蝦仁新鮮度檢測是保證食品質量和安全的重要環(huán)節(jié)。不新鮮的蝦仁可能存在細菌感染、食品中毒等風險，嚴重影響消費者的健康。傳統(tǒng)的蝦仁新鮮度檢測方法主要依賴于人工觀察和經驗判斷，存在局限性和不足之處。

而高光譜相機在蝦仁新鮮度檢測中具有一系列的優(yōu)勢。高光譜相機能夠準確測量蝦仁的光譜信息，從而評估其新鮮程度。高光譜相機可以對蝦仁的外觀特征、顏色變化、紋理和水含量等進行全面的分析，準確判斷蝦仁的品質。高光譜相機具有高速度、高精度、非接觸性的特點，可以大大提高生產線的效率和檢測的準確性。

　　本研究應用了400-1000nm的高光譜相機，可采用廣東賽斯拜克科技有限公司產品SP130M進行相關研究。光譜范圍在400-1000nm，波長分辨率優(yōu)于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區(qū)域波段選擇）。高光譜相機能夠同時獲取被測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。這一技術已被廣泛應用于農業(yè)、環(huán)境、食品等領域。在蝦仁新鮮度檢測方面，高光譜相機具有無損、快速、準確的優(yōu)點，為蝦仁新鮮度檢測提供了新的解決方案。

　　在實際應用中，高光譜相機已經成功應用于蝦仁新鮮度檢測。通過對蝦仁進行高光譜成像，可以實時獲取蝦仁的光譜、顏色和紋理等信息，進而判斷蝦仁的新鮮度。高光譜相機還可以和數(shù)據(jù)分析軟件結合使用，進行大數(shù)據(jù)處理和模式識別，實現(xiàn)更精確和可靠的蝦仁新鮮度檢測。

　　（1）應用可見/短波近紅外高光譜成像技術實現(xiàn)了蝦仁質構參數(shù)和色澤參數(shù)的快速無損檢測及其可視化分布。冷藏期間，分別采用質構儀和色差計測定蝦仁樣本的 TPA 質構特性（硬度、彈性、恢復性、膠著性、咀嚼性和粘聚性）和色澤變化 （L、a和 b*）。優(yōu)選出最佳光譜預處理方法對蝦仁樣本的平均光譜進行去噪，再采用SPA 算法提取出光譜特征波長。然后分別結合線性的偏最小二乘回歸（PLSR），非線性的RBF人工神經網絡（RBF-NN）和最小二乘支持向量機（LS-SVM）對訓練集樣本建立特征波長與L*、a"、b*、硬度、彈性、恢復性、膠著性、咀嚼性和粘聚性的相關性模型，再對預測集樣本的相關參數(shù)值進行預測。結果表明：

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

　?。╞）（b）冷藏期間，蝦仁樣本的硬度、彈性、恢復性、膠著性、咀嚼性、粘聚性隨冷藏時間的延長呈現(xiàn)一定的變化規(guī)律。彈性、恢復性和咀嚼性的最優(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)預處理方法分別為MSC、SNV 和MSC?；陬A處理光譜，用SPA 算法分別提取硬度、彈性、恢復性、膠著性、咀嚼性、粘聚性的特征波長。通過比較硬度、膠著性和咀嚼性的特征波長模型，RBF-NN模型存在過擬合現(xiàn)象LS-SVM的建模與預測結果均為最優(yōu)。其中硬度LS-SVM 模型的預測集R和RMSEP分別為0.81 和0.402,膠著性LS-SVM模型的預測集R和RMSEP分別為0.80 和0.163咀嚼性LS-SVM模型的預測集 R和RMSEP分別為 0.84 和 0.174。對于彈性、恢復性和粘聚性，基于三種方法建立的預測模型結果均較差。

我們提供全面的解決方案，包括高光譜相機設備、專業(yè)軟件和數(shù)據(jù)分析服務等。我們的高光譜相機具有快速響應、簡便易用、高度可靠的特點，可以滿足不同行業(yè)和應用的需求。