基于高光谱技术的霉变稻谷脂肪酸含量无损检测

脂肪酸含量是表征稻谷霉变信息的重要指标。为了解决传统化学分析法测定稻谷脂肪酸含量有损、费时、低效等问题,该文研究应用高光谱技术实施霉变稻谷脂肪酸含量无损检测的方法。研究选取人工制备的不同霉变时期的稻谷样本作为研究对象,利用高光谱仪结合理化试验方法测定其相应的光谱信息和脂肪酸含量,运用移动窗口平滑法(savitzky-golay,SG)和一阶微分(first derivation,FD)对光谱数据进行预处理,采用连续投影算法(successive projections algorithm,SPA)提取反映稻谷脂肪酸含量变化的光谱特征波段,应用回归分析法建立基于特征波段光谱反射值的稻谷脂肪酸含量预测模型,对比分析不同光谱预处理方法的模型预测效果。研究结果显示,原始光谱数据通过SG平滑和一阶微分处理后,分别经SPA方法优选出了14和10个光谱特征波段;采用SG-SPA-MLR(multivariable linear regression)方法构建的模型质量和稻谷脂肪酸含量预测效果均优于FD-SPA-MLR模型,校正时其内部交叉验证的相关系数RCV和均方根误差RMSECV分别为0.9419、11.9646 mg/(100 g);预测时其外部验证的相关系数RP和均方根误差RMSEP分别为0.9366、12.3550 mg/(100 g),模型对不同霉变时期的稻谷脂肪酸含量均具有较强的预测能力。研究表明,利用高光谱技术对稻谷脂肪酸含量实施无损检测具有可行性,可为将来快速检测稻谷霉变提供参考依据。     

基于计算机视觉的稻谷霉变程度检测

为了实现无损检测稻谷储藏中的霉变,该研究以引起稻谷霉变的5种常见真菌(米曲霉、黑曲霉、构巢曲霉、桔青霉和杂色曲霉)为对象,首先进行真菌培养,制成悬浮液,然后将悬浮液接种到稻谷样品中,对稻谷样品模拟储藏,确定不同霉变程度的稻谷类型,划分为对照组(无霉变)、轻微霉变组和严重霉变组。利用计算机视觉系统对三组稻谷样品进行图像采集和图像处理,提取灰度、颜色和纹理特征,共获取68个图像特征。采用支持向量机(support vector machines,SVM)和偏最小二乘法判别分析(partial least squares discriminant analysis,PLS-DA)构建模型,分别用于无霉变稻谷与霉变稻谷的区分和稻谷霉变类型区分。为了降低模型复杂度和数据冗余,利用连续投影算法(successive projections algorithm,SPA)来消除原始数据变量间的共线性,优选特征值。结果表明:利用所有参数构建的SVM模型能够很好的区分对照组与霉变组,其中建模集和验证集总体区分准确率分别为99.7%和98.4%;SVM模型对于稻谷严重霉变类型的区分效果要优于轻微霉变稻谷,其中对稻谷轻微霉变类型建模集和验证集总体区分的准确率分别为99.3%和92.0%,对稻谷严重霉变类型区分的总体准确率分别为100%和94%,且整体上SVM模型的效果要优于PLS-DA模型。而基于SPA优选特征构建的模型区分结果表明,SVM模型区分效果优于PLS-DA模型,其中,在建模集和验证集中,对无霉变和霉变稻谷总体区分准确率分别为99.8%和99.5%,对稻谷轻微霉变种类区分总体准确率分别为99.8%和90.5%,对稻谷严重霉变种类区分总体准确率分别为100%和95.0%。因此,基于计算机视觉对稻谷霉变检测是可行的,而且SPA优选特征能够较好反映稻谷霉变特征,基于优选特征和SVM模型能够较好地稻谷霉变进行识别和区分,结果较好,可以为实际应用提供技术支持和参考。     

东北地区稻谷储藏期间脂肪酸含量的预测模型

粮食储备是保障国家粮食安全的重要物质基础,谷物中脂肪酸含量是粮食储藏过程中品质变化的敏感性指标。为了实现绿色储粮安全管理,该文采用多元线性回归(multiple linear regression,MLR)、人工神经网络(artificial neural network, ANN)、支持向量回归(support vector regression, SVR)、最小二乘支持向量回归(least square support vector regression,LSSVR)等机器学习算法模型,对东北地区稻谷储藏过程中的脂肪酸含量(以KOH计)进行预测。通过主成分分析(principal component analysis,PCA)方法筛选稻谷关键储藏参数,得到4个影响稻谷脂肪酸含量的关键因子,分别为稻谷入仓水分、入仓脂肪酸含量、储藏有效积温、检测粮温。然后,将得到的关键因子进行归一化处理,再分别输入到MLR、ANN、SVR、LSSVR模型,采用决定系数R2、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)等评价指标对不同模型的预测性能进行对比,探讨稻谷脂肪酸含量预测的最优模型算法。研究结果表明,LSSVR模型的决定系数R2、MAE、MAPE、RMSE分别为0.911、0.275 mg/100 g、1.604%、0.348 mg/100 g,预测效果略优于MLR,明显优于ANN和SVR,LSSVR和MLR模型可作为稻谷储藏期间脂肪酸含量预测的方法。该研究实现了稻谷脂肪酸含量的预测,为科学储粮、安全绿色储粮提供参考。     

基于近红外分析技术检测大豆脂肪酸含量的研究

为探索近红外光谱技术在大豆脂肪酸测试中的应用,寻找一种快速的检测方法。以黑龙江省各地的25份大豆品种为材料,采用Perten8620型近红外光谱仪对搜集到的样品进行扫描并得到光谱数据,采用多元线性回归(MLR)和偏最小二乘法(PLS)对试验数据进行了多元统计分析。结果表明：在1700～2300 nm范围内检测大豆脂肪酸含量是可靠的,并且PLS模型的性能优于MLR模型。该文还对近红外仪中的滤光片组合作了初步探讨,表明不同的滤光片组合对测量精度有一定影响。     

基于可见/近红外光谱的菠萝水心病无损检测

水心病近年严重危害菠萝产业,探究一种菠萝水心病的无损检测方法对保证上市果品、指导采后处理、促进产业提升具有重要意义。该研究采用自行搭建的菠萝可见/近红外光谱无损智能检测平台,考虑实际应用成本与效果,搭载覆盖不同波段（400～1 100、900～1 700和400～1 700 nm）的检测器对菠萝样本进行采样,随后人工标定水心病发生程度。研究结果表明,3种不同光谱波段对菠萝水心程度检测的较优方法均为：采用全波段进行多项式平滑（Savitzky Golay,SG）处理,再进行标准正态变量校正（Standard Normal Variate,SNV）,最后结合概率神经网络（Probabilistic Neural Network,PNN）建模识别。其中,400～1 100 nm所建模型对菠萝水心病训练集的回判正确率为98.51%,对验证集的检测正确率为91.18%;900～1 700 nm所建模型对菠萝水心病训练集的回判正确率为100%,对验证集的检测正确率为62%;400～ 1 700 nm所建模型对菠萝水心病训练集的回判正确率为100%,对验证集的检测正确率为91.18%。主成分分析（Principal Component Analysis,PCA）和偏最小二乘回归（Partial Least Squares Regression,PLSR）分析结果均显示,采用400～ 1 700 nm能轻微提升400～1 100 nm的检测效果。综合考虑实际应用成本与效果,实际应用建议采用400～1 100 nm光谱结合SG + SNV + PNN对菠萝水心病进行识别。研究结果证明可见/近红外光谱技术可为菠萝水心病无损、快速、智能检测提供有效的解决方案,为相关领域提供参考。     

基于可见/近红外光谱生鲜肉多品质参数检测装置研发

为了解决生鲜肉多个品质参数快速、无损、同时检测的问题,该文利用双波段(350~1 100 nm和1 000~2 500 nm)可见/近红外光谱技术,结合硬件单元和编写的软件控制程序,研发了多品质参数同时检测装置,实现对双波段光谱信息的同时采集、实时处理、显示以及保存。基于该检测装置,采集覆盖生鲜肉多个品质参数的可见/近红外光谱信息(350~2 500 nm),经过平滑和标准正态变量变换(standard normal variate,SNV)预处理后,分别基于单波段和双波段光谱数据,与国家标准方法测定的猪肉颜色(L*、a*、b*)、p H值、挥发性盐基氮(total volatile basic nitrogen,TVB-N)、含水率、蒸煮损失和嫩度建立偏最小二乘(partial least square,PLS)预测模型。在此基础上,利用竞争性自适应加权算法(competitive adaptive reweighted sampling,CARS)筛选特征变量,建立简化的PLS模型,对各个品质参数的预测集相关系数分别为0.962 5、0.933 6、0.938 9、0.941 5、0.936 3、0.912 3、0.920 0和0.901 9,预测误差为0.628 7、0.757 6、0.547 1、0.078 2、2.835 4 mg/(100 g)、0.380 9%、2.560 0%和6.896 7 N。结果表明,该装置可以实现生鲜肉多个品质参数的同时检测,研究结果可为实时获取肉品品质信息,实现肉品评定和分级提供参考。     

基于近红外光谱的沼液挥发性脂肪酸含量快速检测

挥发性脂肪酸(Volatile Fatty Acids,VFA)作为厌氧发酵过程的重要中间产物,其在厌氧反应器中的累积能够反映出产甲烷菌的不活跃状态或厌氧发酵条件的恶化。为了实现对农牧废弃物厌氧发酵进行过程分析和状态监控,将近红外光谱(Near Infrared Spectroscopy,NIRS)与偏最小二乘(Partial Least Squares,PLS)相结合构建玉米秸秆和畜禽粪便厌氧发酵液乙酸、丙酸和总酸含量快速检测模型。将竞争自适应重加权采样法(Competitive Adaptive Reweighted Sampling,CARS)与遗传模拟退火(Genetic Simulated Annealing,GSA)算法相结合构建CARS-GSA算法对沼液中的乙酸、丙酸和总酸进行特征波长优选,原始光谱数据1 557个波长点经预处理和波长优选后,得到乙酸、丙酸和总酸特征波长变量分别为135、101和245个,建立的回归模型验证决定系数分别为0.988、0.923和0.886,预测均方根误差(Root Mean Squared Error of Prediction,RMSEP...     

柿子可溶性固形物含量的可见-近红外光谱检测

为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。     

手持式黄油桃可溶性固形物可见近红外光谱检测设备研制

桃在鲜果市场中占有重要份额。可溶性固形物含量（soluble solid content,SSC）是衡量桃品质的重要参数,是挑选优质桃以及预测最佳采摘时期的重要决策依据。该研究开发了一款基于可见近红外光谱技术的手持式黄油桃SSC无损检测设备。该设备的硬件系统主要由微型光谱仪、卤素灯、OLED显示屏、微控制器以及自主设计的驱动电路组成。为了评估所开发设备的检测性能,采用北京平谷区种植的黄油桃作为样品进行验证。首先,获取校正集样品在680～940 nm范围内的可见近红外光谱,经5点平均平滑和最大值归一化对光谱预处理建立黄油桃SSC偏最小二乘回归模型并用于预测集样本的SSC分析,预测相关系数和均方根误差分别为0.947和0.728%,单果检测时间不超过2 s。为了提高模型精度和稳定性,将校正集和预测集合并后作为新的校正集进行建模,并将重新构建的模型对独立验证集进行预测,SSC预测值与实测值的相关系数为0.906,均方根误差为0.732%。采用分段直接校正算法将主机模型传递到从机。经过模型传递后,从机对独立验证集SSC的预测值与实测值的相关系数和均方根误差分别为 0.865和0.919%。该手持式SSC检测设备可将SSC预测数据以蓝牙方式传输到手机客户端,借助手机定位功能,在地图上实现黄油桃SSC空间可视化分布。研究结果表明,该手持式SSC无损检测设备可以实现黄油桃SSC的准确测量,借助模型传递算法。实现了模型在不同设备间的有效传递,避免了重复建模,可为该设备批量生产节约大量成本,具有广阔的应用前景。     

用高光谱成像技术检测柑橘红蜘蛛为害叶片的色素含量

为解决传统理化法检测柑橘树叶片受红蜘蛛为害后色素含量变化时存在的工作量大、效率低等问题,该文研究应用高光谱成像技术检测柑橘红蜘蛛为害叶片色素含量的方法。研究中对比了正常叶片与受害叶片的原始光谱以及原始光谱一阶微分曲线的差异,寻找反映叶片色素含量变化的特征波段;分析了特征波段反射率比值与叶片色素间相关性;采用单变量线性回归法分析了常用植被指数预测叶片色素含量的效果;采用逐步回归分析法建立了叶片色素含量预测模型,并对模型预测效果进行了F检验。结果表明:常用植被指数预测叶片色素含量结果不理想;选取的667/522、667/647和522/647 nm等3个特征波段反射率比值与叶片3种色素含量间具有较高的相关性;用于建立叶片色素含量预测模型的最佳特征波段反射率比值为667/522和667/647 nm,所建立的模型可较好地预测健康及受害叶片的叶绿素a、叶绿素b和类胡萝卜素含量。