CN101806764A - 非破坏准确鉴定西瓜成熟度的方法 - Google Patents
非破坏准确鉴定西瓜成熟度的方法 Download PDFInfo
- Publication number
- CN101806764A CN101806764A CN 201010154584 CN201010154584A CN101806764A CN 101806764 A CN101806764 A CN 101806764A CN 201010154584 CN201010154584 CN 201010154584 CN 201010154584 A CN201010154584 A CN 201010154584A CN 101806764 A CN101806764 A CN 101806764A
- Authority
- CN
- China
- Prior art keywords
- watermelon
- analysis module
- ripe
- electronic nose
- analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 241000219109 Citrullus Species 0.000 title claims abstract description 200
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 title claims abstract description 200
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 104
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 101100054292 Arabidopsis thaliana ABCG36 gene Proteins 0.000 claims description 48
- 101100351526 Arabidopsis thaliana PEN3 gene Proteins 0.000 claims description 48
- 238000000513 principal component analysis Methods 0.000 claims description 19
- 238000010219 correlation analysis Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000007789 sealing Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 19
- 238000012797 qualification Methods 0.000 description 9
- 230000035945 sensitivity Effects 0.000 description 8
- 230000004069 differentiation Effects 0.000 description 5
- 241000219112 Cucumis Species 0.000 description 4
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 4
- 239000003205 fragrance Substances 0.000 description 4
- 239000004615 ingredient Substances 0.000 description 4
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 3
- YXFVVABEGXRONW-UHFFFAOYSA-N Toluene Chemical compound CC1=CC=CC=C1 YXFVVABEGXRONW-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 2
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 2
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 2
- 150000001335 aliphatic alkanes Chemical class 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 238000004868 gas analysis Methods 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 206010036590 Premature baby Diseases 0.000 description 1
- 235000011114 ammonium hydroxide Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002304 perfume Substances 0.000 description 1
- 239000001294 propane Substances 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Landscapes
- Sampling And Sample Adjustment (AREA)
Abstract
本发明公开了一种非破坏鉴定西瓜成熟度的方法：通过电子鼻对已知的熟西瓜和生西瓜挥发出的气味进行采样，利用电子鼻的PCA分析模块对已知的熟西瓜和生西瓜的采样数据进行分析，根据分析结果建立生西瓜标准分析模板和熟西瓜标准分析模板。通过电子鼻对未知西瓜挥发出的气味进行采样，分别利用电子鼻的欧式距离分析模块、马氏距离分析模块、相关性分析分析模块和区别判定分析模块对未知的西瓜的采样数据进行分析，将分析结果与已建立的模板对比鉴定未知的西瓜，并结合这四个分析模块的鉴定结果得出最终鉴定结果，即四个分析模块中有至少三个鉴定一致才认为是对未知西瓜的鉴定结果，故本发明的西瓜鉴定方法实现了无破坏鉴定且鉴定准确度高。
Description
技术领域
本发明涉及鉴定西瓜成熟度的方法，尤其涉及一种非破坏准确鉴定西瓜成熟度的方法。
背景技术
由于西瓜不像那些一旦成熟就散发出芳香气味或者外表颜色有变化的水果那样容易定，因此，国内外许多学者对此进行了大量的研究，其中，西瓜成熟度的无损检测技术一直是许多学者关注的问题。Clark发现声波通过西瓜的衰减时间与西瓜的硬度密切相关，并且衰减时间随着西瓜成熟度的提高而延长。Yamamoto等利用声激励测出了几种水果(包括西瓜)的固有频率，并证明水果的声学特性与杨氏模量、极限强度和硬度是显著相关的。在国内，何东健等通过试验证明了打击音频信号的衰减时间、波形的对称度、功率谱峰值频率与西瓜成熟度的相关性。夏恒等对西瓜的振动模型进行了假设和验证，证明多边形振型可以作为区别成熟与未成熟瓜的特征模态，但是上述理论和实际试验结果有一定误差，不能准确鉴定，有待完善。目前还没有无破损、准确的鉴定西瓜成熟度的方法。
发明内容
本发明的目的在于提供一种鉴定西瓜成熟度的方法，实现无破坏、准确鉴定西瓜成熟度。
为达到上述目的，本发明提供了一种非破坏准确鉴定西瓜成熟度的方法，包括如下步骤：
1)选择至少3个生西瓜和至少3个熟西瓜作为样品，将每一个生西瓜和熟西瓜分别放入一个密封容器中；
2)用PEN3电子鼻仪器系统的进样管插入所述密封容器并用所述PEN3电子鼻仪器系统的传感器分别采集所述每个西瓜挥发出的气体，由所述传感器将对应西瓜挥发出的气体转变成对应的采样数据并存储；
3)用所述PEN3电子鼻仪器系统的PCA分析模块对所述生西瓜的采样数据进行分析，将得到的所述生西瓜的分析结果存储并定义为生西瓜标准分析模板，并且，用所述PCA分析模块对所述熟西瓜的采样数据进行分析，将得到的所述熟西瓜的分析结果存储并定义为熟西瓜标准分析模板；
4)将待检测的西瓜放入一个密封容器中；
5)用所述PEN3电子鼻仪器系统的进样管插入所述密封容器并用所述PEN3电子鼻仪器系统的传感器采集所述待检测西瓜挥发出的气体，并由所述传感器将所述待检测西瓜挥发出的气体转变成对应的采样数据并存储；
6)分别用所述PEN3电子鼻仪器系统的欧氏距离分析模块、相关性分析模块、马氏距离分析模块和区别判定分析模块对所述待检测西瓜的采样数据进行分析，将得到的所述待检测西瓜的对应的分析结果分别与所述生西瓜标准分析模板和所述熟西瓜标准分析模板进行对比，如果所述欧氏距离分析模块、相关性分析模块、马氏距离分析模块和区别判定分析模块的分析结果中至少有三个鉴定所述待检测西瓜的对应的分析结果与所述生西瓜标准分析模板匹配，则鉴定所述待检测西瓜为生西瓜，如果所述欧氏距离分析模块、相关性分析模块、马氏距离分析模块和区别判定分析模块的分析结果中至少有三个鉴定所述待检测西瓜的对应的分析结果与所述熟西瓜标准分析模板匹配，则鉴定所述待检测西瓜为熟西瓜，否则，鉴定所述待检测西瓜为半生不熟西瓜。
本发明的非破坏准确鉴定西瓜成熟度的方法，所述生西瓜、所述熟西瓜和所述待检测西瓜均放置在密封的容器中5～10分钟。
本发明的非破坏准确鉴定西瓜成熟度的方法，所述PEN3电子鼻仪器系统的测定条件为：数据采集频率0.1～2秒/组，传感器自清洗时间40～120秒，传感器归零时间5～10秒，样品准备时间3～5秒，进样流量200～400ml/min，分析采样时间30～60秒。
本发明的非破坏准确鉴定西瓜成熟度的方法，所述PCA分析模块替换为所述PEN3电子鼻仪器系统的LDA分析模块。
本发明的非破坏准确鉴定西瓜成熟度的方法，所述PCA分析模块替换为所述PEN3电子鼻仪器系统的LDA分析模块。
本发明首先通过PEN3电子鼻仪器系统对已知的熟西瓜和生西瓜挥发出的气味进行采样，利用PEN3电子鼻仪器系统的PCA分析模块对已知的熟西瓜和生西瓜的采样数据进行分析，并根据分析结果建立生西瓜标准分析模板和熟西瓜标准分析模板。然后，通过PEN3电子鼻仪器系统对未知西瓜挥发出的气味进行采样，分别利用PEN3电子鼻仪器系统的欧式距离分析模块、马氏距离分析模块、相关性分析分析模块和区别判定分析模块对未知的西瓜的采样数据进行分析，将分析结果与建立的模板对比对未知的西瓜进行鉴定，并结合这四个分析模块的鉴定结果得出最终的鉴定结果，即四个分析模块中有至少三个鉴定一致才认为是对该未知西瓜的鉴定结果，因此，本发明的西瓜鉴定方法不仅实现了无破坏鉴定，而且鉴定结果准确度很高。
附图说明
图1为本发明的非破坏准确鉴定西瓜成熟度的方法流程图；
图2为本发明的非破坏准确鉴定西瓜成熟度的方法中A-1号西瓜样品挥发气体在PEN3电子鼻仪器系统中的采样数据；
图3为本发明的非破坏准确鉴定西瓜成熟度的方法中号西瓜样品挥发气体在PEN3电子鼻仪器系统中的采样数据；
图4为本发明的非破坏准确鉴定西瓜成熟度的方法中A-3号西瓜样品挥发气体在PEN3电子鼻仪器系统中的采样数据；
图5为本发明的非破坏准确鉴定西瓜成熟度的方法中A-4号西瓜样品挥发气体在PEN3电子鼻仪器系统中的采样数据；
图6为本发明的非破坏准确鉴定西瓜成熟度的方法中B-1号西瓜样品挥发气体在PEN3电子鼻仪器系统中的采样数据；
图7为本发明的非破坏准确鉴定西瓜成熟度的方法中B-2号西瓜样品挥发气体在PEN3电子鼻仪器系统中的采样数据；
图8为本发明的非破坏准确鉴定西瓜成熟度的方法中B-3号西瓜样品挥发气体在PEN3电子鼻本发明的非破坏准确鉴定西瓜成熟度的方法中仪器系统中的采样数据；
图9为本发明的非破坏准确鉴定西瓜成熟度的方法中B-4号西瓜样品挥发气体在PEN3电子鼻仪器系统中的采样数据；
图10为本发明的非破坏准确鉴定西瓜成熟度的方法中PCA分析和LDA分析的分析结果；
图11为本发明的非破坏准确鉴定西瓜成熟度的方法中欧氏距离分析、相关性分析、马氏距离分析和区别判定分析的分析结果。
具体实施方式
参考图1，本发明的非破坏准确鉴定西瓜成熟度的方法，包括以下步骤：
步骤101，选择4个生西瓜和4个熟西瓜作为样品，将每一个生西瓜和熟西瓜分别放入一个保鲜袋中密封。本发明的西瓜样品采自国家蔬菜工程技术研究中心延庆实验农场，从该农场田间采摘同一品种的8个西瓜。根据西瓜外观和专家经验，人工初步予鉴定出4个熟瓜和4个生瓜，并将4个熟瓜予记为A-1、A-2、A-3、A-4，生瓜予记为B-1、B-2、B-3、B-4。将西瓜样品表面泥土及赃物用清水冲洗干净，晾干后将每个西瓜样品放入一个洁净的保鲜袋(或其他密封容器)中密封，在常温下静止平衡5～10分钟后进行测定。
步骤102，用PEN3电子鼻仪器系统自带的进样管刺入保鲜袋进行顶空气体分析，用PEN3电子鼻仪器系统的传感器分别采集每个西瓜挥发出的气体，由传感器将对应西瓜挥发出的气体转变成对应的采样数据并存储，其测定条件为：数据采集频率为1秒/组；传感器自清洗时间为120秒；传感器归零时间为10秒；样品准备时间为3秒；进样流量为400ml/min；分析采样时间为45秒。其中，这种德国AIRSENSE公司生产的PEN3电子鼻仪器系统是由传感器通道、采样通道、和分析软件组成，其传感器通道有十个传感阵列组成，具体传感器的性能描述见表1。
表1.PEN3电子鼻传感器的性能描述
| 阵列序号 | 传感器名称 | 性能描述 | 备注 |
| 1 | W1C | 对芳香成分灵敏 | 甲苯10mLm-3 |
| 2 | W5S | 对氮氧化合物很灵敏 | NO21mLm-3 |
| 3 | W3C | 对氨水、芳香成分灵敏 | 苯10mLm-3 |
| 4 | W6S | 主要对氢气有选择性 | H2100mLm-3 |
| 5 | W5C | 对烷烃芳香成分灵敏 | 丙烷1mLm-3 |
| 6 | W1S | 对甲烷灵敏 | CH4100mLm-3 |
| 7 | W1W | 对硫化物灵敏 | H2S 1mLm-3 |
| 8 | W2S | 对乙醇灵敏 | CO 100mLm-3 |
| 9 | W2W | 对芳香成分、有机硫化物灵敏 | H2S 1mLm-3 |
| 10 | W3S | 对烷烃灵敏 | CH4 10mLm-3 |
备注：传感器的标定物及标定浓度
具体熟悉西瓜样品A-1、A-2、A-3、A-4挥发气体在PEN3电子鼻仪器系统中的采样数据如图2至图5所示，生西瓜B-1、B-2、B-3、B-4挥发气体在PEN3电子鼻仪器系统中的采样数据如图6至图9所示。其中，在图2至图9中，每个图中的左侧图表示为开始测量后，西瓜样品挥发气体通过传感器测量后的传感器电阻值比值随测量时间延长的变化曲线，其中，Y轴G/G0(G0/G)是电阻值比值，X轴为测量时间，单位为秒。右上图为随着测量时间的延长，十个传感器响应出的电阻值比值。右下图为采样数据的雷达图，雷达图是十个传感器电阻值比值的雷达图显示模式。图中柱形图是与雷达图对应的十个传感器电阻值比值的柱形图显示模式。采样结束后保存采集的数据，最后切开西瓜验证西瓜成熟度，切开后发现：A-1、A-2、A-3、A-4为熟西瓜，B-1、B-3、B-4为生西瓜；B-2为半生不熟西瓜。
步骤103，用PEN3电子鼻仪器系统的PCA分析模块(即PEN3电子鼻仪器系统内置的PCA分析软件)对生西瓜B-1、B-3、B-4的采样数据进行分析，将得到的生西瓜的分析结果存储并定义为生西瓜标准分析模板。并且，用PCA分析模块对熟西瓜A-1、A-2、A-3、A-4的采样数据进行分析，将得到的熟西瓜的分析结果存储并定义为熟西瓜标准分析模板。其中，PCA分析也叫主成分分析，是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定n个变量的m个观察值，形成一个n×m的数据矩阵，n通常比较大。对于一个由多个变量描述的复杂事物，可以抓住事物主要方面进行重点分析。如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一股情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面，主要目的是将复杂的样品数据信号进行降维，提取出代表因素，如第一主成分、第二主成分等，如果第一主成分和第二主成分区分贡献率值和超过90％的话，说明这两个主要影响因素代表了区分组件样品的特点。本方法的PCA分析结果如图10中上图所示，PCA分析结果中第一主份区分贡献率为87.879％，第二主成分区分贡献率为8.7742％，连个主成分区分贡献率和为96.653％，大于90％，所以这两个主成分已经基本代表了生和熟两类样品的主要信息特征。由该上图可以看出，第一、第二主成分总的区分贡献率达98.064％，而第一主成分区分贡献率达97.788％。很明显，生和熟两组样品完全区分开来。当然，PCA分析也可以用PEN3电子鼻仪器系统的LDA分析模块(即PEN3电子鼻仪器系统内置的LD分析软件)代替，其LDA分析结果如图10中下图所示。
步骤104，采集20个同品种的待检测西瓜样品，将这些待检测西瓜样品表面泥土及赃物用清水冲洗干净，晾干后将每个西瓜样品放入一个洁净的保鲜袋(或其他密封容器)中密封，在常温下静止平衡5～10分钟后进行测定。
步骤105，用PEN3电子鼻仪器系统自带的进样管刺入保鲜袋进行顶空气体分析，用PEN3电子鼻仪器系统的传感器分别采集每个待检测西瓜挥发出的气体，由传感器将对应待检测西瓜挥发出的气体转变成对应的采样数据并存储，其测定条件为：数据采集频率为1秒/组；传感器自清洗时间为120秒；传感器归零时间为10秒；样品准备时间为3秒；进样流量为400ml/min；分析采样时间为45秒。
步骤106，分别用PEN3电子鼻仪器系统的欧氏距离分析模块、相关性分析模块、马氏距离分析模块和区别判定分析模块(即PEN3电子鼻仪器系统内置的EUCLID分析软件、CORRELATION软件、MAHALANOBIS软件和DFA分析软件)对每个待检测西瓜的采样数据进行分析，将得到的待检测西瓜的对应的分析结果分别与生西瓜标准分析模板和熟西瓜标准分析模板进行对比，如果欧氏距离分析模块、相关性分析模块、马氏距离分析模块和区别判定分析模块的分析结果中至少有三个鉴定待检测西瓜的对应的分析结果与生西瓜标准分析模板匹配，则鉴定待检测西瓜为生西瓜，如果欧氏距离分析模块、相关性分析模块、马氏距离分析模块和区别判定分析模块的分析结果中至少有三个所述待检测西瓜的对应的分析结果与熟西瓜标准分析模板匹配，则鉴定待检测西瓜为熟西瓜，否则，鉴定待检测西瓜为半生不熟西瓜。其中，欧氏距离分析：即两项间的差是每个变量值差的平方和再平方根，目的是计算其间的整体距离即不相似性。相关性分析方法：所谓性相关分析，就是用一个指标来表明现象之间的相互依存关系的密切程度。相关系数是对变量之间关系密切程度的度量指标，用r标示。根据经验可以相关程度分为下面几种情况：当|r|＞＝0.8时，可以视为高度相关；0.5＜＝|r|＜＝0.8时，可视为中度相关；0.3＜＝|r|＜0.5，可视为低度相关。|r|＜0.3，可视为两个变量之间相关程度极弱，可视为不相关。马氏距离方法：表示数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。与欧式距离不同的是它考虑到各种特性之间的联系。DFA是一种专门测定数据间关联性质的分析方法，由于关联的时间序列可以用自相似结构的迭代来表示，因此测定自相似的性质可以得知关联性质的信息。DFA也是一种随机行走中，标准差均值平方根分析的修改方法。本发明的欧氏距离分析、相关性分析、马氏距离分析和区别判定分析的判别结果如图11和表2所示。在图11中，左侧图中不同的曲线分别代表了不同的分析鉴定方法，Y轴代表了生、熟的结果，X轴代表了测量时间。右上图是对二十个西瓜的鉴定结果显示。
表2.20个西瓜的判别结果
| EUCLID | CORRELATION | MAHALANOBIS | DFA | |
| 1 | 生 | 生 | 生 | 生 |
| 2 | 生 | 生 | 生 | 生 |
| 3 | 熟 | 熟 | 熟 | 未知 |
| 4 | 生 | 生 | 生 | 生 |
| 5 | 熟 | 熟 | 熟 | 未知 |
| 6 | 生 | 生 | 生 | 未知 |
| 7 | 生 | 生 | 生 | 生 |
| 8 | 生 | 生 | 未知 | 未知 |
| 9 | 生 | 生 | 未知 | 未知 |
| 10 | 熟 | 熟 | 熟 | 未知 |
| 11 | 熟 | 熟 | 未知 | 未知 |
| 12 | 熟 | 熟 | 未知 | 未知 |
| 13 | 熟 | 熟 | 未知 | 熟 |
| 14 | 熟 | 熟 | 熟 | 熟 |
| 15 | 生 | 生 | 生 | 生 |
| 16 | 生 | 生 | 生 | 未知 |
| 17 | 生 | 生 | 生 | 未知 |
| 18 | 生 | 熟 | 未知 | 未知 |
| 19 | 生 | 熟 | 生 | 未知 |
| 6 | 生 | 生 | 生 | 未知 |
| 20 | 熟 | 熟 | 熟 | 未知 |
上述表中结果是：最终鉴定熟西瓜：8；生西瓜：10，不能确定：2个。将这20个西瓜切开验证发现：熟瓜有8个，生西瓜有10个，而剩下的2个未知的西瓜切开西瓜后发现无法判断生熟，即为半生不熟西瓜，可见本发明的鉴定西瓜成熟度的方法的准确率达到100％。
本发明首先通过PEN3电子鼻仪器系统对已知的熟西瓜和生西瓜挥发出的气味进行采样，利用PEN3电子鼻仪器系统的PCA分析模块对已知的熟西瓜和生西瓜的采样数据进行分析，并根据分析结果建立生西瓜标准分析模板和熟西瓜标准分析模板。然后，通过PEN3电子鼻仪器系统对未知西瓜挥发出的气味进行采样，分别利用PEN3电子鼻仪器系统的欧式距离分析模块、马氏距离分析模块、相关性分析分析模块和区别判定分析模块对未知的西瓜的采样数据进行分析，将分析结果与建立的模板对比对未知的西瓜进行鉴定，并结合这四个分析模块的鉴定结果得出最终的鉴定结果，即四个分析模块中有至少三个鉴定一致才认为是对该未知西瓜的鉴定结果，因此，本发明的西瓜鉴定方法不仅实现了无破坏鉴定，而且鉴定结果准确度很高。
以上的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。
Claims (5)
1.一种非破坏准确鉴定西瓜成熟度的方法，其特征在于，包括如下步骤：
1)选择至少3个生西瓜和至少3个熟西瓜作为样品，将每一个生西瓜和熟西瓜分别放入一个密封容器中；
2)用PEN3电子鼻仪器系统的进样管插入所述密封容器并用所述PEN3电子鼻仪器系统的传感器分别采集所述每个西瓜挥发出的气体，由所述传感器将对应西瓜挥发出的气体转变成对应的采样数据并存储；
3)用所述PEN3电子鼻仪器系统的PCA分析模块对所述生西瓜的采样数据进行分析，将得到的所述生西瓜的分析结果存储并定义为生西瓜标准分析模板，并且，用所述PCA分析模块对所述熟西瓜的采样数据进行分析，将得到的所述熟西瓜的分析结果存储并定义为熟西瓜标准分析模板；
4)将待检测的西瓜放入一个密封容器中；
5)用所述PEN3电子鼻仪器系统的进样管插入所述密封容器并用所述PEN3电子鼻仪器系统的传感器采集所述待检测西瓜挥发出的气体，并由所述传感器将所述待检测西瓜挥发出的气体转变成对应的采样数据并存储；
6)分别用所述PEN3电子鼻仪器系统的欧氏距离分析模块、相关性分析模块、马氏距离分析模块和区别判定分析模块对所述待检测西瓜的采样数据进行分析，将得到的所述待检测西瓜的对应的分析结果分别与所述生西瓜标准分析模板和所述熟西瓜标准分析模板进行对比，如果所述欧氏距离分析模块、相关性分析模块、马氏距离分析模块和区别判定分析模块的分析结果中至少有三个鉴定所述待检测西瓜的对应的分析结果与所述生西瓜标准分析模板匹配，则鉴定所述待检测西瓜为生西瓜，如果所述欧氏距离分析模块、相关性分析模块、马氏距离分析模块和区别判定分析模块的分析结果中至少有三个鉴定所述待检测西瓜的对应的分析结果与所述熟西瓜标准分析模板匹配，则鉴定所述待检测西瓜为熟西瓜，否则，鉴定所述待检测西瓜为半生不熟西瓜。
2.根据权利要求1所述的非破坏准确鉴定西瓜成熟度的方法，其特征在于，所述生西瓜、所述熟西瓜和所述待检测西瓜均放置在密封的容器中5～10分钟。
3.根据权利要求1或2所述的非破坏准确鉴定西瓜成熟度的方法，其特征在于，所述PEN3电子鼻仪器系统的测定条件为：数据采集频率0.1～2秒/组，传感器自清洗时间40～120秒，传感器归零时间5～10秒，样品准备时间3～5秒，进样流量200～400ml/min，分析采样时间30～60秒。
4.根据权利要求1或2所述的非破坏准确鉴定西瓜成熟度的方法，其特征在于，所述PCA分析模块替换为所述PEN3电子鼻仪器系统的LDA分析模块。
5.根据权利要求3所述的非破坏准确鉴定西瓜成熟度的方法，其特征在于，所述PCA分析模块替换为所述PEN3电子鼻仪器系统的LDA分析模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201010154584 CN101806764B (zh) | 2010-04-23 | 2010-04-23 | 非破坏准确鉴定西瓜成熟度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 201010154584 CN101806764B (zh) | 2010-04-23 | 2010-04-23 | 非破坏准确鉴定西瓜成熟度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101806764A true CN101806764A (zh) | 2010-08-18 |
| CN101806764B CN101806764B (zh) | 2013-01-30 |
Family
ID=42608654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 201010154584 Expired - Fee Related CN101806764B (zh) | 2010-04-23 | 2010-04-23 | 非破坏准确鉴定西瓜成熟度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101806764B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102914564A (zh) * | 2012-08-27 | 2013-02-06 | 南京理工大学常熟研究院有限公司 | 一种水稻稻粒黑粉病菌检测方法 |
| CN104849321A (zh) * | 2015-05-06 | 2015-08-19 | 浙江大学 | 一种基于嗅觉指纹图谱快速检测柑橘品质的方法 |
| CN105067624A (zh) * | 2015-09-06 | 2015-11-18 | 山西省食品工业研究所 | 一种食醋、酱油的类别鉴别方法 |
| CN112529152A (zh) * | 2020-12-03 | 2021-03-19 | 开放智能机器（上海）有限公司 | 一种基于人工智能的西瓜成熟度检测的系统和方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004101452A (ja) * | 2002-09-12 | 2004-04-02 | Green Best:Kk | 青果物の熟成度測定方法及び装置 |
| CN101046407A (zh) * | 2007-03-29 | 2007-10-03 | 扬州大学 | 西瓜成熟度计 |
| JP2008096226A (ja) * | 2006-10-10 | 2008-04-24 | Yanmar Co Ltd | 内部品質判定装置 |
-
2010
- 2010-04-23 CN CN 201010154584 patent/CN101806764B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004101452A (ja) * | 2002-09-12 | 2004-04-02 | Green Best:Kk | 青果物の熟成度測定方法及び装置 |
| JP2008096226A (ja) * | 2006-10-10 | 2008-04-24 | Yanmar Co Ltd | 内部品質判定装置 |
| CN101046407A (zh) * | 2007-03-29 | 2007-10-03 | 扬州大学 | 西瓜成熟度计 |
Non-Patent Citations (1)
| Title |
|---|
| 《食品科学》 20071231 张帆等 西瓜可溶性糖和纤维素含量的近红外光谱测定 第28卷, 第1期 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102914564A (zh) * | 2012-08-27 | 2013-02-06 | 南京理工大学常熟研究院有限公司 | 一种水稻稻粒黑粉病菌检测方法 |
| CN104849321A (zh) * | 2015-05-06 | 2015-08-19 | 浙江大学 | 一种基于嗅觉指纹图谱快速检测柑橘品质的方法 |
| CN104849321B (zh) * | 2015-05-06 | 2017-10-20 | 浙江大学 | 一种基于嗅觉指纹图谱快速检测柑橘品质的方法 |
| CN105067624A (zh) * | 2015-09-06 | 2015-11-18 | 山西省食品工业研究所 | 一种食醋、酱油的类别鉴别方法 |
| CN105067624B (zh) * | 2015-09-06 | 2017-07-25 | 山西省食品工业研究所 | 一种食醋、酱油的类别鉴别方法 |
| CN112529152A (zh) * | 2020-12-03 | 2021-03-19 | 开放智能机器（上海）有限公司 | 一种基于人工智能的西瓜成熟度检测的系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101806764B (zh) | 2013-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Luo et al. | Greater than the sum of the parts: how the species composition in different forest strata influence ecosystem function | |
| Bradfer‐Lawrence et al. | Using acoustic indices in ecology: Guidance on study design, analyses and interpretation | |
| Dietze et al. | Characterizing the performance of ecosystem models across time scales: A spectral analysis of the North American Carbon Program site‐level synthesis | |
| Wang et al. | Complex trait relationships between leaves and absorptive roots: Coordination in tissue N concentration but divergence in morphology | |
| Albert et al. | Cryptic phenology in plants: Case studies, implications, and recommendations | |
| Quental et al. | Diversity dynamics: molecular phylogenies need the fossil record | |
| CN103487558B (zh) | 一种应用智能感官信号进行茶叶品质的模式识别分析过程中检测异常样本的方法 | |
| de Avila et al. | Disturbance intensity is a stronger driver of biomass recovery than remaining tree‐community attributes in a managed Amazonian forest | |
| Mahecha et al. | Comparing observations and process‐based simulations of biosphere‐atmosphere exchanges on multiple timescales | |
| Molina et al. | Addressing uncertainty: how to conserve and manage rare or little-known fungi | |
| Kéry et al. | Demographic estimation methods for plants with unobservable life‐states | |
| CN113327172A (zh) | 一种基于孤立森林的粮情数据离群点检测方法 | |
| CN101806764B (zh) | 非破坏准确鉴定西瓜成熟度的方法 | |
| Sethi et al. | Soundscapes predict species occurrence in tropical forests | |
| Montesinos‐Navarro et al. | Plant facilitation through mycorrhizal symbiosis is stronger between distantly related plant species | |
| Hai et al. | Assembly dynamics of East Asian subtropical evergreen broadleaved forests: New insights from the dominant Fagaceae trees | |
| Limsakul | Impacts of el niño-southern oscillation (ENSO) on rice production in Thailand during 1961-2016 | |
| Schatz et al. | Accuracy of climate-based forecasts of pathogen spread | |
| Evans et al. | A comparison between data requirements and availability for calibrating predictive ecological models for lowland UK woodlands: learning new tricks from old trees | |
| Paredes-Villanueva et al. | Isotopic characterization of Cedrela to verify species and regional provenance of Bolivian timber | |
| Beeckman et al. | Overview of current practices in data analysis for wood identification: a guide for the different timber tracking methods. | |
| US20060173668A1 (en) | Identifying data patterns | |
| Martins et al. | Phylogeny contributes more than site characteristics and traits to the spatial distribution pattern of tropical tree populations | |
| Botta-Dukát et al. | Statistical and biological consequences of preferential sampling in phytosociology: theoretical considerations and a case study | |
| CN103499663A (zh) | 一种基于遗传算法的龙井茶品质检测等级模型中传感器的选择方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130130 Termination date: 20150423 |
|
| EXPY | Termination of patent right or utility model |