貯藏大米中霉菌菌落總數(shù)的高光譜檢測(cè)研究

叢孫麗 劉晨 鹿存莉

摘要 [目的]為了快速、精確檢測(cè)貯藏大米中的霉菌菌落總數(shù)，擬用高光譜圖像技術(shù)實(shí)現(xiàn)無(wú)損檢測(cè)。[方法]采用SG-SNV detrending的方式對(duì)原始光譜數(shù)據(jù)預(yù)處理，去除基線散射，平滑光譜曲線;然后分別利用SPA算法和CARS算法選取反映大米霉菌菌落總數(shù)特性的特征波長(zhǎng)組合，最后采用SVR方法分別在全光譜數(shù)據(jù)和2種特征光譜數(shù)據(jù)的基礎(chǔ)上建立預(yù)測(cè)模型，對(duì)比分析各SVR模型的預(yù)測(cè)效果。[結(jié)果]基于CARS特征選擇的模型（CARS-SVR）預(yù)測(cè)效果優(yōu)于基于全光譜數(shù)據(jù)的SVR模型和基于SPA特征選擇的模型（SPA-SVR），其預(yù)測(cè)集決定系數(shù)（R2p）為0.875 9、均方根誤差（RMSEP）為0.083 5。由于CARS-SVR模型的預(yù)測(cè)效果尚未達(dá)到農(nóng)產(chǎn)品檢測(cè)的精度要求，故引入GWO算法對(duì)SVR模型中的參數(shù)（c和g）尋優(yōu)，優(yōu)化后模型（CARS-GWO-SVR）的訓(xùn)練集和測(cè)試集決定系數(shù)（R2c和R2p）分別達(dá)0.962 1和0.951 1。[結(jié)論]利用高光譜技術(shù)對(duì)貯藏大米中的霉菌菌落總數(shù)實(shí)施無(wú)損檢測(cè)具有可行性，可為其他農(nóng)產(chǎn)品的霉菌檢測(cè)提供參考依據(jù)。

關(guān)鍵詞 高光譜;貯藏大米;霉菌菌落數(shù);灰狼優(yōu)化;支持向量回歸

中圖分類號(hào) S379 ?文獻(xiàn)標(biāo)識(shí)碼 A

文章編號(hào) 0517-6611（2020）19-0211-04

doi：10.3969/j.issn.0517-6611.2020.19.055

Abstract [Objective]In order to quickly and accurately detect the total number of mold colonies in stored rice， hyperspectral image technology was proposed to achieve nondestructive detection.[Method]The original spectral data was preprocessed through the method of SGSNV detrending for purpose of removing the baseline scattering and smoothing spectral curves. Then the combination of feature wavelengths reflecting the mold characteristics was selected by SPA and CARS， respectively. On the basis of feature data and full spectral data， the prediction models of mold colonies in stored rice samples were established through SVR method， and the prediction results of models would be compared and analyzed.[Result]The effect of CARSSVR model was better than that of SVR model and SPASVR model. The ?R2p and RMSEP of prediction set was 0.875 9 and 0.083 5. In order to improve the accuracy of CARSSVR model， GWO algorithm was adopted to optimize c and g parameters in model， after that， the R2c and R2p were improved to 0.962 1 and 0.951 1. [Conclusion]Hyperspectral imaging technology is feasible for nondestructive detection of the total number of mold colonies in stored rice， providing a promising tool for mold detection of other agricultural products.

Key words Hyperspectral;Stored rice;Mold colonies;GWO;SVR

基金項(xiàng)目 國(guó)家自然科學(xué)基金項(xiàng)目（31471413）;無(wú)錫市軟科學(xué)課題（201913571004Z）。

作者簡(jiǎn)介 叢孫麗（1993—），女，江蘇南通人，助教，碩士，從事計(jì)算機(jī)技術(shù)在農(nóng)業(yè)工程方面的應(yīng)用研究。

收稿日期 2020-04-08

大米作為人們重要的主食之一，營(yíng)養(yǎng)較為豐富，若貯藏不當(dāng)易發(fā)生霉變。大米發(fā)生霉變開(kāi)始產(chǎn)生霉菌，嚴(yán)重程度下甚至進(jìn)而產(chǎn)生真菌毒素，霉菌和真菌毒素直接影響大米的品質(zhì)、人們的食用安全，造成健康隱患[1]。霉菌的多少直接反映了大米等食品的劣變程度，因此，尋求一種貯藏大米霉菌含量的快速、準(zhǔn)確檢測(cè)方法顯得尤為必要。

常規(guī)情況下，大米霉菌計(jì)數(shù)可采用國(guó)標(biāo)法（GB 4789.15—2016《食品微生物學(xué)檢驗(yàn) 霉菌和酵母計(jì)數(shù)》[2]）進(jìn)行測(cè)定。這種方法檢測(cè)精度可靠性高，但前期樣品準(zhǔn)備工作復(fù)雜，且破壞了檢測(cè)對(duì)象。隨著光譜檢測(cè)技術(shù)的快速發(fā)展，近紅外光譜技術(shù)勢(shì)頭迅猛，作為無(wú)損檢測(cè)方法之一在稻谷類霉菌或真菌毒素檢測(cè)中應(yīng)用典型[3-4]。這些研究表明，近紅外光譜用于農(nóng)副產(chǎn)品霉菌或真菌毒素檢測(cè)是可行的。然而，這一技術(shù)的缺點(diǎn)在于主要用于檢測(cè)樣本的平均光譜，并不能提供樣本圖像中每一像素包含的光譜信息。因此，利用近紅外光譜定量檢測(cè)霉菌的精度較低。高光譜圖像技術(shù)將光譜和圖像技術(shù)融于一體，同時(shí)提供檢測(cè)目標(biāo)的光譜和圖像信息，在農(nóng)產(chǎn)品無(wú)損檢測(cè)中應(yīng)用較為廣泛。一些學(xué)者已經(jīng)將高光譜圖像技術(shù)用于作物或農(nóng)產(chǎn)品的霉菌或真菌毒素定性檢測(cè)[5-7]，但相關(guān)定量研究仍較少。Tekle等[8]獲取了鐮刀菌損傷的燕麥的高光譜圖像，并建立偏最小二乘支持向量回歸模型估算其中脫氧雪腐烯醇（DON）的含量，最終預(yù)測(cè)值與實(shí)測(cè)值之間的相關(guān)系數(shù)為0.82，預(yù)測(cè)精度較低。霉菌不僅會(huì)改變大米的顏色和其他表面特性，也會(huì)積累更多脂肪酸代謝物，從而提高大米中的脂肪酸含量。因此，脂肪酸含量的改變可以較好地表征大米霉變的狀況[9]。研究表明，可見(jiàn)光光譜可在樣品的表面形態(tài)（包括紋理、形狀等）的表征上達(dá)到較好的效果，但可見(jiàn)光的單波段信息不足以提高檢測(cè)精度;而大米中脂肪酸含量的變化又會(huì)促使近紅外光譜特性的變化[10]。高光譜圖像技術(shù)主要涵蓋了可見(jiàn)光光譜和近紅外光譜的波段范圍，被視為大米霉菌含量檢測(cè)最有效的方法。

筆者采用高光譜技術(shù)結(jié)合支持向量回歸（support vector regression， SVR）模型實(shí)現(xiàn)大米樣品中霉菌菌落總數(shù)的檢測(cè)，為了尋找模型中的最佳參數(shù)（c和g）采用了新型群體智能算法——灰狼優(yōu)化（gray wolf optimization， GWO）。通過(guò)對(duì)大米霉菌的高精度定量檢測(cè)，可為其他農(nóng)產(chǎn)品的霉菌檢測(cè)提供新型方法，也為研制便攜霉菌檢測(cè)儀奠定理論基礎(chǔ)。

1 材料與方法

1.1 人工誘導(dǎo)大米樣品

試驗(yàn)選用大米為優(yōu)質(zhì)金龍魚(yú)大米，購(gòu)于鎮(zhèn)江歐尚超市，確保大米完整、表面光滑無(wú)霉變。試驗(yàn)前須先測(cè)定所購(gòu)大米的初始含水率，根據(jù)國(guó)標(biāo)法（GB 5009.3—2016《食品中水分的測(cè)定》[11]）實(shí)際檢測(cè)得出結(jié)果為11.4%，在大米安全貯藏標(biāo)準(zhǔn)范圍內(nèi)。首先，將大米分成100個(gè)樣品盤(pán)（每盤(pán)100 g），單獨(dú)貼上標(biāo)簽。為去除大米中細(xì)菌帶來(lái)的影響，所有大米均需經(jīng)過(guò)消毒，將大米樣品置于干凈的工作臺(tái)上，打開(kāi)紫外線長(zhǎng)達(dá)30 min。滅菌完成后，在無(wú)菌狀態(tài)下進(jìn)一步誘導(dǎo)大米發(fā)生霉變。當(dāng)儲(chǔ)存過(guò)程中霉菌含量低于104 ?CFU/g時(shí)，說(shuō)明大米存放安全;一旦達(dá)到105 ?CFU/g，大米便開(kāi)始發(fā)生霉變;超過(guò)106 ?CFU/g后，霉變則非常嚴(yán)重[12]。因此，為了模擬貯藏大米霉變的過(guò)程，試驗(yàn)采取恒溫恒濕箱培育大米樣品，其中恒溫恒濕箱的溫度設(shè)定為30 ℃，相對(duì)濕度設(shè)定為90%（參照霉菌易于繁殖的溫濕度環(huán)境）。基于大米貯藏過(guò)程中理化特性與感光指標(biāo)隨時(shí)間的變異情況，將培育階段分成10個(gè)周期（每個(gè)周期15 d），得到不同霉變時(shí)期內(nèi)的樣品各10份（共100份）。

1.2 高光譜掃描

試驗(yàn)中，采用光譜為871.607～1 766.322 nm的高光譜成圖像系統(tǒng)[13]，其中CCD相機(jī)與光譜儀共同構(gòu)成高光譜圖像攝像儀（ImSpector V10E，spectra imaging Ltd.，F(xiàn)inland），2只150 W的鹵素?zé)魳?gòu)成系統(tǒng)的光源，一個(gè)電控位移平臺(tái)及計(jì)算機(jī)。此系統(tǒng)采集的圖像分辨率達(dá)到672像素×512像素，光譜分辨率達(dá)5 nm。試驗(yàn)開(kāi)始前，預(yù)先對(duì)高光譜系統(tǒng)進(jìn)行黑白參考校正，然后將培育的各份大米樣品均勻平鋪于一寬口的PP試劑瓶瓶蓋上，并緩慢放置于電控位移平臺(tái)正中央的白紙中心，以待對(duì)樣品進(jìn)行掃描采集圖像。掃描過(guò)程中攝像機(jī)曝光時(shí)間為20 ms，平移臺(tái)輸送速度為1.25 mm/s。所有樣品掃描完成后利用感興趣區(qū)域法將每個(gè)樣品圖像中的光譜數(shù)據(jù)提取出來(lái)，考慮到光譜范圍的初始和結(jié)束部分均受到了外部噪聲的影響，故將前后共40個(gè)波段的數(shù)據(jù)予以剔除，最終波長(zhǎng)931～1 666 nm用于分析。

1.3 霉菌菌落總數(shù)檢測(cè)

高光譜掃描后立即對(duì)各份大米樣品進(jìn)行霉菌菌落總數(shù)檢測(cè)，檢測(cè)方法參照文獻(xiàn)[2]。檢測(cè)過(guò)程中觀察霉菌的滋生狀況以CFU/g為單位進(jìn)行平板計(jì)數(shù)。最終，將記錄的數(shù)值取對(duì)數(shù)處理，降低量綱的影響，以便建模分析。

1.4 灰狼算法優(yōu)化的支持向量回歸機(jī)

支持向量機(jī)是1995年提出用于建立模型的方法，該研究中其回歸功能SVR用于預(yù)測(cè)大米霉菌菌落數(shù)，一般將徑向基核函數(shù)（radial basis function， RBF）用于模型。

GWO算法于2012年新提出，提出的依據(jù)是灰狼群體的覓食行為，如捕食期間產(chǎn)生的跟蹤、包圍、追擊等。該算法的機(jī)制簡(jiǎn)單、參數(shù)少、收斂速度快，且相對(duì)于其他智能算法（DE、PSO、GA等）優(yōu)化效果更好[14]，也因此在風(fēng)速預(yù)測(cè)、水量分配、函數(shù)優(yōu)化等領(lǐng)域應(yīng)用廣泛。該研究將GWO算法用于對(duì)SVR參數(shù)c和g尋優(yōu)的具體步驟如下：①劃分大米霉菌數(shù)據(jù)樣本集。初始化SVR的參數(shù)c和g的取值區(qū)間，并設(shè)置GWO算法的相關(guān)參數(shù)（狼群數(shù)量SearchAgents_no以及最大迭代次數(shù)Max_iteration）。其中，c和g的取值均為0.01～100.00，SearchAgents_no和Max_iteration取值均為20。②隨機(jī)化灰狼的群體，各群體位置向量對(duì)應(yīng)于一組參數(shù)（c和g）。③GWO算法根據(jù)適應(yīng)度值對(duì)狼群中每個(gè)個(gè)體的位置進(jìn)行更新，最終保留適應(yīng)度值最優(yōu)的位置。④判斷更新次數(shù)是否超過(guò)Max_iteration值，若未超過(guò)，繼續(xù)更新，否則更新結(jié)束。此時(shí)的參數(shù)c和g即最優(yōu)參數(shù)，可利用其建立SVR最優(yōu)模型進(jìn)行菌落數(shù)預(yù)測(cè)分析。

2 結(jié)果與分析

2.1 大米霉菌菌落數(shù)參考值

采用平板計(jì)數(shù)法測(cè)得的霉菌菌落數(shù)參考值如表1所示。所有大米樣品的霉菌菌落數(shù)分布在2.66～5.88 lg（CFU/g）。根據(jù)大米貯藏的霉菌標(biāo)準(zhǔn)，該試驗(yàn)中霉菌菌落總數(shù)分布既有安全階段，又有大米貯藏的不同霉變階段，總體上霉菌菌落值符合正態(tài)分布。從表1可看出校正集和測(cè)試集樣品的霉菌統(tǒng)計(jì)值。

2.2 數(shù)據(jù)預(yù)處理 依據(jù)1∶1的比例對(duì)高光譜數(shù)據(jù)進(jìn)行樣本集劃分，分成校正集和測(cè)試集兩部分。多項(xiàng)式平滑（savitzkygolay， SG）、標(biāo)準(zhǔn)變量變換（standard normalized variable， SNV）及去趨勢(shì)（detrending）均是可用于光譜預(yù)處理的方法[15-17]。其中SG可有效消除基線漂移，SNV可校正光譜散射，detrending一般與SNV結(jié)合用于去趨勢(shì)?？紤]到每種預(yù)處理方法的差異性，以上3種方法結(jié)合（SG-SNV detrending）用于處理并保留光譜數(shù)據(jù)中的有效信息。預(yù)處理前后的光譜曲線如圖1所示。

2.3 特征波長(zhǎng)選擇

2.3.1 采用SPA選擇特征波長(zhǎng)。

連續(xù)投影算法（successive projections algorithm， SPA）因簡(jiǎn)單、快速的特點(diǎn)在特征選擇上得到了廣泛的應(yīng)用[18]。該研究將SPA波長(zhǎng)最大值設(shè)為30，算法運(yùn)行過(guò)程中不同的波長(zhǎng)數(shù)會(huì)產(chǎn)生不同的均方根誤差（root mean square error， RMSE），當(dāng)RMSE值變化達(dá)到最小值時(shí)所產(chǎn)生的波長(zhǎng)即最佳。該研究的RMSE最小為0.602，此時(shí)產(chǎn)生了12個(gè)特征波長(zhǎng)。選取的波長(zhǎng)如圖2所示。

2.3.2 采用CARS選擇特征波長(zhǎng)。

競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣（competitive adaptive reweighted sampling， CARS）作為特征選擇法之一，模擬“適者生存”準(zhǔn)則，通過(guò)指數(shù)衰減和自適應(yīng)重加權(quán)采樣（ARS）技術(shù)選出最終交叉驗(yàn)證均方根誤差（RMSECV）最小下的特征集合[19]。該研究設(shè)定CARS采樣次數(shù)為50及五折交叉驗(yàn)證，過(guò)程如圖3所示。由圖3a看出選擇的特征波長(zhǎng)數(shù)隨著采樣次數(shù)增加在逐漸減少;圖3c中星號(hào)垂線對(duì)應(yīng)的點(diǎn)即為b圖中RMSECV的最小值點(diǎn)（0.462），此時(shí)的采樣次數(shù)為30。此后，RMSECV值有增加的趨勢(shì)。因此，選取采樣次數(shù)為30時(shí)的特征波長(zhǎng)共14個(gè)，分別為935.96、944.25、1 012.17、1 031.34、1 129.52、1 136.48、1 157.13、1 160.54、1 319.84、1 341.85、1 344.99、1 426.69、1 474.49、1 513.47 nm。

大米中最多的脂肪酸是油酸（OFA）和亞油酸（LFA）[20]。Mzimbiri等[21]研究了這2種脂肪酸在900～1 700 nm處的高光譜特征，其中OFA的特征波長(zhǎng)理論上為1 146.6、1 313.3和1 480.3 nm，該研究SPA選擇的波長(zhǎng)中1 146.85 nm與OFA第1個(gè)理論波長(zhǎng)較為接近，而CARS選擇的波長(zhǎng)中1 319.84、1 474.49 nm與第2、第3個(gè)較為接近;LFA的特征波長(zhǎng)理論上為1 036.9和1 517.1 nm，該研究SPA選擇的波長(zhǎng)中1 031.34 nm與LFA第1個(gè)理論波長(zhǎng)較為接近，而CARS選擇的波長(zhǎng)中1 031.34、1 513.47 nm與2個(gè)理論波長(zhǎng)均較接近。因此，相比之下CARS算法保留了反映大米樣品霉菌菌落總數(shù)的更多特征信息，大大降低建模復(fù)雜度。

2.4 SVR模型的建立與分析

將特征光譜和全光譜數(shù)據(jù)分別用于SVR回歸模型的輸入變量，大米霉菌菌落總數(shù)作為輸出變量，通過(guò)校正集樣本和測(cè)試集樣本的預(yù)測(cè)來(lái)評(píng)估最終模型的性能。從SVR各模型的評(píng)價(jià)指標(biāo)對(duì)比（表2）可以看出，與SVR模型相比，SPA-SVR模型雖然是通過(guò)SPA極大地減少了輸入變量，但性能卻有所降低。原因可能是SPA算法在運(yùn)行過(guò)程中剔除了部分與霉菌數(shù)量相關(guān)性較大的關(guān)鍵波長(zhǎng)。相比之下，CARS-SVR模型雖然采用的特征波長(zhǎng)數(shù)較多，但模型的預(yù)測(cè)性能和魯棒性明顯更好，也進(jìn)一步印證了前面特征波長(zhǎng)的分析。因此，3種模型中最佳的為CARS-SVR，達(dá)到了最高預(yù)測(cè)精度，R2p為0.875 9且RMSEP為0.083 5。

2.5 GWO-SVR模型的建立

為提高CARS-SVR模型的檢測(cè)精度，在經(jīng)過(guò)CARS特征光譜數(shù)據(jù)的基礎(chǔ)上，引入GWO算法優(yōu)化SVR模型中的參數(shù)c和g。然后利用最優(yōu)參數(shù)重新建立特征光譜下的SVR模型。優(yōu)化后模型（CARS-GWO-SVR）的各評(píng)價(jià)指標(biāo)分別為波長(zhǎng)數(shù)量14、R2c=0.962 1、RMSEC=0.012 6、R2p=0.951 1、RMSEP=0.036 0，模型對(duì)測(cè)試集樣本的預(yù)測(cè)結(jié)果如圖4所示。從圖4可以看出， CARS-GWO-SVR模型預(yù)測(cè)效果得到了明顯的提升，P2p達(dá)到了0.95以上。同時(shí)，與CARS-SVR相比，CARS-GWO-SVR的RMSEC和RMSEP差異更小，表明模型魯棒性和預(yù)測(cè)能力更強(qiáng)。與Tekle等[8]關(guān)于利用高光譜圖像估算燕麥中DON含量的相比，該研究大米霉菌含量的預(yù)測(cè)精度更高，表明GWO算法確實(shí)優(yōu)化了模型的性能。

3 結(jié)論

該研究培育了不同霉變程度的大米樣品并采集了高光譜圖像，通過(guò)感興趣區(qū)域選取方式獲取了32像素×32 像素的光譜信息。在預(yù)處理之后的光譜基礎(chǔ)上，比較了基于全光譜數(shù)據(jù)和不同特征光譜數(shù)據(jù)的SVR模型建模效果。結(jié)果表明：CARS-SVR模型獲得了比全光譜模型和SPA-SVR模型更好的預(yù)測(cè)效果，其訓(xùn)練集R2c和RMSEC分別為0.879 5、0.046 8;測(cè)試集R2p和RMSEP分別為0.875 9、0.083 5。利用GWO算法對(duì)SVR模型中的參數(shù)c和g進(jìn)行尋優(yōu)，重新建立基于CARS特征光譜數(shù)據(jù)的SVR預(yù)測(cè)模型。最終，CARS-GWO-SVR模型的R2c和R2p分別提升為0.962 1和0.951 1，滿足農(nóng)產(chǎn)品的檢測(cè)要求。

綜上所述，該研究將高光譜圖像技術(shù)用于大米霉菌菌落總數(shù)檢測(cè)具有可行性，為其他農(nóng)產(chǎn)品的霉菌檢測(cè)提供新型方法，也為研制便攜霉菌檢測(cè)儀奠定理論基礎(chǔ)。不足之處在于用于研究的樣品數(shù)量有待提高以驗(yàn)證是否適用于更多種類的大米霉菌檢測(cè)，有待進(jìn)一步研究。

參考文獻(xiàn)

[1] 周顯青，倫利芳，張玉榮，等.大米儲(chǔ)藏與包裝的技術(shù)研究進(jìn)展[J].糧油食品科技，2013，21（2）：71-75.

[2] 中華人民共和國(guó)國(guó)家衛(wèi)生和計(jì)劃生育委員會(huì).食品微生物學(xué)檢驗(yàn) 霉菌和酵母計(jì)數(shù)：GB 4789.15—2016[S].北京：中國(guó)標(biāo)準(zhǔn)出版社，2017.

[3] 張強(qiáng)，劉成海，孫井坤，等.基于支持向量機(jī)的稻谷黃曲霉毒素B1近紅外無(wú)損檢測(cè)[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2015，46（5）：84-88.

[4] 金昌福，張強(qiáng)，鄭先哲.貯藏稻谷霉菌菌落總數(shù)近紅外光譜預(yù)測(cè)模型[J].農(nóng)機(jī)化研究，2016（10）：160-164.

[5] FENG L，ZHANG D R，CHEN S S，et al.Early detection of gray mold on eggplant leaves using hyperspectral imaging technique[J].Journal of Zhejiang University（Agriculture and life sciences），2012，38（3）：311-317.

[6] DEL FIORE A，REVERBERI M，RICELLI A，et al.Early detection of toxigenic fungi on maize by hyperspectral imaging analysis[J].International journal of food microbiology，2010，144（1）：64-71.

[7] XIAO H，WANG Z J，SUN Y，et al.Growth simulation and discrimination of five fungi from rice storage using hyperspectral reflectance imaging technique[J].Science and technology of food industry，2016，37（13）：276-281.

[8] TEKLE S，MAGE I，SEGTNAN V H，et al.Nearinfrared hyperspectral imaging of Fusariumdamaged oats （Avena sativa L.）[J].Cereal chemistry，2015，92（1）：73-80.

[9] 文韜，洪添勝，李立君，等.基于高光譜技術(shù)的霉變稻谷脂肪酸含量無(wú)損檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2015， 31（18）：233-239.

[10] NING J M，WAN X C，ZHANG Z Z，et al.Discriminating fermentation degree of Puer tea based on NIR spectroscopy and artificial neural network[J]. Transactions of the Chinese society of agricultural engineering，2013，29（11）：255-260.

[11] 中華人民共和國(guó)國(guó)家衛(wèi)生和計(jì)劃生育委員會(huì).食品中水分的測(cè)定：GB 5009.3—2016[S].北京：中國(guó)標(biāo)準(zhǔn)出版社，2017.

[12] 周建新，鞠興榮，孫肖東，等.不同儲(chǔ)藏條件下稻谷霉菌區(qū)系演替的研究[J].中國(guó)糧油學(xué)報(bào)，2008，23（5）：133-136.

[13] 張曉東，毛罕平，周瑩，等. 基于高光譜成像技術(shù)的生菜葉片水分檢測(cè)研究[J]. 安徽農(nóng)業(yè)科學(xué)，2011，39（33）：20329-20331，20714.

[14] MIRJALILI S，HASHIM S Z M.A new hybrid PSOGSA algorithm for function optimization[C]//International conference on computer and information application.Tianjin，China：IEEE，2012：374-377.

[15] TAHIR H E，ZOU X B，LI ?Z H，et al.Rapid prediction of phenolic compounds and antioxidant activity of Sudanese honey using Raman and Fourier transforminfrared （FTIR） spectroscopy[J].Food chemistry，2017，226：202-211.

[16] CHO J S，BAE H J，CHO B K，et al.Qualitative properties of roasting defect beans and development of its classification methods by hyperspectral imaging technology[J].Food chemistry，2017，220：505-509.

[17] POLLOCK D S G.Trend estimation and detrending via rational squarewave filters[J].J Econometrics，2000，99（2）：317-334.

[18] 董金磊，郭文川.采后獼猴桃可溶性固形物含量的高光譜無(wú)損檢測(cè)[J].食品科學(xué)，2015，36（16）：101-106.

[19] 劉燕德，施宇，蔡麗君，等.基于CARS算法的臍橙可溶性固形物近紅外在線檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（9）：138-144.

[20] 王立峰，陳超，楊精華，等.大米小包裝儲(chǔ)藏過(guò)程中脂類及微觀結(jié)構(gòu)的變化[J].中國(guó)農(nóng)業(yè)科學(xué)，2015，48（9）：1807-1817.

[21] MZIMBIRI R，SHI A M，LIU H Z，et al.A review： Peanut fatty acids determination using hyper spectroscopy imaging and its significance on food quality and safety[J].Food science & quality management，2014，28：90-98.