基于近紅外高光譜圖像技術(shù)對(duì)板栗果實(shí)的無(wú)損檢測(cè)與品質(zhì)鑒定.pdf

1、板栗素有“木本糧食”之稱(chēng)，適于鮮食、炒食、菜用，也可以用于加工板栗全粉、速溶粉，以及生產(chǎn)板栗糊、板栗羹、板栗沖劑、板栗糕點(diǎn)等特色食品，具有較高的營(yíng)養(yǎng)價(jià)值和經(jīng)濟(jì)價(jià)值，是我國(guó)傳統(tǒng)出口農(nóng)產(chǎn)品之一。板栗原產(chǎn)于我國(guó)，中國(guó)板栗品種大體可分北方栗和南方栗兩大類(lèi)，在果肉特點(diǎn)上存在著顯著差異，北方栗果肉偏糯性，富含糖和蛋白質(zhì)，而南方栗果肉偏粳性，富含淀粉。同時(shí)，在板栗生產(chǎn)中，常受到栗實(shí)象甲等害蟲(chóng)危害，幼蟲(chóng)在栗實(shí)內(nèi)取食子葉，并將蟲(chóng)糞充滿(mǎn)蛀道內(nèi)。但往往在外觀(guān)

2、上難以察覺(jué)。另外，板栗果實(shí)為頑拗型種子，在貯藏過(guò)程中怕熱、怕凍、怕干、怕濕，難以有效得到貯藏保鮮，貯運(yùn)期果實(shí)易混雜已喪失商品價(jià)值和食用價(jià)值的栗果。
　　傳統(tǒng)的栗果品質(zhì)檢測(cè)多采用化學(xué)分析方法，且多在實(shí)驗(yàn)室內(nèi)進(jìn)行，該方法需要對(duì)果實(shí)進(jìn)行破碎后逐一檢測(cè)，費(fèi)時(shí)費(fèi)力、檢測(cè)效率低，往往檢測(cè)的樣本數(shù)量有限，難以保證抽樣的代表性，從而無(wú)法實(shí)現(xiàn)快速無(wú)損檢測(cè)。因此，開(kāi)發(fā)一種快速、高效、無(wú)損的果品檢測(cè)技術(shù)，以滿(mǎn)足果品大規(guī)模品質(zhì)分析和分級(jí)處理的需要，提高果

3、品采后處理的標(biāo)準(zhǔn)化水平，是當(dāng)前果品生產(chǎn)中亟待解決的問(wèn)題。
　　近年來(lái)興起的高光譜圖像技術(shù)具有多波段、高分辨率和圖譜合一的特點(diǎn)，能夠融合二維圖像和光譜技術(shù)分析等多方面的優(yōu)勢(shì)，同時(shí)，該技術(shù)作為一種快速、高效、無(wú)損的檢測(cè)方法，在農(nóng)產(chǎn)品、醫(yī)藥、化工的檢測(cè)等方面得到了快速發(fā)展。但由于高光譜技術(shù)本身的高維特性，降維處理方法的不同，以及光譜數(shù)據(jù)處理方法的差異等造成模型的多樣性。因此，需要我們對(duì)基于高光譜圖像技術(shù)分析的果品快速無(wú)損檢測(cè)方法進(jìn)行進(jìn)一

4、步優(yōu)化。
　　本論文采用近紅外高光譜圖像技術(shù)結(jié)合不同的化學(xué)計(jì)量學(xué)方法，建立板栗果實(shí)的快速無(wú)損檢測(cè)和品質(zhì)鑒定方法。試驗(yàn)選擇一定數(shù)量的建模樣品，按比例隨機(jī)分為建模集和驗(yàn)證集，應(yīng)用近紅外高光譜圖像技術(shù)掃描獲取所有供試樣品的原始光譜數(shù)據(jù)。采用多元散射校正（Multiplicative signal correction，MSC）、導(dǎo)數(shù)（Derivative）、平滑等方法對(duì)原始光譜進(jìn)行預(yù)處理，根據(jù)所測(cè)組分含量和光譜特征選取合適的光譜波長(zhǎng)范圍

5、;利用判別分析（discriminant analysis，DA）法，建立板栗果實(shí)近紅外高光譜的判別分析模型，用于不同板栗品種和病蟲(chóng)害果實(shí)的區(qū)分和鑒定。再進(jìn)一步利用偏最小二乘（partial least square，PLS）法建立不同品種板栗果實(shí)的定量模型。
　　本論文試驗(yàn)取得了如下主要結(jié)果:
　　1、以“泰栗一號(hào)”、“沂蒙短枝”和“舒城小栗”三種板栗果實(shí)為供試樣品，比較了不同光譜預(yù)處理方法對(duì)板栗果實(shí)分析指標(biāo)預(yù)測(cè)結(jié)果的影響

6、，采用PLS方法建立了不同板栗品種的混合定量模型，并對(duì)果實(shí)總糖和淀粉兩個(gè)重要品質(zhì)指標(biāo)進(jìn)行了預(yù)測(cè)分析。結(jié)果表明，MSC+二階導(dǎo)數(shù)+SG平滑為適宜的數(shù)據(jù)預(yù)處理方法，預(yù)測(cè)結(jié)果較好，模型預(yù)測(cè)結(jié)果的相關(guān)系數(shù)為0.9313～0.9587，均方根誤差為0.0624～0.225，表征模型的預(yù)測(cè)結(jié)果良好。
　　2、運(yùn)用DA判別分析方法，建立了“泰栗一號(hào)”、“舒城小栗”和“沂蒙短枝”板栗果實(shí)樣品的定性分析模型。結(jié)果表明，采用MSC+log10+SG平

7、滑的光譜數(shù)據(jù)預(yù)處理方法，模型的正確識(shí)別率最高，判別率達(dá)到96.7％。采用主成分分析法(PCA)能顯著區(qū)分3個(gè)供試板栗品種果實(shí)，表明本試驗(yàn)建立的定性模型能夠?qū)Π謇豕麑?shí)樣品進(jìn)行品種識(shí)別分析。
　　3、再選取“泰栗一號(hào)”板栗果實(shí)為供試樣品，采用DA判別方法對(duì)霉變、蟲(chóng)害和正常果實(shí)建立了定性分析模型。結(jié)果表明，采用標(biāo)準(zhǔn)正態(tài)變換(SNV)+log10+SG平滑的數(shù)據(jù)預(yù)處理方法，模型的正確識(shí)別率達(dá)到了98.6％，表明本試驗(yàn)建立的定性分析模型能夠