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 330038
黑心病是鸭梨贮藏期间发生的生理病害, 其病变初期表现在内部果核处出现褐色斑块, 而在果实外观上与正常果几乎没有任何差异, 严重影响鸭梨的贮藏时间和品质, 亟需一种快速无损的检测方法为鸭梨质量保驾护航。 采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别, 结合平滑(Smoothing)、 标准正态变量变换(SNV)、 多元散射校正(MSC)、 SG一阶导数(SG 1st-Der)以及小波变换(WT)预处理方法和主成分分析(PCA)、 k近邻(kNN)、 朴素贝叶斯(NBC)、 支持向量机(SVM)以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究。 Adaboost集成了kNN、 NBC和SVM三个独立学习器。 将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价, 采用训练集的查准率/查全率的调和平均值(F-measure)和正确识别率(Accuracy)对分类模型进行优化和评价。 研究结果表明: 不同属性(正常和黑心)鸭梨样品光谱的前三主成分分布图相互交错, 很难直观地对黑心鸭梨进行区分。 样品光谱经小波变换(小波基为“Haar”)预处理的kNN模型训练集的F-measure和Accuracy分别为78.98%和82.62%; 经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90%和82.11%; 经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24%和91.58%; 经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46%和92.63%。 通过测试集对模型进行验证可知: 光谱经小波变换预处理后建立的Adaboost分类模型最优, 分类的F-measure达到90.91%, 较WT-kNN, SG 1st-Der-NBC和WT-SVM模型分别提高了11.39%, 15.23%和2.30%; Accuracy达到92.63 %, 分别提高了10.52%, 11.58%和2.10%; 模型对测试集样品预测时的计算时间约为0.12s, 满足在线分选要求。 可见-近红外光谱结合AdaBoost分类方法, 可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法。
鸭梨 黑心病 可见-近红外光谱 集成学习 在线检测 “Yali” pear Black heart disease Vis-near infrared spectroscopy Integrated learning Online detection 光谱学与光谱分析
2021, 41(9): 2764
马铃薯黑心病是一种马铃薯主要内部缺陷, 严重损害薯条、 薯片、 全粉等加工制品的质量和产率。 目前对马铃薯的分级主要侧重于外部品质检测, 针对内部缺陷检测的研究很少。 旨在开发一种马铃薯黑心病的快速无损检测技术, 为此搭建了马铃薯可见近红外透射光谱分析平台, 分析健康与黑心病马铃薯的透射光谱特性并优化光谱判别模型参数。 基于现有马铃薯分级线和复享PG2000高速光谱仪, 采用左右透射方式（光源与光纤探头位于分级线果盘左右两侧）, 采集470个马铃薯（其中健康薯234个、 黑心薯236个）的透射光谱图, 建立偏最小二乘判别模型（PLS-DA）, 并利用主成分分析（PCA）与光谱形态特征相结合的方法选择特征波长, 优化模型。 分析发现, 健康薯与黑心薯的可见近红外透射光谱在吸光度值和光谱形态特征方面均存在明显区别。 黑心薯的平均光谱吸光度值高于健康薯（650～900 nm范围内）, 但黑心薯的平均光谱曲线较为平缓, 无明显吸收峰, 而健康薯平均光谱曲线在665, 732和839 nm附近有明显吸收峰, 并且健康薯与黑心薯的平均光谱差值在705 nm处达到最大值。 基于PLS-DA法建立了马铃薯黑心病判别模型, 对黑心病的判别效果显著, 分类器特性曲线（ROC）下面积（AUC）值为0.994 2, 黑心薯识别总正确率能够达到97.16%, RMSECV和RMSEP分别为0.28和0.26。 此外, 成功利用PCA与光谱形态特征相结合的方法对模型进行简化, 最终得到由6个波长（658, 705, 716, 800, 816和839 nm）组成的特征波长组合, 简化后的模型总正确率能够达到96.73%, 接近全波段模型判别水平。 研究表明, 左右透射的方式能够准确识别黑心马铃薯, 实现对马铃薯内部缺陷的快速无损检测。 对我国马铃薯产业的发展起到一定的促进作用, 为马铃薯内部缺陷在线检测技术的提高提供了重要的理论基础和实践依据。
可见-近红外透射光谱 黑心病 马铃薯 主成分分析法 偏最小二乘判别法 Vis-NIR transmission spectrum Blackheart disease Potato PCA PLS-DA 光谱学与光谱分析
2021, 41(4): 1213
1 中国农业大学工学院, 国家农产品加工技术装备研发分中心, 北京 100083
2 北京伟创英图科技有限公司, 北京 100070
我国马铃薯采后储运销售过程中黑心病发病率较高, 内部品质也参差不齐, 检测分选技术滞后, 严重制约了马铃薯主食化产业发展进程。 马铃薯黑心病及淀粉含量等内部品质的同时在线无损检测, 对推进我国马铃薯主食化战略具有重要意义。 基于可见/近红外漫透射光谱原理, 利用实验室自行搭建的无损在线检测系统(检测速度约为每秒4个), 以马铃薯黑心病和淀粉含量为内部品质检测指标, 进行了黑心病和淀粉含量同时在线无损检测研究。 先将121个健康马铃薯和116个黑心马铃薯600～1 000 nm波段范围的原始光谱分别进行了平均处理, 发现600～900 nm波段内黑心马铃薯样品的吸光度数值明显高于健康马铃薯样品, 而且黑心组织影响健康马铃薯在663 nm附近叶绿素的特征吸收峰和760 nm附近水的特征吸收峰, 强度明显高于黑心马铃薯。 基于健康马铃薯和黑心马铃薯原始光谱建立了马铃薯黑心病偏最小二乘判别模型(PLS-DA)。 同时对121个健康马铃薯光谱分别采用SG卷积平滑(SG-Smoothing)、 标准正态变换(SNV)、 多元散射校正(MSC)、 一阶导数(FD)、 SG平滑结合一阶导数(SG+FD)等不同预处理方法, 并结合竞争性自适应加权重采样CARS算法筛选特征波长后, 建立了淀粉含量(SC)偏最小二乘(PLS)定量预测模型。 结果表明: 黑心马铃薯偏最小二乘定性判别模型校正集和验证集判别正确率分别为97.74%和98.33%, 总判别正确率97.89%; 原始光谱经SG平滑加一阶导数预处理, 再结合CARS算法筛选特征波长建的马铃薯淀粉含量偏最小二乘定量预测模型结果最优, 其校正集和预测集相关系数分别为0.928和0.908, 均方根误差分别为0.556%和0.633%。 最后, 将所建模型植入在线检测系统, 利用50个未参与建模的样品进行了外部验证。 马铃薯黑心病的判别正确率为96%, 淀粉预测值与标准理化值相关系数为0.893, 均方根误差为: 0.713%。 说明基于马铃薯漫透射光谱可以实现马铃薯黑心病及其他内部品质同时在线无损检测, 为马铃薯采后品质检测分选以至推进马铃薯主食化产业发展提供了一定技术参考。
马铃薯 可见/近红外漫透射光谱 黑心病 淀粉 同时在线检测 Potatoes Visible/near infrared spectroscopy diffuse transmi Black-heart disease Starch Simultaneous online detection 光谱学与光谱分析
2020, 40(6): 1909
华东交通大学光机电技术及应用研究所, 江西 南昌 330013
鸭梨黑心病是鸭梨的主要生理病害, 直接影响鸭梨的出口创汇; 准确快速鉴别鸭梨黑心病对于梨的出口业具有重要现实意义。 探讨可见/近红外漫透射光谱在线检测鸭梨黑心病的可行性, 选取80个正常鸭梨和70个黑心鸭梨作为建模集, 建模集被分为校正集和预测集以求获得最优模型。 未参与建模的30个正常梨和20个黑心梨作为预测集, 用于评价模型的预测能力。 鸭梨的可见/近红外漫透射光谱, 在5个/秒的速度下采集。 建模集能量谱经标准正交变换(SNV)和多元散射校正(MSC)处理后, 分别建立健康梨和黑心梨的偏最小二乘判别模型(DPLS)、 峰面积判别模型(DPA)、 主成分判别模型(DPCA)。 用建模集模型判别预测集鸭梨, 经比较, DPLS模型的判别准确率最高, 黑心梨正确识别率达到100%。 实验结果表明: 可见/近红外漫透射光谱结合DPLS判别方法, 可以实现黑心鸭梨的在线检测。 相比传统的人工破损方法, 在线检测可为梨出口贸易提供技术支撑和科学参考依据。
可见/近红外光谱 漫透射 鸭梨 黑心病 在线 Visible/near-infrared diffuse transmission spectru Pear Blackheart disease On-line detctor 光谱学与光谱分析
2017, 37(12): 3714
