基于高光谱成像技术的马铃薯多种营养成分同时检测
利用高光谱成像技术对马铃薯淀粉、干物质、水分含量进行同时检测.采用多元散射校正方法(MSC)对原始光谱预处理,并通过竞争性自适应重加权算法(CARS)和连续投影算法(SPA)选择特征波长,分别建立两种特征波长下的偏最小二乘模型(PLS)和多元线性回归模型(MLR),并对比建模效果.结果表明,采用CARS选择的特征波长建模效果较好.淀粉的最优模型为CARS-MLR模型,其校正模型相关系数(RC)、校正模型的均方根误差(RMSEC)、预测模型的相关系数(RP)、预测模型的均方根误差(RMSEP)分别为0.965、0.376、0.950、0.361;干物质的最优模型为CARS-PLS模型,其RC、RMSEC、RP、RMSEP为0.954、0.386、0.947、0.383;水分的最优模型为CARS-PLS模型,其RC、RMSEC、RP、RMSEP为0.926、0.410、0.929、0.398.研究结果表明,CARS算法是一种有效的高光谱特征波长提取方法,利用CARS选择特征波长建立的预测模型可替代全波段建模.利用高光谱成像技术可以实现马铃薯多种营养成分同时检测.
高光谱成像技术、马铃薯、竞争性自适应重加权算法、变量选择、无损检测
37
TS201.2(食品工业)
2016-03-31（万方平台首次上网日期，不代表论文的发表时间）
60-66,77
