CCD光谱仪性能对苹果可溶性固形物在线检测的影响研究

选择合适的光谱仪是提高农产品品质在线检测精度的重要措施。3款配置了不同探测器和光栅的微型短波CCD光谱仪被用于在线检测苹果的可溶性固形物含量。分别考察了信噪比和不同光谱范围对可溶性固形物在线检测精度的影响。经比较,在550.52～1100.35nm光谱范围内,QE65000光谱仪的信噪比最高,偏最小二乘模型交叉验证结果最优。最优模型的相关系数为0.82,交叉验证均方根误差为0.75oBrix。结果表明:QE65000光谱仪可提高苹果可溶性固形物在线检测的精度。     

鸭梨黑心病和可溶性固形物含量同时在线检测研究

采用可见近红外漫透射光谱技术,探讨鸭梨黑心病和可溶性固形物含量同时在线检测的可行性。在5个/s运动速度下,采集了黑心果和正常果的可见近红外能量谱。分析了正常果和黑心果的可见近红外光谱响应特性,分别建立了鸭梨黑心病峰值比判别模型和偏最小二乘判别模型。同时建立了可溶性固形物偏最小二乘回归模型,考察了黑心病对鸭梨可溶性固形物偏最小二乘回归模型预测精度的影响,提出了鸭梨黑心病和可溶性固形物含量同时在线检测策略。采用未参与建模的新样品,评价鸭梨黑心病和可溶性固形物含量在线分选的准确性,黑心果判别准确性达到100%,正常果可溶性固形物预测标准差为0.45°Brix,分选正确率达到98%。     

基于CARS算法的脐橙可溶性固形物近红外在线检测

采用可见/近红外光谱在线检测装置进行赣南脐橙可溶性固形物含量在线检测模型优化研究。样品以5个/s的速度运动,采集可见/近红外漫透射光谱。光谱经过预处理后,分别应用向后区间偏最小二乘法（BiPLS）、遗传算法（GA）和正自适应加权算法（CARS）筛选特征变量,并通过外部验证评价PLS模型预测能力。一阶微分处理后经CARS筛选特征变量建立的PLS模型预测结果最优,预测相关系数和预测均方根误差分别为0.94和0.42%。结果表明CARS算法可有效简化赣南脐橙可溶性固形物可见/近红外光谱在线检测模型并提高模型的预测精度。     

苹果内部品质分级机械手设计与试验

为检测苹果内部品质,基于可见/近红外光谱检测技术并结合分拣机械手,设计了苹果内部品质分级机械手。该装置主要由夹持机构、近红外光谱采集系统、控制系统等组成。机械手稳定夹持苹果后采集苹果的近红外光谱数据,上位机软件中的预测模型对光谱数据进行分析处理,并显示光谱曲线和预测结果。为建立苹果可溶性固形物含量预测模型,基于该装置采集了苹果在650～1 100 nm波长范围内的光谱数据,通过国家标准测量法测得苹果样本的可溶性固形物含量,采用SG卷积平滑(SG-smooth)、标准正态变量变换(SNV)和多元散射校正(MSC)对光谱数据进行预处理,并结合可溶性固形物含量测量值建立偏最小二乘(PLSR)模型。结果表明,采用多元散射校正方法预处理后的建模效果最优,其预测模型的校正集和预测集相关系数分别为0. 978 2、0. 970 1,均方根误差分别为0. 274 6、0. 326 3°Brix。选取20个同品种苹果样本对该装置的稳定性和准确性进行了测试,可溶性固形物含量预测值与测量值相关系数为0. 957 3,均方根误差为0. 422 4°Brix。试验结果表明,苹果内部品质分级机械手在夹持苹果的同时可以实现对苹果可溶性固形物含量的准确预测。     

翠冠梨坚实度可见/近红外光谱在线检测

采用可见/近红外光谱技术对翠冠梨的坚实度进行在线检测研究,并对不同预处理方法和不同平滑点数的影响进行研究.试验采用USB4000微型光纤光谱仪在0.5 m/s的水果运动速度下采集翠冠梨的透射光谱,并应用偏最小二乘(PLS)算法建立预测模型.试验样品为176个,119个样品作为校正集,57个样品作为预测集.研究结果表明,应用可见/近红外光谱技术检测翠冠梨的坚实度是可行的,确定580～840 nm为较合适的建模波段;光谱经一阶微分和变量标准化(SNV)处理后建立的预测模型性能最优,其相关系数R为0.820,校正标准差为2.50 N,预测标准差为3.02 N;对于S-G平滑处理,5点S-G平滑的效果最好,其相关系数R为0.848,校正标准差为2.31N,预测标准差为2.85 N.     

基于近红外光谱技术的发育后期苹果内部品质检测

为了解发育后期苹果内部品质与近红外光谱特性之间的关系,给田间管理、实时采收等提供依据,利用近红外漫反射技术测量了发育后期3个月内"富士"苹果在833~2 500 nm波长范围内的光谱特性,并测量了各样品的内部品质参数(可溶性固形物含量、硬度、p H值和含水率),分析了单一波长下吸光强度与各内部品质参数之间的线性关系。结果表明,单一波长下吸光强度与苹果各内部品质参数之间的线性相关性均较弱,基于单一波长下的吸光强度很难预测苹果的内部品质。为此,结合化学计量学方法建立了预测可溶性固形物含量、硬度、p H值和含水率的最小二乘支持向量机和极限学习机(ELM)模型,并分析了主成分分析(PCA)、连续投影算法(SPA)和无信息变量消除法等3种降维方法对模型预测性能的影响。结果表明,预测可溶性固形物含量、p H值的最优模型为SPA-ELM,其RMSEP分别为0.443 5°Brix和0.006 8;预测硬度、含水率的最优模型为PCA-ELM,其RMSEP分别为0.2612 kg/cm2和0.623 5%。     

水果糖度近红外光谱在线检测装置

采用短波近红外光谱仪,进行机械传送、光谱采集处理、自动控制等系统的设计和集成,研制水果糖度近红外光谱在线检测装置。在550~850nm范围,采用偏最小二乘法,建立了苹果糖度近红外光谱在线检测数学模型。经比较,标准正交校正和一阶导数处理后的光谱建立的数学模型预测效果最优,模型的相关系数为0.78,模型预测均方根误差为0.67°Brix。实验表明:水果糖度近红外光谱在线检测装置可准确地检测苹果糖度含量。     

苹果糖度在线检测降低杂散光影响研究

基于光谱学原理设计了智能苹果糖度在线分级设备,研究了上置式检测器在线检测中的杂散光问题,通过光路图分析了富士苹果3种摆放方式对杂散光的影响,并提出了遮光降噪方案。利用偏最小二乘(PLS)回归分别建立了3种摆放方式的富士苹果可溶性固形物含量(SSC)在线预测模型。研究结果表明,对于上置式检测器而言,摆放方式和遮光处理尤为重要。其中果柄朝上遮光为最佳降噪措施,所建立的模型校正集均方差(RMSEC)为0.60,校正集相关系数(RC)为0.94,预测集均方差(RMSEP)为0.67,预测集相关系数(RP)为0.87,可以满足实际生产中的在线分级要求。     

基于特征LED光源的苹果多品质参数无损检测装置研究

为了实现对优质果品的快速无损筛选,设计了便携式苹果多品质一体化无损检测装置。利用可见/近红外光谱检测平台,获取苹果样本的漫反射光谱信息,采用随机蛙跳算法提取了可溶性固形物含量、可滴定酸含量和果肉硬度的特征波长,优选出3个参数的10个共享特征波长。在此基础上,采用特征窄带LED光源与光电二极管相结合的检测方式,设计了漫反射检测光路、窄带LED环形光源、检测探头及控制电路等硬件系统。选取144个苹果样本,通过检测装置获取漫反射特征电压强度,由传感器感光系数计算出对应的光强,建立了苹果可溶性固形物含量、可滴定酸含量和果肉硬度的多元线性回归模型,预测集相关系数分别为0. 812 9、0. 807 3和0. 773 6,均方根误差为0. 603 6°Brix、0. 063 6%和1. 732 5 N。基于QT和Python3开发工具,采用Python语言开发了装置的实时控制与分析软件,植入苹果多品质参数预测模型,实现了多品质参数的同时检测与分析。为测试该装置的检测精度和稳定性,另选取46个样本,每个样本重复检测8次,预测苹果可溶性固形物含量、可滴定酸含量和果肉硬度的相关系数分别为0. 809 6、0. 796 2和0. 758 9,均方根误差0. 697 3°Brix、0. 070 3%和1. 832 3 N,装置重复采样最大变异系数分别为0. 010 6、0. 011 6和0. 006 2。结果表明:基于多特征窄带LED光源研发的低成本、便携式无损检测装置可实现对苹果多品质参数的实时无损检测,可满足农户田间生产及电商销售优质果筛选要求。     

苹果可溶性固形物含量的检测方法——基于可见光近红外光谱技术

为了快速检测苹果的可溶性固形物(SSC)含量,采用可见光近红外光谱技术,结合主成分分析(PCA)和BP神经网络技术,来建立苹果SSC的预测模型.获取苹果样本在345～1039 nm波段的漫反射光谱,采用DPS数据处理系统对其进行主成分分析,并提取出累计可信度大于95 %的5个新主成分.建立一个3层的BP神经网络模型,并将这5个新的主成分作为BP神经网络模型的输入量,其结果是98 %以上预测样本的预测相对误差在5 %以下.该研究表明,采用近红外光谱技术来建立苹果可溶性固形物的预测模型是可行的.