论文部分内容阅读
本文利用高光谱技术对宁夏银川、固原、盐池三个产地羊肉建立产地鉴别模型，并且对固原羊肉电导率、蛋白质含量、pH值进行定量分析实现高光谱技术对羊肉的新鲜度检测。具体研究内容如下:
(1)获取三个产地的绵羊后腿样本的可见/近红外和近红外高光谱，对400-1000nm波段光谱采用Derivative方法预处理，对900-1700nm波段光谱采用面积归一化方法预处理，利用SPA、CARS、UVE算法对预处理后的光谱提取特征波长;结合PLS-DA及KNN建立特征波段下的判别模型。结果表明:基于任何光谱数据建立的PLS-DA模型效果均优于KNN模型，在400-1000nm波段内，3种特征波长中利用UVE提取的特征波长建模效果最佳，代替全光谱建立PLS-DA判别模型是可行的，综合对比模型效果，UVE-PLS-DA模型最优。校正集正确率0.935，预测集正确率0.912。在900-1700nm波段内，利用CARS提取的特征波长建模效果最佳，所以CARS-PLS-DA为最优模型，校正集正确率0.905，预测集正确率0.842。证明利用高光谱成像技术对羊肉产地鉴别是可行的。综合对比两个波段的最优模型，发现基于可见/近红外高光谱的产地鉴别模型优于近红外高光谱的产地鉴别模型。
(2)建立可见/近红外高光谱技术的羊肉pH值和电导率PLSR预测模型。结果表明:在pH值PLSR模型中，UVE-PLSR模型效果最好，校正集和预测集的相关系数分别为0.931和0.891，RMSEC和RMSEP分别为0.1067和0.1520，校正和预测性能相对较好。在电导率PLSR模型中，原始光谱建立的PLSR模型为最优模型。
(3)采用模型更新算法及S/B算法对固原羊肉样本的蛋白质PLSR模型进行修正以预测银川羊肉样本蛋白质含量。模型更新算法修正后的银川羊肉的预测相关系数(Rp)从0.318升至0.771，预测误差(RMSEP)从0.8476降低至0.4308，模型对固原样本的预测相关系数从0.864降至0.756，RMSEP从0.2062升至0.2714，S/B算法修正后的银川羊肉的预测均方根误差由0.8476下降到0.0008，下降了99.91％，此算法不改变模型对固原羊肉样本的预测性能。综合比较，S/B算法更适用于对不同产地羊肉蛋白质PLSR模型的修正。
(4)建立近红外高光谱技术的羊肉pH值和电导率PLSR预测模型和LS-SVM预测模型。结果表明:pH值LS-SVM模型中校正集的交互验证系数均大于0.92，预测相关系数均大于0.85，较PLSR模型性能稳定，预测能力好，且经MSC预处理的光谱建立的LS-SVM模型的预测性能最好。综合考虑，MSC为LS-SVM模型的最优光谱预处理方法。在电导率PLSR模型中，经比较分析，De-Treading为的最优光谱预处理方法。在电导率LS-SVM模型中，SNV为最优光谱预处理方法。
对比400-1000nm和900-1700nm两个波段内的pH值和电导率最优PLSR模型效果，发现基于可见/近红外高光谱建立的羊肉pH值定量分析模型优于基于近红外高光谱建立的羊肉pH值定量分析模型。
(1)获取三个产地的绵羊后腿样本的可见/近红外和近红外高光谱，对400-1000nm波段光谱采用Derivative方法预处理，对900-1700nm波段光谱采用面积归一化方法预处理，利用SPA、CARS、UVE算法对预处理后的光谱提取特征波长;结合PLS-DA及KNN建立特征波段下的判别模型。结果表明:基于任何光谱数据建立的PLS-DA模型效果均优于KNN模型，在400-1000nm波段内，3种特征波长中利用UVE提取的特征波长建模效果最佳，代替全光谱建立PLS-DA判别模型是可行的，综合对比模型效果，UVE-PLS-DA模型最优。校正集正确率0.935，预测集正确率0.912。在900-1700nm波段内，利用CARS提取的特征波长建模效果最佳，所以CARS-PLS-DA为最优模型，校正集正确率0.905，预测集正确率0.842。证明利用高光谱成像技术对羊肉产地鉴别是可行的。综合对比两个波段的最优模型，发现基于可见/近红外高光谱的产地鉴别模型优于近红外高光谱的产地鉴别模型。
(2)建立可见/近红外高光谱技术的羊肉pH值和电导率PLSR预测模型。结果表明:在pH值PLSR模型中，UVE-PLSR模型效果最好，校正集和预测集的相关系数分别为0.931和0.891，RMSEC和RMSEP分别为0.1067和0.1520，校正和预测性能相对较好。在电导率PLSR模型中，原始光谱建立的PLSR模型为最优模型。
(3)采用模型更新算法及S/B算法对固原羊肉样本的蛋白质PLSR模型进行修正以预测银川羊肉样本蛋白质含量。模型更新算法修正后的银川羊肉的预测相关系数(Rp)从0.318升至0.771，预测误差(RMSEP)从0.8476降低至0.4308，模型对固原样本的预测相关系数从0.864降至0.756，RMSEP从0.2062升至0.2714，S/B算法修正后的银川羊肉的预测均方根误差由0.8476下降到0.0008，下降了99.91％，此算法不改变模型对固原羊肉样本的预测性能。综合比较，S/B算法更适用于对不同产地羊肉蛋白质PLSR模型的修正。
(4)建立近红外高光谱技术的羊肉pH值和电导率PLSR预测模型和LS-SVM预测模型。结果表明:pH值LS-SVM模型中校正集的交互验证系数均大于0.92，预测相关系数均大于0.85，较PLSR模型性能稳定，预测能力好，且经MSC预处理的光谱建立的LS-SVM模型的预测性能最好。综合考虑，MSC为LS-SVM模型的最优光谱预处理方法。在电导率PLSR模型中，经比较分析，De-Treading为的最优光谱预处理方法。在电导率LS-SVM模型中，SNV为最优光谱预处理方法。
对比400-1000nm和900-1700nm两个波段内的pH值和电导率最优PLSR模型效果，发现基于可见/近红外高光谱建立的羊肉pH值定量分析模型优于基于近红外高光谱建立的羊肉pH值定量分析模型。