可見/近紅外高光譜成像技術(shù)對雞蛋種類無損判別

丁佳興，楊曉玉，房盟盟，何建國

(寧夏大學(xué) 農(nóng)學(xué)院，寧夏 銀川 750021)

1 引 言

雞蛋素以營養(yǎng)豐富、口味鮮美深受人民青睞，很多人已經(jīng)將雞蛋當(dāng)成每日生活的必需品[1]。隨著人們生活水平的提高，消費者越來越重視雞蛋的品質(zhì)和營養(yǎng)，而雞的品種、飼料、營養(yǎng)水平、飼養(yǎng)方式、飼養(yǎng)條件等因素都能影響雞蛋的品質(zhì)和營養(yǎng)[2-4]。不同種類雞蛋的品質(zhì)營養(yǎng)、口感有很大區(qū)別，營養(yǎng)價值高、口感好的雞蛋其成本必然很高，售價也隨之增加。以普通的低質(zhì)蛋來冒充高營養(yǎng)的優(yōu)質(zhì)蛋的現(xiàn)象屢見不鮮，損害消費者利益、影響市場，所以實現(xiàn)實時、快速對雞蛋種類判別對打擊無良商販，維護雞蛋市場秩序意義重大。

目前，雞蛋種類判別主要靠人工經(jīng)驗，這種方法勞動強度大、效率低且成本高。因此有必要研究一種快速、實時和高識別率的雞蛋種類判別方法。而現(xiàn)在研究無損檢測禽蛋的技術(shù)有紅外光譜[5-7]、機器視覺[8]、介電特性[9]等，但對于高光譜成像技術(shù)應(yīng)用于雞蛋種類判別未見報道。高光譜成像技術(shù)是近年來發(fā)展起來的一種集圖像和光譜于一體的無損檢測新技術(shù)，且廣泛應(yīng)用于農(nóng)產(chǎn)品品質(zhì)無損檢測[10]。高光譜成像技術(shù)優(yōu)于近紅外光譜技術(shù)，它可以采集樣本整個面的光譜和圖像，利用平均光譜來反映樣本，相關(guān)性好，滿足實時、快速、無損及可視地判別雞蛋種類。

本文以3種雞蛋作為研究對象，利用高光譜成像技術(shù)獲取樣品可見光區(qū)400～1 000 nm的光譜數(shù)據(jù)。首先通過SG卷積平滑(Savitzky-Golay smoothing，SGS)、標(biāo)準(zhǔn)正態(tài)變量變換(Standardized normal variate，SNV)、面積歸一化(Area-normalization)和去趨勢(Detrending)方法[11-13]對原始光譜進行預(yù)處理，建立PLS-DA雞蛋判別建模，根據(jù)模型效果優(yōu)選預(yù)處理方法。然后利用競爭性正自適應(yīng)加權(quán)算法(Competitive adaptive reweighted sampling，CARS)、遺傳偏最小二乘法(Genetic algorithms PLS，GAPLS)、間隔蛙跳算法(Interval random frog，IRF)提取特征波長，分別建立基于全光譜和特征波長的K最近鄰分類算法[14](K-nearest neighbor，KNN)和偏最小二乘判別分析[15](Partial least squares-discriminant analysis，PLS-DA)的雞蛋種類判別模型；分析比較提取特征波長方法和建模方法對雞蛋種類判別效果；選出最優(yōu)模型，進而為高光譜成像技術(shù)對雞蛋種類快速無損判別提供技術(shù)支撐。

2 材料與方法

2.1 材料與儀器

實驗選用3個不同種類、生產(chǎn)日期相同的雞蛋樣本，每種各購買80枚，其中富硒蛋與無公害雞蛋選自寧夏當(dāng)?shù)貎煞N不同品牌的海蘭褐雞蛋，普通雞蛋選自普通養(yǎng)殖場出產(chǎn)的洋雞蛋，清洗表面污染物，從中挑出大小均勻、表面無損傷雞蛋作為最終實驗樣本，最終選出富硒蛋、無公害雞蛋和普通雞蛋分別為75、72和77枚，總樣本共224個。

可見-近紅外高光譜成像系統(tǒng)(400～1 000 nm，光譜分辨率4.8 nm，125個波段)如圖1所示。該系統(tǒng)由高光譜成像儀(V10E-QE型，芬蘭Spectral Imaging Ltd.公司)、CCD相機(C8484-05G型，日本Hamamatsu公司)、光纖鹵素?zé)?DCRⅢ型，150 W，美國Schott公司)、電控位移平臺(SC300-1A型，北京Zolix公司)組成。

圖1 可見-近紅外高光譜成像系統(tǒng)Fig.1 Vis/NIR hyperspectral imaging system

2.2 實驗方法

2.2.1 高光譜圖像的采集

利用Spectral cube軟件(Spectral Imaging Ltd.,Finland)采集高光譜圖像，為使圖像清晰不失真，經(jīng)過多次實驗嘗試，最終系統(tǒng)條件設(shè)置為：相機曝光時間設(shè)為10 ms，物鏡高度為385 mm，電控位移平臺速度為15 mm/s。

由于CCD相機中暗電流存在會導(dǎo)致圖像光譜中含有較大的噪聲，影響圖像質(zhì)量。因此采集前需要進行黑白校正[16-17]，以消除噪聲的影響。通過蓋住相機鏡頭采集得到全黑圖像和采集標(biāo)準(zhǔn)全反射白板獲得白圖像，黑白校正公式為：

(1)

其中：I為校正后的漫反射光譜圖像；R為樣本原始的漫反射光譜圖像；Rd為全黑圖像；Rw為白板的漫反射圖像。獲得樣本高光譜圖像后，利用ENVI 4.8軟件選取雞蛋橢圓表面作為感興趣區(qū)域(Region of interest，ROI)，計算出每張ROI的平均反射光譜作為樣本的反射光譜。

2.2.2 樣本劃分方法

本研究采用Galvao等[18]提出的SPXY(Sample set partitioning based on jointX-Ydistance)法劃分樣本。該方法是在KS(Kennard Stone)法的基礎(chǔ)上發(fā)展起來的，其優(yōu)點是將變量X和Y均考慮在內(nèi)，能夠有效地覆蓋多維向量空間，從而改善所建模型的預(yù)測能力。

2.2.3 光譜數(shù)據(jù)處理方法

由于儀器噪音、雞蛋表面凹凸不平等因素對光譜的影響，需要將原始光譜數(shù)據(jù)進行預(yù)處理。本文選取SG卷積平滑、SNV、Area-normalization和Detrend預(yù)處理方法處理。

由于全光譜包含所有光譜變量，信息冗余，選用適當(dāng)?shù)奶卣鞑ㄩL提取方法剔除不相關(guān)或者非線性變量，實現(xiàn)用少數(shù)關(guān)鍵變量代替全光譜，達(dá)到降低模型運算量和復(fù)雜度、提高模型穩(wěn)定性和預(yù)測準(zhǔn)確性的目的。本文選用CARS、GAPLS和IRF法提取特征波長，其中CARS是借助自適應(yīng)重加權(quán)采樣技術(shù)和指數(shù)衰減函數(shù)從所構(gòu)建的PLS模型中優(yōu)選出回歸系數(shù)絕對值較大的波長變量，再利用十折交叉驗證從上述PLS模型中優(yōu)選出交叉驗證均方根誤差RMSECV最小的模型，最終將該模型下的波長變量作為最優(yōu)特征波長[19-21]；GAPLS是以生物進化論為基礎(chǔ)，模擬物種的競爭選擇的進化機制而建立的一種優(yōu)化方法，數(shù)據(jù)經(jīng)過選擇、交叉和變異等遺傳操作，產(chǎn)生新的個體，用建模效果優(yōu)的“后代”代替原來的個體，找到波長的最優(yōu)組合[22-23]。IRF是基于隨機蛙跳方法的一種波長間隔選擇方法。不同在于將整個光譜按照特定寬度劃分成子區(qū)間，不同組合區(qū)間，通過每個區(qū)間光譜點的絕對回歸系數(shù)總和來評估區(qū)間，找到最佳區(qū)間組合[24]。

其中光譜預(yù)處理在The Unscrambler X 10.4上實現(xiàn)，其余算法在Matlab R2014a上完成。

3 結(jié)果與討論

3.1 原始光譜及預(yù)處理

本文采用SG卷積平滑、SNV、Area-normalization和Detrend預(yù)處理方法對原始光譜進行處理。建立PLS-DA模型，每次建立PLS-DA模型之前，首先確定最佳主成分?jǐn)?shù)，方法如下：設(shè)定最大主成分?jǐn)?shù)20、數(shù)據(jù)歸一化、百葉窗交互驗證[25-26]，交互驗證組數(shù)為5，原始光譜的交互驗證的錯誤率隨主成分?jǐn)?shù)的變化如圖2所示，原則是根據(jù)交叉驗證中的最小錯誤率確定最優(yōu)主成分?jǐn)?shù)。從圖2可以看出，隨主成分?jǐn)?shù)增加交互驗證錯誤率呈下降趨勢，當(dāng)主成分?jǐn)?shù)為15和16時，對應(yīng)錯誤率均為0.104 0，說明第16個主成分對模型穩(wěn)定性無作用；主成分?jǐn)?shù)為17和18時，錯誤率增大，說明第17和18主成分影響模型穩(wěn)定性；雖然主成分?jǐn)?shù)為19時，錯誤率變?yōu)樽畹?0.095 1)，但是仍將15確定為最優(yōu)主成分?jǐn)?shù)。同樣的方法找到不同預(yù)處理數(shù)據(jù)的最佳主成分?jǐn)?shù)并建立PLS-DA模型，結(jié)果統(tǒng)計如表1所示。

圖2 交叉驗證中不同主成分?jǐn)?shù)下的錯誤率Fig.2 Error rate of different principal components in cross validation

表1不同預(yù)處理方法下的雞蛋種類判別的PLS-DA模型
Tab.1 PLS-DA model for kind discrimination of egg by different pretreatment methods

預(yù)處理方法主成分?jǐn)?shù)交互驗證中最小錯誤率正確率原始光譜150．10400．9241SG?smoothing160．14040．8884SNV160．08150．9375Area?normalization170．09060．9286Detrend140．09460．9420

從表1可以看出，經(jīng)過SG卷積平滑預(yù)處理后的光譜所建立的PLS-DA模型的交互驗證中最小錯誤率大于原始光譜的PLS-DA模型，而經(jīng)過另外3種預(yù)處理后的光譜的PLS-DA模型的交互驗證錯誤率均小于原始光譜的PLS-DA模型，說明SG卷積平滑預(yù)處理后的PLS-DA模型效果較差，明顯遜于其他3種預(yù)處理方法。但經(jīng)過Area-normalization預(yù)處理后的PLS-DA模型準(zhǔn)確率為0.910 7，小于原始光譜的PLS-DA模型；經(jīng)過Detrend預(yù)處理的PLS-DA模型的準(zhǔn)確率為0.942 0，大于經(jīng)過SNV預(yù)處理光PLS-DA模型的0.933 0及原始光譜PLS-DA模型的0.924 1，且經(jīng)過Detrend預(yù)處理的PLS-DA模型最優(yōu)主成分?jǐn)?shù)為14低于上述光譜(15)，說明該模型優(yōu)于其他預(yù)處理后的光譜及原始光譜的PLS-DA模型，故選擇Detrend方法對原始光譜進行預(yù)處理。經(jīng)Detrend法預(yù)處理后的3種雞蛋的平均光譜如圖3所示。

圖3 經(jīng)過Detrend法預(yù)處理后的3種雞蛋的平均光譜Fig.3 Average spectra of the three kinds of eggs by the Detrend pretreatment

3.2 樣本劃分

采用SPXY方法對224個樣本劃分校正集和預(yù)測集，劃分比例為校正集∶預(yù)測集=3∶1，劃分結(jié)果如表2所示。

表2 利用SPXY法劃分樣本結(jié)果Tab.2 Results of sample division by SPXY method

3.3 特征波長提取

3.3.1 應(yīng)用CARS提取特征波長

運行CARS之前，首先確定PLS模型中最優(yōu)主成分?jǐn)?shù)，設(shè)置最大主成分?jǐn)?shù)為40，蒙特卡洛采樣次數(shù)為1 000，抽取總樣本的3/4作為校正集，得到不同主成分?jǐn)?shù)下的RMSECV值如圖4所示。從圖中可知，當(dāng)主成分?jǐn)?shù)為31時，RMSECV值最小(0.544 7)，故最優(yōu)主成分?jǐn)?shù)為31。

圖4 RMSECV隨PLS主成分?jǐn)?shù)的變化規(guī)律Fig.4 Variation of RMSECV with number of principal components of PLS

設(shè)定CARS參數(shù)：蒙特卡洛采樣次數(shù)為500，主成分?jǐn)?shù)為31，交叉驗證組數(shù)為10。對全波段樣本光譜進行篩選，雞蛋種類鑒別篩選過程見圖5。

圖5 雞蛋種類判別的CARS特征波長篩選過程Fig.5 Process of CARS characteristic wavelength selection for the kind discrimination of the eggs

由圖5(a)可知，被挑選的波長數(shù)隨著變量篩選過程的進行逐漸下降，下降速度由快變慢，體現(xiàn)了波長變量篩選的粗選與精選。圖5(b)為變量篩選過程中交互驗證均方誤差的變化趨勢。結(jié)果顯示，交互驗證均方誤差隨著篩選過程的進行先下降后上升，MC 采樣次數(shù)為5時，交互驗證均方誤差達(dá)到最小值0.522 1，MC采樣次數(shù)繼續(xù)增加后，交互驗證均方誤差隨挑選變量數(shù)減少而增大，再結(jié)合篩選過程中波長變量回歸系數(shù)變化趨勢(見圖5(c))，“*”所對應(yīng)的位置為5次MC采樣，所以應(yīng)用CARS方法在MC采樣為5次時，交互驗證均方誤差最小，挑選出31個特征波長，分別為：444.6，449.4，473.4，478.2，492.6，497.4，502.2，507.0，535.8，545.4，550.2，564.6，593.4，742.3，756.7，771.1，775.9，809.5，819.1，828.7，843.1，862.3，867.1，886.3，891.1，905.5，934.3，953.5，963.1，967.9，972.7 nm。

3.3.2 應(yīng)用GAPLS提取特征波長

應(yīng)用GAPLS提取特征波長，設(shè)置參數(shù)：種群數(shù)為30，交叉概率為50%，變異概率為1%，最大遺傳因子為30，迭代次數(shù)100次。雞蛋光譜通過GAPLS篩選的有效信息如圖6所示，圖中橫坐標(biāo)為125個波點，縱坐標(biāo)為不同波點被篩選的頻次，頻次越高表示該點適應(yīng)性越強，與雞蛋類別相關(guān)性越高。運行GAPLS時，同時計算不同波長數(shù)下的RMSECV值如圖7所示，其中最大主成分?jǐn)?shù)設(shè)為15。最后結(jié)合RMSECV值和波長頻次數(shù)選出最佳波長變量。

圖6 雞蛋光譜的GA篩選圖Fig.6 GA screening of spectra of the eggs

圖7 不同波數(shù)下的RMSECV值Fig.7 RMSECV of different number of wavelengths

由圖7可知，波長數(shù)為52時，RMSECV最低。再結(jié)合圖6中每個波長篩選頻數(shù)，這52個波長的篩選頻數(shù)大于等于5。說明這些特征波長與雞蛋類別相關(guān)性較強，最終確定最佳波長數(shù)52個，主要分布在401.3～444.5 nm、550.2～636.6 nm、732.7～991.9 nm。

3.3.3 應(yīng)用IRF提取特征波長

應(yīng)用IRF提取特征波長時，設(shè)置迭代次數(shù)N為1 000，間隔寬度W為15，子間隔初始值Q為50，主成分?jǐn)?shù)為15。運行IRF，得到111個間隔中排名前10的間隔如表3所示；同時計算每個間隔的RMSECV，如圖8所示。

表3雞蛋光譜數(shù)據(jù)排名前10的波長間隔
Tab.3 Top ranked 10 wavelength intervals of egg spectral data

排名間隔排名間隔196～110691～105292～106789～103386～100888～102484～98997～111598～1121087～101

圖8 排名從第一到最后一個波長間隔的RMSECV值Fig.8 RMSECV of the union of the top ranked intervals from 1st to the last

從表3可以看出：前10名區(qū)間選出的波點是從84號到111號；但從圖8可以看出：前10名間隔波長的RMSECV不是最小，當(dāng)選擇前28個間隔時，RMSECV最低為0.493 4，所以選擇排名前28的間隔波長，最終選出的波點是31～48，72～124號，具體波長是545.4～627.0 nm，742.3～991.9 nm，共71個波長。

3.4 建模算法的比較與分析

經(jīng)Detrending法預(yù)處理的光譜，分別建立基于全波段光譜(Full spectrum，F(xiàn)S)和3種特征波長提取方法基于PLS-DA和KNN的雞蛋種類鑒別模型。

3.4.1 KNN建模結(jié)果

運行KNN算法之前，需要確定合適的K值，K值的大小影響建模效果。圖9為全光譜交互驗證的錯誤率與K值大小的分布圖，根據(jù)最低錯誤率確定K值，所以選擇K=3建立KNN模型。同樣的方法確定CARS、GAPLS、IRF特征波長的K值分別為10，7，4，分別建立對應(yīng)的KNN模型，結(jié)果統(tǒng)計如表4。

圖9 KNN算法中K值的選擇Fig.9 K values selection for KNN algorithm

表4 基于不同特征波長挑選方法的KNN雞蛋種類判別模型Tab.4 KNN model based on different characteristic wavelength selection methods for kind discrimination of egg

從表4可以看出，基于全光譜和特征波長建立的KNN模型的校正集和預(yù)測集正確率均小于80%，說明KNN雞蛋種類判別模型穩(wěn)定性及預(yù)測能力較差。對比全光譜和特征波長建立的KNN模型發(fā)現(xiàn)，IRF-KNN的校正集正確率最低，該校正模型效果較差；而CARS-KNN和GAPLS-KNN模型校正集及預(yù)測集正確率均大于FS-KNN模型，說明CARS-KNN和GAPLS-KNN模型效果均優(yōu)于FS-KNN模型，CARS和GAPLS方法能有效地對光譜降維。進而對比CARS-KNN和GAPLS-KNN模型，前者校正集正確率為77.97%大于后者，但是其預(yù)測集正確率明顯低于后者(76.79%)；前者提取到31個特征波長明顯低于后者，說明CARS法比GAPLS法對光譜降維效果較好。綜合比較CARS-KNN判別模型效果最優(yōu)，經(jīng)過CARS得到的31個特征波長包含了較多的關(guān)鍵信息，可以代替全光譜建模，達(dá)到減少模型的復(fù)雜性、提高建模速度和穩(wěn)定性的目的。

3.4.2 PLS-DA建模結(jié)果

運行PLS-DA之前，需要確定最佳主成分?jǐn)?shù)，根據(jù)RMSECV最小來確定主成分?jǐn)?shù)最優(yōu)。每次建立PLS-DA模型時，確定參數(shù)：數(shù)據(jù)歸一化處理、交叉驗證組數(shù)為5、交互驗證方式為百葉窗型。應(yīng)用CARS、GAPLS、IRF方法提取特征波長建立PLS-DA雞蛋種類判別模型并與全光譜對比，模型效果統(tǒng)計如表5。

表5 基于不同特征波長挑選方法的PLS-DA雞蛋種類鑒別模型Tab.5 PLS-DA model based on different characteristic wavelength selection methods for kind discrimination of egg

從表5可以看出，在3種特征波長提取方法中，經(jīng)過GAPLS和IRF提取得到的波長數(shù)分別為52和71個，說明這兩種方法對光譜降維效果欠佳；對應(yīng)其PLS-DA模型主成分?jǐn)?shù)均為15，大于FS-PLS-DA模型，說明這兩個模型穩(wěn)定性不如FS-PLS-DA模型；GAPLS-PLS-DA模型校正集準(zhǔn)確率為94.64%，小于FS-PLS-DA和IRF-PLS-DA模型，但GAPLS-PLS-DA和IRF-PLS-DA模型預(yù)測集準(zhǔn)確率均為85.71%，大于FS-PLS-DA模型，說明這兩種模型的預(yù)測能力優(yōu)于FS-PLS-DA。CARS提取的特征波長31個明顯低于其他兩種方法，但CARS-PLS-DA模型主成分?jǐn)?shù)為17，大于其他3種模型，說明通過CARS有效地降低了模型的復(fù)雜性，但并沒有提高模型穩(wěn)定性；其校正集、預(yù)測集準(zhǔn)確率分別為95.83%、80.36%，低于FS-PLS-DA模型，說明CARS方法剔除了部分有用信息。挑選特征波長是在保證模型效果前提下對數(shù)據(jù)降維。所以綜合考慮，雖然CARS特征波長提取方法降維效果最佳，但I(xiàn)RF-PLS-DA模型最優(yōu)，經(jīng)過IRF法提取得到的特征波長能代表全光譜建立PLS-DA模型。

4 結(jié) 論

本文利用高光譜技術(shù)對雞蛋種類判別進行研究，為雞蛋種類無損判別提供科學(xué)方法。利用400～1 000 nm高光譜系統(tǒng)采集3種雞蛋樣本的高光譜圖像，對原始光譜進行預(yù)處理；應(yīng)用CARS、GAPLS和IRF對預(yù)處理后光譜數(shù)據(jù)提取特征波長；分別建立基于全光譜和特征波長的KNN和PLS-DA雞蛋判別模型。對比其PLS-DA模型建模效果，經(jīng)過Detrend法預(yù)處理效果最好。對Detrending法預(yù)處理的光譜數(shù)據(jù)挑選特征波長，CARS、GAPLS、IRF算法提取特征波長分別為31，52，71個；分別建立對應(yīng)的KNN、PLD-DA判別模型，結(jié)果表明建立的PLS-DA模型效果均優(yōu)于KNN模型，CARS法提取的特征波長降維效果最好，提高了KNN模型穩(wěn)定性和正確率。對比模型效果，IRF-PLS-DA為最優(yōu)模型，校正集正確率97.02%，預(yù)測集正確率85.71%。

[1] 畢夏坤,趙杰文,林顥,等.便攜式近紅外光譜儀判別雞蛋的貯藏時間 [J].食品科學(xué),2013,34(22):281-285.

BI X K,ZHAO J W,LIN H,etal..Prediction of egg storage time using portable near infrared spectrometer [J].FoodSci.,2013,34(22):281-285.(in Chinese)

[2] 董志梅,劉曉曉,龍君江,等.不同地方雞種蛋品質(zhì)比較和相關(guān)性分析 [J].黑龍江畜牧獸醫(yī),2016(3):111-113.

DONG Z M,LIU X X,LONG J J,etal..Comparison and correlation analysis of chicken egg quality in different areas [J].HeilongjiangAnimalSci.Veteran.Med.,2016(3):111-113.(in Chinese)

[3] 朱云鵬,崔春利,王蘭嬌,等.哈爾濱市售雞蛋品質(zhì)及營養(yǎng)成分分析 [J].食品工業(yè),2017(5):289-292.

ZHU Y P,CUI C L,WANG L J,etal..The analysis of quality and nutrient of commercially available eggs in Harbin [J].FoodInd.,2017(5):289-292.(in Chinese)

[4] 馮靜,王燕,臧蕾,等.不同品種蛋雞雞蛋營養(yǎng)成分的比較研究 [J].畜牧與飼料科學(xué),2016,37(9):4-9.

FENG J,WAND Y,ZANG L,etal..Comparative study on nutritional components of eggs from different breeds of laying hens [J].AnimalHusb.FeedSci.,2016,37(9):4-9.(in Chinese)

[5] BAIN M M.Recent advances in the assessment of eggshell quality and their future application [J].WorldsPoult.Sci.J.,2005,61(2):268-277.

[6] 湯丹明,孫斌,劉輝軍.近紅外漫反射光譜鑒別雞蛋種類 [J].光譜實驗室,2012,29(5):2699-2702.

TANG D M,SUN B,LIU H J.Kind discrimination of egg by near infrared spectroscopy [J].Chin.J.Spectrosc.Lab.,2012,29(5):2699-2702.(in Chinese)

[7] 王巧華,李小明,段宇飛.基于CUVE-PLS-DA的雞蛋新鮮度在線檢測分級 [J].食品科學(xué),2016(22):187-191.

WANG Q H,LIAO X M,DUAN Y F.On-line detection and classification of egg freshness based on consensus uninformative variable elimination partial least squares-discriminant analysis [J].FoodSci.,2016(22):187-191.(in Chinese)

[8] 王巧華,任奕林,文友先.基于BP神經(jīng)網(wǎng)絡(luò)的雞蛋新鮮度無損檢測方法 [J].農(nóng)業(yè)機械學(xué)報,2006,37(1):104-106.

WANG Q H,REN Y L,WEN Y X.Study on non-destructive detection method for fresh degree of eggs based on BP neural network [J].Trans.Chin.Soc.Agricult.Machin.,2006,37(1):104-106.(in Chinese)

[9] 孫俊,劉彬,毛罕平,等.基于介電特性的雞蛋品種無損鑒別 [J].食品科學(xué),2017(6):282-286.

SUN J,LIU B,MAO H P,etal..Non-destructive idetification of different egg varieties based on dielectric properties [J].FoodSci.,2017(6):282-286.(in Chinese)

[10] WU L G,HE J G,LIU G S,etal..Detection of common defects on jujube using Vis-NIR and NIR hyperspectral imaging [J].Postharv.Bio.Technol.,2016,112:134-142.

[11] 張初,劉飛,孔汶汶,等.利用近紅外高光譜圖像技術(shù)快速鑒別西瓜種子品種 [J].農(nóng)業(yè)工程學(xué)報,2013,29(20):270-277.

ZHANG C,LIU F,KONG W W,etal..Fast identification of watermelon seed variety using near infrared hyperspectral imaging technology [J].Trans.Chin.Soc.Agricult.Eng.,2013,29(20):270-277.(in Chinese)

[12] 于慧春,王潤博,殷勇,等.基于不同波段的枸杞多糖及總糖高光譜成像檢測 [J].食品科學(xué),2017,38(8):191-197.

YU H C,WANG Y B,YI Y,etal..Detection of polysaccharides and total sugar in chinese wolfberry based on hyperspectral imaging in different wavebands [J].FoodSci.,2017,38(8):191-197.(in Chinese)

[13] 丁佳興,吳龍國,何建國,等.高光譜成像技術(shù)對靈武長棗果皮強度的無損檢測 [J].食品工業(yè)科技,2016,37(24):58-62.

DING J X,WU L G,HE J G,etal..Non-destructive determination of pericarp break force of Lingwu long jujube by hyperspectral imaging technology [J].Sci.Technol.FoodInd.,2016,37(24):58-62.(in Chinese)

[14] 孫俊,蔣淑英,毛罕平,等.基于線性判別法的生菜農(nóng)藥殘留定性檢測模型研究 [J].農(nóng)業(yè)機械學(xué)報,2016,47(1):234-239.

SUN J,JIANG S Y,MAO H P,etal..Nondestructive identification of pesticide residues in lettuce leaves based on linear discriminant method [J].Trans.Chin.Soc.Agricult.Machin.,2016,47(1):234-239.(in Chinese)

[15] 李凱,李雪瑩,欒麗麗,等.近紅外光譜和多分類器融合的葡萄酒品種判別研究 [J].光譜學(xué)與光譜分析,2016,36(11):3547-3551.

LI K,LI X Y,LUAN L L,etal..Determination of wine varieties with NIR and fusion of multiple classifiers [J].Spectrosc.Spect.Anal.,2016,36(11):3547-3551.(in Chinese)

[16] 鄧建猛,王紅軍,黎鄒鄒,等.基于高光譜技術(shù)的馬鈴薯外部品質(zhì)檢測 [J].食品與機械,2016,32(11):122-125.

DENG J M,WANG H J,LI Z Z,etal..Detection of potato external qual ity based on hyperspectral technology [J].FoodMachin.,2016,32(11):122-125.(in Chinese)

[17] 王巧華,周凱,吳蘭蘭,等.基于高光譜的雞蛋新鮮度檢測 [J].光譜學(xué)與光譜分析,2016,36(8):2596-2600.

WANG Q H,ZHOU K,WU L L,etal..Egg freshness detection based on hyper-spectra [J].Spectrosc.Spect.Anal.,2016,36(8):2596-2600.(in Chinese)

[18] HARROP G R K,ARAUJO M C U,JOSE G E,etal..A method for calibration and validation subset partitioning [J].Talanta,2005,67:736-740.

[19] 詹白勺,倪君輝,李軍.高光譜技術(shù)結(jié)合CARS算法的庫爾勒香梨可溶性固形物定量測定 [J].光譜學(xué)與光譜分析,2014,34(10):2752-2757.

ZHAN B S,NI J H,LI J.Hyperspectral technology combined with CARS algorithm to quantitatively determine the SSC in Koela fragrant pear [J].Spectrosc.Spect.Anal.,2014,34(10):2752-2757.(in Chinese)

[20] 李江波,彭彥昆,陳立平,等.近紅外高光譜圖像結(jié)合CARS算法對鴨梨SSC含量定量測定 [J].光譜學(xué)與光譜分析,2014,34(5):1624-1629.

LI J B,PENG Y K,CHEN L P,etal..Near-infrared hyperspectral imaging combined with CARS algorithm to quantitatively determine soluble solids content in “YA” pear [J].Spectrosc.Spect.Anal.,2014,34(5):1624-1629.(in Chinese)

[21] YU K Q,ZHAO Y R,LI X L,etal..Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing [J].Comput.Electron.Agricult.,2014,103:1-10.

[22] 屠振華,籍保平,孟超英,等.基于遺傳算法和間隔偏最小二乘的蘋果硬度特征波長分析研究 [J].光譜學(xué)與光譜分析,2009,29(10):2760-2764.

TU Z H,JI B P,MENG C Y,etal..Analysis of NIR characteristic wavelengths for apple flesh firmness based on GA and iPLS [J].Spectrosc.Spect.Anal.,2009,29(10):2760-2764.(in Chinese)

[23] 李子文,熊雅婷,張海紅,等.近紅外光譜技術(shù)結(jié)合遺傳算法用于蘋果醋總酸定量分析 [J].食品與發(fā)酵工業(yè),2016(1):195-199.

LI Z W,XIONG Y T,ZHANG H H,etal..Determination of total acid content in apple cider vinegar by near infrared spectroscopy combined with genetic algorithm [J].FoodFerment.Ind.,2016(1):195-199.(in Chinese)

[24] YUN Y H,LI H D,LESLIE R.E,etal..An efficient method of wavelength interval selection based on random frog for multivariate spectral calibration [J].SpectrochimicaActaPart A,2013,111:31-36.

[25] 李碩.基于可見近紅外成像光譜技術(shù)土壤剖面氮的預(yù)測研究 [D].武漢：華中農(nóng)業(yè)大學(xué),2013.

LI S.PredictionofSoilNitrogenAlongSoilProfileUsingVis-NIRSpectroscopyImagingTechnique[D].Wuhan:Huazhong Agricultural University,2013.(in Chinese)

[26] BALLABIO D,CONSONNI V.Classification tools in chemistry.Part 1:linear models.PLS-DA [J].Anal.Methods,2013,5:3790-3798.

丁佳興(1993-)，男，寧夏銀川人，碩士研究生，2015年于塔里木大學(xué)獲得學(xué)士學(xué)位，主要從事農(nóng)產(chǎn)品無損檢測方面的研究。

E-mail：nxudjx@163.com

何建國(1960-)，男，山東濟南人，碩士，教授，1988年于北京航空航天大學(xué)獲得碩士學(xué)位，主要從事農(nóng)業(yè)工程裝備及機電一體化技術(shù)、農(nóng)產(chǎn)品無損檢測方面的研究。

E-mail：hejg@nxu.edu.cn