鲜枣品种和可溶性固形物含量近红外光谱检

采用近红外光谱分析技术无损鉴别鲜枣品种和测定其可溶性固形物含量.对3个不同品种的鲜枣进行光谱分析,各获取30个样本数据.采用平滑法和多元散射校正方法对样本数据进行预处理,再用主成分分析法对光谱数据进行聚类分析并获得各主成分数据.将样本随机分成75个建模样本和15个预测样本,将建模样本的主成分数据作为BP神经网络的输入变量,鲜枣品种和可溶性固形物含量作为输出变量,建立3层人工神经网络鉴别模型,并用该模型对15个预测样本进行预测.结果表明,在阈值设定为±0.17的情况下该模型对预测集样本品种鉴别准确率达到100%,可溶性固形物含量预测值与实测值相对偏差小于10%.     

近红外漫反射检测梨可溶性固形物SSC和硬度的研究

采用近红外漫反射光谱检测梨可溶性固形物(SSC)和硬度.采集梨的近红外漫反射光谱,光谱经梨的吸光度原始光谱、一阶微分和二阶微分预处理,分别采用多元线性回归、主成分回归和偏最小二乘法,建立了梨可溶性固形物(SSC)和硬度的定量预测数学模型.结果表明采用一阶微分结合偏最小二乘法的预测效果最好,可溶性固形物(SSC)和硬度定量数学校正模型的相关系数分别为0.9285和0.8478,均方根误差分别为0.4364°Birx和1.227.近红外漫反射光谱作为一种无损的检测方法用于评价梨可溶性同形物(SSC)和硬度是可行的.     

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。     

西瓜可溶性固形物含量近红外透射检测技术

设计的近红外透射式西瓜可溶性固形物含量（SSC）检测系统主要包括光纤光谱仪、光纤透射附件、数据采集卡以及自制光源。对50个麒麟瓜SSC进行了预测试验，采用主成分回归和偏最小二乘回归法分别建立了样品的原始光谱、一阶微分光谱、二阶微分光谱和SSC的预测模型，结果表明偏最小二乘回归法建立的模型具有较高的相关性，相关系数为0．951，均方根校正误差0．347，均方根预测误差0．302，样本真实值与预测值的相关系数为0．910。     

基于人工神经网络的苹果可溶性固形物无损检测

采集了60个苹果在400～1 100nm范围内的可见-近红外漫反射光谱,然后使用连续投影算法将光谱变量进行压缩,最后采用BP神经网络建立了苹果糖度的预测模型。实验表明,连续投影算法从400～1 100nm范围提取出25个优选波长参与建模,有效简化了模型结构。BP神经网络模型对苹果糖度的预测相关系数达到0.853,预测均方根误差为1.303 0。结果表明,基于近红外光谱的苹果糖度无损检测是可行的。     

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%。     

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%。     

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.     

基于高光谱的酿酒葡萄果皮花色苷含量多元回归分析

以酿酒葡萄赤霞珠果实为研究对象,利用高光谱成像技术检测葡萄果皮中的花色苷含量。采集60组样本的900~1700nm近红外波段高光谱图像,并用pH示差法测量样本果皮中花色苷含量。选取高光谱图像中葡萄果实区域作为感兴趣区域（ROI）,计算其平均光谱,并采用SG平滑、归一化、多元散射校正等预处理方法提高光谱的信噪比。然后采用偏最小二乘回归（PLSR）、支持向量回归（SVR）和BP神经网络算法建立花色苷含量预测模型。研究表明：基于PLSR模型推荐的13个隐含变量建立的BP神经网络模型的预测决定系数和预测均方根误差分别为0.9102和0.3795。     

基于介电频谱的采后苹果可溶性固形物含量无损检测

根据10~4500MHz间采后21周贮藏期间无损富士苹果介电参数的频谱特性,建立了苹果可溶性固形物含量的支持向量回归（SVR）预测模型和BP网络预测模型;并综合比较了采用原始频谱（FF）、主成分分析（PCA）和连续投影算法（SPA）优选频率对模型预测效果的影响。研究结果表明,PCA—SVR建模效果最好,其预测相关系数为0.883,均方根误差为0.552,PCA—BP的建模效果较PCA—SVR稍差。并且发现经SPA处理后的数据建立的模型,均方根误差普遍较小;经PCA处理后的数据建立的模型,预测相关系数普遍较高。     

猕猴桃膨大果的近红外漫反射光谱无损识别

在833~2500 nm光谱范围内采集了120个猕猴桃膨大果和120个正常果的近红外漫反射光谱,采用变量标准化方法对光谱进行了预处理,基于Kennard-Stone方法对样本进行了划分,分别建立了基于全光谱(FS)、主成分分析法(PCA)提取的11个主成分和连续投影算法(SPA)提取的6个特征波长的偏最小二乘(PLS)、支持向量机(SVM)和误差反向传播(BP)神经网络识别模型。结果说明,所建立的9个模型对校正集和测试集中猕猴桃膨大果和正常果的正确识别率均分别大于96.7%和93.3%。PCA提取的主成分数和SPA提取的特征波长数仅是FS中波长数的0.53%和0.29%,建立的模型更加简单,且识别效率较高。PLS和SVM模型的识别率普遍高于BP神经网络模型。9种模型中PCA-PLS识别率最高,其对校正集和测试集中膨大果和正常果的正确识别率均达到100%。该研究结果表明,近红外漫反射光谱技术可作为一种准确、高效的方法应用于猕猴桃膨大果的无损识别中。     

近红外光谱柑橘货架期的快速鉴别模型——基于主成分分析神经网络

利用近红外光谱技术进行了柑橘货架期的快速鉴别模型的研究.在两个不同的时间采集从市场上购买的黄岩地区的32个柑橘(同一时间采摘)的近红外光谱,并将不同时间采集光谱时的柑橘的货架期分别定为1类和2类(间隔为10天),对不同货架期的柑橘样品光谱进行主成分特征提取,将提取的特征变量作为神经网络的输入,建立了基于主成分和神经网络的近红外光谱柑橘货架期的快速鉴别模型.所建模型对1类中7个样品货架期的鉴别结果中有4个样品的货架期预测准确率在90%以上;对2类中8个样品货架期的鉴别结果准确率均在90%以上.结果表明,近红外光谱技术可以很好地进行柑橘类水果的货架期的快速鉴别.     

基于模拟退火波长优化的草莓坚实度近红外光谱检测

为提高近红外光谱技术检测草莓坚实度模型的精度和鲁棒性,研究了一种基于模拟退火算法的波长优选方法,并找到一种与该算法配套的光谱预处理方法.利用光谱仪和物性仪分别采集草莓样品近红外漫反射光谱和坚实度数据,并采用标准正交变换、多元散射校正、一阶导数、二阶导数等方法对原始光谱进行预处理;最后,利用模拟退火算法优选与草莓坚实度高度相关的波数点变量,结合偏最小二乘法建立草莓坚实度预测模型.结果表明:经过标准正交变换预处理后,采用模拟退火算法优选出24个波数点,在主成分数为5时,建立的偏最小二乘模型具有最佳预测效果,模型校正集样本相关系数rc为0.934 2,校正均方根误差为0.665 N/cm2;预测样本相关系数rp为0.919 7,预测均方根误差为0.673 N/cm2.研究表明:模拟退火算法可以提高近红外模型预测草莓坚实度的精度和鲁棒性,并降低预测模型复杂度.     

基于近红外光谱与多品质指标的苹果出库评价模型研究

富士苹果在贮藏期后熟过程中其生理特性发生变化，不适宜的贮藏会影响出库品质和售卖价格。为使贮藏期果实以较好的品质出库销售，开展对贮藏后熟苹果品质模型研究，并在此基础上对苹果出库进行评价和预测。采集了全贮藏期不同时间苹果样本的近红外光谱和品质指标(可溶性固形物含量、硬度和失重率),分析贮藏期间果实漫反射光谱和品质指标变化规律，基于波长1 000～2 400 nm范围内的漫反射光谱结合预处理和特征波长提取方法，建立贮藏期苹果品质的偏最小二乘(PLS)和带有反馈的非线性自回归(NARX)预测模型，根据行业标准确定苹果出库品质判断依据，采用基于熵权的TOPSIS法对果实出库品质进行综合评价，实现PLS对品质得分和NARX对多品质指标的预测。结果表明，在预测SSC含量、硬度和失重率时，最优模型分别为CARS-SPA-PLS、CARS-NARX和SPA-NARX,相关系数分别为0.914、0.796和0.918,均方根误差分别为0.511°Brix、0.475 kg/cm²和0.682%;在预测品质得分时，PLS模型的相关系数与均方根误差分别为0.896和0.043 4,NAR...     

基于高光谱成像的肥城桃品质可视化分析与成熟度检测

肥城桃采摘后转色快、易腐烂,导致果品等级下降。采用高光谱成像技术对其进行可溶性固形物含量(SSC)和硬度可视化分析与成熟度检测,以提高果品质量,实现优果优价。首先,采集成熟度为70%和90%的各80个肥城桃的高光谱信息、SSC和硬度,通过蒙特卡罗偏最小二乘法分析剔除异常值,利用光谱-理化值共生距离划分样本集,采用竞争性自适应权重采样算法(CARS)和连续投影算法(SPA)选取特征波长,并建立多元线性回归(MLR)模型。研究表明:CARS-MLR模型性能优于SPA-MLR模型;预测SSC的CARS-MLR模型,R_c~2和R_v~2分别为0.819 1和0.843 9,RPD为2.0;预测硬度的CARS-MLR模型,R_c~2和R_v~2分别为0.951 8和0.877 2,RPD为2.1。然后,基于CARS-MLR模型计算肥城桃每个像素点的SSC和硬度,生成可视化分布图,实现不同成熟度肥城桃SSC和硬度可视化检测。最后,利用顺序前向选择算法优选特征波长,建立人工神经网络成熟度预测模型,获得98.3%总识别准确率。     

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

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。     

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。     

基于近红外光谱的神经网络预测大米直链淀粉含量

借助主成分分析，确立了用于近红外光谱分析的BP神经网络的输入输出模式对；并用BP神经网络方法建立了不同类型、不同粒度的大米样品直链淀粉含量预测模型；考察了模型的预测能力，其预测值与用标准方法取得的化学测定值间具有良好线性关系（相关系数达0．9）。用BP神经网络可降低因样品粒工的不同而对预测结果造成的差异。     

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。