蝦仁新鮮度檢測(cè)是保證食品質(zhì)量和安全的重要環(huán)節(jié)。不新鮮的蝦仁可能存在細(xì)菌感染、食品中毒等風(fēng)險(xiǎn)，嚴(yán)重影響消費(fèi)者的健康。傳統(tǒng)的蝦仁新鮮度檢測(cè)方法主要依賴于人工觀察和經(jīng)驗(yàn)判斷，存在局限性和不足之處。

而高光譜相機(jī)在蝦仁新鮮度檢測(cè)中具有一系列的優(yōu)勢(shì)。高光譜相機(jī)能夠準(zhǔn)確測(cè)量蝦仁的光譜信息，從而評(píng)估其新鮮程度。高光譜相機(jī)可以對(duì)蝦仁的外觀特征、顏色變化、紋理和水含量等進(jìn)行全面的分析，準(zhǔn)確判斷蝦仁的品質(zhì)。高光譜相機(jī)具有高速度、高精度、非接觸性的特點(diǎn)，可以大大提高生產(chǎn)線的效率和檢測(cè)的準(zhǔn)確性。

　　本研究應(yīng)用了400-1000nm的高光譜相機(jī)，可采用廣東賽斯拜克科技有限公司產(chǎn)品SP130M進(jìn)行相關(guān)研究。光譜范圍在400-1000nm，波長(zhǎng)分辨率優(yōu)于2.5nm，可達(dá)1200個(gè)光譜通道。采集速度全譜段可達(dá)128FPS，波段選擇后最高3300Hz（支持多區(qū)域波段選擇）。高光譜相機(jī)能夠同時(shí)獲取被測(cè)物體的空間信息和光譜信息，具有高分辨率和高光譜信息的特點(diǎn)。這一技術(shù)已被廣泛應(yīng)用于農(nóng)業(yè)、環(huán)境、食品等領(lǐng)域。在蝦仁新鮮度檢測(cè)方面，高光譜相機(jī)具有無(wú)損、快速、準(zhǔn)確的優(yōu)點(diǎn)，為蝦仁新鮮度檢測(cè)提供了新的解決方案。

　　在實(shí)際應(yīng)用中，高光譜相機(jī)已經(jīng)成功應(yīng)用于蝦仁新鮮度檢測(cè)。通過(guò)對(duì)蝦仁進(jìn)行高光譜成像，可以實(shí)時(shí)獲取蝦仁的光譜、顏色和紋理等信息，進(jìn)而判斷蝦仁的新鮮度。高光譜相機(jī)還可以和數(shù)據(jù)分析軟件結(jié)合使用，進(jìn)行大數(shù)據(jù)處理和模式識(shí)別，實(shí)現(xiàn)更精確和可靠的蝦仁新鮮度檢測(cè)。

　?。?）應(yīng)用可見(jiàn)/短波近紅外高光譜成像技術(shù)實(shí)現(xiàn)了蝦仁質(zhì)構(gòu)參數(shù)和色澤參數(shù)的快速無(wú)損檢測(cè)及其可視化分布。冷藏期間，分別采用質(zhì)構(gòu)儀和色差計(jì)測(cè)定蝦仁樣本的 TPA 質(zhì)構(gòu)特性（硬度、彈性、恢復(fù)性、膠著性、咀嚼性和粘聚性）和色澤變化 （L、a和 b*）。優(yōu)選出最佳光譜預(yù)處理方法對(duì)蝦仁樣本的平均光譜進(jìn)行去噪，再采用SPA 算法提取出光譜特征波長(zhǎng)。然后分別結(jié)合線性的偏最小二乘回歸（PLSR），非線性的RBF人工神經(jīng)網(wǎng)絡(luò)（RBF-NN）和最小二乘支持向量機(jī)（LS-SVM）對(duì)訓(xùn)練集樣本建立特征波長(zhǎng)與L*、a"、b*、硬度、彈性、恢復(fù)性、膠著性、咀嚼性和粘聚性的相關(guān)性模型，再對(duì)預(yù)測(cè)集樣本的相關(guān)參數(shù)值進(jìn)行預(yù)測(cè)。結(jié)果表明：

　?。╝）冷藏期間，蝦仁樣本的色澤參數(shù)隨冷藏時(shí)間的延長(zhǎng)呈現(xiàn)一定的變化規(guī)律。對(duì)于蝦仁色澤參數(shù) L，a，b的最優(yōu)預(yù)處理方法分別是SNV，SNV和S-G平滑。應(yīng)用SPA算法從預(yù)處理光譜提取色澤參數(shù)的特征波長(zhǎng)。三種參數(shù)的特征波長(zhǎng)模型中，RBF-NN 的結(jié)果較差，且存在過(guò)擬合現(xiàn)象。PLSR與LS-SVM模型的結(jié)果較為相近。其中 L-LS-SVM模型的預(yù)測(cè)集R和RMSEP分別為 0.88 和 0.716; b-LS-SVM模型的預(yù)測(cè)集R和RMSEP分別為0.85 和0.685:a -LS-SVM模型的預(yù)測(cè)集效果略差，R為0.71,RMSEP為0.450;

　?。╞）（b）冷藏期間，蝦仁樣本的硬度、彈性、恢復(fù)性、膠著性、咀嚼性、粘聚性隨冷藏時(shí)間的延長(zhǎng)呈現(xiàn)一定的變化規(guī)律。彈性、恢復(fù)性和咀嚼性的最優(yōu)建模數(shù)據(jù)均為原始光譜而硬度、膠著性和粘聚性的最優(yōu)預(yù)處理方法分別為MSC、SNV 和MSC。基于預(yù)處理光譜，用SPA 算法分別提取硬度、彈性、恢復(fù)性、膠著性、咀嚼性、粘聚性的特征波長(zhǎng)。通過(guò)比較硬度、膠著性和咀嚼性的特征波長(zhǎng)模型，RBF-NN模型存在過(guò)擬合現(xiàn)象LS-SVM的建模與預(yù)測(cè)結(jié)果均為最優(yōu)。其中硬度LS-SVM 模型的預(yù)測(cè)集R和RMSEP分別為0.81 和0.402,膠著性LS-SVM模型的預(yù)測(cè)集R和RMSEP分別為0.80 和0.163咀嚼性LS-SVM模型的預(yù)測(cè)集 R和RMSEP分別為 0.84 和 0.174。對(duì)于彈性、恢復(fù)性和粘聚性，基于三種方法建立的預(yù)測(cè)模型結(jié)果均較差。

我們提供全面的解決方案，包括高光譜相機(jī)設(shè)備、專(zhuān)業(yè)軟件和數(shù)據(jù)分析服務(wù)等。我們的高光譜相機(jī)具有快速響應(yīng)、簡(jiǎn)便易用、高度可靠的特點(diǎn)，可以滿足不同行業(yè)和應(yīng)用的需求。