新鲜度是反映鱼类品质以及可否食用的重要指标, 在线检测直接关系到食品质量与安全的实施应用, 因此对淡水鱼新鲜度进行在线无损检测具有重要意义。 应用近红外光谱对淡水鱼新鲜度进行在线检测, 试验装置采用自行搭建的淡水鱼近红外光谱在线采集装置, 试验时样品在输送链上以0.5 m·s-1的速度运动, 采集其近红外漫反射光谱(900～2 500 nm), 并用支持向量机(support vector machine, SVM)建立淡水鱼新鲜度在线检测模型。 采用光谱理化值共生距离(sample set partitioning based on joint X-Y distance algorithm, SPXY)算法对样本集进行划分, 其中校正集111条(新鲜57条, 变质54条)、 测试集37条(新鲜19条, 变质18条), 通过对比不同的光谱预处理方法对预测结果的影响, 明确了一阶导结合标准化预处理为最优光谱预处理方法, 经过该方法预处理后所建模型对校正集的正确识别率为97.96%, 对测试集的识别率为95.92%。 为了提高模型运行速度对建模所用光谱变量进行优化, 分别采用遗传算法(genetic algorithm, GA)、 连续投影算法(successive projection algorithm, SPA)和竞争性自适应重加权算法(competitive adaptive reweighed sampling algorithm, CARS) 三种不同的特征变量选择方法对特征波长进行筛选, 通过建模比较分析确定CARS为最优波长选择方法, 以所选的10个特征波长建立淡水鱼新鲜度支持向量机检测模型, 模型对校正集的正确识别率为100%, 对测试集的识别率为93.88%。 该研究可为近红外光谱用于淡水鱼新鲜度在线检测提供技术支持。

针对马铃薯损伤部位随机放置会影响检测精度的问题, 提出从正对相机、 背对相机及侧对相机三个方向, 应用透射和反射高光谱成像技术采集马铃薯图像, 进行透射和反射高光谱成像的马铃薯损伤检测比较研究。 对透射和反射高光谱图像进行独立成分(IC)分析和特征提取, 利用所得特征对反射图像进行二次IC分析, 对透射和反射光谱进行变量选择, 最终分别建立基于反射图像、 反射光谱、 透射光谱的马铃薯损伤定性识别模型; 对识别准确率高的模型做进一步优化, 采用子窗口排列分析(SPA)算法对透射光谱的特征做二次选择得到3个光谱变量, 并建立任意放置的马铃薯损伤识别最优模型。 试验结果表明, 基于反射图像、 反射光谱建立的模型识别准确率较低, 其中基于反射图像的马铃薯碰伤, 侧对相机识别准确率最低为43.10%; 基于透射光谱信息建立的模型识别准确率较高, 损伤部位正对、 背对相机的识别准确率均为100%, 侧对相机为99.53%; 马铃薯损伤识别最优模型对任意放置的损伤识别准确率为97.39%。 应用透射高光谱成像技术可以检测任意放置方向下的马铃薯损伤, 该研究可为马铃薯综合品质的在线检测提供技术支持。