基于高光譜成像技術的超聲強化熱風干燥紫薯的品質檢測研究.pdf

1、干燥是食品產(chǎn)業(yè)重要的加工及保藏方法。熱風干燥是常用的干燥方式，但傳統(tǒng)熱風干燥具有時間長、品質差等缺點，可采用超聲強化等物理加工技術來促進物料干燥過程的傳質速率，從而實現(xiàn)快速、高質的干燥加工。此外，干燥過程中的品質監(jiān)測十分重要，但常規(guī)品質檢測方法已無法滿足現(xiàn)代干燥過程中快速、無損、實時的檢測要求。光譜技術可以檢測食品的內部品質特性，但難以獲取食品品質信息空間的分布情況，也難以實現(xiàn)外部結構的有效檢測。機器視覺技術可以提取出被測物體的空間信息

2、外部屬性，但是對于食品的內部品質卻難以進行定量檢測和分析。高光譜成像技術作為一種融合了光譜技術與機器視覺技術的新型無損檢測方法，可以同時獲取食品的光譜信息與空間信息，從而達到快速預測樣品物理特性、內部化學特性以及獲取空間分布信息的效果。高光譜在食品品質與安全檢測方面的應用引起越來越多的關注，并在食品加工及品質檢測領域中發(fā)揮著重要作用。因此，將高光譜成像技術應用于干燥過程中，理論上可實現(xiàn)產(chǎn)品品質的快速、準確、無損檢測。
　　本文以紫

3、薯為研究對象，在探討超聲強化熱風干燥特性和品質特性的基礎上，研究高光譜成像技術對紫薯超聲干燥過程中水分和可凍結水的快速精確檢測，利用高光譜成像技術對紫薯超聲干燥過程中花青素含量變化及空間分布進行預測及可視化研究，探討不同光譜波段對紫薯超聲干燥過程中總黃酮含量預測模型的影響，為利用高光譜成像系統(tǒng)實現(xiàn)紫薯超聲干燥過程中物料品質的快速無損檢測提供支持，也為高光譜成像技術在食品加工品質檢測領域中的應用提供參考。研究主要內容如下：
　　1.

4、利用接觸式超聲強化熱風干燥設備，研究在不同干燥溫度及不同超聲功率下，紫薯片的干燥特性和品質變化規(guī)律。結果表明：隨著干燥溫度和超聲功率的增加，干燥時間明顯縮短，干燥速率顯著提高；Weibull分布函數(shù)可實現(xiàn)對干燥過程的有效模擬；水分擴散系數(shù)隨干燥溫度和超聲功率的升高而增大；干燥活化能隨著超聲功率的增加而相應減少；利用掃描電鏡觀察紫薯的微觀結構，表明提高超聲功率會導致紫薯組織結構中的微細孔洞明顯增多并擴張；差示掃描量熱儀（DSC）檢測結果表

5、明，超聲可提高水的流動性并降低玻璃化轉變溫度；在相同超聲功率下，隨著干燥溫度升高，總酚和總黃酮含量基本呈現(xiàn)先升高后下降的趨勢；在較低干燥溫度下，增大超聲功率有利于提高總酚和總黃酮含量，但在較高溫度下，過高超聲功率則不利于總酚和總黃酮成分的保持；提高超聲功率可降低干燥過程能耗。將超聲技術用于熱風干燥過程的強化，可有效提高干燥速率和干燥品質。
　　2.利用高光譜成像技術實現(xiàn)紫薯干燥過程中水分含量及可凍結水含量的快速準確預測。提取高光譜

6、圖像的平均光譜，使用移動窗口平滑、多元散射校正（MSC）和SG卷積平滑預處理方法對光譜進行預處理，并基于全波段光譜分別建立水分含量和可凍結水含量的偏最小二乘（PLSR）預測模型；應用相關系數(shù)法（RC）提取能表征水分含量和可凍結水含量的特征波長，最后分別基于光譜特征波長建立PLSR、多元線性回歸（MLR）和BP神經(jīng)網(wǎng)絡（BP-ANN）預測模型。結果表明：MSC光譜預處理有助于提高PLSR模型精度，RC算法分別提取選擇水分含量的10個特征波

7、長和可凍結水含量的9個特征波長?；谔卣鞑ㄩL建立的RC-MLR可有效提高模型精度及簡化模型，水分和可凍結水訓練集的決定系數(shù)分別為0.9417和0.8708，預測集的決定系數(shù)分別為0.9359和0.8592。
　　3.采用高光譜成像技術檢測紫薯干燥過程中花青素含量變化。對提取的平均光譜進行光譜預處理，建立PLSR和最小二乘支持向量機（LS-SVM）模型，并選擇了最優(yōu)光譜預處理方式。運用RC算法選擇特征波長，并基于特征波長光譜信息建立

8、PLSR、MLR和LS-SVM模型，對比選擇最優(yōu)模型。最后，應用最佳模型對預測集樣本圖像上每個像素點的花青素含量進行預測，實現(xiàn)花青素含量的分布可視化。結果表明：MSC光譜預處理方法可提高 PLSR模型和 LS-SVM模型精度，利用 RC算法提取選擇10個特征波長，基于特征波長下建立的RC-MLR模型預測精度最好，訓練集的決定系數(shù)為0.8679，預測集的決定系數(shù)為0.8659，并應用RC-MLR模型實現(xiàn)了干燥過程中花青素含量分布變化的可視

9、化。
　　4.探討不同光譜波段對不同超聲功率下干燥過程中紫薯片總黃酮含量預測模型的影響。分別應用不同光譜預處理方法對全波段（371~1023 nm）原始平均光譜、可見光波段（400~760 nm）原始平均光譜和近紅外波段（760~1023 nm）平均光譜進行校正，并分別建立樣本光譜數(shù)據(jù)與檢測的總黃酮含量之間的PLSR和LS-SVM模型。結果表明：MSC預處理后建立的模型預測結果均最好。經(jīng)過MSC預處理后，基于可見光波段光譜建立的P