發(fā)布時間：2017-06-02 10:17

  本文關鍵詞：獼猴桃、桃和梨品質特性的近紅外光譜無損檢測模型優(yōu)化研究，由筆耕文化傳播整理發(fā)布。

【摘要】：我國水果產銷量居于世界前列，但原果品質以及果品加工制品質量卻與發(fā)達國家相比存在較大的差距，，這也是限制我國水果產業(yè)健康發(fā)展并走向世界的巨大瓶頸。導致這種差距存在的主要原因歸結于傳統(tǒng)檢測技術難以及時、準確、全面且客觀了解果實田間生長期間、采摘后儲藏、流通過程中以及后續(xù)加工等環(huán)節(jié)里品質特性的變化。因此，開展基于新興檢測技術的果品品質快速無損檢測研究具有重要的實際意義。 本文在課題組前期研究基礎之上，分別以采后獼猴桃、桃和梨為研究對象，基于近紅外漫反射光譜技術建立了混合品種果實可溶性固形物含量檢測模型、不同品種果實鑒別模型及損傷獼猴桃識別模型，并綜合、系統(tǒng)地比較了定量檢測與定性判別建模分析過程中各環(huán)節(jié)關鍵技術方法的選取對模型預測及判別性能的影響，最終確定相對最優(yōu)分析模型，得到如下結論： （1）經(jīng)X-Y共生距離（SPXY）法劃分樣品集，一階導數(shù)法處理原始光譜，基于移動窗口偏最小二乘（MWPLS）特征波數(shù)選取方法的混合品種獼猴桃可溶性固形物含量廣義回歸神經(jīng)網(wǎng)絡（GRNN）分析模型預測精度和適用性最好，其校正相關系數(shù)（Rc）、校正均方根誤差（RMSEC）、預測相關系數(shù)（Rp）和預測均方根誤差（RMSEP）分別達到0.977、0.641、0.948和0.762。 （2）經(jīng)Kennard-Stone算法劃分樣品集，基于樣品原始光譜，利用連續(xù)投影算法（SPA）方法選取特征波數(shù)，建立的“華優(yōu)”與“西選二號”獼猴桃Fisher、誤差反向傳播網(wǎng)絡（BP）、最小二乘支持向量機（LSSVM）與極限學習機（ELM）品種判別分析模型對預測集樣品的判別正確率均達到100%。 （3）經(jīng)Kennard-Stone算法劃分樣品集，多元散射校正（MSC）方法處理原始光譜，采用SPA方法選取特征波數(shù)，建立的損傷獼猴桃LSSVM識別模型具有最優(yōu)的識別效果，SPA-LSSVM模型對預測集碰撞損傷獼猴桃、擠壓損傷獼猴桃和無損獼猴桃的識別正確率分別達到100%、85.7%和76.8%，總正確識別率為88.1%。 （4）經(jīng)SPXY法劃分樣品集，根據(jù)樣品原始光譜，基于無信息變量消除（UVE）特征波數(shù)選取方法的混合品種桃可溶性固形物含量的LSSVM分析模型具有最好的預測性能，其Rc、RMSEC、Rp和RMSEP分別達到0.998、0.220、0.985和0.428。 （5）經(jīng)Kennard-Stone算法劃分樣品集，基于樣品原始光譜，利用SPA方法選取特征波數(shù)，建立的“北京八號”、“萊山蜜”與“沙紅”桃Fisher、BP、LSSVM與ELM品種判別分析模型具有最好的性能，對預測集3種桃樣品的鑒別正確率均達到100%。 （6）經(jīng)濃度梯度法劃分樣品集，根據(jù)MSC處理光譜，基于UVE特征波數(shù)選取的混合品種梨可溶性固形物含量LSSVM分析模型具有最好的預測性能，UVE-LSSVM模型的Rc、RMSEC、Rp和RMSEP分別達到0.986、0.163、0.974和0.262。 （7）經(jīng)Kennard-Stone算法劃分樣品集，基于樣品原始光譜，采用SPA方法選取特征波數(shù)，建立的“碭山酥梨”與“雪花梨”Fisher、BP、LSSVM與ELM品種鑒別模型對預測集梨樣品的判別正確率均達到97.5%以上，具有最好的鑒別分類效果。
【關鍵詞】：近紅外光譜 獼猴桃 桃 梨 建模分析
【學位授予單位】：西北農林科技大學
【學位級別】：碩士
【學位授予年份】：2013
【分類號】：O657.33
【目錄】：

• 項目來源5-6
• 摘要6-8
• ABSTRACT8-13
• 第一章 緒論13-19
• 1.1 選題背景與意義13
• 1.2 近紅外光譜技術在果品品質檢測領域的研究現(xiàn)狀13-17
• 1.2.1 果品內部品質指標定量檢測方面13-15
• 1.2.2 果品品質特性定性鑒別方面15-17
• 1.3 研究中尚存在的問題17
• 1.4 研究內容與方法17-19
• 第二章 近紅外光譜分析技術基本原理與方法19-28
• 2.1 引言19
• 2.2 近紅外光譜檢測技術概述19-21
• 2.2.1 近紅外光譜分析技術的原理19
• 2.2.2 近紅外光譜分析技術的特點19-20
• 2.2.3 近紅外光譜分析的基本流程與步驟20
• 2.2.4 近紅外光譜分析模型的評價準則20-21
• 2.3 近紅外光譜數(shù)據(jù)處理方法21-26
• 2.3.1 樣品優(yōu)選方法21-22
• 2.3.2 近紅外光譜的預處理方法22-23
• 2.3.3 有效特征波數(shù)的優(yōu)選方法23-24
• 2.3.4 校正模型建立方法24-26
• 2.4 小結26-28
• 第三章 獼猴桃品質特性的近紅外光譜無損檢測模型優(yōu)化研究28-53
• 3.1 引言28
• 3.2 試驗材料與方法28-29
• 3.2.1 試驗材料28
• 3.2.2 近紅外光譜采集28-29
• 3.2.3 可溶性固形物含量測定29
• 3.3 混合品種獼猴桃可溶性固形物含量近紅外光譜無損檢測29-37
• 3.3.1 異常樣品的剔除29-31
• 3.3.2 樣品集的合理劃分31-32
• 3.3.3 光譜預處理32
• 3.3.4 有效特征波數(shù)的選取32-34
• 3.3.5 可溶性固形物含量建模分析34-37
• 3.3.6 模型綜合比較與評價37
• 3.4 獼猴桃品種的近紅外光譜快速鑒別技術研究37-44
• 3.4.1 異常樣品的剔除37-38
• 3.4.2 Kennard-Stone 算法劃分樣品集38-39
• 3.4.3 光譜預處理39
• 3.4.4 有效特征變量的提取39-41
• 3.4.5 品種判別分析模型的建立41-43
• 3.4.6 判別模型的綜合比較與評價43-44
• 3.5 貯藏期損傷獼猴桃近紅外光譜快速識別技術研究44-51
• 3.5.1 獼猴桃近紅外光譜特征分析44-45
• 3.5.2 異常樣品的剔除45-46
• 3.5.3 Kennard-Stone 算法劃分樣品集46
• 3.5.4 光譜預處理46
• 3.5.5 有效特征變量的提取46-48
• 3.5.6 損傷獼猴桃識別模型的建立48-51
• 3.5.7 識別模型的綜合比較與評價51
• 3.6 小結51-53
• 第四章 桃品質特性的近紅外光譜無損檢測模型優(yōu)化研究53-69
• 4.1 引言53
• 4.2 試驗數(shù)據(jù)介紹53
• 4.3 混合品種桃可溶性固形物含量近紅外光譜無損檢測53-62
• 4.3.1 三種桃近紅外光譜特征分析54-55
• 4.3.2 異常樣品的剔除55
• 4.3.3 樣品集的合理劃分55-56
• 4.3.4 光譜預處理56
• 4.3.5 有效特征波數(shù)的選取56-58
• 4.3.6 可溶性固形物含量建模分析58-61
• 4.3.7 模型綜合比較與評價61-62
• 4.4 不同品種桃的近紅外光譜快速鑒別技術研究62-68
• 4.4.1 異常樣品的剔除62
• 4.4.2 Kennard-Stone 算法劃分樣品集62
• 4.4.3 光譜預處理62-63
• 4.4.4 有效特征變量的提取63-65
• 4.4.5 品種判別分析模型的建立65-67
• 4.4.6 判別模型的綜合比較與評價67-68
• 4.5 小結68-69
• 第五章 梨品質特性的近紅外光譜無損檢測模型優(yōu)化研究69-84
• 5.1 引言69
• 5.2 試驗數(shù)據(jù)介紹69
• 5.3 混合品種梨可溶性固形物含量近紅外光譜無損檢測69-77
• 5.3.1 異常樣品的剔除70-71
• 5.3.2 樣品集的合理劃分71
• 5.3.3 光譜預處理71-72
• 5.3.4 有效特征波數(shù)的選取72-73
• 5.3.5 可溶性固形物含量建模分析73-77
• 5.3.6 模型綜合比較與評價77
• 5.4 不同品種桃的近紅外光譜快速鑒別技術研究77-83
• 5.4.1 異常樣品的剔除77
• 5.4.2 Kennard-Stone 算法劃分樣品集77-78
• 5.4.3 光譜預處理78
• 5.4.4 有效特征變量的提取78-80
• 5.4.5 品種判別分析模型的建立80-82
• 5.4.6 判別模型的綜合比較與評價82-83
• 5.5 小結83-84
• 第六章 結論與展望84-86
• 6.1 結論84-85
• 6.2 創(chuàng)新點85
• 6.3 展望85-86
• 參考文獻86-92
• 致謝92-93
• 作者簡介93

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 龐艷蘋;夏立婭;左永強;張曉瑜;閆軍穎;;近紅外光譜法快速鑒別真?zhèn)纹焦却缶帽Ｌ襕J];安徽農業(yè)科學;2010年03期

2 劉輝軍;孫斌;陳華才;;基于近紅外光譜的不同產地蘋果貨架期鑒別方法[J];光電工程;2011年05期

3 何勇;李曉麗;邵詠妮;;基于主成分分析和神經(jīng)網(wǎng)絡的近紅外光譜蘋果品種鑒別方法研究[J];光譜學與光譜分析;2006年05期

4 劉燕德;應義斌;;傅里葉近紅外光譜的雪青梨酸度偏最小二乘法定量分析[J];光譜學與光譜分析;2006年08期

5 李建平;傅霞萍;周瑩;應義斌;謝麗娟;牛曉穎;閆戰(zhàn)科;于海燕;;近紅外光譜定量分析技術在枇杷可溶性固形物無損檢測中的應用[J];光譜學與光譜分析;2006年09期

6 王加華;孫旭東;潘璐;孫謙;韓東海;;基于可見/近紅外能量光譜的蘋果褐腐病和水心鑒別[J];光譜學與光譜分析;2008年09期

7 劉燕德;陳興苗;孫旭東;;可見/近紅外漫反射光譜無損檢測南豐蜜桔維生素C的研究[J];光譜學與光譜分析;2008年10期

8 安欣;徐碩;張錄達;蘇時光;;多因變量LS-SVM回歸算法及其在近紅外光譜定量分析中的應用[J];光譜學與光譜分析;2009年01期

9 馮潔;廖寧放;趙波;羅永道;李寶聚;;常見黃瓜病害的多光譜診斷[J];光譜學與光譜分析;2009年02期

10 展曉日;朱向榮;史新元;張卓勇;喬延江;;SPXY樣本劃分法及蒙特卡羅交叉驗證結合近紅外光譜用于橘葉中橙皮苷的含量測定[J];光譜學與光譜分析;2009年04期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 徐惠榮;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[D];浙江大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前2條

1 岳絨;受損獼猴桃貯藏期間近紅外光譜與品質關系的研究[D];西北農林科技大學;2011年

2 劉卉;獼猴桃、桃和梨品質的近紅外漫反射光譜無損檢測研究[D];西北農林科技大學;2011年

  本文關鍵詞：獼猴桃、桃和梨品質特性的近紅外光譜無損檢測模型優(yōu)化研究，由筆耕文化傳播整理發(fā)布。

本文編號：414942