共测试以下五种样品：

本次测试采用高光谱颜色测量设备进行测量

➣ 高光谱相机覆盖900~1700nm波长范围

➣ 线性推扫成像方案

➣ 照明光源采用卤素光源

➣ 测试时在暗室环境，样品放置在水平位移台上

大米 900-1700nm光谱曲线

大米样本在900-1700波段的反射率曲线如下所示，正常大米与结块异物的反射率曲线差异在1100nm附近比较明显，二者区分的可行性较高。

CNN建模分类结果

利用CNN深度学习模型，对正常大米和杂质进行区分，大米中的结块异物识别效果良好。

咖啡豆 900-1700nm光谱曲线

咖啡豆样本在900-1700波段的反射率曲线如下所示，咖啡豆与木屑、枯叶片的整体反射率曲线差异明显，利用光谱曲线特性区分杂质的可行性较高。

CNN建模分类结果

利用CNN深度学习模型，对咖啡豆和木屑、枯叶等杂质进行区分，咖啡豆中的杂质识别效果良好。

蘑菇900-1700nm光谱曲线

蘑菇样本在900-1700波段的反射率曲线如下所示，蘑菇表面与薄膜、黑斑的整体反射率曲线差异明显，利用光谱曲线特性区分杂质的可行性较高。

CNN建模分类结果

利用CNN深度学习模型，对蘑菇和薄膜、黑斑等表面杂质进行区分，蘑菇表面识别效果较好，少量背景被错分为黑斑。

紫菜900-1700nm光谱曲线

紫菜样本在900-1700波段的反射率曲线如下所示，紫菜与杂质的整体反射率曲线差异明显，利用光谱曲线特性区分杂质的可行性较高。

CNN建模分类结果

利用CNN深度学习模型，对紫菜和羽毛、线头等表面杂质进行区分，因受空间分辨率限制，细的线头所占像元面积较少，导致代表性样本不足，分类效果较差。

豆干900-1700nm光谱曲线

豆干样本在900-1700波段的反射率曲线如下所示，正常豆干与包装破损豆干的整体反射率曲线接近，差异不明显，利用光谱曲线特性较难区分二者。

CNN建模分类结果

利用CNN深度学习模型，对正常豆干和包装破损豆干进行区分，因包装材质没有发生变化，两个样品之间反射率几乎无差异，分类效果较差，无明显参考性。

总结：

• 利用900-1700nm高光谱相机测得的大米、咖啡豆、蘑菇等样品的高光谱数据质量良好，从反射率曲线中能够看出食品样本与掺杂异物之间的差异性，CNN深度学习分类结果良好，食品与异物具有较高的可分性。

• 紫菜中的杂质较细小，在高光谱图像中难以提取代表性样品，区分效果较差。

• 因豆干外包装的材质没有发生变化，包装破损与正常豆干900-1700波段的反射率差异较小，二者区分的可行性不高。