Neste estudo, uma câmera 400-1000nm hyperspectral pode ser usada, e FS13, um produto da tecnologia Co. de Hangzhou CHNSpec, Ltd, LTD., pode ser usado para pesquisa relacionada. A escala espectral é 400-1000nm, a definição do comprimento de onda é melhor do que 2.5nm, e até 1200 canais espectrais podem ser alcançados. A velocidade da aquisição pode alcançar 128FPS no espectro completo, e o máximo depois que a seleção da faixa é 3300Hz (seleção da faixa da multi-região do apoio).
Os nutrientes principais da alimentação composta incluem a água, cinza, proteína bruta, cálcio, fósforo total e assim por diante. A detecção dos nutrientes principais da alimentação é uma relação técnica indispensável no processo de produção e meios importantes assegurar a qualidade de produtos da alimentação. O método da detecção e de análise da alimentação é a base de seu controle da qualidade. Presentemente, o método de análise química tradicional é usado geralmente para determinar os nutrientes principais da alimentação composta. O método tradicional da determinação é frequentemente demorado e trabalho-intensivo, tendo por resultado a retardação de tempo, quando o custo da determinação for alto, e alguns mesmo precisam de destruir a amostra própria, que igualmente tem umas exigências mais altas para operadores e laboratórios. Para explorar um método para a detecção rápida dos nutrientes principais da alimentação composta, detalhadamente promovê-lo e aplicar ao teste e à análise reais de empresas da alimentação, que tem benefícios sociais e econômicos altos para melhorar a taxa da detecção e promover o desenvolvimento do nível de teste de alimentação composta. A detecção Hyperspectral da imagem é um grupo da alto-tecnologia de visão de computador e de detecção espectral, o uso da tecnologia hyperspectral da imagem obter a informação da amostra contém um grande número informação espectral do bloco de imagem tridimensional, tem não somente uma definição espectral alta, e a informação espectral extraída da imagem pode ser usada para detectar a qualidade interna da amostra. Consequentemente, a tecnologia hyperspectral da detecção da imagem é favorecida cada vez mais por eruditos no país e no estrangeiro, e foi amplamente utilizada na detecção da qualidade de produtos agrícolas, mas a pesquisa de aplicação na alimentação composta é relatada raramente. Neste estudo, a tecnologia hyperspectral da imagem foi usada para obter o modelo informação espectral visível/próximo-infravermelha de amostras experimentais de alimentação composta, e da análise quantitativa dos nutrientes principais na alimentação composta, tal como a umidade, cinza, proteína bruta, cálcio e fósforo total, foi estabelecida usando métodos estoiquiométricos, e o modelo foi verificado, apontando explorar a possibilidade de usar a tecnologia imagiológica hyperspectral para detectar os nutrientes principais na alimentação de composto. Igualmente fornece uma ideia e uma base novas para a detecção rápida de alimentação composta.
Neste estudo, a tecnologia hyperspectral da imagem foi usada para estabelecer modelos da análise quantitativa da proteína bruta, cinza bruta, água, fósforo e índice total do cálcio na alimentação composta por meio da remoção de amostra anormal, divisão do grupo da amostra, pré-tratamento espectral ótimo e seleção característica da faixa, combinados com o parcial menos estequiometria quadrada. Os modelos foram verificados. O grupo da amostra da proteína bruta dividido pelo método de SPXY e o grupo bruto da amostra da cinza dividido pelo método do CG, combinado com a combinação das, de FD e de SNV, o modelo da análise quantitativa estabelecido na faixa característica têm o melhor efeito. A correção ajustou o coeficiente R& da determinação do modelo ótimo da proteína bruta é 0,8373, o erro RMSEC do raiz-meio-quadrado é 2,1327%, o erro relativo RPDc da análise é 2,4851, a validação ajustou o rv é 0,7778, RMSEP é 2,6155%, e RPDv é 2,1143. A cinza bruta ótima R&, RMSEC 1,0107%, RPDc 2,2064, rv 0,7758, RMSEP 1,0611% e RPDv 2,1204 foi obtida. Os modelos da análise quantitativa da proteína bruta e desempenho com caráter de previsão da mostra bruta da cinza do bom e podem ser usados para a análise quantitativa prática. O grupo da amostra de água dividido pelo método do CG combinado com o pré-tratamento do as, do OSCILADOR e do Detrend tem o melhor efeito na faixa característica. Sua correção ajustada COM REFERÊNCIA A é 0,6470, RMSEC é 1,8221%, RPD é 1,6849, relé do grupo da validação é 0,6314, RMSEP é 1,6003%. RPDv é 1,9371, embora o modelo possa ser usado na análise quantitativa prática, sua precisão da previsão ainda precisa de ser mais adicional aperfeiçoado. Os resultados do modelo da análise quantitativa obtido do grupo total da amostra do fósforo dividido pelo método do CG combinado com os métodos do pré-tratamento do as, do FD e do SNV eram ótimos. A relação de RS, de RMSEC e de RPD do modelo ótimo era 0,6038, 0,1656% e 1,5700, respectivamente. Os grupos R9, RMSEP e RPD/da validação são 0,4672, 0,1916% e 1,3570, respectivamente. Os parâmetros de desempenho do modelo da correção e do modelo da validação são pobres, indicando que o modelo tem a capacidade com caráter de previsão pobre e não pode ser usado na análise quantitativa real. Após o pré-tratamento do grupo da amostra do cálcio dividido pelo método do CG e combinado com o as, o OSCILADOR e o método de Detrend, o modelo da análise quantitativa estabelecido em sua faixa característica tem o melhor efeito, o RB do modelo ótimo é 0,4784, e o grupo R≈ da verificação é somente 0,4406. O efeito da previsão do modelo é pobre, e não pode ser aplicado na análise prática. A precisão da previsão do modelo ótimo da análise quantitativa de proteína bruta baseado na tecnologia hyperspectral da imagem é o melhor, e o desempenho da previsão do modelo bruto da cinza é o segundo, e ambos podem ser usados exatamente na detecção prática. A precisão da previsão do modelo ótimo da análise quantitativa da água deve ser melhorada. Contudo, o modelo ótimo da análise quantitativa do fósforo e do cálcio totais tem o desempenho com caráter de previsão pobre e não pode ser usado para a detecção prática.