基于近红外光谱的猪肉水分在线检测与分级

基于近红外光谱法,优化光纤探头检测距离并通过检测距离调节系统和多点同时检测,设计了猪肉水分在线检测分级系统。首先,为确定光纤探头与生鲜猪肉样品表面间的最佳检测距离,在13个不同检测距离下(5~29 mm)采集了54个样品的光谱,采用多元散射校正方法对原始光谱进行预处理,分别建立了第1波段(349~1 435 nm)、第2波段(1 037~1 761 nm)和双波段结合3种情况的含水率偏最小二乘回归模型,分析了不同检测距离和不同波段的模型,确认19 mm为在线检测分级装备的最佳检测距离。然后,通过检测距离实时调节系统动态固定最佳检测距离,设计了双波段多点同时检测系统,采集45个猪肉样品在静态条件和在线条件下的光谱,通过比较分析,两种情况下预测结果相近,从而证实了所设计的在线系统能够预测猪肉水分,并且双波段融合建模效果优于单波段,预测结果为:校正集相关系数和校正均方根误差分别为0.906和0.598,验证集相关系数和预测均方根误差分别为0.836和0.402。最后,利用独立的21个猪肉样品验证猪肉预测分级模型精度及稳定性,结果判断正确率为90.48%,表明可见近红外光谱法结合多点检测能有效地在线检测猪肉水分并分级。     

表面增强拉曼光谱快速检测生鲜肉中的瘦肉精

为了快速检测生鲜肉中的瘦肉精,该研究利用表面增强拉曼光谱技术,以沙丁胺醇为检测目标物,建立了一种快速检测肌肉组织和肝脏中瘦肉精含量的方法。在碱性环境下利用乙酸乙酯对样品中沙丁胺醇进行提取,采用Savitzky-Golay 5点平滑法和自适应迭代重加权惩罚最小二乘法消除光谱噪声以及荧光背景对分析建模的影响。为检测方法的重复性,对50个相同沙丁胺醇质量分数(1 mg/kg)的肌肉组织样品进行信号采集,对沙丁胺醇特征峰强度进行分析,621、814、1 253、1 489、1 609 cm~(-1) 5个特征峰强度的相对标准偏差(RSD)为6.54%、6.07%、8.65%、7.44%、6.81%,说明该方法具有较好的重复性。建立沙丁胺醇标准溶液的预测模型,沙丁胺醇浓度与其特征峰强度相关性较好,决定系数R~2为0.968。对肌肉组织和肝脏中沙丁胺醇含量进行检测,检测范围分别为0.01~5和0.02~5 mg/kg,检出限分别为0.01和0.02 mg/kg,其含量与预测实测值决定系数为0.912和0.921。研究表明,该方法可以实现肌肉组织和肝脏中沙丁胺醇含量的定量预测。     

基于高光谱图像的蓝莓糖度和硬度无损测量

为了对蓝莓硬度和糖度进行无损检测,采用近红外光谱仪(900~1700 nm)分别对490个"蓝丰"蓝莓的果柄侧和花萼侧进行高光谱成像,并测量整个果实的硬度和糖度。应用偏最小二乘回归法分别对果柄侧、花萼侧和整个果实的平均光谱建立硬度和糖度预测模型。试验结果表明,蓝莓硬度呈双峰分布,表明实际生产中有望分为2类;蓝莓糖度呈正态分布;硬度和糖度的相关性仅为?0.15,说明不能通过二者之中的任何一个来估计和评价另一个。采用整个果实的平均光谱数据建模效果最好,硬度的校正集相关系数RC和验证集相关系数RV达到0.911和0.871,糖度的为0.891和0.774,但主成分数都有所增加。结果表明,采用高光谱技术对蓝莓硬度和糖度进行快速、无损检测是可行的。     

基于机器视觉的马铃薯黑心病检测机构设计与试验

马铃薯黑心病是一种难以用肉眼分辨的内部病害。在生产加工中,为了准确检出黑心病个体,该研究基于光在马铃薯块茎组织中的透射特性设计了一种马铃薯黑心病检测机构。机构主要包括马铃薯块茎承托槽、光源单元以及光源位置调节轨道等部分,光源单元包括2个LED面光源,形成多点透射的结构,光源波长为705 nm。文中取50个正常样品和29个黑心样品采集图像分析,经过预处理,分别提取马铃薯目标图像和马铃薯高灰度区域的灰度平均值,以二者的相对比值作为黑心病的判别参数。通过与单点透射模式所采集的正常样品图像的相对比值比较,由该机构所采集的正常图像的相对比值普遍偏小,表明所获得图像的灰度均匀性更好,同时得到光源较佳夹角为45°。在该机构下获得的正常样品和黑心样品的灰度平均值相对比值的分类阈值为0.220,得到2种样品的判断正确率分别为98%和96.6%,且黑心样品的相对比值更大,表明使用该机构可以检测黑心马铃薯样品。该研究为马铃薯黑心病检测机构的设计提供了参考。     

基于近红外高光谱成像技术鉴别杂交稻品系

种子的筛选和鉴别是农业育种过程中的关键环节。该文基于近红外高光谱成像技术(874~1 734 nm)结合化学计量学方法以及图像处理技术实现杂交稻种的品系鉴别及可视化预测。采集了3类不同品系共2 700粒杂交水稻的高光谱图像,用SPXY算法,按照2∶1的比例划分建模集和预测集。基于水稻样本的光谱特征,采用主成分分析(PCA)方法初步探究3类样本的可分性。采用连续投影算法(SPA),提取出7个特征波长:985.08、1 106、1 203.55、1 399.04、1 463.19、1 601.81、1 645.82 nm。基于特征波长和全波段光谱,建立了偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)模型。试验结果表明,所建模型判别效果较好,识别正确率均达到了90%以上,其中,SVM模型的判别效果优于PLS-DA模型,基于全谱的判别分析模型结果优于基于特征波长的判别模型。结合SPA-SVM校正模型和图像处理技术,生成样本预测伪彩图,可以直观的鉴别不同品系的水稻种子。结果表明,近红外高光谱成像技术可以实现杂交稻的品系识别及可视化预测,为农业育种过程中种子的快速筛选及鉴定提供了新思路。     

钢筋混凝土无损检测的手持式探地雷达研制

根据钢筋混凝土无损检测的特点和超宽带雷达探测原理,研制了一种手持式高分辨率超宽带探地雷达系统.阐述了基于无载频脉冲发射机、等效时间采样接收机和超宽带收发天线的低成本射频模块的基本结构和工作原理,描述了集雷达控制、数据采集和图像处理于一体的嵌入式控制模块的设计方法.软硬件集成提高了系统的便携性、可靠性和实时性.原理样机实验结果表明：该检测系统可有效检测埋深为0~35 cm,间隔6 cm以上的Φ6钢筋位置和保护层厚度,并可反映钢筋混凝土的其他特性.     

基于计算机视觉的花生品质分级检测研究

【目的】建立能够对花生进行品质分级的计算机视觉无损检测方法。【方法】同步拍摄和扫描11类品质,每类品质100颗和100宗,每宗100颗不同等级的花生籽粒的正反面图像;参照国家标准量化花生品质籽粒的11个限制性检测项目,设计花生规格和品质等级的判别方法;测量每个籽粒的形态、纹理、颜色共3大类54个外观特征,采用主分量分析(PCA)进行特征优化,构建并比较BP神经网络(ANN)和支持向量机(SVM)品质检测模型;分别应用Matlab和Spss工具软件实现检测过程和对结果进行统计分析。【结果】前16个主分量的SVM模型,能够鉴别95%以上的不完善粒、霉变、杂质、异品种等不同品质的籽粒,与人工检测结果吻合度达到了93%,对100宗待检样品进行检测,规格和等级检测完全正确率达到了92%。【结论】研究结果为花生的品质分级检测提供了比较系统全面的量化标准和检测方法,该方法可推广应用于花生品质鉴别、分级筛选加工和商品分级定价等领域。     

近红外光谱技术在果蔬品质无损检测中的应用

水果蔬菜的无损检测对生产和贸易都具有重要价值。近红外光谱法由于其高效、快速的特点,已经广泛应用于果蔬品质的无损检测中。本文介绍了近红外光谱技术的多项优点、相关仪器的研制,以及应用该技术检测果蔬糖度、酸度、成熟度、维生素、以及病变等多种品质指标的国内外研究进展,提出了目前近红外光谱技术在果蔬品质检测中存在的不足,认为便携式的近红外光谱测定仪器将在未来果疏产业中发挥更重要的作用。     

基于振动及EEMD-CMAC算法的鸭蛋散黄在线检测

针对鸭蛋长期存储以及运输过程中造成的散黄问题,构建一种基于振动信息的鸭蛋散黄在线检测流水线,可实现鸭蛋的自动触压和随动检测。通过磁致伸缩振子对鸭蛋扫频振动进行音频信息增强,对音频振动信号进行集合经验模态分解,并通过主成分分析进行降维提取主要特征,基于此,构建基于小脑神经网络的鸭蛋散黄检测模型。试验中,对320枚鸭蛋进行检测(训练集200枚,测试集120枚),结果表明,基于累积贡献率达98.14%的前5个主成分的鸭蛋散黄检测模型训练集和测试集识别率分别达98.66%和97.03%,每枚鸭蛋在线检测时间约1 s。研究表明,所研制的检测流水线基于磁致伸缩振子扫频激励未知品质鸭蛋,再结合EEMD-CMAC进行鸭蛋散黄检测是可行的,可满足流水线在线检测的要求。     

牛肉质构特性的近红外光谱无损检测

为了建立基于近红外光谱技术的牛肉质构特性快速检测方法,该试验采集了202个新鲜牛肉样品在800～2500 nm波长范围内的漫反射光谱,测定了牛肉的硬度、弹性、咀嚼性和黏附性,经小波消噪后,分别采用平滑、一阶微分、二阶微分等6种方法预处理,建立了牛肉质构特性的偏最小二乘回归模型,并用最优模型进行预测。结果表明：经小波消噪后采用二阶微分预处理方法建立的牛肉硬度、弹性、咀嚼性的检测模型效果最好,其校正集相关系数 r 均在0.9以上,校正集均方根误差（root means square error of calibration,RMSEC）分别为6.247 N、0.760 mm、14.954 mJ,预测集相关系数均在0.664以上,预测集均方根误差（root means square error of prediction,RMSEP）分别为8.887 N、0.951 mm、22.117 mJ,相对预测误差（ratio of prediction to deviation,RPD）值分别为2.43、1.88、2.32,预测精度较高,能够有效地预测牛肉的硬度、咀嚼性,可以检测精度要求不高的牛肉弹性;试验所建立的牛肉黏附性检测模型的预测性能不是很理想,虽然其校正集和预测集相关系数较高（分别为0.720、0.694）,RMSEC 和 RESEP 均较小（分别为0.302、0.243 N·mm）,但其 RPD 值小于1.5,模型预测精度较差,不可以用于预测未知样品的黏附性,此方法还需进一步研究。研究结果为牛肉质构特性的快速无损评价提供了理论依据。