可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法

何嘉琳,乔春燕,李冬冬,张海红*,邓 鸿,单启梅,高 坤,马 瑞

(宁夏大学农学院,宁夏 银川 750021)

摘 要:为探究基于高光谱成像技术预测灵武长枣VC含量的可行性并寻找最佳预测模型。采集100 个长枣样本在波长400~1 000 nm处的高光谱图像,对光谱数据进行预处理;应用遗传算法(genetic algorithm,GA)、连续投影算法(successive projection algorithm,SPA)和竞争性正自适应加权(competitive adaptive reweighted sampling,CARS)算法对原始光谱数据提取特征波长;分别建立基于全光谱和特征波长的偏最小二乘(partial least squares regression,PLS)和最小二乘支持向量机(least squares support vector machine,LSSVM)VC含量预测模型。结果表明,采用标准正态变换预处理算法效果最优,其PLS模型的交叉验证相关系数为0.839 5,交叉验证均方根误差为16.248 2;利用GA、SPA和CARS从全光谱的125 个波长中分别选取出12、5 个和26 个特征波长;基于CARS建立的PLS模型效果最优,其Rc、Rp、校正均方根误差、预测均方根误差分别为0.896 2、0.889 2、10.746 2%、12.145 3%。研究结果表明基于高光谱成像技术对灵武长枣VC含量的无损检测是可行的。

关键词:灵武长枣;VC;可见-近红外高光谱成像;无损检测

灵武长枣(Zizphus jujuba Mill cv. Lingwu Changzao)为鼠李科枣属植物,是宁夏特色优势果品,其果实色艳、肉质脆实、酸甜适口,富含糖、酸、VC、粗纤维及矿物元素等多种营养元素,其中尤以VC含量最为丰富,素有“VC之王”的美誉[1]。因此,常将VC含量作为评价灵武长枣品质的首选指标。

果品VC含量常用的检测方法为2,6-二氯靛酚滴定法[2],该法虽然检测精度高,但在样品前处理、检测速度、检测成本等方面存在其固有缺陷,而检测后的样品因其组织遭到严重破坏,已无食用和销售价值。因此,寻找一种快速、便捷、高效的VC含量检测方法对指导长枣生产加工、商品化推广具有重要意义。

高光谱无损检测技术是近年来国内外最新发展的一种新型的品质检测技术,该法具有操作方便、原理简单、适应性强和非破坏等优点,受到国内外学者的广泛关注[3]。目前,在农产品无损检测研究方面,研究人员利用高光谱成像技术不仅实现了表面缺陷[4-8]、损伤识别[9-11]、品质安全[12-13]等检测,亦实现了糖含量、可溶性固形物、硬度、含水量[14-16]等品质指标的检测。近年来,众多学者利用高光谱、近红外技术检测樱桃、蜜橘、柑橘[17-19]等果品的VC含量并取得了较好的研究成果,但有关基于高光谱成像技术预测灵武长枣VC含量的研究却鲜有报道。

本实验拟以灵武长枣为研究对象,利用高光谱成像技术采集400~1 000 nm可见光区域长枣光谱数据,通过SG平滑(Savitzky-Golay smoothing,SGS)、基线校准、标准正态变量变换(standard normal variate,SNV)、多元散射校正(multiplicative scateer correction,MSC)、面积归一化法、最大归一化法、单位归一化法、距离归一化法、平均归一化法等方法对原始光谱进行预处理,优选最佳光谱预处理方法。后采用遗传算法(genetic algorithm,GA)、连续投影算法(successie projection algorithm,SPA)及竞争性正自适应加权(competitive adaptive reweighted sampling,CARS)算法对预处理光谱提取有效信息并建立长枣VC含量偏最小二乘(partial least squares,PLS)和最小二乘支持向量机(least squares support vector machine,LSSVM)预测模型,通过比较模型效果,确定基于高光谱检测灵武长枣VC含量的最佳方法,优选基于高光谱成像技术预测灵武长枣VC含量的预测模型。

1 材料与方法

1.1 材料与试剂

供试灵武长枣采摘于宁夏回族自治区灵武市永宁长枣生产基地;挑选果形完好,平均单果质量约(15±2)g,纵径(4.2±0.5)cm,横径(2.5±0.5)cm,大小均匀、无虫害损伤的枣果100 个,常温(20±3)℃条件下擦净、贮藏、备用。

抗坏血酸(分析纯) 天津博迪化工股份有限公司;2,6-二氯靛酚(分析纯) 生工生物工程(上海)股份有限公司;草酸(分析纯) 天津市光复精细化工研究所;碘酸钾(分析纯) 江苏强盛功能化学股份有限公司;碘化钾(分析纯) 西陇化工股份有限公司。

1.2 仪器与设备

V10E-QE型高光谱成像光谱仪 芬兰Spectral Imaging公司;C8484-05G型CCD相机 日本Hamamatsu公司;DCR III型光纤卤素灯(150 W) 美国Schott公司;SC300-1A型电控位移平台 北京Zolix公司。

1.3 方法

1.3.1 光谱信息的采集

高光谱图像采集系统条件:CCD相机曝光时间为30 ms,电控位移平台速率为0.42 mm/s[20]。同时,为消除各波段条件下光源强度分布不均及摄像头中暗电流对成像造成的不良影响,光谱信息采集前对其进行黑白校正[21],以消除噪声影响。校正后的漫反射光谱图像R按下式计算:

式中:R0为样本原始的漫反射光谱图像;D为暗图像;W为白板的漫反射图像。

样本高光谱图像采集后,利用ENVI 4.6软件校正光谱并选取感兴趣区域(region of interest,ROI)。考虑到长枣个体形状差异,分别从每张枣光谱图像中的长枣赤道部位提取(30×30)像素的ROI,计算得出每张ROI的平均反射光谱,并将其作为该长枣的最终反射光谱。

1.3.2 长枣VC含量的测定

采用2,6-二氯靛酚法[22]测定。样本总量为100 个,测定周期为10 d,每天从总样中随机选取10 个样本进行测定;为避免偶然性误差,各样本均测3 次取平均值作为最终测定结果。

1.3.3 光谱有效信息提取

本实验采用GA、SPA及CARS算法对最优预处理后的光谱提取特征波长,分析不同提取特征波长方法对长枣VC含量预测模型的影响。

GA[23]使用选择、交叉和变异三类遗传算子把复杂的现象用繁殖机制结合简单的编码技术来表现,通过随机搜索算法得出复杂问题相对较好的解;从初始群体到根据变异、选择和交叉等算子的作用而不断迭代来进行优胜劣汰,通过这样的搜索过程来不断逼近最优解。

SPA[24]是一种前向循环的变量选择方法,选定一个初始频点,然后在每一次迭代时加入新的频点,直到达到指定的频点数,该法目的是解决信息重叠,选择最小冗余信息量的频点组合,解决共线性问题。

CARS算法是一种基于蒙特卡罗采样法对模型取样的新型变量选择理论[25],通过指数衰减函数及自适应重加权采样技术计算并比较每次产生的新变量子集的交互验证均方根误差(root mean square error of cross validation,RMSECV),RMSECV最小的变量子集作为最优变量子集。

1.3.4 模型建立

PLS是一种经典的线性拟合方法,该法可以通过最小化偏差平方和实现对曲线的拟合[26]

LSSVM是由Suyken等[27]提出的用于解决模式分类和函数估计问题的支持向量机,它采用最小二乘线性系统作为损失函数,有效地简化了计算的复杂性,提高了运算速度。

1.3.5 模型评价

模型性能以校正相关系数(Rc)和校正均方根误差(root mean square eroor of calibration,RMSEC)及预测相关系数(Rp)和预测均方根误差(root mean square eroor of prediction,RMSEP)为评价指标;评价原则一般认为Rc和Rp越接近1,RMSEC、RMSEP越接近0,模型效果越好。

2 结果与分析

2.1 光谱预处理

在光谱采集中,由于仪器噪音、暗电流等影响因素,易导致光谱曲线产生不重复和基线漂移等现象[28-29],故有必要在模型建立前对原始光谱进行预处理。本实验分别采用SGS、基线校准、SNV、MSC、面积归一化法、最大归一化法、单位归一化法、距离归一化法、平均归一化法等方法对原始光谱进行预处理,结果见表1。

由表1可知,比较原始光谱及预处理后所得PLS校正模型,仅SGS、基线校准、SNV、滑动平均法、去趋势算法对光谱处理后所得模型的Rcv均大于0.8且大于原始光谱模型Rcv(0.708 2),表明经光谱预处理后所建PLS模型效果有所提升;比较上述6 种较佳预处理方法可知,SNV法不仅Rcv最大,为0.839 5且RMSECV最小,仅为16.248 2。表明SNV法处理原始光谱后,可有效降低光谱曲线不重复和基线漂移等误差因素的影响,显著提升建模效果,故本实验选定SNV法为最佳光谱预处理方法。SNV法预处理得到的优化图谱及原始光谱见图1。

表1 不同预处理方法的长枣VC含量PLS校正模型
Table 1 PLS calibration models for predicting VC content in jujubes with different pretreatment methods

图1 原始反射光谱(A)和SNV处理后反射光谱(B)
Fig. 1 Original reflection spectra (A) and SNV-processed spectra (B)

2.2 样本集的划分

为了提高模型的预测精度,本实验采用Kennard-Stone(K-S)[30]法从测试完毕的100 个枣果样本中随机选取20 个用于检验模型的适用性,以3∶1的比例对剩余80 个样本进行样本集和验证集划分,最终选择校正集样本60 个,验证集样本20 个。样本统计结果见表2。

表2 校正集与预测集样本VC的统计结果
Table 2 Statistical results of VC contents in calibration set and predication set

由表2可见,校正集和预测集的样本范围分别为344.42~435.11 mg/100 g和360.58~421.89 mg/100 g,校正集较好的涵盖了预测集,表明样本划分合理。

2.3 有效信息提取

2.3.1 GA提取有效信息

图2 长枣光谱的GA筛选图
Fig. 2 GA screening for feature wavelengths

如图2所示,不同波点被筛选的频次越高表示该点适应性越强[31],与长枣VC相关性越高。GA运算过程中,设定遗传代数为100,以最小的RMSECV和最高的R2组合作为筛选标准;经过20 次随机搜索后,最终选定特征波点12 个,占原始光谱信息的9.6%。

2.3.2 SPA提取有效信息

图3 长枣介电谱的SPA筛选图(A)和光谱被选中波点(B)
Fig. 3 SPA screening of dielectric spectra (A) and selected wavelength points (B)

应用SPA对频谱数据进行有效信息提取,结果如图3所示。SPA运算过程中,设定变量数选择范围为1~10,步长为1,根据RMSEC随变量个数的变化确定最佳特征变量数;如图3A所示,当变量个数为5时,RMSEC最小为24.25;变量个数大于5时,其RMSEC不再减小,最终选定特征波点5 个,占原始光谱信息的4%。

2.3.3 CARS算法提取有效信息

图4 长枣光谱的CARS算法筛选图
Fig. 4 CARS screening of spectra

如图4所示,本研究设定蒙特卡罗采样50 次,采用5折交叉验证法计算,因每次运行CARS结果具有随机性,故在每个设定的蒙特卡洛抽样次数条件下运行20 次,取20 次所建立的PLS模型中最小RMSECV作为结果筛选标准。由图4可知,在1 次CARS算法中,由于衰减指数函数的作用,随着采样次数的增加,在采样前期变量数快速减少,随着采样次数的增加,变量减少的速度减慢,表明算法“粗选”和“精选”的过程。并且,随着采样次数的增加,单个PLS模型的5折交叉验证RMSECV呈现由大到小再到大的变化,采样次数为11 次时RMSECV最小为25.01。最终从125 个波点中选定26 个波点作为特征波谱组合,占原始光谱信息的20.8%。经各算法提取的特征波点见表3。

表3 特征波点列表
Table 3 List of characteristic wavelengths

2.4 模型建立

2.4.1 长枣VC预测模型的建立

将各算法提取的特征波点作为输入量,长枣VC含量作为应变量,建立PLS和LSSVM模型,如表4所示。

表4 基于长枣特征波点建立的VC含量预测模型
Table 4 Prediction models for VC content based on characteristic wavelengths

由表4可知,比较PLS模型效果,原始光谱-PLS模型Rc和Rp分别为0.785 1和0.796 3,R均小于0.8,代表模型效果稍差;而经GA、SPA、CARS处理后的模型中,仅SPA-PLS模型Rc为0.756 2,小于原始光谱-PLS模型Rc;原因可能为SPA最终仅从125 个全光谱波点中挑选出5 个有效波点,虽然大大减少了冗余信息对模型效果的干扰,但同时亦剔除了部分有效信息,致使模型效果低于原始光谱。GA-PLS和CARS-PLS模型Rc、Rp分别为0.823 5、0.815 3和0.896 2、0.889 2,CARS-PLS模型校正能力明显优于GA-PLS模型,对比RMSEC值和RMSEP,CARSPLS模型分别为10.746 2%和12.145 3%,明显低于GAPLS模型的17.335 4%和18.463 7%,表明CARS-PLS模型预测精度高于GA-PLS模型,虽然CARS处理原始光谱后得到的有效波点数稍高于GA法,但该法却能在降低光谱信息共线性影响的同时,极大程度的保留原始光谱中的有效信息,故选定CARS-PLS模型为最优PLS模型。

比较LSSVM模型效果,原始光谱-LSSVM模型Rc和Rp分别为0.746 7和0.732 1,R均小于0.8,代表模型效果稍差;而经GA、SPA、CARS处理后的模型中,仅GALSSVM和CARS-LSSVM模型效果有所提升,Rc分别上升到0.755 9和0.832 1;而CARS-LSSVM模型在模型校正及预测能力方面又明显优于GA-LSSVM模型,故选定CARS-LSSVM模型为最优LSSVM模型。

比较CARS-PLS和CARS-LSSVM模型可知,前者Rc和Rp分别为0.896 2和0.889 2,两者较为接近且均大于后者的0.832 1和0.791 5,且CARS-PLS模型的RMSEC和RMSEP均小于CARS-LSSVM模型的16.202 8和22.580 1,充分说明CARS-PLS在模型校正精度、预测精度、模型稳定性方面均优于CARS-LSSVM模型。综上可知,CARSPLS模型为最优长枣VC含量预测模型。

2.4.2 模型验证结果

图5 CARS-PLS模型验证
Fig. 5 Validation of CARS-PLS model

将随机选出的20 个未参与建模的样本作为独立预测集,验证CARS-PLS模型的适用性,结果如图5所示。实测值与预测值点呈对角线分布且以小幅度在对角线上下波动;t检验表明,各项指标预测值与实测值无显著差异。

3 结 论

本实验以鲜摘灵武长枣为研究对象,在400~1 000 nm波长范围内,优选出SNV法为最优原始光谱预处理方法,其所建PLS模型Rcv和RMSECV分别为0.839 5和16.248 2;对经SNV法处理后的原始光谱通过GA、SPA、CARS法提取有效信息,分别获得仅占原始光谱9.6%、4%、20.8%的特征波点;对上述各法建立PLS和LSSVM模型并比较其效果可发现,CARS法不仅能对原始光谱有效降维且可获得最优PLS模型效果,CARSPLS模型Rc、Rp和RMSEC、RMSEP分别为0.896 2、0.889 2和10.746 2%、12.145 3%。模型验证后发现,长枣VC实测值与预测值无显著差异,表明基于高光谱成像技术对灵武长枣VC含量的无损检测是可行的。

参考文献:

[1] 任玉锋, 任贤, 雷茜. 灵武长枣采后生理及贮藏保鲜技术研究进展[J]. 河北农业科学, 2009, 13(1): 13-15. DOI:10.16318/j.cnki.hbnykx.2009.01.027.

[2] 李书静, 李可, 姚新建, 等. 2,6-二氯靛酚钠法测定果汁饮料中的维生素C[J]. 光谱实验室, 2011, 28(5): 2391-2394. DOI:10.3969/j.issn.1004-8138.2011.05.058.

[3] 罗阳, 何建国, 贺晓光, 等. 农产品无损检测中高光谱成像技术的应用研究[J]. 农机化研究, 2013, 6(6): 1-6. DOI:10.13427/j.cnki.njyi.2013.06.011.

[4] YU K Q, ZHAO Y R, LIU Z Y, et al. Application of visible and nearinfrared hyperspectral imaging for detection of defective features in loquat[J]. Food and Bioprocess Technology, 2014, 7(11): 3077-3087.DOI:10.1007/s11947-014-1357-z.

[5] ARIANA D P, LU R. Hyperspectral waveband selection for internal defect detection of pickling cucumbers and whole pickles[J].Computers and Electronics in Agriculture, 2010, 74(1): 137-144.DOI:10.1016/j.compag.2010.07.008.

[6] 周竹, 李小昱, 陶海龙, 等. 基于高光谱成像技术的马铃薯外部缺陷检测[J]. 农业工程学报, 2012, 28(21): 221-228. DOI:10.3969/j.issn.1002-6819.2012.21.031.

[7] 黄文倩, 陈立平, 李江波, 等. 基于高光谱成像的苹果轻微损伤检测有效波长选取[J]. 农业工程学报, 2013, 29(1): 272-277.DOI:10.3969/j.issn.1002-6819.2013.01.036.

[8] LI J B, RAO X Q, YING Y B. Detection of common defects on oranges using hyperspectral reflectance imaging[J]. Computers and Electronics in Agriculture, 2011, 78(1): 38-48. DOI:10.1016/j.compag.2011.05.010.

[9] EL MASRYA G, WANG N, CLÉMENT V, et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology, 2008, 41(2): 337-345.DOI:10.1016/j.lwt.2007.02.022.

[10] 张保华, 黄文倩, 李江波, 等. 基于高光谱成像技术和MNF检测苹果的轻微损伤[J]. 光谱学与光谱分析, 2014, 34(5): 1367-1372.DOI:10.3964/j.issn.1000-0593(2014)05-1367-06.

[11] PIOTR B, WOJCIECH M, JOANNA W. Detection of early bruises in apples using hyperspectral data and thermal imaging[J]. Journal of Food Engineering, 2012, 110(3): 345-355. DOI:10.1016/j.jfoodeng.2011.12.038.

[12] QIN J W, CHAO K L, KIM M S, et al. Hyperspectral and multispectral imaging for evaluating food safety and quality[J].Journal of Food Engineering, 2013, 118(2): 157-171. DOI:10.1016/j.jfoodeng.2013.04.001.

[13] LORENTE D, ALEIXOS N, GÓMEZ-SANCHIS J, et al. Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment[J]. Food and Bioprocess Technology,2012, 5(4): 1121-1142. DOI:10.1007/s11947-011-0725-1.

[14] 高俊峰, 张初, 谢传奇, 等. 应用近红外高光谱成像技术预测甘蔗可溶性固形物含量[J]. 光谱学与光谱分析, 2015, 35(8): 2154-2158.DOI:10.3964/j.issn.1000-0593(2015)08-215-05.

[15] 张若宇. 番茄可溶性固形物和硬度的高光谱成像检测[D]. 杭州:浙江大学, 2014. DOI:10.3964/J.ISSN.1000-0593(2015)08-2154-05.

[16] 吴龙国, 何建国, 刘贵珊, 等. 基于近红外高光谱成像技术的长枣含水量无损检测[J]. 光电子: 激光, 2014(1): 135-140. DOI:10.16136/j.joel.2014.01.011.

[17] CRISTINA M, SILVIA G, EMANUEL J N M, et al. Vitamin C distribution in acerola fruit by nearinfraredectral maging[J]. Journal of Spectral Imaging, 2016, 12(6): 1-4. DOI:10.1255/jsi.2016.a6.

[18] 刘燕德, 陈兴苗, 孙旭东. 可见/近红外漫反射光谱无损检测南丰蜜桔维生素C的研究[J]. 光谱学与光谱分析, 2008, 28(10): 2318-2319.DOI:103964/jissn.1000-0593(2008)10-2318-03.

[19] 夏俊芳, 李小昱, 李培武. 基于小波变换的柑橘维生素C含量近红外光谱无损检测方法[J]. 农业工程学报, 2007, 23(6): 170-173.DOI:10.3321/j.issn:1002-6819.2007.06.033.

[20] 徐爽, 何建国, 易东, 等. 基于高光谱图像技术的长枣糖度无损检测[J]. 食品与机械, 2012, 28(6): 168-170. DOI:10.3969/j.issn.1003-5788.20122.06.041.

[21] 丁佳兴, 吴龙国, 何建国, 等. 高光谱成像技术对灵武长枣果皮强度的无损检测[J]. 食品工业科技, 2016, 37(24): 58-62. DOI:10.13386/j.issn1002-0306.2016.24.003.

[22] 赵晓梅, 江英, 吴玉鹏. 果蔬中VC含量测定方法的研究[J]. 食品科学,2006, 27(3): 197-198. DOI:10.3321/j.issn:1002-6630.2006.03.046.

[23] 蒋雪松, 周宏平. 基于遗传算法的农产品品质无损检测研究进展[J]. 江苏农业科学, 2013, 41(12): 17-19. DOI:10.15889/j.issn.1002-1302.2013.12.038.

[24] YE S F, WANG D, MIN S G. Successive projections algorithm combined with uninformative variable elimination for spectral variable selection[J]. Chemometrics and Intelligent Laboratory Systems, 2008,91(2): 194-199. DOI:10.1016/j.chemolab.2007.11.005.

[25] 李江波, 彭彦昆, 陈立平, 等. 近红外高光谱图像结合CARS算法对鸭梨SSC含量定量测定[J]. 光谱学与光谱分析, 2014, 35(5): 1264-1269. DOI:10.3964/J.ISSN.1000-0593(2014)05-1264-06.

[26] WOLD S, RUHE A, WOLD H, et al. The collinearity problem in linear regression. The partial least squares (PLS) approach to generalized inverses[J]. SIAM Journal on Scientific and Statistical Computing,2006, 5(3): 735-743. DOI:10.1137/0905052.

[27] SUYKENS J A K, VANDEWALLE J. Least squares support vector machine classifiers[J]. Neural Processing Letters, 1999, 9(3): 293-300.DOI:10.1023/A:1018628609742.

[28] 刘燕德, 周延睿, 彭彦颖. 基于近红外漫反射光谱检测鸡蛋品质[J].光学精密工程, 2013(1): 40-45. DOI:10.3788/OPE.20132101.0040.

[29] 蒋蘋, 罗亚辉, 胡文武, 等. 基于高光谱的油茶籽内部品质检测最优预测模型研究[J]. 农机化研究, 2015(7): 56-60. DOI:10.13427/j.cnki.njyi.2015.07.013.

[30] 潘国锋. 基于K-S算法的水质硝酸盐含量光谱检测方法研究[J]. 光谱实验室, 2011, 28(5): 2700-2704. DOI:10.3969/j.issn.1004-8138.2011.05.132.

[31] 熊琼, 葛蓁, 刘志刚. 基于遗传算法和EDA技术的果蔬采摘机器人设计[J]. 农机化研究, 2016, 38(8): 214-217. DOI:10.3969/j.issn.1003-188X.2016.08.045.

Non-Destructive Detection of Vitamin C Content in “Lingwu Changzao” Jujubes (Zizyphus jujuba Mill. cv.Lingwu Changzao) Using Visible Near Infrared Hyperspectral Imaging

HE Jialin, QIAO Chunyan, LI Dongdong, ZHANG Haihong*, DENG Hong, SHAN Qimei, GAO Kun, MA Rui
(School of Agriculture, Ningxia University, Yinchuan 750021, China)

Abstract:This study aimed to explore the feasibility of predicting the vitamin C (VC) content in “Lingwu Changzao”jujubes using hyperspectral imaging and to find the best prediction model. Hyperspectral images of 100 jujube samples were collected in the wavelength range of 400 to 1 000 nm. Genetic algorithm (GA), successive projection algorithm (SPA)and competitive adaptive reweighted sampling (CARS) algorithm were used to extract the characteristic wavelengths from the original spectral data. Partial least squares (PLS) and least squares support vector machine (LSSVM) were separately used to establish VC prediction models based on the full and characteristic spectra. The results showed that standard normal variate (SNV) transformation was the best preprocessing approach. The cross validation correlation coeきcient (Rcv) of the PLS model was 0.839 5, and the root mean square error of cross validation (RMSECV) was 16.248 2. GA, SPA and CARS methods were used to select 12, 5, and 26 characteristic wavelengths. The PLS model based on CARS method was the best among the models developed, and its Rc, Rp, RMSEC and RMSEP values were 0.896 2, 0.889 2, 10.746 2%, and 12.145 3%,respectively. These results confirmed the feasibility of using hyperspectral imaging for the non-destructive detection of VC content in “Lingwu Changzao” jujubes.

Keywords:“Lingwu Changzao” jujubes; VC; visible near infrared hyperspectral imaging; non-destructive testing

DOI:10.7506/spkx1002-6630-201806031

中图分类号:TS255.7

文献标志码:A

文章编号:1002-6630(2018)06-0194-06

引文格式:何嘉琳, 乔春燕, 李冬冬, 等. 可见-近红外高光谱成像技术对灵武长枣VC含量的无损检测方法[J]. 食品科学, 2018,39(6): 194-199.

DOI:10.7506/spkx1002-6630-201806031. http://www.spkx.net.cn

HE Jialin, QIAO Chunyan, LI Dongdong, et al. Non-destructive detection of vitamin C content in “Lingwu Changzao”jujubes (Zizyphus jujuba Mill. cv. Lingwu Changzao) using visible near infrared hyperspectral imaging[J]. Food Science,2018, 39(6): 194-199. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201806031. http://www.spkx.net.cn

收稿日期:2017-04-25

基金项目:国家自然科学基金地区科学基金项目(31160346);大学生创新创业训练计划项目(201610749020);宁夏回族自治区“十三五”优势特色学科建设项目

第一作者简介:何嘉琳(1997—),女,本科生,研究方向为农产品无损检测。E-mail:593638620@qq.com

*通信作者简介:张海红(1967—),女,教授,硕士,研究方向为农产品无损检测。E-mail:nxdwjyxx@126.com