近红外光谱检测水果内部品质方法及专用检测系统技术方案

近红外光谱检测水果内部品质方法，首先建立基于近红外光谱检测水果内部品质的预测模型；然后检测并与预测模型对比；得出针对待检测水果的内部品质评价结果；建立基于近红外光谱检测水果内部品质的预测模型的方法为：首先用光谱仪(10)采集样本表面的光谱信息，然后进行平均处理作为各种典型样本的光谱代表信息；然后进行预处理以便获得校正集样本光谱数据；再将校正集样本光谱中的信息数据进行主成分分析，提取特征信息数据；之后建模并完成预测结果的显示。本发明专利技术还要求保护近红外光谱检测水果内部品质的专用检测系统。本发明专利技术分析速度快，非破坏性，操作简单，成本低，其具有可预期的较为巨大的经济和社会价值。

【技术实现步骤摘要】
近红外光谱检测水果内部品质方法及专用检测系统
本专利技术涉及应用近红外光谱技术对农产品进行无损检测的应用
，特别提供了一种近红外光谱检测水果内部品质方法及专用检测系统。
技术介绍
随着生活水平的不断提高，消费者在购买水果时，不仅关注大小、颜色和外形等外部品质，而且对口感、糖度和酸度等内部品质也提出了更高的要求。目前，对于水果内部品质的检测，大多采用人工感官评定和常规化学分析的方法。人工感官评定法，具有主观性强、评价标准不一等缺点而对于常规化学分析方法，虽然其具有检测准确度高和准确性强等优点，但其检测工作量大，检测时间长，并且需对样品进行破坏，这些都不适用于水果内部品质的快速无损检测。国内外学者针对便携式苹果检测装置的设计也进行了大量研究。康志亮等人在2010年利用可见光近红外漫反射的原理，设计出一种基于微处理器的便携式受损水果检测装置，实现了对受损苹果与正常苹果的识别和分类。该作者以红富士苹果作为样本，通过对测试电压的分析，提出以标准差作为阈值的检测方法。经测试，该装置识别正确率达到90％以上。樊书祥等人在2014年设计了以ARM9处理器为核心、以微型光谱仪和自制果托作为光谱检测装置、以WinCE为操作系统的便携式苹果糖度光谱检测仪。研究表明，该检测仪能较好地满足苹果糖度的快速无损检测。该研究为快速、便携的苹果糖度光谱检测仪设计提供了参考。Guidetti等人在2010年应用便携式可见―近红外光谱仪实验系统(波长范围450nm-980nm)，结合偏最小二乘法PLS建模，对葡萄样品鲜果和质地均匀的果浆的成熟度指标(可溶性固形物(TSS)、可滴定酸度和pH值)和苯酚成熟度指标(花青素和多酚含量)进行了检测。研究结果表明：该便携式可见―近红外光谱仪可以作为一种快速无损检测葡萄相关品质的有效手段。美国MichaelS.Wiederoder等人在2011年开发了可随身携带的高光谱成像系统，用于检测食品处理设备上的污染物，该装置前端需架在三脚架上，电池、笔记本电脑及滤光器在后置背包中，增加了操作的复杂性。人们迫切希望获得一种技术效果优良的近红外光谱检测水果内部品质方法及专用检测系统。
技术实现思路
本专利技术的目的是提供一种技术效果优良的近红外光谱检测水果内部品质方法及专用检测系统。为了克服目前国内外现有技术的缺陷，本专利技术特提供了一种基于近红外光谱技术的寒富苹果品质无损检测方法与系统，技术关键是应用可见/近红外光谱技术，可快速、准确地采集被测寒富苹果表面的可见及近红外光谱图像信息，并对其进行分析，从而实现对寒富苹果品质快速无损检测。本专利技术近红外光谱检测水果内部品质方法，其特征在于：首先建立基于近红外光谱检测水果内部品质的预测模型；然后针对待检测水果使用近红外光谱检测方法进行检测获得检测数据；将检测数据与在先准备的预测模型进行对比；得出针对待检测水果的内部品质评价结果；其中：建立基于近红外光谱检测水果内部品质的预测模型的方法对应的内容依次要求如下：1)首先对已知糖度含量的各种典型的寒富苹果样品用光谱仪(10)采集寒富苹果样本表面的光谱信息，每个样本采集至少3个不同点的光谱信息，然后进行平均处理作为各种典型样本各自对应的光谱代表信息，寒富苹果光谱信息是寒富苹果在485.01-900.71nm波长中1231个波长点下的光谱反射率；2)对所述步骤1)所得寒富苹果样本光谱数据进行预处理；在原始光谱曲线中，在波长的两端，光谱数据所掺杂的噪声较多，信噪比较低，为了提高所建立模型的准确性，选取485.01-900.71nm波长下的光谱反射率数据进行预处理和建模；采集到样本可见近红外光谱数据导入Unscrambler9.7(美国CAMO公司的化学计量学软件)中，应用此软件对光谱数据分别进行消噪预处理，具体是移动平均线(Movingaverage，MA)和多项式卷积平滑法(Savitzky-Golay，SG)；光程校正预处理为：多元散射校正(MultiplicativeScatterCorrection,MSC)，标准正态变量变换(StandardNormalVariateCorrection，SNV)和矢量归一化(VectorNormalization，VN))和微分预处理以便获得校正集样本光谱数据；3)将所述步骤2)预处理后的校正集样本光谱中的信息数据进行偏最小二乘法分析；(偏最小二乘法是多元统计数据分析方法，1983年阿巴诺(C.Albano)和伍德(S.Wold)等人第一次提出该算法；近年来，其在方法和理论方向发展迅速，应用越来越广泛；它能够将认识性的方法和模型式的方法有机的整合起来了，在同一算法下，能够同时完成数据结构简化(主成分分析)、回归建模(多元线性回归)以及XY变量之间的相关性分析(典型相关分析)，即偏最小二乘法≈多元线性回归+主成分分析+典型相关分析；偏最小二乘法是一种多因变量对应多自变量的回归建模方法，它应用分别对变量X和Y都进行分解的方法，首先在变量Y和X中分别提取各自的主成分(通常称为因子)，再将提取的因子根据二者之间的相关性大小进行排列；所以，在建立模型时，只要对因子数进行选定，就能够参与建模了；其公式如下：X＝TPT+EY＝UQT+F式中，T＝[t1，t2，...，tn]和P＝[p1，p2，...，pn]分别为X的得分矩阵和载荷矩阵；U＝[u1，u2，...，un]和Q＝[q1，q2，...，qn]分别为Y的得分矩阵和载荷矩阵；E＝[e1，e2，...，en]T和F＝[f1，f2，...，fn]T分别为X和Y的残差矩阵；T和U之间由系数矩阵B来关联，U＝TBB＝(TTT)-1TTY对于预测样品的矩阵X*，由载荷矩阵P得到得分矩阵T*＝X*P，通过式2-12和式2-13迭代便可以得出预测样品相关内部品质的预测值Y*为：Y*＝T*BQ＝X*PBQ)；4)模型的建立：根据所述步骤2)、3)将得到预处理后的数据应用偏最小二乘法进行建模并记录各模型下的模型衡量指标，最适合的光谱数据预处理方法为多元散射校正结合二阶微分；以建模集40个样本为研究对象，建立样本的糖度的可见近红外光谱预测模型；其糖度模型公式为：Y＝11.3628+(-9.2609)X1+0.0031X2+(-0.0284)X3+…+(-0.0003)X1230+(-9.2609)X1231(2)式中Y—苹果样品的糖度值，°BrixX1…X1231—寒富苹果光谱信息1231个波长点下的光谱反射率再利用此模型对检验集20个样本进行预测，得到建模集、检验集样本品质测量值与预测值结果对比；20个苹果样本的检测值与真实值对比如图6所示。根据20个苹果样本的检测值与真实值的统计结果建立绝对偏差分布图，如图7所示。由图6和图7可知，绝大多数样本的预测值和测量值的绝对偏差值均在0.15以内，绝对偏差值很小，满足在果蔬检测中的实际生产要求，所以此模型可应用于寒富苹果糖度的实际检测；5)预测模型显示：对所述步骤4)所建立模型进行分析，所得预测模型预测精度较高，预测可靠，满足苹果品质检测要求，且可得到寒富苹果糖度组合预测PLS(PLS即组合预测：偏最小二乘法)预测模型表达式，并最终在输入预测集样品光谱数据后，完成预测结果的显示。所述近红外光谱检测水果内部品质方法，其本文档来自技高网...

【技术保护点】
近红外光谱检测水果内部品质方法，其特征在于：首先建立基于近红外光谱检测水果内部品质的预测模型；然后针对待检测水果使用近红外光谱检测方法进行检测获得检测数据；将检测数据与在先准备的预测模型进行对比；得出针对待检测水果的内部品质评价结果；其中：建立基于近红外光谱检测水果内部品质的预测模型的方法对应的内容依次要求如下：1)首先对已知糖度含量的各种典型的寒富苹果样品用光谱仪(10)采集寒富苹果样本表面的光谱信息，每个样本采集至少3个不同点的光谱信息，然后进行平均处理作为各种典型样本各自对应的光谱代表信息，寒富苹果光谱信息是寒富苹果在485.01‑900.71nm波长中1231个波长点下的光谱反射率；2)对所述步骤1)所得寒富苹果样本光谱数据进行预处理；在原始光谱曲线中，在波长的两端，光谱数据所掺杂的噪声较多，信噪比较低，为了提高所建立模型的准确性，选取485.01‑900.71nm波长下的光谱反射率数据进行预处理和建模；采集到样本可见近红外光谱数据导入Unscrambler9.7中，应用此软件对光谱数据分别进行消噪预处理，具体是移动平均线和多项式卷积平滑法；光程校正预处理为：多元散射校正，标准正态变量变换和矢量归一化和微分预处理以便获得校正集样本光谱数据；3)将所述步骤2)预处理后的校正集样本光谱中的信息数据进行偏最小二乘法分析；它应用分别对变量X和Y都进行分解的方法，首先在变量Y和X中分别提取各自的主成分，再将提取的因子根据二者之间的相关性大小进行排列；所以，在建立模型时，只要对因子数进行选定，就能够参与建模了；其公式如下：X＝TP...

【技术特征摘要】
1.近红外光谱检测水果内部品质方法，其特征在于：首先建立基于近红外光谱检测水果内部品质的预测模型；然后针对待检测水果使用近红外光谱检测方法进行检测获得检测数据；将检测数据与在先准备的预测模型进行对比；得出针对待检测水果的内部品质评价结果；其中：建立基于近红外光谱检测水果内部品质的预测模型的方法对应的内容依次要求如下：1)首先对已知糖度含量的各种典型的寒富苹果样品用光谱仪(10)采集寒富苹果样本表面的光谱信息，每个样本采集至少3个不同点的光谱信息，然后进行平均处理作为各种典型样本各自对应的光谱代表信息，寒富苹果光谱信息是寒富苹果在485.01-900.71nm波长中1231个波长点下的光谱反射率；2)对所述步骤1)所得寒富苹果样本光谱数据进行预处理；在原始光谱曲线中，在波长的两端，光谱数据所掺杂的噪声较多，信噪比较低，为了提高所建立模型的准确性，选取485.01-900.71nm波长下的光谱反射率数据进行预处理和建模；采集到样本可见近红外光谱数据导入Unscrambler9.7中，应用此软件对光谱数据分别进行消噪预处理，具体是移动平均线和多项式卷积平滑法；光程校正预处理为：多元散射校正，标准正态变量变换和矢量归一化和微分预处理以便获得校正集样本光谱数据；3)将所述步骤2)预处理后的校正集样本光谱中的信息数据进行偏最小二乘法分析；它应用分别对变量X和Y都进行分解的方法，首先在变量Y和X中分别提取各自的主成分，再将提取的因子根据二者之间的相关性大小进行排列；所以，在建立模型时，只要对因子数进行选定，就能够参与建模了；其公式如下：X＝TPT+EY＝UQT+F式中，T＝[t1，t2，...，tn]和P＝[p1，p2，...，pn]分别为X的得分矩阵和载荷矩阵；U＝[u1，u2，...，un]和Q＝[q1，q2，...，qn]分别为Y的得分矩阵和载荷矩阵；E＝[e1，e2，...，en]T和F＝[f1，f2，...，fn]T分别为X和Y的残差矩阵；T和U之间由系数矩阵B来关联，U＝TBB＝(TTT)-1TTY对于预测样品的矩阵X*，由载荷矩阵P得到得分矩阵T*＝X*P，通过式2-12和式2-13迭代便可以得出预测样品相关内部品质的预测值Y*为：Y*＝T*BQ＝X*PBQ)；4)模型的建立：根据所述步骤2)、3)将得到预处理后的数据应用偏最小二乘法进行建模并记录各模型下的模型衡量指标，以建模集样本为研究对象，建立样本的糖度的可见近红外光谱预测模型；其糖度模型公式为：Y＝11.3628+(-9.2609)X1+0.0031X2+(-0.0284)X3+…+(-0.0003)X1230+(-9.2609)X1231(2)式中Y—苹果样品的糖度值，°BrixX1…X1231—寒富苹果光谱信息1231个波长点下的光谱反射率再利用此模型对检验集样本进行预测，得到建模集、检验集样本品质测量值与预测值结果对比；5)预测模型显示：对所述步骤4)所建立模型进行分析，得到寒富苹果糖度组合预测偏最小二乘法PLS(PLS即组合预测：偏最小二乘法)预测模型表达式，并最终在输入预测集样品光谱数据后，完成预测结果的显示。2.按照权利要求1所述近红外光谱检测水果内部品质方法，其特征在于：针对已知糖度含量的各种典型的寒富苹果样品，用近红外光谱仪采集寒富苹果样本表面的光谱信息获得各种样本的光谱代表信息之后还需对光谱代表信息进行下述预处理：将寒富苹果光谱数据导入软件Unscrambler9.7中，进行样本糖度数据的预处理，各种预处理方法如表2所示：表2样本糖度数据预处理方法统计表数学模型的建立后，需要有各项指标对模型的准确性、可靠性、稳定性和预测能力等指标作出衡量和评价，判定系数R2，校正均方根误差RMSEC，预测均方根误差RMSEP，偏离率B...

【专利技术属性】
技术研发人员：宁晓峰，裴军强，宫元娟，王芳，冯雨龙，刘诗曼，郭娜，秦军伟，王丹阳，
申请(专利权)人：沈阳农业大学，
类型：发明
国别省市：辽宁,21