1 石河子大学食品学院, 新疆 石河子 832003
2 石河子大学机械电气工程学院, 新疆 石河子 832003
酿酒葡萄中的总酚含量是影响葡萄品质的重要指标, 也是影响葡萄酒质量的关键因素。 为了快速准确地检测赤霞珠葡萄的总酚含量, 利用近红外光谱技术结合GA-ELM预测模型对赤霞珠葡萄总酚含量进行预测研究。 试验采用5个收获期(每期采集40串, 每串取10个)的赤霞珠葡萄, 采集200组葡萄的12 500~4 000 cm-1波段范围内的近红外光谱。 基于福林酚比色法原理对赤霞珠葡萄的总酚含量进行测定, 使用SPXY算法将样品按照3:1比例分为校正集和预测集, 共计150个校正集和50个预测集。 分别采用多元散射(MSC)、 标准正态变换(SNV)、 数据中心化(MC)、 移动窗口平滑(MA)和一阶导数+SG方法对原始光谱进行预处理, 优选出最佳的预处理方法为MSC。 并进一步采用竞争性自适应重加权算法(CARS)、 遗传算法(GA)、 联合区间偏最小二乘算法(si-PLS)和连续投影算法(SPA)分别对光谱波段进行提取, 经对比分析发现CARS提取的69个特征波长数据能有效提高模型的稳定性和预测结果。 在MSC预处理和特征波长提取的基础上, 引入极限学习机(ELM)算法, 建立赤霞珠葡萄总酚含量的预测模型, 在总酚含量预测过程中, 采用遗传算法(GA)对ELM模型进行优化, 并探究了不同的激活函数和隐含层神经元个数对GA-ELM模型预测能力的影响, 确定最优的激活函数为Sigmoidal, 最优的神经元个数为50个。 最后, 将ELM和GA-ELM模型的预测能力进行对比, 结果显示GA-ELM模型的预测能力高于ELM模型的预测能力, 其中MSC+CARS+GA-ELM模型预测能力最好, 校正相关系数(Rc)为0.901 7, 预测相关系数(Rp)为0.901 3, 校正均方根误差(RMSEC)为2.112 4, 预测均方根误差(RMSEP)为1.686 8, 剩余预测偏差(RPD)为2.308 0。 研究结果表明: 利用近红外光谱技术结合变量优选建立的GA-ELM模型可实现对赤霞珠葡萄的总酚含量的预测, 为赤霞珠葡萄品质的检测奠定了理论基础。
变量优选 赤霞珠葡萄 总酚 极限学习机 近红外光谱 Variable optimization Cabernet sauvignon grapes Total phenol Extreme learning machine Near infrared spectroscopy 光谱学与光谱分析
2021, 41(7): 2036
1 石河子大学食品学院, 新疆 石河子 832003
2 新疆植物药资源利用教育部重点实验室, 新疆 石河子 832003
3 石河子大学机械电气工程学院, 新疆 石河子 832003
葡萄营养物质丰富且具有食疗功效, 是消费者青睐的水果之一。 葡萄在生长、 采摘和贮藏过程中易受到损害而品质下降, 从而严重影响消费者的购买欲望和葡萄的销售价格, 因此检测葡萄品质对于提高葡萄商业价值具有至关重要的作用。 传统的检测方法具有破坏样品、 耗时耗力、 成本高等缺点, 而以机器视觉技术、 近红外光谱技术和高光谱成像技术为主要检测手段的无损检测方法, 因其无损、 快速、 准确的优势而发展迅速, 形成了比较完善的方法体系, 目前在葡萄内外部品质检测中得到广泛的应用。 综述了利用机器视觉、 近红外光谱和高光谱成像技术对葡萄外部品质（果粒大小、 表面颜色和果穗尺寸）和内部品质（品种、 糖度、 可滴定酸、 花色苷、 总酚、 病害和农药残留等）的国内外最新研究进展, 总结分析了其在葡萄品质检测中存在的问题, 并对葡萄品质无损检测研究方向作了展望, 为葡萄品质无损检测技术的发展和相关研究人员的研究工作提供参考。
葡萄 品质 无损检测 研究进展 Grape Quality Non-destructive detection Research progress 光谱学与光谱分析
2020, 40(9): 2713
1 石河子大学机械电气工程学院, 新疆 石河子 832003
2 农业农村部西北农业装备重点实验室, 新疆 石河子 832003
3 石河子大学食品学院, 新疆 石河子 832003
水分含量是哈密大枣干制过程中的重要指标, 对其外观、 口感、 贮藏和运输具有重要的影响。 因此, 为实现哈密大枣水分含量的准确预测, 采用近红外光谱结合变量优选方法, 建立干制哈密大枣水分含量的GA-ELM预测模型。 为提高模型的稳定性和预测精度, 开展并讨论了核函数和神经元个数对GA-ELM预测模型的影响。 采用多种预处理方法对全波段光谱进行处理, 对比分析发现标准正态变换方法（SNV）效果最佳。 对标准正态变换处理后的光谱利用连续投影算法（SPA）、 联合区间偏最小二乘（si-PLS）和遗传算法（GA）及其组合算法分别从全波段927.77~2 501.14 nm范围内筛选特征波长, 并建立对应GA-ELM预测模型, 同时与全波段的GA-ELM模型效果相比较, 采用SNV+SPA筛选的14个特征波长建立的GA-ELM模型效果最佳, 预测结果Rc和Rp分别为0.984 2和0.967 5, RMSEC和RMSEP分别为0.006 1和0.007 9, RPD为3.678 8。 研究结果表明： SNV+SPA+GA-ELM方法可实现干制哈密大枣水分含量的准确预测, 为近红外光谱技术应用于干制哈密大枣在线检测提供了参考。
近红外光谱 哈密大枣 水分含量 特征波长 极限学习机（ELM） Near infrared spectroscopy Hami big jujubes Water content Characteristic wavelengths Extreme learning machine
1 石河子大学食品学院, 新疆 石河子 832000
2 石河子大学机械电气工程学院, 新疆 石河子 832000
3 中国农业大学工学院, 北京 100083
可溶性固形物含量(SSC)和硬度是哈密瓜划分等级的重要指标, 同时也是其成熟度的表征因子。 因此, 为满足哈密瓜自动化分级和适宜采摘, 采用高光谱技术结合特征波长筛选的方法, 同时对哈密瓜的可溶性固形物含量、 硬度及成熟度进行了无损检测研究。 对多元散射校正(MSC)处理后的光谱分别利用连续投影算法(SPA)、 竞争性自适应重加权算法(CARS)和CARS-SPA方法筛选了哈密瓜可溶性固形物和硬度的特征波长, 并将原始光谱、 MSC预处理后的光谱和所筛选的特征波长作为输入变量分别建立哈密瓜可溶性固形物和硬度的支持向量机(SVM)预测模型及成熟度判别模型。 结果显示, MSC-CARS-SPA方法所建立的可溶性固形物和硬度SVM预测模型最优, 其Rpre, RMSEP和RPD分别为0940 4, 0402 7, 294 1和0825 3, 3522, 1771。 同时对哈密瓜成熟度进行了判别分析, 并分别建立了基于全光谱、 单一的可溶性固形物或硬度特征波长和主成分分析(PCA)特征融合的哈密瓜成熟度SVM判别模型。 结果显示, CARS-PCA-SVM模型的判别结果与全光谱SNV-SVM模型相同, 其校正集和预测集判别正确率分别为95%和94%。 研究表明, 利用高光谱技术结合特征波长筛选方法可实现同时对哈密瓜可溶性固形物和硬度的定量预测及成熟度判别。
高光谱 哈密瓜 可溶性固形物 硬度 成熟度 特征波长 判别分析 Hyperspectral imaging technology Hami melon Soluble solids content Firmness Maturity Characteristic wavelengths Discriminant analysis 光谱学与光谱分析
2017, 37(7): 2184
