高光谱无损检测辣椒粉中苏丹红浓度

周 瑶，李柏承，赵曼彤，王 琦，张大伟



高光谱无损检测辣椒粉中苏丹红浓度

周 瑶，李柏承，赵曼彤，王 琦，张大伟

( 上海理工大学 a. 上海市现代光学系统重点实验室; b. 教育部光学仪器与系统工程中心，上海 200093 )

为无损检测辣椒粉中苏丹红一号浓度()，本文运用高光谱成像检测技术得到120个含有不同的辣椒粉高光谱图像，其中60个作为校正集剩余为预测集，采用连续投影算法(SPA)从校正集的海量光谱数据中优选出45个特征波长，再通过偏最小二乘回归法(PLSR)、多元线性回归法(MLR)和主成分回归法(PCR)建立预测模型。结果表明，MLR模型较优，其校正集相关系数为0.998，校正均方根误差为0.737 3mg/ml，预测集相关系数为0.987，预测均方根误差为1.921 3mg/ml，该方法可以实现辣椒粉中的无损检测。

高光谱成像技术；无损检测；辣椒粉；苏丹红一号浓度

0 引 言

辣椒粉是一种很常见的调味品，在一些菜肴中添加辣椒粉会呈现出一种独特的风味。适量辣椒粉的食用可以解热镇痛、预防癌变、增加食欲、帮助消化和降脂减肥[1]，然而，由于苏丹红一号染色剂染色鲜艳，价格低廉[2]，一些不法商贩常常将其作为辣椒粉色素来引诱消费者购买。目前，毒理学研究表明，苏丹红一号染色剂具有致癌性[3]，如果长期较大剂量地摄入，就会在体内累积而对肌体造成损伤或基因突变而致癌，其代谢产物可能会引起肝脏、脾脏等脏器的肿瘤[4-5]。因此，苏丹红一号在中国及其他许多国家已经被禁止作为食品添加剂。 如果能够发展一种快速准确无损在线检测辣椒粉中苏丹红一号浓度的方法将有效的避免市场上苏丹红一号染色辣椒粉的出现，让辣椒粉可以成为一种健康的调味品，不仅为消费者的健康饮食提供了很好的条件，也大大提高了国家质检部门的食品安全检测能力。

目前，常用的苏丹红一号浓度(Concentration of Sudan red No. 1,)的测定方法有分光光度法、高效液相色谱/紫外可见光法、高效液相色谱/质谱联用法以及气相色谱/质谱联用法[6]。然而这些苏丹红一号浓度的测定方法，都需要借助一些辅助提取和净化的方法，在整个检测过程中步骤过于繁琐，无法实现苏丹红一号浓度的在线无损检测，因此，迫切的需要研究出一种可以快速准确无损在线检测辣椒粉中苏丹红一号浓度的方法。

近年来，许多光谱分析技术已经在食品[7-9]、医药[10]、高光谱图像分类[11-12]及农业[13-15]等领域得到广泛应用，在此基础上，高光谱成像技术作为一种无损检测技术也不断的发展起来，它可以用于定性和定量检测物质。薛龙等[16]基于高光谱图像技术的水果表面农药残留检测试验研究，发现高光谱成像技术用于检测脐橙表面较高浓度农药残留非常明显。陈全胜等[17]基于高光谱成像技术的猪肉嫩度检测研究，模型校正集的判别率为96.15%，预测集的判别率为80.77%，研究结果表明高光谱图像技术可以用于猪肉嫩度等级水平的检测，说明高光谱成像技术在定性检测物质方面具有很大的潜力。李锋霞等[18]基于高光谱无损检测技术实现哈密瓜坚实度的检测研究，校正集模型相关系数为0.873，均方根误差为4.18N，结果表明研究具有可行性。吴迪等[19]应用可见近红外高光谱成像技术成功实现了螺旋藻粉中常用添加剂的快速无损定量检测，为高光谱成像技术实现物质的定量无损检测奠定了基础。本研究所提出的高光谱成像技术无损检测辣椒粉中苏丹红一号浓度的方法和目前已经提出的运用近红外[8-9]和拉曼光谱[9]检测辣椒粉中苏丹红一号的研究相比而言，最大优势在于能够提取出反应苏丹红一号特点的特征波长反射率信息，基于所提取的特征波长可以发展一套快速准确无损在线检测辣椒粉中苏丹红一号浓度的多光谱系统。

采用高光谱成像设备不仅可以得到样品的光谱信息，同时可以获取样品的图像信息，使得对样品的分析更加全面。目前，采用高光谱成像技术无损检测辣椒粉中苏丹红一号浓度的研究未见报道。本研究通过对比分析不同波段范围光谱信息和预处理方法对校正集辣椒粉中苏丹红一号浓度预测模型准确度的影响，同时运用连续投影算法(Successive Projections Algorithm, SPA)[20]在全波段范围内进行特征波长的提取，这样不仅可以降低检测过程中数据处理的难度而且又不损失有用的光谱信息。分别应用偏最小二乘回归法(Partial Least Squares Regression, PLSR)、多元线性回归法(Multiple Linear Regression, MLR)和主成分回归法(Principal Component Regression, PCR)建立特征波长对应的平均相对反射率和辣椒粉中苏丹红一号浓度的关系模型，比较这三种建模算法的准确度参数，选择出较优的建模方法，为发展一套快速准确无损在线检测辣椒粉中苏丹红一号浓度的多光谱系统提供理论基础，极大的促进了食品安全检测技术的发展。

1 材料和方法

1.1 实验材料和方法

实验所用的辣椒粉样品从湖南省辣椒粉批发市场选购，经过质检部门检测确保辣椒粉样品中没有苏丹红一号，称取120份40g辣椒粉样品依次编号放置于烧杯中。实验所用苏丹红一号从上海化学实验室购买，由于苏丹红一号的浓度必须大于1mg/ml才能够显色[6]，因此本研究分别在0.5mg/ml~1.0mg/ml，1mg/ml~2mg/ml，3.5mg/ml~4.5mg/ml，5.5mg/ml~6.5mg/ml，9.5mg/ml~10.5mg/ml，19.5mg/ml~20.5mg/ml这6个浓度区间内各随机配制20个苏丹红一号浓度的溶液，溶剂选择为食用植物油，每个浓度配制50 ml溶液分别加入盛放辣椒粉的烧杯中，将这120个浓度值标记于盛放辣椒粉的120个烧杯上，用玻璃棒搅拌均匀，在这6个浓度区间内各选取10个苏丹红一号浓度的辣椒粉样品，合计60个样品作为校正集，剩余的60个样品作为预测集。为使辣椒粉样品实验室环境与周围环境一致，在实验室放置48 h后再进行光谱数据采集，实验室环境条件为：温度20℃~25℃，相对湿度为30%~40%。

1.2 高光谱数据采集和校正

高光谱图像采集系统如图1所示，包括Illumination Technologies公司功率在0~150 W可调且波长范围是400 nm~2 500 nm的3900卤素灯光源，北京微纳光科技术有限公司的水平位移台，以及台湾五铃光学公司的高光谱相机，其中高光谱相机主要由面阵电荷耦合器件(Charge Couple Device, CCD)、光谱仪和变焦透镜三部分组成，实际光谱响应范围是375 nm~1 050 nm，考虑到光源的波长范围，400 nm之前CCD的光谱响应可以认为是杂散光的光谱信息，在实际光谱分析中，波段范围应设定为400 nm~1 050 nm。

图1 高光谱图像采集系统

在光谱采集过程中，辣椒粉样品位于高光谱相机的光学焦面处，距离相机436 mm，光源的功率设置为62 W，相机在光学焦面上进行纵向线扫描，随着样品在水平位移台上横向移动，最终获得辣椒粉样品的高光谱图像。由于相机的光谱采集间隔为0.72 nm，获得的高光谱图像包含400 nm~1 050 nm范围内903个波长下的光谱图像。为了避免采集的图像失真，进行了多次试验调整和参数量化，最终将高光谱相机的曝光时间设置为3.2 ms，水平位移台的速度设置为400mm/s。由于光源的强度在各波段下分布不均匀以及高光谱相机中暗电流噪声的存在，造成在光源强度分布较弱的波段下所获得的图像含有较大的噪声，因此，需要对所获得的高光谱图像进行黑白板校正[21]。如图2所示为辣椒粉高光谱图像的校正和分解图。

图2 辣椒粉高光谱图像校正和分解

实验采用的黑白板校正公式：

1.3 光谱处理及数据分析

本研究中，光谱分析的波长范围是400 nm~1 050 nm，在数据分析时，每个苏丹红一号浓度辣椒粉样品的高光谱图像都包含903个波长对应的图像信息和光谱信息，实验数据非常庞大，不利于在线检测系统的搭建。因此，基于这903个波长对应的，本研究采用SPA对60个校正集样品的全波段光谱信息进行特征波长提取，这不仅可以降低数据处理的难度且不损失能够代表苏丹红一号的有效信息，也可以为实现在线检测系统的搭建提供理论基础。通过比较原始和一阶、二阶微分处理过的特征波长对应的的PLSR建模结果，确定最佳光谱，在60个校正集样品中，运用PLSR[22]、MLR[23]和PCR[24]三种校正建模算法对校正集辣椒粉中苏丹红一号浓度进行预测模型的建立，模型的准确性和可靠性由校正集相关系数(Correlation Coefficient Calibration,c)和校正均方差(Root Mean Square Error of Calibration, RMSEC，用RMSC表示)来进行评价，对比不同建模算法的c和RMSC并选择出较优模型。最后，运用60组预测集数据对所选择的较优模型进行验证，验证的结果由预测集相关系数(Correlation Coefficient Prediction,p)和预测均方差(Root Mean Square Error of Prediction, RMSEP，用RMSP表示)来进行评价。

2 结果与讨论

2.1 提取特征波长

在提取特征波长的过程中，为了确保特征波长选择的准确性，本研究在不同光谱波段范围内分别运用PLSR进行建模，建模结果如表1，通过比较不同PLSR模型的c和RMSC值，不难发现采用位于800 nm~1050 nm波段的342个波长来建立检测辣椒粉中苏丹红一号浓度的PLSR预测模型效果最佳，但是波长数量太多使得预测模型过于繁琐且不利于在线检测系统的搭建，因此需要采用一定的算法来进行特征波长提取。

表1 应用PLSR 建模方法对不同波段范围光谱的建模结果

Table 1 Results of calibration models of PLSR method for spectrum with different wavelength ranges

SPA是一种新颖的变量选择的算法，能够从重叠的光谱信息中提取有效的信息，消除光谱变量之间的共线性影响。不同苏丹红一号浓度的辣椒粉样品数和波长数组成一个可见近红外光谱的反射矩阵×J,详细的SPA提取特征波长的步骤如下[20]：

4) 第1次投影循环结束之后，将得到一个×的反射率矩阵，再进行第2次投影，步骤和第1次投影完全一致，只是的选定不一样，直到将个不同的列向量依次选定为初始迭代向量，合计次投影，此时投影结束；

表2 具体特征波长

Table 2 Detail effective wavelengths

2.2 光谱预处理的比较与结果分析

光谱采集的过程中，由于仪器本身的原因可能会出现光谱的偏移和漂移，导数处理是消除这种光谱偏移和漂移以及放大和分离重叠信息常用的方法[18]。实验中对原始光谱分别进行一阶、二阶微分处理，分别对比分析SPA提取的45个特征波长的光谱用不同预处理方法的建模结果，结果如表3。从结果中可知原始光谱的建模结果最优，这充分说明了实验仪器本身并未出现光谱的偏移和漂移且SPA提取出的特征波长光谱不存在重叠信息。

表3 应用PLSR 建模方法对SPA 提取的45 个特征波长的光谱用不同预处理方法的建模结果

Table 3 Results of calibration models of PLSR methods using different preprocessing methods, with 45 effective wavelengths extracted from SPA

2.3 光谱平均相对反射率特征分析

辣椒粉的主要成分是碳水化合物、脂肪和膳食纤维等，如图3所示为含有60个校正集样品在400 nm~1050 nm区域的原始光谱-平均相对反射率曲线，结合SPA最终选择的特征波长进行光谱分析。首先，对400 nm~500 nm区域进行分析，从图3的曲线上不难发现含有不同苏丹红一号浓度的辣椒粉样品其反射率从400 nm~500 nm不断降低，芳烃由于其分子结构不同会导致在紫外-可见光区域有不同的吸收[25]，苏丹红一号的化学名称为1-苯基偶氮-2-萘酚，不同浓度的苏丹红一号所含有的苯基数量会产生变化，从而导致吸收特征发生变化，因此在这个区间内选取了4个特征波长来反应这种较明显的变化。接着，对900 nm~1000 nm区域进行分析，图3中在该波段内存在一个较小的吸收峰，这主要是碳水化合物的吸收峰[26]，由于苏丹红一号浓度的不同对碳水化合物的光谱吸收会产生影响，因此在这个区间选择5个特征波长来反应这种影响。最后，在1 000 nm~1 050 nm区域内，反射率迅速降低，这种现象的发生主要是由于脂肪和膳食纤维中C-H键产生第三合频，对光谱产生吸收[26]，而辣椒粉中添加的苏丹红一号的溶剂为食用植物油，存在C-H键，随着苏丹红一号浓度的不同，所添加的C-H键的数量也会不同，因此，在这个区间内选择了36个特征波长来反应这种细微的变化。然而，不同苏丹红一号浓度的辣椒粉，其光谱平均相对反射率曲线的趋势大致相同，因此需要运用建模算法来实现辣椒粉中苏丹红一号浓度的定量检测。

图3 60 个不同苏丹红一号浓度辣椒粉样品的光谱-平均相对反射率曲线

2.4 建模算法的比较与结果分析

基于SPA提取的45个特征波长对应的建模的过程中，不同的建模算法会产生不同的结果，在本次研究中分别采用PLSR、MLR和PCR三种建模算法进行建模，通过对比分析三种模型的c和RMSC值，结果如表4，其中c值越接近于1说明自变量和因变量的相关性越强且模型越准确，RMSC值越接近于0说明模型可靠性越强，预测值和实际值的偏差越小，模型也越可信。

表4 对基于SPA 提取的45 个特征波长的光谱分别进行PLSR、MLR 和PCR 建模的结果

Table 4 Results of calibration models of PLSR, MLR and PCR for spectrum, with 45 effective wavelengths extracted from SPA

结果表明，采用MLR的建模效果较好，原因是MLR适用于线性关系特别好的简单体系[23]，SPA提取出来的原始光谱信息不存在光谱重叠，因此不需要考虑组分之间相互干扰的影响，可以实现最优模型的建立。

2.5 最优模型的验证

由实验比较与结果分析可知，以SPA提取的45个特征波长对应的为自变量，辣椒粉中苏丹红一号浓度为因变量，采取MLR进行建模的结果较优，预测模型的结果如图4所示，模型参数c=0.998，RMSC=0.737 3mg/ml。

图4 应用MLR 建模方法对辣椒粉中60个苏丹红一号浓度的校正结果

为了验证预测模型的准确度，采用已建立的预测模型对60组不同苏丹红一号浓度的辣椒粉样品进行预测，结果如图5所示，预测集中模型参数p=0.987，RMSP=1.921 3mg/ml。

图5 应用MLR 建模方法对辣椒粉中60个苏丹红一号浓度的预测结果

实验结果表明，以SPA提取得到的45个特征波长对应的为自变量，辣椒粉中苏丹红一号浓度值为因变量，所建立的MLR模型用于辣椒粉中苏丹红一号浓度的无损检测是非常成功的。基于这45个特征波长可以发展一套多光谱系统用于在线检测辣椒粉中苏丹红一号浓度，为食品安全检测提供理论基础。

3 结 论

研究尝试应用高光谱成像无损检测技术实现辣椒粉中苏丹红一号浓度的无损检测，相比目前国内外已经提出的检测苏丹红一号浓度的方法，此研究不需要从辣椒粉中提取和净化出苏丹红一号，而是直接对含有苏丹红一号的辣椒粉样品进行高光谱图像采集，通过建模实现快速准确无损检测。本研究最终得到以SPA提取的45个特征波长对应的为自变量，辣椒粉中苏丹红一号浓度值为因变量，用MLR方法建立的辣椒粉中苏丹红一号浓度无损定量检测模型较优，其中校正集的模型参数c=0.998，RMSC=0.737 3mg/ml，预测集的模型参数p=0.987，RMSP=1.921 3mg/ml。研究表明，应用高光谱成像无损检测技术可以实现辣椒粉中苏丹红一号的无损检测，所提取的特征波长可以发展一套多光谱系统用于在线检测辣椒粉中苏丹红一号的浓度，未来也可以发展更多种在线检测食品安全的多光谱系统。

[1] 马凤兰，蒋启东. 辣椒粉营养分析 [J]. 吉林蔬菜，2010，3(3)：15.

MA Fenglan，JIANG Qidong. The nutrition analysis of chili powders [J]. Jilin Vegetable，2010，3(3)：15.

[2] 黄露. 超声波萃取辣椒粉中苏丹红类染色剂的工艺研究 [J]. 闽江学院学报，2013，34(2)：105-107.

HUANG Lu. Study on the ultrasonic extraction of Sudan dyes from chili powders [J]. Journal of Minjiang University，2013，34(2)：105-107.

[3] 张苗. 苏丹红危险性评估报告亮相 [J]. 中国社会保障，2005(05)：46.

ZHANG Miao. The risk assessment report of Sudan red [J]. China Social Security，2005(05)：46.

[4] STIBOROV M. Expression of cytochrome P450 1A1 and its contribution to oxidation of a potential human carcinogen 1-phenylazo-2-naphthol (Sudan I) in human livers [J]. Cancer Letters(S0304-3835)，2005，220(2)：145–154.

[5] 季宇彬，汲晨锋，高世勇，等. 苏丹红Ⅰ、Ⅲ和Ⅳ对HepG-2细胞和SGC-7901细胞增值的影响 [J]. 环境科学，2006，27(6)：1201-1207.

JI Yubin，JI Chenfeng，GAO Shiyong，Effect of Sudan I、Ⅲ and Ⅳ on proliferation of HepG-2 and SGC-7901 [J]. Environmental Science，2006，27(6)：1201-1207.

[6] 王洋，彭琨，王胜. 食品中苏丹红一号的检测方法 [J]. 粮油食品科技，2005，13(4)：43-44.

WANG Yang，PENG Kun，WANG Sheng. The detection methods of Sudan red in food [J]. Oils and Foods，2005，13(4)：43-44.

[7] LEE W H，KIM M S，LEE H，Hyperspectral near-infrared imaging for the detection of physical damages of pear [J]. Journal of Food Engineering(S0260-8774)，2014，130(3)：1–7.

[8] 杜一平，黄子夏，方娟娟，等. 辣椒粉中苏丹红的近红外光谱鉴别和含量测定方法研究 [C]// 全国第二届近红外光谱学术会，长沙，中国，11月1日，2008.

DU Yiping，HUANG Zixia，FANG Juanjuan，. Determination and Discrimination of Sudan red in Paprika by Near-infrared Spectroscopy [C]//The Second National Near Infrared Spectrum Academic Conference，Changsha，China，Nov 1，2008.

[9] Haughey S A，Galvin-King P，Ho Y C，The feasibility of using near infrared and Raman spectroscopic techniques to detect fraudulent adulteration of chili powders with Sudan dye [J]. Food Control(S0956-7135)，2015，48：75–83.

[10] ROGGO Y，EDMOND A，CHALUS P，Infrared hyperspectral imaging for qualitative analysis of pharmaceutical solid forms [J]. Analytica Chimica Acta(S0003-2670)，2005，535：79–87.

[11] 冯海亮，潘竞文，黄鸿. 一种改进的邻域保持嵌入高光谱影像分类方法 [J]. 光电工程，2014，41(9)：45-50.

FENG Hailiang，PAN Jingwen，HUANG Hong. An Improved Neighborhood Preserving Embedding Method Used in Hyperspectral Image Classification [J]. Opto-Electronic Engineering，2014，41(9)：45-50.

[12] 李吉明，贾森，彭艳斌. 基于光谱特征和纹理特征协同学习的高光谱图像数据分类 [J]. 光电工程，2012，39(11)：88-94.

LI Jiming，JIA Sen，PENG Yanbing. Hyperspectral Data Classification with Spectral and Texture Features by Co—training Algorithm [J]. Opto-Electronic Engineering，2012，39(11)：88-94.

[13] 李伟星，赵兴祥，刘刚，等. 辣椒的傅里叶变换红外光谱研究 [J]. 中国激光，2014，41(s1)：s115001.

LI Weixing，ZHAO Xingxiang，LIU Gang，. Study of capsicum frutescens L. by fourier transform infrared spectroscopy [J]. Chinese Journal of Lasers，2014，41(s1)：s115001.

[14] 陈全胜，赵杰文，蔡健荣，等. 利用高光谱图像技术评判茶叶的质量等级 [J]. 光学学报，2008，28(4)：669-674.

CHEN Quansheng，ZHAO Jiewen，CAI Jianrong，Estimation of tea quality level using hyperspectral imaging technology [J]. Acta Optica Sinaca，2008，28(4)：669-674.

[15] 何俊，尚丽平，邓琥，等. 250 nm激光诱导土壤中多环芳烃的荧光检测系统 [J]. 光电工程，2014，41(9)：51-55.

HE Jun，SHANG Liping，DENG Hu，. Detection System of 250 am Laser Induce Fluorescence of Polycyclic Aromatic Hydrocarbons in Soil [J]. Opto-Electronic Engineering，2014，41(9)：51-55.

[16] 薛龙，黎静，刘木华. 基于高光谱图像技术的水果表面农药残留检测试验研究 [J]. 光学学报，2008，28(12)：2277-2280.

XUE Long，LI Jing，LIU Muhua. Detecting pesticide residue on navel orange surface by using hyperspectral imaging [J]. Acta Optica Sinaca，2008，28(12)：2277-2280.

[17] 陈全胜，张燕华，万新民，等. 基于高光谱成像技术的猪肉嫩度检测研究 [J]. 光学学报，2010，30(9)：2602-2607.

CHEN Quansheng，ZHANG Yanhua，WAN Xinmin，. Study on detection of pork tenderness using hyperspectral imaging technique [J]. Acta Optica Sinaca，2010，30(9)：2602-2607.

[18] 李锋霞，马本学，何青海，等. 哈密瓜坚实度的高光谱无损检测技术 [J]. 光子学报，2013，42(5)：592-595.

LI Fengxia，MA Benxue，HE Qinghai，. Non-destructive detection of firmness of hami melon by hyperspectral imaging technique [J]. Acta Photonica Sinica，2013，42(5)：592-595.

[19] WU D，NIE P，CUELLO J，. Application of visible and near infrared spectroscopy for rapid and non-invasive quantification of common adulterants in Spirulina powder [J]. Journal of Food Engineering(S0260-8774)，2011，102(3)：278-286.

[20] ARA JO M C U，SALDANHA T C B，GALV O R K H，The successive projections algorithm for variable selection in spectroscopic multicomponent analysis [J]. Chemometrics and Intelligent Laboratory Systems(S0169-7439)，2001，57(2)：65-73.

[21] Polder G，Young I T. Calibration and characterisation of imaging spectrographs [J]. Journal of Near Infrared Spectroscopy (S0967-0335)，2003，11(3)：193-210.

[22] Sarkar A，Karki V，Aggarwal S K，. Evaluation of the prediction precision capability of partial least squares regression approach for analysis of high alloy steel by laser induced breakdown spectroscopy [J]. Spectrochimica Acta Part B Atomic Spectroscopy(S0584-8547)，2015，108：8–14.

[23] 王慧文，孟洁. 多元线性回归的预测建模方法 [J]. 北京航空航天大学学报，2007，33(4)：500-504.

WANG Huiwen，MENG Jie. Predictive modeling on multivariate linear regression [J]. Journal of Beijing University of Aeronautics and Astronautics，2007，33(4)：500-504.

[24] 舒晓慧，刘建平. 利用主成分回归法处理多重共线性的若干问题 [J]. 统计与决策，2004(10)：25-26.

SHU Xiaohui，LIU Jianping. Some Problems of Multicollinearity Based on Principal Component Regression Method [J]. Statistics and Decision，2004(10)：25-26.

[25] 褚小立，袁洪福，陆婉珍. 紫外-可见光谱-偏最小二乘法测定渣油四组分含量 [J]. 分析化学，2000，28(12)：1457-1461.

CHU Xiaoli，YUAN Hongfu，LU Wanzhen. Determining four component contents in residues by partial least squares-ultraviolet-visible spectrophotometry [J]. Chinese Journal of Analytical Chemistry，2000，28(12)：1457-1461.

[26] 褚小立. 化学计量学方法与分子光谱分析技术 [M]. 北京：化学工业出版社，2011：259-268.

CHU Xiaoli. Molecular Spectroscopy Analytical Technology Combined with Chemometrics and its Applications [M]. Beijing：Chemical Industry Press，2011：259-268.

Non-destructive Detection of the Concentration of Sudan Red in Chili Powders Based on Hyper-spectral

ZHOU Yao，LI Baicheng，ZHAO Mantong，WANG Qi，ZHANG Dawei

( a. Ministry of Education Optical Instrument and Systems Engineering Center；b. Shanghai Key Laboratory of Modern Optical System, University of Shanghai for Science and Technology, Shanghai 200093, China )

To detect the concentration of Sudan red No. 1 () in chili powders non-destructively, the hyper-spectral imaging technique was used to extract 120 chili powder images that had different, including 60 for calibration set and rest for prediction set. Successive Projections Algorithm (SPA) was used to extract 45 effective wavelengths from large amount of spectra data in calibration set. Partial Least Squares Regression (PLSR), Multiple Linear Regression (MLR) and Principal Component Regression (PCR) were applied to set prediction models. As a result, better model to detect thein chili powders was based on MLR. The Correlation Coefficient Calibration (c) and Root Mean Square Error of Calibration (RMSC) were 0.998 and 0.737 3mg/ml. The Correlation Coefficient Prediction (p) and Root Mean Square Error of Prediction (RMSP) was 0.987 and 1.921 3mg/ml. This demonstrates that the method can be successfully used for detecting thein chili powders non-destructively.

hyper-spectral imaging technique; non-destructive detection; chili powders; concentration of Sudan red No. 1

TS201.6

A

10.3969/j.issn.1003-501X.2016.05.005

2015-08-11；

2015-11-30

国家自然科学基金(61378060, 61205156)；国家重大科学仪器设备开发专项(2012YQ170004)；上海市教育委员会科研创新项目(14YZ095)

周瑶(1991-)，女(汉族)，湖南邵阳人。硕士研究生，主要研究工作是高光谱成像检测技术。E-mail: zhouyao421@163.com。

李柏承(1986-)，男(汉族)，吉林白山人。讲师，博士，从事高光谱检测和光学精密元器件加工的研究。E-mail：usstlbc@163.com。