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
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
中国农业大学工学院国家农产品加工技术装备研发分中心, 北京 100083
挥发性盐基氮(TVB-N)含量是评价猪肉新鲜度的重要理化指标。为了实现快速、无损检测猪肉的新鲜度,优选出与猪肉中TVB-N含量相关的特征波长,将包含特征波长的发光二极管(LED)光源用于多光谱检测系统,测定了猪肉中TVB-N的含量。首先利用可见-近红外(VIS-NIR)高光谱系统对猪肉进行检测,获取高光谱反射率数据,并采用一阶导数(FD)法、标准正态变量变换(SNV)以及其他预处理方法建立猪肉中TVB-N含量的偏最小二乘回归(PLSR)模型;然后分别利用逐步回归算法(SWA)、连续投影算法(SPA)、基因遗传算法(GA)筛选出与TVB-N含量相关的特征波长,利用筛选出的特征波长分别建立PLSR模型与多元线性回归(MLR)模型,比较模型结果后进一步优选特征波长;最后,将含有特征波长的LED光源用于多光谱检测系统,并建立PLSR模型与MLR模型,从而完成对猪肉中TVB-N含量的测定。实验结果表明:利用SWA、SPA、GA这3种算法筛选出的特征波长能够很好地反映全光谱的信息,建立的模型效果较好,变量数大大减少;包含优选特征波长的LED光源在多光谱检测系统中能很好地检测猪肉中的TVB-N含量; MLR模型结果好于PLSR模型结果,MLR模型的校正集相关系数和校正集均方根误差分别为0.9050和3.63×10
-5,预测集相关系数和预测集均方根误差分别为0.9040和3.81×10
-5。
光谱学 挥发性盐基氮 特征波长筛选 多光谱方法 算法分析 光学学报
2017, 37(11): 1130003
