可见/近红外高光谱成像技术对鸡蛋种类无损判别

2018-03-21丁佳兴杨晓玉房盟盟何建国

发光学报 2018年3期

丁佳兴，杨晓玉，房盟盟，何建国

(宁夏大学农学院，宁夏银川 750021)

1 引言

鸡蛋素以营养丰富、口味鲜美深受人民青睐，很多人已经将鸡蛋当成每日生活的必需品[1]。随着人们生活水平的提高，消费者越来越重视鸡蛋的品质和营养，而鸡的品种、饲料、营养水平、饲养方式、饲养条件等因素都能影响鸡蛋的品质和营养[2-4]。不同种类鸡蛋的品质营养、口感有很大区别，营养价值高、口感好的鸡蛋其成本必然很高，售价也随之增加。以普通的低质蛋来冒充高营养的优质蛋的现象屡见不鲜，损害消费者利益、影响市场，所以实现实时、快速对鸡蛋种类判别对打击无良商贩，维护鸡蛋市场秩序意义重大。

目前，鸡蛋种类判别主要靠人工经验，这种方法劳动强度大、效率低且成本高。因此有必要研究一种快速、实时和高识别率的鸡蛋种类判别方法。而现在研究无损检测禽蛋的技术有红外光谱[5-7]、机器视觉[8]、介电特性[9]等，但对于高光谱成像技术应用于鸡蛋种类判别未见报道。高光谱成像技术是近年来发展起来的一种集图像和光谱于一体的无损检测新技术，且广泛应用于农产品品质无损检测[10]。高光谱成像技术优于近红外光谱技术，它可以采集样本整个面的光谱和图像，利用平均光谱来反映样本，相关性好，满足实时、快速、无损及可视地判别鸡蛋种类。

本文以3种鸡蛋作为研究对象，利用高光谱成像技术获取样品可见光区400～1 000 nm的光谱数据。首先通过SG卷积平滑(Savitzky-Golay smoothing，SGS)、标准正态变量变换(Standardized normal variate，SNV)、面积归一化(Area-normalization)和去趋势(Detrending)方法[11-13]对原始光谱进行预处理，建立PLS-DA鸡蛋判别建模，根据模型效果优选预处理方法。然后利用竞争性正自适应加权算法(Competitive adaptive reweighted sampling，CARS)、遗传偏最小二乘法(Genetic algorithms PLS，GAPLS)、间隔蛙跳算法(Interval random frog，IRF)提取特征波长，分别建立基于全光谱和特征波长的K最近邻分类算法[14](K-nearest neighbor，KNN)和偏最小二乘判别分析[15](Partial least squares-discriminant analysis，PLS-DA)的鸡蛋种类判别模型；分析比较提取特征波长方法和建模方法对鸡蛋种类判别效果；选出最优模型，进而为高光谱成像技术对鸡蛋种类快速无损判别提供技术支撑。

2 材料与方法

2.1 材料与仪器

实验选用3个不同种类、生产日期相同的鸡蛋样本，每种各购买80枚，其中富硒蛋与无公害鸡蛋选自宁夏当地两种不同品牌的海兰褐鸡蛋，普通鸡蛋选自普通养殖场出产的洋鸡蛋，清洗表面污染物，从中挑出大小均匀、表面无损伤鸡蛋作为最终实验样本，最终选出富硒蛋、无公害鸡蛋和普通鸡蛋分别为75、72和77枚，总样本共224个。

可见-近红外高光谱成像系统(400～1 000 nm，光谱分辨率4.8 nm，125个波段)如图1所示。该系统由高光谱成像仪(V10E-QE型，芬兰Spectral Imaging Ltd.公司)、CCD相机(C8484-05G型，日本Hamamatsu公司)、光纤卤素灯(DCRⅢ型，150 W，美国Schott公司)、电控位移平台(SC300-1A型，北京Zolix公司)组成。

图1 可见-近红外高光谱成像系统Fig.1 Vis/NIR hyperspectral imaging system

2.2 实验方法

2.2.1 高光谱图像的采集

利用Spectral cube软件(Spectral Imaging Ltd.,Finland)采集高光谱图像，为使图像清晰不失真，经过多次实验尝试，最终系统条件设置为：相机曝光时间设为10 ms，物镜高度为385 mm，电控位移平台速度为15 mm/s。

由于CCD相机中暗电流存在会导致图像光谱中含有较大的噪声，影响图像质量。因此采集前需要进行黑白校正[16-17]，以消除噪声的影响。通过盖住相机镜头采集得到全黑图像和采集标准全反射白板获得白图像，黑白校正公式为：

(1)

其中：I为校正后的漫反射光谱图像；R为样本原始的漫反射光谱图像；Rd为全黑图像；Rw为白板的漫反射图像。获得样本高光谱图像后，利用ENVI 4.8软件选取鸡蛋椭圆表面作为感兴趣区域(Region of interest，ROI)，计算出每张ROI的平均反射光谱作为样本的反射光谱。

2.2.2 样本划分方法

本研究采用Galvao等[18]提出的SPXY(Sample set partitioning based on jointX-Ydistance)法划分样本。该方法是在KS(Kennard Stone)法的基础上发展起来的，其优点是将变量X和Y均考虑在内，能够有效地覆盖多维向量空间，从而改善所建模型的预测能力。

2.2.3 光谱数据处理方法

由于仪器噪音、鸡蛋表面凹凸不平等因素对光谱的影响，需要将原始光谱数据进行预处理。本文选取SG卷积平滑、SNV、Area-normalization和Detrend预处理方法处理。

由于全光谱包含所有光谱变量，信息冗余，选用适当的特征波长提取方法剔除不相关或者非线性变量，实现用少数关键变量代替全光谱，达到降低模型运算量和复杂度、提高模型稳定性和预测准确性的目的。本文选用CARS、GAPLS和IRF法提取特征波长，其中CARS是借助自适应重加权采样技术和指数衰减函数从所构建的PLS模型中优选出回归系数绝对值较大的波长变量，再利用十折交叉验证从上述PLS模型中优选出交叉验证均方根误差RMSECV最小的模型，最终将该模型下的波长变量作为最优特征波长[19-21]；GAPLS是以生物进化论为基础，模拟物种的竞争选择的进化机制而建立的一种优化方法，数据经过选择、交叉和变异等遗传操作，产生新的个体，用建模效果优的“后代”代替原来的个体，找到波长的最优组合[22-23]。IRF是基于随机蛙跳方法的一种波长间隔选择方法。不同在于将整个光谱按照特定宽度划分成子区间，不同组合区间，通过每个区间光谱点的绝对回归系数总和来评估区间，找到最佳区间组合[24]。

其中光谱预处理在The Unscrambler X 10.4上实现，其余算法在Matlab R2014a上完成。

3 结果与讨论

3.1 原始光谱及预处理

本文采用SG卷积平滑、SNV、Area-normalization和Detrend预处理方法对原始光谱进行处理。建立PLS-DA模型，每次建立PLS-DA模型之前，首先确定最佳主成分数，方法如下：设定最大主成分数20、数据归一化、百叶窗交互验证[25-26]，交互验证组数为5，原始光谱的交互验证的错误率随主成分数的变化如图2所示，原则是根据交叉验证中的最小错误率确定最优主成分数。从图2可以看出，随主成分数增加交互验证错误率呈下降趋势，当主成分数为15和16时，对应错误率均为0.104 0，说明第16个主成分对模型稳定性无作用；主成分数为17和18时，错误率增大，说明第17和18主成分影响模型稳定性；虽然主成分数为19时，错误率变为最低(0.095 1)，但是仍将15确定为最优主成分数。同样的方法找到不同预处理数据的最佳主成分数并建立PLS-DA模型，结果统计如表1所示。

图2 交叉验证中不同主成分数下的错误率Fig.2 Error rate of different principal components in cross validation

表1不同预处理方法下的鸡蛋种类判别的PLS-DA模型
Tab.1 PLS-DA model for kind discrimination of egg by different pretreatment methods

预处理方法主成分数交互验证中最小错误率正确率原始光谱150．10400．9241SG⁃smoothing160．14040．8884SNV160．08150．9375Area⁃normalization170．09060．9286Detrend140．09460．9420

从表1可以看出，经过SG卷积平滑预处理后的光谱所建立的PLS-DA模型的交互验证中最小错误率大于原始光谱的PLS-DA模型，而经过另外3种预处理后的光谱的PLS-DA模型的交互验证错误率均小于原始光谱的PLS-DA模型，说明SG卷积平滑预处理后的PLS-DA模型效果较差，明显逊于其他3种预处理方法。但经过Area-normalization预处理后的PLS-DA模型准确率为0.910 7，小于原始光谱的PLS-DA模型；经过Detrend预处理的PLS-DA模型的准确率为0.942 0，大于经过SNV预处理光PLS-DA模型的0.933 0及原始光谱PLS-DA模型的0.924 1，且经过Detrend预处理的PLS-DA模型最优主成分数为14低于上述光谱(15)，说明该模型优于其他预处理后的光谱及原始光谱的PLS-DA模型，故选择Detrend方法对原始光谱进行预处理。经Detrend法预处理后的3种鸡蛋的平均光谱如图3所示。

图3 经过Detrend法预处理后的3种鸡蛋的平均光谱Fig.3 Average spectra of the three kinds of eggs by the Detrend pretreatment

3.2 样本划分

采用SPXY方法对224个样本划分校正集和预测集，划分比例为校正集∶预测集=3∶1，划分结果如表2所示。

表2 利用SPXY法划分样本结果Tab.2 Results of sample division by SPXY method

3.3 特征波长提取

3.3.1 应用CARS提取特征波长

运行CARS之前，首先确定PLS模型中最优主成分数，设置最大主成分数为40，蒙特卡洛采样次数为1 000，抽取总样本的3/4作为校正集，得到不同主成分数下的RMSECV值如图4所示。从图中可知，当主成分数为31时，RMSECV值最小(0.544 7)，故最优主成分数为31。

图4 RMSECV随PLS主成分数的变化规律Fig.4 Variation of RMSECV with number of principal components of PLS

设定CARS参数：蒙特卡洛采样次数为500，主成分数为31，交叉验证组数为10。对全波段样本光谱进行筛选，鸡蛋种类鉴别筛选过程见图5。

图5 鸡蛋种类判别的CARS特征波长筛选过程Fig.5 Process of CARS characteristic wavelength selection for the kind discrimination of the eggs

由图5(a)可知，被挑选的波长数随着变量筛选过程的进行逐渐下降，下降速度由快变慢，体现了波长变量筛选的粗选与精选。图5(b)为变量筛选过程中交互验证均方误差的变化趋势。结果显示，交互验证均方误差随着筛选过程的进行先下降后上升，MC 采样次数为5时，交互验证均方误差达到最小值0.522 1，MC采样次数继续增加后，交互验证均方误差随挑选变量数减少而增大，再结合筛选过程中波长变量回归系数变化趋势(见图5(c))，“*”所对应的位置为5次MC采样，所以应用CARS方法在MC采样为5次时，交互验证均方误差最小，挑选出31个特征波长，分别为：444.6，449.4，473.4，478.2，492.6，497.4，502.2，507.0，535.8，545.4，550.2，564.6，593.4，742.3，756.7，771.1，775.9，809.5，819.1，828.7，843.1，862.3，867.1，886.3，891.1，905.5，934.3，953.5，963.1，967.9，972.7 nm。

3.3.2 应用GAPLS提取特征波长

应用GAPLS提取特征波长，设置参数：种群数为30，交叉概率为50%，变异概率为1%，最大遗传因子为30，迭代次数100次。鸡蛋光谱通过GAPLS筛选的有效信息如图6所示，图中横坐标为125个波点，纵坐标为不同波点被筛选的频次，频次越高表示该点适应性越强，与鸡蛋类别相关性越高。运行GAPLS时，同时计算不同波长数下的RMSECV值如图7所示，其中最大主成分数设为15。最后结合RMSECV值和波长频次数选出最佳波长变量。

图6 鸡蛋光谱的GA筛选图Fig.6 GA screening of spectra of the eggs

图7 不同波数下的RMSECV值Fig.7 RMSECV of different number of wavelengths

由图7可知，波长数为52时，RMSECV最低。再结合图6中每个波长筛选频数，这52个波长的筛选频数大于等于5。说明这些特征波长与鸡蛋类别相关性较强，最终确定最佳波长数52个，主要分布在401.3～444.5 nm、550.2～636.6 nm、732.7～991.9 nm。

3.3.3 应用IRF提取特征波长

应用IRF提取特征波长时，设置迭代次数N为1 000，间隔宽度W为15，子间隔初始值Q为50，主成分数为15。运行IRF，得到111个间隔中排名前10的间隔如表3所示；同时计算每个间隔的RMSECV，如图8所示。

表3鸡蛋光谱数据排名前10的波长间隔
Tab.3 Top ranked 10 wavelength intervals of egg spectral data

排名间隔排名间隔196～110691～105292～106789～103386～100888～102484～98997～111598～1121087～101

图8 排名从第一到最后一个波长间隔的RMSECV值Fig.8 RMSECV of the union of the top ranked intervals from 1st to the last

从表3可以看出：前10名区间选出的波点是从84号到111号；但从图8可以看出：前10名间隔波长的RMSECV不是最小，当选择前28个间隔时，RMSECV最低为0.493 4，所以选择排名前28的间隔波长，最终选出的波点是31～48，72～124号，具体波长是545.4～627.0 nm，742.3～991.9 nm，共71个波长。

3.4 建模算法的比较与分析

经Detrending法预处理的光谱，分别建立基于全波段光谱(Full spectrum，FS)和3种特征波长提取方法基于PLS-DA和KNN的鸡蛋种类鉴别模型。

3.4.1 KNN建模结果

运行KNN算法之前，需要确定合适的K值，K值的大小影响建模效果。图9为全光谱交互验证的错误率与K值大小的分布图，根据最低错误率确定K值，所以选择K=3建立KNN模型。同样的方法确定CARS、GAPLS、IRF特征波长的K值分别为10，7，4，分别建立对应的KNN模型，结果统计如表4。

图9 KNN算法中K值的选择Fig.9 K values selection for KNN algorithm

表4 基于不同特征波长挑选方法的KNN鸡蛋种类判别模型Tab.4 KNN model based on different characteristic wavelength selection methods for kind discrimination of egg

从表4可以看出，基于全光谱和特征波长建立的KNN模型的校正集和预测集正确率均小于80%，说明KNN鸡蛋种类判别模型稳定性及预测能力较差。对比全光谱和特征波长建立的KNN模型发现，IRF-KNN的校正集正确率最低，该校正模型效果较差；而CARS-KNN和GAPLS-KNN模型校正集及预测集正确率均大于FS-KNN模型，说明CARS-KNN和GAPLS-KNN模型效果均优于FS-KNN模型，CARS和GAPLS方法能有效地对光谱降维。进而对比CARS-KNN和GAPLS-KNN模型，前者校正集正确率为77.97%大于后者，但是其预测集正确率明显低于后者(76.79%)；前者提取到31个特征波长明显低于后者，说明CARS法比GAPLS法对光谱降维效果较好。综合比较CARS-KNN判别模型效果最优，经过CARS得到的31个特征波长包含了较多的关键信息，可以代替全光谱建模，达到减少模型的复杂性、提高建模速度和稳定性的目的。

3.4.2 PLS-DA建模结果

运行PLS-DA之前，需要确定最佳主成分数，根据RMSECV最小来确定主成分数最优。每次建立PLS-DA模型时，确定参数：数据归一化处理、交叉验证组数为5、交互验证方式为百叶窗型。应用CARS、GAPLS、IRF方法提取特征波长建立PLS-DA鸡蛋种类判别模型并与全光谱对比，模型效果统计如表5。

表5 基于不同特征波长挑选方法的PLS-DA鸡蛋种类鉴别模型Tab.5 PLS-DA model based on different characteristic wavelength selection methods for kind discrimination of egg

从表5可以看出，在3种特征波长提取方法中，经过GAPLS和IRF提取得到的波长数分别为52和71个，说明这两种方法对光谱降维效果欠佳；对应其PLS-DA模型主成分数均为15，大于FS-PLS-DA模型，说明这两个模型稳定性不如FS-PLS-DA模型；GAPLS-PLS-DA模型校正集准确率为94.64%，小于FS-PLS-DA和IRF-PLS-DA模型，但GAPLS-PLS-DA和IRF-PLS-DA模型预测集准确率均为85.71%，大于FS-PLS-DA模型，说明这两种模型的预测能力优于FS-PLS-DA。CARS提取的特征波长31个明显低于其他两种方法，但CARS-PLS-DA模型主成分数为17，大于其他3种模型，说明通过CARS有效地降低了模型的复杂性，但并没有提高模型稳定性；其校正集、预测集准确率分别为95.83%、80.36%，低于FS-PLS-DA模型，说明CARS方法剔除了部分有用信息。挑选特征波长是在保证模型效果前提下对数据降维。所以综合考虑，虽然CARS特征波长提取方法降维效果最佳，但IRF-PLS-DA模型最优，经过IRF法提取得到的特征波长能代表全光谱建立PLS-DA模型。

4 结论

本文利用高光谱技术对鸡蛋种类判别进行研究，为鸡蛋种类无损判别提供科学方法。利用400～1 000 nm高光谱系统采集3种鸡蛋样本的高光谱图像，对原始光谱进行预处理；应用CARS、GAPLS和IRF对预处理后光谱数据提取特征波长；分别建立基于全光谱和特征波长的KNN和PLS-DA鸡蛋判别模型。对比其PLS-DA模型建模效果，经过Detrend法预处理效果最好。对Detrending法预处理的光谱数据挑选特征波长，CARS、GAPLS、IRF算法提取特征波长分别为31，52，71个；分别建立对应的KNN、PLD-DA判别模型，结果表明建立的PLS-DA模型效果均优于KNN模型，CARS法提取的特征波长降维效果最好，提高了KNN模型稳定性和正确率。对比模型效果，IRF-PLS-DA为最优模型，校正集正确率97.02%，预测集正确率85.71%。

[1] 毕夏坤,赵杰文,林颢,等.便携式近红外光谱仪判别鸡蛋的贮藏时间 [J].食品科学,2013,34(22):281-285.

BI X K,ZHAO J W,LIN H,etal..Prediction of egg storage time using portable near infrared spectrometer [J].FoodSci.,2013,34(22):281-285.(in Chinese)

[2] 董志梅,刘晓晓,龙君江,等.不同地方鸡种蛋品质比较和相关性分析 [J].黑龙江畜牧兽医,2016(3):111-113.

DONG Z M,LIU X X,LONG J J,etal..Comparison and correlation analysis of chicken egg quality in different areas [J].HeilongjiangAnimalSci.Veteran.Med.,2016(3):111-113.(in Chinese)

[3] 朱云鹏,崔春利,王兰娇,等.哈尔滨市售鸡蛋品质及营养成分分析 [J].食品工业,2017(5):289-292.

ZHU Y P,CUI C L,WANG L J,etal..The analysis of quality and nutrient of commercially available eggs in Harbin [J].FoodInd.,2017(5):289-292.(in Chinese)

[4] 冯静,王燕,臧蕾,等.不同品种蛋鸡鸡蛋营养成分的比较研究 [J].畜牧与饲料科学,2016,37(9):4-9.

FENG J,WAND Y,ZANG L,etal..Comparative study on nutritional components of eggs from different breeds of laying hens [J].AnimalHusb.FeedSci.,2016,37(9):4-9.(in Chinese)

[5] BAIN M M.Recent advances in the assessment of eggshell quality and their future application [J].WorldsPoult.Sci.J.,2005,61(2):268-277.

[6] 汤丹明,孙斌,刘辉军.近红外漫反射光谱鉴别鸡蛋种类 [J].光谱实验室,2012,29(5):2699-2702.

TANG D M,SUN B,LIU H J.Kind discrimination of egg by near infrared spectroscopy [J].Chin.J.Spectrosc.Lab.,2012,29(5):2699-2702.(in Chinese)

[7] 王巧华,李小明,段宇飞.基于CUVE-PLS-DA的鸡蛋新鲜度在线检测分级 [J].食品科学,2016(22):187-191.

WANG Q H,LIAO X M,DUAN Y F.On-line detection and classification of egg freshness based on consensus uninformative variable elimination partial least squares-discriminant analysis [J].FoodSci.,2016(22):187-191.(in Chinese)

[8] 王巧华,任奕林,文友先.基于BP神经网络的鸡蛋新鲜度无损检测方法 [J].农业机械学报,2006,37(1):104-106.

WANG Q H,REN Y L,WEN Y X.Study on non-destructive detection method for fresh degree of eggs based on BP neural network [J].Trans.Chin.Soc.Agricult.Machin.,2006,37(1):104-106.(in Chinese)

[9] 孙俊,刘彬,毛罕平,等.基于介电特性的鸡蛋品种无损鉴别 [J].食品科学,2017(6):282-286.

SUN J,LIU B,MAO H P,etal..Non-destructive idetification of different egg varieties based on dielectric properties [J].FoodSci.,2017(6):282-286.(in Chinese)

[10] WU L G,HE J G,LIU G S,etal..Detection of common defects on jujube using Vis-NIR and NIR hyperspectral imaging [J].Postharv.Bio.Technol.,2016,112:134-142.

[11] 张初,刘飞,孔汶汶,等.利用近红外高光谱图像技术快速鉴别西瓜种子品种 [J].农业工程学报,2013,29(20):270-277.

ZHANG C,LIU F,KONG W W,etal..Fast identification of watermelon seed variety using near infrared hyperspectral imaging technology [J].Trans.Chin.Soc.Agricult.Eng.,2013,29(20):270-277.(in Chinese)

[12] 于慧春,王润博,殷勇,等.基于不同波段的枸杞多糖及总糖高光谱成像检测 [J].食品科学,2017,38(8):191-197.

YU H C,WANG Y B,YI Y,etal..Detection of polysaccharides and total sugar in chinese wolfberry based on hyperspectral imaging in different wavebands [J].FoodSci.,2017,38(8):191-197.(in Chinese)

[13] 丁佳兴,吴龙国,何建国,等.高光谱成像技术对灵武长枣果皮强度的无损检测 [J].食品工业科技,2016,37(24):58-62.

DING J X,WU L G,HE J G,etal..Non-destructive determination of pericarp break force of Lingwu long jujube by hyperspectral imaging technology [J].Sci.Technol.FoodInd.,2016,37(24):58-62.(in Chinese)

[14] 孙俊,蒋淑英,毛罕平,等.基于线性判别法的生菜农药残留定性检测模型研究 [J].农业机械学报,2016,47(1):234-239.

SUN J,JIANG S Y,MAO H P,etal..Nondestructive identification of pesticide residues in lettuce leaves based on linear discriminant method [J].Trans.Chin.Soc.Agricult.Machin.,2016,47(1):234-239.(in Chinese)

[15] 李凯,李雪莹,栾丽丽,等.近红外光谱和多分类器融合的葡萄酒品种判别研究 [J].光谱学与光谱分析,2016,36(11):3547-3551.

LI K,LI X Y,LUAN L L,etal..Determination of wine varieties with NIR and fusion of multiple classifiers [J].Spectrosc.Spect.Anal.,2016,36(11):3547-3551.(in Chinese)

[16] 邓建猛,王红军,黎邹邹,等.基于高光谱技术的马铃薯外部品质检测 [J].食品与机械,2016,32(11):122-125.

DENG J M,WANG H J,LI Z Z,etal..Detection of potato external qual ity based on hyperspectral technology [J].FoodMachin.,2016,32(11):122-125.(in Chinese)

[17] 王巧华,周凯,吴兰兰,等.基于高光谱的鸡蛋新鲜度检测 [J].光谱学与光谱分析,2016,36(8):2596-2600.

WANG Q H,ZHOU K,WU L L,etal..Egg freshness detection based on hyper-spectra [J].Spectrosc.Spect.Anal.,2016,36(8):2596-2600.(in Chinese)

[18] HARROP G R K,ARAUJO M C U,JOSE G E,etal..A method for calibration and validation subset partitioning [J].Talanta,2005,67:736-740.

[19] 詹白勺,倪君辉,李军.高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定量测定 [J].光谱学与光谱分析,2014,34(10):2752-2757.

ZHAN B S,NI J H,LI J.Hyperspectral technology combined with CARS algorithm to quantitatively determine the SSC in Koela fragrant pear [J].Spectrosc.Spect.Anal.,2014,34(10):2752-2757.(in Chinese)

[20] 李江波,彭彦昆,陈立平,等.近红外高光谱图像结合CARS算法对鸭梨SSC含量定量测定 [J].光谱学与光谱分析,2014,34(5):1624-1629.

LI J B,PENG Y K,CHEN L P,etal..Near-infrared hyperspectral imaging combined with CARS algorithm to quantitatively determine soluble solids content in “YA” pear [J].Spectrosc.Spect.Anal.,2014,34(5):1624-1629.(in Chinese)

[21] YU K Q,ZHAO Y R,LI X L,etal..Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing [J].Comput.Electron.Agricult.,2014,103:1-10.

[22] 屠振华,籍保平,孟超英,等.基于遗传算法和间隔偏最小二乘的苹果硬度特征波长分析研究 [J].光谱学与光谱分析,2009,29(10):2760-2764.

TU Z H,JI B P,MENG C Y,etal..Analysis of NIR characteristic wavelengths for apple flesh firmness based on GA and iPLS [J].Spectrosc.Spect.Anal.,2009,29(10):2760-2764.(in Chinese)

[23] 李子文,熊雅婷,张海红,等.近红外光谱技术结合遗传算法用于苹果醋总酸定量分析 [J].食品与发酵工业,2016(1):195-199.

LI Z W,XIONG Y T,ZHANG H H,etal..Determination of total acid content in apple cider vinegar by near infrared spectroscopy combined with genetic algorithm [J].FoodFerment.Ind.,2016(1):195-199.(in Chinese)

[24] YUN Y H,LI H D,LESLIE R.E,etal..An efficient method of wavelength interval selection based on random frog for multivariate spectral calibration [J].SpectrochimicaActaPart A,2013,111:31-36.

[25] 李硕.基于可见近红外成像光谱技术土壤剖面氮的预测研究 [D].武汉：华中农业大学,2013.

LI S.PredictionofSoilNitrogenAlongSoilProfileUsingVis-NIRSpectroscopyImagingTechnique[D].Wuhan:Huazhong Agricultural University,2013.(in Chinese)

[26] BALLABIO D,CONSONNI V.Classification tools in chemistry.Part 1:linear models.PLS-DA [J].Anal.Methods,2013,5:3790-3798.