房盟盟,丁佳興,崔騰飛,王 莉,楊曉玉,吳龍國(guó),劉貴珊,何建國(guó)

(寧夏大學(xué)農(nóng)學(xué)院農(nóng)產(chǎn)品無(wú)損檢測(cè)實(shí)驗(yàn)室,寧夏銀川 750021)

雞蛋營(yíng)養(yǎng)全面均衡,是人們?nèi)粘Ｋ锠I(yíng)養(yǎng)的主要來(lái)源,常被作為其他食品營(yíng)養(yǎng)價(jià)值的標(biāo)準(zhǔn)參比物。雞蛋中蛋白質(zhì)含量高達(dá)12.8%[1],含有人體所需的8種必需氨基酸,易被人體利用。此外,雞蛋中還含有鈣、鐵、磷等多種礦物質(zhì)和維生素,對(duì)于提高人體免疫力、降低體重等方面具有積極意義[2]。隨著人們生活水平的提高,人們對(duì)雞蛋的要求正由數(shù)量向質(zhì)量轉(zhuǎn)變。雞蛋品質(zhì)檢測(cè)包括內(nèi)部品質(zhì)(蛋黃顏色、血斑、肉斑、蛋白高度、蛋白pH和哈氏單位HU等)檢測(cè)和外部品質(zhì)(蛋形、重量、蛋比重、蛋形指數(shù)、蛋表面破損、殼色等)檢測(cè)[3]。在蛋品儲(chǔ)藏、銷(xiāo)售過(guò)程中,新鮮度在一定程度上可解釋為一些感官的、化學(xué)的、微生物的及物理的參數(shù),它是禽蛋及其產(chǎn)品的主要指標(biāo),其中,雞蛋新鮮度指標(biāo)——哈氏單位是分級(jí)標(biāo)準(zhǔn)中最重要的一項(xiàng),是未來(lái)雞蛋品質(zhì)檢驗(yàn)的發(fā)展方向。

傳統(tǒng)的化學(xué)檢測(cè)方法雖具有簡(jiǎn)便、檢測(cè)成本低等優(yōu)點(diǎn),但其缺點(diǎn)也十分明顯,破壞性實(shí)驗(yàn),耗時(shí)長(zhǎng)、效率低,檢測(cè)過(guò)程中只能抽檢,覆蓋面小容易出現(xiàn)檢測(cè)漏洞[4]。因此,亟需尋求一種檢測(cè)準(zhǔn)確、快速、效率高的檢測(cè)技術(shù)。近年來(lái),光譜無(wú)損檢測(cè)技術(shù)發(fā)展迅速,彌補(bǔ)了傳統(tǒng)檢測(cè)方法的不足,在分析檢測(cè)的過(guò)程中,可透過(guò)待測(cè)物質(zhì)的表面,達(dá)到檢測(cè)內(nèi)、外品質(zhì)的目的,對(duì)待測(cè)物無(wú)破壞性,測(cè)量方便且操作簡(jiǎn)單,幾分鐘甚至幾秒鐘內(nèi)就可以完成樣品的一次測(cè)試,而且光譜技術(shù)在分析過(guò)程中一般不消耗樣品,成本低[5-6]。現(xiàn)有的研究報(bào)道中,王巧華[7]等探究雞蛋光反射特性及其與新鮮度的關(guān)系,得出帶殼雞蛋在比較新鮮時(shí)光反射率最大的結(jié)論;劉燕德[8]等分析了雞蛋內(nèi)部品質(zhì)與透射特性的相關(guān)關(guān)系,從而對(duì)雞蛋的新鮮度作出估量,提出利用雞蛋的透射特性對(duì)其新鮮程度進(jìn)行無(wú)損檢測(cè)和分級(jí)是可行的;吳建虎[9]等利用可見(jiàn)/近紅外光譜技術(shù)無(wú)損檢測(cè)新鮮雞蛋蛋白質(zhì)含量,結(jié)果表明可見(jiàn)/近紅外反射光譜技術(shù)可以較好的預(yù)測(cè)新鮮雞蛋的蛋白質(zhì)含量。因此,本實(shí)驗(yàn)利用高光譜技術(shù)快速無(wú)損檢測(cè)雞蛋哈氏單位是可行的。

為避免檢測(cè)單一品種雞蛋帶來(lái)的偶然性,本實(shí)驗(yàn)以三個(gè)不同品種的雞蛋為檢測(cè)對(duì)象,利用高光譜(900～1700 nm)成像技術(shù)采集光譜信息,結(jié)合化學(xué)統(tǒng)計(jì)學(xué)法檢測(cè)的雞蛋哈氏單位,建立反射光譜檢測(cè)模型,對(duì)比不同預(yù)處理方法、全波段與特征波長(zhǎng)下的模型效果,選取最優(yōu)預(yù)測(cè)模型,實(shí)現(xiàn)雞蛋哈氏單位的高效無(wú)損檢測(cè),為雞蛋新鮮度的自動(dòng)快速無(wú)損檢測(cè)提供技術(shù)支持。

1 材料與方法

1.1 材料與儀器

雞蛋 購(gòu)買(mǎi)于銀川當(dāng)?shù)爻校?80枚,均為粉殼雞蛋,重量介于50.00～70.00 g之間,其中富硒雞蛋、昊惠雞蛋、普通粉殼雞蛋各60枚。仔細(xì)清潔表面,晾干后編號(hào)。

AL204型號(hào)電子天平 梅特勒-托利多儀器(上海)有限公司;A型游標(biāo)卡尺 貴州西南工具(集團(tuán))有限公司；N17E-NIR型光譜成像系統(tǒng) 光譜范圍900～1700 nm，結(jié)構(gòu)如圖1所示,主要包括:采集暗箱和信息處理的計(jì)算機(jī)(CPU為Inter(R)Core i7-2600,主頻為3.40 GHz,內(nèi)存為4.00 G)，聯(lián)想(北京)有限公司;4個(gè)35 W的HSIA-LS-TDIF型鹵鎢燈線(xiàn)光源 北京卓立漢光儀器有限公司;Zelos-285 GV型CCD相機(jī) 德國(guó)Kappaopto-electronicsGmbH公司;PSA200-11-X型推掃式輸送裝置 北京卓立漢光儀器有限公司;Imspector N17E型近紅外成像光譜儀 芬蘭奧盧光譜成像有限公司。

圖1 900～1700 nm高光譜成像系統(tǒng)Fig.1 900～1700 nm hyperspectral system注:1.計(jì)算機(jī)；2.光源；3.CCD相機(jī)； 4.載物平臺(tái)；5.成像光譜儀。

1.2 哈氏單位的測(cè)定方法

將采集完光譜信息的雞蛋,按編號(hào)順序逐個(gè)稱(chēng)其重量W,記錄數(shù)據(jù)。輕輕敲破雞蛋將其倒在保持平衡的玻璃板上,用高度游標(biāo)卡尺測(cè)量破殼后距離蛋黃1 cm處濃蛋白高度H。測(cè)定時(shí)要選準(zhǔn)位置,測(cè)量破殼后蛋黃邊緣與濃蛋白邊緣中點(diǎn)的濃蛋白高度(避開(kāi)系帶),測(cè)量成正三角形的三個(gè)點(diǎn),將高度指針下降至接近蛋的表面時(shí),即可讀出蛋白高度,取其平均值,代入下列公式[10]:

HU=100lg(H-1.7W0.37+7.57)

式中,HU為哈氏單位,H為蛋白高度(mm),W為雞蛋蛋重(g)。

1.3 高光譜數(shù)據(jù)采集

由于各波段下光源強(qiáng)度的分布不均性以及儀器中暗電流的存在,導(dǎo)致光源分布較弱的波段圖像有較大噪聲,會(huì)掩蓋一定的樣品信息,同時(shí),在光譜圖像信息采集的過(guò)程中存在噪聲干擾,降低了光譜數(shù)據(jù)采集的準(zhǔn)確性,因此,在采集光譜數(shù)據(jù)前,需要首先采集黑、白圖像以減弱CCD相機(jī)暗電流和高光譜成像系統(tǒng)光源變化對(duì)采集樣本光譜圖像質(zhì)量的影響。依據(jù)下列公式進(jìn)行校正[11-13]:

式中:RC表示校正后光譜反射強(qiáng)度;IR為表示原始光譜漫反射強(qiáng)度;D為表示黑板校正時(shí)的光譜漫反射強(qiáng)度;IW為表示白板漫反射光譜強(qiáng)度。

樣品的圖像采集過(guò)程在暗箱中進(jìn)行,預(yù)先根據(jù)光源的照度設(shè)定好CCD相機(jī)的曝光時(shí)間,以保證圖像清晰[14]。經(jīng)反復(fù)調(diào)整,確定高光譜成像系統(tǒng)的最佳參數(shù)值為曝光時(shí)間10 ms,圖像采集速度為1.73 mm/s,物距為8 cm。實(shí)驗(yàn)過(guò)程中,把雞蛋樣本按編號(hào)順序逐個(gè)放置于載物臺(tái)上,關(guān)閉暗箱門(mén),連接位移平臺(tái)控制電機(jī),開(kāi)始掃描,獲取900～1700 nm波段的高光譜圖像信息。

1.4 數(shù)據(jù)處理

本實(shí)驗(yàn)采用三項(xiàng)式九點(diǎn)卷積平滑(Savitzky-Golay Smoothing,S-G)、多元散射校正(Multiplicative Scatter Correction,MSC)、標(biāo)準(zhǔn)正態(tài)化(Standard Normal Variate,SNV)三種方法對(duì)原始光譜進(jìn)行預(yù)處理,建立原始光譜、預(yù)處理后光譜的偏最小二乘(Partial Least Squares Regression,PLSR)模型,比較分析。模型采用相關(guān)系數(shù)(Rc/RP)、均方根誤差(RMSEC/RMSEP)進(jìn)行評(píng)估,好的模型應(yīng)該是具有較大的相關(guān)系數(shù),較小的均方根誤差,同時(shí),主成分?jǐn)?shù)較小者的模型運(yùn)算速度相對(duì)較快,也是評(píng)價(jià)模型好壞的一個(gè)重要指標(biāo)。

實(shí)驗(yàn)采用偏最小二乘回歸(Partial Least Squares Regression,PLSR)權(quán)重β系數(shù)法、遺傳算法(Genetic Algorithm,GA)兩種特征波長(zhǎng)方法提取特征波長(zhǎng),分別建立偏最小二乘(Partial Least Squares Regression,PLSR)模型、主成分回歸(Principal Component Regression,PCR)模型,比較模型效果。

表2 原始光譜與預(yù)處理后光譜的PLSR模型效果Table 2 The effect of PLSR model on raw spectrum and pretreated spectrum

2 結(jié)果與分析

2.1 雞蛋哈氏單位測(cè)定

除去測(cè)定時(shí)有明顯差異及破損的樣品,實(shí)驗(yàn)中實(shí)際獲得167枚雞蛋的光譜信息與哈氏單位。校正集與預(yù)測(cè)集呈4∶1比例劃分,保證預(yù)測(cè)集樣本的哈氏單位變化范圍在校正集樣本哈氏單位變化范圍內(nèi)。本實(shí)驗(yàn)以直接購(gòu)回的雞蛋為研究對(duì)象,哈氏單位分布如表1所示。

表1 雞蛋哈氏單位分布Table 1 Distribution of egg hassian unit

注:我國(guó)對(duì)鮮雞蛋進(jìn)行哈氏單位分級(jí):特級(jí)>72,一級(jí)60～72,二級(jí)31～59,三級(jí)<31。

2.2 光譜預(yù)處理及效果比較

采用軟件ENVI V.4.6(美國(guó)Research System公司)對(duì)獲取的圖像數(shù)據(jù)進(jìn)行裁剪[15],減少背景圖像中多余信息的影響,選取感興趣區(qū)域(Region of interesting,ROI),取平均光譜信息作為原始光譜,如圖2所示。

圖2 高光譜原始圖像及曲線(xiàn)Fig.2 Hyperspectral original image and curve注:a.高光譜原始圖像;b.感興趣 區(qū)域選取;c.高光譜原始曲線(xiàn)。

從圖2(c)中可以看出,原始光譜曲線(xiàn)兩端曲線(xiàn)抖動(dòng)嚴(yán)重,即存在較大的噪音干擾,因此選取993～1657 nm內(nèi)224個(gè)波段的光譜曲線(xiàn)分析建模[16]。

為消除光譜曲線(xiàn)上的噪音及其他無(wú)關(guān)信息的干擾,需要對(duì)原始光譜進(jìn)行適當(dāng)預(yù)處理和優(yōu)化,將雞蛋品質(zhì)信號(hào)和噪聲分離,最大程度地提取有效信息[17]。原始光譜、預(yù)處理后光譜的PLSR建模效果,如表2所示。

由表2可以看出,與原始光譜數(shù)據(jù)所建模型相比,經(jīng)S-G卷積平滑、MSC預(yù)處理的模型相關(guān)系數(shù)(Rc/RP)較低,均方根誤差(RMSEC/RMSEP)較大,建模效果不如原始光譜。SNV處理的光譜模型,校正集相關(guān)系數(shù)稍高于原始光譜,但其預(yù)測(cè)集相關(guān)系數(shù)為四種模型最小,均方根誤差較大，這說(shuō)明標(biāo)準(zhǔn)正態(tài)法處理光譜時(shí),忽略了原始光譜中某些有用信息或放大了噪音,模型準(zhǔn)確性降低,效果不佳。綜上所述,原始光譜PLSR模型預(yù)測(cè)效果較好,其Rc為0.8175,校正集均方根誤差為2.9271,Rp為0.8150,預(yù)測(cè)集均方根誤差為3.2416。

2.3 特征波段的選取及模型建立

為減少全波段原始光譜數(shù)據(jù)冗余,取出無(wú)關(guān)信息，提取有效信息,建立低維數(shù)據(jù)模型[18]。實(shí)驗(yàn)提取224個(gè)波段下原始光譜的特征波長(zhǎng),并建立不同模型比較分析[19]。

2.3.1 權(quán)重β系數(shù)法選擇特征波長(zhǎng)及建模 采用The Unscrambler X軟件中的權(quán)重β系數(shù)法選擇特征波長(zhǎng),對(duì)全波段下的原始光譜反射曲線(xiàn)進(jìn)行PLS回歸,由加權(quán)β系數(shù)得到回歸系數(shù)曲線(xiàn),基于局部最大值和最小值原則提取特征波長(zhǎng),如圖3所示。PLSR權(quán)重β系數(shù)法共選取15個(gè)特征波長(zhǎng):1005,1017,1175,1226,1261,1321,1401,1413,1419,1425,1431,1479,1515,1613,1631 nm。采用偏最小二乘(Partial Least Squares Regression,PLSR)、主成分回歸(Principal Component Regression,PCR)法建立雞蛋哈氏單位的檢測(cè)模型,對(duì)比建模效果,如表3所示。

圖3 反射光譜曲線(xiàn)權(quán)重系數(shù)圖Fig.3 Weighted regression coefficients of reference wavelength

表3 權(quán)重β系數(shù)法提取特征波長(zhǎng)建立的不同模型Table 3 The different models of feature wavelength establishment by weight β coefficient method

由表3可以看出,采用加權(quán)β系數(shù)法提取特征波長(zhǎng)所建立的不同模型建模效果相差不大,其中,β-PCR模型的RC比β-PLSR模型稍高,但其RP低于β-PLSR模型,且β-PLSR模型的主成分?jǐn)?shù)(10)較少,說(shuō)明穩(wěn)定性較好,運(yùn)行速度更快,因此,加權(quán)β系數(shù)法提取特征波長(zhǎng)后,采用PLSR法建模效果更好。

2.3.2 遺傳算法(GA)提取特征波長(zhǎng)及建模 采用MATLAB軟件中的遺傳算法(Genetic Algorithm,GA)對(duì)樣品原始全波段光譜進(jìn)行特征波長(zhǎng)的選擇,以交互驗(yàn)證系數(shù)(RMSECV)取最小值為原則,確定特征波長(zhǎng)數(shù),變換程序賦值,多次嘗試,建立雞蛋哈氏單位的偏最小二乘(Partial Least Squares Regression,PLSR)、主成分回歸(Principal Component Regression,PCR)模型,對(duì)比建模效果,優(yōu)選GA法提取特征波長(zhǎng)的輸入?yún)?shù),如表4所示。

表4 GA法提取特征波長(zhǎng)建立的不同模型Table 4 The different models of feature wavelengths extracted by GA

由表4可以看出,采用GA法提取特征波長(zhǎng)時(shí),改變賦值量變化,可獲得不同的特征波長(zhǎng)。用PLSR方法建模時(shí),當(dāng)賦值10時(shí),建立的PLSR模型效果較好,其RC為0.8118,校正集均方根誤差是2.9677,RP為0.8203,預(yù)測(cè)集均方根誤差是3.2762;用PCR方法建模時(shí),當(dāng)賦值15時(shí),建立的PCR模型效果較好,其RC為0.8018,校正集均方根誤差是3.0370,RP為0.8162,預(yù)測(cè)集均方根誤差是3.2566。不同建模方法所建最優(yōu)模型之間相比較,GA-PCR模型的相關(guān)系數(shù)(Rc/RP)小于GA-PLSR模型,均方根誤差大于GA-PLSR模型,說(shuō)明GA-PLSR模型的建模效果較好,且模型穩(wěn)定。綜上所述,利用GA法提取特征波長(zhǎng)時(shí),當(dāng)賦值為10,提取28個(gè)特征波長(zhǎng),采用PLSR法建模的模型效果最佳。

2.4 全波段光譜與特征波長(zhǎng)建模效果比較

經(jīng)上述處理分析,獲得全波段光譜所建的模型、加權(quán)系數(shù)法提取特征波長(zhǎng)所建立的最優(yōu)模型、遺傳算法提取特征波長(zhǎng)所建的最優(yōu)模型,將三個(gè)模型綜合對(duì)比,分析建模效果,如表5。

表5 全波段與特征波段下的PLSR模型效果Table 5 The PLSR model effect in full band and characteristic band

由表5可知,三個(gè)模型相比較,經(jīng)PLSR加權(quán)β系數(shù)法提取特征波長(zhǎng)所建模型的相關(guān)系數(shù)(RC/RP)在三個(gè)模型中最小,均方根誤差(RMSEC/RMSEP)在三個(gè)模型中最大,模型效果最差。全波段PLSR模型與GA法提取特征波長(zhǎng)建立的模型相比較,FS-PLSR模型的Rc高于GA-PLSR模型,RMSEC低于GA-PLSR模型,而GA-PLSR模型的Rp高于FS-PLSR模型,RMSEP高于FS-PLSR模型,建模效果不相上下。但與全波段光譜模型需計(jì)算224個(gè)波段相比,GA-PLSR模型只需要運(yùn)算提取出的28個(gè)波段即可,運(yùn)行速度快,節(jié)省時(shí)間,可在保證檢測(cè)準(zhǔn)確度的基礎(chǔ)上,大幅度提高效率。綜上所述,采用GA法提取特征波長(zhǎng)后建立的雞蛋哈氏單位PLSR模型效果最好,其建模結(jié)果如圖4所示。

圖4 雞蛋哈氏單位GA-PLSR模型Fig.4 The GA-PLSR model about egg’s haugh unit

3 結(jié)論

本實(shí)驗(yàn)采集180枚雞蛋樣品900～1700 nm波段的高光譜信息,結(jié)合化學(xué)統(tǒng)計(jì)學(xué)算法,建立雞蛋哈氏單位無(wú)損檢測(cè)模型。為避免模型只針對(duì)某單一雞蛋品種預(yù)測(cè)效果較好而不具有普遍性,實(shí)驗(yàn)選用三個(gè)品種的雞蛋作為樣品,采集光譜數(shù)據(jù)并進(jìn)行如下處理。

3.1 獲取樣品全波段原始光譜信息,選擇993～1657 nm內(nèi)224個(gè)波段的光譜數(shù)據(jù),進(jìn)行原始光譜與S-G卷積平滑、MSC、SNV預(yù)處理光譜的PLSR模型比較。結(jié)果表明,三種方法預(yù)處理后并沒(méi)有得到較好的預(yù)測(cè)模型和校正模型,處理效果不佳。因此,利用原始光譜進(jìn)行后續(xù)數(shù)據(jù)處理分析。

3.2 利用PLSR加權(quán)系數(shù)法、GA遺傳算法分別提取特征波長(zhǎng),建立PLSR、PCR模型,通過(guò)變換參數(shù),反復(fù)嘗試,比較模型效果,進(jìn)而優(yōu)選最佳特征波長(zhǎng)提取方法及建模方法。結(jié)果表明,經(jīng)GA法提取28個(gè)特征波長(zhǎng)后建立的PLSR模型效果最好,其RC為0.8118,校正集均方根誤差是2.9677,RP為0.8203,預(yù)測(cè)集均方根誤差是3.2762,有效降低了模型復(fù)雜度,提高了準(zhǔn)確性。

實(shí)驗(yàn)獲得雞蛋哈氏單位最優(yōu)模型GA-PLSR,克服了傳統(tǒng)檢測(cè)方法時(shí)間長(zhǎng)、過(guò)程繁瑣的缺點(diǎn),實(shí)現(xiàn)雞蛋哈氏單位高效、快速、無(wú)損檢測(cè),方便快捷且不損壞樣品,為雞蛋的新鮮度快速判別、分級(jí)分選提供理論依據(jù)和新方法,具有十分重要的現(xiàn)實(shí)意義。

[1]楊月欣,王光亞,潘興昌,等.中國(guó)食物成分表[M].北京:北京大學(xué)醫(yī)學(xué)出版社,2002:185-201.

[2]關(guān)蘊(yùn)良,杜劍云.試論雞蛋的營(yíng)養(yǎng)價(jià)值[J].中國(guó)保健營(yíng)養(yǎng)(下旬刊),2012,22(12):5509-5509.

[3]李曉利.哈氏單位是檢驗(yàn)雞蛋品質(zhì)的重要指標(biāo)[J].檢驗(yàn)檢疫學(xué)刊,2013,23(2):48-49,72.

[4]劉曉明.蛋品儲(chǔ)藏過(guò)程中新鮮度變化研究[D].濟(jì)南:齊魯工業(yè)大學(xué),2014:2-13.

[5]李蕾蕾,王海霞,黃潔燕,等.近紅外光譜法快速測(cè)定枇杷葉中熊果酸的含量[J].中國(guó)實(shí)驗(yàn)方劑學(xué)雜志,2013,19(23):103-106.

[6]羅陽(yáng),何建國(guó),賀曉光,等.農(nóng)產(chǎn)品無(wú)損檢測(cè)中高光譜成像技術(shù)的應(yīng)用研究[J].農(nóng)機(jī)化研究,2013(6):1-7.

[7]王巧華,周平,熊利榮,等.雞蛋光反射特性及其與新鮮度的關(guān)系[J].華中農(nóng)業(yè)大學(xué)學(xué)報(bào),2008,27(1):140-143.

[8]劉燕德,喬振先.雞蛋光特性及其新鮮度的相關(guān)性研究[J].江西農(nóng)業(yè)大學(xué)學(xué)報(bào),2002,24(1):45-47.

[9]吳建虎,黃鈞.可見(jiàn)/近紅外光譜技術(shù)無(wú)損檢測(cè)新鮮雞蛋蛋白質(zhì)含量的研究[J].現(xiàn)代食品科技,2015,31(5):285-290.

[10]杜丹萌,王風(fēng)諾,王世平,等.雞蛋新鮮度隨儲(chǔ)藏條件變化規(guī)律的研究[J].食品開(kāi)發(fā),2014,39(5):26-29,33.

[11]張保華,李江波,樊書(shū)祥,等.高光譜成像技術(shù)在果蔬品質(zhì)與安全無(wú)損檢測(cè)中的原理及應(yīng)用[J].光譜學(xué)與光譜分析,2014,34(10):2743-2751.

[12]高海龍,李小昱,徐森淼,等.透射和反射高光譜成像的馬鈴薯?yè)p傷檢測(cè)比較研究[J].光譜學(xué)與光譜分析,2013,33(12):3366-3371.

[13]Giovenzana V,Beghi R,Civelli R,et al.Optical techniques for rapid quality monitoring along minimally processed fruit and vegetable chain[J].Trends Food Sci Technol,2015,46(2):331-338.

[14]Alexandrino G L,Khorasani M R,Amigo J M,et al. Monitoring of multiple solid-state transformations at tablet surfaces using multi-series near-infrared hyperspectral imaging and multivariate curve resolution[J].Eur J Pharm Biopharm,2015,93:224-230.

[15]丁佳興,吳龍國(guó),何建國(guó),等.高光譜成像技術(shù)對(duì)靈武長(zhǎng)棗果皮強(qiáng)度的無(wú)損檢測(cè)[J].食品工業(yè)科技,2016,37(24):58-62,68.

[16]吳龍國(guó),何建國(guó),劉貴珊,等.基于近紅外高光譜成像技術(shù)的長(zhǎng)棗含水量無(wú)損檢測(cè)[J].光電子激光,2014,25(1):135-140.

[17]王松磊,吳龍國(guó),康寧波,等.基于高光譜圖譜融合技術(shù)的寧夏灘羊肉嫩度檢測(cè)方法研究[J].光電子·激光,2016,27(9):987-995.

[18]李丹,何建國(guó),劉貴珊,等.基于高光譜成像技術(shù)的小黃瓜水分無(wú)損檢測(cè)[J].紅外與激光工程,2014,43(7):2393-2397.

[19]強(qiáng)鋒,王芹志,何建國(guó),等.基于VIS/NIR高光譜技術(shù)的靈武長(zhǎng)棗SSC含量的無(wú)損檢測(cè)研究[J].現(xiàn)代食品科技,2017,33(4):283-288.