糊化特性是小米的最重要加工特性之一, 对小米的加工性能及产品质量有重要的影响。 基于可见-近红外光谱特征信息, 在不粉碎小米颗粒的状态下, 提出了一种快速无损检测小米的糊化特性的方法。 首先, 获取小米在370~1 020 nm范围内漫反射光谱后, 将小米粉碎成小米粉, 使用RAV快速粘度分析仪测定小米粉的峰值粘度(PV)、 最低粘度(TV)、 衰减值(BD)、 最终粘度(FV)、 和回升值(SB)、 糊化温度(GT)以及峰值时间(PT)等7个糊化特性指标。 然后, 对原始光谱进行Savitzkye-Golay(SG)平滑、 多元散射校正(MSC)和一阶导数法(1-D)预处理。 最后, 结合三种处理光谱和小米糊化特性指标值, 通过Sample set partitioning based on joint x-y distances(SPXY)方法确定样本的校正集和验证集; 基于连续投影算法(SPA)选择了特征波长, 利用特征波长反射光谱信号建立了小米糊化特性指标的多元线性回归(MLR)预测模型, 并使用验证集样本验证MLR模型的预测准确性。 糊化指标预测结果: 对于粘度指标中的PV、 TV和SB参数值, 经过MSC预处理后光谱, 分别选择了9, 17和18个特征波长建立的MLR模型的预测结果最好, 预测相关系数(Rp)分别为0.934 7, 0.825 5和0.874 6, 预测误差(SEP)分别为174.039 7, 67.220 3和74.281 8; 对于BD值, 经过S-G预处理后选择了14个特征波长的MLR模型预测结果最好, Rp为 0.924 4, SEP为178.020 1; 此外, 对于FV参数值, 经过1-D处理后选择了16个特征波长所建立MLR模型的预测相关系数Rp为0.853 1, SEP为132.166 7。 研究结果表明, 利用可见-近红外光谱结合SPXY和SPA算法在不粉碎小米的状态下对其糊化特性进行检测是可行的。 本研究为小米产品相关企业在生产前期, 通过快速测定小米原料糊化特性, 进而评估产品加工品质提供一种新的技术手段, 具有较强的实际应用潜力。
小米 糊化特性 可见-近红外反射光谱 SPXY算法 SPA算法 Millet Gelatinization VIS/NIR reflectance spectroscopy SPXY algorithm SPA algorithm 光谱学与光谱分析
2020, 40(10): 3247
研究了4 ℃冷链条件下, 冷却猪肉在1～14 d贮藏期间, 表面菌落总数与400～1 100 nm光谱范围内相应高光谱图像的关系, 提出了一种基于高光谱技术的冷却猪肉表面菌落总数的快速无损检测方法. 并采用多元线性回归和偏最小二乘回归两种统计分析方法分别建立预测模型, 均得到较好的预测结果, 其预测集相关系数RV分别为0.886和0.863. 实验结果表明, 利用高光谱技术可以较好地定量分析冷却猪肉表面的菌落总数, 应用该技术对冷却猪肉品质安全进行快速无损评价是可行的.
高光谱 冷却猪肉 菌落总数 多元线性回归 偏最小二乘回归 Hyperspectral Chilled pork Total plate count Multiple linear regression (MLR) Partial least square regression (PLSR) 光谱学与光谱分析
2010, 30(12): 3405
利用高光谱空间散射曲线的3个洛伦兹拟合参数对苹果的品质(硬度、 可溶性固溶物含量)进行同时检测。 采用偏最小二乘, 逐步多元线性回归和BP神经网络3种方法, 对归一化处理和未归一化处理的3个洛伦兹参数组合分别建立苹果品质的预测模型。 结果表明： 采用偏最小二乘法对未归一化处理参数的组合建立硬度的预测模型其预测结果最好, 校正组相关系数Rc=0.93, 校正标准差SEC=0.56, 验证组相关系数Rv=0.84, 验证标准差SEV=0.94。 采用偏最小二乘法对归一化处理参数的组合建立可溶性固形物的预测模型其预测结果最好, Rc=0.95, SEC=0.29, Rv=0.83, SEV=0.63。 研究结果表明： 利用高光谱空间散射曲线的多拟合参数组合可以同时检测苹果的多品质参数。
高光谱散射图像 硬度 可溶性固溶物 苹果 洛伦兹函数 Hyperspectral scattering imaging Firmness Soluble solids content Apple Lorentzian function 光谱学与光谱分析
2010, 30(10): 2729
研究利用光谱散射特性预测牛肉的pH值、 嫩度和颜色。 使用高光谱成像系统, 获取400～1 100 nm波长范围内新鲜牛肉表面的高光谱散射图像, 预测牛肉的品质参数。 提取高光谱图像在400～1 100 nm波长范围内的散射特征, 利用洛伦兹分布函数, 拟合各个波长处的散射曲线, 获取不同波长散射曲线的洛伦兹函数参数。 使用逐步回归方法, 选择优化波长及其相应的拟合参数, 建立多元线性回归模型预测牛肉的品质参数, 使用全交叉验证方法评价模型性能。 对嫩度的预测相关系数达到0.86, 预测标准差为11.7 N, 分级准确率达到91%； pH值的预测相关系数为0.86, 预测标准差为0.07； 对颜色参数L*, a*, b*的预测相关系数分别达到0.92, 0.90和0.88, 预测标准差分别为0.90, 1.34和0.41。 研究结果表明, 利用光谱散射特征可以较好的预测牛肉的品质参数。
牛肉品质 高光谱散射图像 洛伦兹分布函数 多元线性回归 Beef quality Hyperspectral scattering imaging Lorentzian distribution function Multi-linear regression 光谱学与光谱分析
2010, 30(7): 1815
利用高光谱扫描技术对小麦叶片进行无损检测试验, 探索精确测定小麦叶绿素含量的方法, 为农作物生长状况、 植物病理诊断等提供科学依据。 研究选取90个样本作为校正集, 30个样本作为预测集, 获取叶片的高光谱反射图像, 同时用传统的分光光度计方法测定其叶绿素含量。 选取波长491～887 nm范围光谱, 用多元散射校正、 一阶导数、 二阶导数3种方法处理, 利用偏最小二乘法和逐步线性回归法分别建立了小麦叶片叶绿素含量与光谱信号间的数学模型。 研究发现多元散射校正(MSC)结合二阶导数光谱的多元线性回归(SMLR)模型的效果较优, 模型校正集和预测集决定系数分别为0.82和0.79, 校正均方根误差和预测均方根误差分别为0.69和0.71。 研究结果表明可以利用高光谱扫描技术检测小麦叶片叶绿素含量
叶绿素含量 高光谱 无损 小麦 Chlorophyll content Hyper-spectral Nondestructive measurement Wheat 光谱学与光谱分析
2010, 30(7): 1811
