基于叶绿素叶面分布特征的黄瓜氮镁元素亏缺快速诊断

为了快速、无损诊断作物氮(N)、镁(Mg)营养亏缺,该研究提出一种以叶绿素叶面分布特征诊断黄瓜N、Mg元素亏缺的方法。在设施栽培模式下精确控制N、Mg营养元素的供给,培养黄瓜缺N、缺Mg及对照植株(营养元素正常植株),然后采集对应的高光谱图像并结合化学计量学方法快速、无损检测叶绿素分布。与对照组叶片叶绿素分布相比,缺N叶片的叶绿素含量在整个叶面区域偏低,缺Mg叶片叶绿素在叶脉之间区域含量偏低。鉴于此,提取叶绿素叶面分布特征(叶片所有像素点对应的叶绿素含量均值及标准差)对N、Mg营养元素亏缺进行诊断,对预测集N、Mg元素亏缺正确诊断率达90%。研究结果表明叶绿素叶面分布特征可作为一种黄瓜N、Mg元素亏缺诊断依据。     

油炸方式对油炸藕片吸油率与微观结构的影响

以油炸藕片为研究对象,使用荧光探针-尼罗红将油染色,然后应用激光共聚焦显微镜比较真空和常压2种不同油炸方式对藕片微观结构的影响,并比较在相同预处理条件下2种油炸方式的吸油率。结果表明,在ΔT=60℃时,真空吸油率比常压油炸降低了约30%。在微观结构方面,真空油炸能够很好地保存细胞的完整性,破碎细胞较少,阻碍油脂的进入,而常压油炸后细胞破碎严重,吸油率相对较高。在样本表面,真空油炸仅有1/3的细胞被油覆盖,而常压油炸约有2/3的区域被覆盖,尤其是油炸焦皮内部第一层细胞的油分布情况更能反映不同油炸方式微观结构的差异性。在样本内部,真空油炸的油分布在细胞间隙,完整细胞中少油或无油存在,而常压油炸,由于油炸温度高,使得细胞失水快,细胞破碎,油炸后细胞间隙和细胞中充满了油。综上所述,真空油炸能够减少油吸收,并保持油炸样本细胞的完整性,为深入研究油炸食品微观结构的变化,减少油吸收提供理论依据和有效手段。     

基于近红外光谱技术的醋醅中常见杆菌快速识别

醋醅中微生物群落及其代谢产物是镇江香醋独特口感和风味形成的关键因素。研究醋醅微生物的快速识别方法,有利于监控醋醅微生物的群落组成及其动态变化情况,保障发酵产品品质。利用近红外光谱技术对醋醅中5种形态相似的常见杆菌进行快速检测。首先采集5种杆菌菌落的近红外光谱信息,并利用PCR方法对5种杆菌进行生物学鉴别(分别为地衣芽孢杆菌、短小芽孢杆菌、嗜酸乳杆菌、枯草芽孢杆菌和醋酸杆菌),然后利用K-最近邻法和最小二乘支持向量机法建立5种杆菌的近红外光谱识别模型,结果表明当主成分为4时,LS-SVM模型对应的校正集识别率为100%,预测集识别率为97.50%。     

黄瓜叶片叶绿素含量近红外光谱无损检测

为了简化黄瓜叶片叶绿素光谱模型和提高模型预测精度,采用联合区间偏最小二乘法( SiPLS)结合净分析物法( NAS)提取近红外光谱的特征信息,建立了黄瓜叶片叶绿素光谱模型.收集了110片新鲜黄瓜叶片,用近红外光谱仪采集光谱数据后立刻用化学分析方法测定叶绿素含量.原始光谱经过SNV预处理和子区间总数优化后,将全光谱均匀划分为29个子区间,用联合区间偏最小二乘法优选出4个特征子区间,在上述特征子区间的基础上,用净分析物法分离光谱中同叶绿素相关的光谱信息,并结合线性回归法建立了叶绿素光谱模型.模型对应的校正集相关系数Rc、校正均方根误差、预测集相关系数Rp和预测均方根误差分别为0.947 2、0.079 5 mg/g、0.925 0和0.090 6 mg/g.结果表明:联合区间偏最小二乘法结合净分析物法能够有效提取叶绿素的特征光谱信息,提高模型精度的同时降低其复杂度.     

基于高光谱技术的菌落图像分割与计数

在平板菌落计数过程中,菌落与背景区域类似的颜色会干扰菌落的准确计数。为了准确测定细菌数,该研究利用高光谱图像技术捕捉成分差异引起的菌落与背景区域光谱特征,并结合化学计量学方法对平板的菌落进行分割并实现计数。采集枯草芽孢杆菌菌落平板的高光谱图像,提取菌落、背景区域的高光谱信息;利用遗传算法结合最小二乘支持向量机建立菌落区域/背景区域判别模型;随后,将菌落平板高光谱图像中每一个像素点对应的光谱信息代入判别模型以判断属于菌落的区域,模型的识别率为97.22%;最后,利用特征波段下的高光谱图像实现菌落的分割及计数,计数平均相对误差值为4.2 %,用时约为10 min。相比较于计算机视觉计数法,菌落计数法的平均相对误差降低了49.4%,结果表明建立的方法有望成为一类新的准确平板菌落计数方法。     

农产品无损检测技术课程教学探索

为了提高农产品无损检测技术课程的教学效果,对农产品无损检测技术课程的教学内容、教学方法和实践教学进行了探索。旨在使学生通过有限学时的学习,理解农产品无损检测理论的精髓,掌握农产品无损检测的关键技术,以及了解农产品无损检测技术的国际前沿动态。     

基于超声成像技术的火腿肠质构分析与等级判别

为了研究超声成像技术在火腿肠质构分析与等级判别方面应用的可行性。通过对火腿肠蛋白质、淀粉等理化指标的测定将其分为特级、优级、普通级,并采集2个品牌3个等级的火腿肠共240份超声图像信息,在Matlab 7.0环境下提取图像角二阶矩、平均值等纹理特征值,最后利用线性判别式分析(linear discriminant analysis,LDA)和支持向量机(support vector machine,SVM)建立火腿肠的等级判别模型。结果表明:同品牌不同等级火腿肠超声图像、纹理特征值均具有较大差异,而同等级不同品牌火腿肠差异较小。建立的识别模型中:SVM优于LDA模型,当主成分为3时,SVM模型对应的校正集、预测集识别率均为100%,模型效果最佳。因此,超声成像技术可实现火腿肠内部质构的分析和等级的快速准确识别,研究结果可为超声成像技术在火腿肠内部质构分析和等级判别方面的应用提供参考。     

基于支持向量机的缺陷红枣机器视觉识别

在枣的干制过程中形成的油头枣、浆头枣、霉烂枣是最常见的缺陷枣,它们整体或局部颜色偏暗、偏黑,有必要通过机器视觉技术将其识别出来.在HIS颜色空间中,提取H的均值和均方差作为红枣的颜色特征值,利用支持向量机识别缺陷红枣.实验结果表明,识别准确率可以达到96.2%,优于人工神经网络的89.4%.     

基于模拟退火波长优化的草莓坚实度近红外光谱检测

为提高近红外光谱技术检测草莓坚实度模型的精度和鲁棒性,研究了一种基于模拟退火算法的波长优选方法,并找到一种与该算法配套的光谱预处理方法.利用光谱仪和物性仪分别采集草莓样品近红外漫反射光谱和坚实度数据,并采用标准正交变换、多元散射校正、一阶导数、二阶导数等方法对原始光谱进行预处理;最后,利用模拟退火算法优选与草莓坚实度高度相关的波数点变量,结合偏最小二乘法建立草莓坚实度预测模型.结果表明:经过标准正交变换预处理后,采用模拟退火算法优选出24个波数点,在主成分数为5时,建立的偏最小二乘模型具有最佳预测效果,模型校正集样本相关系数rc为0.934 2,校正均方根误差为0.665 N/cm2;预测样本相关系数rp为0.919 7,预测均方根误差为0.673 N/cm2.研究表明:模拟退火算法可以提高近红外模型预测草莓坚实度的精度和鲁棒性,并降低预测模型复杂度.     

基于音频和近红外光谱融合技术的西瓜成熟度判别

为了满足西瓜成熟度的快速无损检测需求,该研究主要利用声学技术、近红外光谱技术结合K最近邻法(k-nearest neighbor,KNN)、线性判别分析(linear discriminant analysis,LDA)和反向传播人工神经网络(back propagation artificial neural network,BP-ANN)3种化学计量学方法对不同成熟度的西瓜进行定性判别;同时采用联合区间偏最小二乘筛选法(synergy interval partial least squares,Si-PLS)分别建立声学技术、近红外光谱技术、融合技术的西瓜可溶性固形物预测模型。结果表明融合技术处理结果均优于单一信号,其LDA模型数据的西瓜成熟度模型识别率较佳,校正集和预测集的识别率分别为100.00%和91.67%。同时,基于融合技术所建立的西瓜可溶性固形物预测模型效果较佳,其校正集的均方差根误差(root mean squared error of the calibration set,RMSECV)为0.601%,预测集的均方差误差(root mean squared error of the prediction set,RMSEP)为0.725%,相比的单独音频信号其均方根误差分别降低了0.081、0.068个百分点。研究结果可为高精度的西瓜品质快速鉴别提供参考。