检测前通常采用低温或者脱水处理的方式排除水的干扰、降低光谱噪声以及提高谱峰的可辨性。但脱水和低温处理会改变生物组织的形态，不适合生物组织的无损检测。为无损检测生物组织，需要在合理的THz检测模式基础上寻找合适的光谱预处理方法，以削弱水对THz波的干扰。南京林业大学机械电子工程学院的齐 亮、赵茂程、赵 婕等人探讨不同预处理方法对猪肉K值的THz无损检测影响，研究出更适合K值预测的光谱预处理方法。
1、样本K值测定结果
共获得80 个肉样的光谱数据和K值，K值范围涵盖了新鲜、次新鲜和变质的猪肉样本，选用的样本具有代表性。样本被随机分为54 个校正集和26 个预测集，个数比大致为2∶1；其中校正集用于建立THz光谱预测K值的数学模型，预测集用来检验模型预测未知样本K值的准确性。校正集、预测集和样本总集合的K值范围基本相同，平均值和标准差没有明显区别，因此校正集和预测集的样本分割是合适的。
2 、K值预测模型的建立
不同猪肉样本的原始光谱强度有很大差异。光谱的差异不仅包含了样本成分的差异，还包括测量误差、基线漂移和背景噪声。为消除干扰信息，除尽可能保持实验环境因素一致外，还需对光谱数据进行预处理，以减弱或去除各种干扰因素，增强样本的有效信息在光谱中的表达，改善预测效果。
3、预测模型分析
本法测定条件下，猪肉K值的BP-ANN预测模型较适合的THz光谱预处理方法是FD。此模型还有进一步完善的空间。样品成分复杂，吸收光谱中未见明显的吸收峰或者特征波段，可以优化组合光谱预处理方法，或者设计更优的预处理算法，滤除与新鲜度无关的物质对THz光谱的影响，从复杂成分的THz光谱中提取与K值相关度更大的特征波段，研究出更适合表达K值与THz光谱复杂非线性关系的模型，进一步提高预测精度。
此外，预处理算法使得每条光谱相邻波点的数据相关性增强，所以预处理后的光谱主成分数明显比原始光谱多。
结 论
为实现THz光谱无损检测猪肉K值，本实验在ATR检测模式下，比较研究原始光谱及在用SNVT、MSC、FD和SD等预处理后，BP-ANN预测模型的性能差异。结果表明FD预处理后模型的预测性能最优，相关系数Rp为0.75，RMESP为14.36%。可见，THz原始光谱中不仅包含新鲜度相关化学成分信息，还存在噪声和基线漂移，需要用预处理去除这些干扰，以提高模型的预测性能；不同的光谱预处理方法对模型的预测精度有不同的影响，FD预处理方法能够有效减弱光谱信号中的噪声和基线的固定漂移，放大与新鲜度相关的THz光谱微小差异，提升THz光谱与新鲜度的相关性。该研究为光谱预处理技术能够提高THz无损检测肉样新鲜度的精度提供了理论和实验依据，如进一步将光谱预处理方法进行优化组合，或者设计更优的预处理算法，将会进一步提高模型的预测性能。
