含茶制品/代用茶检测

       易科泰生态技术公司与International advanced仪器技术公司合作，致力于提供“生态-农业-健康”全面技术方案。公司基于International advanced的Specim高光谱成像技术，结合机器视觉和自动化研发集成，为用户提供多样化、定制化、自动化的在线分选解决方案，实现工业流水线产品的高通量快速分类和实时响应。系统能够与工业流水线、传送带及智能分拣系统结合，基于强大的光谱识别能力和灵活的分类模型，实时输出精准的识别结果，用户无需进行一系列复杂的编码和光谱图像解析工作，即可得到最终结果，显著降低了高光谱成像技术走向市场应用的门槛。

主要特点：

▌SpectraScan光谱成像扫描平台技术，可根据用户使用场景特殊定制适配方案

▌工业级推扫式高光谱成像仪，可选配400-1000nm、900-1700nm、2700-5300nm等波段

▌分类模型训练软件：用户可查看样本数据、训练分类模型、验证分类效果、建立应用程序

▌在线实时分选：高性能数据处理单元，根据分类模型实时运算并在线显示分选结果

▌支持GigE，USB3.0, RS-232/485，CAN接口，可兼容工业流水线下游工序，辅助智能分拣

▌高光谱成像技术通过CE、FCC、RoHS3等国际主流认证

应用案例：

1、开心果品质检测

       坚果的品质通常是根据产品的新鲜度、有无缺陷、螨虫和外来物等污染物来评价的，在开心果的品质控制中，缺陷和异物检测是生产中最重要的环节。

       以往使用的HPLC、GC–MS、IR-MS等方法均存在不能实时检测的弊端。近年来，基于彩色成像（RGB）的机器视觉技术在食品加工过程和品质控制等方面发挥了重要作用，但对螨虫、霉菌以及其他外来物的识别还是存在短板。意大利实验人员将高光谱成像（HSI）技术应用于开心果的品质控制中，对样品的不同理化特征进行定性和定量分析，为食品的品质控制探索更优的策略。

       实验人员随机选取开心果混合物的不同类型特定样本，将99个样品分为6类：可食开心果(23)、不可食开心果(23)、开心果壳(13)、开心果外皮(13)、细枝(13)以及果核(14)。如图1.1左，样本分为训练集(70%)和验证集(30%)两组，首先对原始光谱进行预处理以突显六类光谱的特征差异。

图1.1 左：RGB图(a)、训练集(b)和验证集(c)；右：6类样本在SWIR范围的平均(a)和预处理(b)反射光谱

       通过主成分分析(PCA)、应用多变量分类方法的不同分类模型对训练数据集进行训练，训练结果如下图1.2左所示，其中CART预测图与PCA-kNN的结果相似，获得了非常好的分类结果，优于PLS-DA和PCA-DA获得的结果。使用不同分类模型对验证数据集进行预测，结果如图1.2右所示，模型均正确识别了石子，PLS-DA和PCA-DA预测图相似，显示了相同的错误分类区域，而CART模型预测图的特点是错误分类像素更分散。PCA-kNN预测图显示出最佳的结果，单一类别的错误分类区域非常少。

图1.2 左（a、b、c、d）为训练结果；右（a、b、c、d）为预测结果

       结果表明，基于SWIR波段的高光谱成像技术为开心果品质监测和控制提供了良好的方法，在工业应用的离线或实时检测场景中具有广阔前景。

2、花草茶无损品质检测评估

       随着消费者对健康关注度的增加，花草茶的消费量也正逐步增加。花草茶是由两种或多种植物物种基于改善口味并增加健康益处的目的混合而成。与其他食品或保健品一样，花草茶的品质控制(QC)对于确保食品安全和保健效果非常重要。

       传统品质控制方法，如高效液相色谱法(HPLC)和质谱法(MS)，具有高重复性和准确度，但耗时且具有破坏性，在含有多种原料的情况下，还需要单独检测每种成分，更加耗时耗力。在本研究中，高光谱成像技术作为一种快速且无损地将传统的光谱学和数字成像相结合的方法来对花草茶品质进行评价和控制。

       茨瓦尼科技大学研究人员使用SWIR高光谱成像采集了购买自Parceval Pty公司的原料(S.tortuosum和C.genistoides)和五批花草茶混合物(Honeybush-Sceletium)的高光谱图像。在没有相关化学知识的背景下，对两种原料进行了全面无损的区分，主成分分析(PCA)显示S.tortuosum和C.genistoides 原料之间存在54.2%的化学成分差异。

图2.1  a)两种茶原料；b)PC1；c)两种茶叶的不同像素簇散点图(t1 vs t2)

       在花草茶快速无损的识别和成分量化中，基于PCA校准模型开发了PLS-DA模型，如图2.2左所示，测试集结果与PCA类似，观察到两个分离的像素簇，得出了52.8%的化学成分差异，相应的Y-图像显示在散点图旁边，说明纯净的原料被100%分类。图2.2右为预测集的RGB图像和预测结果，其中包括两个外部测试集样本和五批花草茶混合物，结果证实了该模型可以准确预测茶混合物成分的特性，预测花草茶混合物仅包含S.tortuosum和C.genistoides两种原料，并定量预测C.genistoides为主要成分(含量>97%)，而S.tortuosum的含量较低(<3%)，量化结果接近该公司规定的C.genistoides=96%和S.tortuosum=4%的标准配方。实验结果表明在凉茶混合物等食品药品的品质评估方面，高光谱成像技术具有良好潜力。

图2.2  左：a) PLS-DA 散点图及得分；b) S. tortuosum 和 C. genistoides 的平均光谱差异。右：预测集样本的可视化，a) RGB 图像；b) 基于PLS-DA模型的类预测

易科泰生态技术公司基于SpeatrAPP光谱成像创新应用技术，为食品及中药材分选与质量控制、种子种苗分捡、工业流水线在线分拣、废弃物回收利用、生产线质量控制、机器视觉应用以及其他高通量应用领域提供定制化光谱成像解决方案。

由左到右依次为花生霉变分捡、肉品分拣（猪肉、牛肉、羊肉）、苹果糖度检测（易科泰光谱成像实验室提供）

参考文献：

[1] Bonifazi G , Capobianco G , Gasbarrone R , et al. Contaminant detection in pistachio nuts by different classification methods applied to short-wave infrared hyperspectral images[J]. Food Control, 2021, 130(26):108202.

[2] A M S , A W C , B I V A , et al. Non-destructive quality assessment of herbal tea blends using hyperspectral imaging - ScienceDirect[J]. Phytochemistry Letters, 2018, 24:94-101.