淡水鱼类和淡水鱼类产品在全球水产品消费中所占比重较大。淡水鱼去鳞是鱼加工重要环节,去鳞效果直接影响淡水鱼产品表观质量和商业价值。现有去鳞效果的检测技术相对落后,大多为人工检测,是制约淡水鱼加工生产自动化、智能化水平最重要的因素之一。高光谱技术作为一种新兴的无损检测方法,有效地融合光谱和图像信息,在食品品质鉴评过程中得到了广泛应用。本文基于高光谱技术,结合图像处理、机器学习方法,展开淡水鱼的去鳞效果快速无损检测研究。由于鱼背、鱼腹、鱼尾在光谱与图像上的响应差别较大,本实验将整鱼分为鱼腹、鱼背和鱼尾三部分分别进行分析。根据所采集的不同程度鱼去鳞高光谱图像,针对光谱数据,在进行高光谱预处理方法、光谱降维方法、数据建模方法的研究基础上,建立鱼去鳞效果检测模型,实现淡水鱼去鳞效果无损检测。针对图像数据,在进行主成分分析、图像处理方法的研究基础上,提出了一种快速识别去鳞区域的算法。对比分析得到图像处理方法为最适用方法。本研究对图像处理算法、光谱处理算法、模型构建算法进行集成,建立面向鱼去鳞效果检测的软件系统。具体研究如下:(1)面向光谱数据对淡水鱼去鳞效果进行无损检测,提取不同程度去鳞后的鱼平均光谱,对原始光谱数据进行校正,利用卷积平滑(SG)算法、多元散射校正(MSC)和一阶导数法对光谱信息进行预处理。采用连续投影算法(SPA)和回归系数法(RC)实现高光谱数据降维,对特征波长进行选择,SPA选取三个特征波段454.9 nm、573.8 nm、748.6 nm,RC选取五个特征波段410.2 nm、437.1 nm、555.3 nm、572.1 nm、597.0 nm。分别针对全光谱信息,特征波长信息和分段波长信息建立鱼去鳞检测模型,得到基于分段波长信息建立的鱼去鳞检测模型为最优检测模型。针对鱼背高光谱数据,在696.8–761.1 nm波段下建立去鳞效果检测模型最佳,R_c2为0.971,R_p2为0.966,RMSEC为0.032,RMSEP为0.033,RPD为1.639;针对鱼腹高光谱数据,在696.8–761.1 nm波段下建立去鳞效果检测模型最佳,R_c2为0.978,R_p2为0.948,RMSEC为0.029,RMSEP为0.044,RPD为1.668;针对鱼尾高光谱数据,在696.8–761.1 nm波段下建立去鳞效果检测模型最佳,R_c2为0.995,R_p2为0.988,RMSEC为0.019,RMSEP为0.029,RPD为1.837。基于分段光谱数据无损检测方法可较好的实现淡水鱼去鳞效果的检测。(2)面向图像数据对淡水鱼去鳞效果进行无损检测,采用主成分分析(PCA)提取6张主成分(PC)图像,选取鱼背去鳞特征突出的PC3图像和鱼腹、鱼尾去鳞特征突出的PC4图像。利用阈值分割、区域生长法、形态学处理等图像处理方法得到淡水鱼去鳞区域图像,计算面积得到准确率,50条鱼去鳞效果的平均准确率达到91.12%。面向图像数据无损检测方法可较好的实现淡水鱼去鳞效果的检测。(3)为实现鱼品质检测系统自动化与智能化提供技术支持,基于上述两种无损检测方法,对图像处理算法、光谱处理算法、模型构建算法进行集成,建立面向鱼去鳞效果检测的软件系统。