本文選題：近紅外光譜 + 蕎麥　； 參考：《昆明理工大學》2013年碩士論文

【摘要】：隨著人民生活水平的日益提高,人們不再滿足于食品的充足供應,越來越注重食物的功能性。不但在日常飲食過程中獲得營養(yǎng),又要達到以日常飲食養(yǎng)生、祛病的目的。蕎麥應時而生,現階段,蕎麥品質優(yōu)劣主要通過主觀意識判別,缺乏科學高效的品質檢測和分級技術,所以難以快速客觀地鑒別蕎麥品質和級別,導致各種蕎麥制品的品質良莠不齊,難以打出優(yōu)質蕎麥品牌。常規(guī)蕎麥品質檢測方法快捷高效,但易受個人主觀因素影響,很難標準化。因此在日常生活中,需要快速、簡單、準確又易操作的蕎麥品質檢測方法來改變蕎麥品質檢測的落后情況。近紅外光譜技術(Near Infared Spectroscopy, NIR)具有分析速度快、多組分同時測定、無需預處理、非破壞性分析、遠距測定、實時分析,低分析成本和操作簡單等優(yōu)點。在農產品品質檢測中正快速替代常規(guī)檢測方法。采用近紅外光譜技術采集蕎麥光譜信息,研究蕎麥內部化學特性與蕎麥品質的相關關系,建立快速、準確、簡便和穩(wěn)定的蕎麥品質評定方法,具有很好的理論研究意義和實際應用價值。本論文開展了基于近紅外光譜技術蕎麥無損檢測方法研究。首先,使用近紅外光譜技術結合最小二乘法分別進行蕎麥蛋白質、淀粉和總黃酮含量預測,基于MATLAB平臺下采用主成分分析和BP神經網絡分別進行蕎麥蛋白質、淀粉和總黃酮含量預測；然后,采用近紅外光譜技術結合支持向量機算法對蕎麥光譜信息進行品種鑒別；最后,基于中紅外光譜技術結合主成分分析和BP神經網絡分別進行蕎麥蛋白質、淀粉和總黃酮含量預測。本論文的主要內容和結論如下： (1)采用FieldSpec3光譜儀采集蕎麥光譜信息,使用平滑和多元散射校正兩種方法對光譜信息進行預處理,采用近紅外光譜技術分別建立了蕎麥蛋白質、淀粉和總黃酮含量線性和非線性預測模型。首先采用近紅外光譜技術結合最小二乘法分別建立蕎麥蛋白質、淀粉和總黃酮含量預測模型,但預測集蕎麥蛋白質、淀粉和總黃酮含量相關度均較低。然后,基于主成分分析進行主成分數提取,將提取主成分數與蕎麥蛋白質、淀粉和總黃酮含量作為BP神經網絡的輸入和輸出變量分別建立蕎麥蛋白質、淀粉和總黃酮含量預測模型并進行預測,得出蕎麥蛋白質、淀粉和總黃酮含量相關度為0.718、0.761和0.911,相對誤差分別為7.82%、4.35%和8.26%。結論表明：采用近紅外光譜技術結合主成分分析和BP神經網絡分別建立蕎麥蛋白質、淀粉和總黃酮含量預測模型,其中總黃酮相關度較高,能夠達到蕎麥總黃酮含量預測的目的,采用最小二乘法進行蕎麥蛋白質、淀粉和總黃酮含量預測是不可行的。 (2)采用近紅外光譜技術結合支持向量機算法對蕎麥光譜信息進行品種鑒別中,在MATLAB平臺下采用LIBSVM軟件包對蕎麥光譜進行品種鑒別,訓練了7個支持向量機,對8類不同產地蕎麥預測率平均達到92.5%。結論表明：采用近紅外光譜技術結合支持向量機算法對蕎麥光譜進行品種鑒別是可行的。 (3)采用中紅外光譜技術結合主成分分析和BP神經網絡分別建立蕎麥蛋白質、淀粉和總黃酮含量預測模型,結果表明：蕎麥蛋白質、淀粉和總黃酮含量預測相關度分別是0.769、0.848和0.938,相對誤差分別是9.31%、4.53%和8.53%,其中淀粉和總黃酮預測率較高,能夠達到蕎麥淀粉和總黃酮含量預測的目的。相對于近紅外光譜技術,中紅外光譜技術預測精度高于近紅外光譜技術預測精度,但中紅外光譜技術屬于有損檢測,不利于實現農產品快速檢測。 綜上所述,本論文系統(tǒng)討論了基于近紅外光譜技術結合化學計量法進行蕎麥組分預測和品種鑒別。在蕎麥組分預測中,采用近紅外光譜技術結合最小二乘法和BP神經網絡分別對蕎麥蛋白質、淀粉和總黃酮含量進行預測。在蕎麥品種鑒別中,采用近紅外光譜技術結合支持向量機算法對蕎麥光譜信息進行品種鑒別,采用中紅外光譜技術結合主成分分析和BP神經網絡分別對蕎麥蛋白質、淀粉和總黃酮含量進行預測,旨在完善蕎麥近紅外光譜檢測方法,本項研究成果能為擁有自主知識產權蕎麥及其他產品內在品質檢測方法提供了基礎理論和方法借鑒,具有很好的理論研究意義和實際應用價值。
[Abstract]:In order to improve the quality and quality of buckwheat , it is difficult to quickly and objectively identify the quality and grade of buckwheat , and it is difficult to standardize the quality and quality of buckwheat .
Then , using near - infrared spectroscopy combined with support vector machine algorithm to identify buckwheat spectral information ;
Finally , the content of buckwheat protein , starch and total flavonoids was predicted based on mid - infrared spectroscopy combined with principal component analysis and BP neural network . The main contents and conclusions of this thesis are as follows :

The content of buckwheat protein , starch and total flavone in buckwheat protein , starch and total flavonoids was predicted by near - infrared spectroscopy combined with the principal component analysis and BP neural network . The results showed that the correlation between the total flavonoids and total flavonoids was 0.718 , 0.761 and 0.911 , respectively . The relative error of buckwheat protein , starch and total flavonoids was 7.82 % , 4.35 % and 8.26 % respectively .

( 2 ) Using the near - infrared spectroscopy combined with the support vector machine algorithm to identify the buckwheat spectral information , using the LIBSVM software package to identify the buckwheat spectra under the MATLAB platform , seven support vector machines were trained , and the prediction rate of buckwheat in different regions of the eight categories reached 92.5 % . The conclusion shows that the identification of the buckwheat spectra by the near infrared spectroscopy combined with the support vector machine is feasible .

( 3 ) The prediction model of buckwheat protein , starch and total flavonoids was established by mid - infrared spectroscopy combined with principal component analysis and BP neural network . The results showed that the predictive correlation of buckwheat protein , starch and total flavonoids was 0 . 769 , 0 . 848 and 0 . 938 , respectively . The relative error was 9.31 % , 4.53 % and 8.53 % , respectively .

In conclusion , the content of buckwheat protein , starch and total flavone is predicted by near - infrared spectroscopy combined with least square method and BP neural network . In the identification of buckwheat variety , the content of buckwheat protein , starch and total flavone is predicted by using near infrared spectroscopy combined with support vector machine algorithm .

【學位授予單位】：昆明理工大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：S517

【參考文獻】

相關期刊論文 前10條

1 周健;成浩;王麗鴛;;近紅外技術在茶葉上的研究進展[J];茶葉科學;2008年04期

2 向賢毅;溫志渝;;用于近紅外光譜儀的平場全息凹面光柵的模擬與設計[J];光譜學與光譜分析;2008年07期

3 侯卓成;楊寧;李俊英;徐桂云;;傅里葉變換近紅外反射用于雞蛋蛋品質的研究[J];光譜學與光譜分析;2009年08期

4 蘇謙;鄔文錦;王紅武;王庫;安冬;;基于近紅外光譜和仿生模式識別玉米品種快速鑒別方法[J];光譜學與光譜分析;2009年09期

5 馬冬紅;王錫昌;劉利平;劉源;;近紅外光譜技術在食品產地溯源中的研究進展[J];光譜學與光譜分析;2011年04期

6 陳叢;盧啟鵬;彭忠琦;;基于NLMS自適應濾波的近紅外光譜去噪處理方法研究[J];光學學報;2012年05期

7 于占海;侯艷芳;;谷物干燥品質的研究[J];干燥技術與設備;2009年01期

8 趙春暉;張q，

本文編號：1769539