利用高光谱图像技术检测鸡胴体内部粪便污染物

以鸡胴体为研究对象,探讨基于高光谱图像技术的鸡胴体内部粪便污染物检测方法。首先采集400～1 000 nm的鸡胴体高光谱图像;然后应用主成分分析(PCA)获得主成分图像,由第1主成分图像得到3个特征波长518.59,562.64,700.67 nm,并以700.67 nm特征波长下的图像作为鸡胴体内部粪便污染物检测特征图像;最后构建掩膜以消除特征图像背景噪声并将其置为白色,并运用阈值分割和数学形态学完成粪便污染物的提取。试验结果表明,对100个鸡胴体样本进行检测,检测总正确率为93%。应用高光谱图像技术结合主成分分析等数据处理方法能较好地完成对鸡胴体内部粪便污染物检测,为鸡胴体内部粪便污染物在线快速检测提供重要的理论依据。

基于最小二乘支持向量回归的鹅肉弹性的可见-近红外光谱测定

为简化鹅肉弹性的可见-近红外光谱模型和提高预测精度,采用联合区间偏最小二乘法(synergyinterval partial least square algorithm,siPLS)结合遗传算法(Genetic algorithm,GA)提取可见-近红外光谱特征波长,用最小二乘支持向量回归(least square support vector for regression,LSSVR)建立鹅肉弹性的预测模型。试验以万能试验机获取恢复距离S作为鹅肉弹性实际值。在模型建立过程中,先利用sym8小波的2层分解对原始的可见-近红外光谱进行光谱预处理;然后用siPLS优选出4个特征光谱子区间(分别为第3、5、9、13子区间),在这4个特征光谱子区间内继续用GA优选出74个特征波长,并建立基于LSSVR的鹅肉弹性的预测模型。模型预测集的决定系数(R2)和预测均方根误差(root mean squarederror of prediction,RMSEP)分别为0.9096和0.0588。试验结果表明,siPLS结合GA法能够有效提取光谱中的鹅肉弹性对应的特征波长,有利于提高LSSVR模型预测鹅肉弹性的精度。