近红外光谱因为具有小成本、 易操作、 低耗时等优点, 所以广泛用于食品领域。 作为一种间接的检测方法, 近红外光谱检测需要建立光谱和浓度之间的统计模型。 但是, 一种条件下建立的模型在另一种检测条件下会失效。 针对此问题, 重新建模可以加以解决, 但是重新建立光谱与浓度之间的模型非常繁琐耗时。 此时, 模型转移可以在避免重新建模的情况下, 通过光谱校正, 保证预测精度。 在模型转移中, 已经建立好模型的光谱称为主光谱(A), 不用建立模型, 而只用主光谱模型预测的光谱称为从光谱 (B)。 模型转移方法的步骤是, 先在校正集中选择一些样本作为主光谱的转移集(A_t), 然后选择从光谱中浓度和A_t相同的光谱, 以此作为从光谱的转移集(B_t)。 通过A_t和B_t构建模型转移矩阵。 最后将需要校正的从光谱(B_v)乘以上述的转移矩阵中, 即可获得校正后的从光谱(B_new)。 此时, B_new就可以用主光谱的模型来直接预测。 在模型转移中, 转移集样本的选择对模型校正至关重要。 目前, 转移集的样本通常从光谱之间的距离而非模型转移误差获得。 但是, 转移误差对模型转移结果的验证至关重要, 故该研究出了基于集群分析的集群优化法(ER)并将其用于优化KS方法产生的转移集样本。 ER先用随机方法建立转移集的多个子集合, 并计算每个子集合的转移误差。 然后, 对某一个样本, 计算包含这个样本的子集合转移误差均值。 最后, 选择转移误差均值较低的样本作为新转移集样本进行模型转移。 以玉米数据测试了ER算法。 结果显示, 对于典型相关分析-有信息成分提取法(CCA-ICE)、 直接校正法(DS)、 分段直接校正法(PDS)、 光谱空间转化法(SST)这些常见的模型转移方法, 相比于KS样本选择方法, ER方法可以找出重要的转移集样本, 进而显著降低模型转移误差。

人造植物肉在其原料运输、 制糜和包装等加工环节时有发生异物污染事件, 误食异物会严重损害人的身体健康。 常规食品异物检测方法容易检测出如金属、 石头等坚硬、 深色异物, 而软质、 浅色、 透明异物却是食品异物污染事件中的主要来源且是检测的难点。 根据异物和人造肉各自化学组成成分的差异, 提出了一种人造肉中低色度差异物的高光谱成像检测方法, 根据异物与人造肉光谱信息的差异, 建立模式识别模型, 来进行人造肉中低色度差异物的判别, 最后结合数字图像处理技术对异物进行空间分布可视化。 选取了聚碳酸酯(PC)、 涤纶树脂(PET)、 聚氯乙烯(PVC)、 硅胶、 玻璃五种食品生产加工过程中常见的低色度差异物为研究对象, 模拟人造肉压片的工业制作流程, 将异物混入人造肉肉糜中, 制备混有异物的人造肉样品, 分别采集异物和人造肉感兴趣区域(ROI)的反射高光谱数据, 采用SG, SNVT, MSC, VN, 1ST及2ND六种不同的光谱预处理方法对原始光谱数据进行预处理, 然后采用主成分分析法(PCA)对预处理后的光谱数据降维, 采用连续投影算法(SPA)提取人造肉的特征波长。 分别以全波段光谱、 特征波长和主成分变量作为模式识别模型输入变量, 对比LDA, KNN, BP-ANN, LS-SVM四种模式识别模型的准确率, 优选出最佳的定性识别模型, 设置优选模型异物类别输出变量为1、 人造肉类别为0, 生成二值图像, 再结合数字图像处理技术实现人造肉中异物分布可视化, 进而实现人造肉中低色度差异物的识别。 结果表明, 采用SG预处理后的光谱在降噪方面优于其他预处理方式。 SPA法优选了人造肉10个特征波长。 全波段主成分变量结合BP-ANN模型的检测效果最佳, 准确率达98.33%。 验证了高光谱技术应用于人造肉中低色度差异物检测的可行性。

采用颜色、 剪切力和K值评价冰鲜与冻融三文鱼的品质, 利用高光谱成像技术结合化学计量学方法对三个品质指标进行预测, 并讨论了不同波长选择算法所建模型的预测效果。 准备不同冻融次数三文鱼样本, 进行高光谱数据采集和品质指标真实值的测定。 采用六种预处理方法减少光谱数据中暗电流以及噪声的干扰, 采用竞争性自适应重加权算法(CARS)、 区间变量迭代空间收缩法(iVISSA), iVISSA-CARS筛选出与待测指标相关的变量, 通过比较三种波长选择算法筛选的特征变量所建偏最小二乘(PLS)模型的预测结果, 优选出三个品质指标最佳的变量选择方法。 结果表明1^st Der-CARS-PLS模型对颜色中的a^*预测效果最好, 筛选出的51个变量建立模型的R_c和R_p分别为0.931 6和0.929 7, RMSECV和RMSEP分别为0.716和0.735; 2^nd Der-CARS-PLS模型对剪切力的预测效果最好, 筛选出的61个特征变量建立模型的R_c和R_p分别为0.892 1和0.887 3, RMSECV和RMSEP分别为0.67 N和0.80 N; 模型N-CARS-PLS取得了K值最好的预测效果, 筛选出的51个特征变量所建模型的R_c, R_p, RMSECV和RMSEP分别为0.951 4, 0.950 0, 1.33, 1.53。 说明CARS变量筛选方法能够有效提取与特征指标相关的变量, 提高模型的预测性能。 除此之外, 特征变量筛选联合算法iVISSA-CARS-PLS对三个指标的预测也取得了较好的结果, 对三个指标测试集的R_p分别为CARS-PLS预测模型的97.48%, 97.02%, 98.98%, 而所用变量数仅为CARS-PLS的60.78%, 62.29%, 60.78%, 说明变量筛选组合算法极大的减少了建立模型所用的数据量。 三个指标的CARS-PLS以及iVISSA-CARS-PLS模型取得的预测效果均高于iVISSA-PLS, 说明对于三文鱼三个品质指标的预测, CARS波长点筛选策略优于iVISSA波段选择策略。 将优选出来的PLS模型分别用于构建三个品质指标的可视化分布图, 清楚的展示了不同冻融次数三个品质指标的大小以及空间分布。 因此, 高光谱成像技术结合化学计量学方法可以较好的表征三文鱼的品质指标, 为三文鱼多品质指标的同时快速检测提供了部分理论参考。

黑果枸杞属药食同源植物, 富含多糖、 蛋白质、 矿物质、 花青素等生物活性物质, 具有清除自由基、 抗氧化、 美容养颜及调节人体免疫系统的作用, 引起国内外研究者的极大关注, 备受消费者的追捧。 我国幅员辽阔, 黑果枸杞的种植主要分布于新疆、 西藏、 内蒙古、 青海、 宁夏等地, 不同产地受海拔、 日照、 环境因素的影响所产黑果枸杞品质也不尽相同。 针对市场上不同产地黑果枸杞产地信息标注混乱, 品质参差不齐而导致市场混乱现象, 利用近、 中红外光谱技术结合化学计量学方法对黑果枸杞的产地品质信息进行区分。 首先对所收集不同产地的5种, 共计190个黑果枸杞样本进行近、 中红外光谱采集及多糖含量的测定, 利用主成分分析(PCA)对所采集的原始数据进行降维处理并采用偏最小二乘-支持向量机(LS-SVM)对其进行定性区分。 结果显示, 经PCA处理后的三维主成分得分图可明显地将黑果枸杞的光谱数据按照产地类型分为5大类, 进一步采用LS-SVM对其进行处理, 得出融合光谱与单一近、 中红外光谱所建LS-SVM模型相比, 融合光谱所建模型的预测能力优于单一一种光谱所建模型的预测能力, 当主成分数为9时, 近、 中红外融合光谱的校正集识别率达到100%, 预测集识别率达到99.17%。 采用联合区间偏最小二乘(Si-PLS)对多糖含量进行定量预测, 结果显示, 近、 中红外光谱融合后建立Si-PLS预测模型的校正集相关系数(R_c)为0.976 9, 交互验证均方根误差(RMSECV)最小为2.08%, 预测集的相关系数(R_t)达到0.967 0, 均方根误差(RMSEP)为2.40%。 另外用15个新的黑果枸杞样本对所建立最佳Si-PLS模型进行验证, 验证模型的R_t和RMSEP分别为0.947 7和2.57%, 结果证明研究所建最佳Si-PLS模型的鲁棒性好、 精确度高。 结合LS-SVM、 Si-PLS的近、 中红外融合光谱技术, 可以精简、 优化模型, 达到快速、 准确地识别黑果枸杞的产地品质信息的目的。

豆腐作为我国传统食品, 其生产已有两千多年的生产历史, 但目前市场上的豆腐还是以经验式小作坊生产为主, 难以保证豆腐质量和品质的均一性。 水分和蛋白质含量是影响豆腐品质的重要因素, 然而, 水分与蛋白质的传统检测方法过程繁琐, 耗时、 费力, 无法及时指导生产。 因此, 探索豆腐制备过程中水分和蛋白质分布的快速、 无损、 定量描述方法, 可为精确调控豆腐制备工艺提供科学依据。 应用高光谱成像技术结合化学计量学方法检测豆腐形成过程中豆浆、 热浆、 凝胶、 豆腐四种不同状态下水分与蛋白质含量变化并实现其含量分布可视化。 采集每种状态下120个样品在432~963 nm波段范围内的高光谱图像, 利用ENVI软件选取感兴趣区域并计算样品的平均光谱数据。 采用卷积平滑(savitzky-golay, SG)结合多元散射校正(multiplicative scatter correction, MSC)对原始光谱进行预处理, 消除光谱噪声影响。 用预处理后的光谱数据建立偏最小二乘回归(PLSR)和主成分回归(PCR)定量模型, 比较发现豆浆、 热浆、 凝胶、 豆腐样品的PCR模型对与水分和蛋白质的预测结果均低于PLSR模型。 选用PLSR模型作为最优模型, 采用连续投影算法(SPA)筛选豆浆、 热浆、 凝胶、 豆腐样品的特征波长, 分别选取13, 9, 8和9个特征波长建立基于特征波长下的PLSR模型。 结果表明: 与全波段下的PLSR 模型相比基于特征波长建立的SPA+PLSR模型的预测效果更好, 对水分的预测模型R_P达到0.84~0.96, 蛋白质的预测模型达到0.92~0.97。 基于预测效果更好的SPA+PLSR模型计算豆浆、 热浆、 凝胶、 豆腐图像中每个像素点的水分与蛋白质含量, 将样品中的水分与蛋白质分布用不同的颜色直观显示, 实现水分与蛋白质在不同状态下的分布。 验证了高光谱技术对豆腐形成中水分与蛋白质含量检测的可行性, 解决传统检测方法的缺陷, 为豆腐生产的工业化和智能化提供理论依据。

三文鱼是一种营养丰富且味道鲜美的海水鱼种, 近年来, 我国三文鱼消费市场需求旺盛, 进口量不断增加, 而进口方式主要包括冰鲜和冷冻两种。 相比于冷冻三文鱼, 冰鲜三文鱼能更好的保留其优良品质, 但同时成本更高, 售价更贵。 因此存在部分不法商贩将冷冻三文鱼解冻后作为冰鲜三文鱼售卖, 以此谋取更多利润。 这种欺诈行为不仅严重损害了消费者的利益, 也不利于我国三文鱼消费市场的健康发展。 为建立一种快速、 无损的三文鱼品质检测方法, 以冰鲜和冻融三文鱼为研究对象, 对冰鲜和冻融三文鱼的高光谱光谱差异和图像差异进行了分析, 并结合化学计量学方法对冰鲜和冻融三文鱼进行快速鉴别。 三文鱼在冷冻运输过程中, 受冷链条件等因素的影响, 可能存在多次冻融的情况。 因此为提高检测方法的通用性, 制备不同冻融次数的三文鱼作为冻融组。 首先通过高光谱成像系统采集样本的高光谱图像数据。 然后利用ENVI 4.5软件提取样本高光谱图像中感兴趣区域(ROI)的平均光谱, 同时利用灰度共生矩阵法(GLCM)对前三个主成分图像的纹理信息进行提取。 原始光谱信息经过多元散射校正(MSC)等方法预处理后, 利用主成分分析法(PCA)、 竞争性自适应重加权算法(CARS)、 连续投影算法 (SPA)和CARS-SPA对光谱进行降维和变量筛选。 最后基于光谱信息、 图像信息以及融合光谱-图像信息分别结合反向传播神经网络(BPANN)、 线性判别分析(LDA)、 极限学习机(ELM)和随机森林(RF)建立冰鲜与冻融三文鱼鉴别模型。 结果显示基于MSC预处理光谱的CARS-ELM模型对冰鲜与冻融三文鱼识别效果最佳, 其校正集和预测集的识别率分别为100.00%和95.00%。 此外, 在对三文鱼的冻融次数鉴别研究中, 基于MSC预处理光谱建立的CARS-ELM模型对三文鱼冻融次数识别效果最佳, 其校正集和预测集的识别率分别为97.50%和91.67%。 研究结果表明, 基于高光谱成像技术能够对冰鲜与冻融三文鱼进行快速鉴别。