共测试六种样品：

不同辣度的火锅底料，辣度分别为12°、36°、45°、52°、65°、75°

本次测试采用高光谱设备进行测量

高光谱相机覆盖400~1700nm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

不同辣度火锅底料样品

400-100nm

高光谱分析是一种利用高光谱成像技术获取物体表面反射光谱信息的分析方法。它通过捕捉物体在多个波段（通常是数百个波段）的光谱数据，提供了比传统成像技术更丰富的信息。

1. 数据采集：使用高光谱相机获取样品的光谱数据。分别使用400-1000nm可见近红外和900-1700nm短波红外高光谱相机，对6种火锅底料样品进行高光谱数据采集；

2. 数据预处理：使用高光谱数据处理和分析软件对采集的数据进行行降噪和反射率计算等数据预处理；去除背景光谱的影响，提取目标物体的光谱信息，通常在采集数据时，同步完成。

3. 特征提取：从高光谱数据中提取特征，如光谱反射率、吸收峰、光谱形状等。使用主成分分析（PCA）等方法减少数据维度，提取最具代表性的特征。

4. 分类与识别：不同物质或特征对特定波段的光反射率是不同的，我们通过监督学习：使用已标记的数据集训练分类模型，如光谱角、卷积神经网络等。无监督学习：应用聚类算法（如K均值、层次聚类）对数据进行分类，识别不同的物质或特征。

5. 结果分析：将分析结果可视化，通常使用伪彩色图像展示不同物质的分布。根据光谱特征进行定量、定性分析，计算物质的浓度或类别等相关参数。

六种辣度的火锅底料在400-1700nm波长范围内a面光谱曲线

六种火锅底料样本在400-1700nm，a面的反射率曲线如下图所示。不同辣度的样品的反射率曲线的波形大致相似，但其反射率的大小随辣度的变化而产生明显的变化，辣度越高反射率约低。

六种辣度的火锅底料在400-1700nm波长范围内b面光谱曲线

六种火锅底料样本在400-1700nm，b面的反射率曲线如下所示。不同辣度的样品的反射率曲线的波形大致相似。其中860-930nm波段处的反射率曲线能较好的区分不同辣度的火锅底料，辣度越高反射率越低。

建立CNN模型（400-1000nm   a面）

通过计算火锅底料400-1000nm，a面高光谱反射率数据，采用卷积神经网络（CNN）深度学习模型分别对不同辣度火锅底料进行建模，分类结果如下。

辣度12°和辣度52°样品（最上方两个）因数据采集时与容器相接，部分区域光线收到遮挡，对数据产生影响。辣度36°的样品部分区域凹陷，对采集的数据造成影响。辣度65°样品部分区域被误判为辣度75°。辣度45°与辣度75°分类效果很好，整体的分类准确率在75%-85%。

建立CNN模型（400-1000nm   b面）

通过计算火锅底料400-1000nm，b面高光谱反射率数据，采用卷积神经网络（CNN）深度学习模型分别对不同辣度火锅底料进行建模，分类结果如下。

辣度45°中有部分区域误判为辣度36°，六种辣度整体分类效果较好，分类准确率约为85%。

建立CNN模型（900-1700nm   a面）

通过计算火锅底料900-1700nm，a面的高光谱反射率数据，采用卷积神经网络（CNN）深度学习模型分别对不同辣度火锅底料进行建模，待模型收敛后进行分类应用，分类结果如下。

其中辣度为12°和36°的误判区域较多，这是因为辣度12°的表面凹凸不平，采集到的数据有很多亮斑，影响数据质量。而辣度36°的中间有一块凹陷区域，造成数据质量不佳，产生误判。辣度为45°、52°、65°和75°的分类效果很好，整体的分类准确率在70%-80%。

建立CNN模型（900-1700nm   b面）

通过计算火锅底料900-1700nm，b面的高光谱反射率数据，采用卷积神经网络（CNN）深度学习模型分别对不同辣度火锅底料进行建模，分类结果如下。

如图可知，b面相较于a面，更平滑，无干辣椒等固体物遮挡，不同的辣度分类效果很好。仅有少部分区域误判，整体分类准确率能达到90%以上。900-1700nm可能更适合用于检测火锅底料的辣度变化。

总结：

使用光谱视觉技术，通过采集六种火锅底料样品的高光谱图谱数据，并对数据进行预处理和选择相应的算法进行分析后，可对样品的不同辣度进行区分。

火锅底料的a、b两面的光谱曲线特性都可以看出辣度的变化，b面的区分度更好。其中900-1700nm的短波红外谱段相较400-1000nm的可见近红外谱段，具有识别准确率和精度高的优点。

下一步需要加大数据样本数量，逐步提升识别准确率。