基于太赫兹成像检测技术与特征提取方法结合巴旦木饱满度检测方法研究

巴旦木是一种营养丰富的坚果,对巴旦木的品质进行检测具有重要的经济价值和实际意义。由于巴旦木具有较为坚硬的外壳,传统的检测手段较难实现内部检测,因此,采用新兴的太赫兹透射成像检测技术,开展巴旦木饱满度的检测研究。首先采集不同饱满度巴旦木的太赫兹透射图像,并且从太赫兹图像的感兴趣区域分别提取无样品区域、空壳区域和满仁区域的太赫兹光谱信息;为了提高模型的精度,减少计算量,采用竞争性自适应重加权算法(CARS)、无信息变量消除(UVE)、连续投影算法(SPA)、蒙特卡罗无信息变量消除法(MCUVE)和遗传算法(GA)对太赫兹光谱信息进行特征提取,建立对应的最小二乘支持向量机(LS-SVM)、随机森林(RF)和K-近邻(KNN)定性判别模型,对巴旦木的饱满和空壳区域进行检测和鉴别。此外,对太赫兹特征图像转为JPG格式,接着转化为RGB格式进行G通道提取和图像二值化分离出外壳和果仁图像,检测饱满度为太赫兹特征图像的壳仁像素点之比;对原始图像进行轮廓提取和图像二值化分离出外壳和果仁图像,实际饱满度为原始图像的壳仁像素点之比。通过计算检测饱满度和实际饱满度的误差,证明了太赫兹透射成像技术检测巴旦木饱满度的可行性。建立的KS-GA-RF模型的鉴别效果最优,准确率为98.21%;通过壳仁像素点之比分别计算出对应的检测饱满度和实际饱满度,误差为16%。研究验证了采用太赫兹图、谱相融合的方法,可以很好地实现对巴旦木内部种仁饱满度可视化检测,为巴旦木的准确分级提供了新的思路,也为太赫兹成像技术检测其他坚果饱满度提供了理论参考,具有重要的应用价值。

基于高光谱成像的蓝莓微腐烂检测研究

为了探究蓝莓早期腐烂后时间及温度变化对其造成的影响,采用高光谱成像技术结合偏最小二乘法和反向传播神经网络算法,进行了理论分析和实验验证,取得了偏最小二乘法和反向传播神经网络对蓝莓腐烂的时间模型和温度模型,并比较了这两种算法的建模效果。结果表明,随着时间的增加,蓝莓腐烂的情况会进一步恶化;伴随着温度的提升,蓝莓腐烂强度逐步提高;基于偏最小二乘法建立的模型效果更适合腐烂蓝莓的检测,腐烂蓝莓的协方差系数为0.131和0.149,相关系数为0.932和0.921,误差较小且相关性趋于一致。偏最小二乘法建立的模型可以较好地显示时间及温度对腐烂蓝莓的影响,为蓝莓表面微腐烂检测提供了一定的参考。

铀矿区超富集植物可见及短波近红外光谱判别研究

随着各国对核能需求的剧增,铀矿勘探成为核能供给中关键环节。铀矿勘探方法主要有放射性物探测量、地球化学测量等传统方法,大都存在探测数据不准确、效率低等的不足。采用近红外光谱技术,结合化学计量学,探索铀超富集植物筛选及确定的可行性。通过铀矿区植物生长情况及特性调查挑选超富集植物,利用近红外光谱分析仪获取不同区域其叶片综合光谱,比较分析光谱响应关系。发现两种超富集植物的吸收峰位于650~700和950~1050 nm两个波段内,前一个波段为叶绿素的吸收峰主要由C—O与C—H键伸缩振动的组合频产生。后一个波段是水的吸收峰主要由O—H键弯曲振动5级倍频导致。通过PCA与SPA选择特征变量,将两种样本分别按照3∶1的比例随机划分为训练与预测两部分,结合PLS和LSSVM两种方法构建超富集植物铀富集检测模型,并对比预测效果。发现基于PLS的狗尾草铀富集检测模型效果最佳,其判别正确率高达100%,RMSEP为0.115,R^(2)为0.946。两种建模方法中狗尾草检测模型均优于辣蓼,可能是狗尾草富集系数高于辣蓼,导致其铀矿区叶片铀含量浓度高于非铀矿区。结果表明,近红外光谱技术联合偏最小二乘法建立的超富集植物铀富集检测模型效果最好,很好的对铀超富集植物进行无损识别,从而筛选并确定之是可行的。该方法为废铀矿区生态修复提供重要参考,同时为利用特异性、指示性植物寻找铀矿提供新思路。

基于近红外在线装置苹果糖度模型参数优化研究

糖度(SSC)是苹果内部品质主要评价指标之一,近红外光谱技术是预测苹果SSC的首选技术,优化近红外光谱采集装置的参数,可以提升模型的性能。采用本课题组自主研发的动态在线设备采集苹果的近红外光谱(350~1150 nm),研究不同参数条件下(运动速度、积分时间和光照强度)对近红外光谱预测苹果糖度模型的影响,优化动态在线装置的参数。210个红富士苹果被分为两批,第一批90个苹果样品,经过Kennard-Stone算法(K-S)算法分为建模集和预测集,用于研究不同运动速度、不同积分时间对苹果SSC含量在线预测模型的影响。在0.3和0.5 m·s^(-1)两种运动速度下,使用多元散射校正(MSC)、小波变换(WT)、标准正态变量变换(SNV)对采集到的光谱进行预处理,对不同移动速度的光谱构建糖度的偏最小二乘回归模型(PLS),结果表明:装置的运动速度为0.5 m·s^(-1)所建立的预测模型性能较优,在四种不同积分时间中,积分时间为120 ms时,经SNV预处理所建立的模型性能最优,其预测集的相关系数和均方根误差分别为0.968和0.331。第二批苹果120个,经K-S分为建模集和预测集,选择运动速度为0.5 m·s^(-1),积分时间为120 ms的装置参数进行不同光照强度对苹果SSC预测模型影响的研究,结果发现:在光照强度为4.5 A时,采集到的光谱相对其他光照强度组有较大的变化,光谱在640和800 nm处的波峰基本消失。在光照强度为6.5 A时,经SNV预处理后建立的模型性能最优。再使用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)对采集的光谱数据进行波长筛选后,建立苹果SSC模型,结果表明:CARS-PLS所建立的模型性能较好,其预测集的相关系数和均方根误差分别为0.991和0.149,同时简化了模型,提高了模型的稳定性。研究表明:对动态在线设备进行参数优化,有助于提高苹果模型的预测精度,该研究有助于对苹果品质在线分选提供技术支持。

基于高光谱图谱融合技术的黄桃损伤程度判别研究

黄桃含有丰富的营养物质,深受消费者的喜爱。但在加工运输的过程中极易受到碰伤,给果农和销售商带来极大地经济损失。以往利用高光谱技术检测水果碰伤,通常是仅仅利用光谱信息或者图像特征建立水果碰伤检测模型,很少将图谱融合用于水果碰伤的检测。光谱反射率容易受到外界杂散光的影响,会丢失一部分真实信息,图像包含的信息量较少,仅仅只靠几个特定波段的图像很难精准识别。因此,为了实现对黄桃碰伤程度的精准分类,从而可根据不同碰伤程度的黄桃制定不同的处理方式,减小经济损伤。提出一种利用高光谱的光谱信息结合图像特征建立模型来检测不同碰伤程度的黄桃。以180个黄桃作为实验样品,首先分别采集轻度、中度和重度碰伤黄桃的高光谱图像,在每个黄桃的碰伤位置选取100×100像素的区域作为感兴趣区域,利用ENVI4.5软件提取碰伤区域的光谱信息。然后采用主成分分析(PCA)算法对采集的高光谱图像进行降维处理,在前5个PC图像中最终选择PC1图像作为黄桃碰伤的主成分图像,根据PC1图像的权重系数曲线挑选出6个特征波长对应的图像作为特征图像,将平均灰度值作为黄桃碰伤的图像特征。最后,分别利用光谱信息、图像特征、光谱信息结合图像特征建立黄桃碰伤的PLS-DA模型,利用分类正确率来评价各个模型的性能。结果表明,基于光谱信息结合图像特征建立的PLS-DA模型的判别效果最好,对轻度碰伤、中度碰伤和重度碰伤的分类准确率分别为85%,90%和100%,总体正确率达到91.7%。为了能够进一步提高PLS-DA模型的精确度和运行效率,利用竞争性自适应重加权(CARS)算法对融合数据中的光谱数据进行特征波段的筛选。利用特征波段结合图像特征建立的模型分类预测效果最好,对轻度碰伤、中度碰伤和重度碰伤黄桃的预测正确率分别为95%,90%和95%,总体正确率达到了93.3%。研究表明基于高光谱的光谱数据结合图像特征建立PLS-DA模型检测黄桃碰伤程度是可行的,为黄桃的采后处理提供了依据。

贡梨尺寸差异对可溶性固形物模型的适用性研究

为了降低贡梨自身尺寸差异造成其可溶性固形物含量预测模型的精度不高问题,采用近红外漫反射光谱技术和偏最小二乘回归算法,建立近红外光谱模型和尺寸通用模型,进行了理论分析和实验验证,取得了小果、中果、大果3个尺寸等级的局部尺寸模型和尺寸通用模型,预测了不同尺寸等级贡梨可溶性固形物含量的数据。结果表明,局部尺寸模型预测自身等级的贡梨可溶性固形物含量的效果好,预测其它等级的效果差;通用模型预测小果、中果、大果的预测相关系数分别为0.892、0.937、0.889,预测均方根误差分别为0.524、0.417、0.551,通用模型无论预测哪一个尺寸等级的贡梨都有较好的结果。尺寸通用模型能够减小尺寸差异带来的不良影响,适用于检测不同尺寸等级的贡梨可溶性固形物含量。

基于LIBS结合傅里叶变换NIR技术的油茶炭疽病等级研究

油茶(Camellia oleifera)炭疽病是油茶产业普遍发生的一种破坏性极强的病害,严重制约了油茶产业的发展,油茶患炭疽病初期只需及时修除树上的患病部位,随着病情的加重需铲除患病枝干,患病严重的病株要及时砍伐。针对目前检测油茶炭疽病等级的实验复杂、判定精度不高等问题,提出采用激光诱导击穿光谱(LIBS)结合傅里叶变换近红外光谱检测油茶叶片炭疽病等级判定的方法,以实现油茶炭疽病等级的快速、高效和高精度判定。健康和感染不同程度炭疽病油茶叶片的LIBS光谱中Fe、Ca、Mn、CaⅡ等元素健康油茶叶片与患病油茶叶片存在显著差异,且随着患病程度的增加元素的特征峰强度逐渐降低,主要原因是这几类元素都是油茶生长所必需的元素;健康油茶叶片与患不同程度炭疽病油茶叶片的傅里叶变换近红外光谱的吸光度也存在差异,随着油茶叶片炭疽病等级的加重傅里叶变换近红外光谱的吸光度逐渐降低,主要是由于傅里叶变换近红外光谱能够反映样品的物理特性。分别采用归一化(Normalization)、多元散射校正(MSC)、标准正态变换(SNV)预处理方法结合竞争自适应重加权采样(CARS)、连续投影算法(SPA)变量筛选方法建立了偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)的油茶炭疽病等级的融合光谱分类模型。PLS-DA模型中LIBS(Normalization-CARS)-NIR(Normalization-CARS)-PLS-DA的预测集RMSEP=0.173,R_(p)^(2)=0.987,误判率为0;SVM模型中LIBS-NIR-CARS-SVM的建模集精度100%,预测集精度为97.59%。实验结果表明:基于LIBS与傅里叶变换近红外光谱融合检测油茶叶片炭疽病等级中PLS-DA模型比SVM模型的定性分析精度更高,模型更稳定。研究表明:LIBS光谱联合傅里叶变换NIR光谱可高效、快速、高精度地区分健康油茶叶片与各个等级的炭疽病油茶叶片。

基于近红外光谱技术苹果尺寸差异对糖度模型适用性的影响

为消除水果自身尺寸差异对其糖度预测模型的不利影响,进一步提高水果分选模型精度,应用近红外光谱在线检测装置采集不同果径苹果的近红外光谱,对光谱进行多种预处理后,分别建立苹果可溶性固形物的偏最小二乘法模型,再用苹果果径75~85mm组中的建模集预测苹果果径分别为65~75、85~95mm组中的预测集样品,最后用果径组65~75、75~85、85~95 mm中的建模集和预测集,分别作为混合苹果尺寸糖度预测模型的建模集和预测集,并利用特征光谱选择算法对模型进行简化,建立苹果糖度通用预测模型。结果显示:与建模集和预测集果径不同时所建立的苹果糖度预测模型最优组相比,其相关系数Rp由0.805提高至0.943,预测集均方根误差值RMSEP由0.778减小至0.480,RPD由0.96增加至3.05,再对建立的通用模型进行简化,可以降低苹果尺寸对苹果糖度模型的影响,提高模型预测性能。

基于反射率、吸光度和Kubelka-Munk光谱的贡梨不同损伤程度检测

贡梨在收获、运输和销售过程中容易发生机械损伤,加速果实腐烂,降低贡梨品质。快速判别贡梨的不同损伤程度,进而采取不同的处理措施,以降低经济损失。以往运用高光谱技术研究水果的损伤程度,通常仅用反射率光谱。该研究运用高光谱技术获取贡梨的反射率(R)、吸光度(A)、和Kubelka-Munk(K-M)变换光谱结合3种深度学习算法对健康和不同损伤程度的贡梨进行判别。首先,选取60个新鲜无损伤贡梨作为健康样品,再利用自由落体碰撞装置制备出Ⅰ级损伤、Ⅱ级损伤、Ⅲ级损伤贡梨样品各60个。通过高光谱成像系统采集这240个贡梨样品的光谱数据,对采集的光谱进行黑白校正,以获得贡梨的反射率(R)、吸光度(A)、和Kubelka-Munk(K-M)变换光谱,然后用基准线校准(Baseline)、去趋势(De-Trending)、移动平均(MA-S)、乘法散射校正(MSC)、卷积平滑(SG-S)、标准正态变量变换(SNV)共6种预处理方法对3种原始光谱数据进行预处理,并建立BP神经网络(BP)、极限梯度提升(XGBoost)和随机森林(RF)判别分析模型对贡梨不同损伤程度进行判别。根据模型对贡梨损伤程度的判别结果显示,基于反射率、吸光度、K-M变换光谱的BP模型判别准确率较好,整体准确率达到了85%及以上,且发现经过Baseline预处理后的反射率光谱建立的BP模型比未经预处理的反射率光谱谱建立的BP模型有较大的提升,判别准确率达到了93.33%。为了提升BP模型的精准度和运行效率,对3种原始光谱和Baseline预处理后的光谱利用竞争性自适应重加权(CARS)和无信息变量消除(UVE)方法筛选出特征波段光谱信息,用筛选后的特征光谱数据来建立BP模型,其判别结果显示A-RAW-CARS-BP模型具有最佳的判别准确率,整体准确率达到了96.66%。结果表明,采用3种原始光谱对贡梨的损伤程度进行判别具有可行性,为高光谱技术检测贡梨的不同损伤程度提供了理论依据。

基于多模型决策融合的苹果产地判别及糖度含量预测

苹果产地溯源与苹果糖度含量预测具有非常重要的现实意义,通过建立模型达到产地判别与糖度预测目的。为了克服单个模型的局限性,通过将多个模型的预测结果综合,提高整体预测性能。采用近红外光谱结合多模型决策融合策略对苹果产地进行溯源鉴别,对苹果糖度值进行预测,验证理论方法的可行性。采用手持式近红外检测仪采集了苹果样本的光谱,使用样本光谱结合随机森林(RF)方法、偏最小二乘判别分析(PLS-DA)与支持向量机(SVM)方法建立了苹果产地判别模型。再对三种判别模型输出的预测结果使用投票制决策融合方法,输出新的判别结果。对所有苹果样本采集了糖度实际值,使用样本光谱与糖度实际值结合随机森林(RF)、偏最小二乘回归(PLSR)与支持向量回归(SVR)方法建立了糖度预测模型。采用三种回归模型输出的结果,通过加权法决策融合策略输出新的糖度预测结果。在不使用投票决策方法时,三种定性建模方法中使用RF方法建立判别模型效果最好,预测准确度达到88.71%。使用SVM方法预测效果最差,预测准确度为77.43%。使用投票决策方法后,对苹果产地鉴别的准确度达到93.42%,其预测的精确度与召回率也达到了双高,均在85%以上。在不使用加权的决策融合方法前提下,三种定量建模方法对苹果糖度的预测均有不错的效果。三种方法预测的决定系数均约0.87,预测均方根误差均约为0.78。使用了加权的决策融合方法,对糖度的预测效果有一定的提升。预测决定系数为0.91,预测均方根误差为0.66。通过在苹果产地的鉴别与苹果糖度的预测中,使用多模型决策融合方法提高了苹果产地判别的正确率,提升了对苹果糖度预测的准确性,证实了所提方法的可行性。同时,手持式近红外检测仪结合多模型决策融合方法也为现场无损检测分析提供了一种新的高精度预测手段。

激光诱导击穿光谱的高铁车轮钢晶粒度等级研究

我国高速铁路运行距离长,服役环境多变,对车轮钢的性能要求较高。车轮钢的晶粒尺寸直接影响着车轮钢的力学性能,且晶粒的特征和测量对材料科学有着重要的作用,因此为了保证高速列车的安全运行,对高铁车轮的晶粒度等级进行检测是十分必要的。利用激光诱导击穿光谱(LIBS)实验平台对5个不同晶粒度等级的ER8高速列车车轮钢样品(经过不同热处理得到不同晶粒度等级)进行击穿获取光谱信息,比较了基体元素Fe和合金元素(Cr, Mo, Co)的谱线强度与5个不同晶粒度等级的样品之间的相关性,发现均与样品晶粒度等级存在不同程度的相关性。利用此关系建立以谱线强度为变量的偏最小二乘判别分析(PLS-DA)模型,在建立模型前分别采用标准正态变量变换(SNV)、多元散射校正(MSC)和Savitzky-Golay卷积平滑方法进行预处理。通过比较各种预处理方法,得出采用SNV预处理后建立的模型效果最佳,建模集误判个数为4个,准确率为95.7%,预测集误判个数为3个,准确率为90%。在SNV预处理方法的基础上,分别选择竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和CARS-SPA三种波长筛选方法进行波长筛选,比较基于不同特征波长筛选的模型效果,结果表明,使用CARS进行波段筛选后建立的模型效果最佳,建模集误判个数为2个,准确率为97.9%,预测集的误判个数为1个,准确率为96.7%,模型的准确率均高于90%,可以将不同晶粒度等级的样品进行分类。综合分析以上判别分析模型结果,发现结合SNV预处理和CARS波段筛选后的PLS-DA模型的准确率最高。研究表明,采用激光诱导击穿光谱技术结合偏最小二乘判别分析高铁车轮钢晶粒度等级具有一定可行性,可将其用于评估车轮钢表面晶粒度等级,同时也为LIBS技术应用于不同晶粒度等级的高铁车轮钢研究提供了一定的基础依据。

基于高光谱技术的蛋白粉掺假检测研究

蛋白粉是健身者必备的营养补剂,市场需求在不断增加,一些不法商家为了谋取利益,在蛋白粉中加入廉价的粉末售卖。传统的蛋白粉掺杂的检测方法费时、费力,操作复杂,且成本昂贵。高光谱技术具有易于操作、在不损害实验样本的情况下可快速检测等优点,因此,提出使用高光谱技术以实现蛋白粉掺假检测。在蛋白粉中分别加入质量百分数5%~60%,浓度间隔5%的三类掺假物(玉米粉、大米粉和小麦粉),并采集所有样本的光谱信息。在对蛋白粉中的玉米粉、大米粉和小麦粉三类掺假物进行定性判别时,首先分别采用卷积平滑(SG)、标准化(Normalize)、多元散射校正法(MSC)、基线校正(Baseline)和标准正态变换(SNV)的预处理方法对光谱数据进行处理,然后建立基于主成分回归(PCR)、反向传播神经网络(BPNN)和随机森林(RF)的模型,其中基于全波段光谱MSC预处理方法下建立的RF模型最优,其整体准确率达到了100%,其对应的R和RMSEP分别为0.9979和0.0189。在对蛋白粉中不同掺假物浓度进行定量分析时,对三类掺假样本的光谱分别进行SG,Normalize,MSC,Baseline和SNV的预处理,并建立LSSVM模型;比较不同预处理方法下的各模型之间的性能,在蛋白粉中掺玉米粉、大米粉和小麦粉的LSSVM预测模型最佳预处理方法分别是无、Baseline和Normalize,然后,采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对其筛选,并建立LSSVM模型,三类掺假样本的SPA-LSSVM模型对应的R为0.9890,0.9860和0.9979,CARS-LSSVM模型对应的R为0.9910,0.9946和0.9991,故三类掺假样本的CARS-LSSVM模型预测效果更佳。研究表明:高光谱技术可以实现对蛋白粉掺假的定性、定量的检测,并且操作简单、检测快速和无损。

近红外高光谱的脐橙粒化检测研究

脐橙粒化影响消费者食用口感,降低品质,受到广大果农和消费者的关注。脐橙粒化的检测是一项具有挑战性的任务,对品质分级具有重大意义。以不同粒化程度的赣南脐橙为研究对象,探究利用高光谱检测实现对赣南脐橙粒化程度定性判别的可行性。肉眼是无法判断脐橙粒化程度的,因此对脐橙样本做好序号标记后先测光谱再切开判断粒化程度,按照粒化程度分为无粒化(粒化面积为0%)、轻度粒化(粒化面积小于25%)、中度粒化(粒化面积25%~50%),每类各58个脐橙样品。在这三类脐橙底部均匀取3个点,每类174个样本,共计522个样本数据用作构建原始光谱矩阵。利用近红外高光谱成像系统采集样本397.5~1014 nm波段内的高光谱图像信息,再利用ENVI4.5软件通过选择感兴趣区域(ROI)提取样本的平均光谱信息。采用主成分分析(PCA)、连续投影算法(SPA)、无信息变量消除(UVE)三种降维方法对光谱数据进行降维处理,消除无关变量,提取有用信息。原始光谱176个波长,PCA挑选出6个主成分因子,SPA挑选17个特征波长,UVE挑选54个特征波长。以全谱数据和三种降维方法挑选出来的变量作为输入分别建立偏最小二乘判别分析(PLS-DA)和最小二乘支持向量机(LS-SVM)模型。建立的PLS-DA建模方法,PCA-PLS-DA误判率最高为25.58%,UVE-PLS-DA误判率最低为5.38%。基于RBF-Kernel和LIN-Kernel两种核函数下的LS-SVM建模方法,整体上RBF-Kernel建模效果优于LIN-Kernel,UVE波长筛选后建立的模型效果优于其他降维方法且降低了模型的误判率。基于RBF-Kernel的UVE-LS-SVM模型效果最佳,检测精度最高,分类总误判率为0.78%,达到最佳效果。该研究结果表明建立的模型能很好地对不同粒化程度的脐橙进行判别,该模型仅采用30.68%的数据,在降低光谱空间维度的同时还降低了误判率,对促进脐橙产业的品质分级发展具有一定的现实意义。

基于宽波段光源拼接镜新型共相检测技术研究

鉴于单块口径的光学望远镜不能无限增大,采用拼接镜技术才能造出10 m以上口径的光学望远镜,因此,拼接镜的共相检测技术成为了拼接过程和维持镜面质量的关键技术。针对目前最被接受的宽窄带夏克哈特曼法,本文提出使用宽波段(400~700 nm)光源的非相干性和相干性相结合方式实现250 nm粗共相,以及10 nm精共相,以此解决由于目标流量过低而引起测量时间过长的问题。即在粗共相时,以两个半圆孔的非相干衍射图样为模板,白光为光源,采用互相关算法计算互相关系数的值,通过设置合理的互相关系数阈值,以实现无限制的检测范围和0.25μm的检测精度;精共相时,以白光为光源、采用以一幅相干衍射图案(理想白光艾里斑)为模板的方式替代多幅不同平移误差下的相干衍射图案为模板方式,实现0.27μm量程、0.01μm以上精度的共相检测。对该共相方法进行了理论和仿真分析,结果表明:该新型共相检测方法的检测量程为无限量程,检测精度能达到10 nm以上,该方法适用于拼接镜粗精共相的检测。

近红外无损检测技术在水果成熟度判别中的应用研究

水果成熟度预测是确定水果采收时间的关键,在保证收获水果质量的同时减少供应链上的浪费。文章从硬度、干物质、可溶性固形物含量、综合评价指数等方面,分别介绍了近年来国内外研究人员利用近红外无损检测技术在水果成熟度判别的最新研究进展,并对其应用过程中遇到的问题和后期重点研究方向及发展前景进行了总结和展望。

变量选择结合模型更新以改进苹果的糖度检测

为了获得稳健的近红外光谱模型,采用变量选择结合模型更新的方法,以240个红富士苹果为对象,取得近红外漫透射光谱和糖度数据,建立偏最小二乘回归模型,对苹果糖度含量进行预测,并采用后向区间偏最小二乘法和竞争性自适应重加权算法,对建模变量进行了选择,通过将新批次中的一些样品加入到旧批次中重新校准来实现模型更新。结果表明,变量选择可以提高模型性能,预测决定系数提高到0.7915,预测均方根误差降低到0.5810,预测偏差降至0.2627;结合模型更新策略,可以进一步降低预测均方根误差和预测偏差;仅使用20个样品进行模型更新已经明显改善了模型性能,预测决定系数提高到0.8506,预测均方根误差降到0.4358,预测偏差降到0.1045。这一结果对于多种水果建立稳健的近红外光谱模型是有帮助的。

高光谱成像技术结合机器学习的稻米霉变检测

稻米霉变会引起营养物质流失,同时产生有毒物质,不仅降低其自身品质,还会感染其他正常稻米。为减少霉变引起的稻米损耗,需及时分离霉变稻米。高光谱技术具有快速、无损的特点,因此,尝试利用高光谱技术对稻米霉变情况进行检测。发芽稻米与发霉稻米具有相似的光谱特征,易被误判为发霉稻米,影响后续稻米霉变程度的检测,因此,提出利用高光谱技术结合多种预处理及判别模型区分发芽稻米与发霉稻米,并对不同霉变程度的稻米进行判别。将正常、发芽、发霉和发芽发霉的稻米样本建立模型进行区分检测,并对轻度、中度、重度和完全发霉的稻米样本进行判别。利用高光谱采集仪器对正常、发芽、发霉和发霉发芽的稻米样本进行光谱图像采集,提取采集图像感兴趣区域(ROI)的光谱,以ROI内光谱的平均反射率作为稻米样本的光谱特征。对提取的光谱数据进行SNV、Normalize和MSC等预处理;利用KS算法将样本以1∶3的比例均匀地划分为用于验证模型效果的预测集和建立光谱与样本关系的建模集;分别建立PLSR、SVM和RF模型,以3种模型的预测集正确率评价各模型预测效果,挑选出效果最优的判别模型。在正常、发芽、发霉和发芽发霉稻米的检测中,得到最优的判别模型为基线校正法预处理后的随机森林(Baseline-RF)模型,Baseline-RF模型的预测集判别准确率为100%;在稻米霉变程度的检测中,通过对不同模型的预测结果进行比较得出,SNV-RF模型的预测集中未出现误判样本,表现出最优的判别效果。为简化模型,在冗长的原始光谱中提取特征波长,以特征波长光谱建立SNV-RF模型,结果显示利用CARS算法挑选后的特征波长具有较好的判别能力,整体的判别准确率为97.5%。实验结果显示高光谱技术结合CARS-SNV-RF模型能够快速准确地判别稻米的霉变程度,为霉变稻米的快速判别提供一定的理论基础和实验参考,对提高稻米品质、减少稻米浪费具有重要意义。

柚子光能量衰减规律及透射深度对模型精度的影响分析

柚子果皮厚,果皮与果肉属于两种不同的介质,对光的折射、吸收程度存在差异,针对建立水果可溶性固形物含量(SSC)检测模型时,光谱采集量与目标不匹配,导致模型精度差的问题,以上饶马家柚为研究对象,自主搭建可调实验平台,采集并分析柚子整果的光能量衰减规律,寻找柚子厚度与透光性的关系,探索果皮厚度、光透射深度对柚子SSC检测精度的影响。首先将透射光源放置在柚子赤道圈的正上方,统计柚子赤道圈不同区域接收到的光谱强度,绘制光谱强度分布图,结果显示,距离光源发射点越远,光谱强度越低,入射点由远及近的位置接收的光强分别占33.40%、2.90%、0.50%、0.40%、0.20%,柚子皮对光的吸收较为明显,散射出的光所占比重较少;采用切片法,记录剩余厚度与对应的光谱强度值,绘制光谱强度的变化规律曲线,随着剩余厚度逐渐减少,光谱强度逐渐增加,在32.90 mm的位置,光谱强度发生了巨大的变化,果实厚度高于32.92 mm时,果实接收的光谱强度普遍较低,当果实低于32.92 mm时,光谱强度呈跳跃式增加。采集果肉、整果、果皮光谱,采用偏最小二乘法(PLS)建立SSC预测模型,去皮后的果肉模型相关性最高。采集柚子果肉、果皮+果肉厚度为40、30、20和10 mm时的光谱,建立不同厚度的SSC预测模型,果肉厚度为20、40、60和80 mm时,预测集相关系数分别为0.91、0.89、0.87和0.86,果肉在透射深度为20 mm时,水果SSC预测模型精度最佳。果皮+果肉的光谱透射深度为20、40、60和80 mm,预测集相关系数分别为0.78、0.86、0.93和0.84,果皮+果肉的透射深度为60 mm时,有最好的预测效果。研究结果表明,果皮和果肉内部组织成分的差异,会影响SSC预测的结果,但是调整可见/近红外光在水果内部的传输距离,可以优化模型精度,研究揭示了可见/近红外光在水果组织中的漫透射传输特性,可为厚皮果的品质在线分选装置研发提供实验依据。

应用最小角回归索套算法优选苹果糖度预测模型的建模样本和波长

糖度是评价苹果内部品质的重要指标之一。建立苹果糖度预测模型时,建模样本和波长的质量影响模型的准确性和后期的更新维护。以90个苹果样本为研究对象,采集350~1 150nm波段共1 044个波长的苹果近红外漫透射光谱,研究基于最小角回归索套算法(LASSOLars)优选建模样本和波长的有效性和可行性。结合使用Norris平滑、一阶微分和归一化变量排序对光谱预处理。根据浓度排序划分样本集的75%为原始训练集(68个)和25%为预测集(22个),使用LASSOLars建立优选训练集,对比LASSOLars和蒙特卡罗无信息变量消除、竞争性自适应重加权法,从样本、波长的数目和分布以及模型的结果进行对比分析。结果表明,优选训练集压缩了原始训练集16%的样本,在不改变原始训练集平均水平的前提下,更接近预测集分布,没有削弱模型质量。优选和原始的训练集交叉验证均方根误差RMSECV分别为0.460和0.491,交叉验证决定系数R_(CV)^(2)分别为0.913和0.916,预测集均方根误差RMSEP分别为0.462和0.471,预测集决定系数RP2分别为0.909和0.906。LASSOLars筛选出40个信噪比高的波长,数目最少,建立的模型效果最好,RMSECV,R_(CV)^(2),RMSEP,RP2和RPD分别是0.933,0.400,0.944,0.373和2.838。基于LASSOLars优化建模样本和波长建立苹果糖度预测模型,拓展了LASSOLars算法在子集选择方面的应用,为优化、更新和维护模型提供思路。

近红外在线检测装置参数对苹果糖度模型适用性的影响

【目的】近红外(Near-infrared)光谱在线检测装置的检测速度和积分时间等因素会影响所建立苹果糖度模型的性能,本文旨在分析检测速度和积分时间对模型适用性的影响,以提高在线检测的精度。【方法】近红外光谱在线检测装置检测速度和积分时间分别设置为0.3 m/s+100 ms、0.5 m/s+70 ms、0.5 m/s+100 ms、0.5 m/s+120 ms、0.5 m/s+150 ms,共5个实验组,试验所用苹果样本共180个,在350~1150 nm波长下采集5个试验组苹果的近红外光谱,应用偏最小二乘法(Partial least squares,PLS)建立苹果可溶性固形物含量(Soluble solid content,SSC)的预测模型。【结果】近红外在线检测装置积分时间对苹果糖度的检测存在阈值,当积分时间低于70 ms时,模型预测性能较差。预测模型中建模集与预测集的检测速度与积分时间相同时的预测效果优于二者不同时的。检测速度和积分时间会影响在线检测的精度,不同检测速度和积分时间下,光线在苹果内部的传输路线不同,会导致光纤探头获得的内部信息有所差异,使预测性能变差。在0.3 m/s+100 ms、0.5 m/s+100 ms、0.5 m/s+120 ms和0.5 m/s+150 ms 4个试验组中使用Kennard-Stone算法挑选出135个具有代表性的样本光谱,建立了混合检测速度和积分时间的预测模型,其预测集相关系数(R_(P))均在0.85以上,预测集均方根误差(RMSEP)均低于0.65。【结论】本研究建立的混合检测速度和积分时间的预测模型可对苹果的糖度达到更好的预测,满足不同检测装置参数下苹果糖度在线检测的要求。