南京林业大学机械电子工程学院，江苏 南京 210037
近红外光谱及成像检测凭借其高效、无损、非接触等优点近年来被广泛应用于农林产品、食品检测等方面。该技术可快速获取样品光谱和图像信息，进而结合化学计量学、机器学习建模等对样品进行品质安全、掺杂掺假、理化指标和产地溯源等方面检测，深受各行各业的认可。但光学仪器使用环境以及被测样品性质具有局限性，光学检测结果易受到各种因素干扰，从而影响检测精度，应当予以消除或削弱。简述了近红外光谱和高光谱成像的检测基本原理，并对国内外近红外光谱及成像技术在检测时受到的影响因素进行总结与归纳，结合国内外研究学者在相关方面的研究内容，重点在温度、光照、水分、曲率变化和湿度等5个方面及相关校正方法的应用进行阐述，对当前存在的部分问题提出总结与建议，以期为相关方向的研究人员提供参考及借鉴。
近红外光谱 高光谱成像 无损检测 化学计量学 影响因素 校正方法 激光与光电子学进展
2024, 61(4): 0400003
1 南京林业大学林业资源高效加工利用协同创新中心, 江苏 南京 210037
2 南京林业大学机械电子工程学院, 江苏 南京 210037
我国南方丘陵山区大面积种植油茶果, 而目前油茶果的采摘期主要根据节气和经验来判断, 过早和过晚采摘油茶果皆会带来经济损失。 旨在探索高光谱成像技术准确鉴别油茶果成熟度的可行性, 应用波段范围为400～1 000 nm的高光谱成像(HSI)系统采集了不同成熟度油茶果共480个样本的高光谱数据。 基于SNV、 SNV-detrend、 SG、 一阶导和二阶导5种不同预处理建立PLS-DA和PSO-SVM判别模型。 选择最优预处理数据进行特征波长筛选, 发现相比于SPA, CARS筛选特征波长建立的简化模型性能更优, CARS-PLS-DA和CARS-PSO-SVM模型预测集分类准确率为92.5%和89.2%, Kappa系数均超过0.86。 采用颜色矩的方法提取高光谱图像中颜色特征值结合特征波长建立PLS-DA和PSO-SVM组合模型, 发现仍是经CARS筛选特征波长建立的模型性能最优, 其中CARS+颜色-PLS-DA和CARS+颜色-PSO-SVM模型预测集分类准确率分别为94.2%和93.3%。 特征波长融合颜色特征值的组合建模比单一特征波长建模分类效果好, 预测集分类准确率分别提高了1.7%和4.1%。 CARS+颜色-PLS-DA模型显示出最佳预测性能, 其Kappa系数为0.923 1。 研究表明利用高光谱成像技术结合化学计量学方法可用于油茶果成熟度检测, 为实现快速、 无损、 准确鉴别油茶果成熟度提供了科学依据。
高光谱成像 油茶果 成熟度 颜色特征值 Kappa系数 Hyperspectral imaging Camellia oleifera fruit Maturity Color features Kappa coefficient 光谱学与光谱分析
2023, 43(11): 3419
1 南京林业大学机械电子工程学院, 江苏 南京 210037
2 南京财经大学食品科学与工程学院, 江苏 南京 210023
3 江苏省粮油质量监测中心, 江苏 南京 210031
基于近红外漫透射光谱分析技术, 设计了便携式面粉品质安全检测仪, 该检测仪主要包括光谱采集模块、 光源控制模块、 处理与显示模块以及电源模块。 其中漫透射检测附件不仅可以实现光谱补偿功能, 还可以有效避免外界杂散光的干扰, 设计了控制光源开关的电路, 通过实验确定样品的最佳厚度。 选用树莓派4B作为核心处理器, 选用可充电锂电池供电, 仪器可持续供电2 h, 仪器大小为250 mm×170 mm×300 mm。 以去除麸皮后由小麦磨成的面粉为研究对象, 总共180份样品, 每份样品再分三份, 分别为黄色、 红色和蓝色。 对所有的红色样品使用波长为9001 870 nm的近红外漫透射光谱进行光谱信息采集并记录, 对所有的黄色样品进行湿度值的测量并记录, 对所有的蓝色样品进行DON含量的测量并记录, 三种样品需要同时进行测量。 利用箱线图剔除光谱两端的噪声和一个异常样本, 最终选取1 048~1 747 nm波段光谱进行建模。 利用多元散射校正(MSC)、 S-G卷积平滑和标准正态变换(SNV)对原始光谱数据进行预处理, 分别建立了面粉湿度的偏最小二乘回归预测模型和DON含量超标与否的PCA-逻辑回归分类模型。 所建湿度的最优PLSR预测模型的建模集和预测集相关系数分别为0.883和0.853, 均方根误差分别为0.382%和0.286%, 残差预测偏差RPD为2.5; 所建DON含量超标与否的PCA-逻辑回归分类模型的预测集ROC曲线下的AUC值为0.927, 混淆矩阵显示未超标样本的预测准确率为96%, 超标样本的预测准确率为89%。 基于PyQt5设计GUI界面, 运用Python语言编写了面粉品质实时检测系统, 该检测软件可以实现PLSR、 PCA-逻辑回归模型的训练、 保存和加载。 利用外部验证集试验验证了便携式面粉多品质检测仪的精确性和稳定性。 结果显示面粉湿度的外部验证集相关系数和均方根误差为0.876和0.21%, 最大相对误差为2.89%。 面粉DON含量超标与否的识别准确率为90%, 表明该仪器可以对面粉的湿度和DON含量超标与否进行无损检测分析。
面粉 近红外光谱 品质 便携式 无损检测 呕吐毒素 Flour Near infrared spectrum Quality Protable Nondestructive examination DON 光谱学与光谱分析
2022, 42(4): 1235
花生是一种重要的油料作物, 易受曲霉菌感染从而产生黄曲霉毒素, 其中黄曲霉毒素B1(AFB1)对人畜具有较高威胁。 传统AFB1检测方法操作繁琐、 破坏物料以及耗时长等问题较为突出, 因此发展一种快速、 无损且适合在线的检测方法对花生生产及加工具有重要意义。 将从市场购买的市购花生, 于28 ℃和85%相对湿度环境中储藏至霉变。 在0, 4, 6, 7和8 d时间段, 再分别以0.15 m·s-1的速度动态采集其光谱和图像信息, 采集信息后利用酶联免疫吸附法(ELISA)测定花生中AFB1含量。 对光谱采用多元散射校正、 基线校正、 标准正态变量校正以及Savitzky-Golay平滑等方法预处理, 并对600~1 600 nm范围内的光谱数据进行主成分分析, 根据主成分权重系数确定8个特征波长(630, 1 067, 1 150, 1 227, 1 390和1 415 nm); 对图像采取灰度化和阈值分割等方法处理, 并提取12种图像颜色特征参数。 最后利用线性判别分析(LDA)以及支持向量机(SVM)建立花生样品的定性判别分析模型(以国家标准20 μg·kg-1为界限)。 ELISA结果表明, 花生AFB1超标率为58%; 可见-近红外图谱分析表明, 在1 180 nm等波峰处随着毒素侵染程度的加深, 吸光度逐渐降低; 机器视觉分析表明, 随着储藏时间的增加, 花生表面逐渐暗淡并有菌丝覆盖, 毒素侵染水平逐渐提高, 花生图像的RGB值总体下降。 通过主成分分析发现, 光谱呈现较明显的聚类趋势, 而图像及数据融合聚类趋势不明显。 根据全谱段、 特征波长构建的LDA和SVM模型均能够对超标和未超标样品进行快速识别, 其中基于全谱段的模型最佳识别率达92%, 基于特征波长的模型最佳识别率达88%; 相对于基于光谱信息建模, 非线性SVM模型在根据图像颜色特征参数建模分析上表现较优, 最佳识别率为90%; 结合花生样品内外部信息, 基于光谱和图像信息融合的SVM模型最佳识别率达到92%。 利用可见-近红外光谱以及机器视觉技术结合化学计量法, 实现花生AFB1含量超标与否的动态判别具有一定可行性, 为花生在线质量安全检测提供了理论基础。
花生 可见-近红外光谱 图像 信息融合 黄曲霉毒素B1 动态筛选 Peanuts Visible/near-infrared spectroscopy Image Information fusion Aflatoxin B1 Dynamic screening 光谱学与光谱分析
2020, 40(12): 3865
1 南京林业大学机械电子工程学院, 江苏 南京 210037
2 南京财经大学食品科学与工程学院, 江苏 南京 210023
3 浙江农林大学农业与食品科学学院, 浙江 杭州 311300
小麦不仅是我国主要的粮食品种, 也是一种重要的饲料和工业原料。 小麦易受赤霉病感染从而产生呕吐毒素, 学名脱氧雪腐镰刀菌烯醇(DON), 具有一定致癌性, 对人畜健康构成严重威胁。 尤其近年来极端异常气候频发, 小麦DON污染风险呈不断上升趋势, 已成为影响其产品质量安全的主要因素。 然而, 传统DON检测方法过程繁琐、 耗时费力, 因此发展一种快速、 低成本且适用于在线的检测方法对小麦安全生产及加工具有重要意义。 首先从江苏各地收集不同赤霉病感染程度的小麦样品200份, 磨粉后利用超高效液相色谱-串联质谱联用法(UPLC-MS/MS)测定小麦中DON含量, 再利用光谱仪在线采集小麦的可见/近红外光谱。 数据处理步骤为: 采用多元散射校正以及二阶导数对光谱进行预处理, 同时根据竞争性自适应权重取样算法提取特征波长, 最后利用线性判别分析(LDA)与偏最小二乘判别分析法(PLS-DA)建立小麦粉样品的定性分析模型(以国家标准1 000 μg·kg-1为界限), 根据偏最小二乘回归(PLSR)建立小麦粉样品DON含量定量分析模型。 UPLC-MS/MS结果表明小麦DON污染风险较高, 所测样品超标率约为50%。 可见/近红外光谱分析表明不同DON含量小麦样品光谱特征具有一定的差异, 原始光谱和二阶导数谱图可看出1 420 nm处DON含量越高, 吸光度越低。 由于DON绝对含量低而光谱仪的检测限有限, 通过主成分分析未能发现明显的聚类趋势, 但根据全光谱以及特征光谱所构建的LDA与PLS-DA判别模型均能够对超标和未超标样品进行快速识别与筛查, 最佳识别率达87.69%。 从定量分析结果来看, 所构建的小麦样品DON含量的PLSR模型结果不太理想, 最优模型结果: 预测集相关系数(rp)为0.688, 均方根误差(RMSEP)为727 μg·kg-1, 相对分析偏差(RPD)值为1.38, 模型精度和稳健性有待进一步提升。 利用可见/近红外光谱和化学计量学方法, 实现小麦DON含量超标与否的在线判别与筛查, 为我国小麦产品质量安全快速检测提供了技术参考。 但对DON含量的定量分析还需要进一步研究, 探究外部因素对模型的影响, 并拟扩大样品量, 收集不同地区、 不同品种的小麦样品, 提高模型的精度及普适性。
小麦粉 可见/近红外光谱 呕吐毒素 在线检测 快速筛查 Wheat flour Visible/near spectroscopy Deoxynivalenol On-line detection Rapid screening 光谱学与光谱分析
2019, 39(12): 3904
1 南京林业大学机械电子工程学院, 江苏 南京 210037
2 南京财经大学食品科学与工程学院, 江苏 南京 210023
3 浙江农林大学农业与食品科学学院, 浙江 杭州 311300
小麦是我国战略性储藏粮食品种, 但小麦易受霉菌感染而发生霉变, 影响其食用安全。 加强小麦有害霉菌侵染程度的早期检测是控制其危害的需要措施。 然而, 现有的平板计数和荧光染色等检测方法, 普遍存在前处理繁杂、 时效性差等不足。 故此, 拟运用阵列式光纤光谱仪结合化学计量学方法, 建立霉变小麦的实时在线检测方法, 并为进一步开发粮食品质与安全在线检测装备提供参考。 小麦样品经辐照灭菌后分别接种五种谷物中常见有害霉菌: 串珠镰刀菌83227、 层出镰刀菌195647、 雪腐镰刀菌3.503、 寄生曲霉3.3950和赭曲霉3.3486, 并置于28 ℃和85%相对湿度环境中储藏7 d以加速霉变。 在样品储藏的第0, 1, 3, 5和7 d, 运用阵列式光纤光谱仪和漫反射探头在线采集样品的漫反射特征光谱, 并依据国标平板计数法测定样品菌落总数水平。 光谱采集步骤为: 在线检测平台上, 设置样品运动速度0.15 m·s-1和光谱仪积分时间20 ms, 采集波段为600~1 600 nm, 重复测量3次。 然后, 首先对小麦原始光谱进行平滑、 多元散射校正和导数变换等预处理以消除光谱噪音; 随后, 运用主成分分析(PCA)对受不同霉变程度(储藏阶段)的小麦样品进行区分; 最后, 利用线性判别分析(LDA)和偏最小二乘回归分析(PLSR)建立小麦有害霉菌侵染程度的定性定量分析模型。 小麦在储藏期内经历未霉变、 开始霉变和严重霉变三个阶段。 原始和二阶微分光谱显示霉菌侵染引起小麦光谱特征发生显著改变, PCA结果表明不同储藏阶段(霉变程度)小麦样品存在一定分离趋势。 利用前十个主成分得分建立的LDA判别模型, 对不同霉变程度小麦样品的识别率达90.0%以上。 结果表明: 小麦样品菌落总数的PLSR定量预测模型的预测决定系数(R2p)为0.859 2, 预测均方根误差(RMSEP)为0.401 Log CFU·g-1, 相对分析偏差(RPD)达2.65。 应用阵列式光纤光谱仪结合计量学方法在线评估小麦霉变具有一定可行性。 下一步研究中, 应扩大样品量, 补充自然霉变及受更多代表性霉菌侵染的小麦样品, 以不断增强模型的鲁棒性和方法的适用性。
小麦 霉菌侵染 可见/近红外光谱 在线检测 储藏 Wheat fungal infection Visible/near spectroscopy On-line detection Storage 光谱学与光谱分析
2018, 38(12): 3729
1 南京林业大学机械电子工程学院, 江苏 南京 210037
2 南京财经大学食品科学与工程学院, 江苏 南京 210023
为了能够快速、 无损地评价花生的质量, 确保储藏与食用安全, 开发了一种基于近红外光谱技术的花生产毒霉菌污染程度的定性定量分析方法。 首先对经过Co-60强辐射杀菌后的新鲜花生样品分别接种谷物中五种常见产毒霉菌(黄曲霉3.17、 黄曲霉3.3950、 寄生曲霉3.395、 寄生曲霉3.0124、 赭曲霉3.6486), 并于适宜条件下(26 ℃、 RH 80%)储藏9 d。 其次, 利用近红外光谱仪采集了不同时期花生样品在12 000～4 000 cm-1波段范围内的漫反射光谱, 运用主成分分析(PCA)、 判别分析(DA)和偏最小二乘回归(PLSR)建立了分析模型。 结果显示, 接种不同霉菌的样品随着储藏时间的延长均能得到有效区分, DA模型对储藏0, 3, 6与9 d花生的感染单一霉菌和多种霉菌的总体判别正确率分别达到100%和99.17%, PLSR模型对样品中的菌落总数的预测结果为: 有效决定系数(R2P)为0.874 1、 交互验证均方根误差(RMSECV)为0.276 Log CFU·g-1, 剩余预测偏差(RPD)为1.92。 结果表明, 近红外光谱技术可以作为一种可靠的分析方法对花生受霉菌侵染的状况进行快速分析, 从而确保贮藏期间花生的质量安全。
近红外光谱 花生 快速检测 产毒霉菌 Near infrared spectroscopy Peanut Rapid detection Toxigenic fungal 光谱学与光谱分析
2017, 37(5): 1397
