基于介电频谱的灵武长枣可溶性固形物含量的预测模型

为了探寻利用介电频谱预测灵武长枣可溶性固形物含量的可行性,并建立最优模型,该文采用网络分析仪在200 MHz~18 GHz的频率范围内,选取101个频率点,测定分析了300个灵武长枣的介电损耗因子ε″和介电常数ε'频谱,利用长枣的介电损耗因子ε″和介电常数ε'进行了可溶性固形物含量的预测模型研究。通过遗传算法(genetic algorithm,GA)和相关系数法(correlation coefficient,CC)提取了介电频谱的有效信息,并分别采用偏最小二乘(partial least squares,PLS)、主成分回归(principal component regression,PCR)和支持向量机(support vector machines,SVM)法比较建立了可溶性固形物含量的预测模型。研究结果表明:用GA与CC方法提取频谱有效信息的建模效果要优于原始频谱的建模效果;PCR法的建模效果要优于PLS与SVM法的建模效果。以介电损耗因子ε″、介电常数ε'频谱建立的可溶性固形物含量的最优预测模型分别为GA-PCR和CC-PCR。以介电损耗因子ε″建立的GA-PCR模型优于介电常数ε'的CC-PCR模型,其校正集和预测集的相关系数分别为0.933和0.925,均方根误差分别为0.661%和0.702%。结果表明,利用介电频谱预测灵武长枣的可溶性固形物含量是可行的。     

基于介电特性与SPA-SVR算法的水稻含水率检测方法

为提高基于介电法水稻含水率的检测精度,以北粳3号水稻为研究对象,利用阻抗分析仪及自制同轴圆柱型电容器测量了不同含水率水稻在1 kHz～1 MHz频率下的相对介电常数ε′及介质损耗因数ε"。采用x-y共生距离法划分了72个样本校正集和48个样本预测集。利用无信息变量消除法及连续投影法选取介电参数(ε′、ε"及ε′和ε"两者结合)的特征变量,分别利用所提取的特征变量以及单频、全频下的介电参数来建立预测水稻含水率的多元线性回归及支持向量机回归模型,分析模型的预测性能,并对最佳模型的含水率预测结果进行温度补偿。结果表明:基于ε′与ε"两者结合并利用连续投影法提取特征变量建立的支持向量机回归模型预测效果最佳,其预测集决定系数为0.980,预测均方根误差为0.403%。最佳预测模型对不同品种水稻的含水率预测值与烘干法测得的含水率实测值的绝对误差集中分布在±0.5%内,该研究可为粮食含水率的检测提供参考。     

柿子可溶性固形物含量的可见-近红外光谱检测

为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。     

手持式可见近红外苹果品质无损检测系统设计与试验

为实现苹果多产地多品质指标的现场快速无损检测与评价，该研究基于可见近红外光谱技术研发低成本、低功耗、小型化的苹果品质手持式无损检测终端。检测终端集成宽谱LED光源和水果特征响应窄带光电探测器，接入物联网云端数据系统，实现检测数据上传和模型的远程更新维护。利用研制的检测系统可有效获取不同产区苹果500～1 050 nm波长范围内的漫反射光谱，优选光谱预处理算法消除干扰并采用不同特征波长提取算法对数据进行降维，分别建立了多产地苹果可溶性固形物含量、硬度和维生素C含量的通用检测模型，模型的预测相关系数分别为0.926、0.798和0.704，预测均方根误差分别为0.585%、1.405 kg/cm2和0.968 mg/100g。将通用检测模型载入云端数据系统作为云模型，检测样本时调用云模型进行计算并反馈至检测终端。通过多个产地独立样本的验证表明，该系统可满足苹果产业现场无损检测的实际需求，为手持式光谱检测仪的实用化设计提供参考。     

基于介电特性及ANN的油桃糖度无损检测方法

为了探索利用果品的介电特性无损预测内部品质的可能性,该文采用矢量网络分析仪测量了10 d贮藏期间,300个99-1油桃在20～4500 MHz频率下的相对介电常数和介电损耗因子,以糖度作为内部品质指标,基于x-y共生距离的样本划分法确定了含243个样本的校正集和57个样本的预测集;建立了预测油桃糖度的偏最小二乘、支持向量机及极限学习机模型,并综合比较了采用全频谱以及利用无信息变量消除法和连续投影算法分别提取的特征变量作为各模型输入变量时,对各模型拟合效果的影响。结果表明：连续投影算法结合极限学习机预测效果最好（预测相关系数为0.887,预测均方根误差为0.782）;与全频谱和无信息变量消除法相比,连续投影算法在简化模型及提高模型稳定性方面性能良好。该研究结果表明,基于油桃介电特性无损检测糖度是可行的,可为应用介电特性无损检测果品的内部品质指标提供了一种新方法。     

苹果果实成熟期间电特性的研究

为了了解果实成熟期间电特性的变化规律,该文以红富士苹果为对象,研究了测试信号的频率和电压对成熟期苹果电参数的影响,果实生长中电参数和生理生化参数的变化,并分析了电参数变化的原因。研究结果表明：频率对苹果电参数的影响规律与苹果成熟度无关,但电压对苹果电参数的影响规律与苹果成熟度有关。苹果成熟期间,其呼吸强度持续下降;果实成熟前期,相对介电常数和pH值逐渐下降,后期逐渐增大;而电阻率和可溶性固形物含量在前期逐渐增大,后期减小。这些参数的转折点皆出现在同一时间,说明电参数与苹果内部品质之间存在必然的联系,可以用电参数反映内部物质成分的变化。     

采后苹果电特性与生理特性的关系及其应用

为了了解果蔬的电学特性,并为果蔬品质自动化识别提供新方法,该文从生理特性角度分析了影响采后苹果电参数变化的原因。基于电参数的变化,将BP神经网络技术应用于苹果新鲜等级的识别。研究结果指出：采后红富士苹果相对介电常数的变化规律与乙烯释放量变化规律相似,电阻率与乙烯释放量变化规律相反,在乙烯释放峰出现时,相对介电常数达到最大值,电阻率达到最小值。根据采后苹果可溶性固形物含量和pH值的变化,将苹果分为3个新鲜等级,以相对介电常数和电阻率作为BP神经网络的输入特征参数,在2-20-3的网络结构下,苹果新鲜等级平均识别率达到79%。该研究为了解采后果品电特性变化的原因提供了信息,为基于电特性的新型果品内部品质检测技术的研究提供了基础。     

近红外光谱检测苹果可溶性固形物

该文目的是通过静态和在线两种方式的对比试验,研究苹果可溶性固形物近红外光谱静态和在线检测的差异。分别在静态（600～950 nm）和在线（600.02～950.92 nm）2种检测方式下,采用间隔偏最小二乘法,寻找苹果可溶性固形物的特征波段,建立了苹果可溶性固形物近红外光谱检测用数学模型,并进行对比分析。试验结果为：与静态检测模型相比,在线检测模型性能稍弱,模型预测相关系数为0.78,预测均方根误差为1.04oBirx。试验结果表明：近红外光谱在线检测苹果可溶性固形物的精度不理想。     

基于介电特性的海沃德猕猴桃品质检测

为研究猕猴桃的介电特性与其主要品质之间的关系,本试验通过测定不同贮藏时期海沃德猕猴桃的介电特性、营养成分、色差及质构指标,用连续投影算法(SPA)和遗传算法-偏最小二乘法(GA-PLS)筛选出各品质指标(Vc、可溶性固形物、ΔE、硬度、粘聚性和弹性)的特征频率点,建立猕猴桃品质指标的预测模型并进行验证。结果表明,建立 Vc和ΔE值的最优模型为连续投影算法结合神经网络模型,可溶性固形物、硬度、粘聚性和弹性的最优模型为遗传算法-偏最小二乘法结合神经网络模型,模型对各指标预测的决定系数分别为0.971、0.934、0.922、0.984、0.908和0.954,各品质指标预测值与实测值无显著差异(P>0.05)。综上所述,介电检测技术结合SPA和GA-PLS可用于预测猕猴桃的特征品质。本研究结果为猕猴桃品质的无损检测奠定了基础。     

近红外光谱变量筛选提高西瓜糖度预测模型精度

水果的内部品质是水果分级、保鲜及存储的一项重要指标,利用近红外光谱技术对西瓜内部品质进行快速无损检测研究有着非常重要的意义。为了研究变量筛选方法对西瓜糖度预测模型精度的影响,该文以麒麟瓜为研究对象,利用近红外漫透射光谱技术对麒麟瓜可溶性固形物含量（SSC）进行检测,采用偏最小二乘回归（PLSR）,多元线性回归（MLR）和主成分回归（PCR）建立麒麟瓜可溶性固形物数学模型,并探讨等间隔平均光谱和等间隔抽取光谱变量筛选结合连续投影算法（SPA）对预测模型精度的影响。研究结果表明：光谱经等间隔抽取（间隔5,115个变量）经归一化预处理,结合SPA优选出6个波长建立的PLSR预测模型的相关系数（rpre）为0.828、校正均方根误差（RMSEC）为0.589、预测均方根误差（RMSEP）为0.611。该模型预测效果相对较优,建模时间短,提高了模型的预测能力和预测精度。该研究为西瓜内部品质的在线无损检测提供研究基础。     

基于改进RetinaNet的果园复杂环境下苹果检测

为了快速准确地检测重叠、遮挡等果园复杂环境下的苹果果实目标,该研究提出一种基于改进RetinaNet的苹果检测网络。首先,该网络在传统RetinaNet的骨干网络ResNet50中嵌入Res2Net模块,提高网络对苹果基础特征的提取能力;其次,采用加权双向特征金字塔网络（Bi-directional Feature Pyramid Network,BiFPN）对不同尺度的特征进行加权融合,提升对小目标和遮挡目标的召回率;最后,采用基于焦损失（Focal Loss）和高效交并比损失（Efficient Intersection over Union Loss,EIoU Loss）的联合损失函数对网络进行优化,提高网络的检测准确率。试验结果表明,改进的网络在测试集上对叶片遮挡、枝干/电线遮挡、果实遮挡和无遮挡的苹果检测精度分别为94.02%、86.74%、89.42%和94.84%,平均精度均值（meanAveragePrecision,mAP）达到91.26%,较传统RetinaNet提升了5.02个百分点,检测一张苹果图像耗时42.72 ms。与Faster-RCNN和YOLOv4等主...     

手持式黄油桃可溶性固形物可见近红外光谱检测设备研制

桃在鲜果市场中占有重要份额。可溶性固形物含量（soluble solid content,SSC）是衡量桃品质的重要参数,是挑选优质桃以及预测最佳采摘时期的重要决策依据。该研究开发了一款基于可见近红外光谱技术的手持式黄油桃SSC无损检测设备。该设备的硬件系统主要由微型光谱仪、卤素灯、OLED显示屏、微控制器以及自主设计的驱动电路组成。为了评估所开发设备的检测性能,采用北京平谷区种植的黄油桃作为样品进行验证。首先,获取校正集样品在680～940 nm范围内的可见近红外光谱,经5点平均平滑和最大值归一化对光谱预处理建立黄油桃SSC偏最小二乘回归模型并用于预测集样本的SSC分析,预测相关系数和均方根误差分别为0.947和0.728%,单果检测时间不超过2 s。为了提高模型精度和稳定性,将校正集和预测集合并后作为新的校正集进行建模,并将重新构建的模型对独立验证集进行预测,SSC预测值与实测值的相关系数为0.906,均方根误差为0.732%。采用分段直接校正算法将主机模型传递到从机。经过模型传递后,从机对独立验证集SSC的预测值与实测值的相关系数和均方根误差分别为 0.865和0.919%。该手持式SSC检测设备可将SSC预测数据以蓝牙方式传输到手机客户端,借助手机定位功能,在地图上实现黄油桃SSC空间可视化分布。研究结果表明,该手持式SSC无损检测设备可以实现黄油桃SSC的准确测量,借助模型传递算法。实现了模型在不同设备间的有效传递,避免了重复建模,可为该设备批量生产节约大量成本,具有广阔的应用前景。     

苹果颗粒离散元接触参数标定与仿真试验

为精准确定红富士、花牛和黄元帅苹果的接触参数,该研究基于离散元法对3种苹果颗粒的仿真模型进行接触参数标定试验。首先,创建3种苹果的离散元填充模型,并通过电子秤、万能试验机等试验设备,确定其本征参数。其次,通过碰撞弹跳试验、斜面滑移试验和斜面滚动试验,得到红富士、花牛和黄元帅苹果与亚克力板的碰撞恢复系数分别为0.473、0.432和0.466;与亚克力板的静摩擦系数分别为0.435、0.536和0.519;与亚克力板的滚动摩擦系数分别为0.0077、0.0138和0.0088。最后,通过堆积角试验、最陡爬坡试验确定二次回归正交旋转组合试验,得到红富士、花牛和黄元帅同种苹果间的碰撞恢复系数分别为0.487、0.3348和0.469;静摩擦系数分别为0.584、0.869和0.644;滚动摩擦系数分别为0.084、0.096和0.093。试验结果表明,红富士、花牛和黄元帅苹果仿真试验与物理试验的休止角相对误差分别为5.95%、6.55%、8.67%。研究结果可为苹果物理特性和低损采收技术研究提供理论依据和模型支撑。     

中国耕地利用绿色转型效率的时空分异特征及其影响因素

耕地利用绿色转型（Green Transformation of Cultivated Land Use,GTCLU）是对绿色中国和经济转型等国家发展战略的积极响应,也是破解耕地利用生态困境的有力举措。该研究提出GTCLU这一概念,并据此构建GTCLU测度指标体系,选取2003—2017年中国30个省市区数据,运用三阶段DEA-Malmquist和Tobit模型,先后测算GTCLU效率的时空分异特征及其影响因素。结果表明：1）初始的Malmquist测度结果显示GTCLU效率总体呈“先下降,后上升”的增长态势,大多数年份效率值小于1而处于绿色转型无效状态。2）通过SFA回归剔除环境因素和随机误差的影响后,调整后的结果显示中国GTCLU效率均值为1.001而处于效率递增状态,表明中国存在GTCLU且绿色转型程度不断加深。其中,技术进步是效率提升的主要原因,而技术效率变化、纯技术效率和规模效率则成为GTCLU效率提升的重要瓶颈。3）中国GTCLU效率在区域上存在明显差异,中部地区处于效率相对最佳区域,东北和东部地区次之,西部地区相对最低;在时序上呈波动上升态势,年均增长率为0.84%。4）农业经济水平、耕地资源禀赋、政府扶持力度和技术使用强度对中国GTCLU效率均有显著影响。为更好地保障、推进GTCLU,需在把握技术进步的同时注重制度和管理创新,充分发挥资源禀赋与技术使用的促进作用,在耕地利用投入和产出中不断强化绿色要素以培育GTCLU内生优势。     

基于多模型证据融合的苹果分类方法

水果内部品质是水果分类的重要依据之一,利用近红外光谱技术对苹果内部品质进行快速无损检测研究有着非常重要的意义。为提高近红外技术分类模型的预测精度,针对单一预测模型适用性差以及硬分割导致分类不确定性等问题,该研究以烟台红富士苹果为研究对象,利用自行研发的水果在线无损检测系统采集苹果近红外光谱以及可溶性固形物含量 (Soluble Solids Content, SSC),分别采用偏最小二乘（Partial Least Squares, PLS）和极限学习机（Extreme Learning Machine, ELM）法建立苹果预测分类模型,根据SSC的预测值与分类边界的距离提出三角形质量函数生成方法,通过证据理论的Dempster组合规则融合质量函数从而实现2种模型的融合,并探讨基于三角形质量函数的证据理论融合模型对预测精度的影响。研究结果表明：PLS分类模型的准确率为92.25%,ELM分类模型的准确率为 93.80%,而提出多模型融合方法的分类准确率达到了95.35%。而且,该研究提出的三角形质量函数生成法与硬分割生成的质量函数相比方法更符合实际,通过PLS、ELM模型和DS融合模型的混淆矩阵可以看出,融合模型实现了苹果SSC处于分类边界值时的准确分类,三类苹果被错误分类的个数均有减小。该研究提出的多模型证据融合方法不仅提高了模型的预测精度,而且更好地表达了关于类标预测的不确定性,为苹果的在线无损检测分类提供研究基础。     

融合轻量化网络与注意力机制的果园环境下苹果检测方法

为提高复杂果园环境下苹果检测的综合性能，降低检测模型大小，通过对单阶段检测网络YOLOX-Tiny的拓扑结构进行了优化与改进，提出了一种适用于复杂果园环境下轻量化苹果检测模型（Lightweight Apple Detection YOLOX-Tiny Network，Lad-YXNet）。该模型引入高效通道注意力（Efficient Channel Attention，ECA）和混洗注意力（Shuffle Attention，SA）两种轻量化视觉注意力模块，构建了混洗注意力与双卷积层（Shuffle Attention and Double Convolution Layer，SDCLayer）模块，提高了检测模型对背景与果实特征的提取能力，并通过测试确定Swish与带泄露修正线性单元（Leaky Rectified Linear Unit，Leaky-ReLU）作为主干与特征融合网络的激活函数。通过消融试验探究了Mosaic增强方法对模型训练的有效性，结果表明图像长宽随机扭曲对提高模型综合检测性能贡献较高，但图像随机色域变换由于改变训练集中苹果的颜色，使模型检测综合性能下降。为提高模型检测苹果的可解释性，采用特征可视化技术提取了Lad-YXNet模型的主干、特征融合网络和检测网络的主要特征图，探究了Lad-YXNet模型在复杂自然环境下检测苹果的过程。Lad-YXNet经过训练在测试集下的平均精度为94.88%，分别比SSD、YOLOV4-Tiny、YOLOV5-Lite和YOLOX-Tiny模型提高了3.10个百分点、2.02个百分点、2.00个百分点和0.51个百分点。Lad-YXNet检测一幅图像的时间为10.06 ms，模型大小为16.6 MB，分别比YOLOX-Tiny减少了20.03%与18.23%。该研究为苹果收获机器人在复杂果园环境下准确、快速地检测苹果提供了理论基础。     

基于音频和近红外光谱融合技术的西瓜成熟度判别

为了满足西瓜成熟度的快速无损检测需求,该研究主要利用声学技术、近红外光谱技术结合K最近邻法(k-nearest neighbor,KNN)、线性判别分析(linear discriminant analysis,LDA)和反向传播人工神经网络(back propagation artificial neural network,BP-ANN)3种化学计量学方法对不同成熟度的西瓜进行定性判别;同时采用联合区间偏最小二乘筛选法(synergy interval partial least squares,Si-PLS)分别建立声学技术、近红外光谱技术、融合技术的西瓜可溶性固形物预测模型。结果表明融合技术处理结果均优于单一信号,其LDA模型数据的西瓜成熟度模型识别率较佳,校正集和预测集的识别率分别为100.00%和91.67%。同时,基于融合技术所建立的西瓜可溶性固形物预测模型效果较佳,其校正集的均方差根误差(root mean squared error of the calibration set,RMSECV)为0.601%,预测集的均方差误差(root mean squared error of the prediction set,RMSEP)为0.725%,相比的单独音频信号其均方根误差分别降低了0.081、0.068个百分点。研究结果可为高精度的西瓜品质快速鉴别提供参考。     

便携式双档位柑橘多品质无损检测装置设计与试验

为了解决普通检测装置难以覆盖不同果径（25～95mm）柑橘的检测需求问题,研发了覆盖多果径柑橘的便携式双档位多品质无损检测装置。以砂糖橘（果径25.35～48.61mm）和武鸣沃柑（果径53.24～94.71mm）为研究对象,基于研发的双档位探头,在赤道部位每隔120°采集一次光谱,平均光谱作为该柑橘的原始光谱。经标准正态变量变换（standard normal variable,SNV）、多元散射校正（multiplicative scatter correction,MSC）预处理,再利用竞争性自适应加权抽样算法（competitive adaptive reweighted sampling, CARS）筛选特征波长,分别建立了沃柑和砂糖橘的可溶性固形物含量（soluble solids content,SSC）和水分的偏最小二乘预测模型。沃柑的SSC和水分预测模型验证集相关系数分别为0.937、0.951,均方根误差分别为0.382°Brix、0.491%;砂糖橘的SSC和水分预测模型验证集相关系数分别为0.921、0.935,均方根误差分别为0.460°Brix、0.673%...     

Potential of SPME-GC and chemometrics to detect adulteration of soft fruit purées

The potential of combining solid-phase microextraction (SPME) with gas chromatography and chemometric data analysis to differentiate between pure strawberry samples (Fragraria ananassa) and strawberry samples adulterated with 10, 40, and 70% (v/v) apple purée was investigated. The method involved the extraction of aroma volatiles from the headspace of the purée samples using a SPME fiber followed by GC analysis with flame ionization detection. The principal component analysis (PCA) data matrix consisted of the relative percent peak areas of 37 compounds deemed to be significant in the differentiation of the samples on the basis of adulteration. The PCA results clearly showed that differentiation of the adulterated and unadulterated samples was possible, particularly at the higher levels of adulteration. Partial least-squares regression (PLSR) using a dummy set of Y variables (set to 0 for unadulterated and 1 for adulterated samples) resulted in clear discrimination between unadulterated purées and those containing 40 and 70% (v/v) apple. PLSR using a second set of Y variables, consisting of the actual level of adulteration, enabled quantification of apple purée with a standard error of prediction of 11.6%, implying a minimum detectable level of 25% (v/v) apple. GC-MS analysis enabled identification of the compounds with the greatest influence on sample differentiation. These compounds were identified as hexanoic acid, 2-hexenal, and alpha-farnesene, all of which are key aroma compounds in apples.     

Apples prevent mammary tumors in rats

Regular consumption of fruits and vegetables has been consistently shown to be associated with reduced risk of developing chronic diseases such as cancer and cardiovascular disease. Apples are commonly consumed and are the major contributors of phytochemicals in human diets. It was previously reported that apple extracts exhibit strong antioxidant and antiproliferative activities and that the major part of total antioxidant activity is from the combination of phytochemicals. Phytochemicals, including phenolics and flavonoids, are suggested to be the bioactive compounds contributing to the health benefits of apples. Here it is shown that whole apple extracts prevent mammary cancer in a rat model in a dose-dependent manner at doses comparable to human consumption of one, three, and six apples a day. This study demonstrated that whole apple extracts effectively inhibited mammary cancer growth in the rat model; thus, consumption of apples may be an effective strategy for cancer protection.