CN112730316B - 基于近红外光谱的小型水果内部品质在线动态快速检测方法 - Google Patents
基于近红外光谱的小型水果内部品质在线动态快速检测方法 Download PDFInfo
- Publication number
- CN112730316B CN112730316B CN202011402349.XA CN202011402349A CN112730316B CN 112730316 B CN112730316 B CN 112730316B CN 202011402349 A CN202011402349 A CN 202011402349A CN 112730316 B CN112730316 B CN 112730316B
- Authority
- CN
- China
- Prior art keywords
- distance
- matrix
- fruit
- spectrum
- detection
- 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.)
- Expired - Fee Related
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 71
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims abstract description 68
- 239000013307 optical fiber Substances 0.000 claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000010561 standard procedure Methods 0.000 claims abstract description 9
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000013178 mathematical model Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 66
- 230000002068 genetic effect Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 229910052736 halogen Inorganic materials 0.000 claims description 9
- 150000002367 halogens Chemical class 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012569 chemometric method Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000011248 coating agent Substances 0.000 claims description 2
- 238000000576 coating method Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 3
- 238000012935 Averaging Methods 0.000 claims 1
- 239000000126 substance Substances 0.000 abstract description 7
- 239000000523 sample Substances 0.000 abstract description 6
- 230000001066 destructive effect Effects 0.000 abstract description 2
- 241001247821 Ziziphus Species 0.000 description 7
- 238000004497 NIR spectroscopy Methods 0.000 description 6
- 239000000835 fiber Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- -1 50W halogen Chemical class 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 125000005843 halogen group Chemical group 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于近红外光谱的小型水果内部品质在线动态快速检测方法；通过自行搭建的在线检测设备采集待测水果的光谱信息，通过距离参数补偿算法对光谱进行校正，弥补因光纤探头到水果检测距离不同造成的检测误差，然后通过标准方法测定水果待测指标的理化值，进而将校正后的光谱数据和理化值通过光谱特征波长变量筛选算法筛选特征变量，最后构建检测精度高的预测数学模型。本方法相比传统化学检测方法，具有样品无损，检测速度快，重复性好等优点，相比未经过距离参数补偿算法处理的近红外检测方法具有更高的检测精度。
Description
技术领域
本发明涉及水果内部品质智能化检测领域，特别是涉及一种经过距离参数补偿算法校正的近红外光谱水果内部品质在线检测方法。
背景技术
水果的附加值提升具有重要的意义。近红外光谱检测技术是现代无损检测技术的重要组成部分，具有快速、无损的特点。目前近红外在线检测预测模型存在的最大问题在于检测探头到水果距离不同，其光谱信息不同，进而导致所构建的数学预测模型检测精度偏低，存在较大误差，因此有必要对因检测距离不同所造成的预测误差进行补偿修正；近红外光谱技术相比传统化学检测，弥补了传统方法检测耗时长，需要专业的实验人员进行检测，存在检测成本高的缺点。因此，研究经过距离参数补偿算法校正下的光谱进行构建相关检测指标的预测模型对小型水果内部品质在线智能检测具有重要意义。
发明内容
本发明的目的是提供一种基于近红外光谱的小型水果内部品质在线检测方法，特别是涉及一种经过距离参数补偿算法校正的近红外光谱水果内部品质在线检测方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了如下方案：
一种基于近红外光谱的小型水果内部品质在线检测方法，步骤如下：
1)小型水果光谱数据的采集：通过自行搭建的在线检测设备对水果光谱数据进行采集，光纤(2)与光谱仪(4)通过SMA905标准接口连接，安装有光纤准直镜(1)的光纤(2)距离下方轮辊(3)的高度可调，初始高度为5cm，放置待测水果(5)至光纤准直镜(1)下方，依次采集光纤准直镜(1)距轮辊(3)距离5cm、5.5cm、6cm、6.5cm、7cm、7.5cm、8cm共7个高度的同一待测水果(5)的光谱数据，按照相同方法采集n个水果的样本光谱数据，所述的光谱数据会自动保存到电脑(6)中，所述n为正整数；
2)待测水果检测指标理化值的测定：对步骤1)中采集光谱数据的n个水果按照标准方法，测定其检测指标的理化值；
3)光谱距离补偿算法校正：对步骤1)中采集的n个水果的光谱通过距离参数补偿算法进行光谱校正,得到光谱滤距矩阵；
4)提取光谱有用信息：利用步骤3)得到的光谱滤距矩阵对任意一个采集距离下的n个水果样本的光谱进行有用信息的提取；
5)水果光谱数据的特征波长变量筛选：对步骤4)经滤距矩阵处理得到的任意一个距离下的n个水果光谱信息与步骤2)中利用标准方法测定的待测指标理化值，建立距离补偿算法校正处理后的光谱信息和理化值的一一对应关系，再对处理后的光谱信息采用不同的化学计量学方法筛选特征波长变量；
6)预测模型的构建和验证评价：用步骤5)筛选的特征波长变量构建可预测水果待测指标的数学预测模型并进行检测精度验证。
优选的，步骤1)中，所述的光纤准直镜(1)为SMA905透镜准直器，通过卤素灯光源(8)对水果(5)进行照射，光纤准直镜(1)可对水果(5)反射回的光线进行准直，最大程度的使光纤(2)吸收反射回的光，所述的光谱仪检测的波长范围为900nm-1700nm，共512个波长点。
优选的，步骤3)中，所述的距离参数补偿算法包括以下步骤：
1)采集样本在不同检测距离下的光谱数据；
2)采集的距离光谱矩阵可通过数学表达式表示为M＝MA+MB+C，其中A为光谱滤距矩阵，B为受距离影响的距离干扰空间矩阵，C为距离滤波冗余矩阵；
3)将每个距离条件下的光谱矩阵Mi(n*m),n为样本数，m为波长变量数，i＝1、2、···a、b，b个检测距离，按列取平均值，得到mi(1*m)；
4)选取某个距离为标准距离，假设ma为标准距离，则处理后的每个距离条件下的光谱矩阵为di＝mi-ma；
5)计算差分距离光谱矩阵D＝[d1；d2；······；da；db]；
6)对距离差分光谱矩阵的协方差矩阵进行主成分分析，即[O,P,Q]＝svd(DTD)；其中，O:左奇异矩阵；P：对角矩阵；Q：右奇异矩阵；
7)依据矩阵P对角线值，对矩阵Q进行大小排序，取累计贡献率为99％的前c列构成矩阵QC,该矩阵的每一列对应距离干扰空间的一个主成分，因此，由QC组成的空间即为距离干扰空间矩阵，即B可表示为B＝QCQC T；
8)光谱滤距矩阵A可表示为A＝I-B，I为单位矩阵；
9)对原始光谱进行距离补偿可表示为M*＝MA。
优选的，步骤5)中，所述的化学计量学方法为遗传算法，详细步骤如下：
设置群体变异概率Px、交叉概率Py和群体大小等参数值；
将光谱数据的单个波长作为基因进行二进制编码处理，组成个体；
在进行变量筛选的过程中，采用实际值和预测值的相关系数或交叉验证均方根误差作为适应度函数；
以初始群体为遗传算法的起始点，波长范围作为群体的大小；
采用“轮盘赌”法，按照优胜劣汰的原则，选择适应度高的个体保留至下代；
采用随机单点交叉算子进行群体交叉；
采用基本位变异算子进行群体变异；
采用遗传迭代次数作为终止条件，以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止计算。
优选的，所述的卤素灯光源(8)灯头与光纤准直镜1所成夹角为45°，光源汇聚点位于光纤准直镜(1)正下方两轮辊(3)空隙处，所述轮辊(3)为黑色，所述箱体(9)内表面为黑色涂层。
优选的，步骤6)中，所构建的数学模型导入自编分级程序中进行验证，程序可实时显示所测水果(5)的光谱曲线，预测的待测指标的含量信息。本发明的有益效果：
通过所提出的距离参数补偿算法，有效的解决了近红外在线检测预测模型因检测光纤探头到水果距离不同，导致所构建的数学预测模型检测精度偏低，存在较大误差的问题，同时弥补了传统方法检测耗时长，需要专业的实验人员进行检测，存在检测成本高的缺点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的小型水果内部品质在线检测设备的结构示意图；
图2为本发明的卤素灯光源与光纤安装相对位置示意图；
图3为本发明自编分级程序显示界面图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1所示，该装置包括光纤准直镜1，光纤2，轮辊3，光谱仪4，待测水果5，电脑6，上料口7，卤素灯光源8，箱体9。光谱仪4与电脑6通过数据线相连，光纤2一端连接光谱仪4，另一端连接光纤准直镜1。待测水果5从上料口7进入后，在轮辊3上被输送到光纤准直镜1下方进行光谱采集。
实施例1
参照图1-3，本发明涉及一种基于近红外光谱的小型水果内部品质在线检测方法，步骤如下：
(1)小型水果光谱数据的采集：通过自行搭建的在线检测设备对水果光谱数据进行采集，光纤与光谱仪通过SMA905标准接口连接，安装有光纤准直镜的光纤距离下方轮辊的高度可调，初始高度为5cm，放置待测水果至光纤准直镜1下方，依次采集光纤准直镜距轮辊距离5cm、5.5cm、6cm、6.5cm、7cm、7.5cm、8cm共7个高度的同一待测水果的光谱数据，按照相同方法采集n个水果的样本光谱数据，所述的光谱数据会自动保存到电脑中，所述n为正整数。
(2)待测水果检测指标理化值的测定：对步骤(1)中采集光谱数据的n个水果按照标准方法，测定其检测指标的理化值。
(3)光谱距离补偿算法校正：对步骤(1)中采集的n个水果的光谱通过距离参数补偿算法进行光谱校正,得到光谱滤距矩阵。
(4)提取光谱有用信息：利用步骤(3)得到的光谱滤距矩阵对任意一个采集距离下的n个水果样本的光谱进行有用信息的提取。
(5)水果光谱数据的特征波长变量筛选：对步骤(4)经滤距矩阵处理得到的任意一个距离下的n个水果光谱信息与步骤(2)中利用标准方法测定的待测指标理化值，建立距离补偿算法校正处理后的光谱信息和理化值的一一对应关系，再对处理后的光谱信息采用不同的化学计量学方法筛选特征波长变量。
(6)预测模型的构建和验证评价：用步骤(5)筛选的特征波长变量构建可预测水果待测指标的数学预测模型并进行检测精度验证。
进一步优化方案，步骤(1)中，所述的光纤准直镜1为SMA905透镜准直器，卤素灯光源8对水果5进行照射，光纤准直镜1可对水果5反射回的光线进行准直，最大程度的使光纤2吸收反射回的光，所述的光谱仪检测的波长范围为900nm-1700nm，共512个波长点。
进一步优化方案，步骤(3)中，所述的距离参数补偿算法包括以下步骤：
1)采集样本在不同检测距离下的光谱数据；
2)采集的距离光谱矩阵可通过数学表达式表示为M＝MA+MB+C，其中A为光谱滤距矩阵，B为受距离影响的距离干扰空间矩阵，C为距离滤波冗余矩阵；
3)将每个距离条件下的光谱矩阵Mi(n*m),n为样本数，m为波长变量数，i＝1、2、···a、b，b个检测距离，按列取平均值，得到mi(1*m)；
4)选取某个距离为标准距离，假设ma为标准距离，则处理后的每个距离条件下的光谱矩阵为di＝mi-ma；
5)计算差分距离光谱矩阵D＝[d1；d2；······；da；db]；
6)对距离差分光谱矩阵的协方差矩阵进行主成分分析，即[O,P,Q]＝svd(DTD)；
7)依据矩阵P对角线值，对矩阵Q进行大小排序，取累计贡献率为99％的前c列构成矩阵QC,该矩阵的每一列对应距离干扰空间的一个主成分，因此，由QC组成的空间即为距离干扰空间矩阵，即B可表示为B＝QCQC T；
8)光谱滤距矩阵A可表示为A＝I-B，I为单位矩阵；
9)对原始光谱进行距离补偿可表示为M*＝MA；
进一步优化方案，所述的卤素灯光源8灯头与光纤准直镜1所成夹角为45°，光源汇聚点位于光纤准直镜1正下方两轮辊3空隙处，所述轮辊3为黑色，所述箱体9内表面为黑色涂层。
进一步优化方案，步骤(6)中，所构建的数学模型导入自编分级程序中进行验证，程序可实时显示所测水果5的光谱曲线，预测的待测指标的含量信息。
实施例2
本发明对小型水果的检测具有通用性，但小型水果品种较多，内部品质指标也较多，本发明只选取了宁夏灵武长枣糖度检测为实施实例，其他小型水果的内部品质指标的检测可以参考该实例的方法。
光谱采集核心部件：NIRQuest512光谱仪(Ocean Optics公司)，八角50W卤素射灯光源(佛山市南海罗村迴龙灯饰电器有限公司)，VIS-NIR标准反射探头光纤(Ocean Optics公司)，SMA905光纤准直镜(上海闻奕光电科技有限公司)。
利用自行搭建的检测设备，采集每个灵武长枣在光纤准直镜距轮辊距离5cm、5.5cm、6cm、6.5cm、7cm、7.5cm、8cm共7个高度的光谱数据，共采集120个，然后通过所提出的距离参数补偿算法对所采集的光谱进行修正得到光谱滤距矩阵，使用光谱滤距矩阵对任意一个距离高度的120个灵武长枣原始光谱提取有效光谱信息，同时利用标准方法测定120个灵武长枣的糖度理化值。通过蚁群算法、遗传偏最小二乘法、联合偏最小二乘法构建灵武长枣糖度预测模型，优选出最优数学模型后将数学模型导入到自编分级程序中进行预测。
光谱数据处理时选取波段范围900-1700nm的光谱，共计512个光谱数据点，对120个样本7个不同检测距离下的光谱进行距离参数补偿算法校正，得到滤距矩阵后任意选取一个检测距离的光谱数据进行距离补偿校正，此处选取检测距离为5cm，然后通过蚁群偏最小二乘算法、遗传偏最小二乘算法、联合区间偏最小二乘算法，构建灵武长枣糖度预测模型，优选出遗传算法处理下的模型预测效果最好。本实施例采用遗传算法，构建灵武长枣糖度预测模型，其参数设置为变异概率Px为0.01，交叉概率Py为0.75，遗传迭代次数为100。
将最优数学模型导入到自编检测程序，并进行模型效果实际验证，程序界面显示值为预测值，标准方法检测为实际值，然后将预测值与实际值进行比较，以此评价预测效果。
上述具体实施方式是对本发明优选方式的解释说明，而不是对本发明进行限制，在不脱离本发明的原理和检测方法的情况下可以对这些实施例进行多种变化、修改、替换和变形，在本发明的基础上作出的任何修改和改变，都在本发明的保护范围之内。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (5)
1.一种基于近红外光谱的小型水果内部品质在线检测方法，其特征在于，步骤如下：
1)小型水果光谱数据的采集：通过在线检测设备对水果光谱数据进行采集，光纤(2)与光谱仪(4)通过SMA905标准接口连接，安装有光纤准直镜(1)的光纤(2)距离下方轮辊(3)的高度可调，初始高度为5cm，放置待测水果(5)至光纤准直镜(1)下方，依次采集光纤准直镜(1)距轮辊(3)距离5cm、5.5cm、6cm、6.5cm、7cm、7.5cm、8cm共7个高度的同一待测水果(5)的光谱数据，按照相同方法采集n个水果的样本光谱数据，所述的光谱数据会自动保存到电脑(6)中，所述n为正整数；
2)待测水果检测指标理化值的测定：对步骤1)中采集光谱数据的n个水果按照标准方法，测定其检测指标的理化值；
3)光谱距离补偿算法校正：对步骤1)中采集的n个水果的光谱通过距离参数补偿算法进行光谱校正,得到光谱滤距矩阵；
步骤3)中，所述的距离参数补偿算法包括以下步骤：
3.1)采集样本在不同检测距离下的光谱数据；
3.2)采集的距离光谱矩阵可通过数学表达式表示为M＝MA+MB+C，其中A为光谱滤距矩阵，B为受距离影响的距离干扰空间矩阵，C为距离滤波冗余矩阵；
3.3)将每个距离条件下的光谱矩阵Mi(n*m),n为样本数，m为波长变量数，
i＝1、2、···a、b，b个检测距离，按列取平均值，得到mi(1*m)；
3.4)选取某个距离为标准距离，假设ma为标准距离，则处理后的每个距离条件下的光谱矩阵为di＝mi-ma；
3.5)计算差分距离光谱矩阵D＝[d1；d2；······；da；db]；
3.6)对距离差分光谱矩阵的协方差矩阵进行主成分分析，即[O,P,Q]＝svd(DTD)；其中，O:左奇异矩阵；P：对角矩阵；Q：右奇异矩阵；
3.7)依据矩阵P对角线值，对矩阵Q进行大小排序，取累计贡献率为99％的前c列构成矩阵QC,该矩阵的每一列对应距离干扰空间的一个主成分，因此，由QC组成的空间即为距离干扰空间矩阵，即B可表示为B＝QCQC T；
3.8)光谱滤距矩阵A可表示为A＝I-B，I为单位矩阵；
3.9)对原始光谱进行距离补偿可表示为M*＝MA；
4)提取光谱有用信息：利用步骤3)得到的光谱滤距矩阵对任意一个采集距离下的n个水果样本的光谱进行有用信息的提取；
5)水果光谱数据的特征波长变量筛选：对步骤4)经滤距矩阵处理得到的任意一个距离下的n个水果光谱信息与步骤2)中利用标准方法测定的待测指标理化值，建立距离补偿算法校正处理后的光谱信息和理化值的一一对应关系，再对处理后的光谱信息采用不同的化学计量学方法筛选特征波长变量；
6)预测模型的构建和验证评价：用步骤5)筛选的特征波长变量构建可预测水果待测指标的数学预测模型并进行检测精度验证。
2.根据权利要求1所述的一种基于近红外光谱的小型水果内部品质在线检测方法，其特征在于，步骤1)中，所述的光纤准直镜(1)为SMA905透镜准直器，通过卤素灯光源(8)对水果(5)进行照射，光纤准直镜(1)可对水果(5)反射回的光线进行准直，最大程度的使光纤(2)吸收反射回的光，所述的光谱仪检测的波长范围为900nm-1700nm，共512个波长点。
3.根据权利要求1所述的一种基于近红外光谱的小型水果内部品质在线检测方法，其特征在于，步骤5)中，所述的化学计量学方法为遗传算法，详细步骤如下：
设置群体变异概率Px、交叉概率Py和群体大小等参数值；
将光谱数据的单个波长作为基因进行二进制编码处理，组成个体；
在进行变量筛选的过程中，采用实际值和预测值的相关系数或交叉验证均方根误差作为适应度函数；
以初始群体为遗传算法的起始点，波长范围作为群体的大小；
采用“轮盘赌”法，按照优胜劣汰的原则，选择适应度高的个体保留至下代；
采用随机单点交叉算子进行群体交叉；
采用基本位变异算子进行群体变异；
采用遗传迭代次数作为终止条件，以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止计算。
4.根据权利要求2所述的一种基于近红外光谱的小型水果内部品质在线检测方法，其特征在于，所述的卤素灯光源(8)灯头与光纤准直镜(1)所成夹角为45°，光源汇聚点位于光纤准直镜(1)正下方两轮辊(3)空隙处，所述轮辊(3)为黑色，箱体(9)内表面为黑色涂层。
5.根据权利要求1所述的一种基于近红外光谱的小型水果内部品质在线检测方法，其特征在于，步骤6)中，所构建的数学模型导入自编分级程序中进行验证，程序可实时显示所测水果(5)的光谱曲线，预测的待测指标的含量信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011402349.XA CN112730316B (zh) | 2020-12-04 | 2020-12-04 | 基于近红外光谱的小型水果内部品质在线动态快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011402349.XA CN112730316B (zh) | 2020-12-04 | 2020-12-04 | 基于近红外光谱的小型水果内部品质在线动态快速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112730316A CN112730316A (zh) | 2021-04-30 |
| CN112730316B true CN112730316B (zh) | 2022-08-16 |
Family
ID=75598781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011402349.XA Expired - Fee Related CN112730316B (zh) | 2020-12-04 | 2020-12-04 | 基于近红外光谱的小型水果内部品质在线动态快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112730316B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114494869B (zh) * | 2022-01-20 | 2024-12-31 | 湖南省农业装备研究所 | 一种基于棚架式栽培水果的快速识别与逆光补偿装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101308086B (zh) * | 2008-06-24 | 2010-09-15 | 江苏大学 | 基于近红外光谱技术的水果内部品质在线检测装置 |
| CN104677826B (zh) * | 2015-01-22 | 2017-11-24 | 中国农业大学 | 一种高度校正系统及方法 |
| CN106323909A (zh) * | 2016-09-14 | 2017-01-11 | 江苏大学 | 果蔬品质手持式近红外光谱检测系统及检测方法 |
| CN108760652A (zh) * | 2018-03-26 | 2018-11-06 | 南京农业大学 | 基于可见/近红外光谱的葡萄多品质无损检测方法及装置 |
| CN110376154A (zh) * | 2019-07-19 | 2019-10-25 | 北京农业智能装备技术研究中心 | 基于光谱校正的水果在线检测方法及系统 |
-
2020
- 2020-12-04 CN CN202011402349.XA patent/CN112730316B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN112730316A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107271392B (zh) | 一种基于气体差分吸收截面特征测量低浓度so2的方法 | |
| CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN107817223A (zh) | 快速无损实时预测原油性质模型的构建方法及其应用 | |
| CN103234922A (zh) | 一种基于大样本土壤可见-近红外光谱分类的土壤有机质快速检测方法 | |
| CN104062257A (zh) | 一种基于近红外光谱测定溶液中总黄酮含量的方法 | |
| CN102879353A (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
| CN108760647A (zh) | 一种基于可见/近红外光谱技术的小麦带菌量线检测方法 | |
| CN102252971A (zh) | 一种芒果硬度快速检测方法 | |
| CN107703097A (zh) | 利用衰减全反射探头与近红外光谱仪构建快速预测原油性质的模型的方法及其应用 | |
| CN105784628A (zh) | 一种利用中红外光谱检测土壤有机质化学组成的方法 | |
| CN114216877B (zh) | 茶叶近红外光谱分析中谱峰自动检测与重构方法及系统 | |
| CN105784672A (zh) | 一种基于双树复小波算法的毒品检测仪标准化方法 | |
| CN105486663B (zh) | 一种利用近红外光谱检测土壤的稳定碳同位素比值的方法 | |
| CN105548070A (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 | |
| CN103364360B (zh) | 水分测定仪 | |
| CN106018329A (zh) | 一种近红外光谱快速检测白砂糖指标的方法 | |
| CN110186871A (zh) | 一种茶鲜叶产地的判别方法 | |
| CN110749565A (zh) | 一种快速鉴别普洱茶存储年份的方法 | |
| CN107860743A (zh) | 利用反射式近红外光纤探头构建快速预测原油性质的模型的方法及其应用 | |
| CN105758819A (zh) | 一种利用近红外光谱检测土壤的有机组分的方法 | |
| CN112730316B (zh) | 基于近红外光谱的小型水果内部品质在线动态快速检测方法 | |
| CN113030011A (zh) | 水果糖度快速无损检测方法及检测系统 | |
| CN104596975A (zh) | 近红外漫反射光谱技术测定造纸法再造烟叶木质素的方法 | |
| CN112595691A (zh) | 基于近红外拉曼光谱融合的薰衣草精油特征组分定量分析模型的建立方法和定量分析方法 | |
| CN114112976A (zh) | Xrf-nirs联用的煤炭发热量高重复性检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Chen Quansheng Inventor after: Wang Zhimin Inventor after: Pan Haihui Inventor after: Wang Bing Inventor after: OuYang Qin Inventor after: Li Huanhuan Inventor after: Lin Hao Inventor before: Wang Zhimin Inventor before: Chen Quansheng Inventor before: Pan Haihui Inventor before: Wang Bing Inventor before: OuYang Qin Inventor before: Li Huanhuan Inventor before: Lin Hao |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220714 Address after: 361021 Silver River Road, Jimei, Xiamen, Xiamen, Fujian Applicant after: JIMEI University Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Applicant before: JIANGSU University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220816 |