共查询到20条相似文献，搜索用时 31 毫秒
1.
K值是评价猪肉新鲜度的重要指标,能够反映猪肉内核苷酸的分解情况,从而评定肉的变质程度。一般采用高效液相色谱法测定K值,此方法过程耗时,需破坏被测样品,不能满足生产和流通环节的快速检测需求。本文利用太赫兹(THz)光谱分析技术无损检测猪肉K值,探索快速检测K值的可行性。在0.2~2 THz范围内,采用衰减全反射模式提取80份不同新鲜度的猪肉THz光谱数据,同时用高效液相色谱法测定每份样品的K值。THz光谱原始数据经过一阶微分和Savitzky-Golay平滑滤波后,分别用主成分回归(PCR)、偏最小二乘回归(PLSR)和反向传播神经网络回归(BP-ANN)建立了THz光谱预测猪肉K值的数学模型。研究表明:非线性BP-ANN模型预测精度最高,相关系数为0.75,均方根误差为14.36%;采用THz光谱数据BP-ANN模型能够检测猪肉的新鲜度K值。与HPLC方法相比,该方法具有快速、无损、简单的特点。 相似文献
2.
基于近红外漫反射光谱技术的芒果糖度无损检测方法研究 总被引：2，自引：0，他引：2
近红外光谱分析技术是近年迅速发展的一门绿色分析技术,具有快速、准确、无损伤检测的特点,正越来越广泛地应用于水果内部品质的无损检测。为此,应用近红外漫反射光谱技术无损检测芒果糖度,光谱数据经一阶微分和Savitzk-Golay预处理后,分别采用主成分回归法(PCR)和偏最小二乘法(PLS)建立芒果糖度近红外分析模型,当主成分数为10时,预测相关系数R分别为0.838 69,0.976 59,RMSEC分别为1.628 4,0.205 8,MEP为1.235 0,0.738 3;采用BP神经网络对70个样品光谱进行训练,建模集相关系数达到0.983 3,而对36个预测样品集的相关系数只有0.663 9;调整建模集和预测集样品,相关系数增大到0.683 6,平均相对误差由10.336 9%降到8.057 6%。研究结果表明,利用近红外漫反射光谱技术对芒果糖度进行无损检测是可行的。 相似文献
3.
畜肉品质光谱检测过程中,不同样品之间的厚度差异导致肉品表面到光纤探头的检测距离存在差异,对预测结果影响较大。针对这一问题,设计了一种用于肉品无损检测的光学传感器,并间隔玻璃从下至上对畜肉品质进行检测,消除了样品厚度对检测距离的影响,并分析了光谱曲线随检测距离变化的变化规律。为探究所设计方案的可行性,搭建了试验平台,包括光谱仪、距离调节机构、光源、石英玻璃、光学传感器和计算机,其中石英玻璃可透过220~2500nm波长范围的光而无吸收,光学传感器可以帮助采集更多的肉品漫反射光。选择了18个猪肉样品贮藏在4℃环境中,并在不同的冷藏时间取出进行光谱采集（400～1100nm）,采用不同的检测距离（8～22mm,间隔2mm）,最后测量样品的挥发性盐基氮（TVB N）含量。在获得样品光谱数据后,分别用1阶导数、多元散射校正（MSC）、标准正态变换（SNV）和1阶导数+SNV等方法进行预处理,并建立猪肉的TVB N含量的偏最小二乘回归（PLSR）预测模型。结果表明：当检测距离为16mm,采用1阶导数+ SNV预处理时,建立的TVB N含量预测模型效果最好,校正集相关系数和均方根误差分别为0.98和0.92mg/(100g),预测集相关系数和预测均方根误差分别为0.97和1.56mg/(100g)。因此,利用所设计光学传感器对猪肉新鲜度进行检测是可行的。 相似文献
4.
5.
近红外光谱检测梨果硬度研究 总被引：1，自引：0，他引：1
《中国农机化学报》2015,(6)
应用近红外漫反射无损检测梨果硬度。采集240个梨样品的光谱数据,150个梨样品数据用于建模集来建立模型,另外90个样品数据用于预测集,评价模型的性能。采集完整梨果的近红外漫反射光谱(350~1 800nm),为简化模型,原始光谱经小波算法去除噪声,然后采用CARS算法,波长由最初的1 451个降低为58个,采用偏最小二乘回归建立梨果硬度的定量预测数学模型。研究发现,CARS算法在简化模型同时,模型的预测评价指标优于原始光谱建模的模型,硬度定量预测数学模型的决定系数(Rp2)为0.66,均方根误差(RMSEP)为1.66。近红外漫反射光谱作为一种无损的检测方法,可用于评价梨果的硬度。 相似文献
6.
利用可见-近红外光谱(VNIR)检测土壤磷(P)和钾(K)含量存在精度不高的问题。为消除土壤质地、类型、颜色、颗粒大小、形状、密度等对光谱精度的影响,利用VNIR检测土壤P和K,采用直接正交信号校正(DOSC)光谱预处理降低干扰的方法,对美国密苏里州8种类型土壤共1 582个土壤样品、在350~2 500 nm波段内进行VNIR光谱扫描,对光谱进行吸光度、均值归一化、5点均值滤波平滑处理后,分别用DOSC处理和未处理数据建立偏最小二乘回归(PLSR)分析模型对P和K进行预测。实验结果表明,DOSC处理后得到的模型预测精度显著提高,其预测均方根误差(RMSEP)降低21.50%(P)、26.93%(P(0,27))、24.64%(K)和27.67%(K(0,192)),预测决定系数(R2)提高85.76%(P)、108.31%(P(0,27))、59.38%(K)和87.01%(K(0,192)),相对分析误差(RPD)提高27.37%(P)、36.90%(P(0,27))、32.75%(K)和38.29%(K(0,192))。用DOSC算法在多类型土壤的P和K的VNIR测定中,能消除由于土壤质地、类型等引起的噪声信息,提高模型预测精度,为多类型土壤P和K的VNIR测定提供了一种光谱预处理方法。 相似文献
7.
生鲜猪肉主要品质参数无损在线检测系统 总被引：5，自引：0，他引：5
基于可见近红外光谱技术,设计了生鲜猪肉品质无损在线检测装置.介绍了该系统的工作原理、工作过程、硬件组成及软件系统功能.系统硬件包括光谱信息采集装置、样品传送单元、位置检测单元、控制单元和计算机等.基于Delphi和Matlab语言开发了与PC硬件和Windows XP软件环境兼容的光谱信息自动采集和实时处理的无损在线检测软件系统.该系统可实现生鲜猪肉样品光谱数据的自动采集、光谱数据的在线处理、样品品质参数的在线预测与检测结果的在线显示.将该系统用于生鲜猪肉水分含量的在线检测.结果表明,该在线检测装置检测精度高、可靠性好,可用于肉品主要品质参数的无损在线检测. 相似文献
8.
《农业机械学报》2019,(Z1)
为了适应日益增长的鲜切果品消费需求,基于光谱分析技术和传感器技术,集成微型光谱仪、质量传感器、照度计和树莓派显示屏等电子元器件,设计了一套鲜切果品新鲜度可见光/近红外快速检测装置。硬件系统包括数据采集模块、光源模块、结果输出显示模块和控制器模块,软件实现处理数据、调用分级模型和反馈分级结果等功能。以鲜切苹果为例,采集24个红富士苹果样本在400～820 nm波段的光谱反射率,并在室温下分别于0～2 h、2. 5～8 h和8. 5～30 h 3个时间段,对每一个待测样品进行4组光谱数据测量,共获取288个原始样本数据。以切开时长2 h为分界线,将苹果样品分为2个等级。利用15点的S-G平滑卷积对反射光谱数据进行平滑处理后,使用核函数为高斯核函数(RBF)的支持向量机建立苹果新鲜度可见/近红外光谱检测分级模型,预测集准确率可达86. 81%。该鲜切果品新鲜度可见/近红外快速检测装置可为果品新鲜度或切后存放时长的快速无损检测提供方法与技术支持。 相似文献
9.
为了实现燕麦β-葡聚糖含量的快速、准确、无损测定,研究了一种基于高光谱技术的燕麦β-葡聚糖含量测定方法。采集燕麦400~1 000nm范围的高光谱数据,采用多元散射校正方法处理原始光谱,使用分段线性回归分析方法对光谱数据进行降维,将光谱按照全波段(分1段)、100nm间隔(分3段)、200nm间隔(分6段)进行划分,共分成10段并分别计算出每段的特征拐点,共提取出10个特征拐点波长;将光谱特征拐点波长的反射率作为BP神经网络的输入向量,中间计算隐含层神经元的传递函数,采用S型正切函数logsig,输出向量是一维目标向量(即燕麦β-葡聚糖含量),采用BP神经网络对燕麦β-葡聚糖含量进行预测。结果表明:燕麦β-葡聚糖含量的预测值与国标测定值之间的决定系数R2达到0.75,预测均方根误差(RMSEP)达到0.009 8。将特征拐点波长与β-葡聚糖含量进行统计分析发现:燕麦β-葡聚糖含量的敏感波段在492、874、930nm附近,采用高光谱技术对燕麦β-葡聚糖含量进行无损检测是可行的。研究结果为燕麦β-葡聚糖含量的快速无损检测提供了理论依据和实用方法。 相似文献
10.
研究提出了近红外光谱技术无损检测香蕉品质指标的新方法。采用The Unscramble 9.7分析软件,建立了香蕉糖度、坚实度和粘度的预测模型。根据定标集样品常规方法测定结果和所扫描得到的香蕉未剥皮和剥皮的光谱信号间的拟合关系,采用偏最小二乘法建立香蕉糖度、坚实度和粘度的定标模型,并用未参与定标的一组样品作为预测集对模型进行检验。未剥皮香蕉的糖度、坚实度和粘度的预测决定系数分别为0.94,0.95,0.93,剥皮香蕉的糖度、坚实度和粘度的预测决定系数分别为0.92,0.97,0.95,预测精度较高。结果表明,香蕉皮对其的影响不大,近红外光谱技术可应用于未剥皮香蕉品质检测,实现了香蕉品质的快速、无损检测,为香蕉品质的无损检测提供了理论依据。 相似文献
11.
基于高光谱成像的柑橘黄龙病无损检测 总被引：4，自引：0，他引：4
采用高光谱成像技术,结合最小二乘支持向量机(LS-SVM)和偏最小二乘判别分析(PLS-DA)2种方法,探索柑橘黄龙病快速无损检测的可行性。在380~1 080 nm光谱范围内,采集正常、轻度黄龙病、中度黄龙病、重度黄龙病和缺素5种柑橘叶片的高光谱图像。采用方差分析方法,分析了正常、轻度黄龙病、中度黄龙病、重度黄龙病和缺素5种叶片的叶绿素、淀粉和可溶性糖含量间的差异,表明3指标可作为判别黄龙病的指示性指标。采用偏最小二乘法,建立了叶绿素、可溶性糖及淀粉3指标含量的定量分析数学模型,模型预测均方根误差分别为7.46、5.51、5.88,提供了柑橘黄龙病高光谱成像快速检测依据。提取高光谱图像感兴趣区域的平均光谱,通过分析正常、轻度黄龙病、中度黄龙病、重度黄龙病和缺素5种叶片的代表性光谱,在750 nm处吸光度存在差异。采用2阶导数处理样品光谱,消除了450~650 nm和800~1 000 nm波段的基线漂移,放大了有效光谱信息。采用主成分分析(PCA)和连续投影算法(SPA)筛选柑橘黄龙病LS-SVM定性判别模型的输入变量,建立了LS-SVM定性判别模型,同时与PLS-DA进行对比。采用未参与建模的预测集样品评价模型性能,结果表明PLS-DA模型判别柑橘黄龙病的准确率更高,模型误判率为5.6%。实验结果表明,高光谱成像技术结合偏最小二乘判别分析方法可实现柑橘黄龙病快速无损检测与黄龙病病情等级判别。 相似文献
12.
基于近红外光谱的猪肉水分在线检测与分级 总被引：2，自引：0，他引：2
基于近红外光谱法,优化光纤探头检测距离并通过检测距离调节系统和多点同时检测,设计了猪肉水分在线检测分级系统。首先,为确定光纤探头与生鲜猪肉样品表面间的最佳检测距离,在13个不同检测距离下(5~29 mm)采集了54个样品的光谱,采用多元散射校正方法对原始光谱进行预处理,分别建立了第1波段(349~1 435 nm)、第2波段(1 037~1 761 nm)和双波段结合3种情况的含水率偏最小二乘回归模型,分析了不同检测距离和不同波段的模型,确认19 mm为在线检测分级装备的最佳检测距离。然后,通过检测距离实时调节系统动态固定最佳检测距离,设计了双波段多点同时检测系统,采集45个猪肉样品在静态条件和在线条件下的光谱,通过比较分析,两种情况下预测结果相近,从而证实了所设计的在线系统能够预测猪肉水分,并且双波段融合建模效果优于单波段,预测结果为:校正集相关系数和校正均方根误差分别为0.906和0.598,验证集相关系数和预测均方根误差分别为0.836和0.402。最后,利用独立的21个猪肉样品验证猪肉预测分级模型精度及稳定性,结果判断正确率为90.48%,表明可见近红外光谱法结合多点检测能有效地在线检测猪肉水分并分级。 相似文献
13.
近红外光谱在南疆红枣糖度无损检测中的应用 总被引：2，自引：0，他引：2
南疆红枣的分级目前还停留在外部品质,然而红枣的内部品质比外部品质更重要。红枣的内部品质包括糖度、酸度等。利用近红外漫反射光谱技术对南疆红枣糖度进行无损检测,应用傅立叶变换近红外光谱仪采集红枣光谱图,糖度的测定选用数字阿贝折射仪。分别选用偏最小二乘法(PLS)和主成分回归分析法(PCR)的化学计量学方法建立红枣校正模型,光谱数据预处理选择一阶导数光谱、平滑等,得到的校正相关系数(Rc)为0.942 5,预测相关系数(Rp)为0.910 4,校正标准偏差(SEC)值为1.02。预测标准偏差(SEP)值为0.836,主因子数为5。 相似文献
14.
基于高光谱成像的青梅酸度检测方法 总被引：4，自引：0，他引：4
针对传统理化分析的青梅酸度检测方法破坏性大、耗时长、无法实现在线检测的不足,对基于高光谱成像技术的青梅酸度快速无损检测方法进行研究。采集了487个青梅样本在550~1 000 nm波段内的高光谱图像,经过光谱相对反射率校正和6种不同滤波后,分别利用连续投影算法(SPA)、遗传算法(GA)以及连续投影结合遗传算法(SPA+GA)3种光谱降维方法,提取了反映青梅内部酸度信息的特征波长,并建立波长与青梅p H值的偏最小二乘(PLS)预测模型,研究不同滤波和不同降维方法下的预测精度。研究结果表明:同一预测模型,Savitzky-Golay(S-G)平滑滤波预测精度最高;相比SPA或GA单一算法降维,经5点S-G平滑滤波后SPA+GA光谱降维的方法,可显著降低模型复杂度,提高模型预测精度,预测集的均方根误差为0.070 6,相关系数为0.792 5。 相似文献
15.
近红外漫反射光谱检测土壤有机质和速效N的研究 总被引：2，自引：0，他引：2
利用近红外漫反射光谱检测技术对土壤有机质和速效N含量进行了相关研究。通过自行设计的NIR光谱系统测定了150个土壤样品有机质和速效N。126个土壤样品用来建立校正集模型,其余24个用来验证模型的性能。采集完整土壤样品的近红外漫反射光谱,原始光谱经移动窗口平滑处理、SNV和一阶微分预处理后,分别采用最小二乘支持向量机(LS-SVM)和偏最小二乘法(PLS),建立土壤有机质和速效N含量的定量预测数学模型。结果表明采用一阶微分结合最小二乘支持向量机(LS-SVM)所建模型的预测效果较好,土壤有机质和速效N含量定量预测数学模型的决定系数分别为0.8255和0.8015,均方根误差分别为2.84和16.80。近红外漫反射光谱作为一种检测方法,可用于评价土壤有机质和速效N含量。 相似文献
16.
土壤的重金属污染影响农业和食品安全,对重金属污染的快速检测是一个亟需解决的问题。该研究应用激光诱导击穿光谱（Laser induced breakdown spectroscopy,LIBS）结合化学计量学方法对土壤中的镉（Cd）元素进行定量分析。根据土壤重金属污染的不同程度,制作含有Cd元素的15个浓度梯度的土壤样本,并采集各个样本的LIBS谱线。采用光谱预处理方法来减少试验误差和噪声。选取了Cd元素的分析谱线与分析谱线区间,建立基于偏最小二乘回归（Partial least squares regression,PLSR）和反向传播人工神经网络（Back propagation-artificial neural network,BP-ANN）方法Cd元素含量回归模型。分析表明,非线性BP-ANN模型的预测性能优于线性PLSR模型,这可能是因为非线性模型能够通过自适应较好地解决土壤基体效应的影响。研究表明,LIBS技术结合多元化学计量学方法能够对土壤重金属镉进行准确检测,这为分析检测类似重金属元素提供思路,也为开发大田土壤营养元素和重金属检测仪器提供理论基础和技术支撑。 相似文献
17.
18.
基于高光谱图像的龙眼叶片叶绿素含量分布模型 总被引：2，自引：0，他引：2
针对传统高光谱单点法检测叶绿素含量效率低、精度不足等问题,提出一种基于高光谱图像和卷积神经网络(CNN)多特征融合的深度学习龙眼叶片叶绿素含量分布预测模型。首先进行Savitzky-Golay光谱去噪,然后通过奇异值分解(SVD)和独立成分分析(ICA)提取特征光谱,再对特征光谱图像提取灰度共生矩阵(GLCM)和CNN纹理特征,最后建立粒子群优化(PSO)支持向量回归(SVR)、深度神经网络(DNNs)分布模型。结果表明,基于特征光谱建模的PSO-SVR预测效果最佳,全期的校正集和验证集模型决定系数R2为0.822 0和0.815 2。对比多种主流模型,基于特征光谱、GLCM纹理、CNN纹理特征的ICA-DNNs模型预测精度最高,校正集和验证集R2分别为0.835 8和0.821 0。试验结果表明,高光谱图像可快速无损地对龙眼叶片叶绿素含量分布进行检测,可为龙眼树实时营养监测和病害早期防治提供理论依据。 相似文献
19.
20.
常规化学方法检测农药残留不仅对样品具有破坏性,而且费时费力。本文以激光诱导荧光结合高光谱图像技术为手段,对脐橙表面的敌敌畏农药残留进行光谱无损检测;实验方法是在脐橙表面,喷施用自来水配制的不同浓度的敌敌畏农药溶液,在实验室条件下风干后,采集激光诱导荧光高光谱图像,再用气相色谱法检测脐橙表面的农药残留量,应用偏最小二乘(Partial least squares,PLS)方法建立农药残留的预测模型,并找出最佳光谱区间,然后应用支持向量机(Support vectormachine,SVM)方法在最佳光谱区间的基础上建立农药残留的预测模型;所建模型结果其预测集样品的农药残留量实测值(0.4862~10.3791mg/kg)和预测值之间的相关系数为0.8101;实验结果说明,以激光诱导荧光结合高光谱技术为手段的无损检测技术,在检测脐橙农药残留方面是有可行性的。 相似文献