对虾是中国乃至全世界的一种重要的水产品,营养丰富,深受消费者喜爱。随着人们生活水平提高,对对虾的品质和可食用种类要求不断提高。在对虾打捞上来后,要经过多种多样的加工方法加工成不同种类的对虾产品销售,加工过程中,物理、化学和微生物等作用都会对对虾品质产生影响。目前市场上虾产品种类繁多,一些不法商家为了牟取暴利,往虾体内注射明胶,在增加对虾体重的同时使解冻的虾看上去饱满而卖相好,这不仅会损害消费者的经济利益,严重的甚至会损害消费者的身体健康。由于人们无法用肉眼直接辨别对虾品质的优劣,传统的检测手段例如理化指标检测方法,需要花费大量的人力物力,不适用于快速准确测定对虾的品质。本课题致力于研究利用高光谱成像系统实现对虾品质的快速无损检测及化学成分分布可视化,为将来的食品监测体系提供技术支持。本文的主要研究内容及成果如下：1.用高光谱成像技术预测对虾的含水率。通过手动对对虾高光谱图像的分割,提取光谱数据,对对虾的可见光谱和近红外光谱数据分别采用LS-SVM进行建模分析,并采用SPA. UVE以及UVE-SPA方法进行了特征变量选择,通过对建立的LS-SVM、SPA-LS-SVM、UVE-LS-SVM、UVE-SPA-LS-SVM模型分析比较,得出UVE-SPA-LS-SVM模型更适合预测对虾的含水率,去掉了大量的冗余信息的同时,减少了计算量。近红外波段的UVE-SPA-LS-SVM模型精度要大于可见波段UVE-SPA-LS-SVM模型精度,近红外波段模型的RPD大于3.5,模型效果更好,更适合于预测对虾的含水率。2.探讨了高光谱成像技术实现对虾冷藏时间的预测。分别基于可见全波段(380-1030nm)和近红外全波段(874-1734nm)光谱建立对虾冷藏时间LS-SVM预测模型,得Rp2分别为0.8280和0.8592。将光谱数据经SNV预处理后,建立的模型结果更优。基于SNV预处理,利用UVE、SPA和UVE-SPA方法分别选取特征变量,经建模分析得出可见波段,SNV-UVE-LS-SVM模型精度更高,更适合预测对虾冷藏时间,其中UVE选出93个特征变量,建模结果Rc2为0.9733,R2p2为0.9207,RMSEC为4.2354,RMSEP为5.8607,RPD值为3.5429；近红外波段,SNV-UVE-SPA-LS-SVM模型更适合预测对虾冷藏时间,选出了15个特征变量,Rp2为0.8663, RMSEP为7.6177,RPD值为2.7278.3.探讨了高光谱成像技术实现对虾冷冻时间的预测。基于可见和近红外波段,分别建立LS-SVM模型。其中,可见全波段模型对虾冷冻时间预测的Rp2为0.9088,近红外全波段模型对对虾冷冻时间预测的Rp2为0.945。数据预处理后,模型结果更好,利用SNV-UVE-SPA-LS-SVM模型,精度最高。近红外光谱数据的SNV-UVE-SPA-LS-SVM模型比可见光谱数据SNV-UVE-SPA-LS-SVM模型的Rp2升高了5.45%,RMSEP降低了44.24%,RPD值提高了68.38%。结论是利用近红外光谱数据比可见光谱数据更适合检测对虾的冷冻时间。4.基于高光谱成像技术,实现了注胶虾的鉴别研究和注胶含量的可视化表达。基于439-1030nm的光谱数据,建立LS-SVM模型,得鉴别正确率为100%。基于全波段光谱数据,建立LS-SVM模型,实现了注胶虾注胶量的无损快速检测。首先,基于全波段建立LS-SVM模型分析得Rp2为0.962,然后基于SPA和UVE算法选择特征波长变量,分别选出4个和80个特征变量,基于选出的特征变量分别再建立LS-SVM模型得Rp2为0.9512和0.9599。UVE与SPA结合选出13个特征变量,基于特征变量建立LS-SVM模型得Rp。为0.9648。结论是UVE-SPA-LS-SVM模型更适合预测注胶虾的注胶量。对对虾高光谱图像中的每个像素点的光谱数据进行分析,对每个像素点上的注胶掺假含量进行预测,从而实现了对虾的注胶掺假含量通过不同颜色进行可视化表达,将掺假信息直观地可视化表达了出来。5.虾仁的含水率预测和水分分布可视化研究。基于Matlab2009a软件和ENVI v4.6软件的Region of Interests Function (ROI),分别实现了高光谱图像的自动分割和手动分割,将虾仁的图像与背景图像分离。将分割的图像每个像素点的光谱数据做平均,形成每个样本一条光谱曲线,通过对光谱数据建模分析,得基于高光谱数据变量建立LS-SVM模型能够准确预测虾仁的含水率。自动图像分割数据模型的结果优于手动动图像分割数据模型的结果,并且,自动图像分割大量节省了劳动力,给今后的便携式仪器研究生产提供了理论支持。对自动图像分割获得的光谱数据进一步通过SPA做变量选择,优化了模型。