下载文档原格式
基于GA-LSSVM的苹果糖度近红外光谱检测刘燕德;周延睿【摘要】[目的]结合遗传算法和最小二乘支持向量机(GA-LSSVM),优化苹果糖度近红外光谱检测的数学模型,提高模型的检测精度和稳定性.[方法]在GA-LSSVM模型建立过程中,采用遗传算法自动获取最小二乘支持向量机的最优参数.[结果]相比于偏最小二乘法(PLS)、传统最小二乘支持向量机(LSSVM)和遗传偏最小二乘法(GA-PLS)数学模型,GA-LSSVM法建立的模型预测效果最优,模型的相关系数为0.94,预测均方根误差为0.32°Brix.[结论]GA和LSSVM相结合的优化方法在提高苹果糖度近红外光谱检测精度和稳定性方面是可行的.【期刊名称】《西北农林科技大学学报（自然科学版）》【年(卷),期】2013(041)007【总页数】6页(P229-234)【关键词】苹果;糖度检测;近红外光谱;遗传算法;最小二乘支持向量机【作者】刘燕德;周延睿【作者单位】华东交通大学机电工程学院,江西南昌 330013;华东交通大学机电工程学院,江西南昌 330013【正文语种】中文【中图分类】S661.1;O657.33近红外光谱技术具有非破坏性、检测速度快、样品无需前处理等优点，所以被广泛用于农产品的品质检测［1－3］。
但是在近红外光谱检测技术的应用过程中，外界条件如温度、基线漂移、光源稳定性、样品状态等变化，都会对检测精度产生一定程度的影响，因此光谱信息变量的筛选和模型的优化，对于建立稳健的近红外光谱检测技术数学模型十分重要。
目前，在近红外光谱检测技术中使用的变量筛选方法，主要有连续投影算法（Successive projections algorithm，SPA）［4－5］、无信息变量的消除法（Uninformative variable elimination，UVE）［6］、蒙特卡罗方法（Monte carlo methods，M－C）［7－8］、间隔偏最小二乘法（Interval PLS，iPLS）［9］、遗传算法（Genetic algorithms，GA）［10］等，其中 GA 是近年来国内外应用较为广泛的一种特征变量筛选方法［11－12］。
全透射近红外光谱的苹果整果糖度在线检测模型优化田喜;陈立平;王庆艳;李江波;杨一;樊书祥;黄文倩【期刊名称】《光谱学与光谱分析》【年(卷),期】2022(42)6【摘要】光谱质量、样本个体差异、检测系统和建模算法等多种因素共同决定水果糖度检测模型的预测精度和稳定性。
采用自主研发的短积分全透射近红外在线检测系统以5 ms积分时间和0.5 m·s^(-1)运行速度在线获取了“富士”苹果全透射光谱信号。
不同姿态获取的透射光谱强度差异明显,但曲线走势相近,均在920 nm 波段具有最大的光谱强度,在850 nm波段存在波谷。
采用移动平均平滑、标准正态变量变换和多元散射校正等预处理方法有效去除原始光谱的随机噪声和基线偏差,减小了样本检测姿态引起的光谱差异。
为分析不同检测姿态对苹果整果糖度预测模型的影响,构建了单一姿态局限模型和多姿态通用模型,结果表明基于全位点平均透射光谱构建的单一姿态局限模型对检测姿态具有很大的局限性,而多姿态通用模型预测能力较单一检测姿态相当,但却对不同的检测姿态具有更强的适用能力。
为进一步提高光谱信号质量,优化模型预测能力,采用信号强度阈值优选方法实现了苹果整果糖度预测模型优化,发现移除中央位点获取的透射光谱信号,有利于提高苹果整果糖度预测模型精度。
多姿态通用信号强度优化模型综合考虑不同姿态获取的光谱信息有效性,有效提升了通用信号强度优化模型的预测能力和稳定性,当多姿态通用模型中信号强度阈值为5000时,模型预测性能最佳,其预测参数R_(p),RMSEP和RPD分别为0.79,0.84%和1.58。
表明短积分全透射近红外在线检测系统用于不同姿态苹果糖度预测是可行的,多姿态通用模型的建立,扩大了模型在不同姿态的预测稳健性,短积分光谱采集方式结合信号强度阈值优选方法提升了光谱信号的质量和模型的预测能力。
【总页数】8页(P1907-1914)【作者】田喜;陈立平;王庆艳;李江波;杨一;樊书祥;黄文倩【作者单位】中国农业大学信息与电气工程学院;北京市农林科学院智能装备技术研究中心;北京市农林科学院信息技术研究中心【正文语种】中文【中图分类】S37【相关文献】1.脐橙糖度近红外光谱在线检测数学模型优化研究2.苹果酒发酵过程中糖度近红外光谱检测模型的建立3.皇冠梨糖度可见/近红外光谱在线检测模型传递研究4.不同品种苹果糖度近红外光谱在线检测通用模型研究5.不同产地苹果糖度可见近红外光谱在线检测因版权原因，仅展示原文概要，查看原文内容请购买。
![基于红外光谱的苹果糖度无损检测系统[Word文档]](https://uimg.taocdn.com/a9ddb66a26284b73f242336c1eb91a37f011325d.webp)
基于红外光谱的苹果糖度无损检测系统关键字：基于红外光谱的苹果糖度无损检测系统本文为Word文档，感谢你的关注！摘要利用近红外漫反射定量技术，设计了苹果糖度无损检测系统，采用最小二乘法建立了近红外光谱与苹果糖度之间的数学定量模型，对模型进行校验，得到苹果糖度实际值与预测值的相关性。
相关系数为0.7521，RMSE=1.1818。
采用980nm的激光二�O管作为特征光源。
光源经过苹果内部产生漫反射光信号，该信号被光电传感器采集。
用微控制器处理该信号再加上外围电路组成无损检测系统。
【关键词】苹果近红外光谱无损检测苹果富含矿物质和维生素，是人们最常食用的水果之一，是低热量食物，易被人体吸收，有“活水”之称，可以溶解硫元素，使皮肤润滑柔嫩，深受人们喜爱。
随着人们生活水平提高，人们对于苹果的含糖量有了新要求，但传统的折光仪有损检测时耗时、费力和效率低；无损的检测仪又携带不便、操作复杂、使用条件苛刻和价格昂贵等缺点不能普及推广使用。
因此在此基础上本文设计了这套无损检测系统，它具有便携、操作简单和低成本的特点。
国内外在苹果糖度的无损检测方面做过很多的研究，在国外如LammertynJeroen等人在2000年，在11363-6060cm-1范围内利用光纤探头对Jonadold苹果糖分含量进行了近红外光谱反射特性的试验研究，通过偏最小二乘法分析得出两者的相关系数在0.79-0.91之间；Zou等人在2007年利用遗传算法、间隔偏最小二乘法（iPLS）进行特征波段的挑选，提高了苹果糖度模型的预测精度；Liu等人在2007年分析了不同测量距离对苹果糖度无损检测的影响；在国内，刘燕德等人在2010年建立了红富士苹果糖度的近红外漫反射主成分回归PCR多元校正模型，得出相关系数：=0.844，标准校正误差SEC=0.729；韩东海等人在2014年利用近红外光谱结合混合线性分析法的一种变形算法HLA/XS建立苹果糖度校正模型，得出：=0.87611、标准预测误差SEP=0.4848；王加华等人利用近红外漫反射光谱结合主成分回归PCR和偏最小二乘法PLS研究了苹果糖度无损检测，通过比较二者的相关系数、标准校正误差和预测标准误差，得出偏最小二乘法PLS模型更优。
基于可见-近红外透射光谱技术的苹果水心病和糖度检测研究基于可见-近红外透射光谱技术的苹果水心病和糖度检测研究摘要：随着农业技术的不断进步和人们对食品安全的关注，农产品质量检测变得越来越重要。
本研究以苹果为研究对象，通过采用可见-近红外透射光谱技术，结合主成分分析、偏最小二乘回归分析等统计方法，进行苹果水心病和糖度的检测研究。
结果表明，可见-近红外透射光谱技术能够有效地用于苹果水心病和糖度的检测，具有很高的准确性和可行性。
1. 引言苹果是世界上最重要和最广泛种植的水果之一，但苹果水心病和糖度的检测一直是生产者和消费者关注的问题。
水心病会使苹果内部出现大量空洞，严重影响苹果的食用价值和商业价值。
而糖度则是苹果的一个重要品质指标，直接关系到口感好坏。
因此，开发一种快速、准确、非破坏性的检测方法，对于苹果的种植管理和市场销售具有重要意义。
2. 实验方法2.1 实验材料本研究选取了来自不同产地、品种和病情的近500个苹果样品作为研究对象。
2.2 透射光谱采集使用可见-近红外光谱仪，对样品透射光谱进行采集。
每个样品进行三次光谱扫描，然后取平均值。
2.3 数据预处理利用主成分分析对原始光谱数据进行降维处理，选取前10个主成分来表示样本的信息。
2.4 建模和验证使用偏最小二乘回归（PLSR）建立苹果水心病和糖度的预测模型。
将样本数据分为训练集和测试集，用训练集建立模型，再用测试集验证模型的准确性。
3. 结果与讨论3.1 苹果水心病的检测通过PLSR建立的苹果水心病预测模型，对测试集的预测结果进行了评估。
结果显示，模型的预测精度达到了93%，说明可见-近红外透射光谱技术能够有效地用于苹果水心病的检测。
3.2 苹果糖度的检测同样地，通过PLSR建立的苹果糖度预测模型，对测试集的预测结果进行了评估。
结果显示，模型的预测精度达到了96%，说明可见-近红外透射光谱技术能够有效地用于苹果糖度的检测。
4. 结论与展望本研究结果表明，可见-近红外透射光谱技术结合PLSR分析方法能够有效地用于苹果水心病和糖度的检测。
文章编号 2095-1531（2020）03-0482-10不同产地苹果糖度可见近红外光谱在线检测刘燕德1,2 *，徐 海1,2，孙旭东1,2，姜小刚1,2，饶 宇1,2，徐 佳1,2，王军政1,2（1. 华东交通大学 机电与车辆工程学院，江西 南昌 330013；2. 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）摘要：为了实现不同产地苹果糖度的快速在线无损检测，减少产地差异对近红外光谱检测模型的影响，建立了不同产地苹果糖度的在线检测通用模型。
首先，采用水果动态在线检测设备采集了包括栖霞、洛川与会宁3个产地的红富士苹果的漫透射光谱。
其次，采用偏最小二乘算法（PLS ），结合无信息变量消除（UVE ）方法，筛选出58个特征变量，建立了苹果糖度的UVE-PLS 通用模型，该模型对个体产地预测集及总预测集的均方根误差分别为0.50~0.74°Brix 与0.63°Brix ，较原始个体模型分别提高了23.2%~44.4%与35.7%。
最后，提出了一个新的外部验证样本集对模型性能进行评价，其残留预测偏差为2.33，预测值在±1.0°Brix 和±1.5°Brix 误差范围内的占比分别为85%与100%。
实验结果表明：建立多个产地苹果糖度的在线检测通用模型，能够提高其他产地样本糖度的预测稳健性，并且采用合适的波长筛选方法能够简化模型。
开发不同产地水果内部品质通用模型在波长有限的光谱设备中具有良好的应用潜力。
关 键 词：在线检测；近红外光谱；糖度；偏最小二乘中图分类号：O657.33 文献标志码：A doi ：10.3788/CO.2019-0128On-line detection of soluble solids content of apples from differentorigins by visible and near-infrared spectroscopyLIU Yan-de 1,2 *，XU Hai 1,2，SUN Xu-dong 1,2，JIANG Xiao-gang 1,2，RAO Yu 1,2，XU Jia 1,2，WANG Jun-zheng 1,2（1. School of Mechatronics & Vehicle Engineering , East China Jiaotong University , Nanchang 330013, China ；2. National and Local Joint Engineering Research Center of Fruit Intelligent PhotoelectricDetection Technology and Equipment , Nanchang 330013, China ）* Corresponding author ，E-mail : jxliuyd@Abstract : In order to realize fast, on-line, non-destructive testing of the Soluble Solids Content (SSC) of apples from different origins, and to reduce the effect of origin variability on NIR models, a universal model for predicting the SSC of apples from different origins is established. Firstly, the diffuse transmission spectra of Fuji apples from Qixia, Luochuan and Huining are collected with fruit dynamic online detection equip-ment. Then, 58 characteristic variables are selected and a UVE-PLS universal model for predicting the SSC收稿日期：2019-06-21；修订日期：2019-08-20基金项目：国家自然科学基金（No.31760344）；江西省创新能力建设项目（No.S2016-90）Supported by National Natural Science Foundation of China(No.31760344); Jiangxi Provincial Project for In-novation Capacity Construction(No.S2016-90)第 13 卷 第 3 期中国光学Vol. 13 No. 32020年6月Chinese OpticsJun. 2020of apples is established using the Partial Least Squares (PLS) algorithm combined with Uninformative Vari-able Elimination (UVE). The root mean square errors of single-origin prediction sets and the total-origin pre-diction set are 0.50~0.74° Brix and 0.63° Brix, respectively, which increase by 23.2%~44.4% and 35.7% re-spectively compared to the original individual model. Finally, a new external sample set is used to assess the performance of the model, showing a residual prediction deviation of 2.33 and ratios of the predicted values within the error range of ±1.0° Brix and ±1.5° Brix of 85% and 100%, respectively. Experimental results in-dicate that the establishment of a universal model for on-line detection of the SSC of apples, including those from multiple origins can improve the robustness of predicting the SSC of the samples from other origins. The results also show that an appropriate wavelength screening method can simplify the model. The develop-ment of a common model for the internal quality of fruit from different origins has strong potential for applic-ations in wavelength-limited spectroscopy equipment.Key words: online detection；near infrared spectroscopy；soluble solids；partial least squares1 引 言苹果是一种被广泛生产及消费的水果品类，其富含抗氧化成分，如抗坏血酸和多酚类化合物，可以对各种退化性疾病起到预防作用[1-2]。
近红外光谱技术无损检测苹果中糖度含量（近红外光谱法）实验报告实验时间：2014年12月12日---2014年12月15日实验地点：济南海能仪器实验室实验仪器：海能Unity近红外光谱仪SpectraStar2500XL实验样品：不同品种的苹果检测指标：糖度检测方法：样品来自于超市和街边采购的不同品种的苹果。
苹果样品共15个，命名编号为pd01-pd15。
采用顶窗旋转杯漫反射检测，每个样品扫描3张光谱。
定标模型方法：光谱进行一阶微分平滑等数学预处理，将光谱与实验数据一一对应，使用PLS算法建立定量模型。
分析结果：将近红外的检测结果与实验室数据进行比对，以验证仪器的准确性。
实验过程：1、苹果无损扫描近红外光谱。
近红外光谱技术对苹果糖含量的无损检测，将苹果放置于近红外光谱仪的顶窗旋转适配环上出光孔位置，分别对每个样品的3个不同位置进行扫描。
15个样品共得到45个近红外吸收光谱，如图1.图1.苹果的近红外吸收光谱图2、湿化学方法对苹果中糖度的检测。
采用国标方法对每个苹果的糖含量检测。
根据《GB12295-1990水果、蔬菜制品可溶性固形物含量的测定--折射仪法》，检测出每个苹果中糖度含量，如表1.表1.国标方法检测出的苹果中糖度含量编号糖度pd0111pd0214.6pd0311.7pd0413.3pd0511.8pd0612.6pd0713pd0812.7pd0910pd1013.3pd1113.2pd1213.2pd1311.6pd1413.7pd1512.83、建立苹果糖度的近红外定标模型。
将每个苹果近红外吸收光谱与实验数据一一对应，进行一阶微分平滑等数学预处理，使用PLS算法建立定量模型。
如图2.图2.苹果中糖度的PLS定标模型曲线通过上图可以看出，苹果的糖度与近红外吸收有很好的相关性，其达到0.953。
4、近红外无损检测方法对苹果中糖含量的预测。
采用近红外光谱仪对15个苹果样品再次编号重新扫描，进行预测分析，并于国标方法所得结果对比，计算偏差。
苹果含糖量近红外检测系统的研究的开题报告一、选题背景随着人们对食品品质和安全的要求日益提高，快速、准确地检测食品中的成分和质量成为了首要任务。
苹果作为一种广泛食用的水果，其品质的评价往往以含糖量作为一个重要的指标。
目前，传统的检测方法多采用化学方法，需要耗费大量的时间和人力物力，并且存在化学废弃物的处理问题。
随着近红外技术的发展，利用近红外光谱技术来检测苹果中的含糖量成为了一种新的方法。
二、选题意义本研究的目的是建立苹果含糖量近红外检测系统，主要包括制备样品、建立模型和应用模型等步骤。
通过对不同品种和不同成熟度的苹果进行近红外光谱分析，建立苹果含糖量近红外预测模型，实现对苹果含糖量的快速、准确检测，并为苹果生产提供技术手段和方法。
三、选题目标1.建立苹果含糖量近红外检测系统；2.优化近红外光谱分析方法，提高预测的精准度；3.建立苹果含糖量预测模型，验证模型的准确性；4.应用模型进行实际测量，测试其实用性。
四、选题内容1.苹果含糖量的测量方法与标准；2.近红外光谱技术的基本原理及其应用；3.实验设备的选取与搭建；4.样品的制备、收集及处理；5.建立苹果含糖量近红外预测模型；6.对模型进行验证及应用。
五、预期结果1.成功建立苹果含糖量近红外检测系统；2.优化近红外光谱分析方法，提高预测精准度；3.建立苹果含糖量预测模型，并通过实验验证和应用检验证明其准确性和实用性；4.为苹果生产提供可靠的含糖量检测手段和技术支持，促进苹果的质量控制及产业升级。
六、参考文献1. De Nijs, M., van de Voort, F. R., & Sedman, J. (2005). Application of Near-Infrared (NIR) Spectroscopy in the Food Industry. Journal of Agricultural and Food Chemistry, 53(24), 9751-9766.2. Dong, H., Cheng, F., Wang, X. M., & Liu, F. Q. (2016). Non-destructive prediction of apple quality attributes by integrating the visible and near infrared spectroscopy. Food Chemistry, 197, 466-471.3. Fearn, T., & Riccioli, C. (2017). Near Infrared Spectroscopy in food science and technology. John Wiley & Sons.4. Martelo-Vidal, M. J., Franco-Morgado, P., & Vázquez-Rowe, I. (2016). Advances in Food Analysis by Near Infrared Spectroscopy. Frontiers in Microbiology, 7, 1786.5. Shen, F., Liu, J., & Li, M. (2015). Non-destructive prediction of apple moisture content by near-infrared spectroscopy based on wavelet packet transform and partial least squares regression. Journal of the Science of Food and Agriculture, 95(8), 1682-1689.。
苹果糖度无损检测技术研究进展分析近年来，随着人们生活水平的不断提高，对食品质量和安全的要求也越来越高。
苹果作为一种常见的水果，其甜度是消费者在购买时非常关注的指标之一、因此，苹果糖度无损检测技术的研究成为了当前的热点之一、本文将对苹果糖度无损检测技术的研究进展进行分析。
首先，目前常用的苹果糖度测定方法主要是基于化学分析的方法。
该方法需要将苹果样品采集回实验室进行处理，然后使用色谱仪或高效液相色谱仪等仪器进行测定。
虽然这种方法可以获得较为准确的结果，但需要较长的时间完成，而且对样品的破坏较大，且成本较高，不适用于大规模的生产和快速检测。
因此，人们希望发展无损检测技术来解决这一问题。
目前，无损检测苹果糖度的方法主要有以下几种：1.光谱成像技术：该技术利用红外、近红外、拉曼等光谱的吸收和散射特性，对苹果进行图像采集和处理，从而获得苹果糖度的信息。
该方法无需对样品进行处理，检测速度快，且对样品的破坏较小，因此被广泛应用于苹果糖度的无损检测中。
2.声波传感技术：该技术利用声波在不同介质中的传播速度和衰减特性与介质的物理性质相关联的原理，通过测量声波在苹果中传播的速度和衰减等参数，从而推断苹果的糖度。
该方法无需接触样品，检测速度快，且对样品的破坏较小，被认为是一种很有潜力的苹果糖度检测方法。
3.电化学技术：该技术利用电化学原理，通过测量苹果中电子传输的特性，如电阻、电容、电流等参数，来推断苹果的糖度。
该方法检测速度快，且对样品的破坏较小，但需要使用特殊的电极和仪器进行测定，因此应用较为有限。
4.弹性学技术：该技术利用声学和机械学原理，通过对苹果样品施加力和测量样品的变形、回弹等参数，从而推断苹果的糖度。
该方法对样品的破坏较小，但需要对样品进行接触式的测试，因此应用范围较窄。
综上所述，当前的苹果糖度无损检测技术主要包括光谱成像技术、声波传感技术、电化学技术和弹性学技术等。
这些方法在苹果糖度的检测中取得了一定的研究进展，但仍存在一些问题，如精确度、实用性和成本等方面的限制。
- 9 -高 新 技 术水果是人们日常生活中重要的食物。
水果质量是人们在消费过程中关注的重点。
对于水果品质的检验分为外在检测和内在检测。
外部检测包括颜色、大小和缺陷，内部检测包括味道、甜度和水分。
外部质量可以通过肉眼观察，而对于内部质量检测来说，通常通过有损检测和无损检测来检测内部质量。
有损检测技术可以准确确认果实的内在品质，但会破坏果实，即经过检测后水果就不能食用了。
不同的无损性技术（例如声学、核磁共振和近红外光谱（NIRS））均为在无损条件下测定水果品质的有效途径。
该文主要探讨近红外光谱（NIRS）的实验表现和实用价值。
1 近红外光检测水果糖度理论基础水果糖分在近红外光谱波段的光下有特殊的吸收光谱[1]，并可以通过仪器接收相应的光电信号。
我国是苹果种植大国[2]，对苹果质量的甄选分级可以提高我国产出果品的国际竞争力。
1.1 近红外光谱近红外光是指波长介于可见光和中红外光之间的电磁波。
美国材料试验协会（ASTM）将近红外光谱区定义为780 nm~2 526 nm，并将近红外波段分为2个部分：近红外短波（780 nm~1 100 nm）和近红外长波（1 100 nm~2 526 nm）[3]。
在近红外区域的吸收带内，测量信息主要是分子内部含氢基团（OH -、NH -以及CH -官能团）的倍频吸收及其伸缩振动、晚期振动合频的吸收信息[4]。
1.2 近红外光谱特征近红外光谱属于红外光谱，该谱区的信息主要由几种基频的倍频以及组合频率共同构成，具有以下特点：1） 近红外光谱是记录分子振动基频的倍频和合频的光谱区，被采集的信息主要为OH -、NH -和CH -官能团的倍频吸收，及其伸缩振动、弯曲振动合频的吸收信息。
现代近红外光谱是把光谱测量技术、化学计量学和计算机技术融为一体的间接分析技术，一般会建立校正模型，以实现定性或定量分析未知样本的目标。
2） 信息量大。
近红外光谱区域除了具有不同程度的倍频吸收外，还包括多种组合频率干扰，因此光谱波段复杂。
基金项目国家自然基金地区科学基金项目（31960503）；塔里木大学研究生科研创新项目（TDGR1202256）。
作者简介何代弟（1997—），女，甘肃平凉人，硕士，从事农业信息化研究。
收稿日期2023-04-24苹果内部品质近红外光谱无损检测研究进展何代弟1，2张晓1，2张楠楠1，2袁新涛1，2马瑞1，2保昊1，2孙武军1，2（1塔里木大学信息工程学院，新疆阿拉尔843300；2塔里木绿洲农业教育部重点实验室，塔里木大学，新疆阿拉尔843300）摘要中国是苹果生产、销售大国，开展苹果内部品质无损检测对增强我国苹果市场竞争力十分重要。
近红外光谱可同时检测多种成分，是一种操作简单、成本低廉的无损检测技术，在水果内部品质无损检测中具有巨大的发展潜力。
本文介绍了近红外光谱分析技术的原理和优缺点及其在苹果内部品质检测中的应用研究，为近红外光谱分析技术在水果检测中的应用提供参考。
关键词近红外光谱分析技术；无损检测；苹果中图分类号O657.33；TS255.7文献标识码A文章编号1007-7731（2023）16-0136-04苹果是常见的水果之一，富含多种维生素、蛋白质和糖类等，营养价值高，深受消费者喜爱。
近些年，随着科技水平的发展，我国苹果的种植面积、产量快速增长，苹果的口感、品质安全等也越来越被消费者重视。
苹果内部品质与其食用口感有着直接关系，并且影响苹果的销售，因此对苹果品质进行检测评估非常必要。
苹果的品质主要由糖度、酸度、硬度、水分及脆性等参数来表征，内部品质指标直接影响着果实的口感及品质，同时也是苹果成熟度的判断依据。
消费者在购买苹果时，不仅在意苹果的形状、大小、颜色等外观品质，并且越来越注重苹果的内部品质，比如酸甜度、脆性、营养物质等。
已有的研究证明，光谱检测技术检测苹果内部品质是可行的，但传统的苹果品质检测方法效率低、操作复杂、且具有破坏性，因此苹果内部品质的无损检测仍然是重点研究领域。
目前，无损检测技术如机器视觉、高光谱成像技术、介电特性法和核磁共振检测等被应用于水果品质无损检测中，与这些常用的无损检测技术相比，近红外光谱技术是一种新兴检测技术，具有绿色、无损、快速等优点，通过漫反射和漫透射获取苹果的成分和组织信息，对获得的光谱信息进行特征提取和分析，从而检测苹果的内部品质。
第25卷,第11期 光谱学与光谱分析Vol .25,No .11,pp1793-17962005年11月 Spectroscopy and Spectral AnalysisN ovember ,2005 近红外漫反射用于检测苹果糖度及有效酸度的研究刘燕德1,2,应义斌1,傅霞萍11.浙江大学生物系统工程与食品科学学院,浙江杭州 3100292.江西农业大学工学院,江西南昌 330045摘 要 提出了应用近红外漫反射光谱技术并结合光纤传感技术快速检测苹果糖度和有效酸度的新方法。
以傅里叶变换光谱仪(12500～4000cm -1)为试验仪器,以120个红富士苹果为标准样品并结合偏最小二乘法,建立了苹果糖度、有效酸度的定量预测数学模型。
试验结果为:样品预测值和真实值之间的相关系数分别为0.970,0.906,标准校正误差(SEC )分别为0.261,0.0562,标准预测误差(SEP )分别为0.272,0.0562,偏差(Bias )分别为0.011,0.0115。
通过本研究表明:应用近红外光谱漫反射技术在10341～5461cm -1光谱波长范围内对苹果糖度的无损检测和在10341～3818cm -1有效光谱范围内对有效酸度的无损检测具有可行性。
主题词 近红外漫反射;糖度;有效酸度;苹果;多元校正技术中图分类号:TP 242.6 文献标识码:A 文章编号:1000-0593(2005)11-1793-04 收稿日期:2004-03-30,修订日期:2004-08-02 基金项目:国家自然科学基金(30270763,60468002,30560064)和国家高技术“863”计划(2001AA422230)资助项目 作者简介:刘燕德,女,1967年生,浙江大学生物系统工程与食品科学学院在职博士研究生,副教授引 言 水果品质的判断及检测一直是农产品加工研究的重要课题。
随着人们生活质量的提高,消费者在选购水果时除了注重大小、颜色、外观形状等外部品质之外,对于内部品质如口感、糖度、酸度和维生素含量等也是极为看重的指标。
近红外光谱相似性评估结合局部回归方法无损检测苹果糖度夏阿林;周新奇;叶华俊;张学锋;陈英斌【摘要】基于Bayesian相似性评估方法结合偏最小二乘局部回归,对苹果近红外数据库进行数据挖掘.通过相似性计算方法搜索出与预测样品相近的近红外光谱,形成校正子集后采用局部回归方法获得待测样品的相关信息.该方法所建立局部模型的平均检验标准偏差(SEV)约为0.57,分析30个预测样品的预测标准偏差(SEP)约为0.61;基于马氏距离的传统方法建立的偏最小二乘局部模型的平均SEV为0.59,分析30个待测样品的预测SEP为0.64;而采用整个数据库建立的全局偏最小二乘模型的SEV约为0.65,分析30个预测样品SEP约为0.70.基于Bayesian相似性评估的局部回归方法在苹果糖度的近红外无损定量分析中获得较好的应用结果,在实际应用中该方法比全局回归方法具有更强的适用性,为近红外光谱分析提供了新的分析工具.【期刊名称】《分析测试学报》【年(卷),期】2010(029)012【总页数】5页(P1173-1177)【关键词】近红外光谱;相似度;局部回归;糖度;苹果【作者】夏阿林;周新奇;叶华俊;张学锋;陈英斌【作者单位】杭州电子科技大学,电子信息学院,浙江,杭州,310018;聚光科技(杭州)股份有限公司,浙江,杭州,310052;聚光科技(杭州)股份有限公司,浙江,杭州,310052;聚光科技(杭州)股份有限公司,浙江,杭州,310052;聚光科技(杭州)股份有限公司,浙江,杭州,310052【正文语种】中文【中图分类】O657.33现代分析仪器产生了多种多样的谱图,形成了巨大的数据库,如何对数据库进行数据挖掘,从中提取知识已成为当前比较热门的研究课题[1]。
近红外光谱分析已广泛应用于各领域[2-4],当近红外建模样本数目巨大时,因样品的品种、产地等因素影响,其光谱特征会存在较大差异,建立的分析模型通常会导致预测准确性下降[5]。
红富士苹果糖度的近红外光谱检测分析试验研究摘要：近红外光谱分析技术具有无前处理、无污染、无破坏性、重现性好、检测速度快等优点，结合偏最小二乘回归法对苹果进行定量建模分析，可促进苹果的检测和刷选。
分析结果表明该技术所给出的分析精度可以和传统分析方法相媲美，相关系数(R)为0.979，预测均方根误差(RMSEP)为0.263。
通过本研究得出：应用近红外光谱检测苹果糖度是可行的，为今后快速无损评价苹果提供了理论依据。
关键词：近红外光谱；苹果；糖度；OPUS；建模Using NIR Spectra in Non-Invasive Measurements of the Red Fuji AppleSugar ContentAbstract: Near-infrared spectroscopy technique has advantages such as no pre-treatment, no pollution, good repeatability, speediness, and non-destructive combined with partial least squares regression model for quantitative analysis of Apple, which can promote the detection of apple and the apple’s election. The results show that the precision of the analysis technique can be given comparable to traditional methods, the correlation coefficient(R) is 0.979, and the root mean square prediction error (RMSEP) is 0.263. Through this study we can find that the brix of apple tested by the Near Infrared Spectroscopy is feasible, and it provides the basis of theory for the rapid non-destructive evaluation.Key words: Near-infrared spectrum; Apple; Sugar Content; OPUS; Model引言近红外光谱技术作为一种分析手段是从上世纪50年代开始的，并在80年代以后的10多年里发展最快、最引人注目的光谱分析技术，是光谱测量技术与化学计量学学科的有机结合，被誉为分析的巨人。
测量信号的数字化和分析过程的绿色化又使该技术具有典型的时代特征。
近红外光谱分析技术的工作原理可以简单的概括为：如果样品组成相同,则其光谱也相同，反之亦然。
如果我们建立了光谱与待测参数之间的对应关系(称为分析模型)，那么，只要测得样品的光谱，通过光谱和上述对应关系，就能很快得到所需要的质量参数数据。
目前国内研究情况如下：刘燕德和应义斌研究认为：当光纤与苹果表面距离为0mm时，所建立的校正模型对未知样品的预测效果最好；利用主成份回归方法，用0mm 距离所采集的光谱建立红富士苹果糖度的近红外模型，其样品预测值和实测值之间的R和SEC分别为 0.844 和 0.729SEP 和偏差（Bias）分别为 0.864 和 0.318，近红外光谱漫反射技术无损检测苹果的糖度具有可行性。
屠振华等利用傅里叶近红外光谱无损检测苹果的硬度，用动态向后间隔偏最小二乘、动态向后间隔偏最小二乘结合遗传算法和反复的遗传算法分析苹果硬度的特征波长，表明用遗传算法并结合间隔偏最小二乘法选择的特征波长，不但降低了模型的复杂度，而且提高了模型的预测精度；苹果硬度的特征波长和果胶的特征吸收峰有一致性。
国外研究情况为：Guoqiang Fan等（2009）用可见-近红外光谱技术对红富士苹果的坚实度和SSC进行检测研究，比较不同光源位置和检测部位对预测模型的影响，用PLS法在650nm～920nm波段范围内建立预测模型，结果表明：用二阶导数预处理后的光谱所建立的坚实度和SSC模型预测效果较好，多光源且与苹果茎轴垂直的放置位置有助于提高模型的预测精度；坚实度和SSC的较优模型验证时的R分别为 0.8136 和 0.9532。
1材料和方法1.1实验材料1.1.1实验仪器本实验中光谱测量仪器采用的是Bruker公司的MPA近红外光谱仪，以及用来获取测量糖度所需的苹果汁的专用榨汁机、滴管等，苹果糖度的测量仪器采用的是ATAGO公司的PAL迷你数显折射计，数据处理和建模工具使用的是近红外光谱仪配套的OPUS化学计量分析软件。
1.1.2实验样品实验中用的是在批发市场买的四箱个体大小在150g-450g的红富士苹果。
同时通过对已经购买的苹果进行预处理，选取成熟度一致、无病虫害、无机械损伤的苹果95个。
样品预处理的过程很重要，因为异常样品严重影响了校正模型的预测能力，所以必须要将异常样品剔除。
本实验中用于建模的有80个，用于验证模型的有15个。
整个过程在室温下进行，约20度左右。
1.2近红外光谱测量首先将苹果洗干净，然后在20℃的室温进行实验。
然后，在苹果上端一处、中部两处、下端一处画上圆圈，作为光谱采集点。
最后，用 MPA 型傅立叶变换近红外光谱仪（德国Bruker光学仪器公司生产）采集近红外光谱，仪器参数设置为：固定光纤探头，波长范围为 12800cm-1～4000cm-1，分辨率为 8 cm-1，扫描次数为32scans。
1.3苹果糖度测量上述苹果的光谱采集完成后，立即取光谱采集点附近的果肉10g，然后对苹果进行糖度测量。
对苹果糖度的测量使用的是专用的糖度计，在测量过程中对苹果汁要进行充分的搅拌使其均匀以及需要注意多次测量去平均值。
最后将测量的结果保存在相应的EXCEL表中。
2模型建立2.1光谱预处理在近红外光谱的采集过程中，经常会由于仪器的状态、样品状态与测量条件的差异造成近红外光谱发生细微的变化，因此在用化学计量学方法建立模型时，消除光谱数据无关信息和噪声的预处理方法变的十分关键和重要。
对每一个建模样品，通常要用多张谱图确定其重复性。
如果同一样品的谱图不能被鉴定，必须用数据预处理方法使它们比较相似，以消除偏移或不同线性基线的变化。
常用的处理方法有矢量归一法、一阶导数、二阶导数、最小-最大归一法、消除常数偏移量等。
通常较优的模型要有较高的 R2、较小的 RMSECV 和 RMSEP、RMSECV/RMSEP 的值越接近 1 越好。
由于不知道哪种预处理方法最好，因此需要对各种方法进行比较。
通过OPUS软件，我们可以对各个方法以及各方法的组合进行验证，比如一阶导数和减去一条直线的组合。
其各个方法的比较结果图2-1如下所示。
图2-1 光谱优化方法比较图我们知道，交叉验证均方根RMSECV越小越好，故对RMSECV进行升序排列，从中我们发现采取消除常数偏移量的方法效果最好，由上图可知，当数值为36，维数为10，光谱频率在9403cm-1-7498.2cm-1和6106.9cm-1-5446.2m-1,采用消除常数偏移量时，RMSECV最小，R2为96.01。
因此该实验中对光谱进行消除常数偏移量的预处理。
使用参数的值为36，选定方法和参数后对光谱数据进行优化。
优化后的光谱如下图2-2所示。
图2-2 优化后的光谱2.2检验模型的建立2.2.1定量校验方法优化采集好的光谱之后，我们需要建立定量模型。
首先我们需要对优化后的光谱数据建立初步检验模型，OPUS中检验结果如下图2-3所示，图2-3 初步检验模型2.2.2检验模型的优化检验方法初步确立之后我们需要对其进行验证和优化。
改善模型的第一步应该放在体系中包含大量信息的组的PLS 回归上。
从上图中我们可以发现，我们可以发现两个异常点，表明预测值和真值之间的还存在误差，所以还需要对模型进行不断的优化。
我们将异常的点剔除之后，其优化结果如下图2-4所示，其中RMSECV为0.305，R2为96.69。
图2-4 检验模型的优化结果2.2.3定量模型的确定将所有的异常点剔除之后，我们就可以创建化学模型，就需要将方法的参数组成文件。
定量软件提供产生报告文件的手段，报告列出了定量方法所有的关键信息。
在OPUS中我们将产生的扩展名为.q2 的方法文件保存下来，该文件将用于进行定量分析。
3定量分析比起设置定量方法来说，未知样品的分析是一件容易的工作。
样品的含量应该落在建模系列所覆盖的含量范围之内。
在进行定量分析过程中，我们选取了通过刷选的15个苹果进行预测，同时测量对应的苹果的糖度来进行验证，比较结果如图3-1所示。
图3-1 校验模型的验证结果从上图中我们可以看到真值和预测值之间的存在一些误差，从上面比较中可以发现除了编号为92号的苹果误差较大外，其他苹果真值和预测值之间的马氏距离不超过0.019，在可接受范围内。
下图3-2中以图的形式形象的表示出预测值和真值之间的关系，通过分析比较结果的RMSEP为0.263，Bias为0.031，SEP为0.27，RPD为4.47。
图3-2 真值和预测值的图表表示3结论与展望苹果的糖度含量指标是能够反映苹果品质的一个关键指标，常规的检测方法虽然能够给出较为精确的分析结果，但是不是无损分析，导致分析成本高，无法结合到实际应用中。
本文中采用近红外光谱分析技术用于苹果糖度含量的快速检测，实验结果表明，该技术能够较为准确的快速测量目标糖度含量，只要是符合刷选条件的苹果拿来测量都能得到苹果的糖度，从糖度可以看出苹果是否好吃。
该实验还存在一些问题，比如样本还不够，测量准确度还不够高等。
因此还存在很多地方需要改进。
另外，还能够对实验进行拓展研究，比如有损苹果、苹果质地等方面的研究。
参考文献[1]陆婉珍,袁洪福,褚小立.近红外光谱仪器.北京:化学工业出版社,2011.2[2]褚小立.化学计量学方法与分子光谱分析技术.北京:化学工业出版社,2011.7[3]严衍禄.近红外光谱分析基础与应用.北京:中国轻工业出版社,2004.10[4]陈鑫,刘飞.蚁群算法在苹果糖度近红外光谱分析波长选择中的应用,期刊,2013-10-15[5]雷松泽,姚红革.近红外光谱分析技术在水果品质无损检测上的应用.期刊,2009-07-15[6]孙力,张世庆,林颢,蔡健荣,陈全胜.苹果糖度近红外光谱检测系统参数优化. 期刊,2010-07-20[7]孙炳新,匡立学,徐方旭,苏阳,赵静.冯叙桥苹果有效酸度的近红外无损检测研. 期刊,2013-04-10[8]宗莉,薛娴,王涛,尤全刚.近红外光谱分析技术在水果内部品质无损检测中的应用.安徽农业科学,2010[9]杨振锋,丛佩华,聂继云,李静,李海飞.我国苹果产业现状、存在问题及建议.北方果树,2006[10]王加华,潘璐,李鹏飞,韩东海.苹果糖度近红外光谱分析模型的温度补偿.光谱学与光谱分析,2009。
