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$R_{C}^{2}$为0.979 0,预测集相关系数$R_{P}^{2}$为0.976 6;红度(a^*)经卷积平滑法预处理的模型结果最好,其$R_{C}^{2}$和$R_{P}^{2}$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$R_{C}^{2}$和$R_{P}^{2}$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。     

利用高光谱成像技术预测牛肉pH值及其空间分布

利用可见/近红外高光谱(400～1 000 nm)成像技术对黄牛肉pH值进行预测。对229个黄牛肉样本的原始光谱信息利用Kennard-Stone(KS)算法进行样本集划分及光谱预处理,分别采用竞争性自适应加权算法(competitive adaptive reweighed sampling, CARS)、无信息消除变量法(uninformative variable elimination, UVE)、β权重系数法及变量组合集群分析法(variable combination population analysis, VCPA)对特征波长进行提取,最后结合偏最小二乘回归(partial least squares regression, PLSR)、多元线性回归(multiple linearity Regression, MLR)和主成分回归(principal component regression, PCR)方法对全波段及特征波段进行建模分析,进而优选出最佳模型。结果表明,利用KS算法划分后的样本集,结合最大归一化法预处理后的光谱数据所建立的预测模型的R_C~2和R_P~2分别为0.842 3和0.783 7,效果较好;利用CARS、UVE、β权重系数法和VCPA分别选出19、16、14和11个特征波长;基于CARS提取特征波长建立的PLSR模型效果最优,其决定系数R_C~2和R_P~2分别为0.845 3和0.740 6,均方根误差为0.069 0。利用CARS-PLSR模型计算牛肉样本中像素点的pH值,并通过选取742 nm处的伪色彩图像直观表示牛肉样本的pH值的空间分布情况。