基于可見-近紅外光譜的水果糖度檢測模型優(yōu)化及應用研究.pdf

1、本文以水果為研究對象，在介紹了近紅外光譜檢測技術的基本原理、常規(guī)檢測方式以及分析流程與步驟，以及分析了目前國際上基于可見，近紅外光譜的農(nóng)產(chǎn)品內(nèi)部品質(zhì)在線無損檢測分級技術與裝備的現(xiàn)狀的基礎上，利用可見/近紅外光譜分析技術和化學計量學知識，研究了水果糖度的可見/近紅外光譜無損檢測方法，主要包括：研究了簡單和復雜樣品溫度對檢測結(jié)果的影響及其建模分析方法、研究了水果表面顏色和糖度的同步檢測、研究比較了光譜信息融合不同顏色指標后的水果糖度預測方法

2、及其結(jié)果、研究了基于特征變量選擇的多種建模方法、研究優(yōu)化了實時檢測系統(tǒng)等，并在此基礎上完成了水果糖度實時無損檢測系統(tǒng)，并采用Visual C++6.0軟件和OmniDriver二次開發(fā)軟件包，開發(fā)了水果內(nèi)部品質(zhì)檢測與實時分級系統(tǒng)軟件，并對實際生產(chǎn)中模型更新與模型修正進行了比較研究。本研究的主要內(nèi)容和結(jié)論為：
　　 ⑴介紹了可見，近紅外光譜檢測技術的基本原理、常規(guī)檢測方式以及分析流程與步驟；介紹了可見，近紅外光譜的數(shù)據(jù)預處理常用方

3、法和常用建模方法。分析了目前國際上基于可見，近紅外光譜的農(nóng)產(chǎn)品內(nèi)部品質(zhì)在線無損檢測分級技術與裝備的現(xiàn)狀，及其一直困擾近紅外檢測技術的關鍵問題--模型的穩(wěn)健性。
　　 ⑵研究了簡單樣品溫度條件下水果溫度對糖度預測精度的影響。運用偏最小二乘法(PLS)和逐步多元線性回歸(SMLR)對常溫與低溫冷藏后混合的水蜜桃樣品糖度進行預測，分別取得最優(yōu)交互驗證均方根誤差(RMSECV)為0.67°Brix和0.532°Brix，SMLR的預測結(jié)

4、果要優(yōu)于PLS的預測結(jié)果，表明在簡單溫度條件下，可以通過逐步多元線性回歸選擇對溫度不敏感的波長建立分析模型，提高檢測精度。另外，對單溫度樣品集進行SMLR預測分析時，可以發(fā)現(xiàn)單溫度下的模型預測結(jié)果要優(yōu)于混合后的模型預測結(jié)果，常溫下的RMSECV=0.26°Brix、冷藏下的RMSECV=0.31°Brix，可見溫度對預測結(jié)果的影響較大，預測誤差擴大了一倍左右。
　　 ⑶研究了溫度和光譜的二維相關分析。通過二維相關光譜分析可以看出

5、在850 nm、790 nm和690 nm峰附近所對應的基團隨著升溫的進程而變化，并對變溫擾動比較敏感，并且O-H基團比C-H基團對溫度的變化擾動更敏感，糖度高的樣品受溫度變化擾動影響大。
　　 ⑷研究了復雜樣品溫度條件下的水果糖度預測分析。運用逐步多元線性回歸SMLR、偏最小二乘法PLS、遺傳算法-偏最小二乘法GA-PLS、最小二乘支持向量機LS-SVM1(輸入量為SMLR分析得到的30個波段下的光譜值)和最小二乘支持向量機L

6、S-SVM2(輸入量為30個波段下的光譜值和溫度變量)等五種方法進行建模比較，預測結(jié)果從優(yōu)到差依次為LS-SVM2、LS-SVM1、GA-PLS、PLS和SMLR。結(jié)果表明：在復雜的溫度變化條件下SMLR方法已顯得不足以進行溫度的修正。GA-PLS通過遺傳算法選取了與溫度無關的波段，建立了相對穩(wěn)健的模型，因而預測精度比全波段的PLS高，而LS-SVM采用了非線性模型可以有效地補償溫度的非線性影響，另外，LS-SVM2中將溫度引入了X矩陣

7、中，在一定程度上補償了溫度的影響并提高了檢測精度。
　　 ⑸研究了基于可見，近紅外光譜的水果表面顏色和糖度的同步檢測。利用便攜式光譜儀獲取的光譜信息同時對水果的糖度值(SC)、顏色信息L*，a*，b*和C*行了預測，在20個波長下建立的SMLR模型取得最好的交互驗證結(jié)果：糖度SC的校正決定系數(shù)R2=0.937，RMSEC=0.294°Brix，交互驗證R2=0.896，RMSECV=0.3794°Brix，RPD比值=3.2；顏

8、色指標L*的校正決定系數(shù)R2=0.968，RMSEC=0.472，交互驗證R2=0.948，RMSECV=0.603，RPD比值=4.5；顏色指標a*的校正決定系數(shù)R2=0.939，RMSEC=0.593，交互驗證R2=0.899，RMSECV=0.765，RPD比值=3.3；顏色指標b*的校正決定系數(shù)R2=0.950，RMSEC=0.573，交互驗證R2=0.918，RMSECV=0.738，RPD比值=3.5；顏色指標C*的校正決定

9、系數(shù)R2=0.958，RMSEC=0.548，交互驗證R2=0.930，RMSECV=0.708，RPD比值=3.8。5個品質(zhì)指標的RPD比值均>3，表示模型預測性能良好，可以用于預測。
　　 ⑹研究了基于顏色信息融合的水果糖度可見/近紅外光譜檢測方法。研究結(jié)果表明將15個波段的光譜信息(第一類輸入量)融合顏色信息(第二類輸入量)后LS-SVM回歸分析得到的糖度預測精度與僅有同樣15個波段光譜信息作為輸入量的SMLR模型和LS-

10、SVM模型的回歸結(jié)果相比有了明顯的提高。在融合全部顏色信息L*+a*+b*時糖度預測結(jié)果最好，RMSEP=0.561°Brix。其他依次為(a*+b*)>L*。該結(jié)果表明將顏色信息與光譜信息融合用于水果糖度的檢測并提高其預測精度是可行的，該方法可以用于水果商品化處理實際生產(chǎn)。
　　 ⑺研究了基于特征變量選擇的多種建模方法。分別比較了逐步多元線性回歸(SMLR)、遺傳算法-偏最小二乘法(GA-PLS)、連續(xù)投影算法-多元線性回歸S

11、PA-MLR和組合間段偏最小二乘法(siPLS)等方法對在線實時獲取的水果光譜樣本的預測分析。SMLR選用18個波長建立的模型預測結(jié)果為決定系數(shù)R2=0.849，RMSEP=0.346°Brix，且所選波長數(shù)18占520nm-920nm光譜范圍內(nèi)901個波長點為2％；GA-PLS選用225個變量建模時取得的預測結(jié)果為R2=0.873，RMSEP=0.315°Brix，所選波長數(shù)225占520nm-920nm光譜范圍內(nèi)901個波長點的25

12、％。SPA-MLR在選擇11個波長建立的模型取得的預測結(jié)果為R2=0.808，RMSEP=0.391°Brix，所選波長數(shù)11占520nm-920nm光譜范圍內(nèi)901個波長點的1.22％。siPLS方法將光譜范圍520nm-920nm分成20個間段，并在組合[7，10，12，15]間段時建立的模型時取得的預測結(jié)果為R2=0.832，RMSEP=0.362°Brix，所選間段占520nm-920nm光譜范圍的20％。結(jié)果表明雖然GA-PL

13、S預測結(jié)果最好，但其所用光譜變量最多25％，且所需建模時間最長，SPA-MLR所用光譜變量最少1.22％，但預測精度相對較差，從預測精度、所需時間及所用光譜變量等情況分析，8MLR模型性能可以滿足水果糖度的在線實時檢測。
　　 ⑻比較選擇了實時檢測系統(tǒng)中的主要儀器。包括參比的比較選擇研究、光譜儀的比較選擇研究以及不同果杯的影響研究，從而達到了優(yōu)化實時檢測系統(tǒng)的目的，保證了檢測系統(tǒng)和模型的可靠性。比較結(jié)果表明用ND0.7作為參比時