为解决光谱数据差异导致模型不稳定的问题，研究了不同批次中式菜肴营养素含量预测模型的传递方法。以间隔3个月制作的番茄炒蛋样本为例，采集光谱数据并利用理化方法测定蛋白质含量(每批次120个样本)；选择预测效果较好的第二批次模型作为主模型，将分段直接标准化(Piecewise Direct Standardization, PDS)算法、模型更新(Model Updating, MP)和斜率/截距(Slope/Bias, S/B)修正法联合(PDS-MP-S/B)用于菜肴类模型传递，分析不同PDS窗口数和标准集数对预测结果的影响。当PDS窗口数为11且标准集数为100时，PDS-MP-S/B算法对蛋白质含量的预测结果明显优于无模型传递和单独使用3种算法时，预测模型的预测集决定系数R2(Pred)为09628，相对预测偏差(Relative Prediction Deviation, RPD)为56731，预测均方根误差(Root Mean Square Error of Prediction, RMSEP)为03157。从光谱、模型、结果三个方面实现了模型传递，提高了模型的通用性，减少了建模成本，为中式菜肴的快检提供了理论支持。

为了满足生鲜肉品质参数无损检测领域, 对轻便式、 低成本设备的开发需求, 提出一种基于多光谱漫反射技术的生鲜肉品质检测方法。 首先根据漫反射近似理论, 结合牛肉样品散射系数、 吸收系数及折射率等参数, 在无线细垂直光束的蒙特卡洛仿真的基础上, 对具有一定发散角度LED光源进行了初始化的校正, 分别从光源照射位置概率分布、 不同角度的照射概率分布、 仰角、 方向角的概率分布、 不同角度光线入射样品时反射引起能量损失及对光子权重的影响, 得到在LED光源发散角情况下, 不同源探距下的漫反射率与检测深度, 确定了光源与检测器之间的最佳距离为15 mm, 然后根据此距离, 搭建了多光谱漫反射检测平台, 检测平台由8组中心波长为470, 535, 575, 610, 650, 720, 780和960 nm的LED光源组成, 与所要检测的生鲜牛肉品质参数相对应。 同时利用LED光源的发散角, 确定了光源到样品表面的垂直距离与每个光源的安装位置, 保证光源照射到样品的区域是均匀的。 样品的漫射光强经由信号采集与放大电路的处理后传至上位机, 并在上位机完成建模与分析。 最后为验证该检测系统的性能, 以生鲜牛肉新鲜度参数中的颜色(L*, a*, b*)与pH值为指标, 利用60个样品进行了试验, 分别得到8个光源下的原始光强值与校正后的反射率值, 然后将牛肉样品按照3∶1比例分为校正集与预测集, 针对原始光强值与反射率值, 分别利用多元线性回归(multiple linear regression, MLR), 偏最小二乘回归(partial least squares regression, PLSR)与偏最小二乘支持向量机回归(partial least-squares support vector machine, LS-SVM)三种方法, 建立各个参数在原始光强与反射率数据两种情况下的预测模型, 并得到最佳模型结果。 结果表明, 利用反射率数据建模结果均好于光强数据结果, 其中参数L*, a*, b*的MLR建模结果优于PLSR与LS-SVR, 其预测集相关系数分别为0.983 2, 0.907 2及0.935 9, 预测集误差分别为1.00, 2.14及0.67。 参数pH值的LS-SVR建模结果优于PLSR与MLR, 其预测集相关系数为0.942 0, 误差为0.19。 最后利用未参与试验的20块牛肉样品对模型进行了验证, 颜色L*, a*, b*及pH参数的预测值与实测值的相关系数均大于0.85, 结果证明, 利用多光谱漫反射技术以及所搭建的多光谱漫反射检测系统对生鲜牛肉品质参数检测是可行的, 该方法能够为设计便携式或微型化生鲜牛肉品质的无损检测仪器提供参考与依据。

为了实现原料肉新鲜度参数的无损在线实时评估, 基于双波段可见/近红外反射光谱（350~1 100和1 000~2 500 nm）技术建立了原料肉新鲜度主要指标的在线检测系统。 研究设计了装置的光源单元、 光谱采集单元、 控制单元和驱动单元, 优化设计了光源固定支架和安放角度, 编写了相应的控制程序, 开发了实验室用和便于在不同生产线应用的两套在线检测系统。 首先, 对试验参数（传送带速度和样品到透镜入光口距离）进行了优化研究, 通过光谱相似度比较和显著性分析, 确定传送带速度是275 mm·s-1、 距离是12 cm时能够获得更加稳定的光谱信号。 然后, 基于该试验参数, 分别在静止和在线条件下采集了贮藏时间为1~13 d共50个猪肉样本的反射光谱, 并利用抛物线拟合法对双波段光谱进行融合, 以获取整条覆盖可见及近红外区域的完整光谱。 为了使两个波段范围内的光谱数据点权重相同, 在整个波段范围内均匀分布, 借助三次样条插值法将所有光谱数据点以2 nm为间隔进行重新排布。 采用窗口移动多项式最小二乘拟合法对光谱作平滑处理, 采用标准正态变量变换对每条光谱进行标准化预处理, 分别建立了静止和在线条件下新鲜度主要表征指标-颜色（L*, a*和b*）、 pH和挥发性盐基氮的预测模型, 以此验证所搭建系统的可靠性。 经过对比分析, 发现在线条件下的建模结果不如静止状态下的建模结果, 这可能与在线采集时光谱存在漂移现象有关。 进一步尝试利用一阶导数处理来消除基线漂移强化谱带特征, 并对一阶导数和标准化处理顺序对建模结果的影响进行了探讨。 结果发现先经过一阶导数再经过标准化处理, 能更好地消除外部干扰造成的影响, 建模结果更佳。 在该处理方式下, 基于第一波段光谱建立了颜色参数（L*, a*, b*）的预测模型, 基于双波段光谱建立了pH和挥发性盐基氮的在线检测模型, 预测相关系数分别为0.955 3, 0.924 7, 0.955 1, 0.961 5和0.966 8。 最后, 为了验证模型的适用性, 基于开发的便于在不同生产线应用的在线检测系统, 利用独立的20个样本对在线模型进行外部验证, 对颜色参数（L*, a*, b*）, pH和挥发性盐基氮的预测相关系数分别为0.918 9, 0.914 1, 0.947 7, 0.950 4和0.960 6。 研究结果表明, 该系统通过双波段光谱的实时采集和融合, 可以获取更多反应样本内部信息的光学信号, 具有更强的检测能力。 结合设计的光路等其他硬件单元, 可以同时获取样本表面更大区域的反射光谱信息, 从而实现对原料肉新鲜度主要表征参数的无损、 在线、 实时评估。 该系统便于组装和拆卸, 可以适应不同企业生产线的实际需要, 具有较强的实用价值和较好的市场前景。

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。