基于稳态空间分辨光谱的猪肉新鲜度检测方法

该文探索肉品光学参数与新鲜程度变化之间的关系,从而为无损、快速地评定猪肉新鲜度提供一种方法。基于生物光子学原理,应用近红外稳态空间分辨光谱技术,设计了可见-短波近红外多通道光学参数检测装置,在系统校准基础上获得猪肉在新鲜度变化过程中的有效衰减系数谱。研究了逐日获得的猪肉有效衰减系数与反映肉品新鲜程度的挥发性盐基氮（TVB-N）含量之间的关系,并辅以菌落总数检测与感官指标评价等作为参考依据。研究结果表明,当肉品发生腐败,胞膜发生溶解破裂,其组织结构的改变导致散射变化;有效衰减系数在940、960 nm波长处与TVB-N含量变化呈显著相关。由此得出：在短波近红外范围内可以建立近红外光谱与TVB-N的相关关系,从而达到评价肉类新鲜度的目的。     

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。     

基于高光谱的冬油菜叶片磷含量诊断模型

为快捷、无损和精准表征冬油菜磷素营养与冠层光谱间的定量关系,该文以连续3a田间试验为基础,探究叶片磷含量的敏感波段范围及光谱变换方式,明确基于高光谱快速诊断的叶片磷含量有效波段,降低光谱分析维度,提高磷素诊断时效性。以2013-2016年田间试验为基础,测定不同生育期油菜叶片磷含量和冠层光谱反射率。此后,对原初光谱(raw hyperspectral reflectance,R)分别进行倒数之对数(inverse-log reflectance,log(1/R))、连续统去除(continuum removal,CR)和一阶微分(first derivative reflectance,FDR)光谱变换,采用Pearson相关分析确定叶片磷含量的敏感波段区域。在此基础上,利用偏最小二乘回归(partial least square,PLS)构建最优预测模型并筛选有效波段。结果表明,油菜叶片磷含量的敏感波段范围为730~1300 nm的近红外区域;基于敏感波段的FDR-PLS模型预测效果显著优于其他光谱变换方式,建模集和验证集决定系数(coefficient of determination,R2)分别为0.822和0.769,均方根误差(root mean square error,RMSE)分别为0.039%和0.048%,相对分析误差(relative percent deviation,RPD)为2.091。根据各波段变量重要性投影(variable importance in projection,VIP)值大小,确定油菜叶片磷含量有效波段分别为753、826、878、995、1 187和1 272 nm。此后,再次构建基于有效波段的油菜叶片磷含量估算模型,R2和RMSE分别为0.678和0.064%,预测精度较为理想。研究结果为无损和精确评估冬油菜磷素营养提供了新的研究思路。     

基于高光谱特征和偏最小二乘法的春小麦叶绿素含量估算

叶绿素含量是影响作物生长及产量的主要因素。该研究以2017年6月小型试验田获取的抽穗期春小麦叶绿素含量及其对应的光谱反射率为数据源,对红边(627~780 nm)、黄边(566~589 nm)、蓝边(436~495 nm)、绿边(495~566 nm)、吸收谷和反射峰的最大反射率及反射率总和等16个高光谱特征参数与叶绿素含量之间的相关性进行了分析,并结合偏最小二乘回归法(partial least-squares regression,PLSR)对叶绿素含量进行高光谱建模及验证。结果表明:1)对特定的16个光谱特征参数而言,光谱特征参数绿边最大反射率与春小麦叶绿素质量分数之间的决定系数最低(R~20.5);决定系数较高(R~2≥0.5)的光谱特征参数包括蓝边最大反射率、蓝边反射率总和、黄边最大反射率、黄边反射率总和、红边最大反射率、红边反射率总和、绿边反射率总和、820~940 nm反射率总和及最大反射率、500~670 nm归一化吸收深度和560~760 nm归一化吸收深度,其中820~940 nm反射率总和决定系数达到最高(R~2为0.8);2)利用16个特征参量进行PLSR建模后,发现波段范围在820~940 nm的最大反射率及反射率总和所建立的PLSR估算模型为最优模型,其精度参数R~2p=0.8、RMSEp=2.0 mg/g、RPD=3.2。因此,该模型具有极好的预测能力。该研究为相关研究及当地精准农业提供科学支持和应用参考。     

基于高光谱成像技术的青贮玉米饲料pH值无损检测

为实现青贮玉米饲料pH值的快速、无损检测,该研究采用高光谱成像技术建立不同品质青贮玉米饲料pH值的定量检测模型。采集青贮玉米饲料样本936～2 539 nm的平均光谱,采用6种预处理方法对青贮玉米饲料平均光谱进行处理,通过建立偏最小二乘回归（partial least squares regression,PLSR）模型得出多元散射校正（multiplicative scatter correction,MSC）和卷积平滑（savitzky-golay,SG）两种预处理方法效果较好,使用竞争性自适应重加权算法（competitive adaptive reweighted sampling,CARS）、变量组合集群分析算法（variable combination population analysis,VCPA）以及迭代保留信息变量（iteratively retains informative variables,IRIV）算法对经MSC和SG卷积平滑预处理光谱进行特征波长提取,利用PLSR和极限学习机（extreme learning machines,ELM）分别建立饲料全波段、特征波长的pH值预测模型。MSC-CARS-PLSR为最优算法组合,其校正集决定系数为0.926 2,均方根误差为0.421 3,预测集决定系数为0.917 0,均方根误差为0.426 6。研究结果表明,结合PLSR模型可以实现对青贮玉米饲料pH值的准确预测,可为青贮玉米饲料pH值提供一种可靠且有效的无损检测新方法。     

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。     

高标准基本农田建设区域土壤重金属含量的高光谱反演

为快速高效的获取高标准基本农田建设区域土壤重金属信息,以新郑市高标准基本农田建设区域为研究对象,共采集154个土壤样品,在室内利用ASD Field Spec3型地物光谱仪获得土壤高光谱数据,对土壤样品在400~2 400 nm的光谱反射率进行多元散射校正(multiplicative scatter correction,MSC)和Savitzky-Golay(SG)平滑后,进行一阶微分(first order differential reflectance,FDR)和二阶微分(second order differential reflectance,SDR)变换,并与Cr、Cd、Zn、Cu、Pb 5种重金属含量进行相关性分析,遴选出通过P=0.01显著性检验的高光谱特征波段作为反演模型的自变量,采用116个建模集样本构建偏最小二乘模型(partial least square regress,PLSR),通过精度检验筛选每个土壤重金属的最佳反演模型,并采用最佳地统计插值方法对高标准基本农田建设区域土壤重金属进行空间插值。结果表明:Cr的SDR-PLSR模型为最佳反演模型(R~2=0.88,RPD=1.68),Cd的R-PLSR模型为最佳反演模型(R~2=0.70,RPD=1.50),Zn的R-PLSR模型为最佳反演模型(R~2=0.88,RPD=2.05),Cu的R-PLSR模型为最佳反演模型(R~2=0.99,RPD=3.36),Pb的SDR-PLSR模型为最佳反演模型(R~2=0.93,RPD=3.16);采用构建的土壤重金属的最佳模型,对土壤重金属含量进行空间插值,结合高标准农田建设标准可知Zn含量符合土壤环境质量Ⅱ类标准且均低于土壤背景值,Cr、Cd、Cu和Pb符合土壤环境质量Ⅱ类标准,但是部分区域超过了土壤背景值。该研究为高光谱反演模型用于高标准基本农田建设区域土壤基础信息的实时监测提供了参考。     

柑橘叶片叶绿素含量高光谱无损检测模型

针对柑橘叶片叶绿素含量的传统化学检测,不仅耗时长且损伤柑橘叶片,还依赖检测者实操技术,无法集成于精细农业中变量喷施农机具的诸多弊端,该文探讨快速无损检测柑橘叶片叶绿素含量方法。以117棵园栽萝岗甜橙树为研究对象,选用ASD Field Spec 3光谱仪对萌芽期、稳果期、壮果促梢期、采果期共4个生长时期的柑橘叶片进行高光谱反射率采集,并同步采用分光光度法测得叶片的叶绿素含量;以原始光谱及其变换形式作为模型输入矢量,分别在主成分分析(principle component analysis,PCA)降维的基础上利用支持向量机回归(support vector regression,SVR)算法和在小波去噪的基础上利用偏最小二乘回归(partial least square regression,PLSR)算法对柑橘叶片叶绿素含量进行建模预测,全生长期整体建模的校正集和验证集最佳模型决定系数R2分别为0.8713和0.8670,均方根误差RMSE(root-mean-square error)分别为0.1517和0.1544,试验结果表明,高光谱可快速无损地对柑橘叶片叶绿素含量进行精确的定量检测,为柑橘不同生长期的营养监测提供理论依据。     

皮棉中地膜的高光谱图像分割方法

混入棉花中的地膜大部分是透明的或者颜色与棉花相近,使用传统的视觉检测方法很难对其进行检测。针对此问题,采集了地膜的高光谱图像,结合光谱分析与图像处理技术,提出一种地膜的高光谱图像分割方法。首先提取地膜的平均光谱数据,经过去除噪声波段、多项式卷积平滑(Savitzky-Golay,SG)、标准正态变量(standard normal variate,SNV)变换等操作后,使用偏最小二乘回归(partial least squares regression,PLSR)分析方法优选出4个最优波段,分别为560.3、673.9、716.9和798.8 nm;然后提取出4个波段对应的图像,分别进行两次图像融合,并对融合后的图像进行阈值分割、中值滤波操作;最后对处理后的图像再次进行图像融合,并移除小目标得到最终结果。为验证该方法,采用面积交迭度(area overlap measure,AOM)、误分率(misclassified error,ME)和识别率(recognition accuracy)对分割结果进行客观评价分析,结果表明该方法能较好地完成对地膜图像的分割,可为后续的地膜特征提取和自动识别打下良好的基础。     

基于小波去噪与SVR的小麦冠层含氮率高光谱测定

为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合（小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise）,并利用去噪后的小麦冠层光谱建立偏最小二乘回归（PLS）模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差（RMSEC）为0.260,预测集均方根误差（RMSEP）为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析（PCA）进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型（LS-SVR）,其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明：以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。     

基于高光谱成像技术的沙金杏成熟度判别

为了实现对不同成熟度沙金杏进行快速、准确识别的目的,该研究利用高光谱成像技术(400~1 000 nm)对沙金杏的成熟度进行了判别研究,利用高光谱成像系统分别采集了处于4种不同成熟阶段(七成熟、八成熟、九成熟和十成熟)的沙金杏共480个样本的高光谱数据。首先,对不同成熟阶段所有样本的可溶性固形物含量值进行测定和单因素方差分析,结果表明,可溶性固形物与成熟度之间存在相关性,其相关系数为0.9386,可用该指标对沙金杏的成熟度进行划分。然后,对光谱数据利用偏最小二乘回归(partial least squares regression,PLSR)模型提取得到9个特征波长(434、528、559、595、652、678、692、728、954 nm),对图像数据利用灰度共生矩阵(gray level co-occurrence matrix,GLCM)提取到6项图像纹理指标(均值、对比度、相关性、能量、同质性和熵),并对图像数据采用RGB模型提取到6项图像颜色指标(R、G、B分量图像的平均值和标准差)。将这三类指标进行最优组合并分别建立关于沙金杏成熟度判别的极限学习机(extreme learning machine,ELM)模型。结果表明:使用特征波长与颜色特征融合值建立的ELM模型的判别正确率最高,达到93.33%。该研究为沙金杏的成熟度在线无损检测提供了理论参考。     

基于高光谱图像的鸡种蛋孵化早期胚胎性别鉴定

为了对鸡种蛋孵化早期胚胎进行性别鉴定,构建了高光谱图像采集系统,在400~1 000 nm范围内获取94枚种蛋孵化0~12 d的高光谱透射图像。分别在胚胎的圆头、中间、尖头3个部位选择感兴趣区域(region of interest,ROI),获取400~1 000 nm波段的响应信号,构建了支持向量机(support vector machine,SVM)、偏最小二乘判别分析(partial least squares discriminant analysis,PLSDA)和人工神经网络(artificial neural network,ANN)的鸡胚胎性别鉴定模型,并比较了不同孵化时间雌雄胚胎的鉴别准确率。试验结果表明,SVM模型、PLSDA模型和ANN模型均对孵化第10天种蛋中间部位检测效果最好。随后通过分析第10天种蛋中间部位光谱响应的差异,选取600~900 nm的光谱值构建胚胎性别鉴定模型,结果发现,3种模型的判别准确率均有上升,SVM模型和PLSDA模型预测集样本判别准确率均为75.00%,ANN模型预测集样本判别准确率达到82.86%。其中,ANN构建的种蛋孵化胚胎性别检测模型的整体效果优于SVM模型和PLSDA模型。结果表明高光谱图像技术在检测鸡种蛋孵化早期胚胎性别方面有一定效果,但种蛋蛋壳的个体差异会对鉴定准确率造成一定影响。     

柑橘黄龙病高光谱早期鉴别及病情分级

为实现柑橘黄龙病的早期、快速确诊,有效阻止病害蔓延,达到早期防治、保障柑橘生产的目的,该文研究基于高光谱成像的柑橘黄龙病早期无损检测及病情分级,并对多种预处理方法的建模结果进行探讨。试验获取370～1 000 nm健康、不同染病程度及缺锌共5类柑橘叶片的高光谱图像,用遥感图像处理平台(environment for visualizing images,ENVI)得到各类样本感兴趣区域的光谱反射率平均值。运用一阶微分、移动窗口拟和多项式平滑(savitzky-golay,SG)进行数据处理,结合偏最小二乘判别分析(partial least squares-discriminate analysis,PLS-DA)构建黄龙病的早期鉴别及病情分级模型。结果表明:建立的3个判别模型,验证集相关系数均不低于0.9548。其中,经SG平滑及一阶微分预处理所建立的模型分类效果最佳,总体预测准确率达96.4%,预测均方根误差0.1344。该研究为柑橘病害早期诊断和预警提供了新方法,也为黄龙病病害程度遥感监测提供了基础。     

基于高光谱成像的苹果虫害检测特征向量的选取

利用高光谱成像技术,明确苹果虫害无损检测的最优特征向量,以实现对苹果虫害的快速、准确、无损检测。本文首先对646 nm波长的特征图像进行阈值分割、膨胀与腐蚀运算获得掩膜图像,并利用掩模图像对高光谱图像进行掩模和主成分分析,对获得的PC1(the first principal component,第一主成分)图像进行最大熵阈值分割以有效提取虫害区域。然后对比分析虫害区域与正常区域图像的纹理特征,提取灰度共生矩阵的4个方向的4个纹理参数(能量、熵、惯性矩和相关性),并且采用基于高光谱图像的光谱差值获取了2个特征波长对应的光谱相对反射率作为光谱特征。优化组合纹理特征和光谱特征成4个特征向量组,采用BP(back propagation,反向传播)神经网络对正常苹果和虫害苹果进行检测。结果表明,融合0度方向的能量、熵、惯性矩和相关性的纹理特征和646、824 nm波段的相对光谱反射率的光谱特征进行检测识别效果最好,正常果的识别率为100%,虫害果的识别率为100%,并且速度快、误差小。该研究所获得的特征向量可为开发多光谱成像的苹果品质检测和分级系统提供参考。     

高光谱图像技术在掺假大米检测中的应用

为了有效判别出优质大米中是否掺入劣质大米,该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米,按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统(390~1050 nm)获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域(region of interest,ROI),并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机(support vector machine,SVM)建立全光谱波段下的大米掺假判别模型,径向基(radial basis function,RBF)核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大,该文采用主成分分析方法(principal component analysis,PCA)分别对大米高光谱图像和高光谱数据进行处理,从特征选择和特征提取2个角度对原始高光谱数据进行处理,通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长,通过留一交叉验证法(leave-one-out cross-validation,LOOCV)确定并提取出PCA降维后的最优主成分数(number of principal component,PCs)为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型。试验结果表明,基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%,基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明,该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能,且利用高光谱图像技术对大米掺假问题进行检测是可行的。     

基于稳态空间分辨光谱的猪肉肌红蛋白检测方法

The objective of this work was to determine the concentration of myoglobin in fresh pork meat and establish a fast non-invasive method using steady spatially-resolved spectroscopy (SRS). The concentration of myoglobin was calculated based on absorbance coefficients at 640, 760, 800, 850 nm. The results showed that the value of myoglobin using SRS was significantly correlated (r2=0.955) to traditional methods with the accuracy of 3.6%F.S. The results showed that the concentration of myoglobin can be measured by using near infrared steady spatially-resolved spectroscopy.     

便携式生鲜猪肉多品质参数同时检测装置研发

针对农畜产品检测现场的需求,基于可见/近红外光谱检测技术和嵌入式系统,开发了灵活方便的猪肉品质无损检测装置。该装置利用卤素灯作为光源,新型光导探头和微型光谱仪采集肉样光谱信息,通过ARM(advanced RISC machines)控制处理器进行集中控制和数据的处理;在内嵌linux操作系统上,采用Qt开发工具,设计出人性化的交互界面,并将猪肉品质的检测结果输出到装置触摸屏上。为了建立多品质无损检测数学模型,获取了猪肉里脊在400~1 000 nm波长范围内的光谱数据,通过国标方法测得猪肉里脊主要品质参数颜色(L*、a*、b*)和p H值,采用标准正态变量变换(standard normalized variate,SNV)和Savitzky-Golay(S-G)平滑对光谱数据进行预处理,并结合理化数据建立偏最小二乘(partial least squares regression,PLSR)模型。用全交叉验证法选取PLSR建模的主成分数。p H值、L*、a*和b*的预测相关系数为0.88、0.90、0.97和0.97,预测标准差为0.19、1.77、1.17和0.63。通过现场试验表明,轻便式多品质无损检测装置具有较高的检测精度,满足于猪肉的颜色和p H值等品质参数检测的要求。     

基于高光谱信息融合和相关向量机的种蛋无损检测

为了尽可能早的检测出无精蛋和受精蛋,该文提出采用透射高光谱成像技术,融合图像和光谱信息,对其受精信息进行检测。利用高光谱图像系统采集孵化前种蛋在400~1 000 nm的高光谱图像,提取图像特征(长短轴之比、伸长度、圆度、蛋黄面积与整蛋面积之比);筛选出400~760 nm的波段,通过Normalize预处理结合相关系数法提取155个光谱特征变量;运用主成分分析法对图像和光谱的融合信息进行降维,采用相关向量机(relevance vector machine,RVM)分别建立基于图像、光谱和图像-光谱融合信息的受精蛋和无精蛋分类判别模型,并与支持向量机(support vector machine,SVM)模型进行比较,RVM模型检测正确率分别为90%,91%,96%;测试集检测时间分别为0.6619,1.0821,0.5016 s。SVM模型检测正确率分别为84%,90%,93%;测试集检测时间分别为5.9386,5.9886,5.6672 s。结果表明,基于图像-光谱融合所建立的模型优于单一信息的模型,在分类精度上,采用RVM分类精度高于SVM的分类精度;在分类时间上,RVM的分类时间比SVM短,因此,利用高光谱融合信息和相关向量机可以提高种蛋检测精度,研究结果为孵前无精蛋和受精蛋的在线实时检测提供参考。     

基于改进惯性矩算法的冷鲜猪肉新鲜度激光散斑图像检测

为了探究激光散斑技术检测冷鲜猪肉新鲜度的可行性,用660和465 nm 2种波长的激光对宰后24 h的猪肉样本在7 d内的激光散斑图像进行采集。以时间序列散斑(time history of speckle pattern,THSP)图像的惯性矩(inertia moment,IM)作为散斑活性,研究冷鲜猪肉散斑活性随货架期的变化规律。通过分析2种波长不同行的选取对IM值的影响,发现不同波长其奇偶行IM的规律不同,并针对传统IM算法容易出现异常值、稳定性差等缺点提出3点改进:设计排序算法动态选择散斑活性最高峰及周围2个相邻行,依此计算样本IM值;改进共生矩阵的修正矩阵计算方法;改进非零元素偏离对角线距离的计算方法。结果显示,改进方法可以有效地抑制异常值干扰,冷鲜猪肉散斑活性随货架期呈现先上升后下降的变化趋势。根据测得的挥发性盐基氮值(total volatile basic nitrogen,TVB-N)和散斑活性IM值建立猪肉新鲜度等级预测模型,结果显示465 nm波长的激光判别效果要好于660 nm激光,其训练集和预测集的识别率能达到87.5%和89.29%。试验结果表明利用激光散斑技术检测冷鲜猪肉新鲜度的具有可行性。