高铁肌红蛋白(metmyoglobin, MetMb)在肉中所占的比例直接影响肉的色泽。 利用可见近红外光谱(ViS-NIR)采集到的滩羊肉数据与化学计量学方法相结合, 探讨高光谱成像快速无损检测滩羊肉中MetMb含量的可行性以及开发滩羊肉中MetMb含量的定量函数。 采用分光光度计测量滩羊样本的MetMb含量, 使用ENVI4.8软件提取贮藏期间200个样本光谱图像的感兴趣区域, 将获取的光谱数据与化学值相结合, 定量解释两者的相关性; 利用光谱理化值共生距离法, 按照3∶1的比例划分样本, 对校准模型进行独立(外部)验证; 采用乘法散射校正(multiple scattering correction, MSC)、 一阶导数 (first derivative, 1st derivative)和去趋势(De-trending)等3种不同的方法对原始光谱数据进行预处理, 以消除噪音对原始光谱的干扰; 竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)、 区间变量迭代空间收缩方法(interval variable iterative space shrinkage approach, iVISSA)、 间隔随机蛙跳算法(interval random frog, IRF)、 变量组合集群分析法(variables combination population analysis, VCPA)、 连续投影算法(successie projection algorithm, SPA)以及IRF+SPA、 iVISSA+SPA组合方法被用于光谱的变量选择和优化; 使用典型的线性建模方法: 偏最小二乘回归(partial least square regression, PLSR)建立全波段和特征波段的预测模型, 确定最佳模型; 通过最佳模型建立滩羊肉中MetMb含量的定量函数。 结果表明: 原始光谱模型性能较好于3种预处理光谱的模型性能, 其R2C=0.852, R2P=0.788, RMSEC=4.604, RMSEP=5.729; 原始光谱经过CARS, VCPA, IRF, SPA, iVISSA, IRF+SPA, iVISSA+SPA等方法分别选出16, 13, 48, 14, 45, 10和11个特征波长, 占总波长的12.8%, 10.4%, 38.4%, 11.2%, 36%, 8%和8.8%。 通过对比PLSR模型, IRF+SPA-PLSR模型性能最佳, R2C=0.808, R2P=0.826, RMSEC=5.253, RMSEP=5.149, IRF+SPA算法不仅减少了计算时间, 而且生成了更准确, 更稳健的预测模型; 最后, 基于IRF+SPA算法建立的MetMb含量的定量函数为: (MetMb)=3.249 7+1.900 2λ468-4.791 2λ482+5.913 5λ512-1.856 2λ530-5.879 3λ545+2.246 3λ560+5.066 1λ580-2.320 1λ588+1.214 9λ790-1.348 8λ814。 表明ViS-NIR光谱对滩羊肉中MetMb含量的快速无损检测是可行的, 开发的定量函数为快速测定滩羊肉中MetMb的含量提供参考。

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。

利用可见/近红外高光谱成像技术结合化学计量学方法建立长枣中葡萄糖含量的预测模型, 为灵武长枣中的葡萄糖含量快速无损检测提供了一种科学方法。采用可见/近红外(400～1 000 nm)高光谱采集灵武长枣的光谱数据, 利用HPLC测量长枣中的葡萄糖含量; 样本经过剔除异常值、样本集划分后对原始光谱采用6种预处理; 对优选出的最佳预处理方法使用7种方法降维处理, 建立全波段和特征波长的PLSR、MLR预测模型。结果表明, SG(7)为最佳预处理方法, Rc=0.826 5, Rp=0.791 0; 利用CARS、IRF、SPA、BiPLS、UVE、IRF+CARS、BiPLS+CARS分别选出18, 61, 7, 51, 15, 33, 27个特征波长; PLSR-IRF+CARS模型最优, Rc=0.835 3, Rp=0.832 2。实验结果证明高光谱成像技术对长枣中的葡萄糖含量的快速无损检测是可行的。