不同产地苹果糖度可见近红外光谱在线检测

为了实现不同产地苹果糖度的快速在线无损检测,减少产地差异对近红外光谱检测模型的影响,建立了不同产地苹果糖度的在线检测通用模型。首先,采用水果动态在线检测设备采集了包括栖霞、洛川与会宁3个产地的红富士苹果的漫透射光谱。其次,采用偏最小二乘算法(PLS),结合无信息变量消除(UVE)方法,筛选出58个特征变量,建立了苹果糖度的UVE-PLS通用模型,该模型对个体产地预测集及总预测集的均方根误差分别为0.50～0.74°Brix与0.63°Brix,较原始个体模型分别提高了23.2%～44.4%与35.7%。最后,提出了一个新的外部验证样本集对模型性能进行评价,其残留预测偏差为2.33,预测值在±1.0°Brix和±1.5°Brix误差范围内的占比分别为85%与100%。实验结果表明:建立多个产地苹果糖度的在线检测通用模型,能够提高其他产地样本糖度的预测稳健性,并且采用合适的波长筛选方法能够简化模型。开发不同产地水果内部品质通用模型在波长有限的光谱设备中具有良好的应用潜力。     

脐橙糖度近红外光谱在线检测数学模型优化研究

目的是优化脐橙糖度近红外光谱在线检测数学模型,提高检测精度.在700.28～933.79 nm光谱范围内,根据建模集样品在不同波长处的变异系数,选择基准波长点,计算样品的反射比光谱.吸光度和反射比光谱,经不同光谱预处理后,分别采用偏最小二乘法(PLS)和最小二乘支持向量回归法(LSSVR),建立脐橙糖度近红外光谱在线检...     

梨和苹果糖度在线检测通用数学模型研究

采用可见/近红外光谱技术在线检测水果糖度,每个水果品种要单独建模,模型升级维护耗时费力。探讨建立苹果、梨等薄皮水果可溶性固形物(SSC)在线检测通用数学模型的可行性。利用自行设计的可见/近红外漫透射光谱在线检测系统,在积分时间80 ms、单线速度5个/s的条件下,采集新梨7号、砀山酥梨、玉露香梨和富士苹果四种水果的可见/近红外漫透射光谱。分析了四种水果的可见/近红外漫透射光谱响应特性,采用变异系数法和连续投影算法,筛选通用数学模型建模用光谱变量,并建立了偏最小二乘和最小二乘支持向量机梨与苹果梨通用数学模型。采用新样品评价模型的预测能力,变异系数法筛选光谱波段建立的偏最小二乘通用数学模型预测精度最高,通用模型预测梨和苹果梨模型预测均方根误差分别为0.49%和0.55%,通用模型预测相关系数分别为0.88和0.93;独立模型预测新梨7号、玉露香梨、砀山酥梨和富士苹果的预测相关系数分别为0.93,0.91,0.88和0.95,预测均方根误差分别为0.40%,0.42%,0.41%和0.46%。通用数学模型的预测精度略低于每个品种的独立数学模型,但是通用模型的通用性高于单一模型。实验结果说明采用变异系数法结合偏最小二乘法建立薄皮水果在线检测通用数学模型,实现四种水果糖度在线检测是可行的。     

基于近红外的柚子品种判别和糖度检测通用模型

针对厚皮果透光性差、不同柚子品种糖度在线检测要单独建模等问题,本文以柚子为研究对象,采集有效光谱325条,对比分析不同柚子品种在710 nm和800 nm附近的两个吸收峰光谱响应特性。550～970 nm全波段范围内的光谱采用SPA无信息消除后建立柚子偏最小二乘判别模型误判率为1.25%;偏最小二乘法在550～970 nm全波段范围和去差异化后750～930 nm波段范围的预测相关系数分别为0.58和0.86,预测均方根误差RMSEP分别为0.84和0.55。实验结果表明,连续投影法结合偏最小二乘判别模型可以实现不同柚子品种的定性判别,变异系数法对光谱去差异化后结合最小二乘模型对厚皮果柚子可溶性固形物的定量检测效果最佳,该研究为不同品种的厚皮果在线分选技术提供了参考和理论依据。     

基于近红外在线装置苹果糖度模型参数优化研究

糖度(SSC)是苹果内部品质主要评价指标之一,近红外光谱技术是预测苹果SSC的首选技术,优化近红外光谱采集装置的参数,可以提升模型的性能。采用本课题组自主研发的动态在线设备采集苹果的近红外光谱(350～1 150 nm),研究不同参数条件下(运动速度、积分时间和光照强度)对近红外光谱预测苹果糖度模型的影响,优化动态在线装置的参数。210个红富士苹果被分为两批,第一批90个苹果样品,经过Kennard-Stone算法(K-S)算法分为建模集和预测集,用于研究不同运动速度、不同积分时间对苹果SSC含量在线预测模型的影响。在0.3和0.5 m·s^-1两种运动速度下,使用多元散射校正(MSC)、小波变换(WT)、标准正态变量变换(SNV)对采集到的光谱进行预处理,对不同移动速度的光谱构建糖度的偏最小二乘回归模型(PLS),结果表明：装置的运动速度为0.5 m·s^-1所建立的预测模型性能较优,在四种不同积分时间中,积分时间为120 ms时,经SNV预处理所建立的模型性能最优,其预测集的相关系数和均方根误差分别为0.968和0.331。第二批苹果120个...     

苹果糖度近红外光谱分析模型的温度补偿

温度变化对水果品质近红外评价有很大影响,需要补偿温度波动对模型的影响。文章研究了温度变化(2～42 ℃)对苹果近红外漫反射光谱的影响,采用剔除温度变量法和内校正法补偿温度对模型的影响,提高预测精度。研究表明,温度与光谱信息存在一定相关性, 其模型R2=0.985,RMSEC=1.88,RMSEP=2.32;未进行温度校正模型的预测标准偏差达到2.55;采用复合预处理方法和改进的遗传算法对光谱数据优化,剔除温度变量法模型的R2=0.954,RMSEC=0.63,RMSEP₁=0.72,RMSEP₂=0.74;内校正法的模型R2=0.952,RMSEC=0.64,RMSEP₁=0.69,RMSEP₂=0.68;相比未进行温度补偿模型均提高了预测精度。结果显示：温度对苹果近红外光谱影响呈非线性变化,剔除温度变量法和内校正法可用于补偿温度对模型的影响,可提高模型预测精度。     

简化苹果糖度预测模型的近红外光谱预处理方法

采用正交信号校正法(OSC)和净分析物预处理法(NAP)分别对苹果的近红外光谱(1300~2100 nm)进行预处理,并结合偏最小二乘法(PLS)建立了糖度预测模型。应用结果显示,随着预处理过程中所用的正交信号校正因子或净分析物预处理因子的逐渐增加,偏最小二乘糖度模型(OSC/PLS模型和NAP/PLS模型)所采纳的最佳因子数也会随之减少,甚至可减至1。当采用10个正交信号校正因子预处理苹果光谱时,OSC/PLS糖度模型达到最佳性能,最佳模型采纳的因子数为2;采用11个净分析物预处理因子预处理光谱时,NAP/PLS糖度模型达到最佳性能,最佳模型采纳的因子数为1。从总体上评价,最佳OSC/PLS糖度模型和最佳NAP/PLS糖度模型的性能都明显优于原始光谱的最佳偏最小二乘模型。这些结果表明,正交信号校正法和净分析物预处理法都能在保证精度的同时有效地简化苹果糖度预测模型。     

应用近红外光谱技术快速检测果醋糖度

为了对果醋糖度值进行快速准确检测,应用近红外光谱技术并结合最小二乘支持向量机分析方法建立了果醋糖度检测模型.应用近红外透射光谱获取五种类型共计300份果醋样本的光谱透射曲线,利用主成分分析方法对原始光谱数据进行降维处理,根据主成分的累计贡献率选取6个主成分.选取的主成分即作为光谱优化特征子集以替代原来复杂的光谱数据.随后将300份果醋样本数据随机分为定标集和预测集,利用最小二乘支持向量机在225个定标集样本数据基础上建立起果醋糖度预测模型,应用此模型对75个预测集样本进行糖度预测.根据预测均方根误差(RMSEP)和预测结果的相关系数(r)对预测模型进行评价,利用此模型得到的样本糖度预测值r=0.993 9,RMSEP=0.363,均达到了较好的预测效果.     

苹果酒发酵过程中糖度近红外光谱检测模型的建立

在苹果酒发酵过程中,由于糖度变化幅度很大且酒体基质始终处于动态变化之中,文章采用分阶段处理结合人工神经网络法对不同发酵阶段的糖度检测、监测近红外光谱模型的建立进行了探讨。不同建模方法的比较结果表明采用减去一条直线法预处理光谱,阶段I建模光谱范围选择7 502～6 472.1 cm-1,阶段Ⅱ建模光谱范围选择6 102～5 446.2 cm-1时,阶段I模型的R2为98.93%,RMSECV为4.42 g·L-1;阶段Ⅱ模型的R2为99.34%,RMSECV为1.21 g·L-1;进一步对模型进行验证和评价,结果表明阶段I模型验证集的RMSEP为4.07 g·L-1;阶段Ⅱ模型验证集的RMSEP为1.13 g·L-1。本研究结果表明利用近红外光谱法建立的模型具有良好的预测效果, 能满足苹果酒工业生产中检测、监测精度要求。     

苹果糖度的光谱图像无损检测技术研究

应用光谱图像技术进行了苹果内部品质无损检测技术的研究。通过采集不同波长(分别为632 nm,650 nm,670 nm,780 nm,850 nm和900 nm)的光谱图像,对所采集的光谱图像灰度分布进行洛伦兹分布(LD)、高斯分布(GD)、指数分布(ED)函数的拟合,通过比较发现洛伦兹分布为最优灰度分布拟合函数。将苹果的糖度与洛伦兹分布函数拟合所得参量分别进行多元线性回归,建立最佳单波长、最佳双波长组合、最佳三波长组合和最佳四波长组合的校正方程,相关系数R分别为0.622、0.776、0.831、0.813。实验表明,利用光谱图像技术无损检测苹果糖度是可行性的,为计算机图像对水果进行内部品质的无损检测提供技术依据。     

基于小波变换的水果糖度近红外光谱检测研究

利用小波变换滤波技术对90个水果样品的近红外光谱信号进行了去噪处理,并结合滤波后重构光谱信号对水果糖度进行逐步线性回归(SMLR)建立其校正模型,通过34个样品的外部检验对校正模型精度进行评价。研究结果表明: 校正模型的预测精度在小波尺度为3时其预测精度最好,预测集的决定系数由原来的0.84提高到0.85, 预测集相对标准误差由原来的6.1% 降为6.0%。因此,使用小波去噪方法有消除原始光谱噪声作用,从而使最终的SMLR模型更具有代表性和稳健性,也提高了品质检测时模型预测精度。     

葡萄浆果糖度可见/近红外光谱检测的研究

针对可见/近红外光谱与水果糖度存在非线性相关的特点,利用漫反射光谱测定方法获取了葡萄浆果的可见/近红外光谱,提出了应用偏最小二乘（PLS）结合人工神经网络（ANN）建立葡萄浆果糖度的预测模型,利用偏最小二乘法（PLS）对原始光谱数据进行处理,得出交叉检验的最佳主因子数为3,并将3个主因子的得分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,用优化的BP神经网络模型对预测集样本进行预测。PLS-ANN模型对样本的预测模型检验参数r2为0.908,RMSEP为0.112,Bias为0.013,好于只使用PLS模型的预测模型检验参数r2为0.863,RMSEP为0.171, Bias为0.024。结果表明,利用近红外光谱技术无损检测葡萄浆果糖度等内部品质是可行的,为今后进一步分析建立浆果内部品质预测模型奠定了基础。     

便携式近红外光谱仪的苹果糖度模型温度修正

样品温度对近红外光谱有很大影响,在近红外技术评价水果品质的实际应用时,需要修正温度变化对模型预测结果的影响。便携式近红外光谱仪采集不同温度下(0～30℃)苹果的漫透射光谱,采用二阶导数和卷积平滑进行预处理。选取20℃下代表性样本的光谱数据,建立基准PLS模型。斜率/偏差法分别计算苹果糖度PLS模型在0,10和30℃下的修正方程。分析结果表明:斜率/偏差法对0,10和30℃下外部样本预测结果进行修正,预测精度得到显著提高,其修正前后的Q值分别为0.525cv 0.810,0.680cv0.822,0.669cv 0.802。温度修正模型可以有效提高预测精度,也扩展了近红外仪器的适用性,为自主研发便携式近红外光谱仪提供参考。     

用遗传区间偏最小二乘法建立苹果糖度近红外光谱模型

为了简化苹果糖度预测模型和提高模型的精度,用遗传区间偏最小二乘法(GA-iPLS)建立苹果近红外光谱预测模型。应用结果表明,整个光谱划分为40个子区间, GA-iPLS选择其中的第4,6,8,11,18号共5个子区间联合建立苹果糖度模型。遗传区间偏最小二乘法所建的模型,其校正时的相关系数r_c和交互验证均方根误差RMSECV分别为0.962和0.334 6,预测时的相关系数r_p和预测均方根误差RMSEP分别为0.932和0.384 2。与全光谱模型相比,该方法建立的模型不论对校正集还是预测集,模型的预测能力都提高了许多,且模型得到了很大的简化：其实际采用的波数点个数比全光谱模型采用的波数点个数大大减少,主因子数也比全光谱少,由此建立的模型更加简洁、数据运算量也更少。     

大白桃糖度的近红外漫反射光谱无损检测试验研究

该研究应用近红外(near infrared, NIR)漫反射光谱定量分析技术开展了金华大白桃的糖度检测试验研究。用偏最小二乘回归(partial least square regression, PLSR)方法在800～2 500 nm光谱范围建模,通过比较果汁和不同部位果肉所对应的相关模型的预测结果发现：用水果3个部位(顶部、中部、底部)共9个检测点的果肉平均光谱和糖度平均值建立的模型的结果比果汁或单独某个部位果肉(3个检测点)所建立的模型的结果要好。在此基础上,分析了光谱微分和散射校正预处理对建模结果的影响,结果显示微分光谱建立的模型不如原始光谱建立的模型的结果好,光谱的散射校正处理(用多元散射校正MSC和标准正态变量变换SNV两种方法)有助于提高模型的预测性能。最终建立桃子果肉平均光谱经MSC和SNV散射校正后与糖度的相关模型,MSC和SNV对建模结果的影响基本一致,MSC-PLSR和SNV-PLSR模型的相关系数Rcal和交互验证相关系数Rcross-v分别为0.997和0.939。该研究表明近红外光谱检测技术可用于金华大白桃糖度的定量分析。     

近红外漫反射用于检测苹果糖度及有效酸度的研究

提出了应用近红外漫反射光谱技术并结合光纤传感技术快速检测苹果糖度和有效酸度的新方法。以傅里叶变换光谱仪(12 500～4 000 cm-1)为试验仪器,以120个红富士苹果为标准样品并结合偏最小二乘法,建立了苹果糖度、有效酸度的定量预测数学模型。试验结果为：样品预测值和真实值之间的相关系数分别为0.970,0.906,标准校正误差(SEC)分别为0.261,0.0562,标准预测误差(SEP)分别为0.272,0.0562,偏差(Bias)分别为0.011,0.0115。通过本研究表明：应用近红外光谱漫反射技术在10 341～5 461 cm-1光谱波长范围内对苹果糖度的无损检测和在10 341～3 818 cm-1有效光谱范围内对有效酸度的无损检测具有可行性。     

近红外光谱的通用聚苯乙烯牌号在线识别方法

在聚合物加工过程中,如果在同一生产线上混用不同牌号的原材料,可能会影响产品性能,降低产品合格率.然而采用传统方法识别相同类型不同牌号的聚合物往往耗时长且具有滞后性,目前还缺乏一种快速实时的牌号识别方法.因此,以5种不同牌号的通用聚苯乙烯(GPPS)为研究对象,利用自主开发的安装于挤出机上的在线近红外光谱测量系统,将近红...     

基于可见-近红外光谱技术的苹果糖度光照位置优化研究

在利用可见-近红外漫透射光谱技术对苹果的可溶性固形物（SSC）检测时,由于卤素灯光照射在苹果上的位置不同,采集到的苹果光谱中所包含的可溶性固形物信息不同,导致模型得出的结果不同;找到一个最好的苹果光照位置有利于得到最佳的可溶性固形物评价模型。利用多模式可调节的光学结构在相同的实验环境和实验条件下采集了购买于同一水果批发商的尺寸相近但照射位置不同的两批苹果的近红外漫透射光谱,探索苹果可溶性固形物模型建立过程中最佳的照射位置从而得到最佳位置的可溶性固形物评价模型。通过对样品进行光谱采集、糖度真值采集并结合化学计量学方法得出最佳的建模位置,照射位置为上部且光谱没有预处理时的偏最小二乘回归（PLS）模型性能为RMSEC为0.288 2,RMSEP为0.343 6,R_c为0.960 6,R_p为0.934 9;照射位置为斜上部且光谱没有预处理的PLS模型性能为RMSEC为0.340 7,RMSEP为0.513 3,R_c为0.931 1,R_p为0.863 6;照射位置为上部且光谱没有预处理的主成分分析回归（PCR）模型性能为RMSEC为0.573 6,RMSEP为0.601 4,R_c为0.842 4,R_p为0.800 7;照射位置为斜上部且光谱没有预处理的PCR模型性能为RMSEC为0.709 2,RMSEP为0.797 4,R_c为0.701 4,R_p为0.670 7,最佳照射位置为苹果上部;进一步地采用多种预处理方法对照射位置为上部的PLS模型进行对比,得到最优模型为MSC-PLS模型,其RMSEC为0.2264 4,RMSEP为0.301 5,R_c为0.966 9,R_p为0.949 9。最后再对相同的46个苹果进行相同的实验操作得到光谱、真值后,代入到建立的MSC-PLS模型中进行外部验证,结果显示外部验证的相关系数为0.930 58,验证均方根误差为0.843 59,验证了建立的MSC-PLS模型的稳定性和可靠性,进一步表明光谱采集位置为苹果上部时的近红外漫透射模型有很好的预测能力,该研究为预测苹果可溶性固形物的检测提供了技术支持。     

田间黄花梨糖度的可见/近红外光谱检测方法

提出了一种可克服背景光对田间光谱测量影响的方法。采集田间水果光谱时,环境背景光的干扰强,难以获取样品有效光谱信息。在田间采用套袋方式遮挡现场光线能得到较理想的结果,但检测效率低,仪器暗场校正和参考光谱校正等方法有利于减小模型误差,但不能有效消除环境光照的干扰。通过在测量探头前加装快门,打开快门时测得样品在仪器光源和背景光共同作用下的现场光谱,关闭快门时测得样品仅在现场环境光线作用下的背景光谱,将背景光谱从现场光谱中扣除进行背景光校正。利用偏最二乘法建立田间(背景光校正前、后)以及室内样品光谱建立黄花梨糖度预测模型,预测值与真实值的相关系数分别为0.1,0.69,0.92,均方根误差分别为0.89。Brix,0.42。Brix,0.27。Brix,预测集的RPD分别为0.79,1.69,2.58,结果表明实验所采用的背景光校正方法可有效减小田间环境光照对黄花梨可见/近红外光谱采集的影响,可用于田间水果的近红外光谱采集,有利于充分发挥可见/近红外光谱技术在果实采收前的田间管理、采收成熟度检测等方面的潜力。     

基于遗传算法的苹果糖度近红外光谱分析

遗传算法(GA)应用在偏最小二乘法(PLS)校正模型的波段优化选择中具有显著的效果。将遗传算法用于波段选择, 能更快达到最优解, 有效提高测量精度,减少建模所用变量。文章研究了在近红外苹果糖度无损检测中,遗传算法作为模块进行波段选择,建立了GA-PLS模型;为了说明遗传算法优选波段可行性,另外建立了全谱和经验谱区的PLS定量模型,并评价了模型的稳健性。首先对傅里叶变换近红外光谱进行多元散射校正、Savitky-Golay卷积平滑后,用遗传算法优选波段(R-SGA),参与建模数据点从原始1 550减少到434个。然后采用一阶导数光谱建立GA-PLS模型,相比全谱PLS(1 550个数据点)和经验谱区PLS(717个数据点)模型具有更高的预测精度,其建模结果为R_C=0.966,RMSEC=0.469,R_P=0.954,RMSEP=0.797。结果表明, 遗传算法可用于PLS法建立苹果糖度校正模型前的数据优化筛选, 有效提高测量精度, 并减少建模变量。