一种农产品品质综合评价方法技术

本发明专利技术涉及一种农产品品质综合评价方法，所述方法基于振动光谱定量预测模型，在所述模型的基础上获得待测样品的多个评价指标的预测值和模型参数，将预测值归一化，结合评价指标的模型参数和评价指标的权重系数，求得反映农产品综合品质的综合评价值Z，根据Z值的分布范围可对全部待测样品进行分级。本发明专利技术提供的方法充分考虑到农产品品质的多指标及多指标之间的相互影响，兼顾模型的预测性能，可以实现农产品品质更为科学、具体、实用的分级。

【技术实现步骤摘要】

本专利技术涉及农产品质量安全领域，具体地说，涉及一种农产品品质综合评价方法。
技术介绍
农产品是人们赖以生存的食物来源之一，农产品品质分级是提高农产品附加值的重要手段。目前国内的农产品经销企业的分级现状是，或不按品质分级而仅按重量或体积分选，或采用破坏性检测方法进行品质分级。重量或体积分选存在的主要问题是不能保证分选结果和农产品品质的相互关联性；而采用传统的破坏性检测方法所进行的分级主要存在抽检覆盖不全面、检测代表性受限等问题，而且造成严重的农产品浪费。亦即，目前国内的农产品经销企业的分级现状是，不仅检测方法落后，而且饱受果农和收购人员的争议和抱怨，严重影响高端农产品的出口贸易。目前国外的农产品经销企业的分级现状是，发达国家，如日本、美国等，其包括水果在内的农产品采用荧光探伤、近红外品质分级等先进技术，在农产品分级方面有较多的应用。以日本为例，农产品分级基本上以品质为基础，在提高农产品附加值、满足消费者需要、解决果农收购纠纷等方面起到了积极本文档来自技高网...

【技术保护点】
一种农产品品质的综合评价方法，其特征在于，所述方法包括以下步骤：(1)确定n项评价指标，并设定各项评价指标的权重系数Ki，其中，i＝1,2,…,n‑1,n；所述n项评价指标的权重系数之和等于1；(2)选择与待测农产品具有相同种植环境的同品种典型样品作为训练集样本，以训练集样本的振动光谱数据为自变量、各项评价指标的评价值为因变量，进行回归运算，建立各项评价指标的振动光谱定量预测模型；第i项评价指标的振动光谱定量预测模型如公式I所示：Cj,i＝(Xj‑XM)×Bi+YM,i      I；所述公式I中，Cj,i为第j个待测样品的预测值，Xj为第j个待测样品的近红外光谱数据值，XM为训练集样本的近红...

【技术特征摘要】
1.一种农产品品质的综合评价方法，其特征在于，所述方法包括以下步骤：
(1)确定n项评价指标，并设定各项评价指标的权重系数Ki，其中，i＝1,2,…,n-1,n；所述n项评价指标的权重系数之和等于1；
(2)选择与待测农产品具有相同种植环境的同品种典型样品作为训练集样本，以训练集样本的振动光谱数据为自变量、各项评价指标的评价值为因变量，进行回归运算，建立各项评价指标的振动光谱定量预测模型；
第i项评价指标的振动光谱定量预测模型如公式I所示：
Cj,i＝(Xj-XM)×Bi+YM,iI；
所述公式I中，Cj,i为第j个待测样品的预测值，Xj为第j个待测样品的近红外光谱数据值，XM为训练集样本的近红外吸收光谱数据的平均值，Bi为模型的回归系数，YM,i为训练集样本评价指标参考值的平均值；
(3)按照公式II计算各个振动光谱定量预测模型的第i项评价指标的模型系数Mi；
所述公式II中，R2i代表模型的测定系数，SDi代表训练集样本的样本标准差，RMSECVi代表模型交互验证均方根误差；
(4)采集每个待测样品的振动光谱数据，分别代入各个振动光谱定量预测模型获得预测值，并对所述预测值进行归一化处理；
对于第i项评价指标的振动光谱定量预测模型而言，第j个待测样品的归一化预测值按照公式III计算：
所述公式III中，Cj,i为第j个待测样品的预测值，Cmin,i为第i项评价指标的全部待测样品中的最小预测值，Cmax,i为第i项评价指标的全部待测样品中的最大预测值；
(5)按照公式IV计算第j个待测样品的综合评价值Zj，根据综合评价值的大小对全部待测样品进行分级；
2.根据权利要求1所述的方法，其特征在于，步骤(1)所述评价指标根据农产品的固有特性确定；各项评价指标的权重系数根据市场对所述固有特性的需求程度设定。
3.根据权利要求1或2所述的方法，其特征在于，步骤(2)所述训练集样本数占待测样品总数的百分比为0.1～5％；
所述训练集样本的选择方法为：在待测样品的种植区域内，采集客观反映待测样品总体特性的典型样本作为训练集样本；
所述训练集样本的选择方法优选为棋盘格法，具体为：将待测样品的种植区域均匀划分成形如棋盘方格的区域单元，在每个区域单元内随机采集一个样本作为训练集样本；所述区域单元的个数与训练集样本容量相等。
4.根据权利要求1～3任意一项所述方法，其特征在于，所述振动光谱包括近红外光谱、中红外光谱、拉曼光谱、太赫兹光谱；所述振动光谱的数据表现形式包括吸收谱、吸收系数谱、透过率谱、时域谱、折射率谱。
所述振动光谱优选为近红外吸收光谱。
5.根据权利要求1～4任意一项所述方法，其特征在于，所述农产品为水果，优选为苹果、梨、桃；
所述评价指标分别为：糖度、酸度、硬度和糖酸比。
6.一种苹果品质的综合评价方法，其特征在于，所述方法包括以下步骤：
(1)确定评价指标为糖度、酸度、硬度以及糖酸比，设定各项评价指标的权重系数分别为K糖度＝0.6，K酸度＝0.3，K硬度＝0.07，K糖酸比＝0.03；
(2)采用棋盘格法选择与待测样品具有相同种植环境的同品种典型苹果样品作为训练集样本，所述训练集样本数占待测样品总数的百分比为0.1～5％；以训练集样本的近红外吸收光谱数据为自变量、各项评价指标的评价值为因变量，采用偏最小二乘回归算法进行回归运算，建立各项评价指标的近红外吸收光谱定量预测模型，分别为：
Cj,糖度＝(Xj-XM)×B糖度+YM,糖度I-1；
Cj,酸度＝(Xj-XM)×B酸度+YM,酸度I-2；
Cj,硬度＝(Xj-XM)×B硬度+YM,硬度I-3；
Cj,糖酸比＝(Xj-XM)×B糖酸比+YM,糖酸比I-4；
所述模型I-1～I-4中，Cj为第j个待测样品的相应评价指标的预测值，Xj为第j个待测样品的近红外吸收光谱数据值，XM为训练集样本的近红外吸收光谱数据的平均值，B为相应评价指标的模型的回归系数，YM为训练集样本相应评价指标参考值的平均值；
(3)按照以下公式分别计算4个定量预测模型的模型系数；
所述公式II-1～II-4中，M代表相应评价指标的模型系数，R2代表相应评价指标的模型的测定系数，SD代表相应评价指标的训练集样本的样本标准差，RMSECV代表相应评价指标的模型交互验证均方根误差；
(4)采集每个待测样品的近红外吸收光谱数据，分别代入各个定量预测模型获得预测值，并按照以下公式对所述预测值进行归一化处理；
所述公式III-1～III-4中，Cmin为相应评价指标的全部待测样品中的最小预测值，Cmax为相应评价指标的全部待测样品中的最大预测值，Cj为第j个待测样品相应评价指标的预测值，为第j个待测样品相应评价指标的归一化预测值；
(5)按照公式IV计算每个待测样品的综合评价值Zj：
根据所述综合评价值的大小对全部待测样品进行分级：当Zj≥0.8时，待测样品为一级苹果；当0.4≤Zj＜0.8时，待测样品为二级苹果；当Zj＜0.4时，待测样品为三级苹果。
7.一种梨品质的综合评价方法，其特征在于，所述方法包括以下步骤：
(1)确定评价指标为糖度、酸度、硬度以及糖酸比，设定各项评价指标的权重系数分别为K糖度＝0.5，K酸度...

【专利技术属性】
技术研发人员：王冬，潘立刚，王纪华，靳欣欣，贾文珅，马智宏，李安，侯金健，万赐晖，
申请(专利权)人：北京市农林科学院，
类型：发明
国别省市：北京;11