苹果可溶性固形物近红外光谱在线检测影响因素研究

光谱仪的性能和样品运动速度是影响近红外光谱在线检测精度的重要因素.三款配置了不同光栅的短波光谱仪被用于在线检测苹果的可溶性固形物含量.分别考察不同光谱仪和五种苹果运动速度对苹果可溶性固形物在线检测精度的影响.经比较,在0.190m/s速度下,使用QE65000光谱仪建立的偏最小二乘模型预测结果最优.最优预测模型的相关系数为0.814,预测均方根误差为0.776.Brix.结果表明选择合适的样品运动速度和光谱仪可提高苹果可溶性固形物在线检测的精度.     

基于CARS算法的脐橙可溶性固形物近红外在线检测

采用可见/近红外光谱在线检测装置进行赣南脐橙可溶性固形物含量在线检测模型优化研究。样品以5个/s的速度运动,采集可见/近红外漫透射光谱。光谱经过预处理后,分别应用向后区间偏最小二乘法（BiPLS）、遗传算法（GA）和正自适应加权算法（CARS）筛选特征变量,并通过外部验证评价PLS模型预测能力。一阶微分处理后经CARS筛选特征变量建立的PLS模型预测结果最优,预测相关系数和预测均方根误差分别为0.94和0.42%。结果表明CARS算法可有效简化赣南脐橙可溶性固形物可见/近红外光谱在线检测模型并提高模型的预测精度。     

鸭梨黑心病和可溶性固形物含量同时在线检测研究

采用可见近红外漫透射光谱技术,探讨鸭梨黑心病和可溶性固形物含量同时在线检测的可行性。在5个/s运动速度下,采集了黑心果和正常果的可见近红外能量谱。分析了正常果和黑心果的可见近红外光谱响应特性,分别建立了鸭梨黑心病峰值比判别模型和偏最小二乘判别模型。同时建立了可溶性固形物偏最小二乘回归模型,考察了黑心病对鸭梨可溶性固形物偏最小二乘回归模型预测精度的影响,提出了鸭梨黑心病和可溶性固形物含量同时在线检测策略。采用未参与建模的新样品,评价鸭梨黑心病和可溶性固形物含量在线分选的准确性,黑心果判别准确性达到100%,正常果可溶性固形物预测标准差为0.45°Brix,分选正确率达到98%。     

水果糖度近红外光谱在线检测装置

采用短波近红外光谱仪,进行机械传送、光谱采集处理、自动控制等系统的设计和集成,研制水果糖度近红外光谱在线检测装置。在550~850nm范围,采用偏最小二乘法,建立了苹果糖度近红外光谱在线检测数学模型。经比较,标准正交校正和一阶导数处理后的光谱建立的数学模型预测效果最优,模型的相关系数为0.78,模型预测均方根误差为0.67°Brix。实验表明:水果糖度近红外光谱在线检测装置可准确地检测苹果糖度含量。     

苹果内部品质分级机械手设计与试验

为检测苹果内部品质,基于可见/近红外光谱检测技术并结合分拣机械手,设计了苹果内部品质分级机械手。该装置主要由夹持机构、近红外光谱采集系统、控制系统等组成。机械手稳定夹持苹果后采集苹果的近红外光谱数据,上位机软件中的预测模型对光谱数据进行分析处理,并显示光谱曲线和预测结果。为建立苹果可溶性固形物含量预测模型,基于该装置采集了苹果在650～1 100 nm波长范围内的光谱数据,通过国家标准测量法测得苹果样本的可溶性固形物含量,采用SG卷积平滑(SG-smooth)、标准正态变量变换(SNV)和多元散射校正(MSC)对光谱数据进行预处理,并结合可溶性固形物含量测量值建立偏最小二乘(PLSR)模型。结果表明,采用多元散射校正方法预处理后的建模效果最优,其预测模型的校正集和预测集相关系数分别为0. 978 2、0. 970 1,均方根误差分别为0. 274 6、0. 326 3°Brix。选取20个同品种苹果样本对该装置的稳定性和准确性进行了测试,可溶性固形物含量预测值与测量值相关系数为0. 957 3,均方根误差为0. 422 4°Brix。试验结果表明,苹果内部品质分级机械手在夹持苹果的同时可以实现对苹果可溶性固形物含量的准确预测。     

苹果内部品质近红外光谱检测的异常样本分析

应用声光可调谐滤光器近红外光谱仪检测苹果内部品质(可溶性固形物含量、总糖、总酸和硬度)时,综合利用Cook距离、马氏距离、杠杆值和学生化残差,判断疑似异常样本点,然后用二审剔除判别法确定异常样本点.最终可溶性固形物含量、总糖、总酸模型都剔除了11个异常样本,硬度模型剔除了6个异常样本.其偏最小二乘回归模型的相关系数分别从0.868、0.791、0.443、0.693提高到0.904、0.849、0.501、0.718,校正误差均方根(RMSEC)分别从0.882 °Brix、9.213 g/L、0.805 g/L、0.105 MPa降低到0.733 °Brix、7.300 g/L、0.687 g/L、0.097 MPa.所建的苹果各品质模型更加稳定,准确度更高.     

梨可溶性固形物含量NIR与变量筛选无损检测

为提高利用近红外光谱技术快速检测梨可溶性固形物含量的精度和稳定性，结合区间偏最小二乘和遗传算法（iPLS-GA）来筛选校正模型中的特征光谱区和变量，通过交互验证法确定模型中的主成分因子数和筛选的变量，并以预测均方根误差（RMSEP）和相关系数（Rp）作为模型评价标准。试验结果显示：iPLS-GA最优模型包含5个光谱区、50个变量和10个主成分因子。最佳预测模型相关系数（Rp）和RMSEP 分别为0.9398和0.3250，研究结果表明近红外光谱结合iPLS-GA算法可以准确、无损检测梨的可溶性固形物含量。     

基于近红外光谱技术的发育后期苹果内部品质检测

为了解发育后期苹果内部品质与近红外光谱特性之间的关系,给田间管理、实时采收等提供依据,利用近红外漫反射技术测量了发育后期3个月内"富士"苹果在833~2 500 nm波长范围内的光谱特性,并测量了各样品的内部品质参数(可溶性固形物含量、硬度、p H值和含水率),分析了单一波长下吸光强度与各内部品质参数之间的线性关系。结果表明,单一波长下吸光强度与苹果各内部品质参数之间的线性相关性均较弱,基于单一波长下的吸光强度很难预测苹果的内部品质。为此,结合化学计量学方法建立了预测可溶性固形物含量、硬度、p H值和含水率的最小二乘支持向量机和极限学习机(ELM)模型,并分析了主成分分析(PCA)、连续投影算法(SPA)和无信息变量消除法等3种降维方法对模型预测性能的影响。结果表明,预测可溶性固形物含量、p H值的最优模型为SPA-ELM,其RMSEP分别为0.443 5°Brix和0.006 8;预测硬度、含水率的最优模型为PCA-ELM,其RMSEP分别为0.2612 kg/cm2和0.623 5%。     

苹果糖度在线检测降低杂散光影响研究

基于光谱学原理设计了智能苹果糖度在线分级设备,研究了上置式检测器在线检测中的杂散光问题,通过光路图分析了富士苹果3种摆放方式对杂散光的影响,并提出了遮光降噪方案。利用偏最小二乘(PLS)回归分别建立了3种摆放方式的富士苹果可溶性固形物含量(SSC)在线预测模型。研究结果表明,对于上置式检测器而言,摆放方式和遮光处理尤为重要。其中果柄朝上遮光为最佳降噪措施,所建立的模型校正集均方差(RMSEC)为0.60,校正集相关系数(RC)为0.94,预测集均方差(RMSEP)为0.67,预测集相关系数(RP)为0.87,可以满足实际生产中的在线分级要求。     

基于LED组合光源的水晶梨可溶性固形物和大小在线检测

该文探讨了近红外光谱技术结合发光二极管（LED）组合光源探头在线检测水晶梨的可溶性固形物和大小的可行性。试验中采用850、880和940 nm 3盏LED组成组合光源探头，每个水晶梨在均匀成单列的输送线上以每秒5个梨的速度运动，采用漫反射方式采集水晶梨的漫反射光谱。应用偏最小二乘（PLS）和最小二乘支持向量机（LS-SVM）方法建立了可溶性固形物和大小2个理化参数的校正模型，同时对不同光谱预处理方法（平滑、一阶微分、二阶微分）建立的模型的预测性能进行了对比分析，并通过外部验证来检验模型预测的准确性。利用平     

基于特征LED光源的苹果多品质参数无损检测装置研究

为了实现对优质果品的快速无损筛选,设计了便携式苹果多品质一体化无损检测装置。利用可见/近红外光谱检测平台,获取苹果样本的漫反射光谱信息,采用随机蛙跳算法提取了可溶性固形物含量、可滴定酸含量和果肉硬度的特征波长,优选出3个参数的10个共享特征波长。在此基础上,采用特征窄带LED光源与光电二极管相结合的检测方式,设计了漫反射检测光路、窄带LED环形光源、检测探头及控制电路等硬件系统。选取144个苹果样本,通过检测装置获取漫反射特征电压强度,由传感器感光系数计算出对应的光强,建立了苹果可溶性固形物含量、可滴定酸含量和果肉硬度的多元线性回归模型,预测集相关系数分别为0. 812 9、0. 807 3和0. 773 6,均方根误差为0. 603 6°Brix、0. 063 6%和1. 732 5 N。基于QT和Python3开发工具,采用Python语言开发了装置的实时控制与分析软件,植入苹果多品质参数预测模型,实现了多品质参数的同时检测与分析。为测试该装置的检测精度和稳定性,另选取46个样本,每个样本重复检测8次,预测苹果可溶性固形物含量、可滴定酸含量和果肉硬度的相关系数分别为0. 809 6、0. 796 2和0. 758 9,均方根误差0. 697 3°Brix、0. 070 3%和1. 832 3 N,装置重复采样最大变异系数分别为0. 010 6、0. 011 6和0. 006 2。结果表明:基于多特征窄带LED光源研发的低成本、便携式无损检测装置可实现对苹果多品质参数的实时无损检测,可满足农户田间生产及电商销售优质果筛选要求。     

用于冬小麦组分信息检测的便携式LVF光谱仪研究

小麦是我国主要的粮食作物,能够实时准确地对小麦进行长势监测具有重要意义。为此,介绍了一种自主研发的便携式LVF光谱仪的软硬件结构,采集冬小麦冠层叶片光谱数据,利用偏最小二乘法建立了冬小麦组分信息的内嵌反演模型,使其成为可以测量冬小麦叶片组分信息的专用型光谱仪。同时,用校验集对预测模型进行验证,相关系数分别达到0.906和0.876。结果表明:便携式LVF光谱仪在冬小麦叶片组分信息的检测方面是可行性的。     

苹果可溶性固形物近红外在线光谱变量优选

为简化近红外光谱模型,提高对苹果可溶性固形物含量的预测精度,将移动窗口偏最小二乘法(MWPLS)与遗传算法、连续投影算法相结合优选特征变量,建立偏最小二乘回归校正模型。其中移动窗口偏最小二乘法和遗传算法相结合优选的36个光谱变量建立的校正模型预测结果最好,可以有效筛选近红外光谱特征波长,模型预测相关系数为0.90,模型的预测均方根误差为0.70°Brix。     

基于无人机成像高光谱影像的冬小麦LAI估测

利用无人机Cubert UHD185 Firefly成像光谱仪和ASD光谱仪获取了冬小麦挑旗期、开花期和灌浆期的成像和非成像高光谱以及LAI数据。首先,对比ASD与UHD185光谱仪数据光谱反射率,评价两者精度;然后,选取7个光谱参数,分析其与冬小麦3个生育期LAI的相关性,并使用线性回归和指数回归挑选出最佳估测参数;最后利用多元线性回归、偏最小二乘、随机森林、人工神经网络和支持向量机构建了冬小麦3个不同生育期LAI的估测模型。结果表明:UHD185光谱仪光谱反射率在红边区域与ASD光谱仪趋势一致性很高,反射率在挑旗期、开花期、灌浆期的R^2分别为0.9959、0.9990和0.9968,UHD185光谱仪数据精度较高;7种光谱参数在挑旗期、开花期、灌浆期与LAI相关性最高的参数分别是NDVI(r=0.738)、SR(r=0.819)、NDVI×SR(r=0.835);LAI-MLR为冬小麦LAI的最佳估测模型,其中开花期拟合性最好,精度最高(建模R^2=0.6788、RMSE为0.69、NRMSE为19.79%,验证R^2=0.8462、RMSE为0.47、NRMSE为16.04%)。     

苹果硬度的傅里叶变换近红外光谱无损检测

利用傅里叶变换近红外光谱技术探讨快速无损检测苹果硬度方法的可行性.通过解析苹果样品的近红外光谱图,用一阶导数、多元散射校正和矢量归一等方法进行预处理,再用偏最小二乘法建立模型.结果表明,多元散射校正能够有效消除光谱基线平移和偏移现象, 提高原光谱的信噪比,选取有效信息波长范围为1408～2355nm.偏最小二乘法结合多元散射校正所建模型的预测效果最好,模型的决定系数R2为0.9852,内部交叉验证均方根差RMSECV和预测标准偏差RMSEP分别为0.0398kg/cm2和0.0166kg/cm2.进一步通过剔除异常值优化模型,并验证检验组的25个样品,模型的R2为0.9908,RMSEP为0.0147kg/cm2.结果表明:建立的模型可靠,预测效果好,能满足苹果硬度快速检测的要求.     

苹果可溶性固形物含量的检测方法——基于可见光近红外光谱技术

为了快速检测苹果的可溶性固形物(SSC)含量,采用可见光近红外光谱技术,结合主成分分析(PCA)和BP神经网络技术,来建立苹果SSC的预测模型.获取苹果样本在345～1039 nm波段的漫反射光谱,采用DPS数据处理系统对其进行主成分分析,并提取出累计可信度大于95 %的5个新主成分.建立一个3层的BP神经网络模型,并将这5个新的主成分作为BP神经网络模型的输入量,其结果是98 %以上预测样本的预测相对误差在5 %以下.该研究表明,采用近红外光谱技术来建立苹果可溶性固形物的预测模型是可行的.     

基于CRV-YOLO的苹果中心花和边花识别方法

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRV-YOLO的苹果中心花和边花识别方法。本文基于YOLO v5s模型进行了如下改进：将C-CoTCSP结构融入Backbone,更好地学习上下文信息并提高了模型特征提取能力,提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。在Backbone中添加改进RFB结构,扩大特征提取感受野并对分支贡献度进行加权,更好地利用了不同尺度特征。采用VariFocal Loss损失函数,提高了模型对遮挡等场景下难识别样本检测能力。在3个品种1 837幅图像数据集上进行了实验,结果表明,CRV-YOLO的精确率、召回率和平均精度均值分别为95.6%、92.9%和96.9%,与原模型相比,分别提高3.7、4.3、3.9个百分点,模型受光照变化和苹果品种影响较小。与Faster R-CNN、SSD、YOLOX、YOLO v7模型相比,CRV-YOLO的精确率、平均精度均值、模型内存占用量和复杂度性能最优,召回率接近最优。研究成果可为苹果智能疏花提供技术...     

基于邻域粗糙集和高光谱散射图像的苹果粉质化检测

研究了基于邻域粗糙集理论的高光谱散射图像苹果粉质化无损检测方法。以576幅波长范围为600~1000nm的苹果高光谱数据为研究对象,利用邻域粗糙集模型对81个原始波段进行选择,从中选择出最优波长子集;利用支持向量机建立分类模型,随机选择526个样本作为训练集,其余50个样本作为测试集,重复仿真10次验证分类能力。仿真结果表明邻域粗糙集能够得到充分表述粉质化程度的14个最优波长,测试模型的平均精度为75%,高于全波长模型的71%和采用主成分分析法的74%。     

水肥一体化对基质栽培下樱桃番茄品质的影响

对温室内基质栽培下的樱桃番茄进行水肥一体化试验,揭示樱桃番茄品质与灌水量及施肥量的内在关系。结果表明:灌水量及施肥量对樱桃番茄品质的影响都显著,且二者存在耦合效应。施肥量较低时,增加灌水量可有效提高其维生素C含量,但硝酸盐含量也随之增加;3种施肥量下,灌水量越高,樱桃番茄的可溶性总糖与可滴定酸越低;施肥量较低时,增加灌水量可有效提高其可溶性固形物含量,适中的水肥量出现最高的可溶性固形物含量。对维生素C而言,采摘前一月的最优水肥为高水中肥;对可溶性总糖与可滴定酸含量而言,最优水肥为低水高肥;对可溶性固形物而言,最优水肥为中水中肥;从降低硝酸盐含量而言,最优水肥为低水肥。     

南丰蜜桔可溶性固形物近红外特征波段选择

探讨了在350～1 800 nm波段范围内不同光谱预处理方法对提高模型预测能力和稳定性的作用,但其效果不如间隔偏最小二乘法显著.通过间隔偏最小二乘特征波段选择方法,确定了南丰蜜桔可溶性固形物特征波段为:642～787 nm、861～1 006 nm、1 080～1 152 nm和1 226～1 371 nm.采用30个未参与建模的南丰蜜桔样品,预测特征波段建模模型,预测模型的相关系数为0.95,预测均方根误差为0.55°Birx.结果表明:近红外光谱技术结合间隔偏最小二乘特征波段选择方法,可以提高南丰蜜桔可溶性固形物无损检测数学模型预测能力和稳健性.