基于高光谱成像的茶叶中EGCG分布可视化

针对目前关于表没食子儿茶素没食子酸酯(epigallocatechin gallate,EGCG)在茶叶中的分布缺乏可视化表达问题,该文采用高光谱成像技术以实现EGCG在茶叶中的分布可视化。通过高光谱成像仪采集茶叶的光谱信息,按照标准方法 HPLC(high performance liquid chromatography)法测量茶叶的EGCG浓度。运用化学计量学方法建立光谱与EGCG浓度之间的回归模型。为寻求相对较优的模型效果,对光谱进行不同的预处理,以确定最优的预处理方法;采用4种建模方法建立回归模型,以确定最优的建模方法;对光谱进行特征波段选择,以降低数据冗余提高模型的稳定性和运算速度。最后,将高光谱图像中像素点对应的光谱变量导入模型,从而生成EGCG浓度分布图。结果表明:可见-近红外光谱与EGCG浓度之间具有很强的相关性,其回归模型的决定系数达到0.905,利用高光谱成像技术对茶叶中EGCG分布进行可视化可行。通过对不同品种、叶位的茶叶中EGCG浓度分布进行可视化,能够为高EGCG浓度茶树品种的培育、EGCG代谢规律的分析以及茶树采摘部位的识别提供有效手段。     

基于高光谱成像技术的桑叶含水率可视化检测

在桑叶多元化开发及传统养蚕过程中，含水率是衡量桑叶物化状态和指导生产加工的关键参数。为解决传统的烘干称重法含水率检测效率低且操作繁琐的问题。使用高光谱图像采集系统获取桑叶高光谱图像(937～1 718 nm),根据阈值分割法对高光谱图像进行背景剔除，计算各桑叶在高光谱图像中的平均光谱。采用Savitzky-Golay平滑、多元散射校正和正交信号校正方法对光谱进行预处理以消除或降低可能存在的干扰信号，采用连续投影算法和竞争自适应重加权采样算法(competitive adaptive reweighted sampling, CARS)提取光谱特征波段以降低检测模型复杂度，采用偏最小二乘法和反向传播人工神经网络(back propagation artificial neural network, BPNN)构建光谱与桑叶含水率的回归模型。将桑叶高光谱图像中各像素点的光谱数据导入构建的回归模型可实现桑叶含水率可视化检测。结果表明，基于CARS提取的特征波段所构建的BPNN回归模型性能最佳，预测集对应的决定系数达到0.994。文中方法为桑叶含水率快速无损检测提供了新的途径。