1 石河子大学机械电气工程学院, 新疆 石河子 832003
4 农业部食品质量监督检验测试中心(石河子), 新疆 石河子 832000
针对哈密瓜表面农药残留化学检测方法成本高且具有破坏性等问题, 探索了可见-近红外(Vis-NIR)光谱技术对农药残留定性判别的可行性。 以哈密瓜为载体, 百菌清和吡虫啉农药为研究对象, 采集哈密瓜表面无残留、 百菌清和吡虫啉残留的可见-近红外漫反射光谱, 利用格拉姆角场(GAF)将一维光谱数据转换为二维彩色图像, 构建GAF图像数据集。 设计一种包含Inception结构的多尺度卷积神经网络模型用于哈密瓜表面农药残留种类判别, 包括1层输入层、 3层卷积层、 1层融合层、 1层平坦层、 2层全连接层和1层输出层。 模型测试混淆矩阵结果表明, 格拉姆角差场(GADF)变换对哈密瓜表面农药残留的可见-近红外光谱表达能力较强。 此外, 构建AlexNet、 VGG-16卷积神经网络(CNN)模型和支持向量机(SVM)、 极限学习机(ELM)机器学习模型与提出的多尺度CNN模型进行性能对比。 结果表明, 3种CNN模型对哈密瓜表面有无农药残留的判别效果较好, 综合判别准确率均高于SVM和ELM模型。 对比3种CNN模型性能, 多尺度CNN模型的性能最佳, 训练耗时为14 s, 综合判别准确率为98.33%。 多尺度CNN模型结构利用多种小尺寸滤波器组合(1×1, 3×3和5×5)和并行卷积模块, 能够捕获不同层次和尺度的特征, 通过级联融合模式进行深度特征融合, 提高了模型的特征提取能力。 与传统深度CNN模型相比, 在保证计算复杂度不变的情况下, 多尺度CNN模型的精度得到了有效提高。 实验结果表明, GADF变换结合多尺度CNN模型可以有效进行光谱数据解析, 利用可见-近红外光谱技术可以实现哈密瓜表面农药残留的定性判别。 研究结果为大型瓜果表面农药残留的快速无损检测技术的研发提供了理论参考。
哈密瓜 格拉姆角场变换 可见-近红外光谱 多尺度卷积神经网络 农药残留判别 Hami melon Gramian angular fields transformation Visible/near infrared spectroscopy Multi-scale convolutional neural network Pesticide residue discriminant 光谱学与光谱分析
2021, 41(12): 3701
1 石河子大学食品学院, 新疆 石河子 832003
2 新疆植物药资源利用教育部重点实验室, 新疆 石河子 832003
3 石河子大学机械电气工程学院, 新疆 石河子 832003
葡萄营养物质丰富且具有食疗功效, 是消费者青睐的水果之一。 葡萄在生长、 采摘和贮藏过程中易受到损害而品质下降, 从而严重影响消费者的购买欲望和葡萄的销售价格, 因此检测葡萄品质对于提高葡萄商业价值具有至关重要的作用。 传统的检测方法具有破坏样品、 耗时耗力、 成本高等缺点, 而以机器视觉技术、 近红外光谱技术和高光谱成像技术为主要检测手段的无损检测方法, 因其无损、 快速、 准确的优势而发展迅速, 形成了比较完善的方法体系, 目前在葡萄内外部品质检测中得到广泛的应用。 综述了利用机器视觉、 近红外光谱和高光谱成像技术对葡萄外部品质（果粒大小、 表面颜色和果穗尺寸）和内部品质（品种、 糖度、 可滴定酸、 花色苷、 总酚、 病害和农药残留等）的国内外最新研究进展, 总结分析了其在葡萄品质检测中存在的问题, 并对葡萄品质无损检测研究方向作了展望, 为葡萄品质无损检测技术的发展和相关研究人员的研究工作提供参考。
葡萄 品质 无损检测 研究进展 Grape Quality Non-destructive detection Research progress 光谱学与光谱分析
2020, 40(9): 2713
1 石河子大学机械电气工程学院, 新疆 石河子 832003
2 农业部西北农业装备重点实验室, 新疆 石河子 832003
西甜瓜(西瓜和甜瓜)味甘多汁, 营养丰富, 其内部品质的检测对其生产和流通具有重要意义。 西甜瓜内部品质的传统检测方法检测时间长, 成本高且为有损检测, 不能满足现代生产的需要。 随着光谱分析技术的快速发展, 应用近红外光谱分析和高光谱成像进行西甜瓜内部品质的无损检测已成为研究热点。 为跟踪国内外最新研究进展并分析研究现状, 介绍了近红外光谱分析和高光谱成像的技术特点和系统组成, 归纳了光谱信息预处理、 变量筛选、 模型建立和模型评价等光谱信息解析方法, 综述了近红外光谱分析和高光谱成像在西甜瓜内部品质(可溶性固形物含量、 坚实度、 总酸含量、 成熟度、 水分等)无损检测中的应用, 并从技术难点和实际应用两方面讨论了光谱分析技术在西甜瓜内部品质无损检测中的发展趋势, 指出利用深度学习进行光谱信息解析、 建立多特征信息融合的综合评价模型、 开发基于人工智能与移动终端深度融合的快速无损检测系统等将成为新的研究方向。
西甜瓜 内部品质 近红外光谱分析技术 高光谱成像技术 无损检测 综述 Watermelon and muskmelon Internal quality Near-infrared spectroscopy Hyperspectral imaging Non-destructive detection Review 光谱学与光谱分析
2020, 40(7): 2035
1 石河子大学机械电气工程学院, 新疆 石河子 832003
2 农业农村部西北农业装备重点实验室, 新疆 石河子 832003
3 石河子大学食品学院, 新疆 石河子 832003
水分含量是哈密大枣干制过程中的重要指标, 对其外观、 口感、 贮藏和运输具有重要的影响。 因此, 为实现哈密大枣水分含量的准确预测, 采用近红外光谱结合变量优选方法, 建立干制哈密大枣水分含量的GA-ELM预测模型。 为提高模型的稳定性和预测精度, 开展并讨论了核函数和神经元个数对GA-ELM预测模型的影响。 采用多种预处理方法对全波段光谱进行处理, 对比分析发现标准正态变换方法（SNV）效果最佳。 对标准正态变换处理后的光谱利用连续投影算法（SPA）、 联合区间偏最小二乘（si-PLS）和遗传算法（GA）及其组合算法分别从全波段927.77~2 501.14 nm范围内筛选特征波长, 并建立对应GA-ELM预测模型, 同时与全波段的GA-ELM模型效果相比较, 采用SNV+SPA筛选的14个特征波长建立的GA-ELM模型效果最佳, 预测结果Rc和Rp分别为0.984 2和0.967 5, RMSEC和RMSEP分别为0.006 1和0.007 9, RPD为3.678 8。 研究结果表明： SNV+SPA+GA-ELM方法可实现干制哈密大枣水分含量的准确预测, 为近红外光谱技术应用于干制哈密大枣在线检测提供了参考。
近红外光谱 哈密大枣 水分含量 特征波长 极限学习机（ELM） Near infrared spectroscopy Hami big jujubes Water content Characteristic wavelengths Extreme learning machine
1 石河子大学食品学院, 新疆 石河子 832000
2 石河子大学机械电气工程学院, 新疆 石河子 832000
3 中国农业大学工学院, 北京 100083
可溶性固形物含量(SSC)和硬度是哈密瓜划分等级的重要指标, 同时也是其成熟度的表征因子。 因此, 为满足哈密瓜自动化分级和适宜采摘, 采用高光谱技术结合特征波长筛选的方法, 同时对哈密瓜的可溶性固形物含量、 硬度及成熟度进行了无损检测研究。 对多元散射校正(MSC)处理后的光谱分别利用连续投影算法(SPA)、 竞争性自适应重加权算法(CARS)和CARS-SPA方法筛选了哈密瓜可溶性固形物和硬度的特征波长, 并将原始光谱、 MSC预处理后的光谱和所筛选的特征波长作为输入变量分别建立哈密瓜可溶性固形物和硬度的支持向量机(SVM)预测模型及成熟度判别模型。 结果显示, MSC-CARS-SPA方法所建立的可溶性固形物和硬度SVM预测模型最优, 其Rpre, RMSEP和RPD分别为0940 4, 0402 7, 294 1和0825 3, 3522, 1771。 同时对哈密瓜成熟度进行了判别分析, 并分别建立了基于全光谱、 单一的可溶性固形物或硬度特征波长和主成分分析(PCA)特征融合的哈密瓜成熟度SVM判别模型。 结果显示, CARS-PCA-SVM模型的判别结果与全光谱SNV-SVM模型相同, 其校正集和预测集判别正确率分别为95%和94%。 研究表明, 利用高光谱技术结合特征波长筛选方法可实现同时对哈密瓜可溶性固形物和硬度的定量预测及成熟度判别。
高光谱 哈密瓜 可溶性固形物 硬度 成熟度 特征波长 判别分析 Hyperspectral imaging technology Hami melon Soluble solids content Firmness Maturity Characteristic wavelengths Discriminant analysis 光谱学与光谱分析
2017, 37(7): 2184
1 石河子大学机械电气工程学院, 新疆 石河子 832003
2 石河子大学食品学院, 新疆 石河子 832003
波段筛选方法的选取以及随后的光谱特征波段的提取对高光谱模型效果的影响较大。 为了快速准确检测羊肉的pH值, 开展并讨论了利用两种特征波段筛选方法对羊肉pH值高光谱模型的影响研究。 本研究采用二阶导数(2D)、 多元散射校正(MSC)和中心化处理(mean-centering)相结合的方法对所提取纯肌肉部分的代表性光谱进行预处理, 利用联合区间偏最小二乘(siPLS)和联合区间偏最小二乘结合遗传算法(siPLS-GA)对全波段473～1000 nm范围光谱进行特征波段的提取, 并分别建立相对应特征波段范围羊肉pH的PLS预测模型, 同时与全波段的PLS模型效果相比较。 结果表明采用siPLS-GA提取的特征波长建立的PLS模型效果最优, 其选取的特征波长点数为56, 校正集相关系数(Rcal)和均方根误差(RMSEC)分别为0.96和0.043, 预测集相关系数(RP)和均方根误差(RMSEP)分别为0.96和0.048。 siPLS-GA方法既能够减少建模使用的光谱变量, 又可以提高模型精度, 因此利用高光谱图像技术结合siPLS-GA可以实现羊肉pH的特征波段筛选和快速准确检测。
高光谱图像 羊肉pH 特征波段 联合区间偏最小二乘(siPLS) 遗传算法(GA) Hyperspectral imaging(HSI) Lamb pH Characteristic bands Synergy interval partial least square(siPLS) Genetic algorithm(GA) 光谱学与光谱分析
2016, 36(9): 2925
石河子大学机械电气工程学院, 新疆 石河子 832003
感兴趣区域(regions of interest, ROIs)的选择及其光谱提取是高光谱图像无损检测分析的关键一步。 为快速准确检测羊肉pH, 在473～1 000 nm波段, 开展了两种不同提取ROIs方法对羊肉pH高光谱检测模型的影响研究。 采用“矩形区域法”和“图像分割法”两种ROIs方法分别获得相应的122条羊肉光谱, 对比了不同预处理方法对建模效果的影响, 并比较了两种ROIs方法下逐步多元线性回归(SMLR)、 主成分回归(PCR)和偏最小二乘回归(PLSR)的模型精度。 结果表明, 提取光谱数据建模中SMLR和PLSR模型效果分别最优。 “矩形区域法”提取ROIs对应的SMLR模型校正集的相关系数(Rcal)和均方根误差(RMSEC)分别为0.85和0.085, 预测集的相关系数(Rp)和均方根误差(RMSEP)分别为0.82和0.097。 “图像分割法”提取ROIs对应的PLSR模型校正集的Rcal和RMSEC分别为0.95和0.050, 预测集的Rp和RMSEP分别为0.91和0.071。 其次通过比较“矩形区域法”和PCR, SMLR和PLSR三个模型中, “图像分割法”提取的ROIs光谱数据建模效果较优。 表明, 应用高光谱图像技术结合“图像分割法”提取ROIs快速无损准确检测羊肉pH具有可行性。
高光谱图像 感兴趣区域(ROIs) 羊肉 快速无损检测 Hyperspectral imaging (HSI) Regions of interest (ROIs) Mutton pH pH Fast and non-destructive detection 光谱学与光谱分析
2016, 36(4): 1145
1 石河子大学机械电气工程学院, 新疆 石河子 832003
2 石河子大学食品学院, 新疆 石河子 832003
挥发性盐基氮（TVB-N）通常被作为评价羊肉新鲜度的理化参考指标。为了揭示高光谱图像技术（HSI）快速检测羊肉新鲜度的可行性, 采集了71个新鲜度具有代表性的羊肉样品的漫反射高光谱图像（400～1 000 nm）, 并利用半微量定氮法测定了其挥发性盐基氮（TVB-N）的化学值。 选择感兴趣区域（ROIs）提取样品的代表性光谱, 采用含量梯度法划分校正集和预测集, 比较不同的光谱预处理方法, 比较逐步多元线性回归（SMLR）、 偏最小二乘（PLSR）和主成分分析（PCR）建模方法, 建立并验证了TVB-N的校正模型。结果表明, 利用多元散射校正（MSC）、 一阶导数、 Savitzky-Golay（S-G）平滑及中心化处理结合的预处理方法, PLSR和PCR模型都可以实现对羊肉TVB-N的定量检测。对于建立的PLSR模型, 采用的预处理方法为MSC、 15点2次S-G平滑、 1阶导数和中心化相结合的方法, 选择的潜变量因子数为11, 获得的校正集的相关系数（R）和校正均方根误差（RMSEC）分别为0.92和3.00 mg·(100 g)-1, 预测集的相关系数（r）、 预测均方根误差（RMSEP）和相对分析误差（RPD）分别为0.92, 3.46 mg·(100 g)-1和2.35。研究表明, 高光谱图像技术可用于准确快速地检测分析羊肉中新鲜度关键指标TVB-N的含量。该研究为采用高光谱图像技术进一步分析羊肉新鲜度其他指标、 改善TVB-N的建模效果及在实际生产中应用该技术提供了基础。
羊肉品质 挥发性盐基氮 高光谱图像 快速无损检测 Mutton quality Total volatile basic nitrogen (TVB-N) Hyperspectral imaging (HSI) Rapid and non-destructive detection
1 石河子大学机械电气工程学院
2 石河子大学新疆兵团农业机械重点实验室，新疆 石河子 832003
提出利用高光谱对哈密瓜坚实度进行检测的方法，对比分析了不同波段范围、不同预处理法、不同光程校正法和不同定量校正算法对哈密瓜坚实度预测模型准确度的影响.实验结果表明，在500~820 nm波段光谱区域，采用偏最小二乘法对经过标准正则变换校正的一阶微分处理的光谱建模效果较优，其校正集相关系数为0.873，校正均方根误差为4.18N，预测集相关系数为0.646，预测均方根误差为6.40N.研究表明，应用高光谱对哈密瓜坚实度的无损检测研究具有可行性.
光谱学 高光谱成像技术 无损检测 偏最小二乘法 坚实度 哈密瓜 Spectroscopy Hyperspectral imaging technique Nondestructive detection Partial least square Firmness Hami melon
1 石河子大学机械电气工程学院, 新疆 石河子832003
2 新疆兵团农业机械重点实验室, 新疆 石河子832003
利用高光谱成像系统获得网纹类哈密瓜糖度漫反射光谱信息, 选择有效波段500～820 nm进行哈密瓜糖度检测建模回归分析。 对比了多元散射信号修正和标准正则变换校正方法, 原始光谱、 一阶微分、 二阶微分光谱预处理方法对建模精度的影响; 采用偏最小二乘法、 逐步多元线性回归和主成分回归方法对比分析了带皮哈密瓜和去皮哈密瓜糖度检测模型效果。 结果表明, 对原始光谱经过MSC和一阶微分光谱处理后, 采用PLS和SMLR方法均可取得很好的建模效果, 应用PLS法检测带皮哈密瓜糖度是可行的, 其校正集相关系数（Rc）为0.861, RMSEC为0.627, 预测集相关系数（Rp）为0.706, RMSEP为0.873; 应用SMLR法检测去皮哈密瓜糖度效果最佳, 校正集相关系数(Rc)为0.928, RMSEC为0.458, 预测集相关系数(Rp)为0.818, RMSEP为0.727。 研究表明, 应用高光谱成像技术检测哈密瓜糖度具有可行性。
高光谱成像 漫反射 哈密瓜 糖度 无损检测 Hyperspectral imaging Diffuse reflection Sugar content Hami melon Nondestructive detecting 光谱学与光谱分析
2012, 32(11): 3093
