近紅外高光譜技術(shù)鑒別長(zhǎng)棗表面的農(nóng)藥種類(lèi)

劉民法，張令標(biāo)，王松磊，劉貴珊，何建國(guó)，賀曉光

（寧夏大學(xué)農(nóng)學(xué)院，寧夏銀川750021）

農(nóng)產(chǎn)品作為食品最主要的原料來(lái)源，其安全性直接影響到消費(fèi)者的身體健康。當(dāng)前，由于我國(guó)整體植保管理水平較低，部分農(nóng)民缺乏對(duì)農(nóng)藥使用的知識(shí)及對(duì)無(wú)公害農(nóng)藥的認(rèn)識(shí)不夠，出現(xiàn)病蟲(chóng)害時(shí)簡(jiǎn)單追求用藥殺蟲(chóng)治病效果，盲目加大用藥量和噴施次數(shù)，使農(nóng)殘嚴(yán)重超標(biāo)，對(duì)人體造成危害。靈武長(zhǎng)棗是寧夏具有地理標(biāo)志保護(hù)的地方優(yōu)勢(shì)特色農(nóng)產(chǎn)品，由于受氣候環(huán)境及管理水平等因素影響，部分年份會(huì)出現(xiàn)桃小食心蟲(chóng)、棗壁虱、紅蜘蛛、棗粘蟲(chóng)、花心蟲(chóng)等病蟲(chóng)害，在長(zhǎng)棗病害期間會(huì)噴施一定劑量的農(nóng)藥，例如毒死蜱、吡蟲(chóng)啉、噠螨靈、敵百蟲(chóng)、氯菊酯等。為了嚴(yán)格控制長(zhǎng)棗安全品質(zhì)符合地方優(yōu)質(zhì)農(nóng)產(chǎn)品生產(chǎn)標(biāo)準(zhǔn)，本試驗(yàn)利用高光譜成像檢測(cè)技術(shù)對(duì)長(zhǎng)棗常用毒死蜱、吡蟲(chóng)啉、噠螨靈三種農(nóng)藥殘留進(jìn)行初步檢測(cè)研究。

高光譜成像技術(shù)是一種圖譜合一的多信息融合技術(shù)，與傳統(tǒng)的近紅外光譜技術(shù)相比，由于高光譜成像技術(shù)在獲得研究對(duì)象光譜信息的同時(shí)還可以獲取研究對(duì)象的圖像信息，因此可以根據(jù)研究對(duì)象的圖像選擇特定的感興趣區(qū)域進(jìn)行光譜分析研究，該技術(shù)最先應(yīng)用于衛(wèi)星監(jiān)測(cè)、地理遙感、軍事等領(lǐng)域[1]。近年來(lái)逐漸成為農(nóng)產(chǎn)品無(wú)損檢測(cè)領(lǐng)域成為一個(gè)研究熱點(diǎn)[2-5]，多名學(xué)者在農(nóng)產(chǎn)品品質(zhì)檢測(cè)、種類(lèi)鑒別、農(nóng)藥殘留分析等方面做過(guò)大量的分析研究，并取得了較好成果[6-9]。本文利用小型農(nóng)藥噴霧器將同濃度不同種類(lèi)的農(nóng)藥（毒死蜱、吡蟲(chóng)啉、噠螨靈）及空白蒸餾水對(duì)長(zhǎng)棗進(jìn)行均勻噴灑，常溫條件下陰晾12 h 后，利用近紅外高光譜技術(shù)采集樣本光譜，探索高光譜檢測(cè)農(nóng)殘方法及對(duì)不同種類(lèi)農(nóng)藥進(jìn)行識(shí)別分析研究，為農(nóng)藥殘留的定量分析提供參考。

1 材料與方法

1.1 試驗(yàn)材料及主要儀器設(shè)備

1.1.1 試驗(yàn)材料

試驗(yàn)以靈武長(zhǎng)棗（采摘于靈武市長(zhǎng)棗生產(chǎn)基地）為研究對(duì)象，隨機(jī)選取320 個(gè)成熟度較好、顏色均一的長(zhǎng)棗樣本，選用的毒死蜱、吡蟲(chóng)啉、噠螨靈農(nóng)藥及小型噴霧器購(gòu)于寧夏農(nóng)資城。

首先對(duì)320 個(gè)長(zhǎng)棗樣本進(jìn)行清洗，放于干燥通風(fēng)處晾干，隨機(jī)分為4 組（毒死蜱組，吡蟲(chóng)啉組，噠螨靈組，用蒸餾水處理的空白組），每組80 個(gè)，對(duì)各組分別噴灑同濃度（1∶500）的相對(duì)應(yīng)各組的農(nóng)藥或蒸餾水，經(jīng)過(guò)12 h 后對(duì)320 個(gè)靈武長(zhǎng)棗樣本進(jìn)行編號(hào)（1～80 為毒死蜱組，81～160 為吡蟲(chóng)啉組，161～240 為噠螨靈組，241～320 為蒸餾水空白組）。采用900 nm～1 700 nm 近紅外高光譜對(duì)長(zhǎng)棗表面殘留的農(nóng)藥進(jìn)行掃描。從各組樣本中隨機(jī)選擇60 共計(jì)240 個(gè)作為校正集，剩余80個(gè)作為驗(yàn)證集。

1.1.2 主要儀器設(shè)備

本試驗(yàn)所使用的近紅外高光譜成像系統(tǒng)（N17ENIR，北京卓立漢光儀器有限公司），波段范圍為900 nm～1 700 nm，其結(jié)構(gòu)如圖1所示。

圖1 高光譜成像系統(tǒng)Fig.1 Hyperspectral imaging system

光譜成像系統(tǒng)的主要由六部分組成：（1）近紅外成像光譜儀（Imspector N17E，Spectral Imaging Ltd.，Oulu，F(xiàn)inland），光譜分辨率為5 nm，共256 個(gè)波段；（2）CCD 相機(jī)（像素為320×300，其包含CCD 傳感器、焦平面陣列檢測(cè)器等部分）；（3）4 個(gè)35 W 的鹵鎢燈線(xiàn)光源（HSIA-LS-TDIF，Zolix instruments Co.，Ltd，Beijing，China）；（4）電控位移平臺(tái)（PSA200-11-X，Zolix Instruments Co.，Ltd.，Beijing，China）（5）含光譜處理分析軟件的計(jì)算機(jī)（Lenovo Inter （R）Core i7-2600 CPU@3.40 GHz，RAM 4.00G），通過(guò)計(jì)算機(jī)上的光譜處理分析軟件可以獲得圖像上任一像素的光譜信息。

1.2 高光譜圖像采集

1.2.1 參數(shù)設(shè)置

為防止外界環(huán)境雜散光干擾，高光譜成像系統(tǒng)（除計(jì)算機(jī)）放置于光箱中。為保證獲取光譜數(shù)據(jù)的準(zhǔn)確性，圖像不失真，需要在光譜數(shù)據(jù)采集前對(duì)相機(jī)的曝光時(shí)間，光譜圖像采集速度以及樣本間距進(jìn)行設(shè)定。數(shù)據(jù)采集時(shí)，電控位移平臺(tái)作垂直于光線(xiàn)的橫向運(yùn)動(dòng)，最終完成整個(gè)樣本圖像的數(shù)據(jù)采集。經(jīng)過(guò)多次試驗(yàn)最終確定CCD 相機(jī)的曝光時(shí)間為10 ms，圖像采集速度為13 mm/s，長(zhǎng)棗樣本間距為20 mm。

1.2.2 黑白校正

由于CCD 相機(jī)中暗電流的存在以及個(gè)別波段下光源強(qiáng)度較弱，這就導(dǎo)致該波段下的噪音較大，掩蓋了該波段下樣本的真實(shí)信息，因此為消除噪聲影響，必須對(duì)圖像進(jìn)行黑白校正[10-11]。暗校正是為了消除相機(jī)攝像頭中暗電流的影響，全黑的標(biāo)定圖像D 可以通過(guò)將CCD 相機(jī)擰上鏡頭蓋獲得。打開(kāi)鏡頭蓋用反射率為99.5%的聚四氟乙烯標(biāo)準(zhǔn)白板進(jìn)行校正，得到全白的標(biāo)定圖像W。最后根據(jù)公式（1）計(jì)算出校正后的圖像R。

式中：R 為標(biāo)定后的高光譜圖像；I 為原始高光譜圖像；D 為全黑的標(biāo)定圖像；W 為全白的標(biāo)定圖像。

1.3 光譜的Savitzky-Golay 卷積平滑處理

由于高光譜成像系統(tǒng)采集到的原始光譜除含有樣品的自身信息外，還包含一些暗電流干擾噪聲等，需進(jìn)行預(yù)處理消除噪聲干擾。信號(hào)平滑是消除噪聲最常用的一種方法，其基本假設(shè)是光譜含有的噪聲為零均隨機(jī)白噪聲，若多次測(cè)量取平均值可降低噪聲，提高信噪比[12]。Savitzky-Golay 卷積平滑法是目前應(yīng)用較廣泛的信號(hào)平滑方法。本試驗(yàn)利用The Unscrambler X 10.3 軟件對(duì)原始光譜進(jìn)行Savitzky-Golay 卷積平滑處理。

2 結(jié)果與討論

2.1 長(zhǎng)棗樣本的形態(tài)學(xué)參數(shù)測(cè)定結(jié)果

利用游標(biāo)卡尺和電子天平對(duì)長(zhǎng)棗樣本的形態(tài)學(xué)參數(shù)進(jìn)行測(cè)定，測(cè)定結(jié)果如表1所示。

表1 長(zhǎng)棗樣本的形態(tài)學(xué)參數(shù)Table1 Morphological parameters of long jujubes

2.2 光譜采集及預(yù)處理分析

按照組次（毒死蜱組、吡蟲(chóng)啉組、噠螨靈組、蒸餾水組）和編號(hào)順序，每次取8 個(gè)長(zhǎng)棗樣本，分兩排排列，每排4 個(gè)，以20 mm 為樣本間距的標(biāo)準(zhǔn)，擺放在電控位移平臺(tái)上，采集光譜數(shù)據(jù)，選取每個(gè)長(zhǎng)棗樣本俯視圖整個(gè)表面區(qū)域（約在11.30 cm2左右）作為感興趣區(qū)域用于計(jì)算每個(gè)樣本的光譜平均反射值，將各組中80個(gè)樣本的光譜平均反射值再均值化，得到的光譜曲線(xiàn)作為各類(lèi)農(nóng)藥以及蒸餾水的原始平均光譜圖。原始光譜圖像經(jīng)Savitzky-Golay 卷積平滑處理后得到的光譜圖像如圖2所示（圖中R1 代表毒死蜱，R2 代表吡蟲(chóng)啉，R3 代表噠螨靈，R4 代表蒸餾水）。

圖2 Savitzky-Golay 處理后的光譜圖像Fig.2 Spectral image after using Savitzky-Golay processing

由圖2分析可以看出，不同農(nóng)藥及蒸餾水噴灑樣本在900 nm～1 700 nm 范圍內(nèi)走勢(shì)基本一致，且在局部波段范圍內(nèi)會(huì)出現(xiàn)嚴(yán)重的重疊，相互識(shí)別度較低，但在990 nm～1 160 nm 和1 200 nm～1 400 nm 兩個(gè)局部特征波段曲線(xiàn)差異較為明顯，因此特征波長(zhǎng)應(yīng)在上述兩個(gè)波段范圍內(nèi)選取；在1 440 nm～1 450 nm 波段范圍四條曲線(xiàn)均有明顯吸收，此波段主要為H2O 及—OH基團(tuán)吸收，但四者相互差異不明顯，不具備特征波長(zhǎng)提取條件；而在1 640 nm 波長(zhǎng)處出現(xiàn)幅值較小峰經(jīng)分析確定為光譜失真產(chǎn)生干擾噪聲。圖中還可以清楚地看出，除了1 080 nm～1 190 nm 以外的波段范圍，三種農(nóng)藥樣本的平均光譜反射值均明顯地大于蒸餾水的平均光譜反射值。

2.3 局部特征波段選取

試驗(yàn)選用偏最小二乘回歸的權(quán)重系數(shù)圖選擇特征波長(zhǎng)，用特征波段下的光譜數(shù)據(jù)進(jìn)行后續(xù)的農(nóng)藥種類(lèi)判別分析。對(duì)256 個(gè)波段下的Savitzky-Golay 卷積平滑預(yù)處理后的光譜進(jìn)行PLS 回歸，得到的權(quán)重系數(shù)圖，根據(jù)圖3的權(quán)重系數(shù)以及圖2各組樣本平均光譜反射值在各波段范圍內(nèi)所呈現(xiàn)出的特點(diǎn)，選擇出（993、1 034、1 100、1 151、1 213、1 300、1 395 nm）7 個(gè)特征波段（SW），如圖3所示。

圖3 偏最小二乘回歸系數(shù)圖Fig.3 Regression coefficient of PLSR model

2.4 PLSR 模型判別分析

PLSR 模型是一種常用的校正預(yù)測(cè)模型，在試驗(yàn)中首先嘗試用PLSR 模型對(duì)長(zhǎng)棗上不同種類(lèi)的農(nóng)藥進(jìn)行判別分析。

用PLSR 模型對(duì)研究對(duì)象進(jìn)行校正預(yù)測(cè)時(shí)，不僅需要研究對(duì)象的光譜數(shù)值，而且還需要研究對(duì)象的實(shí)測(cè)數(shù)值，屬于數(shù)值與數(shù)值之間的對(duì)應(yīng)。由于本試驗(yàn)是對(duì)農(nóng)藥的種類(lèi)進(jìn)行預(yù)測(cè)識(shí)別，在這里的實(shí)測(cè)值是農(nóng)藥的種類(lèi)，直接輸入農(nóng)藥的類(lèi)別與光譜值無(wú)法建立起PLSR 模型，因此在試驗(yàn)中嘗試將農(nóng)藥的種類(lèi)進(jìn)行數(shù)學(xué)賦值，用不同的數(shù)字來(lái)表示不同的農(nóng)藥種類(lèi)。

試驗(yàn)中將毒死蜱農(nóng)藥賦值為1，吡蟲(chóng)啉賦值為2，噠螨靈賦值為3，蒸餾水賦值為4，數(shù)值間的間距為1。判別依據(jù)是以各數(shù)值為基準(zhǔn)，上下0.5 個(gè)單位以?xún)?nèi)的為該數(shù)值代表的農(nóng)藥類(lèi)別（如表2所示）。從4 組樣本中各隨機(jī)取60 個(gè)樣本組合在一起，共計(jì)240 個(gè)樣本作為校正集，建立PLSR 校正模型；用剩余的80 個(gè)樣本進(jìn)行預(yù)測(cè)，結(jié)果分別如圖4，圖5以及表3所示。

表2 PLSR 模型判別標(biāo)準(zhǔn)Table2 Discrimination standard of PLSR model

圖4 PLSR 校正模型Fig.4 Calibration model results of PLSR

圖5 PLSR 驗(yàn)證模型Fig.5 Validation model results of PLSR

表3 全波段下PLSR 校正模型和驗(yàn)證模型效果Table3 Modeling results of full wavelength using PLSR methods

由表3可以看出，PLSR 校正模型的相關(guān)系數(shù)Rc為0.95，RMSEC 為0.33，交 互 驗(yàn) 證Rcv 為0.93，RMSEC 為0.39；PLSR 驗(yàn)證模型的相關(guān)系數(shù)RP為0.95，RMSEP 為0.37。從整體模型的各參數(shù)來(lái)看，Rc，Rcv，RP分別為0.95，0.93，0.95，相關(guān)性均比較高，且Rc與Rcv 只相差0.02，說(shuō)明模型的穩(wěn)定性較高，并且預(yù)測(cè)能力較強(qiáng)（一個(gè)好的預(yù)測(cè)模型除了具有較高的相關(guān)系數(shù)R，較低的RMSEC 和RMSEP 值以外，Rc 與Rcv的差值也應(yīng)該越小越好，Rc 與Rcv 的差值越小說(shuō)明建立的預(yù)測(cè)模型越穩(wěn)定[13]），此外校正模型與驗(yàn)證模型的均方根誤差（RMSEC，RMSEP）均小于0.5，說(shuō)明按照各賦值的數(shù)值為基準(zhǔn)，上下偏差在0.5 以?xún)?nèi)的判別標(biāo)準(zhǔn)可以對(duì)樣本上的農(nóng)藥種類(lèi)進(jìn)行有效的判別。

由圖4分析可得，建立的校正模型中，毒死蜱樣本（用1 表示的樣本）中，有9 個(gè)樣本數(shù)值在1.55～1.85之間，出現(xiàn)較大偏差，樣本容易被誤判為吡蟲(chóng)啉；吡蟲(chóng)啉樣本（用2 表示的樣本）中，有3 個(gè)樣本數(shù)值在2.55～2.70 之間，易誤判為噠螨靈：噠螨靈樣本（用3 表示的樣本）中，有18 個(gè)在2.10～2.50 之間，出現(xiàn)的偏差數(shù)較多，易誤判為吡蟲(chóng)啉。

由圖5分析可得，建立的驗(yàn)證模型中，在吡蟲(chóng)啉樣本（用2 表示的樣本）中，有3 個(gè)樣本的預(yù)測(cè)數(shù)值在2.5～2.6 之間，根據(jù)判別標(biāo)準(zhǔn)，該樣本被誤判為噠螨靈；在噠螨靈樣本（用3 表示的樣本）中，有6 個(gè)樣本的預(yù)測(cè)數(shù)值在2～2.5 之間，根據(jù)判別標(biāo)準(zhǔn)，這兩個(gè)樣本被誤判為吡蟲(chóng)啉。最終80 個(gè)驗(yàn)證樣本中有9 個(gè)出現(xiàn)誤判，71 個(gè)判別正確，判別正確率88.75%。

2.5 SW-LDA 判別分析

2.5.1 SW-LDA 模型建立

LDA 方法也稱(chēng)Fisher 線(xiàn)性判別，從高維的特征空間里提取最具有分辨能力的低維特征，將同一種類(lèi)別的研究對(duì)象聚集到一塊，從而使不同種類(lèi)的樣本區(qū)別開(kāi)[14]。

采用提取的7 個(gè)特征波長(zhǎng)建立SW-LDA 不同種類(lèi)農(nóng)藥識(shí)別模型，用240 個(gè)校正樣本訓(xùn)練模型，每次對(duì)模型輸入光譜值，模型可直接根據(jù)輸入的光譜值，輸出農(nóng)藥的類(lèi)別。模型訓(xùn)練結(jié)果如表4及圖6所示。

表4 不同農(nóng)藥的SW-LDA 校正模型結(jié)果Table4 Calibratio model results of SW-LDA for different pesticide

圖6 不同農(nóng)藥的SW-LDA 校正模型Fig.6 Calibratio model of SW-LDA for different pesticide

由表4可以看出SW-LDA 校正模型的識(shí)別效果較好，能有效地區(qū)分各種不同的農(nóng)藥及蒸餾水。從表中可以看出SW-LDA 模型對(duì)毒死蜱、吡蟲(chóng)啉、噠螨靈以及蒸餾水的判別正確率分別為95%，93.33%，93.33%，100%，判別準(zhǔn)確率均較高，尤其是蒸餾水組（即不含農(nóng)藥的樣本）可以準(zhǔn)確地與農(nóng)藥組樣本區(qū)分開(kāi)來(lái)。根據(jù)圖6進(jìn)行分析，圖中的4種圖形分別代表了不同的農(nóng)藥種類(lèi)，從左下方到右上方分別為正方形，圓形，三角形以及五邊形，這4種圖形分別代表了毒死蜱，吡蟲(chóng)啉，噠螨靈以及蒸餾水。從圖中可以看出3種農(nóng)藥類(lèi)型以及蒸餾水組都區(qū)分的非常明顯，反映了不同種類(lèi)的農(nóng)藥以及蒸餾水可以非常準(zhǔn)確地判別出來(lái)。

2.5.2 模型預(yù)測(cè)

利用已建立好的SW-LDA 校正模型對(duì)未參與建模的80 個(gè)樣本進(jìn)行農(nóng)藥種類(lèi)的判別，判別結(jié)果如表5所示。

表5 SW-LDA 模型對(duì)不同農(nóng)藥的預(yù)測(cè)結(jié)果Table5 Validation model results of SW-LDA for different pesticide

由表5可以清晰地看到SW-LDA 模型對(duì)驗(yàn)證集中靈武長(zhǎng)棗上的三種不同的農(nóng)藥以及蒸餾水的種類(lèi)判別正確率均達(dá)到90%以上，這說(shuō)明SW-LDA 模型是一種有效的判別長(zhǎng)棗表面農(nóng)藥種類(lèi)的方法，由此可見(jiàn)近紅外高光譜技術(shù)聯(lián)合SW-LDA 鑒別長(zhǎng)棗表面農(nóng)藥的種類(lèi)是可行的。

3 結(jié)論

本試驗(yàn)利用近紅外高光譜技術(shù)聯(lián)合不同的模型對(duì)靈武長(zhǎng)棗表面的不同農(nóng)藥進(jìn)行種類(lèi)判別探索研究，以尋找出最能有效判別長(zhǎng)棗表面農(nóng)藥種類(lèi)的方法。基于所使用的樣本數(shù)，試驗(yàn)首先依據(jù)各類(lèi)農(nóng)藥的平均光譜反射值在各波段范圍內(nèi)所呈現(xiàn)出的特點(diǎn)以及偏最小二乘（PLS）回歸的權(quán)重系數(shù)優(yōu)選了7 個(gè)特征波段（SW），利用特征波段進(jìn)行建模識(shí)別。經(jīng)試驗(yàn)研究分析發(fā)現(xiàn)利用對(duì)農(nóng)藥種類(lèi)賦值的方法建立PLSR 模型進(jìn)行種類(lèi)判別，在一定程度上可以對(duì)大部分農(nóng)藥種類(lèi)正確判別出來(lái)，判別正確率達(dá)到88.75%，但是也有許多樣本出現(xiàn)誤判的情況，尤其是在對(duì)吡蟲(chóng)啉與噠螨靈兩種農(nóng)藥進(jìn)行判別時(shí)，誤判率較高。試驗(yàn)進(jìn)行進(jìn)一步研究探索，建立了SW-LDA 校正模型，校正集的判別準(zhǔn)確率有了較為明顯地提高，利用建立的模型對(duì)未參與建模的樣本進(jìn)行判別，判別正確率均達(dá)到90%以上。此外，在利用對(duì)農(nóng)藥種類(lèi)賦值的方法建立PLSR 模型進(jìn)行種類(lèi)判別時(shí)，由于模型判別輸出的是數(shù)值，要想得知未知樣本上的農(nóng)藥種類(lèi)，還需要根據(jù)數(shù)值再去對(duì)應(yīng)各種農(nóng)藥所屬的數(shù)值區(qū)間，判別相對(duì)較為麻煩，而SW-LDA 模型則是根據(jù)輸入的光譜值直接判別輸出農(nóng)藥種類(lèi)名稱(chēng)。綜上所述，近紅外高光譜聯(lián)合SWLDA 是一種有效且準(zhǔn)確率較高的鑒別長(zhǎng)棗表面殘留農(nóng)藥種類(lèi)的方法。

由于試驗(yàn)所用的樣本數(shù)量以及農(nóng)藥的種類(lèi)有限，若在今后的研究中進(jìn)一步增加樣本數(shù)量以及農(nóng)藥的種類(lèi)，進(jìn)行進(jìn)一步的研究，可能產(chǎn)生的實(shí)際意義將會(huì)更大，為今后實(shí)現(xiàn)長(zhǎng)棗表面農(nóng)藥殘留的快速在線(xiàn)無(wú)損檢測(cè)提供堅(jiān)實(shí)的理論基礎(chǔ)。

[1] 張兵,高連如.高光譜圖像分類(lèi)與目標(biāo)探測(cè)[M].北京:科學(xué)出版社,2011

[2] Dan Liu, Jiahuan Qu, Da-Wen Sun, etal.Non-destructive prediction of salt contents and water activity of porcine meat slices by hyperspectral imaging in a salting process[J].Innovative Food Science and Emerging Technologies,2013,20:316-323

[3] Xing J, Symons S,Shahina M, et al.Detection of sprout damage in Canada Westem Red Spring wheat with multiple wavebands using visible/near-infrared hyperspectral in aging[J].Biosystems Engineering,2010,106(2):188-194

[4] Yao-Ze Feng, Da-Wen Sun.Determination of total viable count(TVC)in chicken breast fillets by near-infrared hyperspectral imaging and spectroscopic transforms[J].Talanta,2013,105:244-249

[5] Di Wu, Da-Wen Sun.Application of visible and near infrared hyperspectral imaging for non-invasively measuring distribution of water-holding capacity in salmon flesh[J].Talanta,2013,116:266-276

[6] 鐘艷萍,鐘振聲,陳蘭珍,等.近紅外光譜技術(shù)定性鑒別蜂蜜品種及真?zhèn)蔚难芯縖J].現(xiàn)代食品科技,2010,26(11):1280-1283

[7] Junfeng Gao,Xiaoli Li,Fengle Zhu,et al.Application of hyperspectral imaging technology to discriminate different geographical origins of Jatropha curcas L.seeds[J].Computers and Electronics in Agriculture,2013,99:186-193

[8] 溫珍才,孫通,耿響,等.可見(jiàn)/近紅外聯(lián)合UVE-PLS-LDA 鑒別壓榨和浸出山茶油[J].光譜學(xué)與光譜分析,2013,33(9):2354-2358

[9] 湯丹明,孫斌,劉輝軍.近紅外漫反射光譜鑒別雞蛋種類(lèi)[J].光譜實(shí)驗(yàn)室,2012,29(5):2699-2702

[10] 李江波,蘇憶楠,饒秀勤.基于高光譜成像及神經(jīng)網(wǎng)絡(luò)技術(shù)檢測(cè)玉米含水率[J].包裝與食品機(jī)械,2010,28(6):1-4

[11] 李江波,饒秀勤,應(yīng)義斌,等.基于高光譜成像技術(shù)檢測(cè)臍橙潰瘍[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26(8):222-228

[12] 任紹鋼.近紅外光譜技術(shù)在藥用真菌云芝活性成分快速無(wú)損分析中的應(yīng)用[D].吉林:吉林大學(xué),2008

[13] Gamal ElMasry, Ning Wang, Adel ElSayed, etal.Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry[J].Journal of Food Engineering,2007(81):98-107

[14] Peris-Vicente J, Lerma-Garcia M J, Simo-Alfonso E, etal.Use of linear discriminant analysis applied to characterize commercial varnishes employed for art purposes Original Research Article[J].Analytica Chimica Acta,2007,589(2):208