領(lǐng)學(xué)術(shù)科研之先，創(chuàng)食品科技之新
—— 中國(guó)食品雜志社
利用高光譜成像技術(shù)實(shí)現(xiàn)對(duì)紅提總酸和硬度無損檢測(cè)和分布可視化。首先，利用高光譜采集生長(zhǎng)期360 個(gè)紅提樣本在波段450～1 000 nm的高光譜圖像信息后用化學(xué)方法測(cè)定對(duì)應(yīng)樣本的總酸，用質(zhì)構(gòu)儀測(cè)定硬度。采用KS（Kennard-Stone）算法將總樣本按照3∶1的比例劃分為訓(xùn)練集（270 個(gè)樣本）和測(cè)試集（90 個(gè)樣本）。對(duì)紅提原始光譜數(shù)據(jù)分別利用標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate transformation，SNV）、卷積平滑（Savitzky-Golay，SG）處理法、多元散射校正（multivariate scatter correction，MSC）、歸一化等光譜預(yù)處理方法處理，確定最優(yōu)光譜預(yù)處理方法。然后，分別采用一次降維（競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（competitive adaptive reweighted sampling，CARS）、連續(xù)投影算法（successive projections algorithm，SPA）、遺傳算法（genetic algorithm，GA）、無信息變量消除法（uninformative variable elimination，UVE））算法和組合降維算法（CARS-SPA、UVE-SPA）6 種降維方法對(duì)光譜信息進(jìn)行特征變量提取；分別建立紅提總酸和硬度的偏最小二乘回歸（partial least square regression，PLSR）最優(yōu)預(yù)測(cè)模型。最后，根據(jù)所建最優(yōu)預(yù)測(cè)模型計(jì)算紅提圖像每個(gè)像素點(diǎn)的總酸和硬度，得到灰度圖像并對(duì)該灰度圖像進(jìn)行偽彩色變換，實(shí)現(xiàn)紅提總酸和硬度的分布可視化。結(jié)果表明根據(jù)提取到的特征波長(zhǎng)對(duì)生長(zhǎng)期內(nèi)的紅提總酸和硬度進(jìn)行建模分析得到：總酸的最優(yōu)檢測(cè)模型為MSC-CARS-SPA-PLSR，其預(yù)測(cè)集相關(guān)系數(shù)Rp和均方根誤差分別為0.985 1、1.348 2，殘差預(yù)測(cè)偏差（residual predictive deviation，RPD）為5.664 3；硬度的最優(yōu)檢測(cè)模型為SG-CARS-PLSR，其預(yù)測(cè)集相關(guān)系數(shù)Rp和均方根誤差分別為0.929 1、7.935 4，RPD為2.510 8。綜上利用高光譜成像技術(shù)可以實(shí)現(xiàn)紅提總酸和硬度的檢測(cè)與可視化分布，為生長(zhǎng)期紅提總酸和硬度的檢測(cè)及可視化找到一種新方法。
2023年第44卷 2022年第43卷 2021年第42卷 2020年第41卷 2019年第40卷 2018年第39卷 2017年第38卷 2016年第37卷 2015年第36卷 2014年第35卷 2013年第34卷 2012年第33卷 2011年第32卷 2010年第31卷 2009年第30卷 2008年第29卷 2007年第28卷 2006年第27卷 2005年第26卷 2004年第25卷 2003年第24卷 2002年第23卷 2001年第22卷 2000年第21卷 1999年第20卷 1998年第19卷 1997年第18卷 1996年第17卷 1995年第16卷 1994年第15卷 1993年第14卷 1992年第13卷 1991年第12卷 1990年第11卷 1989年第10卷 1988年第09卷 1987年第08卷 1986年第07卷 1985年第06卷 1984年第05卷 1983年第04卷 1982年第03卷 1981年第02卷 1980年第01卷
電話: 010-87293157
地址: 北京市豐臺(tái)區(qū)洋橋70號(hào)
版權(quán)所有 @ 2023 中國(guó)食品雜志社 京公網(wǎng)安備11010602060050號(hào) 京ICP備14033398號(hào)-2
