高光谱成像技术结合了二维成像技术和光谱分析技术优势，具有分辨率高、信息量大、检测速度快等优点。通过获取预制菜样品在多个窄带电磁波光谱下的图像信息，能够实现对样品内部化学成分、物理结构以及空间分布的非接触式、非破坏性检测。此项技术不仅能够提高检测的效率和准确性，还能够降低对环境和人体健康的潜在风险。

将预制菜样品平铺或放置在由奥谱天成自主研发的ATH3000 推扫式高光谱成像扫描仪上，确保样品表面均匀且没有重叠。
调整高光谱相机和光源的角度和距离，以获得最佳的成像效果。

优势：非破坏性检测，保持样品完整、获取整块样品的空间分布信息，有助于发现内部不均匀性。

启动高光谱相机，逐波段获取样品的光谱图像，从可见光到短波红外（范围400-2500nm），采集过程中，保持光源稳定，避免环境光等外界因素干扰。

▲食材的高光谱图像

优势：获取详细的光谱信息，包含丰富的化学和物理信息。能够区分成分细微差异，检测复杂的食品成分。

对采集到的原始光谱数据进行标准正态变换（SNV），去除多余的光谱偏移。应用一阶或二阶导数处理，增强光谱中的细节特征。进行平滑处理（如Savitzky-Golay滤波），减少噪声。

优势：提高数据质量，减少噪声干扰。增强光谱信号的特征，提高分析的可靠性。

利用高光谱成像技术获取预制菜样品的光谱信息，通过光谱特征提取，分析预制菜中的主要成分，如添加剂、防腐剂、调味料等，使用主成分分析（PCA）提取光谱数据中的主要特征分量，降低数据维度。应用线性判别分析（LDA）或其他特征选择方法，筛选出对鉴别有重要贡献的波段。

▲主成分分析均值提取

主成分分析（PCA）是一种统计方法，它通过正交变换将原始数据（在此情况下为高光谱图像数据）转换为一组称为主成分的新变量。这些主成分在数量上少于或等于原始变量，但能够解释数据中的大部分方差。在高光谱图像处理中，PCA可以将高维图像数据转换到低维空间，同时保留大部分有用信息。

基于提取的光谱特征参数，分析预制菜样品中的成分信息，如添加剂、防腐剂、调味料等，并评估其新鲜度、水分含量等品质指标。通过与标准数据库或已知预制菜样品的光谱特征进行对比，判断样品的类别和品质。

选择待鉴别的预制菜样品，确保样品具有代表性。对样品进行适当的处理，如切割、去壳等，以便于高光谱成像仪的检测。使用高光谱成像仪对预制菜样品进行扫描，获取其在不同波长下的光谱信息。这包括从可见光到近红外等多个波段的信息，以形成高分辨率的光谱图像。

对获取到的光谱图像进行预处理，如去噪、校正等，以提高数据的准确性和可靠性。利用化学计量学等方法，提取光谱特征参数，如吸收峰、反射率等，用于后续分析。根据提取的光谱特征参数，分析预制菜样品中的成分信息，包括识别样品中的添加剂、防腐剂、调味料等成分，以及评估其新鲜度、水分含量等品质指标。通过与标准数据库或已知预制菜样品的光谱特征进行对比，能够初步判断样品的类别和品质。

建立基于高光谱成像技术的预制菜鉴别模型。通过收集大量预制菜样品的光谱数据，结合机器学习算法进行训练和优化，以提高模型的识别准确率和泛化能力。在实际应用中，只需将待鉴别预制菜样品的光谱数据输入模型，即可快速得到鉴别结果。

适用于部署在线高光谱监控系统，实现预制菜生产过程中的实时质量控制：配置高光谱成像系统和数据处理单元，连接到生产线的控制中心；设定监控参数和报警阈值，实现自动监控和异常报警。

实时传输数据到中央控制系统，进行分析和反馈：提供全面的分析工具，满足不同用户需求；易于操作，提高使用便捷性，实现生产全过程的质量监控，确保产品一致性；快速响应生产异常，提高生产线的稳定性和效率。

“预制菜之争”，让大众再次把目光聚焦在食品安全与行业透明度上。预制菜作为食品工业化的重要方向，其未来发展离不开先进检测技术的赋能。

高光谱成像技术是鉴别预制菜的有效手段，能够准确区分不同种类、品质或加工状态的预制菜。通过光谱特征分析，实现了对预制菜内部成分、新鲜度及加工过程等关键信息的快速获取。根据提取的光谱特征参数，分析预制菜样品中的成分信息。通过与标准数据库或已知预制菜样品的光谱特征进行对比，可以判断样品的类别和品质。高光谱成像融合了光谱信息与图像信息，提供了丰富的数据支持，使得分析更加全面和深入，提高鉴别的准确性和可靠性。