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。

以薄皮库尔勒香梨、硬皮山竹为材料, 研究水果自身性质及红外脉冲激光标刻参数对标刻效果及标刻后水果贮藏品质的影响, 分析了不同果皮含水量、果皮硬度和标刻速度对激光标刻颜色、线宽和连续性的影响, 并得到了在相对最优工艺参数下, 贮藏期间水果果皮标刻区域的局部形貌、标记稳定性及腐烂情况。结果表明, 果皮含水量、果皮硬度及标刻速度对薄皮、硬皮水果标刻效果均有显著影响, 且在贮藏期间, 标刻区域的标记稳定性较好, 对贮藏品质基本无影响。这为探究同种水果个体差异性和不同种水果的自身性质对激光标刻效果的影响提供了一定的借鉴意义。

针对明虾品质劣变过程中的鲜度特征, 该研究以颜色(L*, a*, b*)、 挥发性盐基氮(TVB-N)、 pH等品质指标为研究对象, 利用拉曼无损检测技术采集4 ℃和-20 ℃下生鲜明虾光谱信息, 运用岭回归、 偏最小二乘法和前向逐步回归对明虾进行了快速定量检测, 建立了品质指标定量模型。 其中光谱数据预处理包括SG平滑、 背景扣除、 二阶微分、 标准正态变量变换, 按一定方式组合4种预处理和PCA降维技术进行数据处理, 筛选出最优模型。 结果表明: 利用岭回归建立颜色(a*, b*)定量模型时, 在组合预处理方式下建模集中R分别为0.983和0.973, RMSE分别为0.114和0.179, 预测集中R分别为0.513和0.564; RMSE分别为0.615和0.918, 建模集精度远超预测集表明出现过拟合, 经PCA降维后过拟合降低、 但预测集预测效果不理想; 偏最小二乘法在各指标建模集上精度和岭回归差不多, 在预测集上预测精度偏低, PCA降维后部分指标建模集相关系数下降、 均方根误差上升, 预测精度降低。 最终结果显示: 经过4种预处理后的前向逐步回归模型最优, 建模集中L*, a*, b*, pH和TVB-N指标R分别为0.904, 0.885, 0.864, 0.934和0.940, RMSE分别为1.141, 0.280, 0.535, 0.131和2.345; 预测集中R分别为0.863, 0.850, 0.859, 0.900和0.916, RMSE分别为1.394, 0.406, 0.605, 0.194和2.734, 建模效果好。 因此, 利用拉曼光谱技术结合前向逐步回归模型快速检测明虾中L*, a*, b*, pH和挥发性盐基氮含量可行, 对拉曼技术应用明虾品质检测具有一定指导意义。

猕猴桃是我国发展势头和经济效益比较突出的水果之一, 其果肉色泽是评价猕猴桃果实品质的重要指标。 利用近红外光谱技术对贮藏期猕猴桃不同深度果肉色泽的变化进行研究。 以贮藏期“哑特”猕猴桃果皮下0, 5和10 mm处果肉色泽(L*, a*和b*)为研究对象, 用近红外光谱(830~2 500 nm)结合化学计量学方法对猕猴桃果肉色泽特征进行预测分析。 通过建立基于全波段的偏最小二乘回归(PLSR)模型, 发现猕猴挑果皮下5 mm处色泽特征(L*5, a*5, b*5)所建立的校正预测模型效果好, 说明该处的色泽数据和近红外光谱信息的相关度较高。 运用竞争性自适应重加权采样法(CARS)和无信息变量消除法(UVE)两种算法从高维近红外光谱全波段信息中选取与颜色特征相关的特征波长信息, 并与猕猴桃果皮下5 mm处的色泽(L*5, a*5, b*5)分别建立PLSR和多元线性回归(MLR)预测模型。 其中对果肉色泽L*5所建立的模型中, CARS-PLSR模型的校正和预测效果均为最好, RC达到0.942 7, RMSEC为1.699 7, RP达到0.885 0, RMSEP为1.642 4； 对猕猴桃果肉色泽a*5所建立的模型中, UVE-MLR模型的校正和预测效果最好, RC达到0.946 3, RMSEC为0.342 4, RP达到0.854 9, RMSEP为0.629 6； 对猕猴桃果肉色泽b*5所建立的模型中, CARS-MLR模型的效果最好, RC达到0.944 3, RMSEC为1.010 1, RP达到0.839 8, RMSEP为1.354 3。 研究表明近红外光谱分析技术检测猕猴桃果皮下5 mm处色泽(L*5, a*5和b*5)具有良好的准确度, 为猕猴桃品质评价提供技术支撑。

高光谱成像可将图像和光谱相结合, 同时获得目标对象的图像和光谱信息, 已在农产品定性和定量分析检测方面得到广泛利用。 利用可见-近红外高光谱成像结合化学计量学方法对贮藏期内灵武长枣果糖含量进行无损检测。 采用高效液相色谱测量长枣果糖含量的化学值, 可见-近红外高光谱系统采集长枣的高光谱图像, 提取每个样本感兴趣区域的平均光谱; 建立长枣贮藏期的径向基核函数支持向量机(radial basis kernel function support vector machine, RBF-SVM)模型; 分别选用正交信号校正法(orthogonal signal correction, OSC)、 多元散射校正(multiplicative scatter correction, MSC)、 中值滤波(median-filter, MF)、 卷积平滑(savitzky-golay, SG)、 归一化(normalization, Nor)、 高斯滤波(gaussian-filter, GF)和标准正态变换(standard normalized variate, SNV)等方法对原始光谱进行预处理; 为减少数据量, 降低维度, 提高运算速度, 采用反向区间偏最小二乘法(backward interval partial least squares, BiPLS)、 间隔随机蛙跳算法(interval random frog, IRF)和竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)对光谱数据提取特征变量; 建立全波段和特征波段的偏最小二乘回归(partial least squares regression, PLSR)和主成分回归(principle component regression, PCR)长枣果糖含量预测模型。 结果表明: RBF-SVM判别模型校正集准确率为98.04%, 预测集准确率为97.14%, 能很好地预测长枣的贮藏期; 利用BiPLS, IRF及CARS进行降维处理, 提取特征波长个数为100, 63和23, 占原光谱数据的80%, 50.4%和18.4%; 为简化模型运算过程并提高模型精度, 采用CARS算法对BiPLS及IRF算法所选取的特征波长进行二次筛选, 分别优选出18和15个特征波长, 占原光谱数据的14.4%和12%, 显著减少特征波长数; 将全波段光谱与提取出的特征波长分别建立长枣果糖含量的PLSR及PCR预测模型, 优选出CARS提取特征波长建立的PLSR模型效果最优, 其中校正集的相关系数Rc=0.854 4, 均方根误差RMSEC=0.005 3, 预测集的相关系数Rp=0.830 3, 均方根误差RMSEP=0.005 7, 说明CARS有效地对光谱进行降维, 简化了数据处理过程。 研究表明, 利用可见-近红外高光谱成像结合化学计量学方法及计算机编程, 可以有效的实现灵武长枣果糖含量的快速无损分析, 为灵武长枣内部品质的检测提供理论依据。

为了比较4 ℃、15 ℃两种贮藏温度下滩羊肉pH值的变化, 优选出滩羊肉贮藏期间的最优模型,采用pH酸度计测量样本pH值, 建立两种贮藏温度下传统动力学的零级和一级模型; 应用近红外（900~1 700 nm)高光谱成像采集两种贮藏温度下滩羊肉的光谱数据, 剔除异常值后进行光谱预处理; 使用连续投影算法（SPA)提取特征波长, 建立全波段和特征波长的偏最小二乘（PLSR)预测模型; 对比分析得到的最优光谱模型与动力学模型相结合, 确定滩羊肉光谱动力学模型。结果表明,4 ℃和15 ℃的传统动力学模型的相关系数分别为0.502和0.912; 4 ℃下原始光谱经PLSR建模后效果最优, 相关系数Rc为0.821, Rp为0.863, 15 ℃经SG-S(3,7)+De-trending（4)预处理后经PLSR建模效果最优, 相关系数Rc为0.876, Rp为0.819。因此, 高光谱结合传统动力学的模型检测羊肉pH值的方法是可行的, 该模型可以预测15 ℃下滩羊肉的贮藏期。

提出一种基于流行降维的近红外光谱技术快速判别大米贮藏期的新方法。 采用近红外光谱仪获取陈年米和新米的反射光谱特征曲线, 利用直接正交信号矫正法(direct orthogonal signal correction, DOSC)对原始光谱进行预处理, 滤除光谱数据中与因变量Y矩阵无关的信号, 以消除无关信息对后续特征变量建模精度的影响。 采用Durbin-Watson和Run测试法定性分析光谱数据结构的非线性性, 并利用增强偏残差图(augmented partial residual plot)定量分析大米光谱曲线的非线性程度。 分别采用线性流行降维法包括主成分分析法(PCA)和多维尺度分析法(MDS)以及非线性流行降维法包括等距映射法(ISOMAP)、 局部线性嵌入法(LLE)和拉普拉斯特征映射法(LE)提取预处理后光谱数据的本征变量, 并结合核偏最小二乘方法(KPLS)建立本征变量与贮藏时间属性之间的耦合模型。 实验用陈年米和新米的样本数均为200个, 随机将训练集和测试集样本划分为300个和100个。 通过比较各个模型的预测结果得出, 基于ISOMAP非线性降维法提取的40个本征变量建立的回归模型预测效果最好, 预测相关系数(R2P)、 预测均方根误差(RMSEP)和预测相对分析误差值(RPD)分别为0.917, 0.187和2.698。 实验结果说明提出的方法对于大米贮藏期具有很好的鉴别能力, 该研究为今后大米贮藏期的快速无损检测提供了科学的手段。

为了及时、准确地识别采摘后贮藏期间的损伤猕猴桃，降低果实腐烂及交叉感染带来的损失，采用近红外漫反射光谱技术结合极限学习机(ELM）建立了采摘后2 ℃冷藏下10天内的碰撞损伤猕猴桃、挤压损伤猕猴桃与无损猕猴桃的动态判别模型。分别比较了无信息变量消除法(UVE）与连续投影算法(SPA）结合UVE优选特征波数建模对简化模型、提高预测性能的影响。结果表明，碰撞损伤猕猴桃比挤压损伤猕猴桃更容易同无损猕猴桃区分开来，且随着贮藏时间的延长，损伤猕猴桃更容易被识别; UVE-SPA-ELM模型的判别效果最好，在采后贮藏10天内预测集中损伤猕猴桃和无损猕猴桃的总正确识别率为92.4%。该检测技术具有较高的检测精度和适用性，可用于快速、无损鉴别损伤猕猴桃。