领学术科研之先，创食品科技之新
—— 中国食品杂志社
利用高光谱成像技术实现对红提总酸和硬度无损检测和分布可视化。首先，利用高光谱采集生长期360 个红提样本在波段450～1 000 nm的高光谱图像信息后用化学方法测定对应样本的总酸，用质构仪测定硬度。采用KS（Kennard-Stone）算法将总样本按照3∶1的比例划分为训练集（270 个样本）和测试集（90 个样本）。对红提原始光谱数据分别利用标准正态变量变换（standard normal variate transformation，SNV）、卷积平滑（Savitzky-Golay，SG）处理法、多元散射校正（multivariate scatter correction，MSC）、归一化等光谱预处理方法处理，确定最优光谱预处理方法。然后，分别采用一次降维（竞争性自适应重加权算法（competitive adaptive reweighted sampling，CARS）、连续投影算法（successive projections algorithm，SPA）、遗传算法（genetic algorithm，GA）、无信息变量消除法（uninformative variable elimination，UVE））算法和组合降维算法（CARS-SPA、UVE-SPA）6 种降维方法对光谱信息进行特征变量提取；分别建立红提总酸和硬度的偏最小二乘回归（partial least square regression，PLSR）最优预测模型。最后，根据所建最优预测模型计算红提图像每个像素点的总酸和硬度，得到灰度图像并对该灰度图像进行伪彩色变换，实现红提总酸和硬度的分布可视化。结果表明根据提取到的特征波长对生长期内的红提总酸和硬度进行建模分析得到：总酸的最优检测模型为MSC-CARS-SPA-PLSR，其预测集相关系数Rp和均方根误差分别为0.985 1、1.348 2，残差预测偏差（residual predictive deviation，RPD）为5.664 3；硬度的最优检测模型为SG-CARS-PLSR，其预测集相关系数Rp和均方根误差分别为0.929 1、7.935 4，RPD为2.510 8。综上利用高光谱成像技术可以实现红提总酸和硬度的检测与可视化分布，为生长期红提总酸和硬度的检测及可视化找到一种新方法。
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
电话: 010-87293157
地址: 北京市丰台区洋桥70号
版权所有 @ 2023 中国食品杂志社 京公网安备11010602060050号 京ICP备14033398号-2
