方案摘要
方案下载应用领域 | 食品/农产品 |
检测样本 | 玉米 |
检测项目 | |
参考标准 | 无 |
本研究应用了400-1000nm的高光谱相机,可采用杭州彩谱科技有限公司产品FS13进行相关研究。光谱范围在400-1000nm,波长分辨率优于2.5nm,可达1200个光谱通道。采集速度全谱段可达128FPS,波段选择后最高3300Hz(支持多区域波段选择)。
本研究应用了400-1000nm的高光谱相机,可采用杭州彩谱科技有限公司产品FS13进行相关研究。光谱范围在400-1000nm,波长分辨率优于2.5nm,可达1200个光谱通道。采集速度全谱段可达128FPS,波段选择后最高3300Hz(支持多区域波段选择)。
新鲜玉米在存贮过程中,由于其胚部大、水分含量高、带菌量多,高温高湿环境下极易霉变,不仅给经济造成重大损失,而且霉变玉米在代谢过程中会产生多种对人体具有极强致病性、致癌性的毒素,危害人畜健康。而目前基于理化实验分析的霉变玉米检测方法存在样品处理繁琐、费时、对样品有破坏性等缺点,难以实现简单、快速、无损检测,无法满足实际生产的需要。因此,基于高光谱技术的快速、准确、无损地霉变玉米检测研究具有重要意义。
黄曲霉毒素B1(aflatoxin B1,AFB1)和玉米赤霉烯酮(zearalenone,ZEN)是霉变玉米内生成的2种比较稳定的代谢产物,容易在霉变玉米中积累,导致含量升高,AFB1和ZEN的多少与玉米霉变情况密切相关,也是表征玉米霉变程度的重要指标。因此,可以通过监测玉米中AFB1和ZEN 含量变化来表征玉米的霉变情况,实现对玉米霉变程度的准确评价。
首先,设置适宜的温度和湿度条件,在实验室的恒温恒湿培养箱中培育不同霉变等级的玉米样品。按照国标法测定不同霉变等级玉米样品内AFB1和ZEN 含量。同时采集所有样本的高光谱图像并进行黑白校正。因为背景噪声、杂散光等无用信息的存在,原始光谱数据会受到一定的影响,进行数据分析前应对原始光谱进行预处理。
本文通过对比5种预处理方法,最终确定采用标准正态变量校正(SNV)法为预处理方法。为提高预测模型稳健性,本研究对样本集的划分进行研究,对比了随机法(RS)、KS(Kennard-Stone)算法、双向法(Duplex)和光谱-理化值共生距离(SPXY)算法4种样本集划分方法,PLSR模型构建结果表明,利用SPXY法进行样本集划分时,所构建的模型校正集和测试集准确率均高于其他三种,因而本文采用SPXY算法对样本集进行划分。为尽量有效地降低样本间的共线性,降低模型复杂度,
本文采用SPXY算法对校正集样本进行进一步优选,对于AFB1,最终从初始校正集中优选出130个样本组成模型校正集;对于ZEN,最终从初始校正集中优选出140个样本组成模型校正集。在采用均匀光谱间隔(USS)法对原始光谱变量进行初降维的基础上,对比连续投影算法(SPA)和竞争性自适应重加权算法(CARS)2种变量提取法。结果表明∶经SPA 法分别筛选出17个特征波段且基于较少校正集样本和特征波长光谱信息建立的PLSR 模型能够获得较优的预测结果。因此,基于光谱-理化值共生距离(SPXY)算法和连续投影(SPA)算法进行特征提取后建立的高光谱检测模型,可以实现对霉
变玉米中AFB1和ZEN含量的准确预测。最后,在原始光谱数据经过SNV预处理后,采用SPXY算法对校正集样本进行划分与优选,运用USS法结合SPA算法对光谱数据进行筛选的基础上分别建立基于优选后的校正集样本及特征波长PLSR、LSSVM和MLR预测模型,并对比模型结果。本研究最终确定基于LS-SVM的模型能实现对霉变玉米内 AFB1和1ZEN 含量的准确预测,该模型对AFB1和ZEN含量的预测精度(RPme,RMSEP)分别为(0.9981,0.5930)和(0.9989,0.8058)。
高光谱相机对“阳光玫瑰葡萄”的糖度测试实验
高光谱成像系统对燕麦β-葡聚糖含量估测研究
高光谱成像技术的水稻叶瘟病斑分割方法及其光谱特性分析
相关产品
关注
拨打电话
留言咨询