基于高光譜技術融合圖像信息的杏鮑菇干燥過程中含水率檢測

宋鎮　姬長英　張波

摘要：為了應用高光譜成像技術結合圖像處理技術研究杏鮑菇含水率的快速無損檢測以及含水率分布可視化，采集不同干燥時期共240個杏鮑菇樣品在358～1021nm波段范圍內的高光譜圖像。利用閾值分割方法將圖像中杏鮑菇區域與背景分離，提取杏鮑菇的平均光譜數據。采用連續投影算法（SPA）和穩定性競爭自適應重加權采樣法（SCARS）分別篩選出5個和10個特征波長;采用主成分分析方法獲得杏鮑菇的前2個主成分圖像PC1、PC2，基于灰度共生矩陣（GLCM）提取主成分圖像PC1、PC2共16個紋理特征。利用偏最小二乘（PLS）和最小二乘支持向量機（LS-SVM）分別建立光譜特征紋理特征以及光譜與紋理特征融合的含水率預測模型。結果表明：與光譜特征相比，紋理特征與含水率的相關性較差;光譜特征模型SCARS-LS-SVM預測效果最好，其預測集決定系數（R2p）=0.975，均方根誤差（RMSEP）=3.712，相對分析誤差（RPD）=3.211。基于SCARS-LS-SVM模型，將杏鮑菇樣品含水率分布用不同顏色直觀顯示，實現了含水率分布可視化。

關鍵詞：杏鮑菇;含水率;高光譜成像;穩定性競爭自適應重加權采樣法;可視化

中圖分類號：TS255.3

文獻標識碼：A

文章編號：1000-4440（2019）02-0436-09

杏鮑菇又名雪茸，是一種富含氨基酸、多糖的食用菌新品種[1]，具有很高的食用價值和藥用價值。為了提高杏鮑菇的經濟價值和延長杏鮑菇的儲藏期和貨架期，通常采用干燥的方式將杏鮑菇進行脫水處理或制成具有獨特風味的休閑食品。含水率是杏鮑菇干制過程中的一個重要指標。實現水分的準確快速無損檢測對了解杏鮑菇干燥特性，完善杏鮑菇干燥工藝和提高杏鮑菇干制品質量具有重要意義。

當前，果蔬含水率的檢測主要依靠烘箱烘干法及理化檢測法[2]。這2種方法都比較費時費力且具有一定的破壞性，不能滿足準確、快速、無損檢測的需要。隨著高光譜成像技術的迅速發展，具有光譜分辨率高、多波段和圖譜合一特點的高光譜成像技術，在農產品無損檢測方面得到了廣泛的應用[3]。國內外研究人員利用該技術不僅實現了果蔬表面缺陷、損傷識別等外部品質的檢測48]，也實現了糖度、硬度、Vc含量和可溶性固形物含量等內部品質的檢測[9-13]。近年來，高光譜成像技術在果蔬含水率檢測方面的應用研究也取得了較好的成果。李丹等[14]利用高光譜成像技術實現了小黃瓜水分的無損檢測。王超鵬等[15]利用高光譜成像技術與CARS算法實現了玉米種子含水率的無損檢測。趙偉彥等[16]研究發現利用多模型融合方法可以提高干燥過程中毛豆含水率的無損檢測精度。但是有關干燥過程中杏鮑菇含水率無損檢測的研究鮮有報道。

本研究利用高光譜成像技術，提取杏鮑菇樣品的光譜信息和圖像信息，分別建立光譜信息模型、圖像信息模型以及融合信息模型，以期獲得精度較高的杏鮑菇含水率預測模型。

1 材料與方法

1.1 樣品制備

杏鮑菇樣品采購于南京市浦口區果蔬批發市場，挑選的杏鮑菇形狀、大小均勻，新鮮無外傷，濕基含水率為90%+2%。對杏鮑菇進行初步清洗去除表面灰塵，然后放置在冰箱中，溫度設為3～4℃。

干燥設備為南京農業大學與徐州市海濤制冷設備有限公司聯合研制的LAD-060果蔬烘干保鮮一體機，該機為熱泵干燥機，最高干燥溫度為70C。由于杏鮑菇屬于熱敏性材料，干燥過程中易發生褐變，褐變的杏鮑菇產品屬于不合格干制品。因此為了獲得合格的干燥產品，對不同干燥溫度（40℃、50℃、60℃）與不同切片厚度（沿菇長方向切片5 mm、6mm、7mm）的杏鮑菇樣品進行多次試驗，發現干燥溫度為50℃、切片厚度為5 mm的干制品平均色度較好，因此本研究在此條件下進行取樣建模，然后用其他試驗條件下的樣品進行模型驗證。試驗前對杏鮑菇樣品進行漂燙（沸水3min）以減少干燥過程中的酶促褐變。試驗過程中每30 min取樣1次，最終得到5個不同時期（0min、30min、60min、90min、120 min）共240個樣品。

1.2 杏鮑菇樣品含水率的測定

采集樣品光譜數據后，參照文獻[17]測定杏鮑菇含水率。準確稱量杏鮑菇質量，然后按順序放入烘干箱中，溫度設定為105℃，干燥至質量不變，稱量干燥后杏鮑菇質量。計算含水率（S），S=[（M-M，）/M，]x100%，式中M為烘干前樣品質量，M。為烘干后樣品質量。

1.3 高光譜數據采集系統

高光譜系統包括：光譜儀（ImSpectorV10E型，芬蘭Specim公司產品）、CCD相機（GEV-B1621M-TC000型，美國Imperx公司產品）、鏡頭、21V/150W線性鹵素燈光源（美國Illumination公司產品）、暗箱、電控移動平臺以及計算機等部件（圖1）。高光譜成像波長范圍為358～1021 nm，光譜儀的分辨率為2.8 nm，采樣間隔為1.08 nm，采樣光譜波長范圍內包含616個波長變量，圖像分辨率為1632x971像素，曝光時間52ms，樣品與鏡頭的距離為330mm，傳送帶移動速度為1.5 mm/s。圖像采集系統放置于密閉黑色箱中。

1.4 高光譜圖像校正

為了減少光照和暗電流對試驗的影響，增加高光譜圖像的可靠性，需要對獲取的高光譜圖像進行黑白校正[18]，校正公式為：

公式

式中R為校正后的光譜圖像，R。為校正前的漫反射光譜圖像，R，為關閉電源并合上鏡蓋后的暗圖像，R.為標準白板的漫反射光譜圖像。

1.5 樣品高光譜數據提取

獲得的高光譜圖像中包含背景，為了提取樣品的光譜信息，需要將樣品與背景分離。利用ENVI4.8軟件進行掩膜處理將圖像中杏鮑菇樣品與背景分離[19]。樣品區域與背景區域在不同波長下的反射率曲線如圖2所示。由于試驗時將杏鮑菇樣品放置在黑色背景布，上進行高光譜圖像采集，因此背景區域的反射率接近0且無明顯波動，與樣品區域的反射率差異非常明顯，有利于二者的分割。由于高光譜設備硬件原因，高光譜圖像在開始波段和結束波段受噪聲影響較大，因此選擇中間波段進行分割。具體分割處理過程見圖3。圖3a為杏鮑菇樣品在R分量為663.2 nm、G分量為555.4 nm、B分量為450.2 nm下的RGB圖像，圖3b為750 nm波長下的高光譜圖像，對該波長下圖像設定合適的閾值（分割閾值應大于背景的最大反射率，小于杏鮑菇樣品的最小反射率）。經過多次設定閾值分割，閾值取0.5時，分割出的樣品最為完整（圖3c）。然后將原始圖像與杏鮑菇掩膜圖像進行邏輯與運算，得到去除背景后的杏鮑菇樣品高光譜圖像（圖3d）。提取整個杏鮑菇樣品的平均光譜數據作為該樣品的光譜信息。240個杏鮑菇樣品均進行，上述處理提取光譜信息。

1.6 光譜預處理與樣品劃分

采用SG（Savitzky-Golay）平滑、一階微分（First derivative，FD）混合方法進行預處理。SG平滑處理能夠有效消除噪音，尤其是高頻噪音，提高信噪比;一階微分處理能夠有效消除基線和背景干擾，提高分辨率和靈敏度[20-21]。將預處理后的240個樣品用Kennard-Stone（KS）[22算法進行建模集和預測集劃分，設定建模集與預測集之比為2：1，選擇160個樣品用于建立模型，剩余80個樣品用于對模型進行檢驗。建模集杏鮑菇樣品含水率最大值為91.23%，最小值為19.58%，平均值為45.23%，標準差25.82%;預測集杏鮑菇樣品含水率最大值為90.67%，最小值為18.06%，平均值為46.52%，標準差24.77%。

1.7 特征波長選取方法

1.7.1 連續投影算法（SPA）[23]

SPA是一種使矢量空間共線性最小化的前向變量選擇算法，對每一次循環所提取的變量，分別建立多元線性回歸模型，根據均方根誤差（RMSE）選出最優特征波長集。SPA主要包含以下4個步驟：1）提取的特征波長的數量記為N，光譜矩陣維數記為J，從中任選一列j，賦值為a，記為an（o），定義一個集合s，該集合包含剩余的列向量位置，s={j，1≤j≤J，j≠[k：（0），.，k（N-1）]}。2）分別計算a;對剩余所有列向量的投影，Pa;=q;-[a}ax（-1>]xak（n-1）x（[xk1>（<（-1>]-'，j∈s。3）將步驟（2）計算的投影最大值記為：k（n）=arg[max（II Pa;l），j∈s]。4）令n=n+1，a;=Pa，j∈s，判斷波長選擇數是否達到指定的波長數，如果n<N，則返回（2）循環計算。

1.7.2 穩定性競爭自適應重加權采樣法（SCARS）[24]

SCARS與競爭自適應重加權采樣法（CARS）算法不同點在于：CARS算法以回歸系數的絕對值大小作為衡量指標，而變量回歸系數會隨著每次隨機選擇建模樣品的不同而變化。蒙特卡羅無信息變量消除法（MC-UVE）所采用的變量穩定性能彌補這一不足，因此SCARS算法以變量穩定性指數（定義為回歸系數除以其標準偏差的絕對值）作為衡量指標，選擇重要的、受測試樣品參數影響不敏感的波長變量，提高模型傳遞效果。主要包含以下5個步驟：1）循環次數i=1時，計算原始光譜變量集V中各波長變量的穩定性值。2）利用指數衰減函數去除穩定值較小的變量，保留穩定值較大的變量，變量的保留率

公式

其中

公式

，p為原始波長變量數。3）采用自適應重加權算法（ARS）對步驟（2）中的變量進行篩選，將篩選出的變量作為第i次變量子集

公式

4）循環進行步驟（2）、（3），直到蒙特卡洛采樣次.數達到設定的N值。5）將得到的N個變量子集建立PLS模型，計算各子集模型的RMSECV值，將RMSECV值最小時的變量子集作為最優變量子集。

1.8 建模方法與模型評價

采用偏最小二乘（PLS）和最小二乘支持向量機（LS-SVM）方法建立杏鮑菇含水率預測模型。以預測集決定系數（R2p）、預測集均方根誤差（RMSEP）和預測集相對分析誤差（RPD）作為模型的主要評價指標，以建模集決定系數（R2p）和建模集均方根誤差（RMSEC）作為模型的輔助評價指標。其中R2和RPD越大越好，RMSE越小越好。

1.9 杏鮑菇樣品含水率可視化分析

選擇最合適的杏鮑菇含水率預測模型后，將杏鮑菇樣品_上每個像素點對應的光譜數據導入模型，計算出各像素點的含水率值，生成杏鮑菇含水率的分布圖。

2 結果與分析

2.1 杏鮑菇樣品光譜曲線

由于高光譜設備硬件原因，高光譜圖像在開始波段和結束波段受噪聲影響較大，因此只采用400～1000 nm之間的光譜（含555個波段）。圖4為杏鮑菇樣品在干燥時間為0 min、30 min、60 min、90min、120 min的平均光譜反射曲線。隨著水分含量的減少，光譜反射值也相應減小。新鮮杏鮑菇含有90%左右的水分，因此可以認為水分含量的減少是導致光譜反射值減小的主要原因。960nm附近的吸收谷是水分子中O-H三級倍頻吸收帶造成的。960 nm至1000 nm之間的光譜反射值差異明顯，可以用來區分不同的含水率水平。

2.2 杏鮑菇光譜的特征波長

2.2.1 SPA方法篩選的特征波長

光譜經SG-FD預處理后，應用SPA方法進行特征波長篩選。RMSE隨著波長數目的增加不斷減小，當篩選波長數目大于5時，RMSE降低變緩（圖5a）。而且隨著波長數目的增加，模型復雜度增加，因此選擇5個特征波長作為模型的輸入變量，這5個特征波長僅占原始波段的0.9%。5個特征波長是470.041nm、497.25 nm、935.38 nm、948.67 nm、997.37 nm（圖5b）。

2.2.2 SCARS方法篩選的特征波長

應用SCARS方法篩選特征波長。首先確定PLS模型中的最優主成分數，設置最大主成分數為15，蒙特卡洛采樣次數為1000。由圖6可見，當主成分數為10時，交叉驗證均方根誤差（RMSECV）值最?。?.5600），故最優主成分數為10。設定SCARS參數為：蒙特卡洛采樣次數為100，主成分數為10，交叉驗證組數為5。圖7顯示，隨著采樣數的增加，被優選出的波長變量數逐漸減少。在1～65次采樣過程中，RMSECV值不斷降低，說明篩選過程中剔除的變量與含水率無關。65次采樣之后，隨著采樣次數的增加，RM-SECV值開始回升，說明開始剔除與含水率相關的變量，從而導致RMSECV值增大。當采樣次數為65次時，RMSECV值最?。?.4236），其對應的特征波長子集最優，該子集包含了10個特征波長，分別為442.02 nm、457.56 nm、524.67 nm、554.40 nm、598.31 nm、599.38 nm、600.46 nm、601.53 nm、942.03 nm、963.13 nm。

2.3 基于光譜特征的建模與分析

基于全光譜（Full-spectra，FS）、SPA優選波長集和SCARS優選波長集建立PLS和LS-SVM模型，模型預測結果見表1。

從PLS模型的建模集結果看，基于FS、SPA、SCARS波長集所建PLS模型的決定系數（R2p）均大于0.97，RMSEC均小于2.8%，說明這3種模型均具有較好的建模效果，其中FS-PIS模型具有最高的R2（0.982）和最小的RMSEC（2.491%）。從預測集結果看，FS-PLS模型預測精度最低，可能是由于輸入變量太多，導致模型過擬合，從而失去了預測能力。SCARS-PLS模型的預測精度高于SPA-PLS模型，這可能是SPA在尋找最低限度冗余信息的變量時降低了信噪比導致的。根據預測集結果，選擇SCARS-PLS為最優的PLS模型。

從LS-SVM模型的建模集結果看，FS、SPA、SCARS3個波長集結合LS-SVM所建模型均具有較好的建模效果（R？均大于0.97，RMSEC均小于2.80%）。其中FS-LS-SVM模型具有最高的R2（0.989）和最小的RMSEC（1.884%）。從預測集結果看，3個模型中，SCARS-LS-SVM模型的預測性能最高，具有最高的R2p值（0.982）和RPD值（3.211）以及最小的RMSEP值（3.712%）。對比PLS與LS-SVM模型，發現LS-SVM模型的預測性能優于PLS模型，FS對應模型的RPD值從2.041提高到2.235，SPA對應模型的RPD值從2.518提高到3.150，SCARS對應模型的RPD值從2.601提高到3.211。說明非線性模型LS-SVM更適用于建立杏鮑菇含水率預測模型，其中SCARS-LS-SVM為最優模型

對比3種波長變量集發現，基于FS所建模型的建模效果最好，但預測性能卻為三者最低。原因可能是全光譜含有最多的光譜信息，其中包含許多不相關的冗余信息，導致模型過擬合，因此模型的預測性能降低。SPA方法篩選出的波長變量較少，可能丟失了一部分與含水率相關的光譜信息，雖然簡化了模型卻降低了精度。SCARS方法篩選出的波長變量較多（10個特征波長變量），既減少了模型的輸入，避免了模型的過擬合，又與含水率緊密相關，提高了模型預測精度。綜上所述，SCARS方法能夠作為一種有效的特征波長提取方法，實現杏鮑菇含水率的準確預測。

2.4 杏鮑菇圖像紋理信息的提取與建模分析

在400 nm至1000 nm之間共有555個波段的高光譜圖像，圖像信息量大，各波段圖像間具有較強的相關性，冗余信息較多，難以進行圖像信息的提取，需要對原始圖像信息進行降維分析。主成分分析（PCA）是一種廣泛應用的降維算法[25]。利用ENVI4.8軟件進行主成分分析，將原始高光譜圖像數據中所有波段下的圖像經過線性組合形成主成分圖像，將有用圖像信息集中到盡可能少的主成分圖像中。利用PCA降維后的圖像表示為

公式

，式中PCm為第m個主成分圖像，λi為第i個波段所對應的圖像，βim為該主成分在λi下的權重系數。βim的值越大，表明λi對主成分圖像PCm的貢獻度越大。對原始高光譜圖像進行主成分分析后發現，前3幅圖像的累計貢獻率達到了99.93%，因此選取前2個主成分圖像進行分析（圖8）。

圖像紋理特征反映了圖像的表面性質。不同含水率杏鮑菇樣品間的收縮程度不同，反映在圖像上就是圖像的紋理粗細深淺不同，因此利用圖像紋理特征預測含水率是可行性的。在眾多紋理特征提取方法中，灰度共生矩陣（Gray-levelco-occurrence ma-trix，GLCM）是一個很好的紋理分析方法[26]，它不僅能反映圖像灰度在相鄰方向、相鄰間隔、變化幅度上的綜合信息，也能反映相同灰度級像素之間的位置分布特征，將圖像的灰度值轉化為紋理特征信息?；诨叶裙采仃嚪椒▽π吁U菇樣品進行對比度、相關性、能量和熵4個特征的提取，4個特征分別描述了紋理的深淺、局部灰度相關性、紋理粗細度和灰，度分布的復雜程度。將像素對的距離設定為1，方向依次取0°、45°、90°和135°，分別求出在4個方向上對比度、相關性、能量和熵的平均值和標準差，每幅圖像提取8個紋理特征值，每個樣品包含2幅圖像共16個紋理特征值。

基于16個紋理特征值建立PLS和LS-SVM含水率預測模型，模型預測效果見表2。由表2可知，在僅使用杏鮑菇樣品的紋理特征進行建模時，模型的預測性能不佳，與上述任一光譜模型相比，預測精度均有所下降。通過分析提取的紋理特征數據，發現當樣品間的含水率較為接近時，紋理特征數據幾乎沒有變化，因此影響了模型的預測精度。說明紋理特征與含水率的相關性不如光譜特征，僅靠紋理特征難以實現含水率的準確預測。

2.5 杏鮑菇光譜與紋理特征融合的建模與分析

由于SCARS方法所選波長集優于SPA方法，因此只把SCARS篩選出的10個特征波長與16個紋理特征參數進行融合。由于兩者量綱不同，融合前需要對光譜和紋理特征參數進行歸一化處理。以融合后的26個特征參數作為模型的輸入變量，模型預測效果如表3所示。從建模集表現看，光譜與紋理特征融合模型LS-SVM的建模效果最好，優于光譜模型SCARS-LS-SVM，這是由于融合模型的特征比單獨光譜模型的信息更為全面，使模型的自測能力增強。從預測集表現看，光譜與紋理特征融合模型LS-SVM不如單獨光譜模型SCARS-LS-SVM，這是因為與光譜信息相比，紋理特征與含水率的相關性較差，光譜與紋理特征的融合，相當于引入入了一部分相關性較差的信息，從而導致模型的預測能力下降。綜上所述，基于SCARS優選的10個特征波長建立的LS-SVM模型預測精度最高，因此選用該模型進行含水率的可視化分析。

2.6 杏鮑菇含水率預測模型驗證

由于建模杏鮑菇樣品的干燥條件為干燥溫度50℃、切片厚度5mm，為了證明模型的適用性，取不同干燥條件下50個樣品進行驗證。預測結果（表4）顯示，不同干燥條件下的預測精度與50℃和5mm條件下的相比稍有下降，其中第2組和第8組的均方根誤差（RMSE）大于4%。這可能與選擇的樣品有關，受干燥條件的影響，各試驗組樣品褐變程度不一致，而褐變程度會影響光譜反射值，從而影響模型的預測精度。從整體看，模型還是具有較好的預測能力，能夠實現不同干燥條件下杏鮑菇含水率的預測。

2.7 杏鮑菇樣品含水率的可視化分析

基于SCARS-LS-SVM模型進行杏鮑菇含水率預測，將杏鮑菇樣品每個像素點的特征光譜信息輸入SCARS-LS-SVM模型，計算含水率值，生成杏鮑菇樣品含水率分布的偽彩色圖像（圖9）。從圖9可以看出，在干燥之前，除邊緣位置外，整個杏鮑菇呈現紅色，說明杏鮑菇含水量較高且分布均勻。隨著干燥的進行，杏鮑菇顏色從紅變黃再變綠，含水率不斷降低，并且含水率的分布逐漸變得不規律，這與干燥條件和干燥環境有關，與干燥介質熱交換快的部分含水率低，反之，含水率高?？梢?，利用高光譜技術能夠有效實現干燥過程中杏鮑菇含水率的檢測，并且可以實現含水率分布的可視化。相比于傳統的水分檢測方法，本方法更快更直觀，對了解杏鮑菇干燥規律和提高杏鮑菇干制品質量具有重要意義。

3 結論

本研究采用高光譜成像技術對杏鮑菇干燥過程中的含水率進行定量檢測，并基于定量檢測模型對不同干燥時間的杏鮑菇樣品含水率分布進行了可視化分析，為了解杏鮑菇干燥過程中的水分變化提供了依據。主要結論如下：1）SCARS方法優選特征波長建立的模型預測效果優于SPA方法，非線性模型LS-SVM的預測效果優于線性模型PLS。2）基于光譜特征建立的杏鮑菇含水率預測模型的預測能力最好，其次是融合模型，紋理特征模型最差。光譜特征與含水率的相關性大于紋理特征。3）利用SCARS-LS-SVM模型計算杏鮑菇樣品每個像素點的含水率值，然后繪制不同干燥時期杏鮑菇樣品含水率分布圖，可以反映杏鮑菇樣品在干燥過程中的水分變化，實現含水率分布可視化。

參考文獻：

[1]柯樂芹，張東旭，肖建中.杏鮑菇深加工殘渣多糖酶法微波輔助提取工藝優化[J].農業工程學報，2014，30（21）：332-338.

[2]HU Q，ZHANG M，MUJUMDAR A S，et al.Performance evaluation of vacuum microwave drying of edamame in deep-bed drying[J].Drying Technology，2007，25（4）：731-736.

[3]LORENTE D，ALEIXOS N，GOMEZ-SANCHIS J，et al.Recent advances and applications of hyperspectral imaging for fruit andvegetable quality assessment[J].Food and Bioprocess Technology，2012，5（4）：1121-1142.

[4]YU K Q，ZHAO Y R，LIU Z Y，et al.Application of visible and nearinfrared hyperspectral imaging for detection of defective fea-tures in loquat[J].Food and Bioprocess Technology，2014，7（11）：3077-3087.

[5]XING J，BAERDEMAEKER J.Bruise detection on’Jonagold’ apples using hyperspectral imagin[J].Postharvest Biology and Tech-nology，2005，37（2）：152-162.

[6]周竹，李小昱，陶海龍，等.基于高光譜成像技術的馬鈴薯外部缺陷檢測[J].農業工程學報，2012，28（21）：221-228.

[7]ARIANA D P，LU R F.Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging[J].Jourmal ofFood Engineering，2010，96（4）：583-590.

[8]章海亮，高俊峰，何勇.基于高光譜成像技術的柑橘缺陷無損檢測[J].農業機械學報，2013，44（9）：177-181.

[9]洪添勝，喬軍，NING WANG，等.基于高光譜圖像技術的雪花梨品質無損檢測[J]農業工程學報，2007，23（2）：151-155.

[10]LU R F，PENG Y K.Hyperspectral scattering for assessing peach fruit firmness[J].Journal of Biosystems Engineering，2006，93（2）：167-171.

[11]何嘉琳，喬春燕，李冬冬，等.可見-近紅外高光譜成像技術對靈武長棗Vc含量的無損檢測方法[J].食品科學，2018，39（6）：194-199.

[12]ELMASRY G，WANG N，ELSAYED A，et al.Hyperspectral imaging for nondestructive determination of some quality attributes forstrawberry[J].Journal of Food Engineering，2007，81（1）：98-107.

[13]PENG Y K，LU R F.Analysis of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble sol-ids content[J].Postharvest Biology and Technology，2008，48（1）：52-62.

[14]李丹，何建國，劉貴珊，等.基于高光譜成像技術的小黃瓜水分無損檢測[J].紅外與激光工程，2014，43（7）：2393-2397.

[15]王超鵬，黃文倩，樊書祥，等.基于高光譜成像技術與CARS算法的玉米種子含水率檢測[J].激光與光電子學進展，2016，53（12）：260-267.

[16]趙偉彥，黃敏，朱啟兵.基于多模型融合的干燥過程中毛豆含水率、顏色高光譜圖像無損檢測[J].食品工業科技，2015，36（5）：267-271，276.

[17]國家衛生和計劃生育委員會.食品中水分的測定：GB5009.3-2 016[S].北京：中國標準出版社，2016.

[18]何勇，彭繼宇，劉、飛，等.基于光譜和成像技術的作物養分生理信息快速檢測研究進展[J].農業工程學報，2015，31（3）：174-189.

[19]雷雨，韓德俊，曾慶東，等.基于高光譜成像技術的小麥條銹病病害程度分級方法[J].農業機械學報，2018，49（5）：226-232.

[20]尼珍，胡昌勤，馮芳.近紅外光譜分析中光譜預處理方法的作用及其發展[J].藥物分析雜志，2008，28（5）：824-829.

[21]王欣.近紅外分析中光譜預處理方法的研究與應用進展[J].科技資訊，2013（15）：2.

[22]潘國鋒.基于K-S算法的水質硝酸鹽含量光譜檢測方法研究[J].光譜實驗室，2011，28（5）：2700-2704.

[23]于慧春，婁楠，殷勇，等.基于高光譜技術及SPXY和SPA的玉米毒素檢測模型建立[J].食品科學，2018，39（16）：328-335.

[24]劉國海，夏榮盛，江輝，等.一種基于SCARS策略的近紅外特征波長選擇方法及其應用[J].光譜學與光譜分析，2014，34（8）：2094-2097.

[25]KAMRUZZAMAN M，SUN D W，EIMASRY G，et al.Fast detection and visualization of minced lamb meat adulteration using NIRhyperspectral imaging and multivariate image analysis[J].Talan-ta，2013，103：130-136.

[26]孫俊，金夏明，毛罕平，等.基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測[J].農業工程學報，2014，30（10）：167-173.