基于光谱和水分补偿方法的鲜枣内部品质检测

为了建立稳定可靠的鲜枣品质检测模型,利用光谱和水分补偿方法进行鲜枣内部品质的检测。首先,针对鲜枣各品质指标(水分含量、可溶性固形物含量、维生素C含量、蛋白质含量、硬度值),采用回归系数法(RC)提取特征波段并建立最小二乘支持向量机(LS-SVM)检测模型,预测集的决定系数(R2_P)均在0.8261以上,预测均方根误差(RMSEP)均在3.324 9以下。在提取各项品质指标特征波段的基础上,剔除其他四项单一品质特征波段中与水分特征波段(包含利用RC法所提取到的水分特征波长和鲜枣中具有明显水分特征的吸收峰)重叠或接近的波段,并与鲜枣水分含量值进行数据融合建立了各项指标的水分补偿模型。结果表明,硬度值的水分补偿模型精度有一定提高,R2_P和RMSEP分别为0.830 5和0.055 3;可溶性固形物含量、维生素C含量、蛋白质含量的水分补偿模型精度均有所下降,R2_P分别为0.804 1,0.878 2和0.837 8,RMSEP分别为1.347 3,0.638 0和3.503 2。然后,分析各品质指标间的相关性,结果表明,水分含量在0.05水平上与硬度值呈现显著的相关性,在0.01的水平上与其余三项品质指标之间存在极显著的相关性,相关性强弱与水分补偿模型的建模结果相互支持。研究表明,水分补偿法所建的预测模型可用于鲜枣内部品质的检测,水分含量与其他四项品质指标之间有相互作用并影响其他品质指标所建立的预测模型。该研究为进一步探讨光谱检测中各内部品质指标间交互作用的解耦提供了新思路。     

基于光谱和成像技术的果蔬质量检测研究进展

为保证食品安全和消费者健康,无损检测技术广泛应用于果蔬质量检测中。光谱和图像技术可分别获取果蔬的内部和外部信息,成为质量检测的有效工具。为跟踪国内外研究进展并分析研究现况,从果蔬外部品质(尺寸、形状、表面缺陷、颜色、纹理等)、内部品质(内部缺陷、可溶性固形物、可滴定酸、水分、类胡萝卜素等单一品质及综合品质)、成熟度、货架期/贮藏期、产品溯源、生长监测、安全(农药残留、病虫和细菌侵染、转基因产品等)检测及光学系统设计等方面综述了光谱和成像技术的应用,分析了存在的图谱库不完善、解混处理算法复杂、高精度和便携式的光学系统开发力度不够、校正模型的影响因素复杂等问题。然后,归纳了发展趋势,指出了各组分可视化分析及交互作用机理解析、光与果蔬组织的交互作用机理分析和光学特性参数反演等光学特性分析、科学合理的综合评价体系的建立、新算法的应用和多种算法的联合使用、不同算法的可靠性和稳定性的提高、稳定和普适模型的建立、低成本和便携式等光学分析仪器的商品化开发和商业化应用等成为进一步探索的方向,为基于光谱和成像技术的果蔬质量检测发展提供了参考。     

基于二维相关光谱的壶瓶枣室温贮藏硬度动力学模型研究

为了实现鲜枣常温贮藏期的硬度实时监测并对贮藏时间进行预测,建立了室温下壶瓶枣贮藏期的近红外光谱硬度动力学模型。基于二维相关光谱技术,分析综合浓度影响下的壶瓶枣敏感波段,优选的敏感波段为904,980,1 072,1 200,1 630,1 941和2 215 nm。分析不同贮藏天数的壶瓶枣果肉平均硬度,并拟合出零级反应方程,模型的相关系数为0.991 3,标准误差为6.116×10-4。鲜枣的贮藏过程中,由于复杂的生理化学反应,主要物质的含量发生变化,并通过宏观的信息光谱特征和硬度得以体现。将敏感波段下的光谱信息和贮藏期的硬度指标进行信息耦合,建立壶瓶枣果肉硬度的偏最小二乘模型(partial least square, PLS),模型的预测精度R_P为0.942 7,RMSEP为0.021 0。进而以敏感波段的吸光度为自变量,壶瓶枣果肉硬度指标为应变量,进行多元回归定量分析,建立近红外光谱硬度动力学模型,模型的拟合优度即相关系数为0.983 9,标准误差为0.024 9,并在此基础上建立壶瓶枣贮藏时间与近红外光谱的线性回归关系。研究表明,基于二维相关光谱的硬度动力学模型可以实现对壶瓶枣果肉硬度指标的快速、无损检测并实现其贮藏时间的预测。