[发明专利]近红外光谱检测水果内部品质方法及专用检测系统

摘要

近红外光谱检测水果内部品质方法，首先建立基于近红外光谱检测水果内部品质的预测模型；然后检测并与预测模型对比；得出针对待检测水果的内部品质评价结果；建立基于近红外光谱检测水果内部品质的预测模型的方法为首先用光谱仪(10)采集样本表面的光谱信息，然后进行平均处理作为各种典型样本的光谱代表信息；然后进行预处理以便获得校正集样本光谱数据；再将校正集样本光谱中的信息数据进行主成分分析，提取特征信息数据；之后建模并完成预测结果的显示。本发明还要求保护近红外光谱检测水果内部品质的专用检测系统。本发明分析速度快，非破坏性，操作简单，成本低，其具有可预期的较为巨大的经济和社会价值。

主权项

近红外光谱检测水果内部品质方法，其特征在于：首先建立基于近红外光谱检测水果内部品质的预测模型；然后针对待检测水果使用近红外光谱检测方法进行检测获得检测数据；将检测数据与在先准备的预测模型进行对比；得出针对待检测水果的内部品质评价结果；其中：建立基于近红外光谱检测水果内部品质的预测模型的方法对应的内容依次要求如下：1)首先对已知糖度含量的各种典型的寒富苹果样品用光谱仪(10)采集寒富苹果样本表面的光谱信息，每个样本采集至少3个不同点的光谱信息，然后进行平均处理作为各种典型样本各自对应的光谱代表信息，寒富苹果光谱信息是寒富苹果在485.01‑900.71nm波长中1231个波长点下的光谱反射率；2)对所述步骤1)所得寒富苹果样本光谱数据进行预处理；在原始光谱曲线中，在波长的两端，光谱数据所掺杂的噪声较多，信噪比较低，为了提高所建立模型的准确性，选取485.01‑900.71nm波长下的光谱反射率数据进行预处理和建模；采集到样本可见近红外光谱数据导入Unscrambler9.7中，应用此软件对光谱数据分别进行消噪预处理，具体是移动平均线和多项式卷积平滑法；光程校正预处理为：多元散射校正，标准正态变量变换和矢量归一化和微分预处理以便获得校正集样本光谱数据；3)将所述步骤2)预处理后的校正集样本光谱中的信息数据进行偏最小二乘法分析；它应用分别对变量X和Y都进行分解的方法，首先在变量Y和X中分别提取各自的主成分，再将提取的因子根据二者之间的相关性大小进行排列；所以，在建立模型时，只要对因子数进行选定，就能够参与建模了；其公式如下：X＝TPT+EY＝UQT+F式中，T＝[t1，t2，...，tn]和P＝[p1，p2，...，pn]分别为X的得分矩阵和载荷矩阵；U＝[u1，u2，...，un]和Q＝[q1，q2，...，qn]分别为Y的得分矩阵和载荷矩阵；E＝[e1，e2，...，en]T和F＝[f1，f2，...，fn]T分别为X和Y的残差矩阵；T和U之间由系数矩阵B来关联，U＝TBB＝(TTT)‑1TTY对于预测样品的矩阵X*，由载荷矩阵P得到得分矩阵T*＝X*P，通过式2‑12和式2‑13迭代便可以得出预测样品相关内部品质的预测值Y*为：Y*＝T*BQ＝X*PBQ)；4)模型的建立：根据所述步骤2)、3)将得到预处理后的数据应用偏最小二乘法进行建模并记录各模型下的模型衡量指标，以建模集样本为研究对象，建立样本的糖度的可见近红外光谱预测模型；其糖度模型公式为：Y＝11.3628+(‑9.2609)X1+0.0031X2+(‑0.0284)X3+…+(‑0.0003)X1230+(‑9.2609)X1231 (2)式中Y—苹果样品的糖度值，°BrixX1…X1231—寒富苹果光谱信息1231个波长点下的光谱反射率再利用此模型对检验集样本进行预测，得到建模集、检验集样本品质测量值与预测值结果对比；5)预测模型显示：对所述步骤4)所建立模型进行分析，得到寒富苹果糖度组合预测偏最小二乘法PLS(PLS即组合预测：偏最小二乘法)预测模型表达式，并最终在输入预测集样品光谱数据后，完成预测结果的显示。