高光谱成像技术在鉴别鱼新鲜度中的应用

0 下载量 201 浏览量 更新于2024-08-26 收藏 423KB PDF 举报
"该研究论文探讨了使用高光谱成像技术来鉴别鱼的新鲜度,通过竞争性自适应重加权算法(CAR-S)、连续投影算法(SPA)和遗传算法(GA)提取特征波长,然后利用最小二乘支持向量机(LS-SVM)和SIMCA作为分类模型进行分析。实验结果显示,基于SPA-LS-SVM和CAR-LS-SVM模型的预测识别率高达98%和96%,而采用SIMCA建立的模型预测效果较差。这表明LS-SVM作为分类模型在预测鱼新鲜度上表现更优,且SPA和CAR选择的特征波长能简化模型并提高预测精度。" 高光谱成像技术是一种先进的非破坏性检测方法,它能够获取物体在多个连续波长下的光谱信息,从而揭示样品的内在特性。在本研究中,这项技术被应用于鱼的新鲜度检测,旨在提高食品安全性和质量控制。 研究人员提取了鱼样本的感兴趣区域(ROI)的光谱数据,并使用了三种不同的特征选择算法:竞争性自适应重加权算法(CAR-S)、连续投影算法(SPA)和遗传算法(GA)。这些算法的目标是减少数据的复杂性,同时保留最重要的信息,以提高分类模型的性能。CAR-S、SPA和GA分别选取了57、31和66个特征变量。 随后,研究人员利用最小二乘支持向量机(LS-SVM)和SIMCA(Soft Independent Matrix Comparison Analysis)这两种机器学习算法建立分类模型。LS-SVM是一种常用的监督学习方法,适用于小样本和非线性问题,而SIMCA则常用于多类别的模式识别。实验结果显示,基于SPA和CAR-S特征变量的LS-SVM模型在预测鱼的新鲜度上表现出色,识别率分别达到了98%和96%。相比之下,SIMCA模型的预测效果不理想,预测集识别率仅为52%。 这一研究强调了LS-SVM在处理此类问题上的优势,以及SPA和CAR-S在特征选择中的有效性。这两种算法不仅能够降低模型复杂度,还能显著提升模型预测鱼新鲜度的准确性。此外,研究还表明,高光谱成像技术能够有效地检测鱼的不同冻融次数和冷冻时间,这对于食品供应链管理和消费者保护具有重要意义。 关键词包括:竞争性自适应重加权、连续投影、遗传算法、LS-SVM和SIMCA,这些都是在高光谱成像和数据分析领域的重要概念。本研究对于食品安全监测和质量控制提供了新的思路和技术支持,未来可能广泛应用于食品工业和其他相关领域。