CN102706908B - 水果内部品质快速检测模型的建模方法 - Google Patents
水果内部品质快速检测模型的建模方法 Download PDFInfo
- Publication number
- CN102706908B CN102706908B CN201210179569.XA CN201210179569A CN102706908B CN 102706908 B CN102706908 B CN 102706908B CN 201210179569 A CN201210179569 A CN 201210179569A CN 102706908 B CN102706908 B CN 102706908B
- Authority
- CN
- China
- Prior art keywords
- fruit
- value
- model
- parameter
- fruits
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims abstract description 17
- 238000002591 computed tomography Methods 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims abstract description 10
- 235000011430 Malus pumila Nutrition 0.000 claims description 38
- 235000015103 Malus silvestris Nutrition 0.000 claims description 38
- 239000007787 solid Substances 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 17
- 239000004575 stone Substances 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000013459 approach Methods 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 231100000241 scar Toxicity 0.000 claims description 3
- 244000144730 Amygdalus persica Species 0.000 claims description 2
- 235000006040 Prunus persica var persica Nutrition 0.000 claims description 2
- 241000220324 Pyrus Species 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 235000021017 pears Nutrition 0.000 claims description 2
- 241000238631 Hexapoda Species 0.000 claims 1
- 244000141359 Malus pumila Species 0.000 claims 1
- 241000607479 Yersinia pestis Species 0.000 claims 1
- 230000004304 visual acuity Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 7
- 241000220225 Malus Species 0.000 description 41
- 235000010724 Wisteria floribunda Nutrition 0.000 description 12
- 235000021016 apples Nutrition 0.000 description 4
- 238000009659 non-destructive testing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004128 high performance liquid chromatography Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 230000009102 absorption Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- RJGDLRCDCYRQOQ-UHFFFAOYSA-N anthrone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3CC2=C1 RJGDLRCDCYRQOQ-UHFFFAOYSA-N 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000000870 ultraviolet spectroscopy Methods 0.000 description 1
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种水果内部品质快速检测模型的建模方法，通过测量水果贮藏期内水果的CT值，进而根据不同水果的产地，水果的贮藏时间和CT值，建立预测模型Y=a0+a1x1+a2x2+a3x3+a4x1 2+a5x1x2+a6x1x3+a7x2 2+a8x2x3+a9x3 2，可用于预测水果内部品质参数，其中x1是水果区域的平均CT值，x2是水果的贮藏天数，x3是相应模型的水果产地参数，Y是相应的品质参数的预测值。采用本发明只需将水果经过计算机断层扫描的CT值和贮藏的天数，就可以预测水果内部品质参数；预测精度高；重复性好，可以实现水果无损检测。
Description
技术领域
本发明涉及一种水果内部品质检测模型的建模方法，特别涉及一种基于计算机断层扫描快速检测水果内部品质的模型的建模方法，属于农产品无损检测技术领域。
背景技术
水果的品质检测在日常的生产生活中有很广泛的应用。但是传统的化学检测方法，比如测定糖的蒽酮比色法，要对水果进行复杂的前处理，不但步骤繁琐，费时费力，并且有一定的实验技能的要求。因此对于农产品快速无损检测的方法，国内外的很多学者都正在研究：
光学特性法：由于农产品的内部成分和外部特性不同，在不同波长光线照射下会有不同的吸收、反射或散射特性，即农产品的分光反射率或吸收率在某一特定波长内会比其他部分大，根据这一特性结合光学检测装置实现农产品品质的无损检测，主要包括紫外光谱法、可见光谱法和近红外光谱检测分析法。该方法利用实验室的光谱仪器，而且受限于物料对于光谱的消耗，导致有效的光谱信息提取困难，影响其检测精度。
高效液相色谱法：由高效液相色谱对待测样品进行分析，虽然此法可以得到非常高的准确度，但是由于仪器对分析样品的要求非常高，同样需要较为复杂繁琐的处理。
前人的研究多是采用同一种水果，但是对于不同产地的苹果，由于其生长环境的极大差异，水果主要成分的含量也有很大的区别。
CT技术是利用软X射线穿透物体的原理，通过扫描图像可以得出被摄物体内部确切位置的部分物质的特性信息。在医学，无损检测等方面得到了广泛的应用。
发明内容
本发明的目的在于提供一种基于计算机断层扫描的水果内部品质的快速检测模型的建模方法。该方法可以根据水果的产地，水果的贮藏时间以及水果计算机断层扫描的CT值准确预测出水果的内部品质，以实现水果无损检测。
本发明的水果内部品质快速检测模型的建模方法，其步骤如下：
1)试验样品的准备：挑选大小均匀，无伤疤，虫蛀的水果作为待测水果，试验期间将待测水果贮藏于不见光透气的纸箱中，保持室温，空气湿度在50%~70%之间；
2)CT扫描及数据来源的确定：将待测水果放入CT机进行纵向扫描，扫描结束后，选取水果最大剖面的CT图像，作为获取CT值的数据来源。
3)CT值的获取：在最大水果剖面的CT图像上，均匀选取6个直径1cm的圆形区域作为试验区域并编号，其中3个靠近果核，另外3个远离果核，利用eFilm Workstation软件获取各试验区域CT值。
4)水果内部品质参数的测量：在待测水果最大剖面对应的6个试验区域，分别切取直径1cm、厚度为2cm的圆形水果块，按相应国家标准分别检测各水果块的可溶性固形物含量、酸度、pH值以及含水率；
5)周期试验：按5~7天为一个周期，共测试6~7个周期，每个周期重复上述步骤1)～4)；
6)水果产地参数的确定：根据检测数据分别计算同一产地水果的可溶性固形物含量、酸度、pH值以及含水率的平均值，将此平均值分别作为该水果可溶性固形物含量模型、酸度模型、pH值模型以及含水率模型中产地的参数；
7）预测模型的建立：将步骤3）中得到的各试验区域CT值、步骤4）中得到的水果可溶性固形物含量、酸度、pH值以及含水率品质参数、步骤5）的周期试验总天数以及步骤6）中得到的水果产地参数，利用SAS数据处理软件中的最小二乘拟合方法进行拟合，分别建立水果可溶性固形物含量、酸度、pH值以及含水率的预测模型：
Y=a0+a1x1+a2x2+a3x3+a4x1 2+a5x1x2+a6x1x3+a7x2 2+a8x2x3+a9x3 2，其中x1是水果各试验区域的CT值，x2是水果的贮藏总天数，x3是相应模型的水果产地参数，Y是水果相应的可溶性固形物含量、酸度、pH值以及含水率的预测值，a0~a9是由最小二乘拟合方法得到的方程各项的系数。
本发明中，所说的待测水果为苹果、梨或桃。
为了全面提取水果的信息，步骤3）中所述的3个靠近果核和3个远离果核的试验区域通常采用沿水果剖面周向交替选取。
本发明中，对水果进行CT扫描的参数设置为，
扫描参数：
扫描方式：扇形形束360度旋转扫描，并行连续数据采集；
扫描速度：2.0秒；
连续X射线扫描层厚：5mm；
扫描与重建并行进行方向角：0-355度，5度递增；
最大扫描范围：500mm；扫描层厚：5mm；
进床速度：37.5mm／秒，
窗宽460~520，窗位180~210；
图象质量参数：
空间分辨率：-15.0lp/cm0%MTF；
密度分辨率：5.0mm0.3%。
本发明方法有如下优点，1)操作简便，耗时短，只需将水果经过计算机断层扫描的CT值和贮藏的天数，就可以预测水果内部品质参数；2)把不同的产地作为预测水果内部品质的一个参数，将离散的变量通过相应品质参数的平均值将其变为连续的参数，提高预测模型的精度；3)灵敏度高，重复性好，可以实现水果无损检测。
附图说明
图1是本发明的水果内部品质快速检测模型的建模方法流程图；
图2是最大水果剖面的试验区域选取示意图。
具体实施方式
以下结合附图并通过实施例对本发明作进一步的说明：
以不同产地的苹果酸度、可溶性固形物含量的检测模型的建模为例，建模过程参照图1所示流程图。
1)试验样品的准备：本试验中苹果分别为山东红富士，陕西红富士和新疆阿克苏糖心富士苹果，挑选大小均匀，无伤疤，虫蛀的苹果作为待测水果，试验期间将待测苹果贮藏于不见光透气的纸箱中，保持室温，空气湿度在50%~70%之间；
2)CT扫描及数据来源的确定：将待测苹果放入CT机，进行纵向扫描，扫描结束后，选取苹果最大剖面的CT图像，作为获取CT值的数据来源。
3)CT值的获取：如图2所示，在最大苹果剖面的CT图像上，均匀选取6个直径1cm的圆形区域作为试验区域并编号，其中3个靠近果核，另外3个远离果核，靠近果核的试验区域和远离果核的试验区域交替选取，编号1,3,5的试验区域远离果核A，编号2,4,6的试验区域靠近果核A，利用eFilm Workstation软件获取各试验区域CT值。
4)苹果内部品质参数的测量：在待测苹果最大剖面对应的6个试验区域，分别切取直径1cm、厚度为2cm的圆形苹果块，参照国家标准《GB/T 12293-1990水果、蔬菜制品可滴定酸度的测定》检测苹果的酸度，参照国家标准《GB/T12295-1990水果、蔬菜制品可溶性固形物含量的测定折射仪法》检测苹果的可溶性固形物含量。
5)周期试验：按7天为一个周期，共测试7个周期，每个周期重复上述步骤1)～4)；
6)苹果产地参数的确定：计算山东红富士苹果可溶性固形物含量平均值为12.41，酸度平均值为1.27，将此平均值分别作为山东红富士苹果可溶性固形物含量模型、酸度模型中产地的参数；
计算陕西红富士苹果可溶性固形物含量平均值为12.78，酸度平均值为1.92，将此平均值分别作为陕西红富士苹果可溶性固形物含量模型、酸度模型中产地的参数；
计算新疆阿克苏糖心红富士苹果可溶性固形物含量平均值为12.62，酸度平均值为0.68，将此平均值分别作为新疆阿克苏糖心红富士苹果可溶性固形物含量模型、酸度模型中产地的参数；
7）预测模型的建立：利用SAS数据处理软件中的最小二乘方法进行拟合，将步骤3）中得到的CT值、步骤4）中得到的苹果品质参数，步骤5）中获得的苹果贮藏天数以及步骤6）中得到的代表苹果产地的数值，建立山东红富士，陕西红富士和新疆阿克苏糖心富士苹果酸度的统一模型，如公式（1）所示：
Y=0.253192+0.008691x1+0.003464x2+0.671846x3+0.000030405x1 2+0.000053048x1x2+0.000412x2 2-0.005817x1x3-0.020717x2x3+0.013408x3 2 （1）
式中：x1为苹果试验区域的CT值，x2为苹果贮藏的天数，x3为苹果产地参数，Y为苹果的酸度。
建立山东红富士，陕西红富士和新疆阿克苏糖心富士苹果可溶性固形物含量含量的统一模型，如公式（2）所示：
Y=2609.843001-0.083779x1+0.198376x2-415.83825x3+0.000017804x1 2+0.000191x1x2+0.000597x2 2+0.005451x1x3-0.019874x2x3+16.624252x3 2 （2）
式中：x1为苹果试验区域的CT值，x2为苹果贮藏的天数，x3为苹果产地参数，Y为苹果的可溶性固形物含量。
为了便于验证所建模型的准确性，本例步骤7）采取随机选取6个试验区域中的5个试验区域的试验数据进行建模，用剩下的1个试验区域的实测数据进行模型的验证。验证结果见表1
表1
误差率验证表
注：误差率是实测值与模型预测值之差再与实测值的比值。
Claims (3)
1.水果内部品质快速检测模型的建模方法，其步骤如下：
1) 试验样品的准备：挑选大小均匀，无伤疤，无虫蛀的水果作为待测水果，试验期间将待测水果贮藏于不见光透气的纸箱中，保持室温，空气湿度在50%~70%之间；所说的待测水果为苹果、梨或桃；
2) CT扫描及数据来源的确定：将待测水果放入CT机进行纵向扫描，扫描结束后，选取水果最大剖面的CT图像，作为获取CT值的数据来源；
3) CT值的获取：在最大水果剖面的CT图像上，均匀选取6个直径1cm的圆形区域作为试验区域并编号，其中3个靠近果核，另外3个远离果核，利用eFilm Workstation软件获取各试验区域CT值；
4) 水果内部品质参数的测量：在待测水果最大剖面对应的6个试验区域，分别切取直径1cm、厚度为2cm的圆形水果块，按相应国家标准分别检测各水果块的可溶性固形物含量、酸度、pH值以及含水率；
5)周期试验：按5~7天为一个周期，共测试6~7个周期，每个周期重复上述步骤1)～4)；
6)水果产地参数的确定：根据检测数据分别计算同一产地水果的可溶性固形物含量、酸度、pH值以及含水率的平均值，将此平均值分别作为该水果可溶性固形物含量模型、酸度模型、pH值模型以及含水率模型中产地的参数；
7）预测模型的建立：将步骤3）中得到的各试验区域CT值、步骤4）中得到的水果可溶性固形物含量、酸度、pH值以及含水率品质参数、步骤5）的周期试验总天数以及步骤6）中得到的水果产地参数，利用SAS数据处理软件中的最小二乘拟合方法进行拟合，分别建立水果可溶性固形物含量、酸度、pH值以及含水率的预测模型：Y=a0+a1x1+a2x2+a3x3+a4x1 2+a5x1x2+a6x1x3+a7x2 2+a8x2x3+a9x3 2，其中x1是水果各试验区域的CT值，x2是水果的贮藏总天数，x3是相应模型的水果产地参数，Y是水果相应的可溶性固形物含量、酸度、pH值以及含水率的预测值，a0~a9是由最小二乘拟合方法得到的方程各项的系数。
2.根据权利要求1所述的水果内部品质快速检测模型的建模方法，其特征在于，对水果进行CT扫描的参数设置为，
扫描参数：
扫描方式：扇形形束360度旋转扫描，并行连续数据采集；
扫描速度： 2.0秒；
连续X射线扫描层厚： 5mm；
扫描与重建并行进行方向角：0-355度，5度递增；
最大扫描范围：500mm；扫描层厚：5mm；
进床速度：37.5mm／秒，
窗宽460~520，窗位180~210；
图象质量参数：
空间高分辨率：-8.5lp/cm50%MTF
密度分辨率： 5.0mm0.3%。
3.根据权利要求1所述的水果内部品质快速检测模型的建模方法，其特征在于，
步骤3）中所述的3个靠近果核和3个远离果核的试验区域沿水果剖面周向交替选取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210179569.XA CN102706908B (zh) | 2012-05-30 | 2012-05-30 | 水果内部品质快速检测模型的建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210179569.XA CN102706908B (zh) | 2012-05-30 | 2012-05-30 | 水果内部品质快速检测模型的建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102706908A CN102706908A (zh) | 2012-10-03 |
| CN102706908B true CN102706908B (zh) | 2014-01-29 |
Family
ID=46899848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210179569.XA Expired - Fee Related CN102706908B (zh) | 2012-05-30 | 2012-05-30 | 水果内部品质快速检测模型的建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102706908B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103308457B (zh) * | 2013-04-10 | 2015-01-28 | 浙江工商大学 | 香梨成熟度预测模型建立方法 |
| CN103278514B (zh) * | 2013-05-02 | 2015-05-20 | 浙江大学 | 一种水果内部品质的检测模型的建模方法 |
| CN103344656B (zh) * | 2013-07-01 | 2015-09-30 | 江苏大学 | 基于x射线成像的块冻虾中虾的含量测定方法及其装置 |
| CN104792804A (zh) * | 2015-03-27 | 2015-07-22 | 江苏大学 | 一种基于显微ct技术诊断谷物内部损伤的方法 |
| CN107607480B (zh) * | 2016-07-12 | 2020-03-17 | 湖南生物机电职业技术学院 | 脐橙有效酸度的无损检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS63225157A (ja) * | 1987-03-16 | 1988-09-20 | Toshiba Corp | 品質判定装置 |
| JP3768371B2 (ja) * | 1998-11-16 | 2006-04-19 | 独立行政法人科学技術振興機構 | Ｃｔシステム |
| CN100449309C (zh) * | 2005-07-11 | 2009-01-07 | 中国农业大学 | 一种苹果内部品质的无损检测方法 |
-
2012
- 2012-05-30 CN CN201210179569.XA patent/CN102706908B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN102706908A (zh) | 2012-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yaseen et al. | Raman imaging for food quality and safety evaluation: Fundamentals and applications | |
| CN102706908B (zh) | 水果内部品质快速检测模型的建模方法 | |
| Jiang et al. | Comparison of algorithms for wavelength variables selection from near-infrared (NIR) spectra for quantitative monitoring of yeast (Saccharomyces cerevisiae) cultivations | |
| CN105181642B (zh) | 一种花生品质的近红外检测方法及应用 | |
| CN105021535B (zh) | 一种稻谷脂肪酸含量无损检测方法及系统 | |
| CN102288572A (zh) | 利用近红外光谱技术快速检测中药药材指标性成分含量的方法 | |
| CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
| CN103983606B (zh) | 便携式近红外食用油品质快速检测仪 | |
| EP3859315B1 (en) | Method for testing water content and water distribution of cellular levels in fruit and vegetable tissues on basis of raman spectrum | |
| CN104374711B (zh) | 一种树木叶面尘土量的确定方法及系统 | |
| CN110320165A (zh) | 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法 | |
| CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
| Pan et al. | Predict compositions and mechanical properties of sugar beet using hyperspectral scattering | |
| CN105486662A (zh) | 一种基于近红外光谱技术的棉籽棉酚含量的无损测定方法 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN107561032A (zh) | 基于太赫兹吸收系数光谱检测油菜叶片水分状态的方法 | |
| Zhang et al. | Use of signal to noise ratio and area change rate of spectra to evaluate the Visible/NIR spectral system for fruit internal quality detection | |
| CN101055248B (zh) | 用近红外光谱技术分析高水分玉米及冻玉米水分的方法 | |
| Ren et al. | In-situ indirect measurements of real-time moisture contents during microwave vacuum drying of beef and carrot slices using terahertz time-domain spectroscopy | |
| Yanmin et al. | Soil moisture monitoring using hyper-spectral remote sensing technology | |
| CN104730027A (zh) | 应用近红外光谱技术测定小麦条锈病菌夏孢子萌发率的方法 | |
| CN105004690A (zh) | 一种基于多光谱成像技术的梨果肉中石细胞含量快速无损检测方法 | |
| Jiang et al. | Achieving robustness to temperature change of a NIR model for apple soluble solids content | |
| CN113049526B (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
| CN102636455A (zh) | 一种近红外光谱测定双孢蘑菇硬度的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140129 Termination date: 20160530 |