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。     

小西瓜糖度表征与漫反射近红外检测方法的研究

研究小西瓜内部糖度分布规律的基础上提出了采用平均糖度、最高糖度和最低糖度表征小西瓜糖度的新方法。并采用便携式漫反射近红外分析仪,建立了快速测定小西瓜平均糖度,最高糖度和最低糖度近红外检测方法。最后将近红外检测方法与参考方法精度作了对比,结果表明漫反射近红外测量小西瓜糖度具有可行性。     

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。     

砂梨糖度近红外光谱波段遗传算法优化

遗传算法不受搜索空间限制性假设的约束,利用简单的编码技术和繁殖机制来解决复杂近红外光谱数据的优化问题。文章采用遗传算法的波段选择法(R-SGA)对砂梨近红外光谱进行了波段优化,得到丰水、圆黄、黄金三种梨的R-SGA最佳因子数分别为10, 12和16,并分别建立了单一品种GA-PLS模型;丰水梨和黄金梨的GA-PLS模型精度高于全谱PLS模型,其模型的RMSEP分别为0.608/0.632和0.524/0.540;圆黄梨GA-PLS模型精度(RMSEP=0.610)与全谱PLS模型(RMSEP=0.595)相当。经波段优化分析表明,使用552个数据点建立多品种砂梨混合模型,具有较高稳健性和预测性(RMSEC=0.627,RMSEP=0.641)。结果表明:基于遗传算法进行波段优化可以提高砂梨糖度模型精度,提高建模效率,同时说明建立多品种砂梨糖度通用模型是可行的。     

基于感官品尝的柑橘糖度近红外光谱模型的简化

为评判近红外光谱技术对柑橘糖度的无损检测结果能否满足消费者感官需求并在此基础上利用变量筛选方法简化近红外光谱柑橘糖度模型。设计了近红外光谱采集与感官品尝试验。单因素方差分析感官品尝结果表明,消费者对柑橘糖度的适应度存在个体差异,但不受性别影响;剔除异常样本组并计算柑橘糖度最低感官品尝的均方根偏差(RMSED)为0.633。为使近红外光谱检测结果满足消费者需求,要求光谱模型的预测均方根误差(RMSEP)小于RMSED,并结合光谱预处理与变量筛选方法,得到SPA-MLR模型性能最佳,预测相关系数(Rp)为0.86、RMSEP为0.567,耗时仅6.8ms,其结果既可满足消费者的感官需求,也使模型得到简化,为今后在线检测提供依据。     

黄酒糖度预测的可见-近红外光谱方法研究

提出了用可见近红外光谱结合不同化学计量学方法预测黄酒糖度的新方法。用240个黄酒样本建模,60个样本进行预测。通过对光谱数据进行平滑、变量标准化及一阶导数等预处理,建立并比较了偏最小二乘法,小波变换与偏最小二乘法相结合,主成分分析与人工神经网络相结合以及主成分分析与最小二乘支持向量机相结合四种不同建模方法的预测精度,以相关系数r、预测标准差、偏差等为评判标准,得到黄酒糖度预测的最优模型为最小二乘支持向量机模型。该模型对黄酒糖度预测的相关系数为0.962、预测标准差为0.021、偏差为-0.001,获得了理想的预测精度。结果表明应用可见近红外光谱对黄酒糖度进行预测是可行的,且最小二乘支持向量机模型能得到最优的预测结果。     

PLS和SMLR建模方法在水蜜桃糖度无损检测中的比较研究

在实际应用中,一些实验条件往往不能严格控制而存在变化,从而影响近红外光谱检测模型的稳健性。文章以50个常温和50个冷藏后的奉化水蜜桃样品组成温度混合样品集,经光谱杠杆值和狄克松检验法进行异常光谱剔除后,采用偏最小二乘法(PLS)和逐步多元线性回归(SMLR)对水蜜桃糖度进行建模分析。PLS的建模结果：校正集相关系数R_C=0.965, 校正均方根标准误差RMSEC=0.301°Brix,交叉验证R_CV=0.812,交叉验证均方根标准误差RMSECV=0.67°Brix,标准偏差与交叉验证均方根标准误差的比值RPD=1.72;SMLR的建模结果：校正集R_C=0.929,RMSEC=0.424°Brix, 交叉验证R_CV=0.887, RMSECV=0.532°Brix, RPD=2.16。SMLR的预测结果要优于PLS的预测结果,在SMLR分析中,在3个不同的光谱区域4 290～7 817,7 817～10 725,4 290～10 725 cm-1的RPD值分别为1.97,1.89,2.16。试验结果表明,将不同温度条件下的样品组成温度混合样品集,用PLS和SMLR建立的模型具有较好的预测效果。     

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...     

基于不同物候期苹果树叶片光谱特征预测果实糖度

苹果糖度是评价苹果品质的重要指标.通过分析苹果开花期、新梢生长期、萌芽开花坐果期、新梢旺长期、花芽分化期和落叶期等6个重要的生理物候期果树叶片的光谱特征,并与最终采集到的对应位置的果实糖度信息进行二维相关运算,获得了果树叶片光谱信息中反映果实糖度的敏感谱段,构建了糖度敏感光谱,通过引入计算获得的不同物候期糖度贡献权重,最终构建了带权糖度敏感光谱,并基于该光谱进行了糖度预测.通过对不同物候期的二维相关分析获得了果实糖度敏感谱段(530 ～570 nm和700 ～ 720 nm),经过主成分分析分别获得了不同生理物候期的果叶光谱主成分,利用不同物候期的主成分进行了果实糖度回归分析,量化了某单一时期果树生长对果实糖度的贡献比例,并获得了光合作用强度变化等重要信息.利用各物候期的糖度贡献权重对原始果叶糖度敏感光谱进行变换,最终获得带权果叶糖度敏感光谱,并基于该光谱进行了果实糖度预测.分别建立了基于主成分分析的多元线性回归模型以及基于参数优化的支持向量机回归预测模型,结果显示,利用参数优化的支持向量机回归模型获得了较高的糖度预测精度.其测定系数Rc2为0.9202,RMSEC=0.3892 Brix,预测Rv2达到0.9443,均方根误差是0.5246 Brix.利用不同物候期果叶光谱预测苹果糖度的研究结果进一步揭示了果实糖度的积累过程.