日韩av大片在线观看欧美成人不卡|午夜先锋看片|中国女人18毛片水多|免费xx高潮喷水|国产大片美女av|丰满老熟妇好大bbbbbbbbbbb|人妻上司四区|japanese人妻少妇乱中文|少妇做爰喷水高潮受不了|美女人妻被颜射的视频,亚洲国产精品久久艾草一,俄罗斯6一一11萝裸体自慰,午夜三级理论在线观看无码

背景

水分含量（Moisture content, MC）和脂肪酸含量（Fatty acid content, FAC）是大米品質(zhì)的重要指標(biāo)，影響大米的存儲(chǔ)和食用品質(zhì),。因此,，建立一種快速、準(zhǔn)確,、無損的MC和FAC檢測(cè)方法至關(guān)重要,。

可見/近紅外光譜可以響應(yīng)樣品中的某些含氫基團(tuán)，從而獲得樣品中的內(nèi)部化學(xué)信息,。該技術(shù)已被用于檢測(cè)農(nóng)產(chǎn)品中的水分和脂肪酸含量,。同時(shí)，與可見光/近紅外光譜相比,，高光譜成像（Hyperspectral imaging, HSI）技術(shù)具有光譜與圖像相結(jié)合的優(yōu)勢(shì),。利用每個(gè)像素點(diǎn)的光譜預(yù)測(cè)水稻的MC和FAC，形成水稻的MC和FAC的可視化分布,，使檢測(cè)結(jié)果更加直觀,。但是，HSI技術(shù)也存在數(shù)據(jù)量大,、實(shí)時(shí)性差等缺點(diǎn),，難以在實(shí)際中應(yīng)用。然而,，這些問題可以通過數(shù)據(jù)降維和特征波長(zhǎng)選擇來解決,。

本研究的目的是結(jié)合HSI技術(shù)與化學(xué)計(jì)量學(xué)方法，建立一種快速簡(jiǎn)便的水稻MC和FAC檢測(cè)方法,。（1）采用不同的預(yù)處理方法對(duì)大米和精米的光譜進(jìn)行預(yù)處理,，建立了MC和FAC的全波段預(yù)測(cè)模型。最后根據(jù)模型性能確定最佳預(yù)處理方法,。（2）采用兩種變量選擇方法篩選大米和精米在900~1700 nm區(qū)域的MC和FAC的顯著波長(zhǎng),。（3）比較了MC和FAC模型在大米和精米中的性能，并分析了稻殼對(duì)MC和FAC模型性能的影響,。（4）利用最佳模型預(yù)測(cè)每個(gè)像素點(diǎn)的MC和FAC,，實(shí)現(xiàn)水稻樣品MC和FAC的可視化。

試驗(yàn)設(shè)計(jì)

浙江農(nóng)林大學(xué)孫通副教授團(tuán)隊(duì)利用GaiaField-N17E高光譜成像系統(tǒng)（江蘇雙利合譜）獲取了13個(gè)水稻品種的大米和精米高光譜影像（圖1）,。近紅外高光譜成像儀的光譜范圍為900~1700 nm,，空間分辨率為640像素，波段數(shù)為512,，光譜分辨率為5 nm,。對(duì)獲得的高光譜影像利用OTSU方法獲取其前景像素，并計(jì)算大米和精米平均光譜,。

預(yù)處理可以去除高頻隨機(jī)噪聲和基線漂移等噪聲,，提高模型性能,。本研究采用了5種預(yù)處理方法，包括多元散射校正（MSC）,、標(biāo)準(zhǔn)正態(tài)變量變換（SNV）,、Savitzky-Golay（SG）平滑、SG+一階導(dǎo)數(shù)和SG導(dǎo)數(shù),。根據(jù)全波段模型的性能,，選擇最合適的預(yù)處理方法。為提高計(jì)算速度,，減少數(shù)據(jù)冗余,，本研究采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣（CARS）和連續(xù)投影算法（SPA）選擇大米/精米中MC和FAC的顯著波長(zhǎng)。

圖1高光譜成像系統(tǒng)

結(jié)論

大米和精米在900~1700 nm波長(zhǎng)范圍內(nèi)的原始反射光譜如圖2所示,。從圖2可以看出,，大米和精米的光譜在900~1400 nm波長(zhǎng)范圍內(nèi)具有相同的趨勢(shì)。然而,，大米的反射光譜逐漸增加,，而精米的反射光譜在1400~1700 nm波長(zhǎng)范圍內(nèi)趨于穩(wěn)定。此外,，大米光譜的反射率值普遍高于精米,。這可能是由于大米和精米的顏色、光滑度和透明度不同造成的,。在960,、1200和1450 nm處有三個(gè)明顯的峰。960 nm左右的峰值可能是由水和碳水化合物中O-H二階泛音的協(xié)同作用引起的,。1200 nm左右的峰值與樣品的MC有關(guān)，1450 nm左右的峰值歸因于O-H拉伸第一泛音,。

圖2 大米（a）和精米（b）樣品的原始光譜

采用5種預(yù)處理方法對(duì)大米和精米樣品的光譜進(jìn)行處理,，利用PLSR算法建立MC和FAC的估測(cè)模型。由表1可知,，在“大米-水分”模型中,，SNV和SG-2預(yù)處理效果更好。采用SNV預(yù)處理建立的模型R²較高,，達(dá)到0.9682,。但該模型不穩(wěn)定，魯棒性較差,。因此,，SG-2模型的性能優(yōu)于SNV模型。在“大米-脂肪酸”模型中,，SG-2是最佳的預(yù)處理方法,。對(duì)于“精米-水分”模型,，SG-2預(yù)處理的R²較高。綜上所述,，在“大米-水分”,、“精米-水分”和“大米-脂肪酸”3種預(yù)測(cè)模型中，SG-2是最佳的預(yù)處理方法,。而在“精米-脂肪酸”模型中,，SG平滑是好的預(yù)處理方法，模型的R²p和RMSEP分別為0.8427和1.7806,。

從表1可以看出,，大米中MC的模型性能優(yōu)于精米。這是因?yàn)榈練ず兴?，其吸水能力高于精米,。因此，?dāng)大米樣品經(jīng)過水處理后,，稻殼比精米吸收更多的水分,。因此，大米光譜中含有的水分信息比精米光譜中含有的水分信息更多,。相比之下,，精米中FAC的模型性能優(yōu)于大米。稻殼主要由纖維素,、半纖維素,、木質(zhì)素等成分組成，其中不含脂肪酸,。稻殼中存在的干擾信息會(huì)影響建模過程中脂肪酸的預(yù)測(cè),。因此，得到的光譜信息可能會(huì)受到谷殼的干擾,，導(dǎo)致精米的預(yù)測(cè)精度降低,。

表1 不同預(yù)處理方法下樣品中水分和脂肪酸的PLS模型預(yù)測(cè)結(jié)果

由于采用SG或SG-2預(yù)處理的MC和FAC模型效果好，因此對(duì)這些光譜進(jìn)行了CARS和SPA特征優(yōu)選,。由表2可以看出,，相較于CARS，SPA選擇更少的重要波長(zhǎng),，使實(shí)際應(yīng)用更容易,，同時(shí)SPA模型的RPD值較高，模型精度較高,。此外,，SPA模型的性能優(yōu)于全波段模型，這表明SPA選擇的波長(zhǎng)幾乎包含了MC或FAC的所有有效信息。與全波段模型的結(jié)果相似,，SPA模型對(duì)大米中MC的預(yù)測(cè)精度高于精米,，而對(duì)大米中FAC的預(yù)測(cè)精度低于精米。“大米-水分”,、“精米-水分”,、“大米-脂肪酸”的最佳模型為“SG2-SPA-PLS”，“精米-脂肪酸”的最佳模型為“SG-SPA-PLS”,。

SPA選擇的波長(zhǎng)如表3所示,。MC模型選擇的964.17、965.74,、975.16,、978.29、1373.75和1395.72 nm波長(zhǎng)與水分波長(zhǎng)相似,，歸功于O-H拉伸的第一,、第二和第三泛音。對(duì)于FAC模型,，選擇的1095.99,、1387.87和1516.56 nm波長(zhǎng)歸功于C-H的一、二泛音和-CH2基團(tuán)的拉伸,，選取的939.06,、964.17和967.31 nm波長(zhǎng)主要來自于O-H鍵的彎曲振動(dòng)。

表2 使用選定波長(zhǎng)的樣品中水分和脂肪酸的PLS模型預(yù)測(cè)結(jié)果

表3 由SPA選擇的波長(zhǎng)

通過Fearn（1996）提出的方法驗(yàn)證稻殼對(duì)MC和FAC預(yù)測(cè)精度的影響,。在95%置信水平下計(jì)算區(qū)間是否包含0,。如果它包含0，則偏差在5%的水平上沒有顯著差異,。由表4可知,，大米和精米中MC的預(yù)測(cè)誤差計(jì)算區(qū)間均為0，而FAC的不為0,。這表明大米與精米中FAC的預(yù)測(cè)誤差存在顯著差異,，因此稻殼對(duì)FAC的預(yù)測(cè)精度有一定的影響。

表4 大米和精米的水分和脂肪酸含量在95%置信水平上存在顯著差異

圖3為不同水分梯度下水稻樣品MC的可視化結(jié)果,。可以看出,，水稻樣本的MC越高,，可視化圖像中的紅色區(qū)域越大，而水稻樣本的MC越低,，可視化圖像中的藍(lán)色區(qū)域越大,。這與大米樣本的實(shí)際MC一致，說明MC模型對(duì)每個(gè)像素的MC預(yù)測(cè)是準(zhǔn)確的。此外,，可視化圖像中大米樣品的MC分布不均勻,，這可能是由于樣品處理過程中吸濕不均勻造成的。圖4為大米樣品FAC可視化結(jié)果,。FAC模型可以準(zhǔn)確預(yù)測(cè)每個(gè)像素的FAC,。可視化可以直觀地反映水稻中MC和FAC的空間變化,，可以在像元水平上了解MC和FAC的分布情況,。因此，在儲(chǔ)存前檢驗(yàn)和儲(chǔ)存監(jiān)測(cè)中,，可以在很小的范圍內(nèi)檢測(cè)到異常的MC和FAC,，從而保證了大米的質(zhì)量安全。

圖3 大米含水量可視化圖

圖4 大米脂肪酸含量可視化圖

作者信息

孫通,，博士,，浙江農(nóng)林大學(xué)光機(jī)電工程學(xué)院副教授，碩士生導(dǎo)師,。

主要研究方向：農(nóng)林產(chǎn)品光譜智能檢測(cè)技術(shù)研究及裝備開發(fā),。

參考文獻(xiàn)：

Song, Y., Cao, S., Chu, X., Zhou, Y., Xu, Y., Sun, T., Zhou, G., & Liu, X. (2023). Non-Destructive Detection of Moisture and Fatty Acid Content in Rice using Hyperspectral Imaging and Chemometrics. Journal of Food Composition and Analysis, 11.