1 中国农业大学信息与电气工程学院食品质量与安全北京实验室, 北京 100083南昌理工学院新能源与环境工程学院, 江西 南昌 330044
2 中国农业大学信息与电气工程学院食品质量与安全北京实验室, 北京 100083
3 内蒙古农业大学食品科学与工程学院, 内蒙古 呼和浩特 010018
4 北京物资学院物流学院, 北京 101149
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 食品检测 光谱数据处理 预测模型 Spectroscopy Food detection Spectral data processing Prediction model 光谱学与光谱分析
2023, 43(8): 2333
1 中国农业大学信息与电气工程学院, 食品质量与安全北京实验室, 北京 100083
2 承德市第八中学, 河北 承德 067000
3 南昌理工学院新能源与环境工程学院, 江西 南昌 330044
4 中国铁道科学研究院集团有限公司运输及经济研究所, 北京 100081
以凡纳滨对虾为研究对象, 探索一种高效快速无损的新鲜度检测方法。 挥发性盐基氮(TVB-N)是判断虾新鲜度的重要化学指标, 然而传统方法耗时耗力, 限制了大批量的实时检测。 高光谱技术是一种集成图像和光谱信息的分析技术, 高光谱图像上的每个像素包含整个波段的光谱信息, 近年来, 该技术已经被应用于肉类新鲜度检测。 连续8 d采集了样品的860~1 700 nm高光谱数据, 在去除异常样本后确定150组试验样本, 每组采集254维光谱数据, 对原始的高光谱图像进行黑白校正, 并从高光谱图像中提取光谱数据。 为确保所提取的光谱数据和TVB-N指数之间有对应关系, 所选择的感兴趣区域的位置保持固定在虾样本的第二和第四肢。 计算了感兴趣区域的平均光谱以获得光谱数据矩阵, 该矩阵被转换成ASCII码并保存。 同时, 通过凯氏定氮法获得TVB-N真实值含量。 为减少环境和虾表面的高含水量的干扰, 有效地消除不相关的信息和噪声, 预处理方法是多元散射校正(MSC)算法, 并选择出7个敏感波段, 分别为875, 894, 919, 953, 983, 1 024和1 094 nm。 最后, 以120组训练集样本, 建立了凡纳滨对虾TVB-N总量的定量预测模型, 以30组验证集样本, 对比BP神经网络、 径向基神经网络、 主成分分析三种预测模型算法。 BPNN算法预测模型的相关系数(r)和归一化均方根误差(NRMSE)分别为0.902 1和0.214 0, RBFNN算法的预测模型为0.868 3和0.223 0, PCR算法预测模型为0.757 6和0.390 0。 结果表明, MSC-BPNN模型的预测效果最佳, 凡纳滨对虾的高光谱反射率与新鲜度间存在较密切的相关性, 为基于光谱的虾类新鲜度检测提供了支持。
高光谱 新鲜度 多元校正散射 BP神经网络 径向基神经网络 Hyperspectral Freshness Multivariate correction scattering BP neural network Radial basis function neural network
1 中国农业大学信息与电器工程学院食品质量与安全北京实验室, 北京 100083
3 中国农业大学工学院, 北京 100083
十四五期间, 我国渔业总产量预计持续增长, 水产品进一步成为消费者重要饮食组成, 但因销售者与消费者食品安全知识和操作过程存在差距导致的食品安全事件频频发生。 光谱技术因快速、 无损、 测试重现度高的优点, 既体现物体的光谱属性, 也体现了样品的空间信息, 已成为水产品检测技术的热点, 但多聚焦于新鲜度检测。 该文综述了近10年来光谱技术在水产品异物残留检测的研究进展, 分别从鱼骨检测、 掺伪分析、 寄生虫检测与重金属检测四方面介绍常见光谱技术应用及进展, 包括X射线技术(X-Rays)、 可见光成像(VIS)、 近红外成像(NIR), 高光谱成像(HSI)等, 介绍目前存在问题的同时, 展望光谱技术在水产品异物残留检测的发展前景: 传统检测算法进一步优化, 多光谱技术被用于水产品异物残留检测; 深度学习在特征提取的巨大优势得以应用, 光谱技术在水产品异物残留检测的应用领域研究更加深入; 光谱技术与多种检测技术的有机融合成为必然趋势, 在线实时检测成为可能。
光谱技术 水产品 鱼骨 异物检测 Spectroscopic techniques Aquietc products Fish bones Foreign object detection 光谱学与光谱分析
2022, 42(6): 1661
1 中国农业大学信息与电气工程学院食品质量与安全北京实验室, 北京 100083
2 中国农业大学工学院, 北京 100083
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(D1st)、 多元散射校正(MSC)、 标准正态变换(SNV)、 二阶微分(D2st)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0.879 8; 以回复性为参数时, D2st-SPA-PLSR模型精度最高, 模型预测相关系数为0.880 6。 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。
高光谱 牛肉品质检测 质构参数 偏最小二乘法 Hyperspectral Beef quality detection Texture parameters Partial least square method 光谱学与光谱分析
2021, 41(8): 2572
1 中国农业大学信息与电气工程学院食品质量与安全北京实验室, 北京 100083
2 中国农业大学工学院, 北京 100083
3 中国农业大学动物科学技术学院动物营养国家重点实验室, 北京 100083
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900~1 650 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900~1 650 nm两段高光谱数据建立PLSR模型的RP2分别为0.947 2和0.978 3, RMSEP分别为47.789 9和30.590 1 g, 优于其他三种光谱预处理算法。 另外, 基于900~1 650 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900~1 650 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, 1 085, 1 156, 1 206, 1 262, 1 318, 1 384, 1 542和1 580 nm)。 其中, 基于900~1 650 nm波长建立的PLSR模型的RP2为0.985 0, RMSEP为24.397 0 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。
可见-近红外光谱 二次迭代Monte Carlo 偏最小二乘回归模型 羊肉硬度 Visible-near infrared spectroscopy Twice iterative Monte Carlo PLSR Mutton hardness 光谱学与光谱分析
2021, 41(7): 2057
1 中国农业大学信息与电气工程学院食品质量与安全北京实验室, 北京 100083
2 山东省烟台市森林资源监测保护服务中心, 山东 烟台 264000
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。
光谱技术 水产品品质 光谱数据处理 预测模型 Spectroscopy technology Aquatic product quality Spectral data processing Predictionmodel 光谱学与光谱分析
2021, 41(5): 1343
玉米是我国重要的粮食作物之一, 在我国种植规模最大、 发展最快。 玉米的长势会直接影响到其产量和品质, 因此通过对玉米的长势进行有效监测, 可以为田间管理、 早期产量估算提供宏观的参考信息, 为国家和相关部门决策提供重要的参考依据。 以无人机为遥感平台, 搭载影像传感器构建遥感系统, 获取玉米可见光谱遥感影像。 利用ENVI软件对获取的玉米冠层可见光谱彩色图像进行几何校正和辐射校正, 然后对图像进行彩色图像灰度化和增强处理。 利用对农田复杂背景适应能力较好以及具有较强光照适应性的AP-HI算法完成作物分割来提取玉米覆盖度信息。 在计算玉米覆盖度时, 首先利用AP-HI算法将图像进行分割, 并转换为二值图, 来去除图像中的土地、 水管、 道路、 作物残渣等背景, 以保留玉米的二值图像。 图像中的农田存在道路区域, 计算实际作物覆盖度时需将其排除。 道路区域出现在图像的四个边界以及相对正中的位置处, 对这些位置分别进行处理, 统计其中黑色像素点的个数, 根据像素点个数确定道路宽度, 并将道路部分从二值图中去除。 去除后的二值图中, 白色像素为无作物区域, 黑色像素为玉米种植区域, 统计黑色像素占总像素的比例, 以此确定作物的多少。 选取80×80像素值作为单位面积, 对处理图像进行分块标记, 得到区块数为720, 对单位面积的分块进行全区域扫描, 每当扫描到一个黑色像素值就将总的统计面积加1, 直至扫描到6 400个像素点, 计算其中含有的总的黑色像素值数目与6 400的比值, 直至将720个区块黑色像素点占总像素比例统计完全, 即可计算图像中黑色像素数与总像素数之比, 即为玉米覆盖度。 在此基础上, 根据实际情况计算玉米冠层孔隙率, 并建立覆盖度与叶面积指数模型, 完成玉米叶面积指数反演, 为玉米长势监测提供理论依据。
无人机 遥感 可见光谱 玉米 长势监测 叶面积指数 UAV Remote sensing Visible spectrum Maize Growth monitoring LAI
中国农业大学信息与电气工程学院食品质量与安全北京实验室, 北京 100083
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。
光谱技术 土壤水分检测 光谱预处理 光谱特征提取 光谱建模 Spectral technology Soil moisture content detection Spectral pretreatment Spectral feature extraction Spectral modeling 光谱学与光谱分析
2020, 40(12): 3705
1 中国农业大学工学院食品质量与安全北京实验室, 北京 100083
2 中国农业大学土地科学与技术学院, 北京 100083
3 中国农业大学工学院, 北京 100083
4 中国农业大学水利与土木工程学院, 北京 100083
5 中国农业大学信息与电气工程学院, 北京 100083
传统大田农作物生长环境监测的方法, 需要在环境恶劣的田间布设各种传感器, 铺设复杂电路, 通常会出现耗时费力、 维护成本高、 且或多或少的损坏到植株的问题。 无人机光谱成像技术是一种融合了无人驾驶飞行器技术、 空间遥感和图像实时传输等多种手段的快捷新型农田环境监测技术, 能够快速获取农田作物的即时光谱图像, 通过分析图像获取大田作物的生长信息, 这一技术的应用弥补了上述问题。 首先对无人机光谱成像技术进行了概述, 介绍了无人机应用的优势。 和传统卫星遥感监测平台相比, 无人机可以工作在较低的高度, 即80~400 m, 能够抵消极端天气和云层影响, 实现快速、 准确地获取高精度图像。 目前, 国内外小型无人机的应用主要集中在灾害监测、 自然资源监测、 城市规划和植被监测等领域。 由于其低成本、 近实时图像采集等特点, 在精准农业的发展过程中, 无人机光谱图像的应用也愈加广泛。 分析了常见光谱图像的特点和应用场景。 全色图像由于分辨率高, 多用于数据融合; 多光谱及高光谱影像由于丰富的光谱信息, 与农作物的光谱特征结合, 可用于农作物的生物理化指标的检测、 农业灾害预警、 产量预测和精细分类制图等; 热红外图像可以获得农作物温度信息, 可用于监测田间旱灾。 总结了无人机光谱图像技术在大田中的主要应用途径。 目前利用无人机光谱图像技术对农作物进行监测的方法主要有: 利用光谱反射率构造植被指数或红边参数, 研究植被的反射特点, 构建农作物时间层面上与光谱特征对应的生长模型, 利用新兴数学方法与农作物生化参数结合建立模型进行反演。 探讨了无人机光谱图像技术在大田的应用中尚且存在着的一些技术空白及难点, 以期为无人机光谱成像技术在大田中的衍生应用发展提供参考。
无人机 光谱成像技术 大田 研究进展 Unmanned aerial vehicle Spectral imaging technology Field Research progress 光谱学与光谱分析
2020, 40(5): 1356
1 中国农业大学信息与电气工程学院食品质量与安全北京实验室, 北京 100083
2 中国农业大学信息与电气工程学院, 北京 100083
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。
多光谱技术 土壤成分 土壤成分分析技术 Multispectral technique Soil composition Soil composition detection technology 光谱学与光谱分析
2020, 40(7): 2042
