食品行業(yè)
本研究應(yīng)用了400-1000nm的高光譜相機，檢測核桃內(nèi)部，可采用杭州彩譜科技有限公司產(chǎn)品FS13進行相關(guān)研究。用800-1700nm的光譜范圍檢測核桃表面，可以采用光譜范圍在900-1700nm的FS15高光譜相機，波長分辨率優(yōu)于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區(qū)域波段選擇）。
核桃是一種老幼皆宜的堅果食品和重要的木本油料作物，我國核桃種植面積及產(chǎn)量均居世界首位。核桃仁品質(zhì)檢測與分級是核桃生產(chǎn)加工的重要環(huán)節(jié)。按照國家相關(guān)標準的規(guī)定，核桃仁外觀品質(zhì)指標包括完整度和表皮色澤，內(nèi)部品質(zhì)指標包含脂肪含量和蛋白質(zhì)含量。實際生產(chǎn)中核桃仁分級主要依靠外形和色澤進行人工挑選，生產(chǎn)成本高，分級隨意性大，難以對內(nèi)部品質(zhì)進行分辨。傳統(tǒng)的化學檢測對樣品具有破壞性，檢測時間也較長，難以適應(yīng)現(xiàn)代化生產(chǎn)要求。目前，采用高光譜技術(shù)進行核桃品質(zhì)檢測的研究主要集中于核桃殼仁分類，針對核桃仁品質(zhì)的研究尚未見相關(guān)報道。
為了探索同時實現(xiàn)核桃仁內(nèi)部品質(zhì)檢測和外觀等級分類的方法，本研究采用高光譜成像技術(shù)開展了核桃仁脂肪含量、蛋白質(zhì)含量及色澤的特征光譜篩選，篩選出了品質(zhì)指標的相關(guān)特征波段以期為核桃仁品質(zhì)無損檢測的應(yīng)用提供參考。
核桃仁樣品在近紅外區(qū)域（863~1704 mm）的平均光譜信息及預處理后的光譜信息如圖3所示。樣品原始光譜信息總體特征基本一致，除了水分的吸收峰外，其它成分的吸收峰并不明顯，需要對光譜進行進一步處理。通過MSE和SNV組合的預處理方法，去除了部分背景噪聲的影響，使樣品光譜信息更平滑。同時，進一步增強了光譜信息的一致性，突出了光譜峰谷，使光譜特征得到了強化。
基于光譜信息與圖像特征的核桃仁外觀等級分類，圖6為3種色澤核桃仁樣品在可見光和短波近紅外區(qū)域（382~1027nm）的平均光譜曲線，由于光譜前后段噪聲影響較大，因此去除了前段和后段各20個波段點。由圖6可見，在原始光譜中，3種色澤核桃仁樣品的光譜曲線在可見光范圍內(nèi)光譜反射率隨著色澤由淺到深呈現(xiàn)明顯的下降趨勢，在近紅外范圍內(nèi)光譜較雜亂。經(jīng)過MSC和SNV組合方法預處理后的光譜信息，光譜反射率呈現(xiàn)出一定的規(guī)律性和一致性，有助于后續(xù)的光譜處理。
采用高光譜成像技術(shù)，開展了核桃仁內(nèi)外部品質(zhì)檢測方法研究，通過光譜與圖像信息相結(jié)合的方法實現(xiàn)了核桃仁蛋白質(zhì)和脂肪含量預測以及基于完整度和色澤的核桃仁外觀品質(zhì)分級。結(jié)果表明，采用CARS算法與相關(guān)系數(shù)法相結(jié)合的方式，有效地去除了全光譜波段中的無關(guān)信息和冗余信息。與全光譜波段相比，特征波段預測模型蛋白質(zhì)含量的驗證集R?由0.66增長到0.91，RMSEP由1.37%下降到0.78%；脂肪含量的驗證集R?由0.83增長到0.93，RMSEP由0.98%下降到0.47%，表明篩選出的特征波段有效的降低的模型的復雜度，提高了模型預測能力。
將色差特征光譜與圖像統(tǒng)計特征參數(shù)相結(jié)合，采用高光譜圖像提取了總色差特征波段光譜，能夠大幅降低冗余信息的干擾，提高建模效率。通過總色差特征波段光譜與圖像統(tǒng)計特征參數(shù)相結(jié)合的方法，與RGB波段相比進一步提升分類的準確率，當采用DT算法建立的色澤分類模型時，模型具有最高的分類準確率（98.6%）。采用高光譜圖像同時實現(xiàn)了核桃仁內(nèi)部品質(zhì)參數(shù)（蛋白質(zhì)含量、脂肪含量）的檢測和外觀品質(zhì)（完整度、色澤）的分類，為核桃仁品質(zhì)無損檢測的應(yīng)用提供了新的解決方案。
