水果货架期及新鲜程度的无损快速预测方法及装置制造方法及图纸

本发明专利技术提供一种水果货架期及新鲜程度的无损快速预测方法及装置。该方法包括获取不同储存时间水果的光谱数据并记录水果储存时间和环境数据；采用回归算法建立水果储存时间模型，基于所建模型预测值结合样本数计算加权修正预测值并计算判别阈值从而判断水果新鲜程度，并提出了根据水果关键变化期数据制定水果货架期的方法。基于上述方法，研制出水果新鲜程度分析仪，包含光路系统、电路系统、控制系统、数据存储与处理系统；可采集水果光谱数据并调用模型预测水果新鲜程度。本方法明显提高了水果新鲜程度和货架期预测的精准度，能够实现水果新鲜程度和货架期的无损、快速、精准预测，为水果新鲜程度快速分析仪的研制提供了技术参考。

Fast and nondestructive prediction method and device for fruit shelf life and freshness

【技术实现步骤摘要】
水果货架期及新鲜程度的无损快速预测方法及装置
本专利技术涉及光谱分析领域，具体地说，涉及一种水果货架期及新鲜程度的无损快速预测方法及装置。
技术介绍
水果货架期是水果新鲜程度的重要衡量指标并且是销售过程中的重要参数。一般认为，处于货架期内的水果是新鲜水果，适宜食用；而处于货架期外的水果是不新鲜水果，不适宜食用。由于保存条件不当导致水果新鲜程度骤降进而导致水果损失、浪费的案例屡见不鲜，造成巨大的经济损失。因此，有必要针对水果新鲜程度进行预测，并基于水果新鲜程度的判定结果，研究水果货架期的制定方法。不同水果在储存过程中发生的变化不同，即使同一种水果的不同个体，也会由于储藏环境、位置以及水果个体本身的原因导致新鲜程度不同，对其货架期的预测更是异常困难。这些都使得水果货架期的预测和新鲜程度的判断成为本领域一直以来的技术难题。光谱分析具有快速、高效、无损、环境友好的技术特点，一直以来都是快速无损分析领域的重要分析技术。在工农业生产领域，以近红外光谱分析为代表的多光谱分析成为近年来的热门研究领域。近红外光谱不仅具有无损、快速、高效、环境友好等特点，而且可以实时记录实验对象的光谱信息，这对于水果新本文档来自技高网...

【技术保护点】
1.水果货架期及新鲜程度的无损快速预测方法，其特征在于，包括以下步骤：A、获取水果样品光谱数据并记录水果储存时间和环境数据；剔除异常值后，根据水果样品的实际情况和实际储存时间，将样品初步划分为“新鲜”、“不新鲜”和“临界期”三类，并采用SPXY算法对新鲜样品和不新鲜样品的光谱数据进行分集，分为校正集和外部验证集，所述校正集用于数学模型的建立，所述外部验证集用于对所建数学模型进行盲样验证；B、以光谱数据为自变量，以储存时间为因变量建立水果储存时间的数学模型，利用所建模型分别获得新鲜样品和不新鲜样品的储存时间预测值，根据新鲜样品的储存时间预测值和新鲜样品数量计算新鲜样品的加权修正预测值，根据不新鲜...

【技术特征摘要】
1.水果货架期及新鲜程度的无损快速预测方法，其特征在于，包括以下步骤：A、获取水果样品光谱数据并记录水果储存时间和环境数据；剔除异常值后，根据水果样品的实际情况和实际储存时间，将样品初步划分为“新鲜”、“不新鲜”和“临界期”三类，并采用SPXY算法对新鲜样品和不新鲜样品的光谱数据进行分集，分为校正集和外部验证集，所述校正集用于数学模型的建立，所述外部验证集用于对所建数学模型进行盲样验证；B、以光谱数据为自变量，以储存时间为因变量建立水果储存时间的数学模型，利用所建模型分别获得新鲜样品和不新鲜样品的储存时间预测值，根据新鲜样品的储存时间预测值和新鲜样品数量计算新鲜样品的加权修正预测值，根据不新鲜样品的储存时间预测值和不新鲜样品数量计算不新鲜样品的加权修正预测值，并根据新鲜样品的加权修正预测值的平均值和新鲜样品数量、不新鲜样品的加权修正预测值的平均值和不新鲜样品数量以及修正系数计算判别阈值，用以判断水果样品的新鲜程度；当水果样品校正集或外部验证集的加权修正预测值小于判别阈值时，判定该样品为新鲜样品；当水果样品校正集、外部验证集的加权修正预测值大于或等于判别阈值时，判定该样品为不新鲜样品；根据水果样品校正集和外部验证集中新鲜样品和不新鲜样品的判别准确率情况，对所建模型进行评价，判定模型的有效性；C、在相同实验条件下，采集待测水果样本的光谱数据，利用步骤B的有效数学模型，获得待测水果样本的储存时间预测值，并与“新鲜”、“不新鲜”和“临界期”水果相应的实际储存时间进行比较，从而判定待测水果样本的新鲜程度；D、利用步骤B的有效数学模型获得临界期样品的储存时间预测值，并根据临界期样品的储存时间预测值、新鲜样品数量、不新鲜样品数量和校正集样品总数计算临界期样品的加权修正预测值；当临界期样品的加权修正预测值出现“不新鲜”的预测结果超过当天观测样品数量的一半时记为原货架期，将原货架期乘以校正系数，即为水果货架期；步骤C中所述的待测水果样本与步骤A、B和D中所述的水果样品为同一种类的水果且储存环境相同。2.根据权利要求1所述的方法，其特征在于，所述光谱数据选自紫外、可见、近红外、中红外、荧光或太赫兹光谱数据，光谱数据的表现形式为吸收谱、吸收系数谱、透射谱或反射谱；优选地，所述光谱数据为近红外吸收光谱数据；和/或所述数学模型采用回归算法结合交互验证算法建立，所述回归算法选自多元线性回归、主成分回归、偏最小二乘回归、神经网络回归、支持向量机回归；优选偏最小二乘回归；和/或所述环境数据包括水果储存环境的温度和相对湿度数据；和/或所述水果包括苹果，优选富士苹果或王林苹果；优选地，当所述水果为苹果时，苹果储存环境的温度范围为19.7℃～23.2℃，优选21.8℃；环境的相对湿度范围为10％～28％，优选16％。3.根据权利要求1所述的方法，其特征在于，步骤A中所述校正集和外部验证集的样本容量比为7:1～2.5:1；和/或所述校正集中，新鲜样品数量nF和不新鲜样品数量nR之比满足以下条件：0.892≤nF/nR≤1.125，且0.892≤nR/nF≤1.125。4.根据权利要求1所述的方法，其特征在于，当所述水果为苹果时，以采摘当天记为第0天，根据苹果实际情况和实际存储时间，初步将第0天～第14天的样品划分为新鲜样品，初步将第15天～第21天的样品划分为临界期样品，初步将第22天及以上的样品划分为不新鲜样品。5.根据权利要求1所述的方法，其特征在于，步骤A中所述获取水果样品光谱数据的方法包括：自水果采摘当天计算时间，采摘后25～32天内数据采集次数不少于25次，且每天最多采集一次光谱数据；和/或当所述光谱数据为近红外吸...

【专利技术属性】
技术研发人员：王冬，韩平，马智宏，王卉，贾文珅，刘庆菊，王世芳，
申请(专利权)人：北京农业质量标准与检测技术研究中心，
类型：发明
国别省市：北京,11