基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法技术

技术编号:16470150 阅读:21 留言:0更新日期:2017-10-28 20:44
本发明专利技术公开一种基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,步骤如下:芒果样品分为对照组和实验组,实验组样品分别在不同高度自由跌落产生冲击损伤;采集所有样品近红外波段的高光谱图像,测定所有芒果样品的可溶性固形物值;结合光谱预处理方法、特征波长提取方法及统计学方法,建立了可溶性固形物预测模型,用于芒果冲击损伤后可溶性固形物含量的预测。本发明专利技术基于高光谱成像技术和数学建模技术有效地评估了冲击损伤对芒果可溶性固形物含量的影响,具有无损、快速、准确等优点,可有效地检测受损后芒果中可溶性固形物含量的变化。

Prediction of soluble solids content in mango fruit after shock injury based on hyperspectral data

The invention discloses a method based on Hyperspectral mango impact damage after the soluble solids content prediction method comprises the following steps: Mango samples were divided into control group and experimental group, experimental group were respectively at different height free fall impact injury; hyperspectral image acquisition of all samples near infrared wave band, the determination of soluble all mango samples solids value; combined with the spectral preprocessing methods, feature extraction method of wavelength and statistical methods, establish the soluble solids prediction model for the prediction of impact damage after mango soluble solids content. The modeling technique of hyperspectral imaging technology and mathematics effectively assess the impact damage of mango soluble solids content based on the advantages of non-destructive, rapid and accurate, and can effectively detect the changes of soluble solids content in mango after damage.

【技术实现步骤摘要】
基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法
本专利技术涉及一种基于高光谱的芒果中可溶性固形物含量测定的方法,具体涉及一种基于近红外高光谱的受冲击损伤后芒果中可溶性固形物含量预测的方法。
技术介绍
芒果为热带和亚热带重要水果之一,其果实富含糖、蛋白质、粗纤维等重要营养物质,一直颇受消费者的青睐。但是,仍存在很多因素影响着芒果的产后质量,进而降低其经济价值。比如发生在运输、包装等过程中的机械损伤,通常以冲击、磨损、穿刺等形式出现,其中冲击损伤最严重且最容易发生。研究表明,水果一旦受到损伤其生理变化显著,在果实存放期间会加速其成熟。因此,如何高效地预测芒果果实受冲击损伤后质量参数的变化是一个亟待解决的问题。可溶性固形物是评价果实成熟度的重要参数之一,也是相关研究中的关注点之一。很多基于高光谱的研究借助于可溶性固形物含量的变化对果实的成熟度进行分类以便为储存和销售提供客观参考。也有研究结合可溶性固形物含量和机械参数(冲击能量、吸收能量等)建立数学模型评估机械损伤。然而这些研究中模型的精度及稳定性有待提高,预测效果不理想,且没有把质量参数的变化与损伤程度联系起来。因此,建立基于高光谱技术的芒果冲击损伤后可溶性固形物含量的方法,可以为进一步评估机械损伤对果实的影响提供技术支持,具有重要的意义。
技术实现思路
本专利技术的目的在于提供一种基于高光谱的受冲击损伤后芒果中可溶性固形物含量预测方法,旨在实现无损、快速、准确地检测损伤后芒果中可溶性固形物含量。本专利技术是这样实现的,一种基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,步骤如下:将未损伤芒果样品分成对照组和实验组,实验组分成多个子组后分别从多个不同高度进行跌落实验,形成实验组受损与对照组未受损两类样品;用近红外高光谱成像系统扫描受损与未受损样品,采集样品高光谱图像;采用手持式折光计对每个样品榨出的定量的芒果果汁进行测定,获得样品可溶性固形物含量值;选取实验组样品受损伤区域和对照组样品任意区域作为感兴趣区,从样品高光谱图像中提取平均光谱,获得原始光谱;使用多元散射校正对所述原始光谱预处理后,采用竞争性自适应重加权算法提取原始光谱的特征波长,形成特征光谱;利用偏最小二乘算法分析特征光谱矩阵与可溶性固形物含量值矩阵,建立特征光谱矩阵与可溶性固形物含量值矩阵的线性回归模型,然后对该线性回归模型校正并预测评估,最终建立预测模型;采集待测受损伤芒果样品高光谱图像,提取特征光谱,将特征光谱矩阵输入预测模型,得到样品果肉的可溶性固形物含量值。其中,所述线性回归模型的建立方式如下:利用偏最小二乘算法将因子分析和回归分析相结合,对特征光谱矩阵X和可溶性固形物含量值矩阵Y同时进行主成分分解,求取潜在变量,并采用留一法交叉验证计算预测残差平方和,再根据潜在变量的累积贡献率和预测残差平方和,寻找所需潜在变量个数,将特征光谱矩阵X和可溶性固形物含量矩阵Y关联,建立两者的线性回归模型。其中,对该线性回归模型校正并预测评估,最终建立预测模型的步骤如下:先选取3/4样品的特征光谱值与可溶性固形物含量值数据输入线性回归模型进行模型校正;然后把剩下样品的特征光谱值与可溶性固形物含量值数据输入校正后模型进行预测,根据预测结果评估模型,最终建立预测模型。优选的,所述近红外高光谱成像系统扫描时,光谱范围为900-1700nm,相关参数设置如下:光谱分辨率为3nm,曝光时间为20ms,移动台前进速度为1.4cm/s,镜头与样本距离为42cm;优选的,采用手持式折光计对每个样品榨出的1mL芒果果汁进行测定,手持式折光计显示的读数即为样品可溶性固形物的数值,单位为°Brix。优选的,采用竞争性自适应重加权算法提取原始光谱的特征波长共19个,分别为938,941,944,965,1031,1037,1046,1051,1436,1439,1445,1448,1451,1454,1457,1592,1595,1637,1640,单位为nm。其中,采用竞争性自适应重加权算法提取原始光谱的特征波长的方法的步骤如下:(1)蒙特卡罗采样,每次波长变量采样从建模样本集随机抽取80%-90%的样本,建立偏最小二乘回归模型;(2)基于指数衰减函数去除不符合要求的波长变量;(3)基于自适应重加权采样算法对保留的波长变量进行竞争性筛选;(4)N次蒙特卡罗采样后得到N个波长变量子集,比较每次蒙特卡罗采样产生的波长变量子集的交叉验证均方根误差,误差值最小的变量子集为最优波长变量子集。其中,建立线性回归模型的步骤如下:(1)将特征光谱矩阵X和可溶性固形物含量值矩阵Y按下式(1)、(2)同时分解:X=TP+E(1)Y=UQ+F(2)式中,T和P分别为特征光谱矩阵X的得分矩阵和载荷矩阵,U和Q分别为可溶性固形物含量值矩Y的得分矩阵和载荷矩阵,E和F为模型拟合特征光谱矩阵X和可溶性固形物含量值矩Y时引进的误差矩阵。(2)利用下式(3),建立T和U线性回归关系:U=TB(3)式中,B是回归系数矩阵;(3)对未知待测样本Xun的待测可溶性固形物含量值Yun进行预测:Yun=TunBQ+F(4)式中,Tun为根据P矩阵求出的未知待测样本Xun的得分矩阵。以上步骤中,光谱数据的提取在ENVI5.1软件上操作,光谱数据的预处理及回归模型的建立、预测在Unscrambler9.7软件上操作,特征波长的提取在Matlab2010b软件上操作。具体的操作过程可以参考软件的联机帮助或者公开出版的工具书。本专利技术提供了基于近红外高光谱的受冲击损伤后芒果中可溶性固形物含量预测的方法,首先让实验样品产生损伤,采集芒果样品的高光谱图像、提取其原始光谱,采用折光计测定样品的可溶性固形物值,然后对原始光谱进行预处理并提取特征波长,最后通过建立偏最小二乘回归预测模型实现对待测样品可溶性固形物含量的预测。本专利技术提供的光谱预处理方法有效地降低了噪声信号的干扰,有利于对原始数据进行深度挖掘。本专利技术建模前通过采用竞争性自适应重加权算法提取特征波长,有效地减低了数据的维度,极大地提高了模型的运算效率,而且一定程度上提高了预测模型的准确度。本专利技术避免了传统的破坏式检测果实可溶性固形物的方法,可实现无损、快速、准确地检测评估。附图说明图1为本专利技术基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法的流程图;图2为本专利技术实际测得的芒果样品的可溶性固形物统计图;图3为本专利技术经过反射率校正的芒果样品的原始光谱曲线图;图4为本专利技术经过多元散射校正预处理后的平均光谱曲线图;图5为本专利技术利用竞争性自适应重加权算法提取特征光谱的运行结果图;图6为本专利技术基于偏最小二乘回归模型得出的实际测得可溶性固形物与预测的可溶性固形物的散点示意图。具体实施方式下面,结合具体实施实例对本专利技术作进一步描述,以下列举的仅是本专利技术的具体实施实例,但本专利技术的保护范围并不仅限于此。如图1-6所示,基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,步骤如下:1)样品冲击损伤的产生将240个硬度、颜色、大小基本一致且未受到任何损伤的芒果随机分类成对照组(60个)和实验组(180个),实验组样品分成3组分别用于三天的观测,每组样品再分成3个子组分别从3个不同的高度(0.5m,1.0m,1.5m)自由跌落产生冲击损伤,利用跌落本文档来自技高网...
基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法

【技术保护点】
基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,其特征在于,步骤如下:将未损伤芒果样品分成对照组和实验组,实验组分成多个子组后分别从多个不同高度进行跌落实验,形成实验组受损与对照组未受损两类样品;用近红外高光谱成像系统扫描受损与未受损样品,采集样品高光谱图像;采用手持式折光计对每个样品榨出的定量的芒果果汁进行测定,获得样品可溶性固形物含量值;选取实验组样品受损伤区域和对照组样品任意区域作为感兴趣区,从样品高光谱图像中提取平均光谱,获得原始光谱;使用多元散射校正对所述原始光谱预处理后,采用竞争性自适应重加权算法提取原始光谱的特征波长,形成特征光谱;利用偏最小二乘算法分析特征光谱矩阵与可溶性固形物含量值矩阵,建立特征光谱矩阵与可溶性固形物含量值矩阵的线性回归模型,然后对该线性回归模型校正并预测评估,建立预测模型;采集待测受损伤芒果样品高光谱图像,提取特征光谱,将特征光谱矩阵输入预测模型,得到样品果肉的可溶性固形物含量值。

【技术特征摘要】
1.基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,其特征在于,步骤如下:将未损伤芒果样品分成对照组和实验组,实验组分成多个子组后分别从多个不同高度进行跌落实验,形成实验组受损与对照组未受损两类样品;用近红外高光谱成像系统扫描受损与未受损样品,采集样品高光谱图像;采用手持式折光计对每个样品榨出的定量的芒果果汁进行测定,获得样品可溶性固形物含量值;选取实验组样品受损伤区域和对照组样品任意区域作为感兴趣区,从样品高光谱图像中提取平均光谱,获得原始光谱;使用多元散射校正对所述原始光谱预处理后,采用竞争性自适应重加权算法提取原始光谱的特征波长,形成特征光谱;利用偏最小二乘算法分析特征光谱矩阵与可溶性固形物含量值矩阵,建立特征光谱矩阵与可溶性固形物含量值矩阵的线性回归模型,然后对该线性回归模型校正并预测评估,建立预测模型;采集待测受损伤芒果样品高光谱图像,提取特征光谱,将特征光谱矩阵输入预测模型,得到样品果肉的可溶性固形物含量值。2.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,其特征在于,所述线性回归模型的建立方式如下:利用偏最小二乘算法将因子分析和回归分析相结合,对特征光谱矩阵X和可溶性固形物含量值矩阵Y同时进行主成分分解,求取潜在变量,并采用留一法交叉验证计算预测残差平方和,再根据潜在变量的累积贡献率和预测残差平方和,寻找所需潜在变量个数,将特征光谱矩阵X和可溶性固形物含量矩阵Y关联,建立两者的线性回归模型。3.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,其特征在于,对该线性回归模型校正并预测评估,最终建立预测模型的步骤如下:先选取3/4样品的特征光谱值与可溶性固形物含量值数据输入线性回归模型进行模型校正;然后把剩下样品的特征光谱值与可溶性固形物含量值数据输入校正后模型进行预测,根据预测结果评估模型,最终建立预测模型。4.根据权利要求1所述基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法,其特征在于,所述近红外高光谱成像系统扫描时,光谱范围为900-1700nm...

【专利技术属性】
技术研发人员:王怀文徐夺花计宏伟郑鸿飞岳帅
申请(专利权)人:天津商业大学
类型:发明
国别省市:天津,12

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1