掛面面片水分分布均勻度的快速定量表征

石吉勇，劉傳鵬，吳勝斌，黃曉瑋，李志華，鄒小波*

（江蘇大學(xué)食品與生物工程學(xué)院，江蘇 鎮(zhèn)江 212013）

面片是以小麥粉為主要原料，輔以鹽和水在和面、醒發(fā)和壓延等作用下形成的穩(wěn)定片狀結(jié)構(gòu)[1-2]。面片制成的下一步便是切條形成掛面，因此，面片品質(zhì)的好壞直接影響著最終掛面成品品質(zhì)的優(yōu)劣[3]。水分是掛面生產(chǎn)工序中作用僅次于小麥粉的重要因素，其作用不僅影響和面效果，還影響掛面的干燥效果。研究表明，在面片的制作中若采用不恰當(dāng)?shù)墓に嚂?huì)導(dǎo)致水分在面片中分布不均勻，無(wú)法與面筋蛋白充分水合形成健全的面筋骨架結(jié)構(gòu)，進(jìn)而導(dǎo)致面片切條制作的濕面條在烘干時(shí)因各部位脫水縮合應(yīng)力不一而出現(xiàn)一系列扭曲、斷條等品質(zhì)劣變現(xiàn)象[4]。因此，研究水分在面片中的分布均勻度對(duì)于理解和面過(guò)程中的物理化學(xué)變化、指導(dǎo)掛面的生產(chǎn)具有重要意義。

傳統(tǒng)的水分分布測(cè)定方法主要有低場(chǎng)核磁共振成像（low- field nuclear magnetic resonance，LF-NMR）法[5]、差示掃描量熱（differential scanning calorimetry，DSC）法[6]、國(guó)標(biāo)水分測(cè)定法等。LF-NMR測(cè)定水分均勻度的主要原理是通過(guò)不同結(jié)構(gòu)中的質(zhì)子在磁場(chǎng)中具有不同的自旋-弛豫特性，通過(guò)弛豫時(shí)間的變化分析物質(zhì)中的水分形態(tài)、分布和遷移特征；DSC的測(cè)定原理主要是根據(jù)體系中自由水和凍結(jié)水之間的不同結(jié)晶行為達(dá)到區(qū)分水分不同狀態(tài)的目的；國(guó)標(biāo)法測(cè)定水分主要是對(duì)體系中的水分進(jìn)行直接干燥，通過(guò)體系的質(zhì)量差得到水分在體系中的含量。上述方法各有利弊，如LF-NMR法適用于水分含量較高的待測(cè)物，對(duì)于掛面這種低水分含量物質(zhì)檢測(cè)效果不佳；DSC法雖然能夠準(zhǔn)確地描述測(cè)定部位的水分狀態(tài)，但無(wú)法對(duì)測(cè)定部位的水分進(jìn)行定量分析，無(wú)法準(zhǔn)確評(píng)價(jià)水分分布均勻度的細(xì)微變化；國(guó)標(biāo)法雖然能夠?qū)λ趾窟M(jìn)行準(zhǔn)確的定量分析，但無(wú)法完整的刻畫(huà)出水分在樣本中的分布情況等。

高光譜成像技術(shù)集光譜學(xué)分析技術(shù)與圖像分析技術(shù)于一體[7-9]，既包含樣品的光譜信息又包含樣品圖像信息，能夠同時(shí)捕獲樣本圖像中每個(gè)像素點(diǎn)的光譜信息和像素點(diǎn)的空間位置信息[10-11]，進(jìn)而實(shí)現(xiàn)對(duì)組分分布的可視化[12-14]，近些年被廣泛應(yīng)用于食品、農(nóng)產(chǎn)品檢測(cè)領(lǐng)域[15-18]。分布均勻度指數(shù)（distributional homogeneity index，DHI）法是一種基于移動(dòng)式像元計(jì)算標(biāo)準(zhǔn)偏差的統(tǒng)計(jì)學(xué)算法，該算法通過(guò)移動(dòng)式像元計(jì)算內(nèi)部標(biāo)準(zhǔn)偏差以達(dá)到評(píng)價(jià)分布均勻度的目的，近些年被廣泛應(yīng)用于評(píng)價(jià)組分的分布均勻度[19-20]。然而，將高光譜成像技術(shù)應(yīng)用于面片中水分分布的研究鮮有報(bào)道，因此本研究嘗試采用高光譜成像技術(shù)快速表征面片中水分的光譜信息，通過(guò)每個(gè)像素點(diǎn)的光譜信息計(jì)算出面片中水分分布情況，然后用DHI法計(jì)算面片水分分布均勻度，以期為指導(dǎo)掛面自動(dòng)化生產(chǎn)提供有力依據(jù)。

1 材料與方法

1.1 材料與試劑

面粉（特制一等古船富強(qiáng)粉） 北京古船食品有限公司；食鹽（優(yōu)級(jí)） 四川南充順城鹽化有限責(zé)任公司；培養(yǎng)皿規(guī)格（60 mm×15 mm） 無(wú)錫德凡儀器有限公司；蒸餾水為實(shí)驗(yàn)室自制。

1.2 儀器與設(shè)備

SK-1240真空和面機(jī) 成都索拉泰克精密機(jī)械有限公司；Bs-224S分析天平 德國(guó)賽多利斯公司；PH050A恒溫恒濕箱、DHG-9013A鼓風(fēng)干燥機(jī) 上海一恒科學(xué)儀器有限公司；TA-XT2i食品物性分析儀 英國(guó)Stable Micro System公司；V10E線掃描高光譜儀 芬蘭Spectral Imaging公司；DC-950A線光源 美國(guó)Dolan-Jenner公司；TSA200-A電控平移臺(tái) 北京卓立漢光有限公司。

1.3 方法

1.3.1 面片的制備

稱量7 份不同質(zhì)量分?jǐn)?shù)的蒸餾水（21%、25%、29%、33%、37%、41%、45%），分別加入14 g食鹽攪拌至完全溶解，將食鹽水倒入裝有700 g小麥粉的和面機(jī)中，設(shè)定真空和面機(jī)的真空度為0.08 MPa，和面時(shí)間為15 min；將揉好的面團(tuán)轉(zhuǎn)移至不銹鋼盆中，用濕潤(rùn)的紗布將盆封住，轉(zhuǎn)移至恒溫恒濕箱中（溫度35 ℃，濕度85%，預(yù)熱30 min），熟化30 min；設(shè)置面條壓延機(jī)的初始輥間距為2.6 mm，將熟化后的面團(tuán)在此輥間距處壓延一次，然后復(fù)合壓延3 次，然后分別在2.2、1.8、1.4、1.0、0.8 mm處壓延一次，最終得到的面片厚度為0.8 mm。采用模具將整個(gè)面片切割為大小為5 cm×5 cm的正方形若干作為樣品待測(cè)[21-22]。

1.3.2 高光譜數(shù)據(jù)的采集與標(biāo)定

圖1 高光譜成像系統(tǒng)Fig. 1 Schematic of the hyperspectral imaging system

本實(shí)驗(yàn)所用的高光譜成像系統(tǒng)由江蘇大學(xué)組裝搭建完成，主要零部件如圖1所示。該系統(tǒng)的高光譜攝像頭的成像分辨率為775×1 628，光譜儀的波長(zhǎng)范圍為432～963 nm，最終得到的高光譜數(shù)據(jù)維度為775×1 628×618。在進(jìn)行數(shù)據(jù)采集的過(guò)程中，由于光照強(qiáng)度不均勻、傳感器中存在暗電流等原因，會(huì)導(dǎo)致在光照強(qiáng)度較弱的波段形成較大的噪聲，因此在高光譜圖像采集完成后需要對(duì)圖像進(jìn)行黑白板校正[23]，如式1所示：

式中：Rλ為樣品校正后高光譜圖像中λ波段對(duì)應(yīng)的反射強(qiáng)度；Iλ為樣品原始高光譜圖像中λ波段對(duì)應(yīng)的反射強(qiáng)度；Bλ為高光譜黑板校正圖像中λ波段對(duì)應(yīng)的反射強(qiáng)度；Wλ為高光譜白板校正圖像中λ波段對(duì)應(yīng)的反射強(qiáng)度。

1.3.3 面片光譜信號(hào)的提取與預(yù)處理

采用ENVI 4.5軟件對(duì)標(biāo)定后的高光譜圖像進(jìn)行光譜提取。所選面片樣本表面平整、厚度均勻，以整個(gè)面片圖像為感興趣區(qū)域，利用Matlab 2017軟件對(duì)每個(gè)感興趣區(qū)域內(nèi)所有像素點(diǎn)的光譜值進(jìn)行平均，每個(gè)面片對(duì)應(yīng)一條原始光譜值，以此方式得到280 個(gè)面片共280 條光譜數(shù)據(jù)。

平均光譜區(qū)域得到的原始光譜數(shù)據(jù)集由于受到環(huán)境、機(jī)器運(yùn)行狀況等影響，除攜帶一些對(duì)表征樣本有利的信息外，通常會(huì)包含一些干擾信息，如基線漂移、高頻噪聲等，因此有必要對(duì)原始光譜進(jìn)行一系列的預(yù)處理除去無(wú)用信息，提高模型的準(zhǔn)確性和穩(wěn)健性。本研究采用標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate transformation，SNV）、卷積平滑（savitzky-golay，SG）、一階導(dǎo)數(shù)（first derivatives，1st DER）、二階導(dǎo)數(shù)（second derivatives，2nd DER）、多元散射校正（multiplicative scatter correction，MSC）5 種方法對(duì)光譜進(jìn)行預(yù)處理[24]，建立全光譜偏最小二乘定量（partial least square regression，PLSR）模型，通過(guò)模型的識(shí)別結(jié)果優(yōu)選出本實(shí)驗(yàn)的最優(yōu)預(yù)處理方法。

1.3.4 面片水分含量的測(cè)定

參照GB 5009.3—2016《食品中水分的測(cè)定》中的直接干燥法。取潔凈的培養(yǎng)皿若干，稱培養(yǎng)皿質(zhì)量并記錄，然后將其放置于101～105 ℃的鼓風(fēng)干燥箱中進(jìn)行干燥，干燥1 h后取出置于干燥器中冷卻0.5 h，重復(fù)操作至2 次稱量的質(zhì)量之差不超過(guò)2 mg即為質(zhì)量恒定。將制作完成的面片切割成小于2 mm的顆粒，裝于培養(yǎng)皿中放入鼓風(fēng)干燥機(jī)進(jìn)行干燥，干燥4 h后每隔1 h測(cè)定一次質(zhì)量，直到2 次測(cè)量的質(zhì)量之差小于2 mg即為干燥質(zhì)量恒定。面片中的水分含量計(jì)算如式（2）所示：

式中：W為面片中水分的含量/（g/g）；M1為初始的面片與培養(yǎng)皿的總質(zhì)量/g；M2為干燥至質(zhì)量恒定后的面片與培養(yǎng)皿的總質(zhì)量/g；M0為干燥至質(zhì)量恒定的培養(yǎng)皿質(zhì)量/g。

1.3.5 水分定量模型的建立

1.3.5.1 樣本的劃分

定量模型建立過(guò)程中，模型的輸入通常需要將數(shù)據(jù)劃分為校正集和預(yù)測(cè)集2 個(gè)類別，其中校正集被用來(lái)訓(xùn)練模型確定模型的最優(yōu)參數(shù)；預(yù)測(cè)集的作用是驗(yàn)證已建立好模型的預(yù)測(cè)能力和推廣能力，從而確定最優(yōu)模型。Kennared-Stone（K-S）算法是一種常見(jiàn)的選擇樣本的方法，其主要原理是將已選擇好的樣本點(diǎn)與剩余樣本點(diǎn)之間最小歐氏距離最大化，因此本實(shí)驗(yàn)采用K-S算法對(duì)樣本數(shù)據(jù)進(jìn)行分組。本實(shí)驗(yàn)共有7 種水分梯度的光譜，每種水分梯度的光譜共有40 條，7 種水分梯度一共280 條光譜，按照K-S算法將校正集-預(yù)測(cè)集按3∶2的比例進(jìn)行劃分。

1.3.5.2 定量模型的建立

多波長(zhǎng)光源發(fā)射的光照射在被測(cè)樣品表面因不同樣品其內(nèi)部、組織結(jié)構(gòu)具有差異，在特定波段下產(chǎn)生不同的反射比、散射度及吸光度而導(dǎo)致光譜存在差異，因此可以通過(guò)分析光譜達(dá)到預(yù)測(cè)某一物質(zhì)特性的效果。常見(jiàn)的定量模型主要有區(qū)間偏最小二乘（interval partial least square regression，iPLSR）法、誤差向后傳播神經(jīng)網(wǎng)絡(luò)（back propagation artificial neural network ，BP-ANN）及最小二乘支持向量機(jī)（least square support vector machine，LS-SVM）等，因此本研究嘗試采用這3 種模式識(shí)別方法建立面片光譜與水分之間的聯(lián)系。模型的預(yù)測(cè)能力的好壞采用校正集相關(guān)系數(shù)（RC）、預(yù)測(cè)集相關(guān)系數(shù)（RP）、交叉驗(yàn)證均方根誤差（root mean square error of cross validation，RMSECV）、預(yù)測(cè)均方根誤差（root mean square error of cross prediction，RMSECP）進(jìn)行比較[25]。一般而言，RC、RP值越接近于1，RMSECV和RMSEP越小，表示模型的預(yù)測(cè)性能越好。本實(shí)驗(yàn)所用模型都采用Matlab 2017軟件建立，所用算法為本實(shí)驗(yàn)室自編。

1.3.6 水分分布圖的制作

圖2 高光譜技術(shù)對(duì)面片中水分含量進(jìn)行分布可視化流程Fig. 2 Schematic illustration for detection of moisture distribution in dough sheet by hyperspectral imaging

直觀了解水分在面片內(nèi)部的分布對(duì)于和面過(guò)程的監(jiān)控具有重要意義。如圖2所示，高光譜所采集到的面片信號(hào)為一個(gè)三維數(shù)據(jù)塊，圖像中每個(gè)像素點(diǎn)包含各個(gè)波段的光譜信息[26]。將提取到面片感興趣區(qū)域的平均光譜與其水分含量實(shí)測(cè)值建立不同定量預(yù)測(cè) 模型，優(yōu)選出最佳的模型作為含量預(yù)測(cè)模型。將待測(cè)樣品的高光譜圖像每個(gè)像素點(diǎn)的光譜信號(hào)代入到優(yōu)選好的含量預(yù)測(cè)模型中得到待測(cè)樣品圖像中每個(gè)像素點(diǎn)的理論水分含量，以水分含量作為每個(gè)像素點(diǎn)的灰度值即可得到面片水分含量的灰度圖。

1.3.7 面片水分均勻度的計(jì)算

1.3.7.1 DHI法測(cè)定面片水分均勻度

DHI法在計(jì)算組分均勻度時(shí)，采用移動(dòng)式像元對(duì)圖像進(jìn)行分割[19]。首先設(shè)置初始像元大小及步長(zhǎng)，像元的初始位置位于圖像的左 上角，像元運(yùn)動(dòng)從上至下、從左至右依次增加設(shè)定步長(zhǎng)大小的像素，直至覆蓋到整副圖像，在這個(gè)過(guò)程中，計(jì)算圖像中所有像元塊強(qiáng)度值（各像元塊內(nèi)所有像素點(diǎn)強(qiáng)度均值）的標(biāo)準(zhǔn)偏差。以像元塊的邊長(zhǎng)為橫坐標(biāo)，像元塊的標(biāo)準(zhǔn)偏差為縱坐標(biāo)，繪制組分實(shí)際分布曲線。然后采用計(jì)算機(jī)模擬該組分在分布圖中絕對(duì)均勻的狀態(tài)，形成絕對(duì)分布均勻的模擬圖，然后采用相同的數(shù)據(jù)處理方法同樣以像元塊邊長(zhǎng)為橫坐標(biāo)，像元塊強(qiáng)度的標(biāo)準(zhǔn)偏差為縱坐標(biāo)繪制絕對(duì)均勻狀態(tài)下的隨機(jī)分布曲線。最后采用積分法分別求取實(shí)際分布曲線下的面積SReal和隨機(jī)分布均勻曲線下的面積SRandom，采用式（3）計(jì)算均勻度DHI，DHI數(shù)值越接近于1，表明面片中的水分分布越均勻。DHI法計(jì)算面片中水分均勻度的流程如圖3所示。

1.3.7.2 面片水分均勻度計(jì)算

采用加水量35%、真空度0.08 MPa為和面工藝條件進(jìn)行和面，分別在和面時(shí)間第5、10、15、20、25分鐘處進(jìn)行取樣，按照1.3.1節(jié)方法進(jìn)行面片的制作，其中每個(gè)和面時(shí)間點(diǎn)分別制作30 個(gè)樣本，5 個(gè)時(shí)間點(diǎn)一共150 個(gè)樣本。按照1.3.5節(jié)方法采用DHI法對(duì)面片水分均勻度進(jìn)行計(jì)算。

2 結(jié)果與分析

2.1 光譜預(yù)處理結(jié)果

由圖4可知，采用SNV、SG、MSC、1st DER、2nd DER 5 種預(yù)處理方法對(duì)采集到的618 個(gè)波長(zhǎng)的光譜數(shù)據(jù)進(jìn)行預(yù)處理，從5 種預(yù)處理方法處理后得到的曲線圖降噪效果看，經(jīng)過(guò)SNV處理后的光譜光滑程度明顯優(yōu)于其他4 種預(yù)處理，然而，實(shí)際判斷一種預(yù)處理方式的合適與否不能僅從曲線的平滑程度判斷，還應(yīng)當(dāng)綜合考慮到模型的識(shí)別率。然后將預(yù)處理后的光譜分別建立PLSR模型，如表1所示，SNV處理后的光譜所建立模型的預(yù)測(cè)效果普遍優(yōu)于其他4 種預(yù)處理方式。分析其原因，光譜采集的過(guò)程中，所選樣本表面不平整，光照在各個(gè)部位的分布不均勻，導(dǎo)致存在著大量的噪聲信號(hào)。而SNV在消除樣本顆粒大小、散射或者光程引起的樣本光譜誤差效果較好。MSC雖然在校正散射方面較強(qiáng)，但在降噪方面略顯不足。微分求導(dǎo)處理后的光譜曲線更加側(cè)重的是確定吸收峰和肩峰的位置，提高光譜的靈敏度和光譜細(xì)節(jié)，而在降噪方面略顯不足[27-28]。因此在后續(xù)的實(shí)驗(yàn)中均采用SNV作為光譜的預(yù)處理方式。

圖3 DHI法原理Fig. 3 Schematic illustration of the principle of DHI

圖4 不同預(yù)處理后的面片光譜曲線Fig. 4 Hyperspectral curves of dough sheet after being treated by different preprocessing methods

表1 不同預(yù)處理方式對(duì)水分定量模型的結(jié)果分析Table 1 Validation parameters obtained for iPLSR models based on different spectral pretreatments

2.2 定量模型識(shí)別結(jié)果

表2 不同水分定量預(yù)測(cè)模型結(jié)果Table 2 Validation parameters obtained for different quantitative prediction models for moisture contents

如表2所示，LS-SVM的預(yù)測(cè)效果優(yōu)于BP-ANN和iPLSR，而B(niǎo)P-ANN預(yù)測(cè)模型的預(yù)測(cè)效果又優(yōu)于iPLSR預(yù)測(cè)模型，當(dāng)選擇7為最佳主成分?jǐn)?shù)時(shí)，LS-SVM模型的預(yù)測(cè)效果最佳，其中RC為0.99、RP為0.98、RMSECV為0.01、RMSECP為0.01。iPLSR預(yù)測(cè)模型相對(duì)于BP-ANN預(yù)測(cè)模型識(shí)別效果低的原因可能是由于內(nèi)部算法的不足，iPLSR是基于區(qū)間光譜進(jìn)行建模，模型的識(shí)別率與所選取的區(qū)間相關(guān)，區(qū)間選取較少會(huì)引起相關(guān)信息丟失，導(dǎo)致所建模型代表性不足；BP-ANN采用的是前幾個(gè)最優(yōu)主成分建立的非線性模型，通過(guò)誤差反向傳播的多層前饋網(wǎng)絡(luò)，當(dāng)輸入不等于輸出時(shí)則進(jìn)行反向傳播過(guò)程，直到網(wǎng)絡(luò)的全局誤差小于給定值后訓(xùn)練終止，然而這種模型過(guò)分的強(qiáng)調(diào)校正集誤差，引起模型的泛化能力降低，盡管取得了較高的校正集識(shí)別率，但模型的整體預(yù)測(cè)能力不高。LS-SVM預(yù)測(cè)模型是在經(jīng)典算法iPLSR和SVM上進(jìn)行的改進(jìn)，代替了經(jīng)典SVM算法中復(fù)雜的二次優(yōu)化問(wèn)題獲得支持向量，能夠在少量的訓(xùn)練樣本中進(jìn)行高維特征空間學(xué)習(xí)，降低了模型的復(fù)雜度、提高了模型運(yùn)算效率，與文獻(xiàn)中經(jīng)過(guò)優(yōu)化的水分定量預(yù)測(cè)模型相比[29]，校正集識(shí)別率較高。因此，在后續(xù)的計(jì)算中均采用LS-SVM定量模型進(jìn)行運(yùn)算。

2.3 水分均勻度計(jì)算結(jié)果

將面片高光譜圖像中每一點(diǎn)的像素值代入至2.2節(jié)所優(yōu)選的最佳水分定量預(yù)測(cè)模型LS-SVM中，得到了面片水分分布圖。圖5a為和面時(shí)間5 min時(shí)水分分布的灰度圖，可以看出面片中水分含量變化范圍在0.2～0.45 g/g之間。因?yàn)槿搜墼谧匀粭l件下對(duì)灰度色調(diào)的識(shí)別范圍遠(yuǎn)低于彩色色調(diào)，為了更直觀地辨別水分在面片中分布的細(xì)微含量變化，本研究在灰度圖的基礎(chǔ)上進(jìn)行彩色編碼得到了二維偽彩色圖，如圖5b所示，圖中淺黃色代表水分含量較低的區(qū)域，深藍(lán)色代表水分含量較高的區(qū)域。為了進(jìn)一步直觀觀察出水分在面片中各個(gè)區(qū)域含量的高低情況，對(duì)重構(gòu)出的二維分布偽彩色圖進(jìn)行了三維重構(gòu)，如圖5c所示，其中X和Y軸分別表示像元的坐標(biāo)，Z軸表示水分含量值，不同顏色表示不同的水分含量，像元處像素點(diǎn)值的大小表示水分含量的多少，像素點(diǎn)值越大，則顏色越接近于深藍(lán)，對(duì)應(yīng)在空間中Z值越大。從圖中可以清楚地看出水分的具體集中部位和分布情況。盡管這種方法清楚地觀察到了水分的分布差異與含量變化情況，但是，當(dāng)水分分布變化細(xì)微時(shí)，水分在分布圖上變化差異較小，僅用肉眼無(wú)法區(qū)分這種微小的分布均勻度差異，這使得在生產(chǎn)過(guò)程中無(wú)法對(duì)面片水分分布均勻度做出精準(zhǔn)判斷，因此需要進(jìn)一步用具體的分布均勻度數(shù)值表述分布的差異。

圖5 面片水分分布圖灰度圖（a）、偽彩色圖（bb）、三維偽彩色圖（cc）Fig. 5 Gray-scale image (a), pseudo color map (b), and 3D pseudo color map (c)

如表3所示，當(dāng)和面時(shí)間為5 min時(shí)，面片水分均勻度DHI取得最大值2.21，表明此時(shí)水分在面片中的分布最不均勻；在和面時(shí)間為15 min時(shí)取得了最小的DHI值1.49，此時(shí)水分在面片中的分布最為均勻。而隨著和面時(shí)間從5 min到25 min延長(zhǎng)的過(guò)程中，DHI值減小，表明隨著和面時(shí)間的延長(zhǎng)，水分在面片中的分布由不均勻向均勻的狀態(tài)演變。

表3 DHI法測(cè)定面片水分均勻度結(jié)果Table 3 Measurement of water homogeneity of dough sheet by DHI

3 結(jié) 論

本研究采用高光譜技術(shù)結(jié)合DHI法快速定量表征了掛面面片的水分分布均勻度。首先采集不同水分梯度面片的光譜信息，采用SNV、SG、MSC、1st DER、2nd DER 5 種不同的光譜預(yù)處理方法對(duì)光譜進(jìn)行預(yù)處理除掉干擾信息，通過(guò)PLSR模型優(yōu)選最佳預(yù)處理方式；然后結(jié)合國(guó)標(biāo)法測(cè)定的面片水分實(shí)測(cè)值分別建立iPLSR、BP-ANN、LS-SVM 3 種定量預(yù)測(cè)模型，通過(guò)比較模型的RC、RP、RMSECV、RMSECP優(yōu)選最優(yōu)預(yù)測(cè)模型，結(jié)合最優(yōu)水分定量模型和高光譜可視化技術(shù)實(shí)現(xiàn)對(duì)面片中水分分布可視化；然后采用DHI法測(cè)定不同和面時(shí)間點(diǎn)面片中的水分分布均勻度。結(jié)果表明：采用SNV對(duì)光譜進(jìn)行預(yù)處理得到的光譜信號(hào)能夠有效減少噪聲干擾，并顯著提高了模型的精確度；在水分定量模型的選擇中，LS-SVM模型的預(yù)測(cè)效果最佳，其中RC為0.99、RP為0.98、RMSECV為0.01、RMSECP為0.01；DHI法計(jì)算結(jié)果發(fā)現(xiàn)，和面時(shí)間為15 min時(shí)取得了最小的DHI值1.49，此時(shí)面片中的水分分布最為均勻，不同和面時(shí)間的面片水分分布均勻度數(shù)值與實(shí)際水分含量分布圖的結(jié)果相對(duì)應(yīng)，驗(yàn)證了高光譜結(jié)合DHI法對(duì)掛面面片水分分布均勻度表征的可行性。高光譜成像技術(shù)結(jié)合了光譜學(xué)分析技術(shù)的無(wú)損、快速、準(zhǔn)確的特點(diǎn)和圖像分析學(xué)技術(shù)的可視化、直觀、便捷等優(yōu)點(diǎn)[8,30-31]，可實(shí)現(xiàn)食品中水分含量分布的可視化；同時(shí)，高光譜結(jié)合標(biāo)準(zhǔn)偏差法可以很好地解決單純視覺(jué)描述無(wú)法定量表征分布差異的缺陷，從而為掛面和面工藝的自動(dòng)化監(jiān)控提供理論指導(dǎo)。