基于光学技术的鸡蛋新鲜度无损检测

摘要

目前判别鸡蛋的新鲜度的主要方法有两种，一种是通过打破鸡蛋测其生化指标，另一种是基于机器视觉或近红外光谱技术，通过提取图像或光谱的特征参数对鸡蛋新鲜度进行预测。前者为有损检测，检测测周期长，且操作过程复杂；而后者中机器视觉技术会受光源强度、蛋壳颜色和蛋壳厚度等因素影响。本文研究一种基于光学技术的鸡蛋新鲜度快速检测技术，为鸡蛋新鲜度品质检测提供一种新的无损检测方法。
　　本研究借助高光谱成像仪和傅立叶变换近红外光谱仪分别采集鸡蛋的透射高光谱数据和近红外漫反射光谱，将鸡蛋哈夫单位值作为新鲜度指标，用MATLAB和SAS等软件，并结合化学计量法对样品鸡蛋的高光谱数据和近红外光谱数据进行了分析处理，建立了基于高光谱技术的鸡蛋新鲜度预测模型和基于近红外光谱技术的鸡蛋新鲜度预测模型。本文的主要研究内容和研究结果如下：
　　1、搭建了采集高光谱需要的透射光源箱，并通过预实验确定了采集光谱数据时鸡蛋的放置方式及适合鸡蛋的仪器参数。
　　2、采集到的高光谱波段为391.21nm～1043.14nm，由于波段两端的光谱中包含了大量噪声，因此选用高光谱500～1000nm的波段作为敏感波段进行研究，用马氏距离剔除鸡蛋异常样本高光谱数据，对鸡蛋高光谱进行了微分校正，比较发现高光谱二阶微分与鸡蛋哈夫单位值之间的线性度高，因此文章选用高光谱二阶微分数据来进一步研究，并对其进行了小波去噪，光滑处理及标准化处理。
　　3、用主成分分析和竞争性自适应重加权算法（CARS变量选取法）对样品鸡蛋高光谱二阶微分数据进行降维，由于第一主成分方差贡献率超过98％，导致选出的特征参数过少而不能反映鸡蛋高光谱全部信息，因此本文选用近年新提出来的CARS变量选取法对高光谱进行降维，提取出了32个特征参数，分别建立了白壳蛋和褐壳蛋基于全波段的偏最小二乘法（PLS）预测模型和基于特征参数的多元回归模型，其中，白壳蛋验证集的相关系数分别为0.88，0.93，均方误差分别为7.565，6.44；褐壳蛋验证集的相关系数分别为0.876，0.923，均方误差分别为7.14，6.63。
　　4、对鸡蛋近红外光谱进行了多元散射校正、二阶微分、标准化与中心化处理，并用Savitzky Golay滤波器（ S-G滤波器）对近红外光谱数据进行滤波消噪，在3999.640-10001.029cm-1波段间，建立了基于近红外光谱的鸡蛋新鲜度PLS预测模型，白壳蛋和褐壳蛋验证集的相关系数分别为0.866，0.863，均方误差分别为7.28，7.17。
　　5、用验证集的蛋（白壳52枚，褐壳51枚），分别对基于高光谱二阶微分全波段的PLS预测模型、基于特征参数的多元回归模型，以及近红外光谱的PLS预测模型进行检验，三个模型判别白壳蛋新鲜和不新鲜的最高准确率达100%，88%；判断褐壳蛋新鲜和不新鲜的最高准确率达92%，100%。
　　6、比较发现，无论白壳蛋还是褐壳蛋，基于高光谱技术模型在判别鸡蛋是否新鲜方面的准确率比基于近红外光谱技术模型判别的准确率高。

目录

声明

1 绪论

1.1研究背景和意义

1.2国内外研究现状

1.3研究目标、内容及技术路线

1.4本章小结

2 材料与方法

2.1试验样品及步骤

2.2鸡蛋高光谱采集试验

2.3鸡蛋近红外光谱采集试验

2.4哈夫单位测定试验

2.5本章小结

3 基于高光谱技术的鸡蛋新鲜度判别模型

3.1 高光谱数据提取

3.2高光谱数据预处理

3.3高光谱特征参数提取

3.4基于高光谱的鸡蛋新鲜度预测模型

3.5本章小结

4 基于近红外光谱技术的鸡蛋新鲜度模型

4.1近红外数据提取

4.2光谱预处理

4.3基于近红外的鸡蛋新鲜度预测模型

4.4本章小结

5 模型检验

5.1模型性能比较

5.2模型检验

5.3本章小结

6 结论与展望

6.1结论

6.2展望

参考文献

致谢

附录