一种基于近红外光谱的带包装食品品质检测方法技术

本发明专利技术公开了本申请涉及了一种基于近红外光谱的带包装食品品质检测方法。即利用有限脉冲响应滤波、中值滤波和高斯空间滤波处理带包装食品的光谱信息，重建其光谱特征并进行归一化处理，最后采用连续投影算法和竞争性自适应重加权算法筛选出特征波段，结合测定的品质指标，分别构建最小二乘

【技术实现步骤摘要】
一种基于近红外光谱的带包装食品品质检测方法


[0001]本专利技术属于农产品无损检测领域，尤其涉及一种基于近红外光谱的带包装食品品质检测方法。

技术介绍

[0002]近红外(NIR)光谱结合先进的化学计量学方法在过去已成功用于评估食品的品质特性，但这往往是在食品未进行包装的基础上完成的。在实际食品工业中，食品经常被包装以防止物理、化学和微生物变质，特别是水果，容易受到冷害、碰伤和采后病害和机械损伤。在实际应用中，水果用聚氯乙烯(PVC)和聚乙烯(PE)薄膜包装，以减缓重量损失并延长其储存的货架期，以及用可膨胀聚乙烯(EPE)泡沫网来避免机械损伤。然而，由于包装材料和水果果实之间复杂的红外光谱吸收和散射特性以及对近红外光穿透强度的影响，利用近红外技术预测带包装芒果的品质特性成为了一项挑战。过去的研究人员试图通过近红外光谱预处理来评估包装(PVC、PE和EPE)食品的品质，如直接去除PE包装的食品添加剂光谱中的可能由PE造成的吸收带；或者通过对光谱进行标准化处理来校正包装猪肉的光谱；也有研究者使用乘法散射校正和导数滤波来减少包装材料对葡萄番茄的光谱干扰。然而，这些研究没有系统总结不同包装材料对建立食品品质的近红外预测模型的影响。
[0003]一些滤波算法如有限脉冲响应(FIR)、中值滤波器(ME)和高斯空间滤波器(GS)，在过去的研究中也曾被用来消除或削弱光谱数据采集和分析过程中的数据干扰，从而提高近红外模型的预测精度。例如ME滤波器被Toktam用来对烤开心果果仁的近红外光谱进行归一化处理，成功地提高了果仁水分含量和硬度的预测模型性能；GS滤波器也被Ngadi用来平滑猪肉的近红外高光谱图像，以实现猪肉脂肪分布可视化。然而，上述这些滤波方法并没有用于消除或削弱包装材料对待测样品光谱的干扰。
[0004]此外，光谱特征波段筛选可以降低光谱数据冗余，提升模型运算速度。连续投影算法(SPA)和竞争性自适应重加权采样(CARS)被广泛用于提取特征波长和尽可能地提高预测模型的性能。然而对于光谱滤波和特征波段筛选的协同作用以提高包装食品品质预测模型性能的研究还十分有限。因此，有必要提供一种结合了光谱滤波和特征波段筛选的无损检测方法来削弱不同的包装材料对包装食品品质预测模型的影响作用。

技术实现思路

[0005]鉴于上述亟待解决的技术问题，本申请公开提出了一种基于近红外光谱的带包装食品品质检测方法，可以实现带包装食品品质特性预测精度的提高。
[0006]根据本申请公开的一方面，提供了一种基于近红外光谱的带包装食品品质检测方法，包括如下步骤：
[0007]S1、样品准备：将N个样品按照未进行包装和进行包装分为四组：未包装组、聚氯乙烯(PVC)包装组、聚乙烯(PE)包装组和低密度发泡聚乙烯(EPE)包装组；
[0008]S2、采集样品光谱信息：设置采集参数，采集样品上固定点位的光谱信息，获取光
谱采集点的平均光谱数据代表样品的近红外信息。每个样品被PVC、PE和EPE三种包装包裹后，按照同样的方式采集带包装样品的近红外光谱；
[0009]S3、品质指标测定：根据传统的物理化学检测方法对样品的品质特征进行分析，品质特征的测定位置与光谱采集的位置相对应。
[0010]S4、光谱数据预处理：使用有限脉冲响应滤波(FIR)、中值滤波(ME)和高斯空间滤波(GS)对芒果全波段近红外光谱数据进行预处理，再使用“autoscale”算法对其进行归一化处理，以去除包装材料对样本本身近红外光谱数据的影响；随后连续投影算法(SPA)和竞争性自适应重加权算法(CARS)也被用于筛选带包装样本光谱的特征波段。
[0011]S5、建立预测模型：根据所述预处理的光谱数据和品质指标，采用LS
‑
SVM算法建立预测模型，并获取模型参数数据，评估模型性能，以确定滤波算法和特征波段的筛选对包装材料影响的优化作用，从而确定最佳预测模型。
[0012]S6、使用最佳预测模型进行带包装食品品质检测。
[0013]在一种可能的实现方式中，可选地，在步骤S2中，还包括：
[0014]使用SPXY和随机划分的方法将光谱数据划分为建模集和预测集。
[0015]特别地，在步骤S2中所述的光谱采集前预设条件，包括：
[0016]光谱采集预设参数：波段范围900
‑
2500nm，分辨率6.4nm，积分时间5ms；以及
[0017]光谱采集预设频率：每个样品采集三次近红外光谱，取其平均光谱以代表样品的近红外光谱信息。
[0018]在一种可能的实现方式中，可选地，在步骤S5中还包括：
[0019]获取决定系数(R2)、均方根误差(RMSE)和剩余预测残差(RPD)值，并根据最小的RMSE值和最大的R2及RPD值，从所述的模型中选择出品质指标的最佳预测模型；其中，
[0020][0021][0022][0023]式中：是第i个预测集样品的品质指标预测值，y
i
是i个预测集样品的品质指标参考测定值；是所有预测集样品的品质指标参考测定值的平均值；n是预测集的样品数目。
[0024]根据所述食品品质指标最佳预测模型，建立不同品质特性的近红外无损预测模型。
[0025]在一种可能的实现方式中，可选地，在获得所述品质特性的最佳预测模型后，还包括：
[0026]预设多种光谱预处理方法，包括设置不同的光谱滤波算法和特征波段筛选方法。
[0027]其中滤波算法的特征在于：
[0028]1)FIR滤波器：
[0029][0030]式中y
(n)
表示输出的光谱信号，x
(n
‑
k)
表示输入的光谱信号，k表示滤波器的阶数，n
(k)
表示滤波器的权值。
[0031]2)ME滤波器：
[0032][0033]式中表示输出的光谱信号，ωxy表示以(x,y)点为中心的光谱矩阵，g
(s
·
t)
表示输入的光谱信号。
[0034]3)GS滤波
[0035][0036]式中代表输出的光谱信号，代表光谱信号的幅值，(x,y)代表光谱矩阵中心点坐标，σ代表方差。
[0037]基于LS
‑
SVM建立的包装食品品质特性最优预测模型，获取不同的光谱预处理方法对所述品质特性最优预测模型的影响参数值R2、RMSE和RPD；
[0038]根据所述影响参数值中最小的RMSE和最大的R2和RPD值，获取最优的光谱预处理(滤波和特征波段筛选)方法。
[0039]在一种可能的实现方式中，可选地，在获得了最优的光谱预处理方法之后，还包括：
[0040]获取不同品质特征的所述最优光谱预处理方法；
[0041]基于LS
‑
SVM建立的所述品质特征最优预测模型，获取不同品质特征的对所述品质特征最优预测模型的影响参数值R2、RMSE和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于近红外光谱的带包装食品品质检测方法，其特征在于，包括以下步骤：S1、样品准备：将N个样品按照未进行包装和进行包装分为四组：未包装组、聚氯乙烯PVC包装组、聚乙烯PE包装组和低密度发泡聚乙烯EPE包装组；S2、采集样品光谱信息：设置采集参数，采集样品上固定点位的光谱信息，获取光谱采集点的平均光谱数据以代表样品的近红外光谱信息；每个样品被PVC、PE和EPE三种包装包裹后，按照同样的方式采集带包装样品的近红外光谱信息；S3、品质指标测定：对样品的品质特征进行分析，品质特征的测定位置与光谱采集的位置相对应；S4、光谱数据预处理：S4
‑
1、使用有限脉冲响应滤波FIR、中值滤波ME和高斯空间滤波GS对芒果全波段近红外光谱数据进行预处理；S4
‑
2、使用“autoscale”算法对其进行归一化处理，以去除包装材料对样品本身近红外光谱数据的影响；S4
‑
3、使用连续投影算法SPA和竞争性自适应重加权算法CARS筛选带包装样品光谱的特征波段；S5、建立预测模型：根据所述预处理的光谱数据和品质指标，采用LS
‑
SVM算法建立预测模型，并获取模型参数数据，评估模型性能，以确定滤波算法和特征波段的筛选对包装材料影响的优化作用，从而确定最佳预测模型；S6、使用最佳预测模型进行带包装食品品质检测。2.根据权利要求1所述的方法，其特征在于S2中：使用SPXY和随机划分的方法将光谱信息划分为建模集和预测集。3.根据权利要求2所述的方法，其特征在于S2中光谱采集前预设条件，包括：光谱采集预设参数：波段范围900
‑
2500nm，分辨率6.4nm，积分时间5ms；以及光谱采集预设频率：每个样品采集三次近红外光谱，取其平均光谱以代表样品的近红外光谱信息。4.根据权利要求1所述的方法，其特征在于S4
‑
1中，有限脉冲响应滤波FIR通过下式进行：其中y
(n)
表示输出的光谱信号，x
(n
‑
k)
表示输入的光谱信号，k表示滤波器的阶数，h
(k)
表示滤波器的权值；中值滤波ME通过下式进行：其中表示输出的光谱信号，ωxy表示以(x,y)点为中心的光谱矩阵，g
(s
·
t)
表示输入的光谱信号；高斯空间滤波GS通过下式进行：
其中代表输出的光谱信号，代表光谱信号的幅值，(x,y)代表光谱矩阵中心点坐标，σ代表方差。5.根据权利要求1所述的方法，其特征在于S5中确定最佳预测模型的影响参数值分别包括：决定系数R2、均方根误差RMSE和剩余预测残差RPD；根据最小的RMSE值和最...

【专利技术属性】
技术研发人员：潘磊庆，丁方晨，兰维杰，左常洲，屠康，葛炎，肖红梅，
申请(专利权)人：南京农业大学三亚研究院，
类型：发明
国别省市：