高光谱相机在虾仁新鲜度检测研究的应用

虾仁新鲜度检测是保证食品质量和安全的重要环节。不新鲜的虾仁可能存在细菌感染、食品中毒等风险，严重影响消费者的健康。传统的虾仁新鲜度检测方法主要依赖于人工观察和经验判断，存在局限性和不足之处。

而高光谱相机在虾仁新鲜度检测中具有一系列的优势。高光谱相机能够准确测量虾仁的光谱信息，从而评估其新鲜程度。高光谱相机可以对虾仁的外观特征、颜色变化、纹理和水含量等进行全面的分析，准确判断虾仁的品质。高光谱相机具有高速度、高精度、非接触性的特点，可以大大提高生产线的效率和检测的准确性。

　　本研究应用了400-1000nm的高光谱相机，可采用广东赛斯拜克科技有限公司产品SP130M进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。高光谱相机能够同时获取被测物体的空间信息和光谱信息，具有高分辨率和高光谱信息的特点。这一技术已被广泛应用于农业、环境、食品等领域。在虾仁新鲜度检测方面，高光谱相机具有无损、快速、准确的优点，为虾仁新鲜度检测提供了新的解决方案。

　　在实际应用中，高光谱相机已经成功应用于虾仁新鲜度检测。通过对虾仁进行高光谱成像，可以实时获取虾仁的光谱、颜色和纹理等信息，进而判断虾仁的新鲜度。高光谱相机还可以和数据分析软件结合使用，进行大数据处理和模式识别，实现更精确和可靠的虾仁新鲜度检测。

　　（1）应用可见/短波近红外高光谱成像技术实现了虾仁质构参数和色泽参数的快速无损检测及其可视化分布。冷藏期间，分别采用质构仪和色差计测定虾仁样本的 TPA 质构特性（硬度、弹性、恢复性、胶着性、咀嚼性和粘聚性）和色泽变化 （L、a和 b*）。优选出最佳光谱预处理方法对虾仁样本的平均光谱进行去噪，再采用SPA 算法提取出光谱特征波长。然后分别结合线性的偏最小二乘回归（PLSR），非线性的RBF人工神经网络（RBF-NN）和最小二乘支持向量机（LS-SVM）对训练集样本建立特征波长与L*、a"、b*、硬度、弹性、恢复性、胶着性、咀嚼性和粘聚性的相关性模型，再对预测集样本的相关参数值进行预测。结果表明：

　　（a）冷藏期间，虾仁样本的色泽参数随冷藏时间的延长呈现一定的变化规律。对于虾仁色泽参数 L，a，b的最优预处理方法分别是SNV，SNV和S-G平滑。应用SPA算法从预处理光谱提取色泽参数的特征波长。三种参数的特征波长模型中，RBF-NN 的结果较差，且存在过拟合现象。PLSR与LS-SVM模型的结果较为相近。其中 L-LS-SVM模型的预测集R和RMSEP分别为 0.88 和 0.716; b-LS-SVM模型的预测集R和RMSEP分别为0.85 和0.685:a -LS-SVM模型的预测集效果略差，R为0.71,RMSEP为0.450;

　　（b）（b）冷藏期间，虾仁样本的硬度、弹性、恢复性、胶着性、咀嚼性、粘聚性随冷藏时间的延长呈现一定的变化规律。弹性、恢复性和咀嚼性的最优建模数据均为原始光谱而硬度、胶着性和粘聚性的最优预处理方法分别为MSC、SNV 和MSC。基于预处理光谱，用SPA 算法分别提取硬度、弹性、恢复性、胶着性、咀嚼性、粘聚性的特征波长。通过比较硬度、胶着性和咀嚼性的特征波长模型，RBF-NN模型存在过拟合现象LS-SVM的建模与预测结果均为最优。其中硬度LS-SVM 模型的预测集R和RMSEP分别为0.81 和0.402,胶着性LS-SVM模型的预测集R和RMSEP分别为0.80 和0.163咀嚼性LS-SVM模型的预测集 R和RMSEP分别为 0.84 和 0.174。对于弹性、恢复性和粘聚性，基于三种方法建立的预测模型结果均较差。

我们提供全面的解决方案，包括高光谱相机设备、专业软件和数据分析服务等。我们的高光谱相机具有快速响应、简便易用、高度可靠的特点，可以满足不同行业和应用的需求。