可溶性固形物含量(SSC)是评价西瓜果肉品质优劣的关键指标。 西瓜SSC在线检测模型的建立, 可以实现西瓜品质按其SSC进行在线分级, 满足不同人群需求, 提高市场竞争力。 以160个京美2K西瓜为研究对象, 通过实验室自主研发的在线检测设备, 采集了西瓜两种姿态的可见近红外全透射光谱数据, 分别与西瓜不同部位SSC建立偏最小二乘回归(PLSR)预测模型, 探究西瓜SSC在线检测的最佳姿态和检测部位。 首先, 分别定义西瓜不同部位SSC测量值为瓜蒂糖、 中心糖、 瓜脐糖和整果糖, 在线检测的两种姿态分别定义为T1姿态和T2姿态。 其次对比西瓜不同部位SSC, 探讨西瓜SSC评价标准。 然后去除光谱透射强度值较低且频率较高, 包含大量噪声和无用信息的光谱数据, 最终选取波长范围(671~1 116 nm)的光谱进行分析。 采用卷积平滑(SGS)算法分别与多元散射校正(MSC)、 单位矢量归一化(UVN)和标准正态变量变换(SNV)这3种算法相结合对两种姿态下的光谱数据进行预处理, 随后对应西瓜不同部位SSC分别建立预测模型。 通过对比不同模型的预测结果发现: 使用SGS和MSC组合对T1姿态采集的光谱数据预处理效果最好, 而对于T2姿态的光谱数据使用SGS与UVN结合预处理效果最好; T1姿态明显比T2姿态的光谱数据所建模型的预测效果好; 对西瓜瓜蒂糖和整果糖的预测结果较好, 瓜脐糖次之, 中心糖最差。 最后采用竞争性自适应重加权算法(CARS)分别对预测瓜蒂糖和整果糖的模型进行优化。 其中, 共挑选出81个波长点用于建立预测瓜蒂糖模型, 106个波长点用于建立预测整果糖模型, 两模型的预测集相关系数分别为0.881 0和0.875 8, 均方根误差分别为0.866 7%和0.758 9%, 不仅模型得到了简化, 还提高了模型的预测精度。 研究结果表明, 西瓜不同姿态和对不同部位SSC预测的差异, 会影响西瓜SSC在线检测和品质评价分级结果, 应根据用户的实际需求进行模型选取和优化; 为此, 提出了糖度评价指数, 为进一步开发西瓜SSC在线检测设备提供了技术支撑。

高光谱成像技术不仅可以获得样品的图像信息, 每个像素点还包含了光谱信息, 因其信息量丰富的特点已在食品安全检测方面得到了应用。 该研究应用近红外高光谱成像技术检测面粉中偶氮甲酰胺。 分别采集纯偶氮甲酰胺、 纯面粉和面粉中10种不同浓度偶氮甲酰胺混合样品的高光谱图像。 通过比较纯偶氮甲酰胺和纯面粉的平均漫发射光谱, 找到两者区分度较大的4个吸收波段: 1 574.38, 2 038.55, 2 166.88和2 269.91 nm。 采用二阶导数对样品图像中的像素点光谱进行预处理, 通过光谱角制图、 光谱相关角和光谱相关性度量三种光谱相似性分析方法对混合样品中的偶氮甲酰胺像素和面粉像素进行检测。 结果表明, 预处理后的平均光谱不能有效检测面粉中偶氮甲酰胺; 单像素点光谱结合光谱相似性分析实现了混合样品中偶氮甲酰胺像素和面粉像素的分类; 分类结果的验证显示了偶氮甲酰胺像素和面粉像素的正确分类。 研究结果为利用高光谱技术检测面粉中添加剂提供了方法支持, 为食品中掺杂物的检测提供参考。

拉曼高光谱成像技术不仅可以获取样本的空间分布信息, 图像上每个像素点还包括了完整的光谱信息, 因其信息量丰富的特点已在食品安全检测方面得到了应用。 本研究探索拉曼高光谱成像系统中光在奶粉层中的穿透深度, 以及采集参数和奶粉类型对穿透深度的影响。 实验选取均匀奶粉层样品放置于厚度为5 mm的三聚氰胺样本之上, 检测奶粉层厚度为0.8～4.0 mm时的三聚氰胺特征峰强度, 以此评估光在奶粉层中的穿透性和信号衰减情况。 结果显示当奶粉层厚度一定时, 随着激光功率变大, 拉曼特征峰值随之增加, 此外更长的曝光时间也可以使拉曼信号得到增强。 在激光功率不小于2 W且曝光时间不小于500 ms时, 光在全脂奶粉层的穿透深度可达4 mm。 奶粉层厚度在0.8～4.0 mm范围内, 穿透奶粉层的拉曼信号随着奶粉层厚度增加呈指数式衰减。 在激光功率为8 W、 曝光时间为1 000 ms的条件下, 光在全脂、 低脂和脱脂奶粉层的穿透深度均达到了4 mm。 在相同测量厚度下, 通过脱脂奶粉层接收的拉曼信号弱于通过全脂和低脂奶粉层接收的拉曼信号强度。 研究结果为拉曼高光谱检测中奶粉样品的前处理提供了有益参考。

通过波段比和阈值相结合的方法, 分别提取了玉米籽粒全表面结构和胚结构区域的1 000～2 500 nm近红外高光谱信息, 研究了玉米籽粒水分含量与胚结构区域光谱关系, 同时采用竞争性自适应重加权变量选择算法(CARS)、 遗传算法(GA) 、 连续投影算法(SPA)筛选特征波段, 建立并比较偏最小二乘回归(PLS)模型对水分含量的预测效果。 结果显示, 玉米籽粒水分含量与胚结构区域光谱关系显著, 随着水分含量的增加, 光谱反射值逐渐降低。 预测模型结果表明, 基于玉米籽粒胚结构区域光谱信息所建立的CARS-PLS, GA-PLS和SPA-PLS回归模型预测相关系数Rp分别为0.931 2, 0.917 6和0.922 7, 预测均方根误差(RMSEP)分别为0.315 3, 0.336 9和0.336 6, 所选取的特征波段数量分别为9, 14和6, 较基于全表面光谱信息所建模型的特征波段数量分别少了49, 12和24个, 且预测效果与采用全表面光谱信息无显著差别, SPA-PLS算法为基于玉米籽粒胚结构光谱信息的水分含量预测最高效模型。 提取胚结构区域所用光谱波段为1 197, 1 322和1 495 nm, 建立SPA-PLS回归模型所用特征波段为1 322, 1 342, 1 367, 1 949, 2 070和2 496 nm。 研究结果表明, 采用近红外高光谱技术进行玉米籽粒水分含量无损检测时, 提取玉米籽粒胚结构的图谱信息较全表面光谱信息更高效。

西瓜可溶性固形物含量的无损检测对提升其内部品质十分重要。 为实现近红外光谱对小型西瓜表面各部位可溶性固形物含量的准确预测, 减小检测部位差异对预测模型的影响, 　以“京秀”西瓜为研究对象, 分别采集赤道、 瓜脐和瓜梗三部位的漫透射光谱信息, 利用偏最小二乘算法(PLS)建立并比较单一检测部位和混合所有检测部位的西瓜可溶性固形物近红外光谱预测模型, 并分别采用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)对西瓜可溶性固形物近红外光谱变量进行特征波长筛选。 结果显示, 相比于单一检测部位的模型, 混合所有检测部位的校正集样本建立的模型取得了较优的预测结果。 同时, 利用CARS算法筛选的42个特征波长变量建模, 对三种检测部位预测集样本的预测结果分别为赤道RP=0.892和RMSEP= 0.684 °Brix, 瓜脐RP=0.905和RMSEP= 0.629 °Brix, 瓜梗RP=0.899和RMSEP= 0.721 °Brix。 模型得到了很大的简化, 且预测精度较高。 比较发现, 利用SPA算法筛选的19个特征波长变量所建模型的预测精度较低。 利用三种检测部位的西瓜样本建立的PLS混合预测模型, 结合CARS算法进行有效特征波长变量筛选, 可提高西瓜可溶性固形物预测模型的精度, 实现西瓜表面各部位可溶性固形物含量的准确预测, 减小检测部位差异对近红外光谱预测模型的影响。 结果为今后开发便携式设备检测西瓜表面各部位可溶性固形含量提供参考依据。

为实现玉米种子含水率(MC)的精确、快速、无损检测, 消除种子放置方式(胚部朝上/下)的影响, 基于高光谱成像和图像处理技术, 结合变量筛选法, 针对玉米种子正反面放置的不同分别建立对应的MC预测模型。分别采集种子正、反两面高光谱图像, 提取质心区域光谱数据, 采用竞争性自适应重加权变量选择算法筛选特征波段, 建立对应的MC预测模型。对比图像不同部位光谱曲线变化趋势, 挑选4个特征波段(1104, 1304, 1454, 1751 nm)进行波段运算获取种子正、反面信息及质心位置。依据正、反面检测结果, 自主选择对应的MC预测模型对45个验证集样本进行含水率检测。结果表明, 使用波段运算正、反面识别率分别为97.8%、100%; 正、反两面验证集相关系数分别为0.969, 0.946, 均方根误差分别为0.464%, 0.616%。该研究为使用多光谱成像技术实现玉米种子MC的快速无损自动化检测奠定基础。

采用光谱技术对水果进行定量或定性分析, 如何获得一个简单、有效的校正模型对后续模型的应用和维护都非常关键。以草莓内部品质近红外光谱预测为例, 从关键变量和特征样本优选两方面进行研究。采用竞争性自适应重加权CARS算法对光谱变量进行初次选择, 随后采用连续投影算法SPA对校正集样本进行优选, 获得98个特征样本, 针对优选后的变量/样本子集利用SPA算法作二次关键变量提取, 获得25个关键变量。为了验证CARS算法的性能, 蒙特卡罗无信息变量消除MC-UVE和连续投影算法SPA用于比较研究。CARS算法在消除无信息变量的同时可以对共线性信息进行去除。同样, 为了评估SPA算法在特征样本选择中的性能, 经典的Kennard-Stone算法也用于比较分析。SPA算法能够用于校正集特征样本的优选。针对最终优选后的变量/样本(25/98)子集建立PLS和MLR模型对草莓内部可溶性固形物含量SSC含量进行定量预测。结果表明, 两个模型利用原始变量/样本的0.59%/65.33%的信息均能够获得比基于原始变量/样本所建模型更好的性能, 且MLR模型比PLS模型性能略优, r2pre, RMSEP和RPD分别为0.909 7, 0.348 4和3.327 8。

水果和蔬菜的品质与安全是消费者最为关心的问题。 传统的化学检测方法是一种费时费力的破坏性检测技术。 随着成像和光谱技术的快速发展, 高光谱成像技术已经广泛应用于农产品品质与安全的快速无损检测中。 高光谱成像技术融合了传统的成像和光谱技术的优点, 可以同时获取被检测物体的空间信息和光谱信息, 因此该技术既可以像检测物体的外部品质, 又可以像光谱技术一样检测物体的内部品质和品质安全。 目前, 已经有大量的基于高光谱成像技术检测水果和蔬菜品质与安全的研究性论文发表, 为了深入了解高光谱成像技术的检测原理并跟踪国内外最新的研究进展, 综述了高光谱成像技术在水果和蔬菜外部品质、 内部品质和品质安全检测中的原理、 发展和应用。 另外, 还简要介绍和讨论了高光谱成像系统的构成、 常用的数据分析方法、 发展趋势及面临的挑战。