基于可見-近紅外光譜的水果糖度檢測模型優(yōu)化及應(yīng)用研究.pdf

1、本文以水果為研究對象，在介紹了近紅外光譜檢測技術(shù)的基本原理、常規(guī)檢測方式以及分析流程與步驟，以及分析了目前國際上基于可見，近紅外光譜的農(nóng)產(chǎn)品內(nèi)部品質(zhì)在線無損檢測分級技術(shù)與裝備的現(xiàn)狀的基礎(chǔ)上，利用可見/近紅外光譜分析技術(shù)和化學(xué)計(jì)量學(xué)知識，研究了水果糖度的可見/近紅外光譜無損檢測方法，主要包括：研究了簡單和復(fù)雜樣品溫度對檢測結(jié)果的影響及其建模分析方法、研究了水果表面顏色和糖度的同步檢測、研究比較了光譜信息融合不同顏色指標(biāo)后的水果糖度預(yù)測方法

2、及其結(jié)果、研究了基于特征變量選擇的多種建模方法、研究優(yōu)化了實(shí)時(shí)檢測系統(tǒng)等，并在此基礎(chǔ)上完成了水果糖度實(shí)時(shí)無損檢測系統(tǒng)，并采用Visual C++6.0軟件和OmniDriver二次開發(fā)軟件包，開發(fā)了水果內(nèi)部品質(zhì)檢測與實(shí)時(shí)分級系統(tǒng)軟件，并對實(shí)際生產(chǎn)中模型更新與模型修正進(jìn)行了比較研究。本研究的主要內(nèi)容和結(jié)論為：
　　 ⑴介紹了可見，近紅外光譜檢測技術(shù)的基本原理、常規(guī)檢測方式以及分析流程與步驟；介紹了可見，近紅外光譜的數(shù)據(jù)預(yù)處理常用方

3、法和常用建模方法。分析了目前國際上基于可見，近紅外光譜的農(nóng)產(chǎn)品內(nèi)部品質(zhì)在線無損檢測分級技術(shù)與裝備的現(xiàn)狀，及其一直困擾近紅外檢測技術(shù)的關(guān)鍵問題--模型的穩(wěn)健性。
　　 ⑵研究了簡單樣品溫度條件下水果溫度對糖度預(yù)測精度的影響。運(yùn)用偏最小二乘法(PLS)和逐步多元線性回歸(SMLR)對常溫與低溫冷藏后混合的水蜜桃樣品糖度進(jìn)行預(yù)測，分別取得最優(yōu)交互驗(yàn)證均方根誤差(RMSECV)為0.67°Brix和0.532°Brix，SMLR的預(yù)測結(jié)

4、果要優(yōu)于PLS的預(yù)測結(jié)果，表明在簡單溫度條件下，可以通過逐步多元線性回歸選擇對溫度不敏感的波長建立分析模型，提高檢測精度。另外，對單溫度樣品集進(jìn)行SMLR預(yù)測分析時(shí)，可以發(fā)現(xiàn)單溫度下的模型預(yù)測結(jié)果要優(yōu)于混合后的模型預(yù)測結(jié)果，常溫下的RMSECV=0.26°Brix、冷藏下的RMSECV=0.31°Brix，可見溫度對預(yù)測結(jié)果的影響較大，預(yù)測誤差擴(kuò)大了一倍左右。
　　 ⑶研究了溫度和光譜的二維相關(guān)分析。通過二維相關(guān)光譜分析可以看出

5、在850 nm、790 nm和690 nm峰附近所對應(yīng)的基團(tuán)隨著升溫的進(jìn)程而變化，并對變溫?cái)_動比較敏感，并且O-H基團(tuán)比C-H基團(tuán)對溫度的變化擾動更敏感，糖度高的樣品受溫度變化擾動影響大。
　　 ⑷研究了復(fù)雜樣品溫度條件下的水果糖度預(yù)測分析。運(yùn)用逐步多元線性回歸SMLR、偏最小二乘法PLS、遺傳算法-偏最小二乘法GA-PLS、最小二乘支持向量機(jī)LS-SVM1(輸入量為SMLR分析得到的30個波段下的光譜值)和最小二乘支持向量機(jī)L

6、S-SVM2(輸入量為30個波段下的光譜值和溫度變量)等五種方法進(jìn)行建模比較，預(yù)測結(jié)果從優(yōu)到差依次為LS-SVM2、LS-SVM1、GA-PLS、PLS和SMLR。結(jié)果表明：在復(fù)雜的溫度變化條件下SMLR方法已顯得不足以進(jìn)行溫度的修正。GA-PLS通過遺傳算法選取了與溫度無關(guān)的波段，建立了相對穩(wěn)健的模型，因而預(yù)測精度比全波段的PLS高，而LS-SVM采用了非線性模型可以有效地補(bǔ)償溫度的非線性影響，另外，LS-SVM2中將溫度引入了X矩陣

7、中，在一定程度上補(bǔ)償了溫度的影響并提高了檢測精度。
　　 ⑸研究了基于可見，近紅外光譜的水果表面顏色和糖度的同步檢測。利用便攜式光譜儀獲取的光譜信息同時(shí)對水果的糖度值(SC)、顏色信息L*，a*，b*和C*行了預(yù)測，在20個波長下建立的SMLR模型取得最好的交互驗(yàn)證結(jié)果：糖度SC的校正決定系數(shù)R2=0.937，RMSEC=0.294°Brix，交互驗(yàn)證R2=0.896，RMSECV=0.3794°Brix，RPD比值=3.2；顏

8、色指標(biāo)L*的校正決定系數(shù)R2=0.968，RMSEC=0.472，交互驗(yàn)證R2=0.948，RMSECV=0.603，RPD比值=4.5；顏色指標(biāo)a*的校正決定系數(shù)R2=0.939，RMSEC=0.593，交互驗(yàn)證R2=0.899，RMSECV=0.765，RPD比值=3.3；顏色指標(biāo)b*的校正決定系數(shù)R2=0.950，RMSEC=0.573，交互驗(yàn)證R2=0.918，RMSECV=0.738，RPD比值=3.5；顏色指標(biāo)C*的校正決定

9、系數(shù)R2=0.958，RMSEC=0.548，交互驗(yàn)證R2=0.930，RMSECV=0.708，RPD比值=3.8。5個品質(zhì)指標(biāo)的RPD比值均>3，表示模型預(yù)測性能良好，可以用于預(yù)測。
　　 ⑹研究了基于顏色信息融合的水果糖度可見/近紅外光譜檢測方法。研究結(jié)果表明將15個波段的光譜信息(第一類輸入量)融合顏色信息(第二類輸入量)后LS-SVM回歸分析得到的糖度預(yù)測精度與僅有同樣15個波段光譜信息作為輸入量的SMLR模型和LS-

10、SVM模型的回歸結(jié)果相比有了明顯的提高。在融合全部顏色信息L*+a*+b*時(shí)糖度預(yù)測結(jié)果最好，RMSEP=0.561°Brix。其他依次為(a*+b*)>L*。該結(jié)果表明將顏色信息與光譜信息融合用于水果糖度的檢測并提高其預(yù)測精度是可行的，該方法可以用于水果商品化處理實(shí)際生產(chǎn)。
　　 ⑺研究了基于特征變量選擇的多種建模方法。分別比較了逐步多元線性回歸(SMLR)、遺傳算法-偏最小二乘法(GA-PLS)、連續(xù)投影算法-多元線性回歸S

11、PA-MLR和組合間段偏最小二乘法(siPLS)等方法對在線實(shí)時(shí)獲取的水果光譜樣本的預(yù)測分析。SMLR選用18個波長建立的模型預(yù)測結(jié)果為決定系數(shù)R2=0.849，RMSEP=0.346°Brix，且所選波長數(shù)18占520nm-920nm光譜范圍內(nèi)901個波長點(diǎn)為2％；GA-PLS選用225個變量建模時(shí)取得的預(yù)測結(jié)果為R2=0.873，RMSEP=0.315°Brix，所選波長數(shù)225占520nm-920nm光譜范圍內(nèi)901個波長點(diǎn)的25

12、％。SPA-MLR在選擇11個波長建立的模型取得的預(yù)測結(jié)果為R2=0.808，RMSEP=0.391°Brix，所選波長數(shù)11占520nm-920nm光譜范圍內(nèi)901個波長點(diǎn)的1.22％。siPLS方法將光譜范圍520nm-920nm分成20個間段，并在組合[7，10，12，15]間段時(shí)建立的模型時(shí)取得的預(yù)測結(jié)果為R2=0.832，RMSEP=0.362°Brix，所選間段占520nm-920nm光譜范圍的20％。結(jié)果表明雖然GA-PL

13、S預(yù)測結(jié)果最好，但其所用光譜變量最多25％，且所需建模時(shí)間最長，SPA-MLR所用光譜變量最少1.22％，但預(yù)測精度相對較差，從預(yù)測精度、所需時(shí)間及所用光譜變量等情況分析，8MLR模型性能可以滿足水果糖度的在線實(shí)時(shí)檢測。
　　 ⑻比較選擇了實(shí)時(shí)檢測系統(tǒng)中的主要儀器。包括參比的比較選擇研究、光譜儀的比較選擇研究以及不同果杯的影響研究，從而達(dá)到了優(yōu)化實(shí)時(shí)檢測系統(tǒng)的目的，保證了檢測系統(tǒng)和模型的可靠性。比較結(jié)果表明用ND0.7作為參比時(shí)