利用近红外高光谱成像技术（NIR-HSI）, 将采集的光谱信息融合图像纹理信息建立分类模型, 实现灵武长枣瘀伤等级的判别。 采用瘀伤装置获得瘀伤等级为Ⅰ、 Ⅱ、 Ⅲ、 Ⅳ、 Ⅴ级的200个长枣样品, 并按3∶1的比例划分校正集和预测集。 采集不同瘀伤等级长枣的近红外高光谱图像, 使用ENVI软件提取感兴趣区域（region of interest, ROI）并计算平均光谱值。 为消除无用信息的干扰, 采用正交信号修正（OSC）、 基线校准（Baseline）、 多元散射校正（MSC）、 移动平均（MA）、 卷积平滑（S-G）和去趋势（De-trending）对原始光谱进行预处理并建立偏最小二乘判别分析（PLS-DA）模型; 基于最优预处理方法所得的全波段数据采用变量组合集群分析法（VCPA）、 无信息消除变量算法（UVE）、 竞争性自适应加权抽样算法（CARS）、 区间变量迭代空间收缩法（iVISSA）和连续投影算法（SPA）提取特征波长后建立PLS-DA模型; 将高光谱图像进行掩膜, 利用主成分分析（PCA）获取贡献率最高的主成分图像, 并在该图像上采用灰度共生矩阵（GLCM）提取纹理参数, 包括能量（ASM）、 熵（ENT）、 对比度（CON）和相关性（COR）, 建立图谱融合的PLS-DA模型。 结果表明, 原始光谱数据建立的PLS-DA模型, 校正集和验证集准确率分别为89%和86%; 原始光谱经De-trending预处理后的PLS-DA模型效果最优, 校正集和预测集准确率均为90%, 较原始光谱模型分别提高了1%和4%; 基于SPA选择特征波长后建立的PLS-DA模型的校正集和预测集准确率均为90%; De-trending-SPA-COR-PLS-DA图谱融合模型效果最优, 模型校正集和预测集准确率均为92%。 因此, 利用近红外高光谱成像技术融合纹理信息可实现不同瘀伤等级灵武长枣的快速无损判别。

利用高光谱成像技术与二维相关光谱（2D-COS）结合化学计量学检测灵武长枣半纤维素含量。 采用定量瘀伤装置获得0, Ⅰ, Ⅱ, Ⅲ, Ⅳ级瘀伤长枣模型, 通过高光谱和分光光度计分别获得样品高光谱图像和半纤维素含量。 蒙特卡洛异常值检测法剔除异常样本后, 分别用随机划分法（RS）, Kennard-Stone法（KS）、 光谱-理化值共生距离法（SPXY）和3∶1比例法对样本集划分校正预测。 采用基线校准（Baseline）、 去趋势（De-trending）和标准化（Normalize）对长枣原始光谱预处理后建立偏最小二乘回归模型（PLSR）, 优选最佳样本集划分及预处理方法。 利用2D-COS将光谱信号扩展到第2维, 在全光谱范围内寻找与半纤维素含量相关的敏感波段区间。 采用竞争性自适应加权算法（CARS）、 引导软收缩（BOSS）、 区间变量迭代空间收缩方法（iVISSA）、 变量组合集群分析法（VCPA）以及iVISSA+BOSS, iVISSA+CARS和iVISSA+VCPA方法在2D-COS敏感波段区间进行特征波长提取, 并建立基于特征波长的PLSR模型。 结果表明, 样本集经3∶1划分和Baseline预处理后建立的基于全波段的PLSR模型最优, 故最佳样本集划分方法为3∶1, 预处理方法为Baseline, 用于后续特征波长提取。 通过2D-COS分析发现3个与半纤维素相关的自相关峰（401, 641和752 nm）; 在2D-COS敏感区域（401～752 nm范围内）, 采用BOSS, CARS, iVISSA, VCPA, iVISS+BOSS, iVISS+CARS, iVISS+VCPA分别提取了14, 26, 39, 12, 15, 22和11个对应的特征波长, 占总波长的18.9%, 35.1%, 52.7%, 16.2%, 20.2%, 29.7%和14.8%。 对比2D-COS和特征波建立的PLSR模型, 2D-COS+iVISSA-PLSR模型效果较好, 其R2C=0.747 9, R2P=0.604 7, RMSEC=0.043 8, RMSEP=0.060 3。 研究表明, 利用高光谱成像技术结合2D-COS可实现灵武长枣半纤维素含量的快速检测。

利用可见近红外（Vis-NIR）高光谱成像技术对完好和损伤等级灵武长枣进行快速识别检测。 采用定量损伤装置得到损伤Ⅰ, Ⅱ, Ⅲ, Ⅳ和Ⅴ级的灵武长枣, 借助高光谱成像系统采集完好长枣和损伤长枣样本高光谱图像。 提取感兴趣区域（region of interest, ROI）并计算样本平均光谱值。 利用光谱-理化值共生距离算法（SPXY）将420个长枣样本按3∶1的比例划分校正集315个和预测集105个。 灵武长枣原始光谱建立偏最小二乘判别分析（PLS-DA）分类模型, 得到校正集和预测集准确率分别为72.70%和86.67%; 灵武长枣原始光谱数据采用移动平均（MA）、 卷积平滑（SG）、 多元散射校正（MSC）、 正交信号修正（OSC）、 基线校准（baseline）和去趋势（de-trending）等方法进行光谱预处理并建立PLS-DA分类判别模型。 通过分析比较, 得到MSC-PLS-DA为最优分类判别模型, 校正集准确率为76.19%, 预测集准确率为86.67%, 其中校正集比原始光谱建模准确率提高了3.49%, 预测集准确率较原始光谱建模结果未提高; 为了提高建模效果, 对灵武长枣原始光谱和预处理后的光谱分别采用连续投影算法（SPA）、 无信息变量消除（UVE）、 竞争性自适应加权抽样（CARS）和区间变量迭代空间收缩法（iVISSA）等算法提取特征波长, 建立PLS-DA分类判别模型, 结果表明, MSC-CARS-PLS-DA为最优模型组合, 校正集准确率为77.14%, 预测集准确率为89.52%, 建模准确率较原始光谱建模准确率分别提高了4.44%和2.85%。 结果表明, Vis-NIR高光谱成像技术结合MSC-CARS-PLS-DA模型可实现灵武长枣损伤等级的快速识别。

高光谱成像技术是一种将成像与光谱相结合的新型无损检测技术, 属于间接分析方法; 光谱模型的建立非常关键, 需综合考察各建模因素间的交互作用。 应用Box-Behnken法设计响应面试验优化冷鲜滩羊肉蛋白质含量的可见/近红外高光谱定量检测模型。 使用可见/近红外高光谱成像系统采集冷鲜滩羊肉样本的高光谱图像, 分析肉样反射光谱特性。 采用二维相关光谱技术(2DCOS), 以冷鲜滩羊肉中蛋白质含量为“外界扰动”, 研究扰动条件下光谱信号的动态变化, 解析二维相关光谱谱图特征, 寻找与微扰相关的敏感变量。 分别采用多元散射校正(multiplicative scatter correction, MSC)和标准正态变量变换(standard normalized variate, SNV)提取有用信号, 优化所选特征波段光谱质量。 为实现数据快速降维, 减少大量光谱数据处理负担, 采用变量组合集群分析法(variable combination population analysis, VCPA)和应用竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)对2DCOS范围内特征波段进行二次优选。 根据Design-Expert软件中Box-Behnken法设计响应面试验, 以特征优选、 光谱预处理及多元校正方法为考察因素, 各因素中3种不同方法为水平, 建立冷鲜滩羊肉蛋白质含量分析的优化检测体系。 结果表明, 波长473, 679, 734和814 nm处存在较强的自相关峰, 473~814 nm范围内的特征波段为冷鲜滩羊肉蛋白质检测的敏感区域; MSC和SNV能够消除肉样自身散射作用的干扰, CARS和VCPA对特征波段进行二次优选, 分别优选出了16和9个特征波长; 各因素对蛋白质可见/近红外光谱模型预测性能的影响顺序为特征优选方法>预处理方法>多元校正方法, 优选出2DCOS-SNV-LSSVM模型具有较高的运行速率和预测能力, 其Rc=0.858 8, RMSEC=0.005 8; Rp=0.860 4, RMSEP=0.005 7。 研究表明, Box-Behnken法在可见/近红外高光谱(400~1 000 nm)建模参数优化选择中的应用, 可以有效地实现滩羊肉品质智能监控与质量安全快速无损分析, 为分析对象光谱模型的优化及提高预测结果的准确性提供理论参考。

高光谱成像可同时获取被检测对象的图像信息和光谱信息, 并对其内部成分进行定性和定量分析。 国内外学者采用高光谱对肉品品质的研究多集中在水分、 菌落总数、 色泽、 pH、 挥发性盐基氮等方面, 在肉品嫩度检测中应用区间变量迭代空间收缩法优选特征波长的研究鲜有报道。 利用可见-近红外（400~1 000 nm）和近红外（900~1 700 nm）高光谱结合化学计量学方法对冷鲜滩羊肉嫩度进行无损预测, 优选最佳建模波段。 首先, 采集羊肉的高光谱图像, 提取样本感兴趣区域的光谱反射值, 采用TA-XTplus质构仪测量滩羊肉嫩度; 其次, 将两个波段下的原始光谱数据进行多元散射校正（multiple scattering correction, MSC）、 去趋势（de-trending）、 基线校准（baseline）、 标准正态变量（standard normal variable, SNV）、 归一化（normalize）和卷积平滑（Savitzky-Golay）等预处理; 分别采用连续投影算法（successive projection algorithm, SPA）、 竞争性自适应加权算法（competitive adaptive reweighted sampling, CARS）、 变量组合集群分析法（variables combination population analysis, VCPA）和区间变量迭代空间收缩法（interval variable iterative space shrinkage approach, IVISSA）对最佳预处理的光谱数据优选特征波长; 最后, 建立冷鲜滩羊肉嫩度的偏最小二乘回归（partial least squares regression, PLSR）预测模型, 优选最佳建模波段。 结果表明: （1）滩羊肉嫩度的近红外高光谱模型的预测效果优于可见-近红外高光谱; （2）经过多种预处理方法所建立的滩羊肉嫩度的模型中, 近红外区域的原始光谱（original spectra, OS）模型效果最优, 其Rc=0.83, Rp=0.79, RMSEC=874.94, RMSEP=1 465.97; （3）近红外高光谱的原始光谱经SPA, CARS, VCPA, IVISSA四种方法共挑选出15, 16, 13和123个特征波长, 占总波长的7%, 6%, 5%和54% ; （4）近红外高光谱结合OS-IVISSA-PLSR建立的冷鲜滩羊肉嫩度预测模型最好, 其Rc=0.85, RMSEC=850.86, Rp=0.79, RMSEP=1 497.11。 IVISSA算法不仅可大幅度减少模型运算次数, 还可以保证模型的精准和稳定性。 研究表明, OS-IVISSA-PLSR模型对冷鲜滩羊肉嫩度进行高光谱的快速无损检测是可行的。

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。