共測試六種樣品：

不同辣度的火鍋底料，辣度分別為12°、36°、45°、52°、65°、75°

本次測試采用高光譜設備進行測量

高光譜相機覆蓋400~1700nm波長范圍

線性推掃成像方案

照明光源采用鹵素光源

測試時在暗室環(huán)境，樣品放置在水平位移臺上

不同辣度火鍋底料樣品

400-100nm

高光譜分析是一種利用高光譜成像技術獲取物體表面反射光譜信息的分析方法。它通過捕捉物體在多個波段（通常是數(shù)百個波段）的光譜數(shù)據(jù)，提供了比傳統(tǒng)成像技術更豐富的信息。

1. 數(shù)據(jù)采集：使用高光譜相機獲取樣品的光譜數(shù)據(jù)。分別使用400-1000nm可見近紅外和900-1700nm短波紅外高光譜相機，對6種火鍋底料樣品進行高光譜數(shù)據(jù)采集；

2. 數(shù)據(jù)預處理：使用高光譜數(shù)據(jù)處理和分析軟件對采集的數(shù)據(jù)進行行降噪和反射率計算等數(shù)據(jù)預處理；去除背景光譜的影響，提取目標物體的光譜信息，通常在采集數(shù)據(jù)時，同步完成。

3. 特征提取：從高光譜數(shù)據(jù)中提取特征，如光譜反射率、吸收峰、光譜形狀等。使用主成分分析（PCA）等方法減少數(shù)據(jù)維度，提取最具代表性的特征。

4. 分類與識別：不同物質或特征對特定波段的光反射率是不同的，我們通過監(jiān)督學習：使用已標記的數(shù)據(jù)集訓練分類模型，如光譜角、卷積神經(jīng)網(wǎng)絡等。無監(jiān)督學習：應用聚類算法（如K均值、層次聚類）對數(shù)據(jù)進行分類，識別不同的物質或特征。

5. 結果分析：將分析結果可視化，通常使用偽彩色圖像展示不同物質的分布。根據(jù)光譜特征進行定量、定性分析，計算物質的濃度或類別等相關參數(shù)。

六種辣度的火鍋底料在400-1700nm波長范圍內a面光譜曲線

六種火鍋底料樣本在400-1700nm，a面的反射率曲線如下圖所示。不同辣度的樣品的反射率曲線的波形大致相似，但其反射率的大小隨辣度的變化而產(chǎn)生明顯的變化，辣度越高反射率約低。

六種辣度的火鍋底料在400-1700nm波長范圍內b面光譜曲線

六種火鍋底料樣本在400-1700nm，b面的反射率曲線如下所示。不同辣度的樣品的反射率曲線的波形大致相似。其中860-930nm波段處的反射率曲線能較好的區(qū)分不同辣度的火鍋底料，辣度越高反射率越低。

建立CNN模型（400-1000nm   a面）

通過計算火鍋底料400-1000nm，a面高光譜反射率數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡（CNN）深度學習模型分別對不同辣度火鍋底料進行建模，分類結果如下。

辣度12°和辣度52°樣品（最上方兩個）因數(shù)據(jù)采集時與容器相接，部分區(qū)域光線收到遮擋，對數(shù)據(jù)產(chǎn)生影響。辣度36°的樣品部分區(qū)域凹陷，對采集的數(shù)據(jù)造成影響。辣度65°樣品部分區(qū)域被誤判為辣度75°。辣度45°與辣度75°分類效果很好，整體的分類準確率在75%-85%。

建立CNN模型（400-1000nm   b面）

通過計算火鍋底料400-1000nm，b面高光譜反射率數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡（CNN）深度學習模型分別對不同辣度火鍋底料進行建模，分類結果如下。

辣度45°中有部分區(qū)域誤判為辣度36°，六種辣度整體分類效果較好，分類準確率約為85%。

建立CNN模型（900-1700nm   a面）

通過計算火鍋底料900-1700nm，a面的高光譜反射率數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡（CNN）深度學習模型分別對不同辣度火鍋底料進行建模，待模型收斂后進行分類應用，分類結果如下。

其中辣度為12°和36°的誤判區(qū)域較多，這是因為辣度12°的表面凹凸不平，采集到的數(shù)據(jù)有很多亮斑，影響數(shù)據(jù)質量。而辣度36°的中間有一塊凹陷區(qū)域，造成數(shù)據(jù)質量不佳，產(chǎn)生誤判。辣度為45°、52°、65°和75°的分類效果很好，整體的分類準確率在70%-80%。

建立CNN模型（900-1700nm   b面）

通過計算火鍋底料900-1700nm，b面的高光譜反射率數(shù)據(jù)，采用卷積神經(jīng)網(wǎng)絡（CNN）深度學習模型分別對不同辣度火鍋底料進行建模，分類結果如下。

如圖可知，b面相較于a面，更平滑，無干辣椒等固體物遮擋，不同的辣度分類效果很好。僅有少部分區(qū)域誤判，整體分類準確率能達到90%以上。900-1700nm可能更適合用于檢測火鍋底料的辣度變化。

總結：

使用光譜視覺技術，通過采集六種火鍋底料樣品的高光譜圖譜數(shù)據(jù)，并對數(shù)據(jù)進行預處理和選擇相應的算法進行分析后，可對樣品的不同辣度進行區(qū)分。

火鍋底料的a、b兩面的光譜曲線特性都可以看出辣度的變化，b面的區(qū)分度更好。其中900-1700nm的短波紅外譜段相較400-1000nm的可見近紅外譜段，具有識別準確率和精度高的優(yōu)點。

下一步需要加大數(shù)據(jù)樣本數(shù)量，逐步提升識別準確率。