1 河北农业大学食品科技学院， 河北 保定 071000
2 河北农业大学园艺学院， 河北 保定 071000
鸭梨黑斑病在感染早期阶段引起感染区域外观的变化很微小， 肉眼难以观察， 因此对其早期识别仍然是困难的。 结合高光谱成像技术和Stacking集成学习算法， 实现了鸭梨黑斑病的潜育期识别检测。 首先， 获取健康和不同腐败程度黑斑病鸭梨样品的原始高光谱图像， 基于图像选取感兴趣区域（ROI）， 然后对提取的平均光谱数据进行一阶导数（FD）、 二阶导数（SD）、 标准正态变量变换（SNVT）及组合SNV-FD和SNV-SD预处理后， 采用竞争性自适应权重取样法（CARS）提取特征波长的光谱信息。 最后基于筛选出的特征信息分别建立最小二乘支持向量机（LS-SVM）、 K最邻近法（KNN）、 随机森林（RF）和线性判别分析（LDA）分类模型。 其中， 预测效果最好的组合为SNV-FD-LSSVM, SNV-KNN和SNV-FD-RF， 准确率分别达到94%， 88%和88%。 四种算法建立的模型中， 测试集准确率不低于85.00%的个数分别为5、 3、 2和0， 因此优选出LS-SVM、 KNN和RF三个分类器用于后续的集成学习。 为提高模型准确率， 以优选出的LS-SVM、 KNN和RF三种模型作为基分类器构建Stacking学习框架， 并与单一分类器建模结果进行对比分析。 结果表明， 集成学习模型的总体识别正确率达到了98.68%， 较单一分类器模型提高了4.64%， 且对潜育期样品的识别率提高了11%。 证实了高光谱成像结合集成学习方法识别潜育期黑斑病鸭梨样品可行; 集成模型显著提高了单一模型的准确性; 为鸭梨黑斑病早期检测和病害分级提供一种新的方法， 同时为深入研究集成学习算法在光谱定性中的应用奠定了一定基础。
高光谱成像技术 鸭梨黑斑病 Stacking集成模型 潜育期 基模型 Hyperspectral imaging technology Black spot of pear Stacking integrated model Gley period The base model 光谱学与光谱分析
2023, 43(5): 1541
河南科技大学食品与生物工程学院, 河南 洛阳 471023
利用高光谱成像技术(HSI)采集了300个不同贮藏时间的番茄高光谱图像, 在所界定的有效波段中提取特征波长的基础上, 构建了番茄贮藏过程中品质变化的马氏距离监测模型, 实现了番茄贮藏过程中的品质变化监测。 首先, 采用多元散射校正(MSC)结合Savizky-Golay卷积平滑(SG)方法对高光谱原始数据进行了预处理, 以消除基线漂移及噪声信号等影响。 其次, 基于光谱曲线在不同波段范围的变化趋势, 并结合全波段下Wilks Λ最小值对应主成分在各个波长下的权重系数定义了可凸显番茄贮藏过程中品质变化的有效波段。 随后, 分别在全波段和有效波段采用连续投影算法(SPA)、 竞争性自适应加权算法(CARS)和Wilks Λ统计量融合主成分分析3种筛选特征波长的方法进行特征波长的提取, 通过对比分析3种方法提取的特征波长数量, 指出了基于 Wilks Λ统计量融合主成分分析可以有效降低数据维度, 简化运算过程。 接着对基于 Wilks Λ统计量融合主成分分析在全波段和有效波段筛选出的主成分进行分析, 指出了在有效波段基于Wilks Λ统计量融合主成分分析进行特征波长的提取可以很好地避免冗余信息对有效信息的掩盖作用, 还可以进一步降低数据维度。 最后, 对分别以贮藏第1日和番茄腐败临界日为监测基准日构建番茄贮藏过程中品质变化的马氏距离监测模型的优缺点进行了分析, 指出以贮藏第1日为监测基准日构建的模型更具有有效性和可靠性。 研究结果表明: 基于Wilks Λ统计量融合主成分分析提取的特征波长个数为最少(5个), 且筛选出的主成分能够有效地表征番茄贮藏过程中品质变化的差异性。 为利用高光谱成像技术监测番茄贮藏过程中的品质变化提供了一种有效的特征波长提取方法。
高光谱成像技术 特征波长提取 Wilks Λ统计量 贮藏 番茄 马氏距离 Hyperspectral imaging technology Feature wavelength extraction Wilks Λ statistic Storage Tomato Mahalanobis distance
江苏大学食品与生物工程学院, 江苏 镇江 212013
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。
人造肉 低色度差异物 高光谱成像技术 模式识别 分布可视化 Soy protein meat Low chromaticity difference foreign matter Hyperspectral imaging technology Pattern recognition Distribution visualization 光谱学与光谱分析
2022, 42(4): 1299
宁夏大学食品与葡萄酒学院, 宁夏 银川 750021
采用荧光高光谱成像技术对脐橙表面不同浓度毒死蜱和多菌灵进行判别。 实验通过由氙灯光源激发的高光谱成像系统（392～998.2 nm）分别采集浓度为0, 0.5, 1, 2 mg·kg-1的毒死蜱和0, 1, 3, 5 mg·kg-1多菌灵的高光谱图像。 使用ENVI软件获取样本的感兴趣区域（ROI）; 对原始光谱数据采用卷积平滑（SG）、 标准正态标量变换（SNV）及一阶导数（FD）方法进行预处理; 采用区间变量迭代空间收缩法（iVISSA）、 无信息变量消除算法（UVE）和竞争性自适应加权算法（CARS）进行一次提取特征波长, 二维相关光谱（2D-COS）方法进行二次提取特征波长。 最后采用主成分分析与线性判别分析相结合算法（PCA-LDA）和偏最小二乘算法（PLS-DA）建立基于两次提取特征波长脐橙表面不同浓度毒死蜱和多菌灵残留的判别模型。 将原始光谱数据与经过预处理的3种光谱数据进行建模分析, 结果发现毒死蜱和多菌灵的光谱数据经过SG处理后模型效果最优。 对经SG预处理后的毒死蜱光谱数据和多菌灵光谱数据进行特征波长一次提取, 最佳特征波长分别为iVISSA法和CARS法, 分别提取出26个和30个特征波长; 再采用二维相关光谱（2D-COS）算法对这26个和30个特征波长进行二次提取, 分别得到10个和12个特征波长。 对一次提取特征波长和二次提取特征波长后的光谱数据分别建模。 结果表明, 对于不同浓度的毒死蜱, 基于iVISSA-2D-COS建立的PCA-LDA模型判别效果最佳, 其校正集与预测集判别正确率分别为98.61%和95.83%; 对于不同浓度的多菌灵, 基于CARS-2D-COS建立的PCA-LDA模型判别效果最佳, 其校正集与预测集判别正确率分别为97.22%和95.83%, 均高于全波段光谱数据模型和一次提取特征波长模型判别正确率, 说明2D-COS可以捕捉可用的荧光光谱信息。 该研究采用2D-COS对一次提取最优特征波长进行二次提取后建模, 研究结果为脐橙表面不同浓度农药残留的快速无损判别提供了一定的参考。
荧光高光谱成像技术 毒死蜱和多菌灵 特征波长筛选 二维相关光谱 判别 Fluorescence hyperspectral imaging technology Chlorpyrifos and carbendazim Characteristic wavelength selection Two-dimensional correlation spectroscopy Discrimination 光谱学与光谱分析
2022, 42(12): 3789
1 北京市农林科学院信息技术研究中心, 北京 100097
3 北京交通大学计算机与信息技术学院, 北京 100044
植物病害的自动早期检测对于作物精确保护至关重要。 提出了一种基于多维光谱序列(multi-dimensional spectral series, MDSS)和加权随机森林(weighted random forest, WRF)的番茄灰霉病早期诊断与鉴别方法。 目的是利用叶片多个观测维度的光谱曲线整体变化趋势建立作物病害检测模型, 以期在肉眼明显可见叶面病斑前对作物病害实现诊断。 将健康叶片接种灰霉病菌第3天作为叶片成功染病第1天。 试验首先采集番茄健康叶片和染病叶片7天内每天的高光谱图像, 提取感兴趣区域并计算平均光谱作为初始光谱数据, 经筛选共得到(156×7)组有效样本。 将样本数据按时间顺序拆分成分别包含1~7个维度的光谱数据形成多维原始光谱序列, 为增加维度间差异性, 相邻原始光谱序列相减构成多维关联光谱序列。 分别采用符号聚合近似估计(symbolic aggregate approximation, SAX)和符号傅里叶近似估计(symbolic Fourier approximation, SFA)两种符号化方法将光谱序列离散成局部辨别性特征。 基于多维光谱序列的局部辨别性特征建立加权随机森林(MDSS-SAX-SFA-WRF)分类模型, 实现病害早期检测。 相应地, 基于单维光谱序列(single-dimensional spectral series, SDSS)的番茄灰霉病识别模型被作为基准模型与MDSS-SAX-SFA-WRF模型比较。 试验结果显示, MDSS-SAX-SFA-WRF检测模型在包含2至7个光谱序列维度的56个测试样本数据中均获得90%以上识别准确率, 在包含5个光谱序列维度测试集中得到最高99%的识别准确率, 较SDSS-SAX-SFA-MRF检测模型在染病第5天的识别率高8.2个百分点。 另外受随机干扰的影响, SDSS-SAX-SFA-MRF模型准确率在染病5~7 d出现大幅度回落至最低84%, MDSS-SAX-SFA-WRF模型识别率在肉眼可见病斑阶段依然保持超过98%的较高检测水准, 未过度回落。 因此, 提出的基于多维光谱曲线整体变化趋势和加权随机森林(MDSS-SAX-SFA-WRF)的分类模型能够有效实现番茄灰霉病早期检测, 并具有较强的鲁棒性, 为染病初期的番茄灰霉病鉴别提供新思路。
早期病害识别 高光谱成像技术 番茄灰霉病 随机森林 多维时间序列 Early disease detection Hyperspectral imaging Tomato gray mold Random forest Multi-dimensional times series 光谱学与光谱分析
2022, 42(10): 3226
山东理工大学农业工程与食品科学学院, 山东 淄博 255000
采用近红外高光谱成像技术对大豆水分含量进行快速无损检测, 实现大豆水分含量可视化。 采集了96个不同品种大豆样本在900~2 500 nm的高光谱图像, 采用直接干燥法测量每个大豆样品的水分含量。 利用系统自带的HSI Analyzer软件提取图像感兴趣区域(ROI)的平均光谱信息, 代表样品的光谱信息。 利用SPXY算法划分样品校正集和预测集, 并保留938~2 215 nm波段范围内的光谱数据。 采用移动平滑(moving average)、 S-G平滑、 基线校正(baseline)、 归一化(normalize)、 标准正态变量变换(standard normal variate, SNV)、 多元散射校正(multiple scattering correction, MSC)、 去趋势(detrending)共7种光谱预处理方法, 发现Normalize方法处理后的PLSR模型效果较好。 为了去除光谱冗余信息, 简化预测模型, 采用连续投影算法(SPA)、 竞争性自适应加权算法(CARS)、 无信息消除变量法(UVE)提取特征波长, 其中SPA, CARS和UVE三种算法优选出14, 16和29个波长, 分别占总波长的6.5%, 7.4%和13.4%。 分别对938~2 215 nm波段光谱和特征波长建立预测模型, 并将效果较优的模型与Normalize方法结合。 建立的14种预测模型效果相比较, 发现SPA算法筛选的特征波长建模预测效果较好, 并优选出Normalize-SPA-PCR模型, 模型的和值较高, 分别为0.974 6和0.977 8, RMSEP和RMSECV值较低, 分别为0.238和0.313, 模型的稳定性和预测性较好, 可以对大豆水分含量进行准确预测。 将Normalize-SPA-PCR模型作为大豆水分含量可视化预测模型, 计算高光谱图像每个像素点的水分含量, 得到灰度图像, 对灰度图像进行伪彩色变换, 得到大豆水分含量可视化彩色图像。 对预测集的24个大豆品种进行可视化处理, 发现不同水分含量大豆的可视化图像颜色不同, 水分含量变化对应的颜色变化较为明显。 结果表明, 高光谱成像技术结合化学计量学可以准确快速无损预测大豆水分含量, 实现大豆水分含量可视化, 为大豆收获、 贮藏加工过程中水分含量检测提供了技术支持。
高光谱成像技术 水分含量 大豆 无损检测 可视化 Hyperspectral imaging Moisture content Soybean Non-destructive detection Visualization 光谱学与光谱分析
2022, 42(10): 3052
1 上海大学环境与化学工程学院, 上海 200444
2 上海大学生命科学学院, 上海 200444
3 上海海关动植物与食品检验检疫技术中心, 上海 200135
4 上海如海光电科技有限公司, 上海 201201
5 中国检验检疫科学研究院, 北京 100176
硫脲是一种含氮量高、 毒性较大的潜在蛋白掺假化合物, 常规的实验室检测方法过程复杂、 效率低, 无法满足口岸对大批次散装奶粉样本质量快速筛查的需求。 为解决口岸抽样监管缺乏快速实时评价方法的难题, 利用自主搭建的便携式点扫描拉曼高光谱成像系统, 开发了一种简单高效的奶粉中硫脲现场可视化快速检测方法, 确保散装奶粉在进出口环节的精准监管。 研究以不同添加浓度(0.005%~2.000%)的硫脲奶粉混合物为样本, 分别用Whittaker平滑方法和自适应迭代重加权惩罚最小二乘算法(airPLS)消除光谱数据的背景随机噪音信号和荧光背景干扰, 峰值识别后对硫脲特征位移处的单波段数据进行二值化处理, 得到混合样本感兴趣区域的二值热图, 通过二值图中硫脲像素点的有无和坐标, 对奶粉中的硫脲进行定性判别和定位分析。 进一步分析得感兴趣区域内硫脲像素点数目与添加浓度的关系, 结果表明随着添加浓度的增加, 硫脲像素点数目呈线性增长趋势, 其中线性拟合的决定系数(R2)为0.991 3, 硫脲的最低检出浓度为0.05%。 在0.25%, 0.60%, 1.20%和1.50%的添加水平下, 利用像素点数目和线性拟合关系预测奶粉中硫脲的浓度, 结果显示预测浓度的相对误差范围为-9.41%~4.01%, 相对标准偏差小于7%。 该点扫描拉曼高光谱成像系统能在10 min内完成单个样本的检测, 结合软件控制系统, 实时对奶粉中的硫脲颗粒进行定性、 定量和污染分布分析, 方法简单高效、 准确性好、 灵敏度高、 稳定性强, 为口岸现场对散装奶粉中硫脲掺假物的实时快速检测提供了技术监管手段, 能显著提升口岸现场散装样本的监管环节质量评价的精准性, 为进口奶粉快速通关提供技术保障。
便携式拉曼高光谱成像技术 现场无损检测 硫脲 奶粉 Portable Raman hyperspectral imaging technology On-site non-destructive testing Thiourea Milk powder 光谱学与光谱分析
2022, 42(7): 2156
随着航天技术的发展，星载高光谱成像技术日趋成熟并得到广泛应用。首先对高光谱成像的基础概念及特点进行了阐述，然后从国内、国外两个角度系统介绍了近二十年星载高光谱成像仪的发展状况，并分析了其主要性能指标和相关遥感应用，最后对星载高光谱技术在战场环境侦察、海洋**行动监测、战场气象环境评估、导弹预警探测等方面的**应用进行了分析概括，并通过举例进行了简要说明。
高光谱成像技术 星载光谱成像仪 遥感应用 **应用 hyperspectral imaging technology spaceborne spectral imager remote sensing application military applications
宁夏大学食品与葡萄酒学院, 宁夏 银川 750021
可溶性蛋白和谷胱甘肽(GSH)是羊肉重要的生理生化指标, 是衡量机体抗氧化能力大小的重要因素, 传统检测方法程序复杂, 检测费时。 为此应用可见-近红外(400~1 000 nm)高光谱成像技术实现可羊肉可溶性蛋白和还原性谷胱甘肽(GSH)含量无损、 快速检测。 首先, 对采集的180个羊肉样本的原始光谱信息采用4种方法进行预处理, 再运用竞争自适应加权算法(CARS)、 区间变量迭代空间收缩算法-迭代和保留信息变量法(iVISSA-IRIV)进行特征波段的提取。 同时使用灰度共生矩阵法(GLCM)提取贡献率最高的主成分图像的纹理信息。 最后将优选出的预处理方法和特征波长信息作为光谱信息和光谱-纹理融合信息分别结合多元线性回归(MLR)、 最小二乘支持向量机(LS-SVM)模型建立羊肉可溶性蛋白和谷胱甘肽含量的预测模型。 结果显示未经预处理的原始光谱建立的羊肉可溶性蛋白含量PLSR模型效果最佳, 其Rc和Rp分别为0.875 7和0.854 7; 采用SNV法预处理后光谱建立的羊肉GSH含量PLSR模型效果最佳, 其Rc和Rp分别为0.804 8和0.826 5。 利用iVISSA-IRIV共筛选出31个特征波长, 建立的羊肉可溶性蛋白LS-SVM模型的Rc和Rp最优, 分别为0.914 6和0.881 8; 同时利用iVISSA-IRIV筛选出29个特征波长, 建立的羊肉GSH-MLR模型的Rc和Rp最优, 分别为0.844 6和0.870 5。 最终经光谱特征信息和图谱信息融合模型对比发现, 建立iVISSA-IRIV-LS-SVM模型对羊肉可溶性蛋白预测效果最佳, 其Rc和Rp分别为0.914 6和0.881 8; 利用SNV-iVISSA-IRIV法提取的光谱特征信息与纹理信息融合建立的MLR模型为预测羊肉GSH含量的最优模型, 其Rc和Rp分别为0.849 5和0.890 4。 利用最优iVISSA-IRIV-LS-SVM和iVISSA-IRIV-MLR模型和成像处理方法, 结合伪色彩图像直观的表示羊肉样本的可溶性蛋白和GSH含量的空间分布情况。 研究结果表明利用高光谱图像的光谱和纹理信息能够用来预测羊肉可溶性蛋白和GSH含量。
高光谱成像技术 特征波长筛选 可溶性蛋白和GSH含量 纹理特征 可视化 Hyperspectral imaging technology Characteristic wavelength selection Soluble protein and GSH contents Textural features Distribution visualization
中国农业大学信息与电气工程学院, 北京 100083
为了提升虾新鲜度判别的准确性, 提出了一种基于宽度学习(BLS)的虾新鲜度检测方法。 首先采用多元散射校正(MSC)、 标准正态变量校正(SNV)和直接正交信号校正(DOSC)对不同冷藏天数虾的原始高光谱进行预处理, 再使用t分布随机邻域嵌入(t-SNE)将预处理之后的数据可视化, 可视化结果表明DOSC聚类效果最佳。 然后使用随机森林(RF)、 主成分分析(PCA)和二维相关光谱分析(2D-COS)对经DOSC预处理之后的光谱数据进行特征选择。 最后基于选择的特征波长对虾新鲜度进行建模分析。 将宽度学习(BLS)首次用于虾新鲜度建模, 同时与偏最小二乘判别(PLS-DA)和极限学习机(ELM)等经典判别模型做比较。 研究结果表明RF方法最大限度地消除了光谱中的冗余信息, 而BLS与线性建模方法PLS-DA以及非线性建模方法ELM相比, 准确率更高并且判别时间更短, 因此RF-BLS组合模型获得了最佳新鲜度判别效果, 表明高光谱成像技术结合宽度学习识别虾的新鲜度是可行的, 可以为在线检测虾新鲜度系统的开发提供理论依据。
虾新鲜度 直接正交信号校正 随机森林 宽度学习 高光谱成像技术 Freshness of shrimp Direct orthogonal signal correction Random forest Broad learning system Hyperspectral imaging technology
