馬鈴薯干物質(zhì)空間分布狀態(tài)可視化研究

許英超 王相友 印 祥 胡周勛 岳仁才

(山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院， 淄博 255049)

0 引言

馬鈴薯作為第四大糧食作物，其品質(zhì)越來越受到人們的關(guān)注。馬鈴薯的品質(zhì)評(píng)價(jià)指標(biāo)較多，如硬度、蛋白質(zhì)含量、干物質(zhì)含量、還原糖含量、淀粉含量等，其中，干物質(zhì)含量是馬鈴薯加工業(yè)對(duì)馬鈴薯品質(zhì)評(píng)價(jià)的主要指標(biāo)，關(guān)系到企業(yè)原材料的成本與后續(xù)工藝參數(shù)的選擇[1]。通常用于加工的馬鈴薯干物質(zhì)質(zhì)量分?jǐn)?shù)需要達(dá)到馬鈴薯鮮質(zhì)量的18%～26%[2]。但馬鈴薯在生長(zhǎng)過程中，由于栽培方式[3]和栽培措施[4]的不同，干物質(zhì)會(huì)發(fā)生轉(zhuǎn)移，從而在馬鈴薯塊莖內(nèi)部分布不均勻。研究馬鈴薯各部位的干物質(zhì)含量及分布狀態(tài)至關(guān)重要，直接關(guān)系到馬鈴薯加工業(yè)的經(jīng)濟(jì)效益。

國(guó)外部分學(xué)者已對(duì)馬鈴薯干物質(zhì)分布情況進(jìn)行研究。PRITCHARD等[5]將馬鈴薯長(zhǎng)軸頂端部分去掉，剩余部分均勻分成9塊，干燥后測(cè)量干物質(zhì)，結(jié)果顯示，外側(cè)干物質(zhì)含量高于內(nèi)側(cè)含量。BANDANA等[6]認(rèn)為馬鈴薯表皮層干物質(zhì)含量高于其余部位。以上研究均表明馬鈴薯干物質(zhì)在馬鈴薯塊莖各部位的分布不同，但由于取樣方法的局限性，不能精確顯示各部位的具體情況。因此，需要新的方法提供更詳細(xì)的馬鈴薯干物質(zhì)含量分布信息， 目前未見國(guó)內(nèi)學(xué)者進(jìn)行此項(xiàng)研究的相關(guān)文獻(xiàn)。

高光譜成像技術(shù)將光譜技術(shù)與成像技術(shù)相結(jié)合，可同時(shí)獲取高光譜圖像中每個(gè)像素點(diǎn)的光譜信息和空間信息[7]，根據(jù)官能團(tuán)分子的振動(dòng)躍遷特性，定量測(cè)量被測(cè)物的化學(xué)、物理性質(zhì)及它們的空間分布狀態(tài)。目前，高光譜成像技術(shù)已被廣泛應(yīng)用于食品質(zhì)量的快速檢測(cè)[8]，主要檢測(cè)食品中的水分[9]、蛋白質(zhì)[10]、脂肪[11]、可溶性固形物[12]、還原糖[13]和干物質(zhì)等含量[14]。

本文采用高光譜成像技術(shù)對(duì)馬鈴薯干物質(zhì)的空間分布狀態(tài)進(jìn)行可視化檢測(cè)，結(jié)合光譜技術(shù)與圖像處理技術(shù)，建立預(yù)測(cè)模型，旨在確定馬鈴薯干物質(zhì)空間分布狀態(tài)的可視化，以期為馬鈴薯精加工提供理論指導(dǎo)，為開發(fā)便攜式測(cè)量裝置提供技術(shù)支持。

1 材料與方法

1.1 樣本

試驗(yàn)用馬鈴薯采收于山東省滕州市，品種為希森6號(hào)。挑選外表完好、無機(jī)械損傷、大小均勻的馬鈴薯20個(gè)。洗凈放于恒溫23℃暗室內(nèi)晾干24 h。參照MO等[15]方法結(jié)合前期的馬鈴薯光學(xué)特性試驗(yàn)研究，將每個(gè)樣品在平行于軸線方向用ST-208B型手動(dòng)切片機(jī)從右向左依次切11 mm的切片。如圖1所示共有6個(gè)切片，Ⅰ～Ⅴ厚度為11 mm，第6片厚度隨機(jī)。如A-A所示，將Ⅰ～Ⅴ切片用直徑15 mm的打孔器做30個(gè)標(biāo)記。采用高光譜成像系統(tǒng)對(duì)切片進(jìn)行掃描，將標(biāo)記處的馬鈴薯采用干燥法[16]進(jìn)行干物質(zhì)測(cè)量。

圖1 取樣示意圖Fig.1 Sampling image

1.2 高光譜成像系統(tǒng)

樣品信息采集，采用可見-近紅外高光譜成像系統(tǒng)。本系統(tǒng)主要包括CCD相機(jī)(美國(guó)Xenics公司)、Specim V10E型線掃式近紅外光譜儀(芬蘭奧盧光譜成像有限公司)、雙分支光纖光源(美國(guó)Advanced illumination公司)、一軸電動(dòng)移動(dòng)平臺(tái)(臺(tái)灣五鈴光學(xué)股份有限公司)、暗箱、計(jì)算機(jī)等。高光譜系統(tǒng)的波長(zhǎng)范圍為382～1 010 nm，光譜分辨率為2.8 nm，入射光狹縫寬30 μm。相機(jī)分辨率1 600像素×1 200像素。光源采用21 V/150 W鹵素?zé)艚影l(fā)光長(zhǎng)度152.4 mm的線性光導(dǎo)管加線型聚光鏡，移動(dòng)平臺(tái)移動(dòng)距離為400 mm。

1.3 高光譜圖像采集

采集的高光譜圖像質(zhì)量與相機(jī)的曝光時(shí)間、鏡頭的焦距、移動(dòng)平臺(tái)的移動(dòng)速度以及光源入射角度有關(guān)[17]。高光譜圖像采集前先將光源提前預(yù)熱30 min，以確保光源穩(wěn)定。然后調(diào)整各參數(shù)，確保圖像信息真實(shí)有效。經(jīng)過優(yōu)化，最終設(shè)置的參數(shù)如下：曝光時(shí)間為25 ms，位移平臺(tái)移動(dòng)速度為3.5 mm/s，圖像分辨率為804像素×440像素，物距為210 mm，光源入射角度為45°，如圖2所示。將3片厚度為11 mm的馬鈴薯切片根部向右按順序平鋪在移動(dòng)平臺(tái)上，關(guān)閉暗箱。打開光譜采集軟件IRCP0071-1COMB (臺(tái)灣五鈴光學(xué)股份有限公司)，采集每片馬鈴薯的高光譜圖像。之后將剩余2片馬鈴薯切片按相同步驟進(jìn)行高光譜圖像采集。

圖2 高光譜成像系統(tǒng)Fig.2 Hyperspectral imaging system1.光源 2.CCD相機(jī) 3.光譜儀 4.鏡頭 5.電動(dòng)移動(dòng)平臺(tái) 6.暗箱 7.馬鈴薯切片

1.4 高光譜圖像校正

由于暗電流的存在以及光源強(qiáng)度在不同波段下的不均勻分布，高光譜圖像中含有噪聲信號(hào)， 故需要對(duì)高光譜圖像進(jìn)行黑白標(biāo)定[18]。將反射率為0.99且與樣品等高的白板(芬蘭Specim公司)置于樣品采集區(qū)域，將采集的圖像作為全白圖像，標(biāo)記為Iw。將鏡頭蓋上鏡頭蓋采集圖像，作為全黑圖像，記為Ib。對(duì)馬鈴薯干物質(zhì)圖像進(jìn)行校正，公式為

(1)

式中I——校正后的馬鈴薯切片圖像

Ir——原始的馬鈴薯切片圖像

1.5 數(shù)據(jù)處理及建模方法

采用Unscrambler 10.5軟件對(duì)原始光譜進(jìn)行預(yù)處理，建立了馬鈴薯干物質(zhì)含量的回歸預(yù)測(cè)模型。采用Matlab 2012軟件對(duì)光譜進(jìn)行特征變量的選取。

分別采用主成分分析(Principal component regression, PCR)、支持向量機(jī)(Support vector regression, SVMR)與偏最小二乘回歸(Partial least squares regression, PLSR)預(yù)測(cè)馬鈴薯干物質(zhì)含量，并得到最優(yōu)模型。將高光譜圖像與最優(yōu)模型結(jié)合，轉(zhuǎn)化成可視化干物質(zhì)分布圖。

2 結(jié)果與分析

2.1 馬鈴薯干物質(zhì)分布

試驗(yàn)選用20個(gè)馬鈴薯，每個(gè)馬鈴薯取30個(gè)感興趣區(qū)域(Region of interesting, ROI)，共600個(gè)ROI，圖3是馬鈴薯600個(gè)ROI的干物質(zhì)含量分布情況。如圖3所示，馬鈴薯干物質(zhì)含量基本服從正態(tài)分布，在19.5%～22.5%附近較多，兩側(cè)較少。20.5%和21.5%的頻數(shù)最高，均為93次。馬鈴薯干物質(zhì)質(zhì)量分?jǐn)?shù)取值范圍較大，最小值為12.16%，最大值為28.82%，平均值為20.47%，偏差2.03%。

圖3 馬鈴薯干物質(zhì)分布情況Fig.3 Distribution of potato dry matter content

圖4為各個(gè)馬鈴薯干物質(zhì)的平均含量及偏差情況。20個(gè)馬鈴薯中干物質(zhì)總質(zhì)量分?jǐn)?shù)最小為18.70%，最大為22.92%，偏差范圍為1.60%～3.74%。

圖4 各馬鈴薯干物質(zhì)平均含量及偏差Fig.4 Average dry matter content and standard deviation of each potato

2.2 光譜特征提取

將高光譜圖像校正處理后，提取高光譜圖像上每個(gè)ROI的平均光譜。圖5為單個(gè)馬鈴薯30個(gè)ROI的原始光譜曲線，如圖所示光譜在450 nm附近有較大吸收帶，類胡蘿卜素中葉黃素和玉米黃素的最大吸收波長(zhǎng)均在450 nm 左右[19]，希森6號(hào)為黃肉品種，類胡蘿卜素含量較高。650 nm附近有小吸收峰，葉綠素在此有吸收帶。750、970 nm吸收峰分別為水的O—H三級(jí)倍頻和二級(jí)倍頻的吸收帶[20]。馬鈴薯中含有70%～80%的水，因此譜圖中970 nm附近有較大吸收帶。

圖5 馬鈴薯原始光譜Fig.5 Raw spectra of potato

2.3 光譜預(yù)處理

將600個(gè)馬鈴薯樣本按照2∶1的比例分配校正集和預(yù)測(cè)集，并保證最大值和最小值在校正集中。表1為馬鈴薯干物質(zhì)在不同預(yù)處理下建立的偏最小二乘回歸模型。SNV-SG-FD的PLSR模型最好。預(yù)測(cè)集的決定系數(shù)和均方根誤差分別為0.803和0.903%，相對(duì)分析誤差為2.248，該值大于2，因此有好的預(yù)測(cè)效果。

表1 干物質(zhì)不同預(yù)處理方法的PLSR預(yù)測(cè)模型Tab.1 Performance of PLSR models of potato dry matter by different preprocessing methods

圖6為光譜預(yù)處理后的效果圖。圖6a為SG平滑預(yù)處理后光譜圖，SG平滑預(yù)處理可有效去除光譜噪聲；與原始光譜相比光譜更平滑。圖6b為SNV預(yù)處理后光譜圖，SNV能減少基線漂移及光散射引起的光譜冗余數(shù)據(jù)，圖6b中光譜冗余數(shù)據(jù)少，更集中。圖6c為SNV-SG-FD預(yù)處理后光譜，F(xiàn)D可降低背景因素的干擾，三者相結(jié)合能更好地去除干擾，顯示有效光譜數(shù)據(jù)。由圖6c可以看出，光譜去除冗余信息，顯示出明顯的波峰與波谷。在520 nm出現(xiàn)明顯波峰，花青素的吸收帶在490～550 nm[21],馬鈴薯果肉中有較多含量的花青素[22]。在900 nm附近有較大的吸收峰，淀粉中的C—H三級(jí)倍頻和四級(jí)倍頻吸收帶分別在900 nm和740 nm附近。

圖6 預(yù)處理光譜圖Fig.6 Preprocessed spectrum

2.4 特征變量的選取

采集的光譜共包含440個(gè)波段。為了簡(jiǎn)化建模過程，加快計(jì)算速度，提高模型的預(yù)測(cè)能力，需要提取光譜的特征波段，壓縮光譜數(shù)據(jù)，以期實(shí)現(xiàn)馬鈴薯干物質(zhì)的在線可視化檢測(cè)。本文采用正自適應(yīng)加權(quán)算法(Competitive adaptive reweighted sampling, CARS)與連續(xù)投影法(Successive projections algorithm, SPA)相結(jié)合的方法對(duì)光譜進(jìn)行波段選擇[23]，并對(duì)所選波段進(jìn)行主成分分析、偏最小二乘回歸和支持向量機(jī)建模[24-25]。

正自適應(yīng)加權(quán)算法選擇變量，先優(yōu)選出PLSR回歸系數(shù)權(quán)重大的波長(zhǎng)點(diǎn)，再利用十折交叉驗(yàn)證選出n個(gè)校正集均方根誤差最小的子集作為最優(yōu)組合。圖7a是變量數(shù)選擇的變化趨勢(shì)，圖7b是十折交叉驗(yàn)證的校正集均方根誤差的變化狀態(tài)，圖7c是各變量在采樣過程中回歸系數(shù)的變化路徑。從圖7可知95次采樣獲得的校正集均方根誤差最小，通子集有42個(gè)波段。

圖7 CARS變量選擇Fig.7 Variable selection by CARS

連續(xù)投影法通過分析向量的投影，查找含有冗余信息最少的變量組，使變量共線性最小。通過CARS-SPA選擇變量，共獲得了22個(gè)特征波長(zhǎng)(410、421、446、498、525、550、560、604、644、647、661、736、778、792、845、847、898、899、900、906、912、940 nm)，結(jié)果如圖8所示。馬鈴薯干物質(zhì)的大部分成分為淀粉，故所選的對(duì)應(yīng)波段主要在900 nm附近(特征波長(zhǎng)898、899、900、906、912 nm)。馬鈴薯中葉黃素、花青素和葉綠素的含量較多故所選的特征波段較多(特征波長(zhǎng)446、498、525、550、560、644、 647、 661 nm)。

圖8 CARS-SPA二次變量選擇Fig.8 Variable selection by CARS-SPA

2.5 建模方法的優(yōu)選

表2 不同變量選擇方法及建模結(jié)果Tab.2 Performance of models on different spectra variable selection

圖9 馬鈴薯干物質(zhì)質(zhì)量分?jǐn)?shù)的PLSR預(yù)測(cè)模型Fig.9 PLSR model for potato dry matter content

2.6 馬鈴薯干物質(zhì)含量可視化分析

圖10 馬鈴薯干物質(zhì)含量空間分布圖Fig.10 Distribution map of potato dry matter content

馬鈴薯干物質(zhì)的空間分布很難通過肉眼直觀判斷，圖10是利用所得的PLSR模型，將高光譜上的像素點(diǎn)轉(zhuǎn)換成馬鈴薯干物質(zhì)含量后所得的馬鈴薯干物質(zhì)含量空間分布圖。顏色梯度條由下往上代表馬鈴薯干物質(zhì)質(zhì)量分?jǐn)?shù)由低變高，范圍為11%～28%。由圖10可知，切片Ⅰ和Ⅴ的主要顏色為紅色，干物質(zhì)質(zhì)量分?jǐn)?shù)為24.62%；切片Ⅱ和Ⅳ的主要顏色為紅色和黃色，以黃色為主，干物質(zhì)質(zhì)量分?jǐn)?shù)在19%～22%之間；中間切片Ⅲ主要呈藍(lán)綠色，干物質(zhì)質(zhì)量分?jǐn)?shù)在12%～21%之間。表明馬鈴薯中心干物質(zhì)含量最低，由中心向表皮干物質(zhì)質(zhì)量分?jǐn)?shù)逐漸增加。

切片Ⅲ的中間有條紫色豎線，是馬鈴薯的內(nèi)髓位置，主要成分為水，因此干物質(zhì)含量低，干物質(zhì)質(zhì)量分?jǐn)?shù)為12.16%。外圍藍(lán)色圈是馬鈴薯的維管束環(huán)位置，馬鈴薯的干物質(zhì)含量主要分布在內(nèi)髓與維管束環(huán)之間,內(nèi)髓干物質(zhì)含量最低。

由此可以看出高光譜圖像技術(shù)能有效實(shí)現(xiàn)馬鈴薯干物質(zhì)含量的可視化檢測(cè)，相比于傳統(tǒng)干物質(zhì)的測(cè)量方法，更快速更直觀。本研究為薯片薯?xiàng)l的加工及檢測(cè)提供了技術(shù)支持，為近紅外便攜設(shè)備的研制提供了基礎(chǔ)。

3 結(jié)論

(1)將CARS-SPA兩種選擇變量的方法相結(jié)合提取原始光譜的特征波段，共獲得了22個(gè)(特征波長(zhǎng)410、421、446、498、525、550、560、604、644、647、661、736、778、792、845、847、898、899、900、906、912、940 nm)有效波段。

(3)通過對(duì)馬鈴薯干物質(zhì)空間分布的研究，提出了采用高光譜成像技術(shù)可視化檢測(cè)馬鈴薯干物質(zhì)的方法。利用所得的CARS-SPA-PLSR模型，將高光譜圖像轉(zhuǎn)換成馬鈴薯干物質(zhì)含量空間分布圖，實(shí)現(xiàn)了馬鈴薯干物質(zhì)含量的直觀可視化檢測(cè)。

(4)得出了馬鈴薯干物質(zhì)的空間分布規(guī)律，馬鈴薯干物質(zhì)主要是分布在內(nèi)髓與維管束環(huán)之間，由內(nèi)髓向外干物質(zhì)含量逐漸增加，內(nèi)髓位置干物質(zhì)質(zhì)量分?jǐn)?shù)最低為12.16%，外層干物質(zhì)質(zhì)量分?jǐn)?shù)可達(dá)24.62%。

1 NIELSEN G G B, KJ?R A, KL?SGEN B, et al. Dielectric spectroscopy for evaluating dry matter content of potato tubers[J]. Journal of Food Engineering, 2016, 189: 9-16.

2 RADY A M, GUYER D E. Rapid and/or nondestructive quality evaluation methods for potatoes: a review[J]. Computers & Electronics in Agriculture, 2015, 117:31-48.

3 楊平, 陳昱利, 鞏法江, 等. 不同栽培方式對(duì)馬鈴薯干物質(zhì)積累分配及轉(zhuǎn)運(yùn)的影響[J]. 中國(guó)農(nóng)學(xué)通報(bào), 2017, 33(8): 13-18.

YANG Ping, CHEN Yuli, GONG Fajiang, et al. Effects of different cultivation methods on accumulation, distribution and transport of dry matter in potato[J]. Chinese Agricultural Science Bulletin, 2017, 33(8): 13-18. (in Chinese)

4 楊相昆,魏建軍,張占琴,等.不同栽培措施對(duì)馬鈴薯干物質(zhì)積累與分配的影響[J].作物雜志, 2012(4):130-133.

YANG Xiangkun, WEI Jianjun, ZHANG Zhanqin, et al. Study on accumulation and distribution of dry matter in potato under different cultivation[J]. Crops, 2012(4): 130-133. (in Chinese)

5 PRITCHARD M K, SCANLON M G. Mapping dry matter and sugars in potato tubers for prediction of whole tuber process quality[J]. Canadian Journal of Plant Science, 1997,77(3):461-467.

6 BANDANA, SHARMA V, KAUSHIK S K, et al. Variation in biochemical parameters in different parts of potato tubers for processing purposes[J]. Journal of Food Science & Technology, 2016, 53(4):1-7.

7 尹麗華. 基于高光譜成像技術(shù)的鮮棗分級(jí)技術(shù)的研究[D].太谷:山西農(nóng)業(yè)大學(xué), 2013.

YIN Lihua. Research of online grading for flesh jujube based on hyperspectral imaging abstract[D]. Taigu: Shanxi Agricultural University,2013. (in Chinese)

8 WU D, SUN D W. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment:a review—part II: applications[J]. Innovative Food Science & Emerging Technologies,2013,19(1):15-28.

9 SU W H, SUN D W. Potential of hyperspectral imaging for visual authentication of sliced organic potatoes from potato and sweet potato tubers and rapid grading of the tubers according to moisture proportion[J]. Computers and Electronics in Agriculture, 2016, 125:113-124.

10 CAPORASO N, WHITWORTH M B, FISK I D. Protein content prediction in single wheat kernels using hyperspectral imaging[J]. Food Chemistry, 2018,240(2):32-42.

11 ELMASRY G, SUN D W, ALLEN P. Chemical-free assessment and mapping of major constituents in beef using hyperspectral imaging[J]. Journal of Food Engineering, 2013, 117(2):235-246.

13 RADY A, GUYER D, LU R. Evaluation of sugar content of potatoes using hyperspectral imaging[J]. Food and Bioprocess Technology, 2015, 8(5): 995-1010.

14 宋娟, 吳晨. 基于高光譜成像技術(shù)的馬鈴薯多種營(yíng)養(yǎng)成分同時(shí)檢測(cè)[J]. 河南工業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版, 2016, 37(1):60-66.

SONG Juan, WU Chen. Simultaneous detection of quality nutrients of potaties based on hyperspectral imaging technique[J]. Journal of Henan University of Technology: Natural Science Edition,2016, 37(1):60-66. (in Chinese)

15 MO C, KIM M S, KIM G, et al. Spatial assessment of soluble solid contents on apple slices using hyperspectral imaging[J]. Biosystems Engineering, 2017, 159:10-21.

16 闞琳瑋. 不同處理方式對(duì)馬鈴薯品質(zhì)的影響研究[D]. 鄭州:河南工業(yè)大學(xué), 2014.

KAN Linwei. Effect of different processing on potatoes quality [D]. Zhengzhou: Henan University of Technology, 2014. (in Chinese)

17 馬惠玲, 王若琳, 蔡騁,等. 基于高光譜成像的蘋果品種快速鑒別[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(4):305-312. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170440&flag=1.DOI:10.6041/j.issn.1000-1298.2017.04.040.

MA Huiling, WANG Ruolin, CAI Cheng, et al. Rapid identification of apple varieties based on hyperspectral imaging[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(4):305-312. (in Chinese)

18 朱榮光, 姚雪東, 高廣娣,等. 不同儲(chǔ)存時(shí)間和取樣部位牛肉顏色的高光譜圖像檢測(cè)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(7):165-169. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130728&flag=1. DOI:10.6041/j.issn.1000-1298.2013.07.028.

ZHU Rongguang, YAO Xuedong, GAO Guangdi, et al. Hyperspectral imaging detection of beef color under different storage time[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(7):165-169. (in Chinese)

19 張春秋, 劉杰, 謝開云,等. 高效液相色譜法測(cè)定馬鈴薯薯肉中類胡蘿卜素[J]. 食品科學(xué), 2008, 29(4):302-305.

ZHANG Chunqiu, LIU Jie, XIE Kaiyun, et al. Determination of carotenoids in tuber flesh by HPLC in potato(SolanumtuberosumL.)[J]. Food Science, 2008, 29(4):302-305. (in Chinese)

20 HELGERUD T, WOLD J P, PEDERSEN M B, et al. Towards on-line prediction of dry matter content in whole unpeeled potatoes using near-infrared spectroscopy[J]. Talanta, 2015, 143: 138-144.

21 PARK B, LU R. Hyperspectral imaging technology in food and agriculture[M]. New York: Springer, 2015:104-108.

22 BROWN C R, CULLEY D, YANG C P, et al. Variation of anthocyanin and carotenoid contents and associated antioxidant values in potato breeding lines[J]. Journal of the American Society for Horticultural Science, 2005, 130(2):174-180.

23 周竹, 李小昱, 高海龍,等. 馬鈴薯干物質(zhì)含量高光譜檢測(cè)中變量選擇方法比較[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012,43(2):128-133,185.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20120226&flag=1. DOI:10.6041/j.issn.1000-1298.2012.02.026.

ZHOU Zhu, LI Xiaoyu, GAO Hailong, et al. Comparison of different variable selection methods on potato dry matter detection by hyperspectral imaging technology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(2):128-133,185. (in Chinese)

24 石力安, 郭輝, 彭彥昆, 等. 牛肉含水率無損快速檢測(cè)系統(tǒng)研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(7): 203-209.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150729&flag=1. DOI:10.6041/j.issn.1000-1298.2015.07.029.

SHI Li’an, GUO Hui, PENG Yankun, et al. Nondestructive rapid detection system for water content of beef[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7): 203-209. (in Chinese)

25 劉貴珊, 房盟盟, 馮愈欽,等. 基于高光譜聯(lián)合流化床富集的紅葡萄酒白藜蘆醇檢測(cè)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2017,48(7):301-308.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170738&flag=1. DOI:10.6041/j.issn.1000-1298.2017.07.038.

LIU Guishan, FANG Mengmeng, FENG Yuqin, et al. Detection of resveratrol in red wine based on fluidized bed preconcentration-hyperspectral imaging[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7):301-308. (in Chinese)