基于近红外高光谱图像技术的栗果品质无损检测

提出一种基于近红外高光谱图像技术的板栗果实品质快速无损检测方法。分别选取3个不同品种栗果、1个品种的霉变栗果和1个品种的虫害栗果各30个样品,采集供试样品的近红外高光谱数据;采用偏最小二乘法(PLS)建立栗果中总糖和淀粉含量预测模型,预测值与实际值的相关系数为0.9313～0.9587,均方根误差为0.062 4～0.225 0;结合主成分分析法(PCA),建立不同品种栗果鉴别以及识别霉变、虫害、正常栗果的判别分析(DA)模型,模型的识别率分别为96.7%和98.6%。结果表明,近红外高光谱图像技术可用于栗果总糖和淀粉的定量预测,以及不同品种栗果和霉变、虫害果的快速定性识别。

近红外高光谱图像技术在马铃薯外部缺陷检测中的应用

为探讨马铃薯各种外部缺陷在线快速无损检测的可行性,在900～1 700nm的近红外光谱区域,基于高光谱图像技术建立一套合适的检测方法。该研究以5种缺陷类型以及合格的马铃薯为研究对象,分别获取它们的高光谱图像,并提取高光谱图像中感兴趣区域的反射率光谱;主成分分析法用于光谱数据降维,选取7个特征波长(990,1 026,1 109,1 226,1 285,1 464,1 619nm);然后,再次对选出的特征波长进行主成分分析,并选出第二个主成分图像用于马铃薯外部缺陷的图像识别,正确识别率达到71.25%。为提高识别率,该研究又提出波段比算法,并与特征波长主成分分析法相结合,正确识别率达到97.08%。试验结果表明:基于近红外高光谱图像技术的图像识别方法可以有效地识别马铃薯外部缺陷。

基于近红外高光谱成像技术的小麦不完善粒检测方法研究

小麦作为主要的粮食作物在我国农业生产、运输、食品加工等方面占有重要地位。不完善籽粒严重影响了小麦质量与粮食安全。不完善籽粒主要在生产、存储、包装等过程中产生,目前我国小麦质量检测多以人工分选为主,但存在人主观性较强,肉眼易疲劳,且费时费力等问题,因此,如何快速准确鉴别小麦不完善粒是现阶段提高生产率和保证粮食安全的重要问题。运用高光谱成像技术和特征波段选取方法提出一种快速有效的小麦不完善粒鉴别方法。利用近红外高光谱成像系统获得1 000粒小麦样本在862.9～1 704.2nm共256个波段的高光谱反射图像,其中包括健康粒、生芽粒、霉变粒和赤霉粒各250粒,提取每个样本感兴趣区域的平均反射率光谱作为分类特征。本文首先对提取的全波段光谱信息进行窗口平滑、一阶导数差分、矢量归一化等数据预处理,将原始光谱数据的隐藏信号放大并消除随机误差;在预处理的基础上运用伪偏最小二乘(DPLS)和正交化线性判别分析(OLDA)对光谱进行特征提取,降低数据的冗余度;最后采用仿生模式识别(BPR)建立四类小麦的鉴别模型。实验结果表明,采用全波段光谱信息建立的小麦不完善粒鉴别模型的平均识别精度达到97.8%,分析结果可知,利用近红外高光谱成像技术的全波段光谱信息对小麦不完善粒鉴别是可行的。尽管全波段光谱信息取得了较好的鉴别效果,但高光谱成像设备较为昂贵,获取高光谱全波段光谱信息数据量较大,无法满足对现场设备运算速度的高要求,因此,采用连续投影算法(SPA)对全波段光谱数据进行特征波段的选择,使波段数量由256维降低到10维,从而提高系统的可行性和运算速度。采用选取的10个特征波段建立小麦不完善粒鉴别模型,实验结果表明10个特征波段的平均识别精度仅为83.2%,分析结果可知,尽管采用10个特征波段提高了系统实时性,但鉴别准确性较差。为达到与全波段特征基本相当的鉴别效果,利用光谱特征与图像特征结合的方法建立小麦不完善粒鉴别模型,将上述选取的10个特征波段的形态信息、纹理信息和光谱信息进行结合,实验结果表明,10个特征波段的光谱信息与图像信息结合使鉴别的平均识别精度达到94.2%,此识别效果与利用全波段光谱数据的识别效果基本相当。利用高光谱成像系统探索了小麦不完善粒鉴别的可行性,通过分析以上实验可知,基于近红外高光谱成像技术对小麦不完善粒检测具有良好的效果,在有效的提高运算速度的同时也保证了系统的鉴别精度,为后期小麦不完善粒快速检测设备的开发提供了有效的研究方向。

近红外图像和光谱分析技术在农产品品质无损检测中的应用与展望

介绍了现代近红外分析技术的发展及其技术特点 ,并就近红外图像技术和光谱分析技术两方面综合分析了国外利用近红外分析技术在农产品品质检测上的研究 ,以促进我国在该领域的研究。

基于近红外高光谱图像分析的麦粒硬度分类研究

为对小麦硬度进行自动检测,采集不同硬度小麦品种的近红外高光谱图像,将光谱数据经过求导处理后,提取950~1 645 nm有效光谱区间数据,然后经过多元散射校正,建立偏最小二乘判别分析（PLS-DA）模型。采用120粒小麦对模型进行训练,剩余的90粒进行检验,总体上模型分类准确率为99.63%。表明,采用近红外高光谱成像技术对单籽粒小麦硬度进行分类是可行的。

用近红外高光谱图像区分不同品质的建筑涂料

市场上出售的建筑涂料品种繁多,型号和品质不尽相同。利用高光谱技术区分不同品质的建筑涂料。获取同一颜色四个不同品质、不同品牌建筑涂料(品牌A,B,C,D)的近红外高光谱图像,利用ANOVA(analysis of variance)方法发现1 283和2 447nm为区分四个品牌涂料的最优波段。构建比值指数R_(1 283)/R_(2 447)并对其结果进行阈值分割,将分割结果与最大似然分类精度进行了对比。结果表明除品牌C与D之间J-M距离外,其他涂料间J-M距离均大于1.8;而R_(1 283)/R_(2 447)指数分割精度最低为87.54%,相应最大似然分类精度为95.63%,其他品牌涂料阈值分割与最大似然分类精度均达到90%以上。因此,R_(1 283)/R_(2 447)指数能够较好地区分不同品牌的建筑涂料。该研究结果可为建筑涂料识别、装修质量验收、合格评定提供技术支持。

粮虫近红外高光谱图像的采集系统设计及实现

储粮活虫的准确检测是粮虫防治中科学决策的关键,为此,设计并构建了适于粮虫近红外高光谱图像采集的成像系统,系统主要由光谱成像单元、照明单元、位移单元、计算机和光箱五部分组成。试验结果表明,当曝光时间为3ms,位移台的移动速度为0.59mm/s时,系统所获取的小目标粮虫图像比较清晰,满足了后续粮虫光谱分析的需要。

基于降噪技术的高光谱图像实时优化研究

为了获得理想的高光谱图像,针对当前高光谱图像优化方法存在的问题,设计了基于降噪技术的高光谱图像实时优化方法。首先分析当前高光谱图像优化的研究进展,找到当前方法存在的不足,采集高光谱图像,采用自适应阈值的小波变换对高光谱图像进行去噪处理,以改善高光谱图像质量,然后采用Retinex理论模型对去噪后高光谱图像进行增强操作,丰富高光谱图像细节信息,最后采用卷积神经网络进行了高光谱图像分类,测试结果表明:本方法优化后高光谱图像的峰值信噪比和结构相似度均值分别为31.18和0.981,不但提升了高光谱图像质量,而且使得高光谱图像分类正确率超过了92%,高光谱图像优化时间控制在4.5 s以内,相对于其他高光谱图像优化方法,具有十分明显的优越性。

高光谱图像技术在酱油中L-色氨酸含量分析中的应用

以3种市售酱油为研究对象,利用二极管阵列检测器结合外标法定量考察酱油中L-色氨酸含量;基于偏最小二乘法进行酱油中L-色氨酸含量预测。结果表明,在最大吸收波长302 nm、流动相pH 5.0、柱温37℃、流速1.2 mL/min、流动相为甲醇比例12%、乙酸钠缓冲液含量0.015 mol/L的乙酸钠缓冲液-甲醇、氢氧化钠浓度0.015 mol/L下进行酱油中L-色氨酸含量检测时效果最优;在光谱范围462~506 nm、612~698 nm、794~858 nm之间时,校正集相关系数为0.9851,均方根误差为0.491;预测集相关系数为0.9873,均方根误差为0.373,其模型精度最高。利用高光谱图像技术可以快速有效地进行酱油中L-色氨酸含量的测定,其结果可为酱油分析提供理论依据和数据支持。

近红外高光谱成像技术在筛查保健食品中违禁添加抗炎药物双氯芬酸钠的研究

双氯芬酸钠是一种非甾体抗炎药,抗炎症效果较好,抗炎化学药物双氯芬酸钠有可能违禁添加到缓解炎症保健食品中。目前已有一些文献研究水、肉及牛奶等中的药物双氯芬酸钠,主要利用高效液相色谱、表面增强拉曼及电化学等方法,需要相对复杂的预处理过程,操作步骤相对复杂,耗时。为了快速、无损检测保健食品中违禁添加物的成分,探索建立采用1000~2524 nm波段或特征最优波段的光谱作为自变量,将近红外高光谱成像技术结合化学计量学分析的方法定量分析缓解炎症保健食品中可能添加的不同浓度的双氯芬酸钠。研究主要运用了8种光谱预处理方法,基于全光谱波长建立了偏最小二乘回归及主成分回归模型,同时,为了提高模型的准确性和稳定性,利用β系数方法选择最优波段1130~1147,1412~1468,1658~1709,2010~2055,2122~2178和2395~2423 nm为自变量建立与双氯芬酸钠浓度的多元线性回归模型。比较了偏最小二乘回归、主成分回归及多元线性回归三种模型。分析结果显示,经标准正态变量预处理方法建立多元线性回归模型,该模型的准确性和和预测能力较好,其预测最低限为0.05%,预测值与实测值的R 2为0.9925,预测均方根误差为0.0049,标准预测偏差为0.0049,说明近红外高光谱成像技术为快速定量分析缓解炎症保健食品中违禁添加抗炎药物双氯芬酸钠提供了理论基础。有望进一步开发拓展到其他违禁添加药物的快速定量应用。

近红外高光谱技术鉴别长枣表面的农药种类

探索一种能对长枣表面农药种类进行准确鉴别的方法。利用900nm^1700nm的高光谱成像系统对喷洒不同农药的长枣进行原始光谱数据采集,利用Savitzky-Golay卷积平滑的方法对900nm^1700nm波段范围内的原始光谱进行预处理,运用偏最小二乘回归系数选择7个特征波长(SevenWavelengths,SW),采用对农药种类进行赋值的方法建立偏最小二乘(PLS)模型进行鉴别分析,结果表明,不同种类的农药在一定程度上能被有效的鉴别,鉴别正确率达到88.75%,但是在鉴别吡虫啉与哒螨灵两种农药时容易出现鉴别错误。进一步采用SW-LDA对不同农药种类进行鉴别,建立7个特征波长下的线性判别分析(LDA)模型,研究结果显示,不同农药种类的鉴别准确率达到90%以上。说明近红外高光谱联合SW-LDA能够准确地鉴别长枣表面不同的农药种类,为长枣表面农药种类的鉴别探索出了一种新方法。

基于可见/近红外高光谱成像技术的牛肉品种鉴别

利用可见/近红外高光谱成像技术实现荷斯坦奶牛、秦川牛、西门塔尔牛三个品种牛肉的快速无损鉴别。首先,对原始光谱进行预处理并对样本集进行划分;应用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和无信息变量消除算法(UVE)对预处理后的光谱数据提取特征波长;结合偏最小二乘判别模型(PLS-DA)、K最近邻(KNN)模型及支持向量机(SVM)模型进行全波段及特征波段鉴别分析。结果表明,一阶导数(FD)法为最优预处理方法,利用光谱-理化值共生距离法(SPXY)法划分后的样本模型预测性能最好;利用CARS、SPA和UVE分别选出24、17和19个特征波长;基于CARS法提取的特征波长所建的RBF-SVM模型的校正集与预测集正确率分别为100%、98.82%。由此可见,基于高光谱成像技术能够获得较好的牛肉品种鉴别效果。该研究可为牛肉品种的快速无损鉴别提供参考。

可见/近红外高光谱成像技术对鸡蛋种类无损判别

利用高光谱技术对鸡蛋种类判别进行研究,为鸡蛋种类无损判别提供科学方法。本研究利用400~1 000 nm高光谱系统采集3种鸡蛋样本的高光谱图像,对原始光谱进行预处理;应用CARS、GAPLS和IRF对预处理后的光谱数据提取特征波长;分别建立基于全光谱和特征波长的KNN和PLS-DA鸡蛋判别模型。结果表明:Detrend法为最优预处理方法;利用CARS、GAPLS和IRF分别选出31、52和71个特征波长;基于IRF提取的特征波长的PLS-DA模型最优,校正集正确率97.02%,预测集正确率85.71%。表明基于高光谱成像技术采集的鸡蛋反射光谱对种类无损判别是可行的。

基于可见/近红外高光谱成像技术的鸡蛋新鲜度无损检测

以400~1 000nm高光谱系统获得鸡蛋样本的高光谱图像,利用蒙特卡洛法检测异常样本,采用不同预处理方法处理原始光谱;应用竞争性正自适应加权算法(Competitive Adaptive Reweighted Sampling,CARS)、遗传偏最小二乘法(Genetic Algorithms PLS,GAPLS)和间隔蛙跳法(Interval Random Frog,IRF)对预处理后光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘回归(Partial Least Squares Regression,PLSR)和最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)鸡蛋新鲜度预测模型。结果表明:标准正态变量变换(Standardized Normal Variate,SNV)法为最优预处理方法;利用CARS、GAPLS和IRF分别选出8,35,74个特征波长;基于GAPLS提取的特征波长的LS-SVM模型最优,其校正相关系数(Rc)为0.899,预测相关系数(Rp)为0.832。表明基于高光谱成像技术的鸡蛋新鲜度无损检测是可行的。

近红外高光谱成像技术结合偏最小二乘-判别分析所建模型快速鉴定核桃仁的品质

将近红外高光谱成像技术与偏最小二乘-判别分析(PLS-DA)结合,建立了快速无损鉴定核桃仁品质的分类模型。在900~1 700 nm全波长范围内,采集不同品质核桃仁的光谱数据,以平均光谱作为原始光谱,以标准正态变量对原始光谱数据进行预处理,采用主成分分析对原始光谱数据降维,提取到970,1 151,1 210,1 215,1 256,1 309,1 340,1 379,1 389,1 404,1 460 nm等11个特征波长。基于全光谱和特征波长,分别建立两种PLS-DA分类模型。结果表明:全光谱条件下所建模型在校准集和验证集上的预测正确率最高,可达100%;特征波长条件下所建模型在相同数据集上的分类正确率略有下降,为99.3%;两种模型在测试集上的预测正确率均为100%。

高光谱图像技术在水果品质无损检测中的应用

传统的近红外光谱分析法和可见光图像技术应用于水果品质无损检测中存在的检测区域小、检测时间长、仅能检测表面情况等局限性。高光谱图像技术结合光谱技术与计算机图像技术两者的优点,可获得大量包含连续波长光谱信息的图像块,其图像信息可检测水果的外部品质,光谱信息则可用于水果内部品质的检测,达到根据水果内、外部综合品质进行分类的目的。根据不同的采集设备,简介了两种获得高光谱图像的方法。综述了国内外将该技术应用于水果品质检测方面的研究进展,检测内容包括外观品质、损伤与缺陷,成熟度和坚实度,含糖量、含水率等内部品质,着重介绍了各高光谱图像的成像波段范围、分辨率、成像源,实验数据处理的方法以及实验结果等。根据综述所得提出了高光谱图像技术应用中需要解决的光谱降维、降低样品差异影响和实时检测平台搭建等问题。

可见/近红外高光谱成像技术对冷藏过程中原料乳细菌总数的无损检测

目的:利用可见/近红外高光谱成像技术结合化学计量学方法建立冷藏过程中原料乳细菌总数检测模型,为冷藏过程中原料乳细菌总数快速检测提供一种科学方法。方法:采用可见/近红外(400～1000 nm)高光谱采集冷藏过程中原料乳的光谱数据,采用平板计数法对乳中细菌总数进行测定;样本经过划分后对原始光谱采用采用3种预处理,然后建立原料乳细菌总数的偏最小二乘回归(PLSR)预测模型。结果:结果表明:SG为最佳预处理方法,Rc、Rp为0.919 0、0.810 9;利用SPA、UVE分别选出5、13个特征波长;SPA+PLAR模型最优,Rc、Rp分别为0.919 5、0.821 4。结论:表明高光谱成像技术对原料乳中细菌总数的快速无损检测是可行的。

高光谱图像技术在水果无损检测中的研究进展

为保证水果质量,满足企业与消费者的需求,势必要对水果进行品质检测和分级处理。高光谱图像作为一种新型的无损检测技术,融合了图像学和光谱学的优点,可以快速、无损地获取水果的空间和光谱图像信息,从而全方位的反映水果内外部的品质信息。因此,该技术在水果品质无损检测领域具有巨大的发展前景。该文主要介绍了高光谱图像系统的基本原理、图像的采集和分析方法、国内外水果无损检测的应用以及未来的发展前景。

高光谱图像技术检测柑橘果锈

高光谱图像技术作为农产品无损检测的新技术,探讨了其在柑橘外部品质检测的可行性。以检测柑橘果锈为目的,首先对经预处理的高光谱图像数据进行主成分分析,优选出571nm、652nm和741nm三个特征波长组成新的图像块;再进行第二步主成分分析,得到的第三主成分图像为最适宜检测柑橘果锈的图像;最后对该图像进行中值滤波、平方根变换、阈值分割和数字形态学运算完成特征提取。试验结果表明,此算法对柑橘果锈检测的正确率可达到90%。研究表明,利用高光谱图像技术结合两步主成分分析算法检测柑橘果锈是可行的。

基于高光谱图像技术的玉米杂交种纯度鉴定方法探索

对玉米种子高光谱图像的光谱维信息进行分析,探索利用高光谱图像技术鉴定玉米杂交种纯度的可行性。实验中利用高光谱成像系统采集玉米品种农华101的母本和杂交种的高光谱图像,波长范围871～1699nm;在每个玉米样本上提取感兴趣区域的平均光谱信息,利用处理后的数据建立农华101母本和杂交种的鉴定模型。讨论了样品的摆放方式(种子胚正对光源和背对光源,种子在样品台上的位置)和实验环境对鉴定模型性能的影响。鉴定模型对不同摆放方式和实验环境下获得的同种样品的光谱的正确识别率和正确拒识率均达到90%以上,模型稳健性良好。利用Qs方法选择特征波段[1],发现在1 230nm附近(1 195～1 246nm)农华101的母本和杂交种差异最大。实验中利用特征波段内的数据进行建模和测试,正确识别率和正确拒识率达到90%以上,与利用全波段(925～1597nm)获得的识别效果相当。分析结果表明,利用高光谱图像技术鉴定玉米杂交种纯度是可行的。