粉体的密度作为一项很重要的物性参数,对粉体的流动性能有决定性作用,研究粉体的密度,对粉体加工、包装、输送、存储等具有重要意义。以小麦面粉作为实验对象,采用高光谱散射技术,结合高光谱散射图像特征提取方法中的矩方法,探索了面粉堆密度快速无损的检测方案。实验共采集了474个面粉样本在500~1000 nm范围内的高光谱散射图像,先对图像进行前期预处理,以消除图像噪声,并提取了散射图像的零阶矩特征和一阶矩特征;然后分别利用零阶矩特征、一阶矩特征,及零阶一阶联合特征建立了面粉堆密度的偏最小二乘预测模型。结果表明:相对于单一的零阶矩特征或一阶矩特征,联合特征获得了最好的建模结果;联合特征的预测相关系数RP为0.968,剩余预测偏差为3.95;矩方法可以有效提取高光谱散射图像特征,并可应用于粉体堆密度的高精度无损检测。

粉质化是影响苹果等级的重要口感参数。 采用高光谱散射图像进行了苹果粉质化的无损检测研究。 利用奇异值分解方法对样本600～1 000 nm共81个波长20 mm范围内的散射图像进行奇异值分解, 将获得的奇异值作为粉质化表征参数, 结合偏微分最小二乘判别分析建立苹果粉质化分类模型。 结果显示, 对不同产地和不同储藏条件下的样本, 其两分类模型(粉质化和非粉质化)的分类精度为76.1%～80.6%, 优于平均值特征提取方法(75.3%～76.5%)。 分析表明, 奇异值分解可以有效地提取高光谱散射图像的特征, 用此特征建立粉质化分类模型可以区分粉质化和非粉质化的苹果, 但分类精度有待于进一步提高。