共查询到19条相似文献,搜索用时 200 毫秒
1.
介绍了近红外光谱分析技术的测量原理和分析程序,综述了其在无损检测水果内部品质方面的应用现状,指出应注意的问题,并展望其研究发展前景。 相似文献
2.
3.
4.
近红外光谱技术在苹果品质无损检测中的应用 总被引:1,自引:0,他引:1
近红外光谱技术是一种高新分析技术,被越来越多地应用于农业领域。概述近年来国内外近红外光谱技术在苹果品质无损检测中的应用情况,分析近红外光谱技术在苹果质检中的应用方向,为果品无损检测技术的发展提供参考。 相似文献
5.
稻米、小麦、玉米作为三大主粮在我国居民粮食结构中占有重要位置,粮食生产、加工、储运等产业链中品质监测是不可或缺的重要环节,特别是高效、无损、客观、实时的光学品质检测对粮食行业的健康发展具有重要意义。本文对比分析了三大主粮的可见/近红外光谱、拉曼光谱、荧光光谱的光学特性及内部品质光学检测机理,总结分析了粮食内部品质光学检测技术国内外应用研究现状,探讨了机器视觉、高光谱等粮食外观品质检测技术应用范围及国内外研究现状。结合三大主粮特定的品质检测需求,总结分析了国内外粮食内部品质光学检测装置研究现状,重点探讨了外观品质检测装置的硬件组成和空间排布研究现状,并总结分析了各光学检测技术相关装置的商业化推广应用情况。最后,从粮食品质光学检测技术瓶颈出发,对粮食快速光学检测技术及装备存在的问题和发展趋势进行了分析展望。 相似文献
6.
过去几十年,对西瓜内部品质的检验大多数是靠人的经验,既慢又不准确。近几年,研究人员一直关注这个问题,并且在西瓜内部品质快速无损检测方面做了很多研究。文章对近年来西瓜无损检测技术的主要方法进行了梳理和总结。介绍了核磁共振法、可见/近红外光谱检测法、振动频率响应法、声学特性法等检测方法的原理、国内外研究进展及其优缺点。目前... 相似文献
7.
基于近红外漫反射光谱技术的芒果糖度无损检测方法研究 总被引:2,自引:0,他引:2
近红外光谱分析技术是近年迅速发展的一门绿色分析技术,具有快速、准确、无损伤检测的特点,正越来越广泛地应用于水果内部品质的无损检测。为此,应用近红外漫反射光谱技术无损检测芒果糖度,光谱数据经一阶微分和Savitzk-Golay预处理后,分别采用主成分回归法(PCR)和偏最小二乘法(PLS)建立芒果糖度近红外分析模型,当主成分数为10时,预测相关系数R分别为0.838 69,0.976 59,RMSEC分别为1.628 4,0.205 8,MEP为1.235 0,0.738 3;采用BP神经网络对70个样品光谱进行训练,建模集相关系数达到0.983 3,而对36个预测样品集的相关系数只有0.663 9;调整建模集和预测集样品,相关系数增大到0.683 6,平均相对误差由10.336 9%降到8.057 6%。研究结果表明,利用近红外漫反射光谱技术对芒果糖度进行无损检测是可行的。 相似文献
8.
高光谱成像技术结合了光谱学和成像技术的主要优势,可以同时获得一个样本的空间分布及物理和化学性能,是水果无损检测的发展趋势。为此,主要介绍了高光谱成像原理、装置、数据处理方法,以及国内外水果内外品质无损检测的应用,并对高光谱成像技术在水果无损检测中的不足及未来趋势进行了分析。 相似文献
9.
10.
11.
12.
研究提出了近红外光谱技术无损检测香蕉品质指标的新方法。采用The Unscramble 9.7分析软件,建立了香蕉糖度、坚实度和粘度的预测模型。根据定标集样品常规方法测定结果和所扫描得到的香蕉未剥皮和剥皮的光谱信号间的拟合关系,采用偏最小二乘法建立香蕉糖度、坚实度和粘度的定标模型,并用未参与定标的一组样品作为预测集对模型进行检验。未剥皮香蕉的糖度、坚实度和粘度的预测决定系数分别为0.94,0.95,0.93,剥皮香蕉的糖度、坚实度和粘度的预测决定系数分别为0.92,0.97,0.95,预测精度较高。结果表明,香蕉皮对其的影响不大,近红外光谱技术可应用于未剥皮香蕉品质检测,实现了香蕉品质的快速、无损检测,为香蕉品质的无损检测提供了理论依据。 相似文献
13.
14.
采用可见/近红外光谱分析技术对河北和安徽两个产地的板栗进行检测分级,获得板栗样品在600~1 100 nm波长区间的可见/近红外光谱,采用偏最小二乘判别分析(PLSDA)进行建模,比较不同预处理方法和波长范围对PLSDA模型精度的影响。结果显示,不同预处理方法对模型性能影响较大,一阶导数预处理在全波长范围所建PLSDA模型性能最优,校正集和验证集的决定系数分别为0.884和0.863,均方根误差分别为0.170和0.191。不同波长范围也会影响模型的预测和识别性能,在波长区间为750~1 000 nm的光谱所建立的PLSDA模型性能要高于全波长光谱所建立的模型性能,其中经过Savitzky Golay平滑预处理后,模型性能的提高最为明显,且其与原始光谱在校正集和验证集的敏感性和特异性均达到最优,即识别率均可达到100%。因此,可见/近红外光谱分析技术能够对板栗产地进行鉴别。 相似文献
15.
16.
近红外光谱分析中,异常样本的存在严重影响定标模型的预测性能和适配性。基于 X / Y 联合的ODXY异常样本识别和剔除方法,提出并证明了一种专用于多组分分析的MODXY异常样本识别方法。实验采用80组玉米近红外光谱数据,利用不同异常样本识别方法剔除异常样本后建立玉米含水率、含油率、蛋白质含量和淀粉含量4种组分的偏最小二乘预测模型,采用预测均方差和决定系数作为评价指标比较所建模型的性能,检验MODXY方法在多组分分析中的异常样本识别能力。实验结果表明:在近红外多组分分析中,MODXY方法在大多数情况下具有更好的异常样本识别能力;MODXY方法和ODXY方法均有一定的适用范围,它们更适合于相应组分化学值的相对标准偏差较大的情况。 相似文献
17.
18.
19.
基于近红外光谱和机器学习的大豆种皮裂纹识别研究 总被引:3,自引:0,他引:3
针对目前大豆种皮裂纹检测主要依靠人工、检测效率低、误差大的问题,提出一种基于近红外光谱技术和机器学习的大豆种皮裂纹自动识别方法。采用FT-NIR光谱仪采集150粒大豆样品(裂纹大豆75粒,正常大豆75粒)的近红外光谱,采用原始光谱、标准正态变量变换(Standard normal variate, SNV)、多元散射校正(Multiple scatter correction, MSC)、一阶导数结合SG平滑、二阶导数结合SG平滑等5种方法对获得的光谱进行预处理,分别采用偏最小二乘判别分析法(Partial least squares discriminant analysis, PLS-DA)、k-近邻法(k-nearest neighbor, KNN)、支持向量机法(Support vector machine, SVM)、随机森林法(Random forest,RF)、随机梯度提升法(Stochastic gradient boosting, SGB)、极端梯度提升法(Extreme gradient boosting,XGBoost)等6种机器学习方法建立了大豆种皮裂纹识别模型,研究了不同光谱预处理方法对6种机器学习方法分类效果的影响,对比分析了不同建模方法的分类效果。结果表明,光谱预处理方法对不同机器学习方法的分类效果差别较大。在合适的光谱预处理条件下,6种不同的机器学习算法的验证集准确率均不低于80.00%。PLS-DA的分类效果最好,验证集最优准确率达到90.00%;XGBoost的分类效果次之,验证集最优准确率达到86.67%,接下来依次是SVM、KNN、SGB和RF。利用近红外光谱技术和机器学习方法识别大豆种皮裂纹是可行的,在原始光谱条件下,PLS-DA是大豆种皮裂纹识别的最佳方法。 相似文献