征光谱筛选方法选出的蛋白质特征波段的优劣,并与凯氏定氮法测定的小麦籽粒蛋白质含量进行回归分析,构建并优选小麦籽粒蛋白质最佳预测模型。【结果】利用无信息变量剔除（UVE）方法可将与小麦籽粒蛋白质含量无关的信息变量剔除,把籽粒的原始光谱由1 621个波段压缩至717个,在保留了蛋白质信息的同时,实现了特征谱段的初次优选;对逐步多元线性回归（SMLR）、连续投影算法（SPA）、连续投影算法（SPA）+逐步多元线性回归（SMLR）及连续投影算法（SPA）+偏最小二乘回归（PLS）+交叉验证（CV）等特征波段优选算法比较发现,不同的方法获得的特征谱段有差异,构建的模型及精度也明显不同。对经过无信息变量剔除（UVE）法筛选光谱特征谱段,利用SPA消除光谱矩阵中波段共线性影响,再利用SMLR筛选出小麦籽粒蛋白质信息贡献最大的15个特征谱段,所得模型的预测均方根误差（RMSEP）和R²分别为0.5898和0.9410,模型预测精度最高。【结论】本研究利用UVE、SPA与SMLR方法有效压缩了整粒小麦籽粒光谱矩阵,基于所筛选的蛋白质含量特征谱段数构建的预测模型可以实现无损、快速测定整粒小麦籽粒蛋白质含量,预测模型精度可靠,方法经济有效,为设计田间便携式整粒小麦籽粒蛋白质测定仪的波段选择和开发奠定了基础。     

苹果糖度无损检测模型研究

【目的】对套袋和不套袋苹果分别建立反射光谱与糖度预测模型,并对模型的精度进行比较分析,为构建苹果品质分级系统提供理论支撑。【方法】采用美国ASD公司的便携式光谱仪和数显折光计分别测量套袋和不套袋烟富3号红富士苹果,以苹果赤道位置4个取样点的反射率光谱和对应位置的糖度为数据源,原始光谱经多元散射校正后,与糖度数据一同用偏最小二乘回归算法,分别建立套袋和不套袋苹果的反射率光谱糖度模型,进行糖度预测。【结果】(1)套袋苹果校正集相关系数Rc=0.76,均方根误差RMSEP=0.8375 Brix;预测集相关系数Rv=0.72,均方根误差RMSEP=0.8702 Brix;(2)不套袋苹果校正集相关系数Rc=0.69,均方根误差RMSEP=0.9040 Brix;预测集相关系数Rv=0.63,均方根误差RMSEP=0.9134 Brix。【结论】不套袋苹果的模型精度低于套袋苹果模型精度。相对复杂的表面情况导致不套袋苹果模型精度较差,不套袋苹果的无损检测误差会高于套袋苹果。     

巴山木竹蛋白质可见/近红外光谱定量分析模型研究

探讨了运用可见/近红外光谱分析技术建立巴山木竹蛋白质定量分析模型的可行性。运用传统方法实测了样品蛋白质含量,并运用光谱分析软件建立了样品蛋白质含量与光谱数据的PLS与PCR校正模型。基于主要性能指标对不同光谱预处理与建模方法进行评价,筛选出最优校正模型并使用验证集样品对校正模型的预测能力进行了验证。巴山木竹竹叶与竹秆蛋白质最优校正模型的决定系数(R_c~2)分别为0.935和0.862,交叉验证均方差(RMSEC)分别为0.351和0.172;经外部验证,预测模型决定系数(R_p~2)分别为0.916和0.874,验证集样品的相对分析误差(RPD)分别为3.562和2.840。表明应用可见/近红外光谱分析技术可以实现巴山木竹蛋白质含量快速检测。     

真空包装冷却羊肉pH值和颜色的近红外快速无损检测

【目的】羊肉新鲜度理化指标传统测定中存在操作繁琐、需使用化学试剂、样品被破坏与接触等问题。研究真空包装冷却羊肉pH值和颜色的近红外快速无损检测。【方法】以新疆小尾寒羊作为研究对象,利用近红外光谱技术(NIRS),研究储藏过程中真空包装冷却羊肉理化指标的快速无损检测,针对化学指标pH和物理指标颜色亮度(L*),采用光谱预处理和特征波段筛选方法优化和简化各指标含量预测模型。【结果】pH和L*均以组合使用遗传算法(GA)与连续投影算法(SPA)筛选特征波段建立的多元线性回归模型(MLR)最佳,优于单一波段筛选方法,其预测集相关系数均为0.91,预测集均方根误差分别为0.13和1.91。【结论】近红外光谱技术具有绿色、无损、同时分析多指标的检测优势,可替代传统检测手段实现对肉品理化指标的快速无损准确检测。     

脐橙可溶性固形物的在线近红外光谱检测

【目的】应用近红外光谱漫反射技术在线检测脐橙内部的可溶性固形物含量(SSC)。【方法】以0.3m/s的速度、400W的光照强度获取脐橙(脐橙样品为97个,其中74个为校正集,23个样品为预测集)的漫反射光谱;对比不同光谱预处理方法(平滑、一阶微分、二阶微分等)对偏最小二乘回归(PLSR)所建预测模型性能的影响,建立PLSR、主成分回归(PCR)和多元线性回归(MLR)在线检测脐橙可溶性固形物含量的预测模型。【结果】在520~1 000nm光谱范围,卷积平滑(S-G)能有效提高光谱的信噪比,改善模型预测精度;基于PLSR所建立的预测模型较PCR和MLR更为理想,其预测相关系数(RP)为0.90,预测均方根误差(RMSEP)为0.61。【结论】利用在线近红外光谱技术检测脐橙可溶性固形物含量是可行的。     

基于光谱微分滤波及多元校正的马铃薯干物质含量快速检测

针对生产实际中缺乏快速的品质检测手段影响马铃薯产业发展的问题,开展基于漫反射光谱的马铃薯干物质含量检测研究。采用一、二阶微分及Norris微分滤波对光谱数据进行预处理,以消除干扰信息的影响。分析了主成分回归(PCR)和偏最小二乘(PLS)两种多元校正法在建立校正模型中的特点,分别建立了干物质含量校正模型,通过外部验证确定适合的建模方法。131个样品的检测研究结果表明,一阶微分光谱Norris滤波(分段长度为17点,分段间距为4点)处理后,采用PLS法的建模与预测效果最好,模型相关系数r为0.898,均方根校正误差(RMSEC)为1.72%,均方根预测误差(RMSEP)为2.34%,明显优于采用原始光谱、一阶微分光谱、二阶微分光谱及二阶微分Norris滤波光谱的建模与预测结果。     

近红外光谱结合CARS-PLS模型检测草莓可溶性固形物含量研究

为了实现对草莓内部可溶性固形物含量(soluble solids content,SSC)客观、准确、快速和无损检测,采用近红外光谱结合竞争性自适应重加权算法采样(CARS)变量选择以及多变量校正分析的测定方法。164个草莓样本被分成校正集(123个)和预测集(41个)。基于全光谱数据,通过CARS算法获得了可以表征原始光谱信息的117个特征光谱变量。全光谱变量和特征光谱变量分别作为输入构建了偏最小二乘回归PLS和多元线性回归MLR模型,通过比较3类模型发现,基于特征光谱的PLS模型(即CARS-PLS模型)对草莓内部可溶性固形物含量测定性能最优,针对预测集样本,模型预测相关系数r_P和均方跟误差RMSEP分别为0.950 9和0.335 2。     

采后葡萄可溶性固形物含量的高光谱成像检测研究

提出一种应用高光谱成像技术检测葡萄可溶性固形物含量的方法。使用高光谱成像系统采集葡萄漫反射光谱,在500~1 000 nm光谱,采用多元散射校正(MSC)、标准正态变换(SNV)进行光程校正,结合一阶微分(1-Der)、二阶微分(2-Der)、Savitzky-Golay(S-G)平滑方法及其组合对原始光谱进行预处理,建立可溶性固形物含量的偏最小二乘法(PLS)和逐步多元线性回归(SMLR)模型。结果表明:采用PLS和SMLR建模方法均取得较好的预测效果。采用经过MSC、1-Der和S-G平滑相结合预处理后的光谱建立PLS预测模型,校正集的相关系数Rc为0.979 1,RMSEC为0.265,预测集的相关系数Rp为0.962 0,RMSEP为0.372;采用原始光谱、1-Der和SG平滑相结合预处理后的光谱建立SMLR预测模型,校正集的相关系数Rc为0.967 8,RMSEC为0.327,预测集的相关系数Rp为0.947 2,RMSEP为0.394。以上表明,基于高光谱成像技术可以实现采后葡萄可溶性固形物含量的准确无损检测。     

基于高光谱成像的蓝莓内部品质检测特征波长选择方法研究

为了实现蓝莓内部品质快速、准确检测,采用高光谱成像技术对蓝莓的糖度和硬度多指标同时进行检测研究。提出多阶段特征波长选择方法,即采用连续投影法(SPA)和逐步多元线性回归(SMLR)等特征波长选择方法同时将糖度和硬度的特征波长选择出来。通过高光谱成像系统(400~1000nm)采集了200幅蓝莓图像,首先对高光谱图像进行多元散射校正、标准正态变量变换和Savitzky-Golay平滑等光谱预处理,选取最优的预处理方法。然后利用SPA或者SMLR选择出糖度的几个特征波长,在此基础上再利用SPA或者SMLR选择出硬度的几个特征波长,从而形成四个特征波长选择方法 (SPA-SPA、SMLR-SMLR、SPA-SMLR和SMLR-SPA),采用4种多阶段特征波长选择方法提取同时反映蓝莓糖度和硬度的特征波长的组合。最后以全波长光谱信息(FS)和4种多阶段特征波长选择方法得出的光谱信息作为BP神经网络模型的输入矢量,建立了蓝莓糖度和硬度的预测模型。结果表明:Savitzky-Golay平滑为最优的预处理方法 ,结合BP神经网络,采用SPA-SPA多阶段特征波长选择方法所得的预测性能最优,糖度校正集的相关系数(Rc)和校正均方根误差(RMSEC)分别达到0.959和0.318°Brix,硬度校正集的相关系数(Rc)和校正均方根误差(RMSEC)分别达到0.956和0.153°Brix。糖度预测集的相关系数(Rp)和预测均方根误差(RMSEP)分别达到0.952和0.391°Brix,硬度预测集的相关系数(Rp)和预测均方根误差(RMSEP)分别达到0.953和0.234°Brix。该研究表明,应用高光谱成像技术可以对蓝莓糖度和硬度多指标同时进行检测研究,所获得的特征波长可为开发多光谱成像的蓝莓品质检测和分级系统提供参考。     

成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测

【目的】研究成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测技术,为及时、准确地掌握成熟期梨果实的内部品质特性及田间管理、适时采收、合理储藏提供依据。【方法】基于近红外漫反射光谱检测技术分别建立了成熟期砀山酥梨可溶性固形物含量的偏最小二乘(PLS)、广义回归神经网络(GRNN)和偏最小二乘支持向量机动态预测模型(LSSVM),并综合评价了无信息变量消除法(UVE)优选有效特征波数对于简化模型、提高预测性能的影响。【结果】UVE算法能够很好地提高建模效率、有效改善GRNN和LSSVM模型预测精度,而对PLS分析模型效果不明显。3种模型中,LSSVM模型比GRNN和PLS模型具有明显优势,其中UVE-LSSVM模型具有最佳预测精度和适用性,其校正相关系数(Rc)为0.988,校正均方根误差(RMSEC)为0.074,预测相关系数(Rp)为0.922,预测均方根误差(RMSEP)为0.162。【结论】基于近红外光谱技术的UVE-LSSVM模型可用于成熟期梨可溶性固形物含量的无损检测。     

基于透射光谱技术的温州蜜柑含水率检测

利用可见/近红外光谱透射技术检测温州蜜柑含水率。采用微分处理(differential processing,SD)、多元散射校正(multivariate scattering correction,MSC)、标准正态变换(standard normal variate,SNV)、SG卷积平滑以及标准化等预处理方法比较建立的偏最小二乘回归模型(partial least squares regression,PLS)的拟合准确度,并确定最佳预处理方法,同时采用竞争性自适应重加权采样算法(competitive adaptive reweighted sampling algorithm,CARS)提取特征波长,以此建立基于柑橘含水率的PLS模型、BP神经网络模型和最小二乘支持向量机模型(least squares support vector machine,LSSVM)。结果显示,使用经过SNV预处理后的光谱进行CARS筛选得到的359个波长建立的LSSVM模型预测效果最佳,校正集的相关系数和均方根误差分别为0.937 5和0.008 6,验证集相关系数和均方根误差分别为0.831 6和0.012 0,表明可见/近红外光谱技术用于温州蜜柑的含水率检测是可行的。     

基于近红外光谱法的水稻秸秆可溶性糖快速检测

采集并制备不同地域、不同品种的水稻秸秆样本288个,根据浓度梯度法,按照31的比例划分校正集与验证集。采用蒽酮硫酸比色法测定试验样本中可溶性糖含量,并采集在近红外全波段(10 000~4 000cm-1)范围内样本的近红外光谱信息。采用多元散射校正(MSC)、标准正态变量变换(SNV)、导数、S-G平滑及其组合方法对光谱进行预处理,分别运用逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)化学计量学算法,建立基于近红外光谱的逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)定量分析模型。通过比较分析,对光谱进行一阶导数预处理,建立的PLS模型效果最优,校正集实测值与预测值之间的决定系数R2C达到0.880 6,交互验证决定系数(R2CV)和验证集决定系数(R2V)分别为0.771 1、0.857 8,均方根差RMSEC、RMSECV、RMSEP分别为0.318%、0.440%、0.404%,校正集相对分析误差(RPDC)和验证集相对分析误差(RPDV)均大于2.5。结果表明,采用近红外光谱法建立的PLS模型基本可以实现水稻秸秆中可溶性糖含量的快速检测。     

基于水分子结构变化的不同温度下细菌浓度的检测

为探究样本温度、细菌浓度对水分子结构的改变从而明确细菌浓度检测的机理,以金黄色葡萄球菌悬浊液样本为例在水的特征吸收波段(1 334～1 539nm)对不同温度下不同浓度细菌进行表征和检测。首先,通过对比不同预处理方法,得到最佳预处理方法,然后利用多级成分分析分别建立一级模型(温度与光谱的关系模型)和二级模型(细菌浓度与光谱的关系模型)。结果表明,Savitzky-Golay卷积平滑结合连续小波变换的预处理方法最优。一级模型可以精确表征样本温度,其校正相关系数(correlation coefficient,RC)和校正均方根误差(root mean square error,RMSEC)分别为0.997和0.37℃。对温度贡献较大的波长对应水溶剂化层OH-(H_2O)_(1,4)和超氧化物O_2-(H_2O)_4、游离水和游离OH-(S0)及具有1个氢键的水分子(S1),该模型预测相关系数R_P和预测均方根误差RMSEP分别为0.997和0.37℃。二级模型可以较好表征样本浓度,其校正相关系数R_C和校正均方根误差RMSEC分别为0.887和0.891log CFU/mL。对细菌浓度贡献最大的波长对应H_2O非对称伸缩振动V_3,具有1个氢键的水分子(S1)、具有3个氢键的水分子(S3)及具有4个氢键的水分子(S4),预测相关系数RP和预测均方根误差RMSEP分别为0.869和0.858log CFU/mL。本研究所建模型均具有较好的检测精度和适应性,表明水的结构特性对细菌悬浊液温度、细菌浓度检测起重要作用。     

基于近红外光谱技术的茶油脂肪酸含量的快速检测

为快速准确地测定茶油中脂肪酸含量,建立了应用近红外光谱技术检测茶油中脂肪酸含量的方法。选取市售的156份茶油样品,利用气相色谱仪测定其脂肪酸组成及含量,同时采用近红外光谱仪采集油样的光谱数据,并分析原始(R)光谱、SG平滑(SG)光谱和二阶导数变换(SD)光谱与茶油中脂肪酸含量的相关性,采用偏最小二乘回归法(PLSR)比较全光谱波段与显著性波段对建模精度的影响,优选出茶油中脂肪酸含量的定量检测模型。结果表明:茶油中棕榈酸、油酸和亚油酸含量较高,分别为4.428%~10.931%、78.036%~84.621%、7.013%~9.863%;采集的茶油近红外光谱曲线特征变化较为明显,光谱特征峰的位置分布于8 600~8 200、7 300~6 900、6 000~5 500、4 800~4 500和4 500~4 000 cm–1;茶油中棕榈酸含量与R、SG光谱吸光度呈正相关,油酸和亚油酸含量与R、SG光谱吸光度呈负相关,SD光谱数据与棕榈酸、油酸和亚油酸含量之间的相关系数与R和SG光谱吸光度比较,相关性极大被削弱;基于全波段建立的PLSR模型对棕榈酸、油酸和亚油酸含量的整体预测精度略高于显著性波段所建立的模型,校正集相关系数RC和预测集相关系数RP分别为0.837~0.956和0.818~0.938。从模型的复杂程度分析,采用显著性波段建模的输入变量的数量可压缩至全波段建模的25%以下;SG–PLSR模型对棕榈酸、油酸和亚油酸含量的综合预测性能最优,相应的RP和预测集均方根误差(RMSEP)分别为0.938、0.930、0.925和0.560、0.438、0.287。     

利用高光谱成像技术预测牛肉pH值及其空间分布

利用可见/近红外高光谱(400～1 000 nm)成像技术对黄牛肉pH值进行预测。对229个黄牛肉样本的原始光谱信息利用Kennard-Stone(KS)算法进行样本集划分及光谱预处理,分别采用竞争性自适应加权算法(competitive adaptive reweighed sampling, CARS)、无信息消除变量法(uninformative variable elimination, UVE)、β权重系数法及变量组合集群分析法(variable combination population analysis, VCPA)对特征波长进行提取,最后结合偏最小二乘回归(partial least squares regression, PLSR)、多元线性回归(multiple linearity Regression, MLR)和主成分回归(principal component regression, PCR)方法对全波段及特征波段进行建模分析,进而优选出最佳模型。结果表明,利用KS算法划分后的样本集,结合最大归一化法预处理后的光谱数据所建立的预测模型的R_C~2和R_P~2分别为0.842 3和0.783 7,效果较好;利用CARS、UVE、β权重系数法和VCPA分别选出19、16、14和11个特征波长;基于CARS提取特征波长建立的PLSR模型效果最优,其决定系数R_C~2和R_P~2分别为0.845 3和0.740 6,均方根误差为0.069 0。利用CARS-PLSR模型计算牛肉样本中像素点的pH值,并通过选取742 nm处的伪色彩图像直观表示牛肉样本的pH值的空间分布情况。