在利用可见-近红外漫透射光谱技术对苹果的可溶性固形物(SSC)检测时, 由于卤素灯光照射在苹果上的位置不同, 采集到的苹果光谱中所包含的可溶性固形物信息不同, 导致模型得出的结果不同; 找到一个最好的苹果光照位置有利于得到最佳的可溶性固形物评价模型。 利用多模式可调节的光学结构在相同的实验环境和实验条件下采集了购买于同一水果批发商的尺寸相近但照射位置不同的两批苹果的近红外漫透射光谱, 探索苹果可溶性固形物模型建立过程中最佳的照射位置从而得到最佳位置的可溶性固形物评价模型。 通过对样品进行光谱采集、 糖度真值采集并结合化学计量学方法得出最佳的建模位置, 照射位置为上部且光谱没有预处理时的偏最小二乘回归(PLS)模型性能为RMSEC为0.288 2, RMSEP为0.343 6, R_c为0.960 6, R_p为0.934 9; 照射位置为斜上部且光谱没有预处理的PLS模型性能为RMSEC为0.340 7, RMSEP为0.513 3, R_c为0.931 1, R_p为0.863 6; 照射位置为上部且光谱没有预处理的主成分分析回归(PCR)模型性能为RMSEC为0.573 6, RMSEP为0.601 4, R_c为0.842 4, R_p为0.800 7; 照射位置为斜上部且光谱没有预处理的PCR模型性能为RMSEC为0.709 2, RMSEP为0.797 4, R_c为0.701 4, R_p为0.670 7, 最佳照射位置为苹果上部; 进一步地采用多种预处理方法对照射位置为上部的PLS模型进行对比, 得到最优模型为MSC-PLS模型, 其RMSEC为0.2264 4, RMSEP为0.301 5, R_c为0.966 9, R_p为0.949 9。 最后再对相同的46个苹果进行相同的实验操作得到光谱、 真值后, 代入到建立的MSC-PLS模型中进行外部验证, 结果显示外部验证的相关系数为0.930 58, 验证均方根误差为0.843 59, 验证了建立的MSC-PLS模型的稳定性和可靠性, 进一步表明光谱采集位置为苹果上部时的近红外漫透射模型有很好的预测能力, 该研究为预测苹果可溶性固形物的检测提供了技术支持。

贡梨是大众喜爱的水果, 为研究不同检测方向对近红外在线检测贡梨可溶性固形物SSC的影响, 提出全局模型并分析其鲁棒性。 在贡梨六个方向上收集光谱: 茎-花萼轴垂直, 茎向上(A1)和茎向下(A5), 茎-花萼轴和水平之间45°, 茎向上倾斜(A2)和茎向下倾斜(A4), 茎-花萼轴水平, 茎朝向右侧光(A3), 茎花萼轴水平, 茎朝向带移动方向(A6)。 SSC范围为9.53~14.70的150个样品分为115个标准偏差为1.05的校准集和35个标准偏差为0.93的预测集。 采用偏最小二乘回归PLSR分别建立六个局部模型和一个全局模型, 局部模型由各方向的115个校正集数据经过Savitzky-Golay卷积平滑、 多元散射校正MSC、 高斯滤波平滑GFS三种不同的预处理方法处理后使用偏最小二乘回归PLSR建立而来; 用本方向校正集数据建立的局部模型验证本方向的35个预测集数据, 比较这三种预处理方法后所建立的PLSR模型, 结果表明经过GFS处理后建立的模型验证效果最好, 因此六个局部模型和全局模型均采用GFS处理后建立的PLSR模型。 全局模型是由A1, A2, A3, A4, A5和A6六个方向的690个校正集光谱数据经过GFS预处理后采用PLSR建立的贡梨SSC模型。 各方向的预测集分别对七个模型进行验证, 验证结果表明, 局部模型虽然在本方向的预测效果强于全局模型, 但无法验证其他方向, 鲁棒性差, 由此可知检测方向的不同对预测效果的影响很大; 全局模型能够准确预测各个检测方向的贡梨SSC, 全局模型的校正集相关系数R_c为0.828, 校正集均方根误差RMSEC为0.424; A1, A2, A3, A4, A5和A6方向的预测集相关系数R_p分别为0.818, 0.765, 0.799, 0.821, 0.794和0.824, 预测集均方根误差RMSEP分别为0.446, 0.525, 0.478, 0.538, 0.486和0.619; 六个方向的R_p与R_c比较接近且均在0.800左右, RMSEC与RMSEP均在0.500左右, 结果表明全局模型在检测不同方向的贡梨SSC上有着极好的鲁棒性。

水果货架期是影响水果品质的重要因素之一, 快速无损检测货架期是消费者、 食品加工企业日益关心的问题, 为了探讨水果不同货架期的预测判别方法的可行性, 以不同货架期脐橙为实验样品, 运用高光谱成像技术并结合化学计量学方法对不同货架期脐橙进行了预测判别。 分别采集脐橙货架期第0天、 第7天、 14天后的脐橙样本高光谱图像, 并进行高光谱图像校正。 从光谱角度, 提取脐橙样本的平均光谱, 每条光谱有176个波长点; 从图像角度, 先提取脐橙样本的RGB和HSI颜色空间中R, G, B, H, S和I特征值, 得到6个分量的均值, 然后提取灰度共生矩阵的能量、 熵、 对比度、 逆差矩、 相关性的5个图像纹理信息, 一共11个图像特征值, 并将图像特征进行归一化处理; 结合光谱和图像信息, 即176个原始光谱和11个图像信息一共187个特征值。 利用光谱信息、 图像信息、 光谱和图像融合信息进行建模, 分别建立偏最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型。 当原始176个光谱变量作为输入变量, 核函数为LIN-Kernel时, LS-SVM模型预测效果最佳, 预测集误判率为5.33%。 当11个图像特征变量作为输入变量, 核函数为LIN-Kernel时, LS-SVM模型预测效果最佳, 预测集误判率较高为20%。 当原始176个光谱变量和11个图像特征变量的融合特征作为输入变量, 核函数为LIN-Kernel时, LS-SVM模型预测效果最佳, 预测集误判率为1.33%。 实验结果表明, 以光谱和图像融合信息建立LS-SVM模型效果最优, 提高了对不同货架期脐橙识别的正确率, 可实现对不同货架期的脐橙准确有效分类识别, 误判率为1.33%。 利用高光谱成像技术对不同货架期脐橙进行快速判别, 对消费者购买新鲜水果和水果深加工企业具有一定程度的理论指导, 也为后期相关仪器研发奠定了基础。

脐橙粒化影响消费者食用口感, 降低品质, 受到广大果农和消费者的关注。 脐橙粒化的检测是一项具有挑战性的任务, 对品质分级具有重大意义。 以不同粒化程度的赣南脐橙为研究对象, 探究利用高光谱检测实现对赣南脐橙粒化程度定性判别的可行性。 肉眼是无法判断脐橙粒化程度的, 因此对脐橙样本做好序号标记后先测光谱再切开判断粒化程度, 按照粒化程度分为无粒化(粒化面积为0%)、 轻度粒化(粒化面积小于25%)、 中度粒化(粒化面积25%~50%), 每类各58个脐橙样品。 在这三类脐橙底部均匀取3个点, 每类174个样本, 共计522个样本数据用作构建原始光谱矩阵。 利用近红外高光谱成像系统采集样本397.5~1 014 nm波段内的高光谱图像信息, 再利用ENVI4.5软件通过选择感兴趣区域(ROI)提取样本的平均光谱信息。 采用主成分分析(PCA)、 连续投影算法(SPA)、 无信息变量消除(UVE)三种降维方法对光谱数据进行降维处理, 消除无关变量, 提取有用信息。 原始光谱176个波长, PCA挑选出6个主成分因子, SPA挑选17个特征波长, UVE挑选54个特征波长。 以全谱数据和三种降维方法挑选出来的变量作为输入分别建立偏最小二乘判别分析(PLS-DA)和最小二乘支持向量机(LS-SVM)模型。 建立的PLS-DA建模方法, PCA-PLS-DA误判率最高为25.58%, UVE-PLS-DA误判率最低为5.38%。 基于RBF-Kernel和LIN-Kernel两种核函数下的LS-SVM建模方法, 整体上RBF-Kernel建模效果优于LIN-Kernel, UVE波长筛选后建立的模型效果优于其他降维方法且降低了模型的误判率。 基于RBF-Kernel的UVE-LS-SVM模型效果最佳, 检测精度最高, 分类总误判率为0.78%, 达到最佳效果。 该研究结果表明建立的模型能很好地对不同粒化程度的脐橙进行判别, 该模型仅采用30.68%的数据, 在降低光谱空间维度的同时还降低了误判率, 对促进脐橙产业的品质分级发展具有一定的现实意义。

贝母是广泛应用于临床实践的中药材, 其中川贝母尤为珍贵, 存在掺假及伪冒现象, 伪劣贝母会对用药者的健康产生不良影响。 太赫兹时域光谱(Terahertz time domain spectroscopy)具有瞬态性、 宽带性、 安全性和穿透性等许多优越特性, 近年来在药食无损检测领域十分活跃。 以四种常见贝母(川贝母、 平贝母、 伊贝母、 浙贝母)为研究对象, 探究利用太赫兹时域光谱技术鉴别贝母品种的可行性。 利用TAS7500TS太赫兹光谱系统采集贝母样品在0.6~3.0 THz范围内的光谱, 并结合化学计量学方法进行预处理与建立分类模型。 当分类数量为二时, 称为二分类问题, 当分类数量超过二时称为多分类问题。 利用偏最小二乘判别分析(PLS-DA)建立四种贝母的二分类模型; 使用Savitzky-Golay(S-G)平滑、 多元散射校正(MSC)、 标准正态变量变换(SNV)、 移动平均、 基线偏移校正(Baseline offset)对原始光谱进行预处理, 再采用主成分分析(PCA)对预处理后的数据进行降维, 以减少数据运算量、 简化运算, 最后建立随机森林(RF)、 支持向量机(SVM)、 反向传播神经网络(BPNN)多分类模型。 结果显示: 川-伊贝母二分类鉴别模型正确率为93.333%, 平-浙贝母二分类鉴别模型正确率为98.333%, 其他四种二分类鉴别模型正确率均为100%。 对建立的多分类模型进行对比分析发现SVM结合SNV建模效果最好, 其中川贝母正确率为95.349%, 伊贝母正确率为96.552%, 平贝母与浙贝母正确率均为100%, 整体正确率高达97.490%。 研究结果表明利用太赫兹时域光谱技术鉴别不同品种贝母是可行的, 并建立了分类效果较好的SNV-SVM多分类模型, 为把控中药材质量提供一种新的手段, 对维护中药材市场的正常运转具有重要的意义。

茶叶是我国重要的经济作物, 对茶叶病害的及早发现与诊断, 有利于农业生产者及时采取有效的防护措施。 为了实现对茶叶病害的准确判别, 采用叶绿素荧光光谱对茶叶的光谱特性展开研究。 实验采集了健康茶叶样本90片, 藻斑病轻度病害叶片90片, 藻斑病重度病害叶片90片, 并根据Kennard-Stone算法将样本数按3:1划分训练集和预测集样本数, 其中校正集为200个、 验证集为70个。 采用叶绿素荧光光谱采集系统对茶叶藻斑病、 正常叶片进行光谱采集, 其中采集参数设置为: 积分时间20 ms, 激光功率40 mW。 分别分析了患病叶片和正常叶片的光谱响应特性, 总体上看, 三种叶片光谱主要存在吸收强度差异, 光谱走势基本一致。 在685和740 nm附近存在叶绿素的荧光峰, 其差异主要表现在正常叶片光谱较另外两种叶片光谱吸收强度较高, 而重度病害强度最低。 然后使用多项式平滑(Savitzky-Golay)对原始光谱进行平滑和降噪处理, 建立了偏最小二乘判别模型(PLS-DA), 在PLS-DA建模集模型中, 误判样品数为3个, 误判率为3%; PLS-DA预测集模型中, 误判样品个数为5个, 误判率为7.1%。 然后建立4种不同核函数的支持向量机模型进行比较得到, 由RBF作为核函数, 经主成分分析法(PCA)降维后的变量建立的SVM模型误判率最低, 准确率达到95.72%, 最后采用PCA结合线性判别分析方法(LDA)建立的模型效果最好, 准确率达到98.9%。 其中最优主成分数的选取由留一验证法取得, 选用前10个主成分进行建模时, 交叉验证准确率最高, 达98%。 通过模型对比得到PLS-DA建模集和预测集精度都达到90%以上, 以四种核函数建立的支持向量机模型中, 径向基核函数模型效果较优, 达到95.72%。 经主成分分析后建立的LDA效果最好, 识别率为98.9%。 该研究采用叶绿素荧光光谱结合化学计量学对茶叶病害进行识别, 为茶叶病害的快速、 准确预测提供一种新方法。

利用多模式可调节的光学机构采集了苹果漫透射、 全透射和漫反射三种检测方式的光谱, 研究在不同的检测方式下苹果的光谱特征并采用PLS建立苹果可溶性固形物含量SSC预测的模型。 首先分别采集每个样品赤道上四点的漫透射、 全透射和漫反射光谱, 然后分别使用多元散射校正MSC、 基线偏移校正BOC、 归一化Normalize和高斯滤波平滑GFS等方法对平均后的120个光谱做预处理, 并结合竞争性自适应权重取样CARS法对漫反射光谱进行特征波长筛选, 最后采用偏最小二乘法PLS回归建立预测苹果SSC的模型, 并另购30个苹果验证模型性能。 结果表明, 苹果在三种检测方式下采集的光谱吸收峰和波谷所处的波段大致相同, 但光谱强度有差异。 三种光谱经3点高斯滤波平滑GFS预处理后建立预测苹果SSC含量的模型均取得很好的结果。 漫透射的模型性能为R_cal=0.972, R_pre=0.967和RMSEC=0.436%, RMSEP=0.507%; 全透射的模型性能为R_cal=0.964、 R_pre=0.957和RMSEC=0.5%, RMSEP=0.574%; 漫反射的模型性能为R_cal=0.963, R_pre=0.949和RMSEC=0.522%, RMSEP=0.536%; 三种光谱经归一化预处理后融合建模的模型性能为R_cal=0.894, R_pre=0.857和RMSEC=0.836%, RMSEP=0.966%。 进一步将漫反射光谱结合CARS算法筛选特征波长, 使用119个变量建立模型的性能为R_cal=0.986, R_pre=0.977和RMSEC=0.323%, RMSEP=0.362%。 最后将该模型导入新型多模式可调节的水果检测系统中, 使用30个未参与建模的冰糖心苹果检验该模型预测苹果SSC的性能。 结果显示30个外部验证集的相关系数为0.906, 验证均方根误差为0.707%。 进一步表明使用多模式可调节的水果内部品质检测系统采集的漫反射光谱结合光谱预处理、 波段筛选算法和偏最小二乘回归方法可以建立较好的模型预测苹果可溶性固形物SSC含量。 本研究为苹果的品质检测提供新的技术支持。