[go: up one dir, main page]

CN105548070B - 一种苹果可溶性固形物近红外检测部位补偿方法及系统 - Google Patents

一种苹果可溶性固形物近红外检测部位补偿方法及系统 Download PDF

Info

Publication number
CN105548070B
CN105548070B CN201511031809.1A CN201511031809A CN105548070B CN 105548070 B CN105548070 B CN 105548070B CN 201511031809 A CN201511031809 A CN 201511031809A CN 105548070 B CN105548070 B CN 105548070B
Authority
CN
China
Prior art keywords
apple
soluble solid
near infrared
spectrum
predetermined patterns
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.)
Active
Application number
CN201511031809.1A
Other languages
English (en)
Other versions
CN105548070A (zh
Inventor
黄文倩
樊书祥
王庆艳
李江波
张保华
王超鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Center of Intelligent Equipment for Agriculture
Original Assignee
Beijing Research Center of Intelligent Equipment for Agriculture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Research Center of Intelligent Equipment for Agriculture filed Critical Beijing Research Center of Intelligent Equipment for Agriculture
Priority to CN201511031809.1A priority Critical patent/CN105548070B/zh
Publication of CN105548070A publication Critical patent/CN105548070A/zh
Application granted granted Critical
Publication of CN105548070B publication Critical patent/CN105548070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种苹果可溶性固形物近红外检测部位补偿方法及系统，所述方法包括：获取苹果的预设部位的吸光度光谱；获取所述苹果的预设部位的可溶性固形物含量；根据所述吸光度光谱和所述可溶性固形物含量，应用特征波长筛选算法从全波段光谱范围内挑选与苹果可溶性固形物相关的特征波长，建立苹果可溶性固形物近红外光谱检测模型。本发明通过融合苹果多个部位的光谱信息，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型，克服了光谱检测部位的变化对苹果可溶性固形物近红外光谱检测模型的影响，提高了模型的稳定性，为实际生产中苹果可溶性固形物含量的便携检测和在线检测奠定了理论基础。

Description

一种苹果可溶性固形物近红外检测部位补偿方法及系统
技术领域
本发明涉及苹果质量检测领域，尤其涉及一种苹果可溶性固形物近红外检测部位补偿方法及系统。
背景技术
可溶性固形物是指液体或流体食品中所有溶解于水的化合物的总称，包括糖、酸、维生素、矿物质等。苹果的可溶性固形物含量是衡量苹果内部品质的重要指标，也是影响消费者购买意愿的决定因素。
目前，近红外光谱技术以其快速无损的优势在苹果可溶性固形物检测方面得到了广泛应用。然而，模型的稳定性往往受苹果的温度变化，产地、品种、季节性差异等因素的影响。另外，苹果表面的可溶性固形物含量分布不均匀，其分布趋势沿果梗到花萼方向逐渐升高，因此，可能导致不同部位的光谱之间存在差异。
现有技术中，关于苹果可溶性固形物近红外光谱检测的研究多是针对赤道部位，通过采集苹果赤道部位的光谱信息，建立苹果可溶性固形物近红外光谱检测模型。因此，当用该模型去预测苹果其他部位如果梗的可溶性固形物含量时，其预测精度就会受到影响。
发明内容
针对现有技术中的缺陷，本发明提供一种苹果可溶性固形物近红外检测部位补偿方法及系统，通过融合苹果多个部位的光谱信息，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型，克服了光谱检测部位的变化对苹果可溶性固形物近红外光谱检测模型的影响，提高了模型的稳定性。
第一方面，本发明提供一种苹果可溶性固形物近红外检测部位补偿方法，所述方法包括：
获取苹果的预设部位的吸光度光谱；
获取所述苹果的预设部位的可溶性固形物含量；
根据所述吸光度光谱和所述可溶性固形物含量，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型；
其中，所述苹果预设部位包括苹果的果梗、赤道和花萼。
优选地，所述获取苹果的预设部位的吸收光谱度，包括：
通过积分球漫反射方法，获取预设波段区间内的所述苹果的预设部位的吸光度光谱。
优选地，所述获取苹果的预设部位的吸光度光谱，包括：
采集多个苹果的预设部位的吸光度光谱；
对所述多个苹果的预设部位的吸光度光谱进行二阶导数处理，获取多个处理后的吸光度光谱。
优选地，所述根据所述吸光度光谱和所述可溶性固形物含量，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型，包括：
结合特征波长筛选算法，从所述预设部位的全波段吸光度光谱中挑选与苹果可溶性固形物相关的特征波长；
根据所述预设个数苹果预设部位的特征波长下的吸光度光谱及其对应的可溶性固形物含量，采用偏最小二乘算法建立苹果可溶性固形物近红外光谱检测模型。
优选地，所述苹果可溶性固形物近红外光谱检测模型，具体为：
Y＝∑Akλk+B；
其中，Y为苹果可溶性固形物含量的估计值，k为挑选的特征波长，λk为k波长下的吸光度光谱，Ak为λk的回归系数，B为常数。
优选地，其特征在于，所述方法还包括：
对所述苹果可溶性固形物近红外光谱检测模型进行检验。
优选地，所述对所述苹果可溶性固形物近红外光谱检测模型进行检验，包括：
获取检验苹果的吸收度光谱和可溶性固形物含量的实测值；
根据所述检验苹果的特征波长下的吸收度光谱，利用所述苹果可溶性固形物近红外光谱检测模型，获取可溶性固形物含量的估计值；
将所述可溶性固形物含量的实测值和所述可溶性固形物含量的估计值进行比较，获取检测评价指标，所述检测评价指标用于判断所述苹果可溶性固形物近红外光谱检测模型的预测性能。
第二方面，本发明提供一种苹果可溶性固形物近红外检测部位补偿系统，所述系统包括：
第一获取单元，用于获取苹果的预设部位的吸光度光谱；
第二获取单元，用于获取所述苹果的预设部位的可溶性固形物含量；
建模单元，根据所述第一获取单元获取的吸光度光谱和所述第二获取单元获取的可溶性固形物含量，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型；
其中，所述苹果预设部位包括苹果的果梗、赤道和花萼。
优选地，所述第一获取单元，具体用于，
采集多个苹果的预设部位的吸光度光谱；
对所述多个苹果的预设部位的吸光度光谱进行二阶导数处理，获取多个处理后的吸光度光谱。
优选地，所述建模单元，具体用于，
结合特征波长筛选算法，从所述预设部位的全波段吸光度光谱中挑选与苹果可溶性固形物相关的特征波长；
根据所述预设个数苹果预设部位的特征波长下的吸光度光谱及其对应的可溶性固形物含量，采用偏最小二乘算法建立苹果可溶性固形物近红外光谱检测模型。
由上述技术方案可知，本发明提供一种苹果可溶性固形物近红外检测部位补偿方法及系统，通过融合苹果多个部位如果梗、赤道和花萼的光谱信息，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型，克服了光谱检测部位的变化对苹果可溶性固形物近红外光谱检测模型的影响，提高了模型的稳定性，为实际生产中苹果可溶性固形物含量的便携检测和在线检测奠定了理论基础。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的一种苹果可溶性固形物近红外检测部位补偿方法的流程示意图；
图2为本发明另一实施例提供的一种苹果可溶性固形物近红外检测部位补偿方法的流程示意图；
图3为本发明一实施例提供的一种苹果可溶性固形物近红外检测部位补偿方法的结构意图；
图4为本发明一实施例提供的苹果光谱采集部位示意图；
图5为本发明一实施例提供的预测集样本预测结果的散点分布图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1示出了本发明一实施例提供的一种苹果可溶性固形物近红外检测部位补偿方法的流程示意图，如图1所示，本实施例的一种苹果可溶性固形物近红外检测部位补偿方法，所述方法包括：
S11、获取苹果的预设部位的吸光度光谱。
可以理解的是，所述苹果预设部位包括苹果的果梗、赤道和花萼。
具体来说，通过Antaris II傅立叶变换近红外光谱仪，采用InGaAs检测器，获取苹果的果梗、赤道和花萼的吸光度光谱。
S12、获取所述苹果的预设部位的可溶性固形物含量。
可以理解的是，苹果可溶性固形物含量的测定参考采用Arias 500型半自动阿贝折光仪(Reichert Inc.,USA)。
具体来说，光谱采集完成后，紧接着利用传统的破坏性实验依次从苹果的果梗、赤道及花萼采部分切下带有果皮的表层果肉，放在纱布中过滤，挤出汁液1～2滴，测定苹果的可溶性固形物含量。
S13、根据所述吸光度光谱和所述可溶性固形物含量，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型。
本实施例通过融合苹果多个部位的光谱信息，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型，克服了光谱检测部位的变化对苹果可溶性固形物近红外光谱检测模型的影响，提高了模型的稳定性，为实际生产中苹果可溶性固形物含量的便携检测和在线检测奠定了理论基础。
图2示出了本发明另一实施例提供的一种苹果可溶性固形物近红外检测部位补偿方法的流程示意图，如图2所示，本实施例的一种苹果可溶性固形物近红外检测部位补偿方法，所述方法包括：
S21、获取苹果的预设部位的吸光度光谱。
可以理解的是，通过积分球漫反射方法，获取预设波段区间内的所述苹果的预设部位的吸光度光谱。其中，扫描次数为32次，分辨率为4cm-1，所述预设波段区间为10000-4000cm-1。
上述的步骤S21可为下述的图中未示出的步骤S211-S212：
S211、采集多个苹果的预设部位的吸光度光谱。
可以理解的是，为了提高建模的准确度，应当选取多个苹果作为建模的样本。
S212、对所述多个苹果的预设部位的吸光度光谱进行二阶导数处理，获取多个处理后的吸光度光谱。
可以理解的是，采集到的吸光度光谱，往往含有仪器的随机噪音，另外，基线漂移、光的杂散射等信息的引入，也会影响近红外光谱与可溶性固形物含量间的对应关系，造成所建模型的可靠性和稳定性降低。
具体来说，在本实施例中，通过对原始采集的吸光度光谱进行二阶导数处理，应用经二阶导处理后的光谱数据进行后续的建模分析。
S22、获取所述苹果的预设部位的可溶性固形物含量。
可以理解的是，苹果可溶性固形物含量的测定参考采用Arias 500型半自动阿贝折光仪(Reichert Inc.,USA)。
具体来说，光谱采集完成后，紧接着利用传统的破坏性实验依次从苹果的果梗、赤道及花萼采部分切下带有果皮的表层果肉，放在纱布中过滤，挤出汁液1～2滴，测定苹果的可溶性固形物含量。
S23、根据所述吸光度光谱和所述可溶性固形物含量，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型。
上述的步骤S23可为下述的图中未示出的步骤S231-S232：
S231、结合特征波长筛选算法，从所述预设部位的全波段吸光度光谱中挑选与苹果可溶性固形物相关的特征波长。
可以理解的是，光谱变量之间存在大量的冗余和共线性信息，对光谱有效信息的提取产生了较大的干扰，造成模型复杂、计算量大等问题。
优选地，在本实施例中，基于上述多个检测部位的光谱数据，采用竞争性自适应重加权算法，从全波段10000-4000cm-1挑选出苹果可溶性固形物含量的特征波长，用于建立苹果可溶性固形物近红外光谱检测模型。
S232、根据所述预设个数苹果预设部位的特征波长下的吸光度光谱及其对应的可溶性固形物含量，采用偏最小二乘算法建立苹果可溶性固形物近红外光谱检测模型。
具体来说，所述苹果可溶性固形物近红外光谱检测模型为：
Y＝∑Akλk+B；
其中，Y为苹果可溶性固形物含量的估计值，k为挑选的特征波长，λk为k波长下的吸光度光谱，Ak为λk的回归系数，B为常数。
S24、对所述苹果可溶性固形物近红外光谱检测模型进行检验。
上述的步骤S24可为下述的图中未示出的步骤S241-S243：
S241、获取检验苹果的吸收度光谱和可溶性固形物含量的实测值。
可以理解的是，为了验证上述所建立模型的预测精度及稳定性，可以分别选取建模所用苹果以及新苹果作为检验苹果，获取检验苹果的吸收度光谱，并利用步骤S22的方法获取其对应的可溶性固形物含量的实测值。
S242、根据所述检验苹果的吸收度光谱，利用所述苹果可溶性固形物近红外光谱检测模型，获取可溶性固形物含量的估计值。
可以理解的是，根据所述检验苹果的吸收度光谱，利用模型Y＝∑Akλk+B，获取可溶性固形物含量的估计值。
S243、将所述可溶性固形物含量的实测值和所述可溶性固形物含量的估计值进行比较，获取检测评价指标，所述检测评价指标用于判断所述苹果可溶性固形物近红外光谱检测模型的预测性能。
可以理解的是，检测评价指标包括相关系数和均方根误差。
本实施例通过融合苹果多个部位的光谱信息，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型，克服了光谱检测部位的变化对苹果可溶性固形物近红外光谱检测模型的影响，提高了模型的稳定性，为实际生产中苹果可溶性固形物含量的便携检测和在线检测奠定了理论基础。
图3示出了本发明另一实施例提供的一种苹果可溶性固形物近红外检测部位补偿系统的结构示意图，如图3所示，本实施例的一种苹果可溶性固形物近红外检测部位补偿系统30，包括：
第一获取单元31，用于获取苹果的预设部位的吸光度光谱；
第二获取单元32，用于获取所述苹果的预设部位的可溶性固形物含量；
建模单元33，根据所述第一获取单元31获取的吸光度光谱和所述第二获取单元32获取的可溶性固形物含量，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型；
其中，所述苹果预设部位包括苹果的果梗、赤道和花萼。
在本发明另一实施例提供的一种苹果可溶性固形物近红外检测部位补偿系统中，
所述第一获取单元31，具体用于，
采集多个苹果的预设部位的吸光度光谱；
对所述多个苹果的预设部位的吸光度光谱进行二阶导数处理，获取多个处理后的吸光度光谱。
所述建模单元33，具体用于，
结合特征波长筛选算法，从所述预设部位的全波段吸光度光谱中挑选与苹果可溶性固形物相关的特征波长；
根据所述预设个数苹果预设部位的特征波长下的吸光度光谱及其对应的可溶性固形物含量，采用偏最小二乘算法建立苹果可溶性固形物近红外光谱检测模型。
本实施例通过融合苹果多个部位的光谱信息，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型，克服了光谱检测部位的变化对苹果可溶性固形物近红外光谱检测模型的影响，提高了模型的稳定性，为实际生产中苹果可溶性固形物含量的便携检测和在线检测奠定了理论基础。
在本发明的一个具体实施例中，如下所述：
选取95个苹果作为校正集，用于建立模型；选取35个苹果作为预测集，用于所建模型的检验。
在室温下，如图4所示，对所有130个苹果，依次从每个苹果的果梗、赤道及花萼3个部分采集吸光度光谱。
光谱采集完成后，紧接着利用传统的破坏性实验依次从苹果样本的果梗、赤道及花萼采部分切下带有果皮的表层果肉，测定苹果的可溶性固形物含量。
对采集的吸光度光谱进行二阶导数处理，应用经二阶导数处理后的光谱数据进行后续的建模分析。
结合特征波长筛选算法，从全波段范围内挑选与苹果可溶性固形物相关的特征波长，特别的，在本实例中，采用竞争性自适应重加权算法，从全波段10000-4000cm-1挑选出66个苹果可溶性固形物的特征波长，采用偏最小二乘算法建立基于所选特征波长的苹果可溶性固形物近红外光谱检测模型。
模型表达式如下：
Y＝-56525.898λ4078.7-22856.338λ4182.8-36943.720λ4269.6+56956.642λ4271.5+154815.334λ4313.9+113330.183λ4398.8+129408.255λ4504.8-117514.829λ4539.6-121295.514λ4541.5-121564.421λ4545.3-84672.852λ4636.0-90901.481λ4637.9-82541.703λ4703.5-89625.552λ4707.3-104470.820λ4738.2-105405.841λ4769.0-106029.872λ4786.4-108989.175λ4788.3-107924.008λ4796.0-104129.292λ4988.9-103529.299λ4990.8-111549.708λ5085.3-115909.981λ5490.3-106618.822λ5496.1-116337.682λ5498.0+106438.398λ5688.9+96029.676λ5810.4+115032.826λ5814.3+107935.301λ5957.0-91748.438λ5958.9-88456.837λ5960.8-95833.780λ5962.8+199904.1549λ5966.6+189393.5788λ5968.6+160175.552λ6190.3+142319.686λ6196.1+126593.009λ6198.0+116570.457λ7135.3+122100.435λ7225.9+207595.089λ7239.4-83566.187λ7241.3-67547.235λ7291.5-63108.673λ7293.4-70816.081λ7320.4-89420.384λ7322.3+171940.532λ7357.1+175047.273λ7359.0-60733.900λ7362.8-91592.019λ7364.8-85493.596λ7386.0-177139.329λ7387.9-206453.142λ7391.8-115512.261λ8342.5-129283.029λ8572.0-153976.382λ8573.9-150740.715λ8575.8-117422.490λ8629.8-114922.986λ8631.8-127950.490λ8633.7+54391.231λ8755.2-105707.858λ8757.1+242191.880λ8826.5+147387.742λ9513.1+80160.282λ9601.8-159513.138λ9605.6-220245.358λ9744.5+7.124；
其中，Y为苹果可溶性固形物含量的估计值，单位为°Brix。λ4078.7为波数为4078.7cm-1对应的经二阶导处理后的光谱值，56525.898为λ4078.7回归系数，7.124为常数。
为了验证上述所建模型的预测精度及稳定性，利用上述模型对校正集，以及包含有3个不同部位光谱信息的预测集样本的可溶性固形物含量进行检测，并对结果进行评价。评价指标中校正相关系数(rc)、预测相关系数(rp)越大，校正均方根误差(RMSEC)、预测均方根误差越(RMSEP)小，说明模型预测性能越好。预测结果如下表1所示：
表1
校正集与预测集的预测值与测量值之间的相关系数均大于0.95，均方根误差均小于0.5°Brix，获得了满意的预测精度。同时，对3组不同部位的预测集均取得了较好的预测结果，说明该模型对于光谱检测部位的变化不敏感。
如图5所示，样本靠近分布于回归直线两侧，具有很好的线性预测效果。上述结果说明应用本实施例的方法能够减小光谱检测部位的变化对苹果可溶性固形物近红外光谱检测模型的影响。
为了验证由多个采集部位获取的光谱信息中所选特征波长的有效性，以赤道部位的光谱为校正集，建立基于所选特征波长的苹果可溶性固形物校正模型，仍然通过含有3个不同部位光谱信息的预测集对模型进行验证。建模及预测结果如下表2所示。同时，为了说明特征波长的有效性，表2中给出了基于赤道部位全波段光谱建立的模型的结果。
表2
对比上述两个模型，可以看出，基于全波段赤道部位建立的苹果可溶性固形物近红外光谱检测模型，当用于检测与其不同部位如花萼部位的可溶性固形物含量时，会产生十分明显的误差。而基于66个特征波长建立的模型，模型的预测精度得到提高的同时，对3个预测集均没有出现较大的预测误差。因此，通过筛选的66个有效特征波长，可以减小光谱检测位置变化对基于单一部位如赤道的光谱信息建立的模型的影响。
本领域普通技术人员可以理解：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (6)

1.一种苹果可溶性固形物近红外检测部位补偿方法，其特征在于，所述方法包括：
采集多个苹果的预设部位的吸光度光谱；
对所述多个苹果的预设部位的吸光度光谱进行二阶导数处理，获取多个处理后的吸光度光谱；
获取所述苹果的预设部位的可溶性固形物含量；
结合特征波长筛选算法，从所述预设部位的全波段吸光度光谱中挑选与苹果可溶性固形物相关的特征波长；
根据预设个数苹果预设部位的特征波长下的吸光度光谱及其对应的可溶性固形物含量，采用偏最小二乘算法建立苹果可溶性固形物近红外光谱检测模型；
其中，所述苹果预设部位包括苹果的果梗、赤道和花萼。
2.根据权利要求1所述的方法，其特征在于，所述获取苹果的预设部位的吸光度光谱，包括：
通过积分球漫反射方法，获取预设波段区间内的所述苹果的预设部位的吸光度光谱。
3.根据权利要求1所述的方法，其特征在于，所述苹果可溶性固形物近红外光谱检测模型，具体为：
Y＝∑Akλk+B；
其中，Y为苹果可溶性固形物含量的估计值，k为挑选的特征波长，λk为k波长下的吸光度光谱，Ak为λk的回归系数，B为常数。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
对所述苹果可溶性固形物近红外光谱检测模型进行检验。
5.根据权利要求4所述的方法，其特征在于，所述对所述苹果可溶性固形物近红外光谱检测模型进行检验，包括：
获取检验苹果的吸光度光谱和可溶性固形物含量的实测值；
根据所述检验苹果的特征波长下的吸光度光谱，利用所述苹果可溶性固形物近红外光谱检测模型，获取可溶性固形物含量的估计值；
将所述可溶性固形物含量的实测值和所述可溶性固形物含量的估计值进行比较，获取检测评价指标，所述检测评价指标用于判断所述苹果可溶性固形物近红外光谱检测模型的预测性能。
6.一种苹果可溶性固形物近红外检测部位补偿系统，其特征在于，所述系统包括：
第一获取单元，用于获取苹果的预设部位的吸光度光谱；
第二获取单元，用于获取所述苹果的预设部位的可溶性固形物含量；
建模单元，根据所述第一获取单元获取的吸光度光谱和所述第二获取单元获取的可溶性固形物含量，结合特征波长筛选算法，建立苹果可溶性固形物近红外光谱检测模型；
其中，所述苹果预设部位包括苹果的果梗、赤道和花萼；
所述第一获取单元，具体用于，
采集多个苹果的预设部位的吸光度光谱；
对所述多个苹果的预设部位的吸光度光谱进行二阶导数处理，获取多个处理后的吸光度光谱；
所述建模单元，具体用于，
结合特征波长筛选算法，从所述预设部位的全波段吸光度光谱中挑选与苹果可溶性固形物相关的特征波长；
根据预设个数苹果预设部位的特征波长下的吸光度光谱及其对应的可溶性固形物含量，采用偏最小二乘算法建立苹果可溶性固形物近红外光谱检测模型。
CN201511031809.1A 2015-12-31 2015-12-31 一种苹果可溶性固形物近红外检测部位补偿方法及系统 Active CN105548070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201511031809.1A CN105548070B (zh) 2015-12-31 2015-12-31 一种苹果可溶性固形物近红外检测部位补偿方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201511031809.1A CN105548070B (zh) 2015-12-31 2015-12-31 一种苹果可溶性固形物近红外检测部位补偿方法及系统

Publications (2)

Publication Number Publication Date
CN105548070A CN105548070A (zh) 2016-05-04
CN105548070B true CN105548070B (zh) 2019-03-08

Family

ID=55827411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201511031809.1A Active CN105548070B (zh) 2015-12-31 2015-12-31 一种苹果可溶性固形物近红外检测部位补偿方法及系统

Country Status (1)

Country Link
CN (1) CN105548070B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106124447A (zh) * 2016-06-08 2016-11-16 沈阳农业大学 一种基于近红外光谱分析技术检测草莓中可溶性固形物含量的方法
CN107462533A (zh) * 2017-08-11 2017-12-12 宜宾金铁红林业科技有限公司 基于光谱技术的油樟果实摘采仪
CN108333139A (zh) * 2018-01-15 2018-07-27 深圳市芭田生态工程股份有限公司 一种苹果可溶性固形物快速检测方法
CN109238973A (zh) * 2018-07-18 2019-01-18 中科谱光科技（天津）有限公司 一种检测苹果可溶性固形物含量和含水量的方法
CN109946246B (zh) * 2019-02-27 2023-03-14 北京农业智能装备技术研究中心 一种苹果可溶性固形物的检测方法及装置
CN110991469B (zh) * 2019-12-30 2022-08-12 西南大学 一种水果可溶性固形物在线检测方法及系统
CN111693487A (zh) * 2020-05-28 2020-09-22 济南大学 基于遗传算法和极限学习机的水果糖度检测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104062258A (zh) * 2013-05-07 2014-09-24 山东东阿阿胶股份有限公司 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104062258A (zh) * 2013-05-07 2014-09-24 山东东阿阿胶股份有限公司 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
小型西瓜品质近红外无损检测的光谱信息采集;韩东海等;《农业机械学报》;20130731;第44卷(第7期);174-178
苹果产地差异对可溶性固形物近红外光谱检测模型影响的研究;樊书祥等;《分析化学研究报告》;20150228;第43卷(第2期);第239-243页，2 实验部分，3 结果与分析
苹果可溶性固形物近红外在线光谱变量优选;欧阳爱国等;《农业机械学报》;20140430;第45卷(第4期);220-225
近红外光谱检测苹果可溶性固形物;章海亮等;《农业工程学报》;20091031;第25卷;340-344
适宜西瓜检测部位提高近红外光谱糖度预测模型精度;介邓飞等;《农业工程学报》;20140531;第30卷(第9期);229-234

Also Published As

Publication number Publication date
CN105548070A (zh) 2016-05-04

Similar Documents

Publication Publication Date Title
CN105548070B (zh) 一种苹果可溶性固形物近红外检测部位补偿方法及系统
CN104062263B (zh) 光物性相近水果品质指标的近红外通用模型检测方法
Huang et al. Quality assessment of tomato fruit by optical absorption and scattering properties
Leiva-Valenzuela et al. Assessment of internal quality of blueberries using hyperspectral transmittance and reflectance images with whole spectra or selected wavelengths
Ma et al. Non-destructive and fast method of mapping the distribution of the soluble solids content and pH in kiwifruit using object rotation near-infrared hyperspectral imaging approach
CN104062257B (zh) 一种基于近红外光谱测定溶液中总黄酮含量的方法
CN104280349A (zh) 一种基于高光谱图像对白萝卜糠心鉴定的方法
CN109211829A (zh) 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法
CN103776777A (zh) 一种用近红外光谱技术识别不同生长方式人参及对人参中组分含量测定的方法
CN104062258A (zh) 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法
CN109946246A (zh) 一种苹果可溶性固形物的检测方法及装置
Xu et al. Nondestructive detection of internal flavor in ‘Shatian’pomelo fruit based on visible/near infrared spectroscopy
CN111537469A (zh) 一种基于近红外技术的苹果品质快速无损检测方法
CN110672578A (zh) 针对煎炸油极性组分检测的模型通用性及稳定性验证方法
Lu et al. Nondestructive determination of soluble solids and firmness in mix-cultivar melon using near-infrared CCD spectroscopy
CN106872396A (zh) 一种不同近红外仪器测定葡萄糖度模型转换的方法
CN110231306A (zh) 一种无损、快速测定奇亚籽蛋白质含量的方法
Wang et al. Application of visible/near-infrared spectroscopy combined with machine vision technique to evaluate the ripeness of melons (Cucumis melo L.)
CN112858187A (zh) 一种基于光谱技术的茄子花青素测量系统及方法
Yu et al. Parameter optimization in soluble solid content prediction of entire bunches of grape based on near infrared spectroscopic technique
CN109164062A (zh) 一种近红外光谱测定哈密瓜可滴定酸含量值的方法
Wang et al. Influence of the peel on predicting soluble solids content of navel oranges using visible and near-infrared spectroscopy
CN114878545A (zh) 一种基于拉曼光谱快速检测猪肉糜中tbars含量的方法
Sheng Determination of shearing force by measuring NDF and ADF in tea stems with hyperspectral imaging technique
CN105466878A (zh) 一种利用红外光谱测定番茄酱中番茄红素的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant