针对目前的模型传递方法研究大多为不同仪器间的近红外光谱模型传递,该文采用高光谱技术建立猪肉含水率定量检测模型,并针对不同品种间的模型传递提出了一种分段直接校正结合线性插值(piecewise direct standardization combine with linear interpolation,PDS-LI)的传递算法。以杜长大、茂佳山黑猪和零号土猪3个品种为研究对象,以杜长大作为主品种,茂佳山黑猪和零号土猪作为从品种,采用偏最小二乘回归(partial least squares regression,PLSR)法建立猪肉含水率主模型,经PDS-LI算法对主模型进行传递后,主模型对茂佳山黑猪和零号土猪样品的预测决定系数R2p分别由传递前的0.263和0.507提高到0.832和0.848,预测均方根误差分别由传递前的1.151%和0.857%降低到0.470%和0.440%,剩余预测偏差(residual prediction deviation,RPD)分别由传递前的1.000和1.214提高到2.447和2.364。结果表明,PDS-LI传递算法能够实现杜长大对茂佳山黑猪和零号土猪样品的模型传递。研究结果为提高猪肉含水率模型适配性问题提供参考。
针对目前模型传递方法研究大多在不同仪器之间且均采用近红外光谱建立模型,采用高光谱技术建立猪肉pH值定量检测模型,并针对不同品种间的模型传递提出了一种光谱和预测值同步校正(sync correction of spectrum and prediction value,CSPV)的传递算法,并与模型更新方法进行比较。当模型满足预测相关系数(correlation coefficient of prediction,rp)rp≥0.837,且剩余预测偏差(residual prediction deviation,RPD)RPD≥1.9时,表明预测结果可靠。以杜长大、茂佳山黑猪和零号土猪3个品种猪肉样品为研究对象,以杜长大作为主品种,茂佳山黑猪和零号土猪作为从品种,采用偏最小二乘(partial least squares regression,PLS)法建立主品种猪肉pH值定量检测模型,模型校正相关系数(correlation coefficient of cross-validation rc)和预测相关系数rp分别达到0.922和0.904,交互验证均方根误差(root mean squared error of cross validation,RMSECV)和预测均方根误差(root mean squared error of prediction,RMSEP)分别为0.045和0.046,RPD为2.380。用主模型分别对茂佳山黑猪和零号土猪pH值进行预测,rp仅达到0.770和0.731,RMSEP分别为0.111和0.209,RPD分别为1.533和1.234,预测精度较差。分别采用CSPV传递算法和模型更新方法对主模型进行传递和修正,比较并验证了两种方法的模型传递和修正结果。采用CSPV算法对模型传递后,当标样个数分别为9个和10个时,rp可提高到0.889和0.900,RPD提高到2.071和2.213,均满足rp≥0.837,且RPD≥1.9;而采用模型更新方法对模型修正后,当添加的代表性样品分别为11个和9个时,rp分别达到0.869和0.845,但RPD仅达到1.934和1.804,不满足RPD≥1.9的条件。结果表明,CSPV传递算法能实现主模型对茂佳山黑猪和零号土猪样品的预测,而模型更新方法只能实现对茂佳山黑猪品种的预测,不能实现对零号土猪样品的预测,且CSPV传递算法预测结果优于模型更新方法。
针对单一检测技术不能同时检测马铃薯内外品质的多项指标,采用透射高光谱成像技术并融合光谱和图像信息,对其内部黑心病、质量指标进行检测。通过透射高光谱成像系统获取266个样本高光谱图像(400～1000nm),并提取光谱和图像二者信息。采用不同变量选择方法对光谱进行变量选择,用9个光谱变量建立检测马铃薯黑心病偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)模型与质量偏最小二乘回归(partial least squares,PLS)模型;提取样本透射高光谱图像的面积信息,建立基于光谱-图像的检测马铃薯质量PLS模型。试验结果表明,黑心样本识别率为100%,识别最小黑心面积为1.88cm2;基于光谱-图像所建立质量检测模型预测效果较好,其预测集相关系数(Rp)为0.99,预测均方根误差(RMSEP)为10.88。结果表明:采用透射高光谱成像技术并融合图像和光谱信息对马铃薯内部黑心病、质量同时进行检测是可行的。
