近红外亚光谱成像在食品分析中的应用——改进算法与方法

本论文考察了近红外亚光谱成像（NIR-HSI）用于食品品质分析的应用。通过四项研究工作进行该考察，涉及五个研究假设。在几项分析中，研究比较了基于卷积神经网络（CNNs）和偏最小二乘（PLS）的模型。总体而言，在参数建模中，当化学和物理视觉信息相关时，联合的时空分析优于仅使用 CNNs 的空间分析和仅使用 PLS 的光谱分析。对于基于 2 维 CNN 建模化学参数的情形，增强 CNN 的初始层专门执行光谱卷积，可通过学习类似领域专家所应用的光谱预处理来提高其预测性能。尽管如此，PLS 基于光谱建模在分析样本中化学参数的平均内容时表现同样良好，仍为推荐方法。使用 NIR-HSI 对化学参数的空间分布建模受限于获取空间分辨参考值的能力。因此，一个研究使用批量平均参考值进行肥肉脂肪含量的化学图生成。PLS 基于的方法给出非光滑的化学图且像素级预测值超出 0-100\% 范围。相比之下，增强了光谱卷积层的 2D CNN 缓解了 PLS 所遇到的全部问题。最终一项研究尝试通过分析 NIR 光谱、RGB 图像和 NIR-HSI 图像来建模大麦的发芽能力。然而，由于数据集中发芽程度较低，结果未得到结论。此论文还导致开发了两个开源的 Python 软件包：第一个 facilitates 快速的 PLS 基于建模，第二个 facilitates 非常快速的 PLS 和其他经典机器学习模型的交叉验证，采用一种新算法。