无损鉴定鲑鱼掺假基于高光谱数据与水

文摘

与注水鲑鱼掺假的鉴别,提出了一种基于高光谱图像的无损鉴定方法。鲑鱼片的高光谱图像在可见光和近红外范围(390 - 1050 nm)获得了一个系统。原高光谱数据处理通过主成分分析(PCA)。根据图像质量和PCA参数,第二个主成分图像(PC2)被选为特征的形象,和当地的极值对应的波长值特征提取图像加权系数的特征波长,454.9,512.3,和569.1纳米。在此基础上,结合光谱特征波长的颜色,纹理结合光谱特征波长,和彩色纹理结合光谱特征波长独立设置为输入,建模的鲑鱼掺假识别基于自组织特征映射(SOM)网络。邻近的神经元之间的距离和特征权重的模型分析了实现识别结果的可视化。SOM-based模型结果表明,texture-color结合光谱特征波长的融合特征作为输入,是拥有最佳性能评估和识别精度高达96.7%。

1。介绍

鲑鱼富含营养,尤其是不饱和脂肪酸,它可以消除人体血液中的胆固醇和脂质,降低心血管疾病的发病率(1]。鲑鱼产业的快速发展,掺假的鲑鱼在中国已经成为一个严重的问题。一些商家的利润将水注入鲑鱼增加体重。由于注射,三文鱼的味道变得更糟和鲑鱼的微生物含量超过标准的限制,导致对人体健康的危害(2]。鲑鱼的检测质量,人工评价和理化检测被应用。前者是不客观,不定量,不够安全,限制在食品加工行业的自动化和情报。一些传统的物理和化学检测方法简单和低成本的优势,但大多数这些方法是破坏性的,耗时,且高度专业3,4]。对于水的检测,核磁共振可以获得直接信息氢质子和质子交换蛋白之间的相互作用,因此水的化学和物理状态,特别是在肌肉和肉(5]。然而,测试仪器昂贵,主要用于食品检测实验室检测水平。因此,有必要探索一种快速、无损、方便检测技术识别掺假的鲑鱼和其他食物6]。

近年来,谱无损检测技术开发(7),更有效的替代传统检测方法。基于光谱信息的采集和分析,样品的表观质量和成分可以更好地学习。其中光谱技术,光谱成像技术可以获得大量的图像信息在连续光谱波长和不同的空间维度。即,光谱数据包含三维信息,光谱和图像空间。提取和分析这些特征波长的光谱数据显示巨大的优势在食品质量的检测8,9]。与不同的化学成分和结构,样品吸光度,反射率和色散特性对应波长是不同的。特别是样品与不同化学成分显示独特的特征波长的吸光度的结果由于其官能团(10]。因此,定量研究样品的化学成分,食品质量的识别和检测,检测信息的可视化表达可以通过分析实现的图像和光谱数据获取11]。高光谱图像包含丰富的数据信息。每个像素在一个二维图像包含成千上万的波长的光谱信息。高光谱技术可以实现同时消除共线性和完整的信息采集,这是不可能在传统的光谱方法(12]。结合化学计量学、智能算法、高光谱技术等等,可以想象的内部和外部信息样本(13),可以无损、准确地确定组件,内容、状态和空间分布的样本14]。鉴于这些优点,该技术已广泛应用于无损质量检测领域的食物如蔬菜(15)、水果(16)、海鲜(17)、牛奶(18),蜂蜜19),等等。20.]。特别是,这项技术已收到相当大的肉质量的关注,安全,和真实性。他们的应用程序包括量化的掺杂水平而成的切碎的羔羊肉和猪肉(21),马肉掺假检测在绞碎的牛肉22),检查明胶与虾和蟹掺假掺杂仿蟹肉主要基于鱼肉酱(23,24]。因为在高光谱数据的大量信息,目前,这通常探测技术结合统计算法(25的基础上,有效的数据降维处理(26),实现高效的定量分析和识别产品的质量(27,28]。

在这项研究中,water-adulterated鲑鱼的高光谱图像和光谱信息。然后,实现了数据降维主成分分析(PCA)。纹理信息、颜色信息和feature-wavelength光谱数据提取的主成分图像,为建立一个SOM-based water-adulterated鲑鱼质量识别模型。

2。材料和方法

2.1。材料

鲑鱼样品,2厘米××1厘米1厘米,沃尔玛超市买来的大连,中国。样品是新鲜的肉没有皮肤和骨头。六十样本不同的鲑鱼部件(腹部和背部)干在105°C到烤箱的恒重含水量的决心。鲑鱼样品的含水量范围从64到大约73%,标准偏差为0.048。然后,鲑鱼,存储在一个冰箱在4°C,被送往实验室。在测试之前,鲑鱼被注射一定量的水。发现注入上限为0.6毫升如果渗水,颜色变化,和纹理变化的样品不能被肉眼观察到。因此,根据注入量,鲑鱼样本分为四组:第一个是鲑鱼没有注水;第二个是鲑鱼在0 - 0.2毫升(少量)的水注入;第三是鲑鱼与0.2 - -0.4毫升(适度)的水注入; and the fourth was salmon with 0.4–0.6 mL (large amount) of water injected. One-hundred samples were used for the model building, of which 60 samples were used as the modeling set and 40 samples were used as the prediction set. Each group of the modeling set included 15 samples, and these were numbered to be 1–15, 16–30, 31–45, and 46–60, respectively. Each group of the prediction set included 10 samples, and these were numbered to be P1–P10, P11–P20, P21–P30, and P31–P40, respectively.

2.2。高光谱数据采集

高光谱数据的获得与高光谱成像系统(四川Dualix光谱图像技术有限公司)。系统主要由图像-λ-V10E-LU-enhanced vis-near-infrared高光谱相机,光谱仪,卤素光源和电子控制移动平台。可用的光谱范围是379 - 1038 nm。取得的不失真、真实和清晰的高光谱图像数据,实验参数设置如下:光谱分辨率为2.8 nm,曝光时间是10毫秒,目标距离是50厘米,移动平台的速度是5毫米/秒,光谱采样点直径0.65 nm,波长379 - 1038纳米的范围。

2.3。高光谱图像校正

减少照明和相机暗电流之间的差异在不同的样本,我们进行收购前的黑白板校正所有光谱图像(29日]。详细,白色图像校准W(反射率接近100%)首次通过扫描一个标准白色校准板。然后,所有光源和镜头被关闭收集黑色图像校准D(反射率接近0%)。原始高光谱图像可以纠正如下(30.]: 在哪里R代表了纠正高光谱图像;R₀代表原始高光谱图像;W代表了白色校准图像;和D代表了黑人校准图片。

2.4。提取的光谱数据和数据降维

一个地区50×50像素的大小²鲑鱼图像中被选为感兴趣的区域(ROI)提取和分析的光谱,这幅图像的纹理和颜色特征。在此基础上,建立了鲑鱼质量检测的预测模型。一个3×3像素²平滑窗口选择光滑的平均光谱资料Savitzky-Golay (SG)方法去除高频噪声,提高信噪比(31日]。因为被hyperspectra收购的数据量大,我们应用主成分分析方法来降低高光谱数据的维数(32]。特征值和前六个主成分的累积贡献率计算图像。根据这六个主成分图像的成像质量,其中一个图片是筛查进一步分析(33]。

主成分图像是原始图像在不同波长的线性组合。图像的系数在一个特定的波长是所谓的加权系数。局部极值的加权系数表明,高光谱图像在这个波长有巨大的贡献率主成分图像(34,35),和相应的波长将被选择作为一个特征波长进行后续研究。

v4.7的环境系统(研究系统,Inc .)、博尔德有限公司美国)来提取ROI和相应的平均光谱资料和分析图像的主成分。MATLAB 2012 (MathWorks公司,纳蒂克,妈,美国)软件用于SG平滑。

2.5。纹理特征

灰度同现矩阵是一个矩阵像素距离和角度的函数。通过计算两个像素的灰度值之间的相关性有一定距离和方向的图像,可以获得全面的高光谱图像的纹理信息方面的方向,间隔、振幅、速度(36]。假设是water-adulterated鲑鱼的高光谱图像,图像大小的和Nr的灰度,高光谱灰度同现矩阵同意某种空间关系可以建立如下(37,38]: 在哪里表示集合中元素的数量x,是一个矩阵。假设两个像素之间的距离大马哈鱼高光谱图像两个像素之间的差异角度和水平轴 ,灰度同现矩阵可以获得不同的距离和角度(39]。本文四个方向的同现矩阵0°、45°、90°、135°计算中心像素的距离值。对比(CON)、相关(天哪),熵(ENT)、能源(烯)和角二阶矩(ASM)这四个方向的ROI提取,和平均值计算water-adulterated鲑鱼的纹理特征识别模型(40]。并给出了计算过程如下:

2.6。颜色矩特征

颜色矩方法通过颜色值来衡量图像之间的区别。基于颜色的图像特征的时刻可以表达颜色值的分布图像。大量的统计实验证明,图像的颜色分布信息可以通过相应的低阶的时刻表达清楚(41]。因此,第一,二阶的时刻鲑鱼的高光谱图像的颜色特征提取并用作water-adulterated鲑鱼识别模型: 在哪里高光谱图像的一阶颜色时刻,代表颜色的平均值;代表一个像素的亮度值 。 对应于图像的像素总数: 在哪里代表了高光谱图像的一阶颜色时刻,反映了图像的像素值的标准偏差。

2.7。建模的识别掺假

鲑鱼掺假的识别模型建立了基于自组织特征映射(SOM)。这个模型由两层神经元:上层是输出层和较低的层的输入层。输入层节点实际上是一个二维矩阵(42]。每个节点代表一个神经元(43]。特征光谱(光谱值)与颜色矩特征,纹理特征,和颜色,纹理特征作为模型的输入,分别;输入层中的每个神经元彼此连接在输出层神经元通过重量。与不同的输入模型相比,四十大马哈鱼样本作为一套预测模型具有最佳性能的识别。另一方面,在输出层神经元包括四个节点,分别对应于样品没有水注入,用少量的水,用适量的水,大量的水。这个模型的拓扑功能是“hextop”,“linkdist”功能的距离,和设定的迭代次数是1000次。

3所示。结果与讨论

3.1。分析高光谱特性识别的鲑鱼掺假

图1(一)显示了鲑鱼的平均光谱资料样本。这些概要文件的鲑鱼与不同的水注入大量表现出相似的形状和趋势。随着水的注入量,不同波长的光谱值增加。两个明显的吸收光谱在400 - 600海里观察,可能由于大G(绿色)和B(蓝色)值在样品的表面44,45]。另一个吸收带是观察到900 - 1000 nm。根据文献,这个乐队在970 nm对应于地的伸缩振动,与水有关的样品(46]。原来的平均光谱资料包含许多噪音,这有很大的负面影响在光谱维数降低及特征提取的准确性(47]。因此,SG平滑用于去除噪音,和去噪概要图所示1 (b)。大部分的概要文件被成功平滑,波形没有改变或扭曲。然而,部分噪音的范围388 - 400和1000 - 1045 nm,由于仪器的精度较低,无法消除。因此,以下的研究只集中在光谱和图像在400 - 1000海里。

3.2。选择的特征图像

光谱资料的分析后,图像在400 - 1000纳米的范围与PCA方法治疗,并获得了6个主成分作为输出每个波长(48]。例如,主成分特征值和贡献率样本包含的特征波长的0.3毫升的水如表所示1。特征值PC1 PC2都大于1。的累积贡献率PC1 PC2 85.2%和96.0%,分别。前两个主成分的累积贡献率超过90%图像,表明这些主成分图像可以代表大部分样品的信息。图2显示了前六个主成分图像的样本。前三个主成分图像清晰,最后三个包含许多噪音,没有特征的分析和提取。然而,第一主成分图像的亮度太高识别水注入量。第二主成分图像表现出明显的肌肉纹理,和注射区域的灰度值高于其它地区。总之,图像PC2可以用于图像特征的分析和提取。图3显示了鲑鱼的第二主成分图像样本有不同的水注入。注射区域的灰度值在很大程度上减少与水注入量的增加,显示的响应图像中注水PC2表示了像素灰度值较低。因此,注射区域的图像颜色和纹理变化不同的水注入。

3.3。选择的特征波长

特征图像的权重系数(PC2)的鲑鱼和样品0,0.2,0.4,和0.6毫升的水注入见图4。观察局部极值加权系数的值为454.9,512.3,和569.1 nm,表明这三个波长贡献更多的PC2图像和包含大部分的特征信息。因此,这三个波长选择的特征波长光谱提取。提取的光谱作为输入建立鲑鱼掺假的识别模型。

3.4。为识别建模Water-Adulterated鲑鱼

3.4.1。Water-Adulterated鲑鱼基于颜色的识别模型矩特性和光谱特性

第一,二阶颜色时刻的特点和特征波长的光谱值(454.9,512.3,和569.1海里)60鲑鱼样本提取和标准化。归一化数据被用作SOM网络的输入(49)建立识别模型,water-adulterated鲑鱼。聚类结果可视化,见图5(一个)。六边形代表竞争神经元,蓝色的代表获胜神经元。获胜神经元的数量是掺假的鲑鱼的数量样品,和标记的神经元数量代表了这种类型的样本数量。图5(一个)表明,颜色的组合特性的时刻和光谱特征波长值,SOM网络的聚类属性功能,将样本分为四类。神经元1 - 4包含18日,15日,17日和10个样本,分别。根据识别结果表2,我们可以发现两个样本在第二类错误归类为第一类;5个样品在第二类错误分类为第三类;在第三类和八个样本被误诊为第二类。总识别准确率为75%。

图5 (b)表明重量邻近的神经元之间的距离。神经元之间的颜色块节点代表神经元权重向量之间的距离。颜色越深,距离就越大。神经元集群之间的块3(没有水注入)和集群神经元2(0.4 - -0.6毫升的水注入)是最深的颜色,这是符合事实,肉的颜色改变了水注入量的增加。

3.4.2。Water-Adulterated鲑鱼基于纹理特征的识别模型和光谱特性

纹理特性(对比、相关、熵、能量、和角二阶矩)和特征波长的光谱值(454.9,512.3,和569.1海里)60鲑鱼样本提取和标准化。归一化八特征向量集作为输入的SOM网络,建立了water-adulterated鲑鱼和SOM-based识别模型。

聚类结果可视化,并呈现在图6(一)。纹理特征和光谱特征波长值,SOM网络的聚类属性功能,将样本分为四类。16个神经元1 - 4包含20日,11日,和13个样本,分别。如表所示3在第二类,一个样本被误诊成第一类;第三类是分类错误的样本之一为第二类;两个样品在第二类别和五个样品在第四类别被错误归类为第三类;和一个示例的第三类错误归类为第四类。总识别准确率为83.3%。

图6 (b)表明重量邻近的神经元之间的距离。神经元2和4是最接近,表明纹理和光谱特性不同神经元2中的集群(第一类,没有水注入)和集群神经元4(第二个类别,0 - 0.2毫升的水注入)是最小的。另一方面,神经元2和3的最远距离,证明纹理特征区别神经元集群在神经元集群2和3(第四类,0.4 - -0.6毫升的水注入)是最大的,这是按照质改变随着注入水量的增加趋势。

3.4.3。Water-Adulterated鲑鱼基于纹理特征的识别模型,颜色力矩特性和光谱特性

纹理特性(对比、相关、熵、能量、和角二阶矩),颜色矩特征(第一,二阶),和特征波长的光谱值(454.9,512.3,和569.1海里)60鲑鱼样本提取和标准化。归一化十特征向量集作为输入的SOM网络,建立了water-adulterated鲑鱼和SOM-based识别模型。

图7(一)表明颜色的组合力矩特性,纹理特征,特征波长的光谱值,SOM网络的聚类属性功能,将样本分为四类。神经元1 - 4包含14,16日,15日和15个样本,分别。如表所示4样本之一,第二类是被误诊为第一类和第三类中的一个样本被误诊为第二类。总识别准确率为96.7%。

通过SOM网络的自组织竞争,体重邻近的神经元之间的距离被量化,如图7 (b)。神经元2和4是最接近,表明质地,颜色,和光谱特性不同集群神经元2(第一类,没有水注入)和集群神经元4(第二个类别,0 - 0.2毫升的水注入)是最小的。另一方面,神经元2和3的最远距离,证明的特性区别神经元集群在神经元集群2和3(第四类,0.4 - -0.6毫升的水注入)是最大的,这是按照纹理,变色注入水量的增加趋势。

根据识别准确率,模型基于纹理特征,颜色矩特征,光谱特征识别(表的最佳性能4)。因此,四十大马哈鱼样本作为预测模型。如表所示5,预测的准确率为95%。与模型组相比,略减少歧视的准确性。它表明,模型基于上述三个特征具有更好的鲁棒性和识别精度。

4所示。结论

无损检测方法是基于高光谱技术开发的鲑鱼掺假。鲑鱼的高光谱图像样本的波长范围390 - 1050 nm。六个主成分图像的高光谱图像在400 - 1000纳米波长范围通过PCA方法提取。PC2形象被选为特征的形象,和三个特征波长(454.9,512.3,和569.1海里)选择根据图像特征的权重系数(PC2)。颜色矩特征(第一,二阶),纹理特征(对比、相关、熵、能量、和角二阶矩),并提取特征波长的光谱值SOM-based鲑鱼掺假识别模型的建立。颜色矩特征结合光谱特征波长值,纹理特征结合光谱特征波长值,和彩色纹理特征结合特征波长的光谱值分别选为模型的输入。SOM-based模型结果表明,彩色纹理特征结合光谱特征波长作为输入值,在预测最佳的性能。识别建模集和预测集的准确率分别为96.7%和95%。在这项工作的理论和实验基础,鲑鱼掺假快速无损鉴别技术和仪器将会进一步发展。

数据可用性

高光谱数据用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了中国国家重点研究和开发项目(2018 yfd0700905),中国国家自然科学基金(31701696)、创新支持计划的高层次人才达丽安(2017 rq128)和辽宁省的科技项目(201602055,201602055,20180550454)。

引用

1. t·a·森r . Vandongen l . J贝林诉伯克,J . Morris和J·里奇,“不同膳食脂肪的影响,鱼和鱼油对血脂随机对照试验中男性心脏病的风险,”美国临床营养学杂志》上卷,59号5,1060 - 1068年,1994页。视图:出版商的网站|谷歌学术搜索
2. 林臧x, z, t . Zhang et al .,“非破坏性测量水和脂肪含量、水动力学在干燥和掺假检测完整的小黄鱼的低场核磁共振,”食品杂志》的测量和表征,11卷,不。4、1550 - 1558年,2017页。视图:出版商的网站|谷歌学术搜索
3. f . j . p . Elortondo m . Albisu m·奥赫达,j . Salmeron Etayo, m·莫利纳,“食品质量认证:一种方法发展的认可的感官评价方法,”食品质量和偏好,18卷,不。2、425 - 439年,2007页。视图:出版商的网站|谷歌学术搜索
4. Samarajeewa, a·c·森·m·d·科恩和c i,“排毒食品和饲料中黄曲霉毒素的物理和化学方法,”《食品保护,53卷,不。6,489 - 501年,1990页。视图:出版商的网站|谷歌学术搜索
5. k·l·皮尔斯k . Rosenvold h·j·安德森和d·l·霍普金斯,“水分布和流动在肉的转换肌肉肉和老化,影响鲜肉质量属于审查,”肉类科学,卷89,不。2、111 - 124年,2011页。视图:出版商的网站|谷歌学术搜索
6. w•蒂莫西·n·加文·b·克莱尔a Waltho, a . Alroichdi伯恩斯,“可行性研究应用光谱成像小麦谷物真实性测试面,“食品和营养科学,7卷,不。5,355 - 361年,2016页。视图:出版商的网站|谷歌学术搜索
7. f .汉黄x e . Teye h .顾h·戴和l .姚明,“无损方法鱼新鲜的决心与电子舌结合线性和非线性多变量算法,”捷克食品科学杂志》上,32卷,不。6,532 - 537年,2014页。视图:出版商的网站|谷歌学术搜索
8. d . w . j . h . Cheng太阳,x a .曾和h . b .聚氨酯“无损、快速测定TVB-N内容新鲜度评价草鱼(Ctenopharyngodon idella)高光谱成像,”创新食品科学和新兴技术,21卷,不。4、179 - 187年,2014页。视图:出版商的网站|谷歌学术搜索
9. m . Kamruzzaman郑胜耀牧野,s . Oshita“快速、非破坏性检测绞碎的牛肉鸡肉掺假的使用可见近红外光谱成像和机器学习,”《食品工程,卷170,不。7,地位,2016页。视图:出版商的网站|谷歌学术搜索
10. j . h . Cheng和d . w .太阳,“快速量化分析和可视化的大肠杆菌加载在草鱼鱼肉高光谱成像方法,”食品和生物处理技术,8卷,不。5,951 - 959年,2015页。视图:出版商的网站|谷歌学术搜索
11. h . Pu, d . w .太阳,j . Ma和j . h . Cheng”分类的新鲜和frozen-thawed猪肉肌肉使用可见光和近红外光谱成像和结构分析,“肉类科学卷,99年,第88 - 81页,2015年。视图:出版商的网站|谷歌学术搜索
12. f . a . Mianji y张,a . Babakhani”通过空间谱高光谱图像数据融合的关键信息检索,“无线电工程,19卷,不。4、186 - 193年,2010页。视图:谷歌学术搜索
13. 李t、h·梅和p .琮、“结合非线性定量构效关系,请与数值遗传算法”化学计量学和智能实验室系统,45卷,不。1 - 2、177 - 184年,1999页。视图:出版商的网站|谷歌学术搜索
14. d . w . j . h . Cheng太阳,h .聚氨酯”结合遗传算法和连续投影算法对特征波长的选择评估渗出性特点frozen-thawed鱼肌肉,”食品化学卷,197年,第863 - 855页,2016年。视图:出版商的网站|谷歌学术搜索
15. h . Min x Wan, z . Min,问:朱,“insect-damaged蔬菜检测大豆使用高光谱透射率的形象,“《食品工程,卷116,不。1,45-49,2013页。视图:出版商的网站|谷歌学术搜索
16. k . j . Wang说,大桥,y日本久保田公司,k . Takizawa y .佐佐木,“检测外部虫害的枣果用高光谱反射成像,”生物系统工程,卷108,不。4、345 - 351年,2011页。视图:出版商的网站|谷歌学术搜索
17. 黄永发。程,D.-W。太阳,H.-B。聚氨酯,Q.-J。王,Y.-N。陈”,适用性高光谱成像快速评估的硫代巴比土酸(稍后通知)值在草鱼(Ctenopharyngodon idella)角,“食品化学,卷171,不。4、258 - 265年,2015页。视图:出版商的网站|谷歌学术搜索
18. s . r . m .黄m . s . Kim Delwiche et al .,“定量分析三聚氰胺的奶粉使用近红外光谱成像和乐队比,”《食品工程卷。181年,10 - 19,2016页。视图:出版商的网站|谷歌学术搜索
19. g .集市r . Romvari萨博,t·索莫吉氏v . el和r . Tsenkova“近红外光谱检测蜂蜜掺假揭示水光谱模式的差异,“食品化学卷,194年,第880 - 873页,2016年。视图:出版商的网站|谷歌学术搜索
20. j·b·李x问:饶,y . b .应“推进应用高光谱成像无损检测农产品外部质量,”光谱和光谱分析没有,卷。31日。8,2021年,页2011。视图:谷歌学术搜索
21. m . Kamruzzaman d . w .太阳,g . ElMasry p·艾伦,”而成的切碎的羔羊肉掺假的快速检测和可视化使用近红外光谱成像和多元图像分析,“Talanta,卷103,不。2、130 - 136年,2013页。视图:出版商的网站|谷歌学术搜索
22. s . m . Kamruzzaman y牧野,Oshita, s .刘”的评价可见近红外光谱成像作为检测工具在切碎的牛肉、马肉掺假”食品和生物处理技术,8卷,不。5,1054 - 1062年,2015页。视图:出版商的网站|谷歌学术搜索
23. w . Di,回族,h, x,, y,“潜在的高光谱成像和多变量分析快速和非侵入性检测明胶掺假的虾,”《食品工程,卷119,不。3、680 - 686年,2013页。视图:出版商的网站|谷歌学术搜索
24. g .哈维尔·a·黑尔,和s·m·布兰查德”定量分析和检测掺假的蟹肉使用可见光和近红外光谱,”农业与食品化学杂志》上,54卷,不。4、1130 - 1136年,2006页。视图:出版商的网站|谷歌学术搜索
25. d . Manolakis和g·肖,”检测算法对于高光谱成像的应用程序,“IEEE信号处理杂志,19卷,不。1,29-43,2002页。视图:出版商的网站|谷歌学术搜索
26. b . Mojaradi h . Abrishami-Moghaddam m . j . v . Zoej和r·p·w·Duin”通过光谱特征提取的高光谱数据降维,”IEEE地球科学和遥感卷,47号7,2091 - 2105年,2009页。视图:出版商的网站|谷歌学术搜索
27. c . i . Chang和h .任“experiment-based定量和比较分析的高光谱图像目标检测和图像分类算法,”IEEE地球科学和遥感,38卷,不。2、1044 - 1063年,2000页。视图:出版商的网站|谷歌学术搜索
28. 朱y赵、张c, s, p .高,l .冯和y,他“无损、快速的各种歧视和可视化的单一葡萄籽使用近红外光谱成像技术和多变量分析,“分子,23卷,不。6,1352年,页2018。视图:出版商的网站|谷歌学术搜索
29. d . w . j . h . Cheng太阳,h . b . Pu et al .,“集成分类器的分析和光谱成像快速歧视的新鲜冷藏和frozen-thawed鱼片,“《食品工程,卷161,不。6,33-39,2015页。视图:出版商的网站|谷歌学术搜索
30. h .太阳,t .郑:刘,m . Cheng m·李和张问:“马铃薯植物中叶绿素的垂直分布,基于高光谱成像,”中国农业工程学会的事务,34卷,不。1,第156 - 149页,2018。视图:谷歌学术搜索
31. j .谢t·潘j . m . Chen h . z . Chen和x h .任“联合优化savitzky-golay平滑模型和偏最小二乘法因子血清葡萄糖的近红外光谱分析,“中国《分析化学(中国版),38卷,不。3、342 - 346年,2010页。视图:出版商的网站|谷歌学术搜索
32. b . m .明智的n . l .草垛d·f·Veltkamp和b·r·科瓦尔斯基”。理论依据主要组件模型的使用监控多元过程,”过程控制和质量,1卷,不。1,1990。视图:谷歌学术搜索
33. t . Lei, y风扇和y王”的彩色边缘检测的基础上,融合色调组件和主成分分析,“专业图像处理,8卷,不。1,但不心浮气躁;年龄页。2014。视图:出版商的网站|谷歌学术搜索
34. x贾和j·a·理查兹,”分段主成分转换为有效的高光谱遥感图像显示和分类,“IEEE地球科学和遥感,37卷,不。1,第542 - 538页,1999。视图:出版商的网站|谷歌学术搜索
35. w·侯,j . Wang x, j·s·里德和d·汉”,气溶胶的高光谱遥感算法:1。发展的理论框架。”《定量光谱和辐射传输卷,178年,第415 - 400页,2016年。视图:出版商的网站|谷歌学术搜索
36. 冠军,日尔曼,j·p·d·科斯塔a . Alborini和p . Dubois-Fernandez”检索不同林分年龄从SAR图像纹理的距离和方向值的灰度共生矩阵法,“IEEE地球科学和遥感信,11卷,不。1,5 - 9,2013页。视图:出版商的网站|谷歌学术搜索
37. s . n . Ondimu和h . Murase probability-distance效应在生物成像、马尔可夫链的纹理提取基于歧视”计算机和电子产品在农业,卷63,不。1到12,2008页。视图:出版商的网站|谷歌学术搜索
38. b .公园,k·c·劳伦斯,w·r·温德姆y . r . Chen和k .曹国伟,“判别分析的双波长光谱图像分类家禽的尸体,“计算机和电子产品在农业,33卷,不。3、219 - 231年,2002页。视图:出版商的网站|谷歌学术搜索
39. o . Sertel j .香港h·什美国诉Catalyurek, j·h·萨尔兹,和m . n . Gurcan“计算机辅助神经母细胞瘤的预后整场幻灯片图片:基质分类开发,“模式识别,42卷,不。6,1093 - 1103年,2009页。视图:出版商的网站|谷歌学术搜索
40. r . m . Haralick“统计纹理和结构的方法,”IEEE学报》,卷67,不。5,786 - 804年,2005页。视图:出版商的网站|谷歌学术搜索
41. 问:朱、黄m . r . Lu, f·门多萨,“分析高光谱散射图像使用矩法对苹果坚定预测,“交易的ASABE卷,57号1,第83 - 75页,2014。视图:出版商的网站|谷歌学术搜索
42. e .努诺·r·奥尔特加l . Basanez d·希尔,”同步的网络不恒等的欧拉系统不确定参数和通信延迟,”IEEE自动控制卷,56号4、935 - 941年,2011页。视图:出版商的网站|谷歌学术搜索
43. h .唱歌,a·e·盖尔芬德c .林纳德g . Hegerl称b款,“解释通过时空数据模型、自组织映射”应用统计年鉴,卷2,不。4、1194 - 1216年,2008页。视图:出版商的网站|谷歌学术搜索
44. s . Atilgan z Ekmekci, a·l·杜根d . Guc和欧盟Akkaya“水溶性distyryl-boradiazaindacenes作为光动力治疗有效的敏化,“化学通讯,42卷,第4400 - 4398页,2006年。视图:出版商的网站|谷歌学术搜索
45. 拜仁,x, e·塞戈维亚z,公元前和凯利,“分析选择抗生素表面淡水和海水中使用直接注入液相色谱电喷雾电离串联质谱,”杂志的色谱,卷1338,不。5日,中山,2014页。视图:出版商的网站|谷歌学术搜索
46. k . j . Zuzak s c·奈克,g . Alexandrakis d·霍金斯k . Behbehani和e·利文斯顿,”术中胆管可视化使用近红外高光谱影像成像,”美国外科杂志》,卷195,不。4、491 - 497年,2008页。视图:出版商的网站|谷歌学术搜索
47. 周y s . g .戴j . Lu t·b·刘,y,“光谱预处理对近红外光谱快速检测葡萄酒的酒精,”光电工程,38卷,不。4,54-58,2011页。视图:谷歌学术搜索
48. h·丽安”,支持向量机对特征选择与主成分分析看到下面成了,“模式识别的字母,33卷,不。9日,第1031 - 1027页,2012年。视图:出版商的网站|谷歌学术搜索
49. R .玛雅c . m . Eliason p p . Bitton s . m . Doucet和m . d . Shawkey“孔雀座:R包进行分析,可视化和光谱颜色数据的组织,”生态学与进化方法,4卷,不。10日,906 - 913年,2013页。视图:出版商的网站|谷歌学术搜索

版权

版权©2018道Zhang et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。