食品检测中的光谱技术应用研究进展

随着时代发展,人们对饮食要求越来越高,从“能吃饱”逐渐变成“要吃好”。目前人们对食品安全问题十分重视,因此,迫切需要一种无损、快捷的食品检测技术以满足人们的需求。光谱技术能够根据待测食品样本的物理结构和化学成分推算出其物质特性和组成成分,在掺伪检测、新鲜度检测以及有害物质残留检测等方面,应用前景广阔。与食品检测中的传统检测技术相比,光谱技术具有迅速、精度高、没有样品损耗以及重复性好等优点,已经成为食品检测中重要的发展方向。该文整理了国内外近5年来食品检测中的光谱技术应用相关研究文献,重点在数据预处理方法、特征波段选择算法以及数据建模方法三个方面对食品检测中的光谱技术应用进行系统综述。该文所论述食品检测中光谱技术的应用主要采用多元散射校正(MSC)、标准正态变换(SNV)以及SG平滑算法对所采集光谱数据预处理;采用连续投影算法(SPA)、主成分分析(PCA)以及竞争性自适应重加权采样(CARS)进行特征波段选择;采用偏最小二乘(PLS)、支持向量机(SVM)以及人工神经网络(ANN)对检测结果数据进行分析。同时总结展望了食品检测中光谱技术应用的发展方向:光谱检测技术与多种食品检测技术相互融合将会成为未来发展方向;将光谱与在线检测技术相结合,实现对食品样本在线实时检测,将会取得更有价值的检测结果;研发便携式光谱检测设备,将会更方便地进行食品现场检测,检测效率将会显著提升,并且具有很大市场潜力。

光谱技术在水产品品质检测中的应用研究进展

随着我国水产养殖业以及水产加工业的快速发展,水产品在国民饮食结构中占比越来越大,消费者对于水产品的质量要求也越来越高。为了满足消费者对水产品的质量要求,企业和市场需要在供应链的各个环节对水产品进行检验并公之于众。因此,迫切需要开发一种能够满足对水产品进行快速无损检测的技术。光谱技术可以根据样品特征波长处的波谱特性推算出其物质性质与组分含量,在水产品新鲜度检测、有害物残留检测、有害微生物含量检测、质量分级、掺假分析等方面具有巨大的应用前景。对水产品品质检测中几种常用的光谱技术的优势和局限性等特点进行讨论和总结,认为光谱检测技术与实验室传统理化检测方法相比具有快速、无损、测试重现度好,精度高等优点,这些特点使得在线实时检测水产品质量成为可能,继而可以带来巨大经济效益。但光谱检测具有前期投入高,模型普适性差且需持续维护的缺点,每种光谱技术也分别有各自的适用范围及局限性,因此光谱技术在水产品品质检测中的应用有待进一步研究改进。此外,整理了国内外现有的相关研究文献,对检测过程中常用的光谱数据预处理算法和预测模型进行讨论和评述,重点阐述了水产品品质检测中的几种常用光谱预处理算法和光谱数据建模方法的特点和应用现状。目前光谱技术在水产品品质检测中的应用主要处于实验室研究阶段,尚未大规模应用于商品市场和消费市场,根据上述分析展望了光谱技术在水产品品质检测中应用的发展方向,认为建立统一、标准、高效的光谱检测模型库,结合多个指标进行相关性分析,并排除光谱采集过程中的环境干扰,实现水产品品质实时在线检测是未来的技术发展趋势。

基于高光谱多参数的冷鲜牛肉品质快速检测技术

为了解决传统冷鲜牛肉品质检测技术的操作繁琐、有不可逆破坏等问题,提出采用高光谱与多参数融合的冷鲜肉品质检测方法。以冷鲜牛肉品质作为研究对象,提取冷鲜牛肉感兴趣区域(ROI)光谱并测量冷鲜牛肉的质构参数:硬度、弹性、粘聚性、胶着度、咀嚼度、回复性。经参数精度比较,筛选出粘聚性、回复性作为建模参数。分别采用Kennard-Stone和SPXY算法对原始光谱数据进行划分,通过样本划分后所建模型的相关系数和相对标准偏差确定最优样本划分方法,最终采用SPXY(sample set partitioning based on oint X-Y distance)算法对样本进行划分得到35个训练集和7个测试集。在经过SPXY算法样本划分的基础上,分别采用一阶微分(D1_(st))、多元散射校正(MSC)、标准正态变换(SNV)、二阶微分(D2_(st))对高光谱数据进行预处理,有效消除了光谱中的噪声,提高信噪比。使用连续投影法(SPA)提取光谱特征波长,有效减小了全波段建模包含的大量噪声信息的缺点,使模型精确度得到保障的同时提高了模型的运行速度。最后,分别采用偏最小二乘法(PLSR)和主成分回归法(PCR)构建冷鲜牛肉品质预测模型。以粘聚性为参数时,SNV-SPA-PLSR模型性能最优,模型预测相关系数为0.8798;以回复性为参数时,D2_(st)-SPA-PLSR模型精度最高,模型预测相关系数为0.8806。实验结果表明,基于高光谱与多参数融合的冷鲜肉品质检测方法能够实现冷鲜牛肉品质快速检测。

基于紫外光谱的水产养殖水质总氮含量快速检测研究

应用紫外(Ultraviolet,UV)光谱技术对水产养殖水质总氮含量进行快速检测。为了消除各种系统误差与偶然误差对模型预测性能造成的影响,将88个水样的总氮浓度实测值数据和光谱吸光度数据作为原始数据,将模型建立分为样本集划分、数据预处理、特征波段提取、模型选择与LV数量选择5个阶段,以求达到最优预测效果,其中前4个阶段分别使用多种方法进行比较。结果证明每个阶段都是必不可少的,只有通过对比其优劣才能找到最适合总氮含量测定的建模过程及方法。首先用浓度梯度(CG)法对原始数据进行相同的样本集划分处理,然后在此基础上分别建立主成分回归(PCR)、逐步回归(SR)和偏最小二乘回归(PLSR)三种模型,选择预测效果最好的PLSR作为本文的预测模型。PLSR的建模效果会在很大程度上受到潜在变量(LVs)数量的影响,通常选取模型预测均方根误差RMSEP值最小时所对应的LV个数为最优LV个数。其次,选用CG法、随机抽样(RS)法、 Kennard Stone(KS)法和SPXY法4种样本集划分算法对样本进行处理,并对所建立的PLSR模型预测效果进行比较,最终选择SPXY算法作为最优样本划分算法。然后在对样本集进行SPXY法划分的基础上,运用多种预处理算法对光谱吸光度数据进行预处理,包括小波变换(WT)、一阶导数法(Der1st)与二阶导数法(Der2nd)三种单一算法和小波变换与两种导数法的组合预处理算法WT-Der1st和WT-Der2nd。然后在预处理的基础上分别使用连续投影变换(SPA)和逐步回归(SR)两种特征波段提取方法,对比可知, SPA特征提取方法比SR的提取效率高且建模效果好。SPA算法既可以大大地简化模型,又可以在一定程度上提升模型的预测精度。基于WT-Der1st-SPA提取的特征波段为218 nm,与总氮特征波段区间相一致,由此说明该方法比较科学。综合上述建立的10个PLSR模型,考虑到预测精度与模型复杂度2个因素,最终选择基于WT-Der1st-SPA建立的PLSR模型作为最优模型,该模型预测决定系数r2为0.996,预测均方根误差RMSEP为0.042 mg·L-1。由此可见,所建立的模型预测效果非常好,可以快速准确地测定水体的总氮含量,为实现光谱技术在水产养殖其他水质监测指标的在线检测以及快速测定提供了经验。

基于无人机多光谱图像的土壤水分检测方法研究

以表层土壤为对象,探究土壤的多光谱反射率与土壤水分含量相关性,进行基于无人机多光谱图像的土壤水分含量预测模型方法的探究。选取中国农业大学通州实验站为研究区域,实地采集试验田的土壤样本100组,按照一定梯度配制土壤含水量,配成的土壤含水率为10%~50%之间,土壤含量的真实值采用土壤烘干法进行测定。多光谱相机灵巧便捷,可搭载在无人机上对土壤进行监测。将RedEdged-M型多光谱相机搭载在Phantom 3型无人机上,选择阳光充足的采集环境,实时采集土壤样本的多光谱图像,建立土壤多光谱信息与水分含量之间的模型。利用处理光谱数据的ENVI5.3软件提取土壤样本多光谱信息,以多光谱相机自带的标准白板反射率为100%,计算出土壤样本在蓝、绿、红、红边、近红外五个波段的光谱反射率。采用BP神经网络算法、支持向量机算法、偏最小二乘算法分别建立基于无人机多光谱图像的土壤水分含量的预测模型。以80组土壤样本数据作为训练集,建立基于多光谱图像的土壤水分含量预测模型。采用莱文贝格-马夸特算法对BPNN进行改进,提高了其训练速度,当网络结构为5-10-1时,训练效果最好,本文选择该网络结构;SVM采取高斯核函数,当参数为0.56时,模型效果最好。本研究采用归一化均方根误差(NRMSE)和决策系数(R 2)对三种土壤水分含量的预测模型进行定量对比。以20组土壤样本数据作为测试集,结果可知,基于BP神经网络土壤水分含量预测模型的NRMSE为0.268,R 2为0.872;基于支持向量机的土壤水分含量预测模型的NRMSE为0.298,R 2为0.821;基于偏最小二乘土壤水分含量预测模型的NRMSE为0.316,R 2为0.789。对三种模型分析可知,基于BPNN的土壤水分含量预测模型效果均较好。结果可知,土壤的光谱反射率与含水率间存在较密切的相关性,将多光谱相机搭载在无人机上可以对土壤水分含量进行有效的实时监测,对监测土壤墒情提供技术支持和理论支撑。

近红外光谱的河蟹新鲜度快速检测研究

河蟹的新鲜度是大多数消费者在购买时所考虑的最重要的因素,挥发性盐基氮(TVB-N)是当前国际通用的评价肉类新鲜度的指标,但其检测工序繁琐、耗费时间长,无法满足当前市场对河蟹新鲜度评价的迫切需求。因此,建立一种快速检测河蟹新鲜度的方法是当前急需解决的一大难题。将购于水产市场的河蟹,采用聚乙烯充氧袋快速运至实验室,样本数共126只。在洁净的工作台上处理后,将螃蟹分为42个实验样品,每个样品3只鲜活螃蟹;42个实验样品放在低温4℃的恒温生化培养箱中贮藏,每天从培养箱中按时取出6个螃蟹样品进行光谱数据采集及新鲜度指标TVB-N的测定,历时7 d。采用近红外光谱(NIRS)对贮藏在不同时间下的河蟹新鲜度进行评价,使用挥发性盐基氮(TVB-N)作为评价河蟹新鲜度的指标,首先通过比较经五折交叉验证(5-fold CrossValidation)算法、 kennard-stone(KS)算法、光谱-理化值共生距离(SPXY)算法三种样本划分方法处理后所建模型的预测效果确定最优样本划分方法,最终采用五折交叉验证(5-fold CrossValidation)算法对样本进行划分。其中的32个样品被划分为训练集进行模型构建,其余的10个样品被划分为测试集用于模型检验。然后在经过五折交叉验证法对样本进行划分的基础上,分别采用小波变换(WT)、 Savitzky-Golay平滑、一阶导数法(Db1)、二阶导数法(Db2)这4种单一算法以及小波变换(WT)与Savitzky-Golay平滑相结合的算法进行预处理,通过比较预处理后所建模型的预测效果,确定了小波变换(WT)预处理为最优光谱预处理方法,从而消除了光谱中的无用信息并提高了信噪比。再次,在WT预处理的基础上,分别采用主成分分析(PCA)法和连续投影(SPA)算法提取光谱特征波段,通过建模比较确定主成分分析(PCA)法为最优波长选择方法,以所选的16个特征波长作为模型的输入,不仅提高了模型的运行速度还可以提高模型的稳定性。最后,在经过PCA特征提取后,分别采用偏最小二乘回归(PLSR)算法和多元线性回归(MLR)算法构建TVB-N定量预测模型,通过比较两种模型的预测效果,确定了偏最小二乘回归(PLSR)模型为最优建模方法,最终确定的最优模型为基于WT-PCA-PLSR建立的模型,模型预测决定系数R^2为0.89,预测均方根误差RMSEP为3.00。综上所述,所建立的预测模型具有较高的精度,可以实现对河蟹新鲜度的快速检测,具有较好的市场应用前景。

多光谱技术在土壤成分含量检测中的研究进展

土壤是农业生产的基础,通过土壤成分含量的测定分析可了解土壤营养成分供应的丰缺情况,对农作物的生长有一定的影响,因此土壤成分含量的检测逐渐成为国内外的研究热点。多光谱技术利用物体的物理结构和化学成分的不同,在同一条件下利用不同光的反射对物体进行照射得到对应光谱带上的不同反射率,然后对获取的光谱数据进行分析,辨别目标。近年来,多光谱技术的应用为土壤成分含量检测提供了一个新思路,有助于土壤成分含量的精确检测,有助于实现无损实时在线检测和精准农业。综述了近6年来国内外多光谱技术在土壤成分指标土壤水、有机质、氮磷钾、重金属及土壤盐分含量检测领域应用的相关文献,分析了多光谱成像技术的特点,简述了多光谱技术对土壤成分含量的检测过程,重点阐述了多光谱技术在土壤成分含量检测中的研究进展,并展望了多光谱技术在土壤成分含量检测中的未来发展趋势,提出未来技术发展方向:机器学习算法的无监督和监督模型能够分析不同实际测量环境下的数据,减少土壤成分分布不均的光谱数据对建模结果的影响;多光谱图像与全色图像相结合获取多光谱全色波段,能够在多光谱土壤成分含量检测中提高预测模型的分析精度和准确度;多光谱数据预处理过程中采用两种及两种以上算法相结合将使光谱数据处理更加有效。

光谱技术在土壤水分含量检测中的研究进展

土壤水分是影响农业生产的重要因素之一,对农作物生长发育情况和最终产量起着关键的作用,然而农业用水浪费现象普遍存在,预计至2020年我国灌溉水利用系数仅为0.55,远低于0.7~0.8的世界先进水平,因此准确有效地判断土壤含水量丰缺情况对农业生产实践具有重要意义,光谱技术利用物体特征谱线的不同,能够同时获取目标的图像信息和光谱信息,从而更直观地表达目标的特征,从而精确、快速、无损地对土壤水分的含量进行动态的检测,该技术极大地促进了农业的精准化、智能化和现代化,在土壤水分含量检测中占有重要地位。文章综述了国内外土壤水分含量检测的最新文献,对基于光谱技术的土壤水分含量检测的研究进展进行了系统地讨论,分析了传统方法的不足,并阐述了光谱成像技术的优势:(1)实时性;(2)无损性;(3)精确性;及其在土壤水分含量检测中的局限性:(1)土壤的构造复杂;(2)泛化能力不足;(3)气候条件制约。重点阐述了光谱在土壤水分检测中的三个关键技术:(1)光谱数据预处理技术,重点对比了常见的预处理技术原理及其效果;(2)光谱特征提取技术,对比了常见的特征光谱提取方法,重点分析了土壤水分的敏感波段;(3)光谱建模技术,重点对比了土壤水分含量检测的线性和非线性模型,分析其原理、应用范围及模型精度,得出非线性模型将成为光谱技术在土壤水分含量检测的主流建模方法。最后依据上述分析,对光谱技术在土壤水分检测领域中的应用前景和研究趋势进行了展望:一是要提高该技术的泛化能力和鲁棒性,建立可用于多种土壤类型的水分检测模型;二是要建立大范围区域并动态实时更新的土壤光谱数据库,为提高模型精度做好数据基础。

光谱成像技术在作物病害检测中的应用进展与趋势

病害作为影响农作物生长的主要因素之一,平均每年造成农作物产量损失高达12%以上。病害不仅直接导致农作物产量减少,而且也严重降低了农产品的品质,甚至引发食品安全事故。光谱成像作为一种融合图像处理和光谱学的信息获取技术,能同时获取目标的图像信息和光谱信息,从而更直观表达目标的特征。光谱成像技术可以获得图像上每个点的光谱数据,从而实现对作物病害的颜色、形状和纹理特征及光谱特征的分析,具有快速、直观和无损等特点,近些年在作物病害检测领域的应用取得了较大研究进展。综述了近六年来国内外关于光谱成像技术在作物病害检测领域应用的相关文献,分析了光谱成像技术的优势和局限性,重点阐述了光谱成像作物病害检测中关键的第三个技术:(1)光谱图像分割技术,重点分析了四种常见分割算法的优点和适用范围;(2)光谱特征和空间特征提取技术,重点对比了空间特征、光谱特征和二者加权组合对病害信息表达的准确性;(3)检测模型,重点介绍了光谱植被指数和机器学习模型在作物病害检测中的稳定性和前景。最后,根据上述分析展望了光谱成像技术在作物病害检测领域中应用的研究趋势,为相关研究提供全面且系统的参考。

可见光谱图像联合区间的黄瓜白粉病分割与检测

黄瓜白粉病是黄瓜病害中爆发频率较高的一种,传播速度极快,常常导致产量降低,无法获得预期的经济效益。特别是在病害爆发严重的年份,黄瓜减产量高达20%。提出了一种基于可见光谱图像联合区间的偏最小二乘回归判别模型(SI-PLSR),用于黄瓜白粉病无损检测。采用Canon EOS 800D和Ocean Optics USB2000+光纤光谱仪采集了200个黄瓜白粉病感病叶片的可见光谱图像和反射率曲线。首先,采用基于小波降噪和H分割的分水岭分割算法从实时采集的黄瓜白粉病感病叶片可见光谱图像中提取目标叶片;其次,通过高斯拟合优化的Otsu算法分割目标叶片的可见光谱图像,获取白粉病病斑;然后,对350~1 100nm全波段光谱反射率曲线建立偏最小二乘回归模型并计算交叉验证均方根误差RMSECV,同时将全波段等分为20个子区间,分别建立偏最小二乘回归模型,选取RMSECV小于全波段反射率曲线建模RMSECV的子区间组成联合区间;最后,将光谱联合区间与白粉病病斑分割结果融合建立SI-PLSR模型。从实验结果可知,感病目标叶片的提取成功率高达94.00%,200幅感病叶片可见光谱图像中成功提取188幅,其中157幅目标叶片的完整性参数高于95%,31幅目标叶片完整性参数在90%~95%之间。188幅目标叶片的病斑分割结果显示,平均错分率为5.81%,其中平均False negative为1.55%,平均False positive为4.26%。对20个子区间分别建立偏最小二乘回归模型发现,第5,6,7,11,12,13和19子区间的RMSECV值小于全波段光谱反射率曲线建模的RMSECV值,说明这7个子区间的光谱信息对白粉病的判别有较大的贡献,这与呈现波峰的470~520,530~580和700~780nm波段相对应,因此选取这7个子区间的光谱反射率曲线建立联合区间。对联合区间建立SI-PLSR模型,其主成分数为7,校正集和验证集的相关系数和标准误差分别是0.975 2,0.907 3和0.919 5,1.091。与全波段PLSR模型相比,SI-PLSR的相关系数更接近于1,且标准误差更小。结果表明,所提出的SI-PLSR模型有效去除了可见光谱数据中冗余信息,加强了模型的稳定性,可以实现对黄瓜白粉病的快速无损准确识别,为黄瓜病害诊断提供了方法和参考依据。

基于二次迭代Monte Carlo的羊肉硬度定量检测研究

随着居民生活水平的提高和对健康饮食结构的重视,羊肉作为一种高蛋白且低脂肪和胆固醇的畜肉,需求量逐年上涨。根据国家统计局统计,2012年—2019年我国畜肉产业中羊肉产量占比从6.27%上升到9.02%。研究提出了一种基于二次迭代Monte Carlo(MC)算法剔除异常样本的羊肉硬度定量检测PLSR模型。采用GaiaSorter高光谱分选仪的Image-λ-V10E-H相机采集羊肉样品400~950 nm的高光谱数据,Image-λ-N17E相机采集羊肉样品900~1650 nm的高光谱数据。首先,对比分析了S-G平滑、二阶求导、多元散射校正(MSC)、标准正态变换(SNV)等光谱预处理方法在消除噪声影响,提高光谱分别率等方面的能力,选取最佳光谱预处理方法。然后,在第一次MC抽样中,计算所有样本预测误差均值和标准差的平均值,以该平均值的2.5~3倍作为可疑样本阈值,3倍作为异常样本阈值;剔除异常样本,保留并标注可疑样本,进行第二次MC抽样,以样本预测误差均值和标准差的3倍值为阈值进行异常样本二次剔除;对第一次MC抽样中标注可疑样本进行二次检测。最后,对比分析了基于全波长建立的偏最小二乘回归(PLSR)模型和基于回归系数法(RC)提取的特征波长建立的PLSR模型。研究结果表明,所提出的二次迭MC算法可以准确判别可疑样本是否为异常样本,有效优化样本集,为建模提供良好的数据基础。以MSC作为光谱预处理算法基于400~950和900~1650 nm两段高光谱数据建立PLSR模型的R^(2)_(P)分别为0.9472和0.9783,RMSE P分别为47.7899和30.5901 g,优于其他三种光谱预处理算法。另外,基于900~1650 nm建立的PLSR模型明显优于基于400~950 nm波长样本集建立的模型。通过RC算法选取出羊肉硬度在400~950和900~1650 nm波长范围的特征波长分别为14个(410,438,450,464,539,558,612,684,701,734,778,866,884和935 nm)和10个(915,949,1085,1156,1206,1262,1318,1384,1542和1580 nm)。其中,基于900~1650 nm波长建立的PLSR模型的R^(2)_(P)为0.9850,RMSE P为24.3970 g,为羊肉硬度预测的最佳模型。结果表明,所提出的融合二次迭代MC算法的PLSR模型可以有效预测羊肉冷藏过程中硬度特性变化趋势,为羊肉品质无损检测相关研究提供参考。