1 新疆农业大学数理学院, 新疆 乌鲁木齐 830052
2 新疆农业科学院综合试验场, 新疆 乌鲁木齐 830013
3 新疆农业大学机电工程学院, 新疆 乌鲁木齐 830052
可溶性固形物含量(SSC)是反映苹果品质和成熟度的重要生理指标, 能够用于苹果品质分析和成熟度预测。 以新疆阿克苏冰糖心红富士苹果为研究对象, 从果实膨大定形期至完熟期, 以等间隔周期3 d采摘样本, 测其380~1 100 nm的可见/近红外光谱和SSC, 共552个样本。 然后融合分数阶微分(FD)及置换重要性-随机森林(PIMP-RF)算法, 构建成熟期苹果SSC预测的集成学习模型。 结果表明, 基于PLS模型优选的分数阶微分阶次为0阶、 0.4阶、 1.1阶和1.6阶, 且通过PIMP-RF算法进行特征重要性和可解释性分析结果显示, 利用可见/近红外光谱预测成熟期苹果SSC的关键波长主要为可见光波段, 这为今后研发新疆冰糖心红富士苹果的快速无损检测设备提供参考; 基于分数阶微分技术和PIMP-RF算法构建的成熟期苹果SSC集成学习模型具有很好的预测能力, 其训练集的相关系数r等于0.989 2, 平均绝对误差MAE等于0.241 2, 均方根误差RMSE等于0.309 1, 平均绝对百分误差等于0.018 3; 测试集的相关系数r等于0.903 8, 平均绝对误差MAE等于0.549 9, 均方根误差RMSE等于0.740 8, 平均绝对百分误差等于0.043 4, 相比于FD0-PIMP-RF、 FD0.4-PIMP-RF、 FD1.1-PIMP-RF和FD1.6-PIMP-RF模型, 集成学习模型为最优。 故而, 集成分数阶微分技术与PIMP-RF算法, 结合可见近红外光谱技术可有效地实现成熟期苹果的可溶性固形物含量预测。
可见/近红外光谱 分数阶微分 置换重要性-随机森林 K近邻(KNN)回归 可溶性固形物含量 Visible/near-infrared spectrum Fractional differential Permutation importance-random forest K-nearest neighbors (KNN) regression Soluble solids content 光谱学与光谱分析
2023, 43(10): 3059
1 华东交通大学机电与车辆工程学院, 江西 南昌 330013 华东交通大学智能机电装备创新研究院, 江西 南昌 330013
2 华东交通大学机电与车辆工程学院, 江西 南昌 330013
柚子果皮厚, 果皮与果肉属于两种不同的介质, 对光的折射、 吸收程度存在差异, 针对建立水果可溶性固形物含量(SSC)检测模型时, 光谱采集量与目标不匹配, 导致模型精度差的问题, 以上饶马家柚为研究对象, 自主搭建可调实验平台, 采集并分析柚子整果的光能量衰减规律, 寻找柚子厚度与透光性的关系, 探索果皮厚度、 光透射深度对柚子SSC检测精度的影响。 首先将透射光源放置在柚子赤道圈的正上方, 统计柚子赤道圈不同区域接收到的光谱强度, 绘制光谱强度分布图, 结果显示, 距离光源发射点越远, 光谱强度越低, 入射点由远及近的位置接收的光强分别占33.40%、 2.90%、 0.50%、 0.40%、 0.20%, 柚子皮对光的吸收较为明显, 散射出的光所占比重较少; 采用切片法, 记录剩余厚度与对应的光谱强度值, 绘制光谱强度的变化规律曲线, 随着剩余厚度逐渐减少, 光谱强度逐渐增加, 在32.90 mm的位置, 光谱强度发生了巨大的变化, 果实厚度高于32.92 mm时, 果实接收的光谱强度普遍较低, 当果实低于32.92 mm时, 光谱强度呈跳跃式增加。 采集果肉、 整果、 果皮光谱, 采用偏最小二乘法(PLS)建立SSC预测模型, 去皮后的果肉模型相关性最高。 采集柚子果肉、 果皮+果肉厚度为40、 30、 20和10 mm时的光谱, 建立不同厚度的SSC预测模型, 果肉厚度为20、 40、 60和80 mm时, 预测集相关系数分别为0.91、 0.89、 0.87和0.86, 果肉在透射深度为20 mm时, 水果SSC预测模型精度最佳。 果皮+果肉的光谱透射深度为20、 40、 60和80 mm, 预测集相关系数分别为0.78、 0.86、 0.93和0.84, 果皮+果肉的透射深度为60 mm时, 有最好的预测效果。 研究结果表明, 果皮和果肉内部组织成分的差异, 会影响SSC预测的结果, 但是调整可见/近红外光在水果内部的传输距离, 可以优化模型精度, 研究揭示了可见/近红外光在水果组织中的漫透射传输特性, 可为厚皮果的品质在线分选装置研发提供实验依据。
光能量衰减 果肉和果皮 透射深度 可溶性固形物含量 传输特性 Light energy decay Pulp and peel Transmittance depth Soluble solids content Transmission characteristics 光谱学与光谱分析
2023, 43(8): 2574
1 广西大学机械工程学院, 广西 南宁 530004 北京市农林科学院智能装备技术研究中心, 北京 100097国家农业智能装备工程技术研究中心, 北京 100097
2 北京市农林科学院智能装备技术研究中心, 北京 100097国家农业智能装备工程技术研究中心, 北京 100097
可溶性固形物含量(SSC)是评价西瓜果肉品质优劣的关键指标。 西瓜SSC在线检测模型的建立, 可以实现西瓜品质按其SSC进行在线分级, 满足不同人群需求, 提高市场竞争力。 以160个京美2K西瓜为研究对象, 通过实验室自主研发的在线检测设备, 采集了西瓜两种姿态的可见近红外全透射光谱数据, 分别与西瓜不同部位SSC建立偏最小二乘回归(PLSR)预测模型, 探究西瓜SSC在线检测的最佳姿态和检测部位。 首先, 分别定义西瓜不同部位SSC测量值为瓜蒂糖、 中心糖、 瓜脐糖和整果糖, 在线检测的两种姿态分别定义为T1姿态和T2姿态。 其次对比西瓜不同部位SSC, 探讨西瓜SSC评价标准。 然后去除光谱透射强度值较低且频率较高, 包含大量噪声和无用信息的光谱数据, 最终选取波长范围(671~1 116 nm)的光谱进行分析。 采用卷积平滑(SGS)算法分别与多元散射校正(MSC)、 单位矢量归一化(UVN)和标准正态变量变换(SNV)这3种算法相结合对两种姿态下的光谱数据进行预处理, 随后对应西瓜不同部位SSC分别建立预测模型。 通过对比不同模型的预测结果发现: 使用SGS和MSC组合对T1姿态采集的光谱数据预处理效果最好, 而对于T2姿态的光谱数据使用SGS与UVN结合预处理效果最好; T1姿态明显比T2姿态的光谱数据所建模型的预测效果好; 对西瓜瓜蒂糖和整果糖的预测结果较好, 瓜脐糖次之, 中心糖最差。 最后采用竞争性自适应重加权算法(CARS)分别对预测瓜蒂糖和整果糖的模型进行优化。 其中, 共挑选出81个波长点用于建立预测瓜蒂糖模型, 106个波长点用于建立预测整果糖模型, 两模型的预测集相关系数分别为0.881 0和0.875 8, 均方根误差分别为0.866 7%和0.758 9%, 不仅模型得到了简化, 还提高了模型的预测精度。 研究结果表明, 西瓜不同姿态和对不同部位SSC预测的差异, 会影响西瓜SSC在线检测和品质评价分级结果, 应根据用户的实际需求进行模型选取和优化; 为此, 提出了糖度评价指数, 为进一步开发西瓜SSC在线检测设备提供了技术支撑。
近红外光谱 西瓜 可溶性固形物含量 在线检测 模型优化 Near infrared spectroscopy Watermelon Soluble solids content Online detection Model optimization 光谱学与光谱分析
2023, 43(6): 1800
1 光纤传感与光电检测重庆市重点实验室,重庆 400054
2 智能光纤感知技术重庆市高校工程研究中心,重庆 400054
3 重庆理工大学电气与电子工程学院,重庆 400054
采用近红外光谱进行检测时,光谱波段包含了大量的噪声和散射,这些都影响了模型的稳定性。基于竞争性自适应重加权算法(CARS)和互信息算法(MI)的特征波长筛选方法来建立偏最小二乘(PLS)回归模型,探测苹果内部的可溶性固形物含量(SSC)。通过光谱仪获取800~2400 nm的120个样本的漫反射光谱数据,经过预处理之后的数据通过Kennard-Stone(KS)算法随机选取96个作为校正集,24个作为预测集,然后分别建立全波段PLS模型、CARS-PLS模型和MI-PLS模型来对比分析。结果显示:利用全波段建立PLS模型,模型的决定系数R2为0.8511,模型均方根误差(RMSEC)以及预测均方根误差(RMSEP)分别为0.9413和1.1915;CARS算法筛选的特征波长点变量从303减少到了12,下降了96.03%,建立的PLS模型决定系数R2为0.8746,上升了2.76%,RMSEC和RMSEP分别为0.864和0.9757;MI-PLS模型包含了56个特征波长点,选用的波长占全波长的18.49%,R2、RMSEC和RMSEP分别为0.9218、0.6822和0.8235,MI-PLS与CARS-PLS相比特征波长数增长了64.55%,决定系数R2提高了0.0472。因此CARS和MI算法都能很好地解决光谱数据本身的噪声、散射等问题,可以有效用于特征波段筛选,所建立的模型可以对苹果内部SSC含量进行测定。
光谱学 互信息 竞争性自适应重加权算法 近红外光谱 可溶性固形物 激光与光电子学进展
2023, 60(17): 1730003
山东理工大学农业工程与食品科学学院, 山东 淄博 255022
为提高马铃薯近红外光谱快速无损检测的准确性和稳定性, 对比了光纤光源、 卤素灯杯光源和环形光源三种光源条件下的光谱, 结果显示环形光源的光谱噪声最小, 辐照强度与均匀度最好。 该工作对光源功率、 光源距马铃薯表面距离以及光纤距马铃薯表面检测点距离进行研究, 通过三因素三水平响应面试验, 评价不同因素水平条件下对马铃薯可溶性固形物含量的光谱模型预测效果, 得到最优参数组合为光源功率238.33 W, 光纤探头距样品表面距离8.17 mm, 光源距样品表面距离370 mm, 并建立可溶性固形物定量预测模型。 在最优参数条件下, 预测偏最小二乘回归模型(PLSR)的相关系数优化到0.867, 均方根误差0.149°Brix。 为进一步消除设备及环境噪声, 通过不同预处理算法降低噪声的干扰, 结果显示标准变量排序法去噪效果最好, PLSR预测相关系数可达0.914, 预测均方根误差降低到0.132°Brix, 既能有效去噪又有较好的预测效果。 试验结果表明, 响应面试验优化检测环境和条件能有效提高马铃薯品质检测的预测精度, 为近红外光谱马铃薯无损检测环境搭建和设备选型提供技术参考。
马铃薯 可溶性固形物 影响因素 光源 检测距离 Potato Soluble solids Impact factors Light source Detection distance
华东交通大学机电与车辆工程学院, 江西 南昌 330013
在利用可见-近红外漫透射光谱技术对苹果的可溶性固形物(SSC)检测时, 由于卤素灯光照射在苹果上的位置不同, 采集到的苹果光谱中所包含的可溶性固形物信息不同, 导致模型得出的结果不同; 找到一个最好的苹果光照位置有利于得到最佳的可溶性固形物评价模型。 利用多模式可调节的光学结构在相同的实验环境和实验条件下采集了购买于同一水果批发商的尺寸相近但照射位置不同的两批苹果的近红外漫透射光谱, 探索苹果可溶性固形物模型建立过程中最佳的照射位置从而得到最佳位置的可溶性固形物评价模型。 通过对样品进行光谱采集、 糖度真值采集并结合化学计量学方法得出最佳的建模位置, 照射位置为上部且光谱没有预处理时的偏最小二乘回归(PLS)模型性能为RMSEC为0.288 2, RMSEP为0.343 6, Rc为0.960 6, Rp为0.934 9; 照射位置为斜上部且光谱没有预处理的PLS模型性能为RMSEC为0.340 7, RMSEP为0.513 3, Rc为0.931 1, Rp为0.863 6; 照射位置为上部且光谱没有预处理的主成分分析回归(PCR)模型性能为RMSEC为0.573 6, RMSEP为0.601 4, Rc为0.842 4, Rp为0.800 7; 照射位置为斜上部且光谱没有预处理的PCR模型性能为RMSEC为0.709 2, RMSEP为0.797 4, Rc为0.701 4, Rp为0.670 7, 最佳照射位置为苹果上部; 进一步地采用多种预处理方法对照射位置为上部的PLS模型进行对比, 得到最优模型为MSC-PLS模型, 其RMSEC为0.2264 4, RMSEP为0.301 5, Rc为0.966 9, Rp为0.949 9。 最后再对相同的46个苹果进行相同的实验操作得到光谱、 真值后, 代入到建立的MSC-PLS模型中进行外部验证, 结果显示外部验证的相关系数为0.930 58, 验证均方根误差为0.843 59, 验证了建立的MSC-PLS模型的稳定性和可靠性, 进一步表明光谱采集位置为苹果上部时的近红外漫透射模型有很好的预测能力, 该研究为预测苹果可溶性固形物的检测提供了技术支持。
近红外 光照位置 苹果 位置优化 可溶性固形物 Near-infrared Lighting position Apple Location optimization Soluble solids 光谱学与光谱分析
2022, 42(11): 3373
1 华东交通大学机电与车辆工程学院, 江西 南昌 330013
2 南昌海关技术中心, 江西 南昌 330013
冬枣品质受其品种和生长环境等因素的影响, 引起采后化转红指数不同, 导致果实的颜色差异较大, 从而影响其可溶性固形物(SSC)检测模型的分析精度。 采用可见-近红外(Vis-NIR)光谱结合Norris-Williams平滑(NWS)、 连续小波导数(CWD)、 多元散射校正(MSC)、 标准正态变量变换(SNV)和NWS-MSC五种光谱预处理方法构建不同颜色(红绿相间MJ, 绿色GJ和红色RJ)冬枣SSC的偏最小二乘(PLS)定量分析模型, 分别采用MJ, GJ, RJ, MJ-GJ和MJ-GJ-RJ五个样品集合建立冬枣SSC的定量分析模型, 并采用由MJ-GJ-RJ三种颜色冬枣样品组成的测试集进行模型的评价; 以不同建模样品集(校正集)的校正相关系数(Rc)和交互验证均方根误差(RMSECV)作为构建最优模型的评价指标; 测试集的预测相关系数(Rp)和预测均方根误差(RMSEP)用于模型预测精度的评价。 研究结果表明: 分别采用MJ, GJ和RJ的独立样品集进行建模时, 模型仅对具有相同颜色的冬枣样品的SSC实现了较好的预测; 分别在MJ样品中加入GJ和GJ-RJ样品进行MJ-GJ和MJ-GJ-RJ两个混合样品集的定量模型的构建时, MJ-GJ模型对MJ和GJ样品的SSC具有较好的预测效果, 其RMSECV, Rc, RMSEP, Rp分别为1.108, 0.698, 0.980, 0.724和1.108, 0.698, 0.983, 0.822, 而对RJ样品的预测误差较大, 模型的RMSECV, Rc, RMSEP, Rp为1.108, 0.698, 1.928, 0.597; 而MJ-GJ-RJ模型对三种颜色的冬枣SSC均有较好的预测结果: MJ-GJ-RJ模型对MJ样品的SSC模型的RMSECV, Rc, RMSEP, Rp为1.158, 0.796, 1.077, 0.668; 对GJ样品的SSC模型的RMSECV, Rc, RMSEP, Rp为1.158, 0.796, 0.881, 0.861; 对RJ样品的SSC模型的RMSECV, Rc, RMSEP, Rp为1.158, 0.796, 1.140, 0.841; 采用蒙特卡罗无信息变量消除(MCUVE)方法进一步对MJ-GJ-RJ样品集光谱的特征变量进行优选后, 模型的Rc和Rp分别由原来的0.796和0.864提高到0.884和0.922, 模型的RMSECV和RMSEP分别由1.158和0.946减小到0.886和0.721, 模型具有较好的分析精度。 采用可见-近红外光谱对不同颜色冬枣的SSC进行分析时, 当建模集样品与测试集样品颜色属性相似或选择性质相似的建模变量进行模型构建时, 模型具有更好的通用性。
可见-近红外光谱 偏最小二乘 冬枣 可溶性固形物 蒙特卡罗无信息变量消除 Visible-near infrared spectroscopy Partial least squares Jujube Soluble solids content Monte Carlo uninformative variable elimination 光谱学与光谱分析
2021, 41(11): 3385
1 贵阳学院 食品与制药工程学院,贵州贵阳550005
2 贵阳学院 农产品无损检测工程研究中心,贵州贵阳550005
猕猴桃可溶性固形物含量(SSC)和硬度是评价其品质的关键参数,同时也是判别其成熟度的重要指标。为探究基于光纤光谱技术预测猕猴桃SSC、硬度和成熟度的可行性并寻求最佳预测模型。首先,采用光纤光谱(200~1 000 nm)采集系统获取不同成熟期“贵长”猕猴桃的反射光谱,并测定SSC和硬度的参考值。接着,基于全光谱和参考值构建偏最小二乘回归(PLSR)和主成分回归(PCR)预测模型。然后,应用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)选取特征波长,构建简化的多元线性回归(MLR)和误差反向传播(BP)网络预测模型。最后,通过偏最小二乘判别分析(PLS-DA)和简化的K近邻(SKNN)算法,构建预测猕猴桃成熟度检测模型。结果表明:CARS-BP模型对SSC的预测性能最优,其预测集决定系数
![]()
![]()
=0.90,预测集均方根误差(RMSEP)和剩余预测偏差(RPD)分别为0.64和3.22;CARS-MLR对硬度的预测性能相对最优,其
![]()
![]()
=0.83,RMSEP和RPD分别为1.67和2.47;PLS-DA模型对猕猴桃成熟度的检测性能最优,其正确识别率高达100%。该研究为水果品质和成熟度的无损检测提供重要指导。
光纤光谱 猕猴桃 可溶性固形物含量 硬度 成熟度 无损检测 optical fiber spectroscopy kiwifruit soluble solids content firmness maturity nondestructive detection
华东交通大学机电与车辆工程学院, 水果智能光电检测技术与装备国家地方联合工程研究中心, 江西 南昌 330013
利用多模式可调节的光学机构采集了苹果漫透射、 全透射和漫反射三种检测方式的光谱, 研究在不同的检测方式下苹果的光谱特征并采用PLS建立苹果可溶性固形物含量SSC预测的模型。 首先分别采集每个样品赤道上四点的漫透射、 全透射和漫反射光谱, 然后分别使用多元散射校正MSC、 基线偏移校正BOC、 归一化Normalize和高斯滤波平滑GFS等方法对平均后的120个光谱做预处理, 并结合竞争性自适应权重取样CARS法对漫反射光谱进行特征波长筛选, 最后采用偏最小二乘法PLS回归建立预测苹果SSC的模型, 并另购30个苹果验证模型性能。 结果表明, 苹果在三种检测方式下采集的光谱吸收峰和波谷所处的波段大致相同, 但光谱强度有差异。 三种光谱经3点高斯滤波平滑GFS预处理后建立预测苹果SSC含量的模型均取得很好的结果。 漫透射的模型性能为Rcal=0.972, Rpre=0.967和RMSEC=0.436%, RMSEP=0.507%; 全透射的模型性能为Rcal=0.964、 Rpre=0.957和RMSEC=0.5%, RMSEP=0.574%; 漫反射的模型性能为Rcal=0.963, Rpre=0.949和RMSEC=0.522%, RMSEP=0.536%; 三种光谱经归一化预处理后融合建模的模型性能为Rcal=0.894, Rpre=0.857和RMSEC=0.836%, RMSEP=0.966%。 进一步将漫反射光谱结合CARS算法筛选特征波长, 使用119个变量建立模型的性能为Rcal=0.986, Rpre=0.977和RMSEC=0.323%, RMSEP=0.362%。 最后将该模型导入新型多模式可调节的水果检测系统中, 使用30个未参与建模的冰糖心苹果检验该模型预测苹果SSC的性能。 结果显示30个外部验证集的相关系数为0.906, 验证均方根误差为0.707%。 进一步表明使用多模式可调节的水果内部品质检测系统采集的漫反射光谱结合光谱预处理、 波段筛选算法和偏最小二乘回归方法可以建立较好的模型预测苹果可溶性固形物SSC含量。 本研究为苹果的品质检测提供新的技术支持。
光学机构 漫透射 全透射 漫反射 可溶性固形物 苹果 Optical mechanism Diffuse transmittance Total transmittance Diffuse reflection Soluble solids content CARS Apple CARS 光谱学与光谱分析
2021, 41(7): 2064
中国农业大学信息与电气工程学院, 北京 100083
酿酒葡萄成熟度是确定葡萄采收期的重要品质指标, 针对酿酒葡萄大田中成熟度检测难度大的问题, 利用可见/近红外(Vis/NIR)光谱技术和化学计量学, 研究了酿酒葡萄可溶性固形物含量(SSC)与光谱数据之间的内在联系。 采用USB2000+光谱仪获取5种酿酒葡萄及其叶片在不同成熟时期的Vis/NIR光谱数据, 通过OMNIC 8.0软件提取光谱数据, 将化学值与光谱吸收率值通过TQ Analyst8.0软件建立模型。 选取信噪比高的450~1 000 nm波段, 利用PCA剔除异常光谱数据, 将一阶导数(FD)、 Savitzky-Golay卷积平滑(S-G)、 多元散射校正(MSC)、 标准正态变换(SNV)分别组合共4种方法用于光谱数据预处理。 利用偏最小二乘(PLS)法分别建立了5种葡萄基于酿酒葡萄光谱数据的SSC预测模型, 建立了5种葡萄基于冠层叶片光谱数据的SSC预测模型, 对比了不同方式预处理后的建模效果, 并选择最优预处理方式建模。 最后用外部样本分别验证了SSC预测模型。 结果表明, 采用S-G平滑+FD+MSC的预处理方法时大多数预测模型性能达到最好。 5种葡萄浆果校正集和验证集的R分别达到0.93和0.86以上, 最高均方根误差分别为0.30和0.48, 5种葡萄冠层叶片校正集和验证集的R分别达到0.73和0.65以上, 最大均方根误差分别为0.95和0.75。 5种葡萄浆果外部试验样本预测值与真实值间的平均RE最高为0.43%。 基于酿酒葡萄浆果光谱的SSC预测模型具备良好的预测能力, 优于基于酿酒葡萄冠层叶片光谱的SSC预测模型, SSC预测模型能够为酿酒葡萄成熟度评价研究提供理论参考。 Vis/NIR光谱技术适用于在酿酒葡萄大田中快速、 无损检测SSC。
可见/近红外光谱 酿酒葡萄成熟度 偏最小二乘法 可溶性固形物 Visible/near infrared spectroscopy Maturity of wine grape Partial least square method Soluble solids content