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。     

近红外高光谱成像技术检测成熟期酿酒葡萄果皮的花色苷含量

【目的】运用高光谱成像技术检测成熟期酿酒葡萄果皮的花色苷含量。【方法】利用900~1 700 nm近红外高光谱成像和多元回归模型对多品种酿酒葡萄成熟期不同阶段果皮花色苷含量进行预测建模。采集成熟期4~5个阶段的6个品种共75组酿酒葡萄样本的高光谱图像,运用不同预处理方法对光谱数据进行处理。基于主成分分析(PCA)和连续投影法(SPA)降维,将化学方法测量结果作为花色苷含量的参考值,采用支持向量回归(SVR)建立花色苷含量预测模型。【结果】SPA-SVR模型性能优于其他模型,其预测决定系数(R_p~2)为0.869 1,均方根误差(RMSEp)为0.135 9。【结论】将近红外高光谱成像技术应用于多品种成熟期酿酒葡萄果皮的花色苷含量的快速无损检测具有良好的可行性。     

基于高光谱和CARS-IRIV算法的‘库尔勒香梨’可溶性固形物含量检测

[目的]利用高光谱技术实现‘库尔勒香梨’可溶性固形物含量的有效无损检测具有重要意义,但是高光谱数据通常噪声明显,大量无关信息变量和冗余信息变量的存在降低了模型的预测精度。本文旨在探究对高光谱数据特征变量筛选的有效方法来实现‘库尔勒香梨’可溶性固形物含量的快速检测。[方法]以‘库尔勒香梨’可溶性固形物含量(SSC)为研究指标,利用高光谱成像技术采集样本400~1 000 nm波长的漫反射光谱,对样本感兴趣区域(ROI)的光谱进行预处理,分别采用竞争性自适应重加权算法(CARS)、迭代保留信息变量算法(IRIV)以及CARS-IRIV算法筛选特征变量,基于不同筛选方法分别建立偏最小二乘(PLS)与最小二乘支持向量机(LS-SVM)预测模型,以预测集相关系数(Rp)、预测均方根误差(RMSEP)和预测相对分析误差(RPD)值对模型进行评价。[结果]CARS-IRIV算法可以有效减少CARS算法提取的变量个数,并稳定模型预测精度。LS-SVM模型预测结果优于PLS模型,在LS-SVM模型中CARS-IRIV-LS-SVM预测精度最高,Rp、RMSEP和RPD值分别为0.889、0.300和2.823。[结论]CARS-IRIV是一种有效的高光谱特征变量筛选算法,在提高预测精度的同时简化了模型的运算,CARS-IRIV-LS-SVM模型结合高光谱成像技术可以对‘库尔勒香梨’SSC进行快速有效的无损检测。     

基于NIR高光谱成像技术的番茄叶片叶绿素含量检测

利用近红外高光谱成像技术对番茄叶片叶绿素含量的无损检测进行初步探讨。通过高光谱成像系统(900～1 700 nm)采集了192个番茄叶片图像,基于偏最小二乘回归模型(PLSR)对光谱进行样本集划分,对原始光谱与Kubelka-Munk函数曲线及多种光谱预处理的偏最小二乘回归模型进行对比分析,优选出多元散射校正(MSC)为预处理方法。采用5种方法提取特征波长,并根据特征波长建立偏最小二乘回归、多元线性回归(MLR)、主成分回归(PCR)3种模型的叶片叶绿素含量预测模型。结果表明,建立无信息变量消除法(UVE)挑选特征波长的偏最小二乘回归模型最优,其预测集的相关系数(R_P)为0.8495,均方根误差(RMSEP)为4.3375。因此,利用近红外高光谱成像技术提取特征波长进行叶绿素含量检测是可行的,同时也为今后番茄品质在线检测提供了理论依据。     

小米硒含量近红外预测模型的建立与评价

为实现对多样本小米硒含量的快速检测,以93份遗传背景不同的小米样品为研究对象,将样品分为校正建模集(样本容量n=51)和外部验证集(n=42),利用丹麦生产的NIRSTMDS2500台式近红外光谱仪采集光谱信息,通过标准正态变化(SNV)、卷积平滑(Detrend)等光谱预处理方法和偏最小二乘法(PLSR)建模方法建立脱壳谷子-小米总硒含量的测定模型,用工作流调用模型实现小米总硒含量的快速检测;采用国家标准规定的方法分别测定小米总硒含量,以此作为小米总硒含量预测模型的化学参比值。结果表明:小米总硒含量内部交叉验证的相关系数为84.5%;校正集均方根误差和验证集均方根误差分别为0.039 6和0.089 2,说明小米总硒含量的近红外预测值接近化学参比值;性能偏差比为5.478,大于美国谷物化学家协会和国际谷物科技协会等提出的质量控制标准,本研究建立的模型中预测集和建模集标准误差的比值为1.073 0;因此采用PLSR建立模型具有较高的预测精度且稳健程度较高,可实现对小米总硒含量的快速检测。     

基于高光谱成像技术的苹果表面轻微损伤检测

为了研究检测苹果表面轻微损伤的有效的方法,以红富士苹果为试验样本,通过高光谱成像采集系统采集苹果样本的高光谱图像,根据正常苹果表面区域和刚损伤、损伤后(3,10,24h)的损伤区域光谱反射率平均曲线得到有效光谱区域;用掩膜法对图像进行背景分割,并基于有效光谱区域做主成分分析,选取第四主成分(PC4)提取损伤区域,运用阈值分割的方法建立提取损伤区域的算法模型;应用该算法模型对正常苹果和损伤苹果进行检测。检测结果表明:正常苹果样本正确检测率达到100%,损伤苹果样本的正确检测率为97.5%,总体检测精确度高达98.75%,说明利用高光谱成像技术可以有效快速检测出苹果表面的轻微损伤。     

基于高光谱成像技术的辣椒叶片叶绿素含量估算

叶绿素是植被光合作用的重要物质,能够间接反映植被的健康状况和光合能力.高光谱技术的发展为大面积、快速检测植被叶绿素含量变化提供了可能.选取150组不同生长期的辣椒叶片作为研究对象,分别采集辣椒叶片的高光谱图像和叶绿素含量.利用随机森林特征选择算法进行数据筛选,结合线性回归、偏最小二乘回归、梯度提升回归树、随机森林回归等4种模型分别构建回归模型.结果表明:(1)利用随机森林特征选择算法筛选后波段建立的模型决定系数(r2)均大于0.8,说明该方法具有较高的稳定性和预测精度;(2)利用随机森林特征选择算法筛选的波段结合随机森林回归,其验证集的r2为0.9、均方根误差(RMSE)为1.87、平均绝对误差(MAE)为1.43.可以较为准确地预测辣椒叶片叶绿素含量,为后期利用高光谱成像技术大面积检测辣椒的生长状况提供了理论依据.     

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。     

基于光谱与图像信息的杏鲍菇多糖含量检测

【目的】利用高光谱成像技术实现杏鲍菇Pleurotus eryngii多糖含量的快速无损检测。【方法】利用高光谱图像采集系统获取350～1 021 nm波长范围内的杏鲍菇高光谱图像,同时利用苯酚–硫酸法测定对应样本的多糖含量。通过波段运算和阈值分割构建掩膜图像,使样本与背景相分离。采用主成分分析(PCA)处理原始高光谱图像,获得代表原始图像99%信息的2个主成分图像(PC1、PC2),然后利用连续投影算法(SPA)选出554.4、772.8、811.4、819.1、855.6、986.3和1 019.5 nm 7个特征波长及对应的光谱特征,分别提取7个特征波长图像和2个主成分图像的纹理与颜色特征,最后利用偏最小二乘回归(PLSR)建立杏鲍菇样本基于不同图像特征与多糖含量之间的关系模型。【结果】从校正集决定系数(Rc2)来看,基于特征光谱+特征波长图像特征+主成分图像特征的模型效果最好,Rc2=0.954,RMSEc=0.341;从预测集决定系数Rp2来看,基于特征光谱+特征波长图像特征的模型效果最好,Rp2=0.868,RMSEP=0.539。【结论】该研究结果可为杏鲍菇多糖含量的快速、无损检测提供一定的参考。     

基于近红外光谱技术的成年橡胶树叶片氮素含量检测

为了快速并无损地检测成年橡胶树叶片的氮素含量,使用近红外光谱检测技术获取叶片的光谱数据,采用多元散射校正(MSC)对光谱数据预处理后,使用SPA(连续投影算法)提取光谱数据的有效波长,PCA(主成分分析法)提取光谱数据主成分,然后分别将提取的光谱数据特征值输入到线性回归模型PLS(偏最小二乘回归)、非线性回归模型BPNN(BP神经网络)和LSSVM(最小二乘支持向量机)中,得到6个现有主流模型:PCA-BPNN、PCA-PLS、PCA-LSSVM、SPA-BPNN、SPA-PLS和SPA-LSSVM。用这6个模型去预测实验样本数据,经比较发现SPA-LSSVM模型对于该组实验样本的预测效果最好,其预测相关系数Rp和预测残差均方根RMSEP分别为0.9253和0.1190。因此对于成年橡胶树氮素含量的光谱快速检测,SPA-LSSVM算法模型的性能更为突出,有较好的应用潜力。     

基于高光谱成像技术的三文鱼肉脂肪含量可视化研究

采用高光谱成像技术实现三文鱼的脂肪含量检测,并基于Matlab编程语言实现三文鱼肉脂肪含量分布的可视化。将5条整鱼按照相同切分规则切分成100个三文鱼样本,并分别采集100个样本的高光谱成像数据,在此基础上,提取每个样本感兴趣区域的光谱数据。利用偏最小二乘(PLS)模型,对100个样本的光谱数据进行三文鱼脂肪建模分析,其中75个样本组成建模集,25个样本组成预测集,分析结果显示,预测集决定系数为0.913,均方根误差(RMSEP)为0.921%。为简化模型,对全谱利用连续投影算法(SPA)提取特征波长,然后基于特征波长建立PLS模型,模型预测集的决定系数为0.913,均方根误差为0.920%,说明模型得到简化的同时,精度并没有降低。最后采用Matlab语言编程对三文鱼的脂肪含量进行可视化研究,结果显示,基于Matlab语言编程可以很形象地表达三文鱼的脂肪含量分布。     

谷子高产栽培技术

<正>谷子,古称粟,是禾本科狗尾草的一个栽培种。谷子主要分布在中国,总产约占世界的80%。谷子子粒产量85%左右用作人类食粮,10%左右用作饲料,5%用于食品加工。谷子去皮后为小米,其粗蛋白质平均含量为11.42%,粗脂肪平均含量为4.28%,维生素及矿物质含量都高于其他米类和面粉,由于小米营养品质及成分很高,所以成为世界公认的营养食物。现将其生产栽培技术介绍如下。     

基于CARS-SAA的土壤铵态氮含量高光谱反演

利用高光谱技术对河套灌区土壤铵态氮含量检测过程中,为降低高光谱数据中存在的冗余变量信息对模型预测精度的影响。本文针对河套灌区土壤铵态氮含量提出了一种竞争性自适应重加权算法(CARS)和模拟退火算法(SAA)相结合的特征变量筛选方法,并建立偏最小二乘回归(PLSR)和随机森林回归(RF)相结合的预测模型(PLSR-RF、RF-PLSR)。结果表明,CARS-SAA能有效筛选变量个数和减小计算量,并稳定模型预测精度。其中,CARS-SAA-PLSR-RF模型的预测精度最佳,验证集的决定系数R²为0.902、均方根误差RMSE为1.583mg·kg^-1、相对分析误差RPD为3.198。具有很好的预测效果,可知CARS-SAA是一种有效的高光谱特征变量筛选方法,在提高预测精度的同时简化了模型的运算。该模型结合高光谱技术可以对河套灌区土壤铵态氮含量进行快速有效的无损检测。     

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。     

基于高光谱的小米产地溯源策略与模型研究

以我国3个产区内7个产地小米样本为研究对象,运用高光谱成像技术和化学计量学方法研究小米产地溯源.针对试验过程中不同产区样本具有聚类现象,同一产区不同产地样本存在互相干扰问题,提出一种新的小米产地溯源策略,并建立基于该策略的小米产地判别模型,通过试验得出结果误差:甘肃0.000、陕西0.033、河南0.003、黑龙江0....     

"冀优1号"富硒谷子

“冀优1号”是河北省农科院育成的优质富硒谷子新品种,特点有:1.粒大,被评为一级优质米千粒重3.1克,米色鲜黄,适口性好。小米含粗蛋白质11.3%,粗脂肪3.66%,直链淀粉16.74%。2.硒含量高,具有食疗保健作用经农业部谷物品质监督检测中心检测,“冀优1号”小米硒含量达180.1ppb,是一     

基于太赫兹成像技术的大豆叶片水分含量测定

为了实现叶片水分含量的快速、精准检测,提出一种基于太赫兹成像技术的大豆叶片水分含量测定方法。利用太赫兹光谱成像系统获取96份大豆叶片太赫兹图像,采用干燥法测量叶片含水率,通过主成分分析(PCA)提取出水分敏感特征波段0.557、1.098、1.163 THz,对这3个特征波段下的叶片图像采用自适应阈值分割法,将其分为叶脉图像与叶肉图像,分别求取各自的图像灰度特征,并分为叶片特征组(G1)、叶脉特征组(G2)和叶肉特征组(G3)。分别采用多元线性回归(MLR)、反向传播神经网络(BP-ANN)和最小二乘支持向量机(LS-SVM)算法,以上述3个特征组作为输入,构建出9种大豆叶片水分预测模型。对比分析各模型性能,发现基于G3的LS-SVM模型预测结果最好,校正集和预测集的决定系数和均方根误差分别为0.967 8、0.963 2,0.057 8、0.046 5。试验结果表明,利用太赫兹成像技术来检测叶片中的水分含量具有非常高的预测精度,为作物叶片水分含量测定提供了一种行之有效的检测手段。     

近红外光谱结合特征变量筛选方法测定茶汤中的氨基酸含量

采用透射方式获取茶汤的近红外光谱,利用特征变量筛选方法从茶汤的近红外光谱中提取氨基酸光谱信息,建立茶汤中氨基酸含量的快速检测模型.分别利用间隔偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)从茶汤的近红外光谱中提取微弱的氨基酸信息,建立其近红外光谱定量分析模型.结果表明,利用两种方法筛选的特征变量都避开了水的强吸收峰影响,但利用siPLS方法建立的模型性能明显好于iPLS的.最优的siPLS模型对校正集样本的相关系数为0.912,交互验证均方根误差为0.185;用预测集中独立样本检验模型性能,其相关系数为0.887,预测均方根误差为0.202.研究结果可为液体茶饮料中的成分实时快速检测提供参考.     

基于高光谱成像技术的泾源黄牛肉色度PLSR预测模型构建

利用高光谱成像技术对泾源黄牛肉色度的PLSR预测模型进行构建。通过可见近红外高光谱成像系统获取牛肉样本的高光谱图像,提取感兴趣区域(ROI)的光谱信息并计算平均光谱,采用蒙特卡洛法剔除异常样本后进行样本集划分,并对划分后的样本数据进行预处理。其中,亮度(L^*)经Deresolve法预处理的模型结果最好,其R■为0.979 0,预测集相关系数R■为0.976 6;红度(a^*)经卷积平滑法预处理的模型结果最好,其R■和R■分别为0.807 0、0.915 5;黄度(b^*)经卷积平滑法预处理的模型结果最好,其R■和R■分别为0.931 1、0.950 6。分别利用竞争性自适应重加权法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)进行特征波长提取,建立基于特征波段的偏最小二乘回归(PLSR)模型,进而优选出最佳预测模型,结合视觉的空间深度、立体程度,对样本的形态和色觉感知进行提取与辨别。结果表明,利用高光谱成像技术所构建的色度PLSR模型均是可行的,研究结果为牛肉品质在线快速检测提供了理论依据。     

基于连续投影算法的小麦蛋白质含量近红外光谱预测分析

为了快速无损检测分析小麦蛋白质含量,构建近红外光谱最优小麦蛋白质定量检测分析模型。利用一阶S-G平滑算法+SNV算法对光谱进行预处理。使用连续投影算法(Successive projections algorithm, SPA)提取光谱中的特征波段点,使全谱图的141个波段点降低到17个特征波段点。在选择的17个特征波段点基础上分别建立偏最小二乘回归(Partial least regression, PLSR)模型、支持向量机(Support vector machine, SVM)模型、多元线性回归(Multiple linear squares regression, MLR)模型和主成分回归(Principal component regression, PCR)模型。在构建的4种小麦蛋白质含量预测模型中,MLR预测分析模型的验证集均方根误差(RMSEV)和校正集均方根误差(RMSEC)最小,验证集相关系数(r_v)和校正集相关系数(r_c)最大,其r_v=0.968,r_c=0.976,RMSEV=0.300,RMSEC=0.275。因此,相比于其他3种检测模型,建立的MLR小麦蛋白质含量检测模型最优,稳定性和精确性最高。