高光谱图像对青刀豆嫩度的检测
摘要：为了实现对青刀豆嫩度的无损检测，构建了高光谱技术检测青刀豆嫩度的检测系统。通过质构仪获得了青刀豆剪切力，拉伸力等质构信息，同时利用高光谱图像获取了光源反射模式下青刀豆的图像信息，结合偏最小二乘分析（Partial Least Squares Discriminant Analysis，PLS-DA）算法、支持向量机（Support Vector Machine，SVM）、主成分回归分析（Principle Component Analysis， PCA）3 种算法分别建立青刀豆嫩度的识别模型。结果表明，三种预测模型中，支持向量机（SVM）的预测结果的准确性最高。并采用偏最小二乘分析（Partial Least Squares Discriminant Analysis，PLS-DA）算法、支持向量机（Support Vector Machine，SVM-C）建立了高光谱技术对青刀豆感官的分级模型，准确率达到95%以上。因此高光谱技术检测在对青刀豆的分级比其对嫩度的检测具有更高的准确性。
目录
摘要3
关键词3
Abstract3
Key words3
引言4
1材料与方法4
1.1材料与处理 4
1.2方法 5
1.2.1高光谱图像检测装置及光谱采集5
1.2.2质构仪及质构数据的采集6
1.2.3检测指标及方法7
1.3 数据分析与处理 9
2结果与分析10
2.1各项质构参数及各项理化指标的分析10
2.2理化指标与质构指标的相关性分析11
2.3理化指标与质构指标的方差分析12
2.4 反射采集模式下的光谱分析13
2.5 高光谱图像对质构指标建立模型13
2.5.1光谱对青刀豆嫩度建立的PLS模型13
2.5.2光谱对青刀豆嫩度建立的PCA模型14
2.5.3光谱对青刀豆嫩度建立的SVM模型14
2.6高光谱图像对感官指标建立分级模型15
2.6.1光谱对青刀豆感官建立的SVM分级模型15
2.6.2光谱对青刀豆
*好棒文|www.hbsrm.com +Q: *351916072*
感官建立的PLS分级模型16
3讨论 17
致谢18
参考文献19
目录
摘要3
关键词3
Abstract3
Key words3
引言4
1材料与方法4
1.1材料与处理 4
1.2方法 5
1.2.1高光谱图像检测装置及光谱采集5
1.2.2质构仪及质构数据的采集6
1.2.3检测指标及方法7
1.3 数据分析与处理 9
2结果与分析10
2.1各项质构参数及各项理化指标的分析10
2.2理化指标与质构指标的相关性分析11
2.3理化指标与质构指标的方差分析12
2.4 反射采集模式下的光谱分析13
2.5 高光谱图像对质构指标建立模型13
2.5.1光谱对青刀豆嫩度建立的PLS模型13
2.5.2光谱对青刀豆嫩度建立的PCA模型14
2.5.3光谱对青刀豆嫩度建立的SVM模型14
2.6高光谱图像对感官指标建立分级模型15
2.6.1光谱对青刀豆感官建立的SVM分级模型15
2.6.2光谱对青刀豆感官建立的PLS分级模型16
3讨论 17
致谢18
参考文献19
高光谱图像对青刀豆嫩度的检测
引言
引言: 青刀豆亦称四季豆，芸豆，玉豆，小刀豆等，一年生缠绕性草本植物[1]。由于其口感和营养价值，青刀豆在夏季和秋季带来了巨大的经济利益。张等提出青刀豆含有丰富的蛋白质，脂肪和维生素[2]。然而，由于豆荚的鲜嫩程度和较高的呼吸速率会导致青刀豆的萎蔫，褪色和腐烂，从而影响青刀豆的感官，储存性和可运输性。
近年来，高光谱图像检测技术作为一种无损伤、快速地分析和评估各类食物质量与安全的方法，得到了广泛的认可[3]。高光谱图像能够检测食品的物理和形态学特征，以及内部的化学和分子学信息，从而分析和评价食品的质量与安全。这种视觉图像技术主要应用的是反射模式，它已被成功的应用于评价一系列新鲜园艺产品的坚硬程度，例如测定苹果[4]和桃子[5]的坚硬程度，牛肉[6]和猪肉[7]的嫩度，测定苹果[8]的面性。
剪切力是反应嫩度的一个主要指标，它可以展现出产品的内部结构，同时也可以间接的反应化学结构。剪切力在产生过程中的面积表示了物体所受到的阻力，也可一定程度的说明样品的成熟状态。拉伸力是用来测定把一个青刀豆拉断所需要的最小的力。这两种指标的结合可以用来判定青刀豆的成熟度和质量。
本实验通过利用高光谱图像来收集青刀豆高光谱信息，利用偏最小二乘分析法（Partial Least Squares Discriminant Analysis，PLSDA）、支持向量机（Support Vector Machine，SVM）、主成分回归分析（Principle Component Analysis， PCA）3 种算法建立青刀豆光谱值和嫩度之间的模型。同时，利用高光谱图像收集的青刀豆信息与其感官评级采用偏最小二乘分析法（Partial Least Squares Discriminant Analysis，PLSDA）、支持向量机（Support Vector Machine，SVM）算法建立分级模型，并比较两类模型的预测准确性。
1 材料与方法
1．1 材料与处理
购于南京市众彩物流农贸市场，青刀豆无虫害斑纹，异味，萎蔫，机械伤，斑点，腐烂和污染。将所购的青刀豆分为五组，每组由60个青刀豆组成，编号160。上述处理均置于RH75%，20℃的条件下储存，每隔两天进行取样测定。
随着储存时间的延长，青刀豆的变化如图1所示。随着储存时间的不断延长，青刀豆的颜色逐渐发白，褪去嫩绿色，同时逐渐出现萎蔫和斑点。在储存的第1天和第4天，豆荚呈现嫩绿色，没有任何机械损伤及锈斑；到储存的第7天和第10天时，豆荚颜色略微发白，弯曲度大于储存的前4天，部分青刀豆上出现面积较小的锈斑；到储存的第13天，青刀豆豆荚颜色明显发白，大部分青刀豆表面出现了锈斑，并伴随着果柄缺失的现象。
a b c
d f
图1 青刀豆贮藏过程中的变化（a，第1天；b，第4天；c，第7天；d，第10天；f，第13天）
1．2 方法
1．2．1 高光谱图像检测装置及光谱采集
目录
摘要3
关键词3
Abstract3
Key words3
引言4
1材料与方法4
1.1材料与处理 4
1.2方法 5
1.2.1高光谱图像检测装置及光谱采集5
1.2.2质构仪及质构数据的采集6
1.2.3检测指标及方法7
1.3 数据分析与处理 9
2结果与分析10
2.1各项质构参数及各项理化指标的分析10
2.2理化指标与质构指标的相关性分析11
2.3理化指标与质构指标的方差分析12
2.4 反射采集模式下的光谱分析13
2.5 高光谱图像对质构指标建立模型13
2.5.1光谱对青刀豆嫩度建立的PLS模型13
2.5.2光谱对青刀豆嫩度建立的PCA模型14
2.5.3光谱对青刀豆嫩度建立的SVM模型14
2.6高光谱图像对感官指标建立分级模型15
2.6.1光谱对青刀豆感官建立的SVM分级模型15
2.6.2光谱对青刀豆
*好棒文|www.hbsrm.com +Q: *351916072*
感官建立的PLS分级模型16
3讨论 17
致谢18
参考文献19
目录
摘要3
关键词3
Abstract3
Key words3
引言4
1材料与方法4
1.1材料与处理 4
1.2方法 5
1.2.1高光谱图像检测装置及光谱采集5
1.2.2质构仪及质构数据的采集6
1.2.3检测指标及方法7
1.3 数据分析与处理 9
2结果与分析10
2.1各项质构参数及各项理化指标的分析10
2.2理化指标与质构指标的相关性分析11
2.3理化指标与质构指标的方差分析12
2.4 反射采集模式下的光谱分析13
2.5 高光谱图像对质构指标建立模型13
2.5.1光谱对青刀豆嫩度建立的PLS模型13
2.5.2光谱对青刀豆嫩度建立的PCA模型14
2.5.3光谱对青刀豆嫩度建立的SVM模型14
2.6高光谱图像对感官指标建立分级模型15
2.6.1光谱对青刀豆感官建立的SVM分级模型15
2.6.2光谱对青刀豆感官建立的PLS分级模型16
3讨论 17
致谢18
参考文献19
高光谱图像对青刀豆嫩度的检测
引言
引言: 青刀豆亦称四季豆，芸豆，玉豆，小刀豆等，一年生缠绕性草本植物[1]。由于其口感和营养价值，青刀豆在夏季和秋季带来了巨大的经济利益。张等提出青刀豆含有丰富的蛋白质，脂肪和维生素[2]。然而，由于豆荚的鲜嫩程度和较高的呼吸速率会导致青刀豆的萎蔫，褪色和腐烂，从而影响青刀豆的感官，储存性和可运输性。
近年来，高光谱图像检测技术作为一种无损伤、快速地分析和评估各类食物质量与安全的方法，得到了广泛的认可[3]。高光谱图像能够检测食品的物理和形态学特征，以及内部的化学和分子学信息，从而分析和评价食品的质量与安全。这种视觉图像技术主要应用的是反射模式，它已被成功的应用于评价一系列新鲜园艺产品的坚硬程度，例如测定苹果[4]和桃子[5]的坚硬程度，牛肉[6]和猪肉[7]的嫩度，测定苹果[8]的面性。
剪切力是反应嫩度的一个主要指标，它可以展现出产品的内部结构，同时也可以间接的反应化学结构。剪切力在产生过程中的面积表示了物体所受到的阻力，也可一定程度的说明样品的成熟状态。拉伸力是用来测定把一个青刀豆拉断所需要的最小的力。这两种指标的结合可以用来判定青刀豆的成熟度和质量。
本实验通过利用高光谱图像来收集青刀豆高光谱信息，利用偏最小二乘分析法（Partial Least Squares Discriminant Analysis，PLSDA）、支持向量机（Support Vector Machine，SVM）、主成分回归分析（Principle Component Analysis， PCA）3 种算法建立青刀豆光谱值和嫩度之间的模型。同时，利用高光谱图像收集的青刀豆信息与其感官评级采用偏最小二乘分析法（Partial Least Squares Discriminant Analysis，PLSDA）、支持向量机（Support Vector Machine，SVM）算法建立分级模型，并比较两类模型的预测准确性。
1 材料与方法
1．1 材料与处理
购于南京市众彩物流农贸市场，青刀豆无虫害斑纹，异味，萎蔫，机械伤，斑点，腐烂和污染。将所购的青刀豆分为五组，每组由60个青刀豆组成，编号160。上述处理均置于RH75%，20℃的条件下储存，每隔两天进行取样测定。
随着储存时间的延长，青刀豆的变化如图1所示。随着储存时间的不断延长，青刀豆的颜色逐渐发白，褪去嫩绿色，同时逐渐出现萎蔫和斑点。在储存的第1天和第4天，豆荚呈现嫩绿色，没有任何机械损伤及锈斑；到储存的第7天和第10天时，豆荚颜色略微发白，弯曲度大于储存的前4天，部分青刀豆上出现面积较小的锈斑；到储存的第13天，青刀豆豆荚颜色明显发白，大部分青刀豆表面出现了锈斑，并伴随着果柄缺失的现象。
a b c
d f
图1 青刀豆贮藏过程中的变化（a，第1天；b，第4天；c，第7天；d，第10天；f，第13天）
1．2 方法
1．2．1 高光谱图像检测装置及光谱采集
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/swgc/spzlyaq/318.html
