运用近红外透射光谱技术检测苹果内部品质

通过运用近红外透射光谱技术快速分析了苹果的糖度和硬度,使用偏最小二乘法建立预测模型,得出校正集苹果糖度的最佳主因子维数为3,相关系数R为0.9943,校正标准差为0.2476;校正集苹果硬度交叉校验的最佳主因子维数为3,相关系数R为0.9644,校正标准差为0.3529。研究结果表明：运用近红外透射光谱技术可以准确地无损快速定量分析苹果糖度和硬度。     

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。     

近红外透射光谱无损检测赣南脐橙糖度的研究

探讨了近红外透射光谱无损检测赣南脐橙内部糖度指标的可行性,并建立近红外透射光谱与赣南脐橙内部糖度指标之间的关系.以80个赣南脐橙为研究对象,利用透射光谱测定法获取完整赣南脐橙的近红外光谱(200～1100nm),选取不同的光谱波段范围对水果样本的透射光谱进行有效信息的提取,并结合多元线性回归(MLR)、主成分回归(PCR)和偏最小二乘法(PLS)3种不同的数学校正方法对赣南脐橙的糖度(SC)进行定量分析.实验结果为:在550～900nm波段范围内,PLS校正模型的预测精度最好,其相关系数为0.9032,预测样本均方根误差为0.2421.实验结果表明,近红外透射光谱可以作为一种准确、可靠、无损的检测方法,用于检测赣南脐橙内部的糖度指标.     

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。     

可移动式苹果内部品质果园产地分级系统

为满足苹果内部品质产地检测分级需求,本研究研发出检测模块和分级模块,构成可移动式苹果内部品质果园产地分级系统。在此系统的基础上,以苹果糖度和霉心病为代表品质指标,提出一种基于乘法效应消除（Multiplicative Effect Elimination,MEE）的光谱校正方法,用于消除苹果物理属性差异导致的有效光程变化对光谱的影响。利用该系统获取苹果600~900 nm漫透射光谱数据,分别采用多元散射校正（Multiple Scattering Correction,MSC）、标准正态变量变换（Standard Normal Variate Transform,SNV）和MEE算法对苹果光谱预处理后,建立糖度偏最小二乘回归（Partial Least Squares Regression, PLSR）预测模型和霉心病偏最小二乘判别（Partial Least Squares - Discriminant Analysis,PLS-DA）模型。结果表明,MEE算法相比于MSC和SNV算法建模结果更好,糖度预测模型的校正集相关系数（Rc）、校正集均方根误差（Root Mean Square Error of Calibration,RMSEC）、预测集相关系数（Rp）和预测集均方根误差（Root Mean Square Error of Prediction,RMSEP）分别为0.959、0.430%、0.929和0.592%;霉心病判别模型的校正集敏感性、校正集特异性、校正集准确率、预测集敏感性、预测集特异性和预测集准确率分别为98.33%、96.67%、97.50%、100.00%、90.00%和95.00%。将建立的最佳预测模型导入分级系统进行试验,结果表明该系统的分级准确率为90.00%,分级速度约3个/s。该系统具有成本低、结构简单、移动方便等优点,可以满足苹果内部品质果园产地检测分级需求。     

不同颜色银杏叶总黄酮含量分布高光谱图像检测

利用近红外高光谱图像技术研究了总黄酮含量在不同颜色(绿色、黄绿色、黄色)银杏叶片上的二维分布规律。采集120片银杏叶在近红外波段(900~1 700 nm)下的高光谱图像信息,并利用分光光度计法测定银杏叶片的总黄酮含量;计算高光谱图像中不同波段下的平均灰度作为银杏叶对应的光谱信息,利用逐步线性回归方法建立黄酮含量校正模型(R=0.930 7);逐一提取待测银杏叶高光谱图像中每个像素点在不同波段的光谱信息,并将其代入黄酮含量校正模型以计算出各个像素点处对应的黄酮含量,从而绘制总黄酮含量在整个银杏叶片上的二维分布图。研究结果表明,银杏叶总黄酮含量随着绿色、黄绿色、黄色而呈现出递增趋势,且总黄酮含量高的区域主要位于叶片的边缘,总黄酮含量低的区域主要位于叶柄附近。研究为揭示有机组分在农产品、食品中的分布规律提供了技术手段。     

苹果糖度近红外光谱小波去噪和iPLS建模

为了提高苹果近红外光谱糖度预测模型的精度,利用多尺度小波去噪法对苹果近红外光谱进行了预处理,并用改进后的间隔偏最小二乘法(iPLS)建立预测模型。应用结果表明,多尺度小波去噪法滤除了原始光谱中的部分噪声,但又保留了原光谱中的主要信息。运用间隔偏最小二乘法对预处理后的光谱建模,其校正时的相关系数rc和校正均方根误差RMSEC分别为0.9635和0.3026,预测时的相关系数rp和预测均方根误差RMSEP分别为0.9214和0.4113,主因子数为5个。结果表明,用多尺度小波去噪和间隔偏最小二乘法所建立的苹果糖度模型不但精度有所提高,而且更加简洁、数据运算量也更少。     

手机联用的苹果糖度便携式检测装置设计与试验

基于可见/近红外光谱技术设计了手机联用的苹果糖度便携式检测装置,旨在通过优选特征波段确定适合苹果糖度检测的波段范围及光学传感器,并通过与手机的联用完成苹果糖度的高效、便携、低成本的无损检测。选择STS-NIR微型光纤光谱仪（波长范围650~1100nm）,利用实验室自行搭建的光谱采集平台对120个苹果进行光谱采集,通过偏最小二乘（PLS）算法对全波长数据进行建模,并采用连续投影法（SPA）、遗传算法（GA）和竞争自适应重加权抽样法（CARS）等变量选择方法对全波长进行特征波段的识别来选择有效波长。变量选择结果显示,所得3组特征波段含有重合项,且均包含与苹果糖度有关的变量。利用偏最小二乘（PLS）算法建立关于苹果糖度基于3组特征波段的预测模型,并对3组结果进行分析,包括对预测相关系数、预测均方根误差比较等,来评估所建模型的准确性。试验结果表明,利用3组特征波段所得建模结果均比较良好,预测相关系数都在0.93以上,其中GA-PLS模型对苹果糖度的预测效果最优,预测相关系数可达0.9447。根据上述所得特征波段的高度重合项,确定了检测苹果糖度的特征波段及其对应的光学传感器,并基于所设计的苹果糖度便携式检测装置对另取的40个苹果进行试验验证,苹果糖度的预测相关系数可达0.8822。结果表明,本文所设计的基于特征波段的手机联用的苹果糖度便携式检测装置,成本低、便于携带、检测准确率高,具有实现苹果糖度的实时无损检测的可行性。     

近红外透射苹果运动速度模型适用性的研究

应用近红外透射检测技术在线检测苹果的糖度,分析运动速度对模型适用性的影响,在实验台分别以0,0.3,0.6,0.9m/s的切线速度检测苹果光谱,应用偏最小二乘法(PLS)建立苹果糖度的模型,得出最好的模型相关系数R为0.9386,校正标准差RMSEC为0.2894,最佳主因子数为4.研究结果表明:苹果运行速度对模型的预测结果有影响,用每个速度下的大量样品参与建模,可以有效地提高模型的稳健性,从而减少模型对水果运行速度的敏感性;当速度超过范围(阀值0.9m/s),模型的稳定性较差.     

基于混合线性分析的苹果糖度近红外光谱检测

将主要用于纯组分定量分析的混合线性分析法的一种变形算法（HLA/XS法）移植到苹果糖度这一非纯组分含量指标的近红外光谱检测中,并与偏最小二乘法（PLS）进行比较.应用结果表明,虽然最佳的HLA/XS校正模型（18个主因子）比最佳PLS校正模型（11个主因子）复杂,但其精度却明显优于PLS模型：利用校正集的28个苹果样本建立的糖度HLA/XS校正模型,其相关系数r2和校正标准偏差SEC分别为0.925 09和0.406 18;该校正模型经预测集的11个样本验证,r2和预测标准偏差SEP分别达到0.876 11和0.484 80.HLA/XS糖度模型对苹果光谱的SEC和SEP分别比PLS法的SEC（0.414 73）和SEP（0.504 73）减小了2%和3.9%.结果表明,在诸如苹果糖度这一类农产品品质综合指标（非纯组分含量指标）的光谱检测中,应用混合线性分析法（HLA/XS）进行定量分析是可行的.并且其结果可与偏最小二乘法（PLS）的结果相同.