1 华中农业大学工学院, 湖北 武汉 430070
3 华中农业大学动物遗传育种与繁殖教育部实验室, 湖北 武汉 430070
4 河北省畜牧业协会, 河北 石家庄 050000
市场上普遍存在“高蛋白”, “高乳脂”等特色牛奶。 为了实现对特优优质奶、 高蛋白特色奶、 高乳脂特色奶和普通奶的无损快速分级, 收集了河北省10个牧场不同月份(1月、 3月-10月)的5 121份牛奶样本并采集中红外光谱数据, 分别测定牛奶中的乳蛋白、 乳脂和体细胞数, 构建了牛奶品质分级模型。 首先, 分析牛奶光谱并去除冗余波段, 最终选择9251 597和1 7123 024 cm-1的敏感波段组合作为全光谱用于建立模型。 为了提高模型的性能, 采用标准正态变量变换(SNV), 多元散射校正(MSC), 一阶导数, 二阶导数, 一阶差分和二阶差分6种算法对光谱进行预处理并建立朴素贝叶斯模型(NB)和随机森林模型(RF), 确定二阶差分为最佳预处理方法, 其测试集准确率分别为92.11%和96.87%。 为了简化模型, 利用无信息变量消除法(UVE)、 竞争性自适应重加权算法(CARS)与稳定性竞争性自适应重加权采样算法(SCARS)以及UVE-CARS算法和UVE-SCARS算法对二阶差分后的光谱数据提取特征变量。 然后, 分别基于全光谱和所选特征变量数据, 建立NB模型和RF模型。 结果表明, SCARS算法为NB模型的最佳特征提取算法, 模型的训练集准确率与测试集准确率分别为94.45%, 93.94%; UVE-SCARS算法为RF模型的最佳特征提取算法, 模型的训练集准确率与测试集准确率分别为99.86%, 96.48%。 综上, 基于傅里叶变换中红外光谱技术建立的二阶差分-UVE-SCARS-RF模型, 可以实现特优优质奶、 高蛋白特色奶、 高乳脂特色奶和普通奶的无损快速分级, 通过建立中红外光谱模型, 首次将乳蛋白、 乳脂含量和体细胞数直接结合进行分级鉴定, 这是以往未曾有过的。 模型应用方便, 只需将获得的牛奶红外光谱数据输入模型即可输出预测类别, 在牛奶产业中具有实际应用价值。
中红外光谱 牛奶 品质分级 无损检测 特征变量 Mid-infrared spectrum Milk Quality grading Nondestructive testing Characteristics of the variable 光谱学与光谱分析
2022, 42(4): 1243
质构作为一种重要的品质参数, 能够显著地影响出缸期皮蛋的凝胶品质, 目前没有有效的快速无损检测方法。 应用高光谱成像实现对出缸期皮蛋质构特性的无损预测及不同品质皮蛋的检测分级。 以不同品质鸭皮蛋为研究对象, 采集优质蛋、 合格蛋与不合格蛋样本的高光谱数据, 对比测定其凝胶质构硬度和弹性参数, 对原始光谱进行单一和组合变换(多元散射校正MSC、 包络线去除CR、 一阶求导FD、 包络线去除一阶求导组合CR-FD), 分析一维光谱数据与质构硬度和弹性的相关性, 发现经CR-FD变换后的光谱反射率与凝胶质构硬度、 弹性的相关性最大, 分别在波长683和715 nm达到最大值为0.882和0.865; 基于最优的光谱变换和二维相关光谱法, 以凝胶质构硬度和弹性作为扰动因子, 探寻皮蛋硬度和弹性的最优研究区域, 结果显示: 以硬度为扰动因子时, 波长476, 539, 647, 672, 728和851 nm处存在自相关峰; 在波长483, 572, 657, 739和826 nm处的光谱信号对弹性值较敏感, 故最终选择476~851和483~826 nm两个敏感波段分别作为凝胶硬度和弹性的研究区域; 对比连续投影算法(SPA)、 竞争性自适应重加权算法(CARS)、 遗传算法(GA)、 粒子群优化算法(PSO)、 无信息消除法(UVE)5种不同变量选择方式, 发现使用粒子群优化算法结合PLSR模型的检测精度最高: 预测硬度的$R_{P}^{2}$和均方根误差RMSEP为0.826和0.874, RPD为2, 预测弹性的$R_{P}^{2}$和均方根误差RMSEP为0.886和0.402, RPD为1.9。 使用3种不同分类器对不同品质皮蛋进行预测, 发现对优质蛋、 合格蛋与不合格蛋分类的准确率分别达到了97%, 92%和100%, 基于预测结果的混淆矩阵和ROC曲线对模型进行评估, PLS-DA模型的精度和泛化能力优于BP和RF模型。 综上表明, 使用高光谱技术可以实现皮蛋质构特性的预测及对不同品质皮蛋的无损分级。
皮蛋 质构特性 二维相关 高光谱技术 Preserved eggs Textural feature Two-dimensional correlation Hyperspectral technique 光谱学与光谱分析
2022, 42(6): 1985
1 华中农业大学工学院, 湖北 武汉 430070
3 华中农业大学动物遗传育种与繁殖教育部实验室, 湖北 武汉 430070
4 宁夏回族自治区畜牧工作站, 宁夏 银川 750002
5 宁夏回族自治区兽药饲料监察所, 宁夏 银川 750011
为了找到一种能够对牛乳中的两种主要过敏原(αs1和κ-酪蛋白)含量快速检测的方法, 以河南、 湖北、 宁夏和内蒙古四省区的211份中国荷斯坦牛牛乳样本为研究对象, 建立了基于傅里叶变换中红外光谱技术的牛乳中αs1和κ-酪蛋白含量的无损快速检测模型。 首先对牛乳的原始光谱进行预分析, 发现水对牛乳的光谱吸收具有很强的干扰, 对水的两个主要吸收区域1 597~1 712和3 024~3 680 cm-1进行分析, 发现水的吸收区域1 597~1 712 cm-1和蛋白的部分吸收区域1 558~1 705 cm-1(酰胺Ⅰ)基本重合, 通过对比去除1 597~1 712 cm-1前后的效果, 最终选择925.92~3 005.382 cm-1的光谱区域作为敏感波段用于后续分析。 选取的全光谱经手动降维, 利用MCCV剔除异常样本, 分别采用标准正态变量变换(SNV)、 多元散射校正(MSC)等8种预处理算法和竞争性自适应重加权算法(CARS)、 无信息变量消除法(UVE)等3种特征选择算法联合建立支持向量机回归模型(SVR)。 经检验, 对于αs1-酪蛋白, 一阶导数和CARS算法结合建立的SVR模型效果最优, 训练集相关系数Rc和测试集相关系数Rp分别为0.882 7和0.899 8, 训练集均方根误差RMSEC和测试集均方根误差RMSEP分别为1.136 3和1.372 6; 对于κ-酪蛋白, 一阶差分和UVE算法结合建立的SVR模型效果最优, 训练集相关系数Rc和测试集相关系数Rp分别为0.880 8和0.890 3, 训练集均方根误差RMSEC和测试集均方根误差RMSEP分别为0.534 5和0.535 4。 研究结果表明, 基于傅里叶变换中红外光谱技术建立的SVR模型可以对牛乳中的过敏原αs1和κ-酪蛋白含量进行无损检测, 预测效果良好, 此研究弥补了国内利用光谱技术对牛乳中的酪蛋白进行无损快速检测的空白。
中红外光谱 牛乳 αs1-酪蛋白 κ-酪蛋白 无损检测 Medium infrared spectrum Cow’s milk αs1-casein κ-casein Nondestructive testing 光谱学与光谱分析
2021, 41(12): 3688
1 华中农业大学 工学院，湖北 武汉 430070
2 农业部长江中下游农业装备重点实验室，湖北 武汉 430070
本文研究基于可见/近红外透射光谱技术的红提糖度和含水率的无损检测方法。采集360个红提样本，并分别利用标准正态变量变换（Standard Normal Variable transformation，SNV）、SavitZky-Golay卷积平滑处理法（SavitZky-Golay，S_G）等光谱预处理方法处理后的数据建立PLSR模型，分别采用一次降维（GA、SPA、CARS、UVE）和二次降维组合（CARS-SPA、UVE-SPA、GA-SPA）7种数据降维方法对光谱进行特征变量提取，分别建立红提糖度和含水率的偏最小二乘回归算法(Partial Least Squares Regression，PLSR)和最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）含量检测模型并对比分析模型的优劣。结果表明：红提糖度和含水率的最优PLSR模型波长提取方法为GA-SPA-PLSR，最优模型的预测集相关系数分别为0.958、0.938；红提糖度和含水率的最优LSSVM模型波长提取方法分别为CARS-SPA-LSSVM、UVE-SPA-LSSVM，最优模型的预测集相关系数分别为0.969、0.942；LSSVM所建模型的效果好于PLSR所建模型，但模型的运算时间较长。研究结果表明：基于可见/近红外技术无损检测红提糖度和含水率的方法可行，两种最优检测模型的预测精度均较高，都能满足检测要求。在不同应用下，可酌情选择不同模型，PLSR所建最优模型的运算时间较短，适合在线快速检测；LSSVM的检测性能最佳，可更加准确地检测红提糖度和含水率。
红提 糖度 含水率 可见/近红外技术 无损检测 red globe grape sugar content moisture content visible/near-infrared technology non-destructive testing
1 华中农业大学工学院, 湖北 武汉 430070
2 农业部长江中下游农业装备重点实验室, 湖北 武汉 430070
3 国家蛋品加工技术研发中心, 湖北 武汉 430070
胚蛋雌雄识别一直是家禽业发展的瓶颈问题, 在禽肉生产过程中倾向于养殖雄性个体, 而禽蛋生产产业倾向于养殖雌性家禽。 若能在孵化过程中较早鉴别出种蛋的雌雄, 不仅能够降低家禽孵化产业的成本, 还能够提高禽蛋和禽肉生产行业的经济效益。 该文以种鸭蛋为研究对象, 为了在种鸭蛋孵化早期实现对种蛋的雌雄识别, 构建了可见/近红外透射光谱信息采集系统, 在200～1 100 nm的波长范围内采集了345枚孵化了0~8 d的种鸭蛋光谱数据。 搭建了适用于种鸭蛋光谱信息的6层卷积神经网络（convolutional neural network, CNN）, 其中包括输入层、 3个卷积层、 全连接层与输出分类层。 卷积层可以提取光谱中的有效信息, 全连接层通过对卷积层提取的局部特征进行整合供输出层分类决策。 另外在卷积神经网络中引入局部响应归一化和dropout操作能够加快网络的收敛速度。 利用该卷积神经网络构建鸭胚雌雄信息识别网络, 通过对比与分析不同孵化天数的识别效果, 发现孵化7d的识别效果最佳。 随后将孵化7 d的种鸭蛋原始光谱数据进行噪声去除, 选取500~900 nm波段用于后续的特征波长选取和建模。 分别运用了竞争性自适应重加权算法(CARS)、 连续投影算法( SPA)与遗传算法(GA)选择能够区分鸭胚性别的波长点, 将选取的特征波长转换为二维的光谱信息矩阵, 二维光谱信息矩阵保留了一维光谱的有效信息, 同时极大地方便了与卷积神经网络的结合。 利用二维光谱信息矩阵和卷积神经网络相结合, 实现孵化早期阶段鸭胚的雌雄识别。 经检验, 基于 SPA算法和CNN网络建立的模型效果较佳, 其中训练集、 开发集及测试集的准确率分别为93.36%, 93.12%和93.83%; 基于GA算法和CNN网络建立的模型效果次之, 训练集、 开发集及测试集的准确率分别为90.87%, 93.12%和86.42%; 基于CARS算法和CNN网络建立的模型的训练集、 开发集及测试集的准确率分别为84.65%, 83.75%和77.78%。 研究结果表明基于可见/近红外光谱技术和卷积神经网络可以实现孵化早期鸭胚胎雌雄的无损鉴别, 为后续相关自动化检测装置的研发提供了技术支撑。
种鸭蛋 雌雄 卷积神经网络 无损检测 可见/近红外光谱 Breeding duck eggs Male and female Convolutional neural network Nondestructive testing Visible/near infrared spectroscopy 光谱学与光谱分析
2021, 41(6): 1800
1 华中农业大学工学院, 湖北 武汉 430070
2 农业部长江中下游农业装备重点实验室, 湖北 武汉 430070
为了研究贮藏期与淡水鱼鱼肉质构品质的相关关系,以武昌鱼为研究对象,建立了近红外光谱淡水鱼鱼肉质构品质的快速无损检测模型。利用AntarisⅡ傅里叶变换近红外光谱仪采集武昌鱼鱼肉样本的光谱数据,并使用TMS-PRO型质构仪测量样本的硬度值、弹性值和咀嚼性值;采用S-G平滑法对原始光谱进行预处理,结合竞争性自适应重加权(CARS)算法、稳定性竞争自适应重加权采样(SCARS)算法和连续投影(SPA)算法进行一次特征波长的提取。基于上述3项质构指标建立的最小偏二乘回归(PLSR)模型,在一次特征波长提取的基础上再结合SPA算法进行二次特征波长的提取,根据二次特征提取的最优波长建立淡水鱼鱼肉硬度、弹性和咀嚼性的最优模型,该模型校正集的相关系数Rc分别为0.968、0.947、0.927,预测集的相关系数Rp分别为0.964、0.939、0.926,校正集的均方根误差RMSEC分别为0.753、0.827、0.986,预测集的均方根误差RMSEP分别为0.846、0.897、0.964。研究结果表明,该方法适用于淡水鱼鱼肉贮藏期质构品质的快速无损检测,具有较高的准确度,可为后续淡水鱼鱼肉品质的在线检测提供帮助。
光谱学 近红外光谱 无损检测 淡水鱼 质构品质 连续投影算法 偏最小二乘回归 激光与光电子学进展
2021, 58(12): 1230001
我国是鸭蛋与鸭肉生产和消费大国, 为此每年需要孵化大量雏鸭才能满足生产需要。 由于无精蛋在孵化过程中无法孵化出雏鸭, 所以尽早地将其剔除可避免资源的浪费。 国内鸭蛋孵化行业需在种鸭蛋入孵7天左右使用人工照蛋方式才能将无精蛋剔除。 针对人工照蛋效率低且剔除的无精蛋已无食用价值等问题, 以入孵前种鸭蛋为研究对象, 将可见-近红外透射光谱技术与卷积神经网络相结合, 用于入孵前种鸭蛋受精信息的无损鉴别。 实验中对采集得到的400~1 000 nm原始光谱信息进行预处理(去除噪声波段和Savitzky-Golay卷积平滑处理)去除噪声与无关信息, 使用竞争性自适应重加权算法(CARS)与连续投影算法( SPA)选取特征波长, 并将选择的特征波长转换成二维光谱矩阵。 二维光谱矩阵既可以表征特征光谱的有效信息, 又可以将光谱信息传入到神经网络进行训练。 针对光谱数据的特点, 网络过深容易造成模型的过拟合, 网络过浅则会造成模型的欠拟合。 为此构建了一个4层的卷积神经网络(CNN)用于对光谱信息矩阵进行训练, 该网络包括3个卷积层和1个全连接层, 卷积层用于自动提取光谱二维信息矩阵的有效信息, 全连接层通过对卷积层提取的局部特征进行整合进而供输出层决策, 此外在卷积神经网络中引入了局部相应归一化、 池化和dropout操作可以加速网络的收敛速度并防止模型过拟合。 运用SPA提取的特征波长建立的卷积神经网络模型训练集准确率为97.71%, 测试集准确率为97.41%, 验证集准确率为98.29%; 运用CARS提取的特征波长建立的卷积神经网络模型训练集准确率为97.42%, 测试集准确率为97.41%, 验证集准确率为97.44%, 而使用SPA和CARS提取的特征波长建立的传统机器学习模型测试集精度最高仅为87.39%。 研究结果表明, 利用卷积神经网络与光谱技术相结合可以实现入孵前种鸭蛋受精信息无损鉴别, 可为后续开发动态在线检测设备提供高效、 无损、 快速的技术支持。
入孵前种鸭蛋 受精 卷积神经网络 无损检测 可见-近红外光谱 Pre-incubation duck eggs Fertilization Convolutional neural network Nondestructive testing Visible/near infrared spectroscopy 光谱学与光谱分析
2020, 40(12): 3847
1 华中农业大学 工学院, 湖北 武汉 430070
2 农业农村部长江中下游农业装备重点实验室, 湖北 武汉 430070
红提糖度是重要的内部品质衡量指标, 传统的检测方法均为破坏性生化检测, 本文基于高光谱成像技术, 提出了一种基于高光谱信息融合的红提糖度含量无损检测方法。采集并提取260个红提样本的光谱信息和图像信息, 对光谱信息分别利用SNV、S-G等光谱预处理方法建立PLSR模型, 确定最好的光谱预处理方法, 分别采用一次降维(GA、CARS、IRIV)算法和组合降维算法(CARS-SPA、IRIV-SPA、GA-SPA)共六种降维方法对光谱信息进行特征变量提取; 获取灰度共生矩阵的图像纹理信息, 结合图像的颜色信息(R、G、B、H、S、V、L、a、b), 组成19个图像特征参数, 采用PCA算法对图像信息进行降维, 分别建立基于降维处理后的光谱信息、图像信息以及两者融合的红提糖度线性预测模型PLSR、非线性预测模型LSSVM, 并对比分析模型的优劣。结果表明, 若只利用光谱信息建模, IRIV-SPA可有效地提取红提糖度光谱信息的特征波长, 提高模型的预测性能; 若只利用图像信息进行建模, 模型的预测性能不好, PCA降维有效地提高了模型的预测性能, 但提高的性能有限; 将IRIV-SPA特征波段提取后的光谱和经PCA降维后的图像信息进行融合, 分别建立PLSR和LSSVM模型, 红提糖度的最优PLSR模型的校正集和预测集相关系数分别为0.943, 0.941; 红提糖度的最优LSSVM模型的校正集和预测集相关系数分别为0.954, 0.952。LSSVM所建模型的效果好于PLSR所建模型, 但模型的运算时间较长。两种模型的精度均比单方面基于光谱或图像信息的模型都有较大的提高, 表明融合高光谱图像的光谱与图像信息不仅可以提高模型的运算速度、简化模型, 同时有效地提高了红提糖度预测性能, 为红提糖度的检测找到了一种新的方法。
红提 高光谱成像 糖度 信息融合 无损检测 red globe grape hyperspectral imaging sugar content information fusion nondestructive testing
1 华中农业大学工学院, 湖北 武汉 430070
2 农业部长江中下游农业装备重点实验室, 湖北 武汉 430070
红提的糖度和硬度是评价红提品质的重要指标,探究了基于高光谱成像技术的红提糖度和硬度的无损检测方法及最佳预测模型。在红提果粒的三种放置模式(横放、果柄侧朝下、果柄侧朝上)下,分别采集213个样本在400~1000 nm波长范围内的高光谱图像,对比分析光谱采集的最优模式;然后在最优采集模式下对光谱进行预处理;应用遗传算法(GA)、连续投影算法(SPA)、竞争性自适应重加权(CARS)算法和无信息变量消除法(UVE)针对原始光谱提取特征波长;结合化学计量学方法分别建立基于全光谱和特征波长的偏最小二乘回归(PLSR)、最小二乘支持向量机(LSSVM)和随机森林(RF)的红提糖度、硬度的无损预测模型。结果表明:基于RF建立的糖度和硬度模型的效果较优;预测糖度的最优模型为遗传算法优化的随机森林(GA-RF),其校正集相关系数(Rc)、预测集相关系数(Rp)分别为0.969、0.928,校正集均方根误差(RMSEC)、预测集均方根误差(RMSEP)分别为0.266、0.254;预测硬度的最优模型为基于移动窗口平滑结合连续投影算法优化的随机森林(MA-SPA-RF),其Rc、Rp分别为0.961、0.932,RMSEC、RMSEP分别2.119、1.634。研究结果表明基于高光谱成像技术预测红提的糖度和硬度是可行的。
光谱学 红提 糖度 硬度 高光谱成像 无损检测 光学学报
2019, 39(10): 1030004
1 华中农业大学工学院, 湖北 武汉 430070
2 农业部长江中下游农业装备重点实验室, 湖北 武汉 430070
3 华中农业大学食品科学技术学院, 湖北 武汉 430070
为了对鸡种蛋胚胎进行雌雄识别, 探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性, 搭建了鸡种蛋透射光谱检测系统, 采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱, 光谱范围为360~1 000 nm。 构建极限学习机（ELM）鸡胚雌雄识别模型, 通过比较不同放置方式和孵化天数下模型的识别准确率, 发现竖向放置且孵化第7 d的识别效果最好; 将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、 可见光（380~780 nm）、 近红外（780~1 000 nm）、 紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析, 预测集准确率分别为8286%, 7714%, 7571%, 8429%和8143%, 筛选出360~780 nm的紫外-可见光波段为有效波段; 在紫外-可见光（360~780 nm）波段, 采用多元散射校正（MSC）去噪, 并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维, 建立不经筛选特征波长、 CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。 其中不经筛选特征波长的ELM模型识别效果最好, 但输入变量最多, 隐含层神经元为680且激活函数为sig时, 预测集准确率为8429%。 SPA筛选特征波长的ELM模型识别效果次之, 输入变量有9个, 隐含层神经元为840且激活函数为hardlim时, 预测集准确率为8143%。 CARS筛选特征波长的ELM模型识别效果最差, 输入变量有27个, 隐含层神经元为100且激活函数为sig时, 预测集准确率为7857%; 用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值, 不经筛选特征波长建立的GA-ELM模型, 预测集准确率为8714%, SPA筛选特征波长建立的GA-ELM模型, 预测集准确率为8714%, CARS筛选特征波长建立的GA-ELM模型, 预测集准确率为8143%。 紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同, 表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息, SPA使用的变量数仅占紫外-可见光波段的214%, 因此, 雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型, 预测集准确率为8714%, 其中, 雌性识别率为8857%, 雄性识别率为8571%, 单个样本平均判别时间0080 ms。 结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。
种蛋 鸡胚 雌雄 识别 紫外-可见-近红外光谱 极限学习机 Egg Chicken embryo Male and female Recognition UV 光谱学与光谱分析
2019, 39(9): 2780
