基于高光譜成像技術的對蝦品質信息快速檢測方法研究.pdf

1、對蝦是中國乃至全世界的一種重要的水產品，營養(yǎng)豐富，深受消費者喜愛。隨著人們生活水平提高，對對蝦的品質和可食用種類要求不斷提高。在對蝦打撈上來后，要經過多種多樣的加工方法加工成不同種類的對蝦產品銷售，加工過程中，物理、化學和微生物等作用都會對對蝦品質產生影響。目前市場上蝦產品種類繁多，一些不法商家為了牟取暴利，往蝦體內注射明膠，在增加對蝦體重的同時使解凍的蝦看上去飽滿而賣相好，這不僅會損害消費者的經濟利益，嚴重的甚至會損害消費者的身體健康

2、。由于人們無法用肉眼直接辨別對蝦品質的優(yōu)劣，傳統(tǒng)的檢測手段例如理化指標檢測方法，需要花費大量的人力物力，不適用于快速準確測定對蝦的品質。本課題致力于研究利用高光譜成像系統(tǒng)實現(xiàn)對蝦品質的快速無損檢測及化學成分分布可視化，為將來的食品監(jiān)測體系提供技術支持。本文的主要研究內容及成果如下：
　　 1.用高光譜成像技術預測對蝦的含水率。通過手動對對蝦高光譜圖像的分割，提取光譜數(shù)據(jù)，對對蝦的可見光譜和近紅外光譜數(shù)據(jù)分別采用LS-SVM進行建

3、模分析，并采用SPA、UVE以及UVE-SPA方法進行了特征變量選擇，通過對建立的LS-SVM、SPA-LS-SVM、UVE-LS-SVM、UVE-SPA-LS-SVM模型分析比較，得出UVE-SPA-LS-SVM模型更適合預測對蝦的含水率，去掉了大量的冗余信息的同時，減少了計算量。近紅外波段的UVE-SPA-LS-SVM模型精度要大于可見波段UVE-SPA-LS-SVM模型精度，近紅外波段模型的RPD大于3.5，模型效果更好，更適合于

4、預測對蝦的含水率。
　　 2.探討了高光譜成像技術實現(xiàn)對蝦冷藏時間的預測。分別基于可見全波段(380-1030 nm)和近紅外全波段(874-1734nm)光譜建立對蝦冷藏時間LS-SVM預測模型，得Rp2分別為0.8280和0.8592。將光譜數(shù)據(jù)經SNV預處理后，建立的模型結果更優(yōu)?；赟NV預處理，利用UVE、SPA和UVE-SPA方法分別選取特征變量，經建模分析得出可見波段，SNV-UVE-LS-SVM模型精度更高，更適

5、合預測對蝦冷藏時間，其中UVE選出93個特征變量，建模結果Rc2為0.9733，Rp2為0.9207，RMSEC為4.2354，RMSEP為5.8607，RPD值為3.5429；近紅外波段，SNV-UVE-SPA-LS-SVM模型更適合預測對蝦冷藏時間，選出了15個特征變量，Rp2為0.8663，RMSEP為7.6177，RPD值為2.7278。
　　 3.探討了高光譜成像技術實現(xiàn)對蝦冷凍時間的預測。基于可見和近紅外波段，分別建

6、立LS-SVM模型。其中，可見全波段模型對蝦冷凍時間預測的Rp2為0.9088，近紅外全波段模型對對蝦冷凍時間預測的Rp2為0.945。數(shù)據(jù)預處理后，模型結果更好，利用SNV-UVE-SPA-LS-SVM模型，精度最高。近紅外光譜數(shù)據(jù)的SNV-UVE-SPA-LS-SVM模型比可見光譜數(shù)據(jù)SNV-UVE-SPA-LS-SVM模型的Rp2升高了5.45％，RMSEP降低了44.24％，RPD值提高了68.38％。結論是利用近紅外光譜數(shù)據(jù)比

7、可見光譜數(shù)據(jù)更適合檢測對蝦的冷凍時間。
　　 4.基于高光譜成像技術，實現(xiàn)了注膠蝦的鑒別研究和注膠含量的可視化表達?；?39-1030nm的光譜數(shù)據(jù)，建立LS-SVM模型，得鑒別正確率為100％?；谌ǘ喂庾V數(shù)據(jù)，建立LS-SVM模型，實現(xiàn)了注膠蝦注膠量的無損快速檢測。首先，基于全波段建立LS-SVM模型分析得Rp2為0.962，然后基于SPA和UVE算法選擇特征波長變量，分別選出4個和80個特征變量，基于選出的特征變量分別

8、再建立LS-SVM模型得Rp2為0.9512和0.9599。UVE與SPA結合選出13個特征變量，基于特征變量建立LS-SVM模型得Rp2為0.9648。結論是UVE-SPA-LS-SVM模型更適合預測注膠蝦的注膠量。
　　 對對蝦高光譜圖像中的每個像素點的光譜數(shù)據(jù)進行分析，對每個像素點上的注膠摻假含量進行預測，從而實現(xiàn)了對蝦的注膠摻假含量通過不同顏色進行可視化表達，將摻假信息直觀地可視化表達了出來。
　　 5.蝦仁的含

9、水率預測和水分分布可視化研究?；贛atlab2009a軟件和ENVI v4.6軟件的Region of Interests Function(ROI)，分別實現(xiàn)了高光譜圖像的自動分割和手動分割，將蝦仁的圖像與背景圖像分離。將分割的圖像每個像素點的光譜數(shù)據(jù)做平均，形成每個樣本一條光譜曲線，通過對光譜數(shù)據(jù)建模分析，得基于高光譜數(shù)據(jù)變量建立LS-SVM模型能夠準確預測蝦仁的含水率。自動圖像分割數(shù)據(jù)模型的結果優(yōu)于手動動圖像分割數(shù)據(jù)模型的結果，