CN105675539A - 一种农产品品质综合评价方法 - Google Patents
一种农产品品质综合评价方法 Download PDFInfo
- Publication number
- CN105675539A CN105675539A CN201610009637.6A CN201610009637A CN105675539A CN 105675539 A CN105675539 A CN 105675539A CN 201610009637 A CN201610009637 A CN 201610009637A CN 105675539 A CN105675539 A CN 105675539A
- Authority
- CN
- China
- Prior art keywords
- evaluation index
- sample
- training set
- testing sample
- model
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 240
- 238000000034 method Methods 0.000 claims abstract description 93
- 238000001845 vibrational spectrum Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims description 156
- 238000012549 training Methods 0.000 claims description 102
- 239000002253 acid Substances 0.000 claims description 68
- 238000000862 absorption spectrum Methods 0.000 claims description 51
- 235000013399 edible fruits Nutrition 0.000 claims description 41
- 241000220324 Pyrus Species 0.000 claims description 27
- 235000021017 pears Nutrition 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000001419 dependent effect Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 9
- 235000015203 fruit juice Nutrition 0.000 claims description 6
- 238000002329 infrared spectrum Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 3
- 238000001237 Raman spectrum Methods 0.000 claims description 2
- 238000007493 shaping process Methods 0.000 claims description 2
- 238000000411 transmission spectrum Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种农产品品质综合评价方法,所述方法基于振动光谱定量预测模型,在所述模型的基础上获得待测样品的多个评价指标的预测值和模型参数,将预测值归一化,结合评价指标的模型参数和评价指标的权重系数,求得反映农产品综合品质的综合评价值Z,根据Z值的分布范围可对全部待测样品进行分级。本发明提供的方法充分考虑到农产品品质的多指标及多指标之间的相互影响,兼顾模型的预测性能,可以实现农产品品质更为科学、具体、实用的分级。
Description
技术领域
本发明涉及农产品质量安全领域,具体地说,涉及一种农产品品质综合评价方法。
背景技术
农产品是人们赖以生存的食物来源之一,农产品品质分级是提高农产品附加值的重要手段。
目前国内的农产品经销企业的分级现状是,或不按品质分级而仅按重量或体积分选,或采用破坏性检测方法进行品质分级。重量或体积分选存在的主要问题是不能保证分选结果和农产品品质的相互关联性;而采用传统的破坏性检测方法所进行的分级主要存在抽检覆盖不全面、检测代表性受限等问题,而且造成严重的农产品浪费。亦即,目前国内的农产品经销企业的分级现状是,不仅检测方法落后,而且饱受果农和收购人员的争议和抱怨,严重影响高端农产品的出口贸易。
目前国外的农产品经销企业的分级现状是,发达国家,如日本、美国等,其包括水果在内的农产品采用荧光探伤、近红外品质分级等先进技术,在农产品分级方面有较多的应用。以日本为例,农产品分级基本上以品质为基础,在提高农产品附加值、满足消费者需要、解决果农收购纠纷等方面起到了积极有效的作用。
然而目前,即使发达国家,对农产品品质仍采用其最主要的单一指标进行分级。该分级方法操作简单,但结果往往片面,难以对农产品多个指标进行综合评价。对于农产品品质,评价指标往往不止一个,综合多指标数据对农产品品质进行评价尚未见报道。
另一方面,目前发达国家采用的振动光谱(如:近红外光谱)模型对农产品品质进行预测,其工作量较传统方法大幅降低,并大幅减少了因传统检测方法损失的农产品数量;但是,采用模型对农产品各指标的预测值的准确程度在农产品分级时一般不予深入考虑,亦即,各指标模型的预测精度即使没有可比性,在现有分级手段中亦不予评价。上述评价往往导致对农产品品质评价片面且不客观。
以农产品中常见的苹果、梨、桃为例,一般针对上述农产品采用果实可溶性固形物含量(糖度)、果实可滴定酸含量(酸度)、果实成熟度(硬度)、果实糖酸比,4项指标对其品质进行评价。目前,即使发达国家,也只采用糖度作为水果分级的唯一评价指标,评价结果片面。
发明内容
本发明针对农产品品质多指标综合评价的难题,提供一种基于归一化预测值、模型系数、权重系数的农产品品质综合评价方法,其目的是对农产品品质进行多指标综合评价。
具体而言,本发明提供了一种农产品品质的综合评价方法,所述方法的流程图如图1所示。
本发明所述方法包括以下步骤:
(1)确定n项评价指标,并设定各项评价指标的权重系数Ki,其中,i=1,2,...,n-1,n,n项评价指标的权重系数之和等于1,即K1+K2+...+Kn-1+Kn=1;
(2)选择与待测样品具有相同种植环境的相同品种的典型农产品样品作为训练集样本,以训练集样本的振动光谱数据为自变量、各项评价指标的评价值为因变量,进行回归运算,建立各项评价指标的振动光谱定量预测模型;所述回归算法优选采用偏最小二乘回归算法;
第i项评价指标的振动光谱定量预测模型如公式I所示:
Cj,i=(Xj-XM)×Bi+YMI;
所述公式I中,Cj,i为第j个待测样品的预测值,Xj为第j个待测样品的近红外光谱值,XM为训练集样本的近红外吸收光谱数据的平均值,Bi为模型的回归系数,YM,i为训练集样本评价指标参考值的平均值;
(3)按照公式II计算各个振动光谱定量预测模型的第i项评价指标的模型系数Mi;
所述公式II中,R2 i代表模型的测定系数,SDi代表训练集样本的样本标准差,RMSECVi代表模型交互验证均方根误差;
(4)采集每个待测样品的振动光谱数据,分别代入各个振动光谱定量预测模型获得预测值,并对所述预测值进行归一化处理;
对于第i项评价指标的振动光谱定量预测模型而言,第j个待测样品的归一化预测值Cj0,i按照公式III计算:
所述公式III中,Cj,i为第j个待测样品的预测值,Cmin,i为第i项评价指标的全部待测样品中的最小预测值,Cmax,i为第i项评价指标的全部待测样品中的最大预测值;
(5)按照公式IV计算第j个待测样品的综合评价值Zj,根据综合评价值的大小对全部待测样品进行分级;所述方法中,综合评价值越大,则待测样品的级别越高;
本发明所述的待测样品是指用于综合评价的农产品集合,该集合中的全部待测样品的种植环境和采集条件相同。
本发明步骤(1)所述评价指标根据农产品的固有特性确定;各项评价指标的权重系数根据市场对所述固有特性的需求程度设定。
本发明步骤(2)选择的训练集样本是与待测样品具有相同种植环境的同种类农产品,且与待测样品的采集条件相同,应客观反映全部待测样品的特性,即:所述方法应在待测样品的种植区域内,采集客观反映待测样品总体特性的典型样本作为训练集样本。为了准确、客观地实现对待测农产品的综合评价,同时兼顾程序和操作的简便性,所述训练集样本数量优选为待测样品总数的0.1~5%。
本发明所述方法中,所述训练集样本优选采用棋盘格法确定。所述棋盘格法具体为:将待测样品的种植区域均匀划分成形如棋盘方格的区域单元,在每个区域单元内随机采集一个样本作为训练集样本;所述区域单元的个数与训练集样本容量相等。对于本发明所涉及的农作物而言,采用棋盘格采样的方法可以满足各种品质农产品正态分布的采样规则,使得最终的评价结果更为客观。
本发明所述振动光谱包括近红外光谱、中红外光谱、拉曼光谱、太赫兹光谱;所述振动光谱的数据表现形式包括吸收谱、吸收系数谱、透过率谱、时域谱、折射率谱;所述振动光谱优选为近红外吸收光谱。
所述农产品优选为水果,进一步优选为苹果、梨、桃。
对于水果而言,本发明所述评价指标可以包括:果实可溶性固形物含量(可用“果实含糖量”代表,简称“糖度”)、果实可滴定酸含量(可用“果实含酸量”代表,简称“酸度”)、果实成熟度(可用“果实硬度”代表,简称“硬度”)和果实糖酸比(简称“糖酸比”)。
作为一种优选方案,本发明提供了一种苹果品质的综合评价方法,包括以下具体步骤:
(1)确定评价指标为糖度、酸度、硬度以及糖酸比,设定各项评价指标的权重系数分别为K糖度=0.6,K酸度=0.3,K硬度=0.07,K糖酸比=0.03;
(2)采用棋盘格法选择与待测样品具有相同种植环境的相同品种的典型苹果样品作为训练集样本,训练集样本占待测样品的数量百分比为0.1~5%;以训练集样本的近红外吸收光谱数据为自变量、各项评价指标的评价值为因变量,采用偏最小二乘回归算法进行回归运算,建立各项评价指标的近红外吸收光谱定量预测模型,分别为:
Cj,糖度=(Xj-XM)×B糖度+YM,糖度I-1;
Cj,酸度=(Xj-XM)×B酸度+YM,酸度I-2;
Cj,硬度=(Xj-XM)×B硬度+YM,硬度I-3;
Cj,糖酸比=(Xj-XM)×B糖酸比+YM,糖酸比I-4;
所述模型I-1~I-4中,Cj为第j个待测样品的相应评价指标的预测值,Xj为第j个待测样品的近红外吸收光谱数据值,XM为训练集样本的近红外吸收光谱数据的平均值,B为相应评价指标的模型的回归系数,YM为训练集样本相应评价指标参考值的平均值;
(3)按照以下公式分别计算4个定量预测模型的模型系数;
所述公式II-1~II-4中,M代表相应评价指标的模型系数,R2代表相应评价指标的模型的测定系数,SD代表相应评价指标的训练集样本的样本标准差,RMSECV代表相应评价指标的模型交互验证均方根误差;
(4)采集每个待测样品的近红外吸收光谱数据,分别代入各个定量预测模型获得预测值,并按照以下公式对所述预测值进行归一化处理;
所述公式III-1~III-4中,Cmin为相应评价指标的全部待测样品中的最小预测值,Cmax为相应评价指标的全部待测样品中的最大预测值,Cj为第j个待测样品相应评价指标的预测值,为第j个待测样品相应评价指标的归一化预测值;
(5)按照公式IV计算每个待测样品的综合评价值Zj:
根据所述综合评价值的大小对全部待测样品进行分级:当Zj≥0.8时,待测样品为一级苹果;当0.4≤Zj<0.8时,待测样品为二级苹果;当Zj<0.4时,待测样品为三级苹果。
在上述苹果品质的综合评价方法中,所述糖度、酸度、硬度和糖酸比的权重系数以及步骤(5)中的分级标准,是在大量实验和实践经验的基础上根据市场需要确定;在实际应用过程中,可根据市场需求的变化和客观情况进行微调。
作为一种优选方案,本发明提供了一种梨品质的综合评价方法,包括以下具体步骤:
(1)确定评价指标为糖度、酸度、硬度以及糖酸比,设定各项评价指标的权重系数分别为K糖度=0.5,K酸度=0.3,K硬度=0.1,K糖酸比=0.1;
(2)采用棋盘格法选择与待测样品具有相同种植环境的相同品种的典型梨样品作为训练集样本,训练集样本占待测样品的数量百分比为0.1~5%;以训练集样本的近红外吸收光谱数据为自变量、各项评价指标的评价值为因变量,采用偏最小二乘回归算法进行回归运算,建立各项评价指标的近红外吸收光谱定量预测模型,分别为:
Cj,糖度=(Xj-XM)×B糖度+YM,糖度I-1;
Cj,酸度=(Xj-XM)×B酸度+YM,酸度I-2;
Cj,硬度=(Xj-XM)×B硬度+YM,硬度I-3;
Cj,糖酸比=(Xj-XM)×B糖酸比+YM,糖酸比I-4;
所述模型I-1~I-4中,Cj为第j个待测样品相应评价指标的预测值,Xj为第j个待测样品的近红外吸收光谱数据值,XM为训练集样本的近红外吸收光谱数据的平均值,B为相应评价指标的模型的回归系数,YM为训练集样本相应评价指标参考值的平均值;
(3)按照以下公式分别计算4个定量预测模型的模型系数;
所述公式II-1~II-4中,M代表相应评价指标的模型系数,R2代表相应评价指标的模型的测定系数,SD代表相应评价指标的训练集样本的样本标准差,RMSECV代表相应评价指标的模型交互验证均方根误差;
(4)采集每个待测样品的近红外吸收光谱数据,分别代入各个定量预测模型获得预测值,并按照以下公式对所述预测值进行归一化处理;
所述公式III-1~III-4中,Cmin为相应评价指标的全部待测样品中的最小预测值,Cmax为相应评价指标的全部待测样品中的最大预测值,Cj为第j个待测样品相应评价指标的预测值,为第j个待测样品相应评价指标的归一化预测值;
(5)按照公式IV计算每个待测样品的综合评价值Zj:
根据所述综合评价值的大小对全部待测样品进行分级:当Zj≥0.7时,待测样品为一级梨;当0.4≤Zj<0.7时,待测样品为二级梨;当Zj<0.4时,待测样品为三级梨。
在上述梨品质的综合评价方法中,所述糖度、酸度、硬度和糖酸比的权重系数以及步骤(5)中的分级标准,是在大量实验和实践经验的基础上根据市场需要确定;在实际应用过程中,可根据市场需求的变化和客观情况进行微调。
作为一种优选方案,本发明提供了一种桃品质的综合评价方法,包括以下具体步骤:
(1)确定评价指标为糖度、酸度、硬度以及糖酸比,设定各项评价指标的权重系数分别为K糖度=0.6,K酸度=0.2,K硬度=0.15,K糖酸比=0.05;
(2)采用棋盘格法选择与待测样品具有相同种植环境的相同品种的典型桃样品作为训练集样本,训练集样本占待测样品的数量百分比为0.1~5%;以训练集样本的近红外吸收光谱数据为自变量、各项评价指标的评价值为因变量,采用偏最小二乘回归算法进行回归运算,建立各项评价指标的近红外吸收光谱定量预测模型,分别为:
Cj,糖度=(Xj-XM)×B糖度+YM,糖度I-1;
Cj,酸度=(Xj-XM)×B酸度+YM,酸度I-2;
Cj,硬度=(Xj-XM)×B硬度+YM,硬度I-3;
Cj,糖酸比=(Xj-XM)×B糖酸比+YM,糖酸比I-4;
所述模型I-1~I-4中,Cj为第j个待测样品相应评价指标的预测值,Xj为第j个待测样品的近红外吸收光谱数据值,XM为训练集样本的近红外吸收光谱数据的平均值,B为相应评价指标的模型的回归系数,YM为训练集样本相应评价指标参考值的平均值;
(3)按照以下公式分别计算4个定量预测模型的模型系数;
所述公式II-1~II-4中,M代表相应评价指标的模型系数,R2代表相应评价指标的模型的测定系数,SD代表相应评价指标的训练集样本的标准差,RMSECV代表相应评价指标的模型交互验证均方根误差;
(4)采集每个待测样品的近红外吸收光谱数据,分别代入各个定量预测模型获得预测值,并按照以下公式对所述预测值进行归一化处理;
所述公式III-1~III-4中,Cmin为相应评价指标的全部待测样品中的最小预测值,Cmax为相应评价指标的全部待测样品中的最大预测值,Cj为第j个待测样品相应评价指标的预测值,为第j个待测样品相应评价指标的归一化预测值;
(5)按照公式IV计算每个待测样品的综合评价值Zj:
根据所述综合评价值的大小对全部待测样品进行分级:当Zj≥0.55时,待测样品为一级桃;当0.28≤Zj<0.55时,待测样品为二级桃;当Zj<0.28时,待测样品为三级桃。
在上述桃品质的综合评价方法中,所述糖度、酸度、硬度和糖酸比的权重系数以及步骤(5)中的分级标准,是在大量实验和实践经验的基础上根据市场需要确定;在实际应用过程中,可根据市场需求的变化和客观情况进行微调。
本发明所述方法中,在计算振动光谱定量预测模型的模型系数时,所述R2、SD和RMSECV分别按照公式V、VI、VII进行计算;
所述公式V、VI和VII中,Yp为第p个训练集样本的预测值,为第p个训练集样本的参考值,YM为训练集样本评价指标参考值的平均值,q为训练集样本容量(即训练集样本总数)。所述公式V、VI中的YM和公式I中的YM的意义相同。
本发明所述方法中,训练集样本评价指标参考值是指:采用本发明所述的振动光谱以外的方法,测得训练集样本某项评价指标的具体数值,作为建立某项评价指标定量模型时的参考值。确定某项评价指标相应的参考值时,优选本领域最为常规、可靠、稳定的方法,以尽量确保所得参考值能够客观反映该项评价指标。
以果实可溶性固形物含量,即糖度为评价指标的定量预测模型中,训练集样品的参考值的确定方法为:用糖度仪检测果实汁液的折光度,获得果实糖度的参考值(单位为糖度单位,即白利度,Brix)。
以果实可滴定酸含量,即酸度为评价指标的定量预测模型中,训练集样品的参考值的确定方法为:用酸度仪检测果实汁液的电导率,获得果实酸度的参考值(单位为电导率单位,即西门子/米,S/m)。
以果实成熟度,即硬度为评价指标的定量预测模型中,训练集样品的参考值的确定方法为:用硬度计测量果实的硬度,获得果实硬度的参考值(单位为压强单位,即帕斯卡/平方厘米,Pa/cm2)。
以果实糖酸比,即糖酸比为评价指标的定量预测模型中,训练集样品的参考值的确定方法为:用所述果实可溶性固形物含量的参考值除以果实可滴定酸含量的参考值,获得果实糖酸比的参考值。
对于特定的农产品种植区域而言,不同年份收获的农产品综合品质的差异一般较小。因此,在长期应用本发明所述方法的过程中,可根据年份的变化对训练集样本的容量进行优化调整,在对模型进行校正、维护的同时,节约程序和成本。具体而言,在应用所述方法的第一年,在当年采集的待测样品中,可选择占其总数1~5%的典型样本作为训练集样本,建立模型;在其后的若干年内,仅需从当年采集的待测样品中选择占其总量0.1~0.5%的典型样本,与前一年的典型样本混合后作为训练集样本,建立模型,即可实现对定量预测模型的校正和维护。
本发明提出的农产品品质综合评价方法,可以充分考虑到农产品品质的多指标及多指标之间的相互影响,兼顾模型的预测性能,可以实现农产品品质更为科学、合理、全面、综合、准确、实用的分级。
附图说明
图1为本发明所述农产品品质综合评价方法流程示意图;
图2为本发明实施例1预测苹果综合评价值散点图;
图3为本发明实施例2预测梨综合评价值散点图;
图4为本发明实施例3预测桃综合评价值散点图。
具体实施方式
下面结合附图和实施例对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
以下各实施例中,训练集样品的糖度参考值的确定方法为:用糖度仪检测果实汁液的折光度,获得果实糖度的参考值(单位为糖度单位,即白利度,Brix);
训练集样品的酸度参考值的确定方法为:用酸度仪检测果实汁液的电导率,获得果实酸度的参考值(单位为电导率单位,即西门子/米,S/m);
训练集样品的硬度参考值的确定方法为:用硬度计测量果实的硬度,获得果实硬度的参考值(单位为压强单位,即帕斯卡/平方厘米,Pa/cm2);
训练集样品的糖酸比参考值的确定方法为:用所述果实可溶性固形物含量的参考值除以果实可滴定酸含量的参考值,获得果实糖酸比的参考值。
实施例1
以在相同条件下种植、同时收获的苹果作为待测样品,按照以下方法进行综合评价分级:
(1)确定评价指标为糖度、酸度、硬度以及糖酸比,设定各项评价指标的权重系数分别为K糖度=0.6,K酸度=0.3,K硬度=0.07,K糖酸比=0.03;
(2)采用棋盘格法选择与待测样品具有相同种植环境的相同品种的典型苹果样品作为训练集样本,训练集样本共375个,占待测样品的数量百分比为5%,以训练集样本的近红外吸收光谱数据为自变量、各项评价指标的评价值为因变量,采用偏最小二乘回归算法进行回归运算,建立各项评价指标的近红外吸收光谱定量预测模型,分别为:
Cj,糖度=(Xj-XM)×B糖度+YM,糖度I-1;
Cj,酸度=(Xj-XM)×B酸度+YM,酸度I-2;
Cj,硬度=(Xj-XM)×B硬度+YM,硬度I-3;
Cj,糖酸比=(Xj-XM)×B糖酸比+YM,糖酸比I-4;
所述模型I-1~I-4中,Cj为第j个待测样品的相应评价指标的预测值,Xj为第j个待测样品的近红外吸收光谱数据值,XM为训练集样本的近红外吸收光谱数据的平均值,B为相应评价指标的模型的回归系数,YM为训练集样本相应评价指标参考值的平均值;
(3)按照以下公式分别计算4个定量预测模型的模型系数;
所述公式II-1~II-4中,M代表相应评价指标的模型系数,R2代表相应评价指标的模型的测定系数,SD代表相应评价指标的训练集样本的样本标准差,RMSECV代表相应评价指标的模型交互验证均方根误差;
本实施例的模型相关参数如表1所示:
表1:苹果品质模型参数
糖度 | 酸度 | 硬度 | 糖酸比 | |
R2 | 0.8127 | 0.2743 | 0.4644 | 0.1610 |
样本标准差SD | 1.9 | 0.07 | 1.2 | 383.5 |
RMSECV | 0.90 | 0.06 | 1.10 | 359.32 |
M值 | 1.66 | 0.30 | 0.50 | 0.17 |
(4)采集每个待测样品(由于篇幅所限,本实施例仅从同批的大量待测样品中随机选择125个苹果作为待测样品)的近红外吸收光谱数据,分别代入各个定量预测模型获得预测值,并按照以下公式对所述预测值进行归一化处理;
所述公式III-1~III-4中,Cmin为相应评价指标的全部待测样品中的最小预测值,Cmax为相应评价指标的全部待测样品中的最大预测值,Cj为第j个待测样品相应评价指标的预测值,为第j个待测样品相应评价指标的归一化预测值;
(5)按以下公式分别计算每个待测苹果样品的综合评价值Zj:
以所得综合评价值Z为纵坐标,待测苹果样品序号为横坐标,绘制散点图,如附图2所示;在上阈值为0.8、下阈值为0.4的条件下,对125个待测苹果样品进行分级,综合评价值Z≥0.8的一级苹果数量为30,综合评价值0.4≤Z<0.8的二级苹果数量为85,综合评价值Z<0.4的三级苹果数量为10。
由此可见,本实施例提供的综合评价结果基本符合正态分布规律,是针对苹果品质的综合、全面、准确、科学、合理的分级结果。
实施例2
以在相同条件下种植、同时收获的梨作为待测样品,按照以下方法进行综合评价分级:
(1)确定评价指标为糖度、酸度、硬度以及糖酸比,设定各项评价指标的权重系数分别为K糖度=0.5,K酸度=0.3,K硬度=0.1,K糖酸比=0.1;
(2)采用棋盘格法选择与待测样品具有相同种植环境的相同品种的典型梨样品作为训练集样本,训练集样本共150个,占待测样品的数量百分比为4%,以训练集样本的近红外吸收光谱数据为自变量、各项评价指标的评价值为因变量,采用偏最小二乘回归算法进行回归运算,建立各项评价指标的近红外吸收光谱定量预测模型,分别为:
Cj,糖度=(Xj-XM)×B糖度+YM,糖度I-1;
Cj,酸度=(Xj-XM)×B酸度+YM,酸度I-2;
Cj,硬度=(Xj-XM)×B硬度+YM,硬度I-3;
Cj,糖酸比=(Xj-XM)×B糖酸比+YM,糖酸比I-4;
所述模型I-1~I-4中,Cj为第j个待测样品相应评价指标的预测值,Xj为第j个待测样品的近红外吸收光谱数据值,XM为训练集样本的近红外吸收光谱数据的平均值,B为相应评价指标的模型的回归系数,YM为训练集样本相应评价指标参考值的平均值;
(3)按照以下公式分别计算4个定量预测模型的模型系数;
所述公式II-1~II-4中,M代表相应评价指标的模型系数,R2代表相应评价指标的模型的测定系数,SD代表相应评价指标的训练集样本的样本标准差,RMSECV代表相应评价指标的模型交互验证均方根误差;
本实施例的模型相关参数如表2所示:
表2:梨品质模型参数
糖度 | 酸度 | 硬度 | 糖酸比 | |
R2 | 0.7621 | 0.7932 | 0.3550 | 0.9173 |
样本标准差SD | 1.6 | 0.03 | 0.7 | 83.6 |
RMSECV | 0.94 | 0.02 | 0.57 | 52.92 |
M值 | 1.29 | 1.12 | 0.42 | 1.45 |
(4)采集每个待测样品(由于篇幅所限,本实施例仅从同批的大量待测样品中随机选择48个梨作为待测样品)的近红外吸收光谱数据,分别代入各个定量预测模型获得预测值,并按照以下公式对所述预测值进行归一化处理;
所述公式III-1~III-4中,Cmin为相应评价指标的全部待测样品中的最小预测值,Cmax为相应评价指标的全部待测样品中的最大预测值,Cj为第j个待测样品相应评价指标的预测值,为第j个待测样品相应评价指标的归一化预测值;
(5)按以下公式分别计算待测梨样品各自的综合评价值Zj:
以所得综合评价值Z为纵坐标,待测梨样品序号为横坐标,绘制散点图,如附图3所示;在上阈值为0.7、下阈值为0.4的条件下,对48个待测梨样品进行分级,综合评价值Z≥0.7的一级梨样品数量为7,综合评价值0.4≤Z<0.7的二级梨样品数量为29,综合评价值Z<0.4的三级梨样品数量为12。
由此可见,本实施例提供的综合评价结果基本符合正态分布规律,是针对梨品质的综合、全面、准确、科学、合理的分级结果。
实施例3
以在相同条件下种植、同时收获的桃作为待测样品,按照以下方法进行综合评价分级:
(1)确定评价指标为糖度、酸度、硬度以及糖酸比,设定各项评价指标的权重系数分别为K糖度=0.6,K酸度=0.2,K硬度=0.15,K糖酸比=0.05;
(2)采用棋盘格法选择与待测样品具有相同种植环境的相同品种的典型梨样品作为训练集样本,训练集样本共540个,占待测样品的数量百分比为5%,以训练集样本的近红外吸收光谱数据为自变量、各项评价指标的评价值为因变量,采用偏最小二乘回归算法进行回归运算,建立各项评价指标的近红外吸收光谱定量预测模型,分别为:
Cj,糖度=(Xj-XM)×B糖度+YM,糖度I-1;
Cj,酸度=(Xj-XM)×B酸度+YM,酸度I-2;
Cj,硬度=(Xj-XM)×B硬度+YM,硬度I-3;
Cj,糖酸比=(Xj-XM)×B糖酸比+YM,糖酸比I-4;
所述模型I-1~I-4中,Cj为第j个待测样品相应评价指标的预测值,Xj为第j个待测样品的近红外吸收光谱数据值,XM为训练集样本的近红外吸收光谱数据的平均值,B为相应评价指标的模型的回归系数,YM为训练集样本相应评价指标参考值的平均值;
(3)按照以下公式分别计算4个定量预测模型的模型系数;
所述公式II-1~II-4中,M代表相应评价指标的模型系数,R2代表相应评价指标的模型的测定系数,SD代表相应评价指标的训练集样本的标准差,RMSECV代表相应评价指标的模型交互验证均方根误差;
本实施例的模型相关参数如表3所示:
表3:桃品质模型参数
糖度 | 酸度 | 硬度 | 糖酸比 | |
R2 | 0.6566 | 0.6132 | 0.6192 | 0.0912 |
样本标准差SD | 1.5 | 0.16 | 2.7 | 69.6 |
RMSECV | 0.92 | 0.11 | 1.82 | 59.91 |
M值 | 1.05 | 0.90 | 0.92 | 0.11 |
(4)采集每个待测样品(由于篇幅所限,本实施例仅从同批的大量待测样品中随机选择180个桃作为待测样品)的近红外吸收光谱数据,分别代入各个定量预测模型获得预测值,并按照以下公式对所述预测值进行归一化处理;
所述公式III-1~III-4中,Cmin为相应评价指标的全部待测样品中的最小预测值,Cmax为相应评价指标的全部待测样品中的最大预测值,Cj为第j个待测样品相应评价指标的预测值,为第j个待测样品相应评价指标的归一化预测值;
(5)按以下公式分别计算待测桃样品各自的综合评价值Zj:
以所得综合评价值Z为纵坐标,待测桃样品序号为横坐标,绘制散点图,如附图4所示;在上阈值为0.55,下阈值为0.28的条件下,对180个待测桃样品进行分级,综合评价值Z≥0.55的桃样品数量为37,综合评价值0.28≤Z<0.55的桃样品数量为121,综合评价值Z<0.28的桃样品数量为22。
由此可见,本实施例提供的综合评价结果基本符合正态分布规律,是针对桃品质的综合、全面、准确、科学、合理的分级结果。
虽然,上文中已经用一般性说明、具体实施方式及试验,对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种农产品品质的综合评价方法,其特征在于,所述方法包括以下步骤:
(1)确定n项评价指标,并设定各项评价指标的权重系数Ki,其中,i=1,2,…,n-1,n;所述n项评价指标的权重系数之和等于1;
(2)选择与待测农产品具有相同种植环境的同品种典型样品作为训练集样本,以训练集样本的振动光谱数据为自变量、各项评价指标的评价值为因变量,进行回归运算,建立各项评价指标的振动光谱定量预测模型;
第i项评价指标的振动光谱定量预测模型如公式I所示:
Cj,i=(Xj-XM)×Bi+YM,iI;
所述公式I中,Cj,i为第j个待测样品的预测值,Xj为第j个待测样品的近红外光谱数据值,XM为训练集样本的近红外吸收光谱数据的平均值,Bi为模型的回归系数,YM,i为训练集样本评价指标参考值的平均值;
(3)按照公式II计算各个振动光谱定量预测模型的第i项评价指标的模型系数Mi;
所述公式II中,R2 i代表模型的测定系数,SDi代表训练集样本的样本标准差,RMSECVi代表模型交互验证均方根误差;
(4)采集每个待测样品的振动光谱数据,分别代入各个振动光谱定量预测模型获得预测值,并对所述预测值进行归一化处理;
对于第i项评价指标的振动光谱定量预测模型而言,第j个待测样品的归一化预测值按照公式III计算:
所述公式III中,Cj,i为第j个待测样品的预测值,Cmin,i为第i项评价指标的全部待测样品中的最小预测值,Cmax,i为第i项评价指标的全部待测样品中的最大预测值;
(5)按照公式IV计算第j个待测样品的综合评价值Zj,根据综合评价值的大小对全部待测样品进行分级;
2.根据权利要求1所述的方法,其特征在于,步骤(1)所述评价指标根据农产品的固有特性确定;各项评价指标的权重系数根据市场对所述固有特性的需求程度设定。
3.根据权利要求1或2所述的方法,其特征在于,步骤(2)所述训练集样本数占待测样品总数的百分比为0.1~5%;
所述训练集样本的选择方法为:在待测样品的种植区域内,采集客观反映待测样品总体特性的典型样本作为训练集样本;
所述训练集样本的选择方法优选为棋盘格法,具体为:将待测样品的种植区域均匀划分成形如棋盘方格的区域单元,在每个区域单元内随机采集一个样本作为训练集样本;所述区域单元的个数与训练集样本容量相等。
4.根据权利要求1~3任意一项所述方法,其特征在于,所述振动光谱包括近红外光谱、中红外光谱、拉曼光谱、太赫兹光谱;所述振动光谱的数据表现形式包括吸收谱、吸收系数谱、透过率谱、时域谱、折射率谱。
所述振动光谱优选为近红外吸收光谱。
5.根据权利要求1~4任意一项所述方法,其特征在于,所述农产品为水果,优选为苹果、梨、桃;
所述评价指标分别为:糖度、酸度、硬度和糖酸比。
6.一种苹果品质的综合评价方法,其特征在于,所述方法包括以下步骤:
(1)确定评价指标为糖度、酸度、硬度以及糖酸比,设定各项评价指标的权重系数分别为K糖度=0.6,K酸度=0.3,K硬度=0.07,K糖酸比=0.03;
(2)采用棋盘格法选择与待测样品具有相同种植环境的同品种典型苹果样品作为训练集样本,所述训练集样本数占待测样品总数的百分比为0.1~5%;以训练集样本的近红外吸收光谱数据为自变量、各项评价指标的评价值为因变量,采用偏最小二乘回归算法进行回归运算,建立各项评价指标的近红外吸收光谱定量预测模型,分别为:
Cj,糖度=(Xj-XM)×B糖度+YM,糖度I-1;
Cj,酸度=(Xj-XM)×B酸度+YM,酸度I-2;
Cj,硬度=(Xj-XM)×B硬度+YM,硬度I-3;
Cj,糖酸比=(Xj-XM)×B糖酸比+YM,糖酸比I-4;
所述模型I-1~I-4中,Cj为第j个待测样品的相应评价指标的预测值,Xj为第j个待测样品的近红外吸收光谱数据值,XM为训练集样本的近红外吸收光谱数据的平均值,B为相应评价指标的模型的回归系数,YM为训练集样本相应评价指标参考值的平均值;
(3)按照以下公式分别计算4个定量预测模型的模型系数;
所述公式II-1~II-4中,M代表相应评价指标的模型系数,R2代表相应评价指标的模型的测定系数,SD代表相应评价指标的训练集样本的样本标准差,RMSECV代表相应评价指标的模型交互验证均方根误差;
(4)采集每个待测样品的近红外吸收光谱数据,分别代入各个定量预测模型获得预测值,并按照以下公式对所述预测值进行归一化处理;
所述公式III-1~III-4中,Cmin为相应评价指标的全部待测样品中的最小预测值,Cmax为相应评价指标的全部待测样品中的最大预测值,Cj为第j个待测样品相应评价指标的预测值,为第j个待测样品相应评价指标的归一化预测值;
(5)按照公式IV计算每个待测样品的综合评价值Zj:
根据所述综合评价值的大小对全部待测样品进行分级:当Zj≥0.8时,待测样品为一级苹果;当0.4≤Zj<0.8时,待测样品为二级苹果;当Zj<0.4时,待测样品为三级苹果。
7.一种梨品质的综合评价方法,其特征在于,所述方法包括以下步骤:
(1)确定评价指标为糖度、酸度、硬度以及糖酸比,设定各项评价指标的权重系数分别为K糖度=0.5,K酸度=0.3,K硬度=0.1,K糖酸比=0.1;
(2)采用棋盘格法选择与待测样品具有相同种植环境的同品种典型梨样品作为训练集样本,所述训练集样本数占待测样品总数的百分比为0.1~5%;以训练集样本的近红外吸收光谱数据为自变量、各项评价指标的评价值为因变量,采用偏最小二乘回归算法进行回归运算,建立各项评价指标的近红外吸收光谱定量预测模型,分别为:
Cj,糖度=(Xj-XM)×B糖度+YM,糖度I-1;
Cj,酸度=(Xj-XM)×B酸度+YM,酸度I-2;
Cj,硬度=(Xj-XM)×B硬度+YM,硬度I-3;
Cj,糖酸比=(Xj-XM)×B糖酸比+YM,糖酸比I-4;
所述模型I-1~I-4中,Cj为第j个待测样品相应评价指标的预测值,Xj为第j个待测样品的近红外吸收光谱数据值,XM为训练集样本的近红外吸收光谱数据的平均值,B为相应评价指标的模型的回归系数,YM为训练集样本相应评价指标参考值的平均值;
(3)按照以下公式分别计算4个定量预测模型的模型系数;
所述公式II-1~II-4中,M代表相应评价指标的模型系数,R2代表相应评价指标的模型的测定系数,SD代表相应评价指标的训练集样本的样本标准差,RMSECV代表相应评价指标的模型交互验证均方根误差;
(4)采集每个待测样品的近红外吸收光谱数据,分别代入各个定量预测模型获得预测值,并按照以下公式对所述预测值进行归一化处理;
所述公式III-1~III-4中,Cmin为相应评价指标的全部待测样品中的最小预测值,Cmax为相应评价指标的全部待测样品中的最大预测值,Cj为第j个待测样品相应评价指标的预测值,为第j个待测样品相应评价指标的归一化预测值;
(5)按照公式IV计算每个待测样品的综合评价值Zj:
根据所述综合评价值的大小对全部待测样品进行分级:当Zj≥0.7时,待测样品为一级梨;当0.4≤Zj<0.7时,待测样品为二级梨;当Zj<0.4时,待测样品为三级梨。
8.一种桃品质的综合评价方法,其特征在于,所述方法包括以下步骤:
(1)确定评价指标为糖度、酸度、硬度以及糖酸比,设定各项评价指标的权重系数分别为K糖度=0.6,K酸度=0.2,K硬度=0.15,K糖酸比=0.05;
(2)采用棋盘格法选择与待测样品具有相同种植环境的同品种典型桃样品作为训练集样本,所述训练集样本数占待测样品总数的百分比为0.1~5%;以训练集样本的近红外吸收光谱数据为自变量、各项评价指标的评价值为因变量,采用偏最小二乘回归算法进行回归运算,建立各项评价指标的近红外吸收光谱定量预测模型,分别为:
Cj,糖度=(Xj-XM)×B糖度+YM,糖度I-1;
Cj,酸度=(Xj-XM)×B酸度+YM,酸度I-2;
Cj,硬度=(Xj-XM)×B硬度+YM,硬度I-3;
Cj,糖酸比=(Xj-XM)×B糖酸比+YM,糖酸比I-4;
所述模型I-1~I-4中,Cj为第j个待测样品相应评价指标的预测值,Xj为第j个待测样品的近红外吸收光谱数据值,XM为训练集样本的近红外吸收光谱数据的平均值,B为相应评价指标的模型的回归系数,YM为训练集样本相应评价指标参考值的平均值;
(3)按照以下公式分别计算4个定量预测模型的模型系数;
所述公式II-1~II-4中,M代表相应评价指标的模型系数,R2代表相应评价指标的模型的测定系数,SD代表相应评价指标的训练集样本的标准差,RMSECV代表相应评价指标的模型交互验证均方根误差;
(4)采集每个待测样品的近红外吸收光谱数据,分别代入各个定量预测模型获得预测值,并按照以下公式对所述预测值进行归一化处理;
所述公式III-1~III-4中,Cmin为相应评价指标的全部待测样品中的最小预测值,Cmax为相应评价指标的全部待测样品中的最大预测值,Cj为第j个待测样品相应评价指标的预测值,为第j个待测样品相应评价指标的归一化预测值;
(5)按照公式IV计算每个待测样品的综合评价值Zj:
根据所述综合评价值的大小对全部待测样品进行分级:当Zj≥0.55时,待测样品为一级桃;当0.28≤Zj<0.55时,待测样品为二级桃;当Zj<0.28时,待测样品为三级桃。
9.根据权利要求1~8任意一项所述的方法,其特征在于,计算振动光谱定量预测模型的模型系数时,所述R2、SD和RMSECV分别按照公式V、VI、VII进行计算;
所述公式V、VI和VII中,Yp为第p个训练集样本的预测值,为第p个训练集样本的参考值,YM为训练集样本评价指标参考值的平均值,q为训练集样本容量。
10.根据权利要求5~9任意一项所述的方法,其特征在于,以糖度为评价指标的定量预测模型中,训练集样品参考值的确定方法为:用糖度仪检测果实汁液的折光度,获得果实糖度的参考值;
以酸度为评价指标的定量预测模型中,训练集样品参考值的确定方法为:用酸度仪检测果实汁液的电导率,获得果实酸度的参考值;
以硬度为评价指标的定量预测模型中,训练集样品参考值的确定方法为:用硬度计测量果实的硬度,获得果实硬度的参考值;
以糖酸比为评价指标的定量预测模型中,训练集样品参考值的确定方法为:用所述果实糖度的参考值除以果实酸度的参考值,获得果实糖酸比的参考值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610009637.6A CN105675539B (zh) | 2016-01-07 | 2016-01-07 | 一种农产品品质综合评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610009637.6A CN105675539B (zh) | 2016-01-07 | 2016-01-07 | 一种农产品品质综合评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105675539A true CN105675539A (zh) | 2016-06-15 |
CN105675539B CN105675539B (zh) | 2019-05-10 |
Family
ID=56299363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610009637.6A Active CN105675539B (zh) | 2016-01-07 | 2016-01-07 | 一种农产品品质综合评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105675539B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372454A (zh) * | 2016-11-28 | 2017-02-01 | 贵州大学 | 一种评定鸭肉质评定的评估方法 |
CN106548480A (zh) * | 2016-12-23 | 2017-03-29 | 蚌埠学院 | 一种基于机器视觉的农产品体积快速测量装置及测量方法 |
CN107064047A (zh) * | 2017-03-02 | 2017-08-18 | 兰州大学 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
CN108507972A (zh) * | 2018-04-11 | 2018-09-07 | 江南大学 | 一种基于距离度量和半监督学习的近红外光谱跨年份苹果糖度预测方法 |
CN108700852A (zh) * | 2017-01-27 | 2018-10-23 | 三菱日立电力系统株式会社 | 模型参数值推定装置及推定方法、程序、记录有程序的记录介质、模型参数值推定系统 |
CN109242341A (zh) * | 2018-09-29 | 2019-01-18 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测果汁综合品质的方法 |
CN109325626A (zh) * | 2018-09-29 | 2019-02-12 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测干制品综合品质的方法 |
CN109839358A (zh) * | 2019-01-22 | 2019-06-04 | 北京农业质量标准与检测技术研究中心 | 农产品品质分析方法及装置 |
CN110320333A (zh) * | 2019-05-07 | 2019-10-11 | 西北农林科技大学 | 一种基于多种苹果品质指标的可视化评定方法 |
CN113125649A (zh) * | 2021-04-14 | 2021-07-16 | 中国人民解放军火箭军工程大学 | 推进剂固体吸附剂吸附性能检测装置及综合性能检测方法 |
WO2022188319A1 (zh) * | 2021-03-10 | 2022-09-15 | 浙江大学 | 一种指导枇杷销售策略的枇杷果实品质评价及预测方法 |
CN115205063A (zh) * | 2022-07-11 | 2022-10-18 | 江西绿萌科技控股有限公司 | 一种基于抽样数据和行业标准的水果综合品质评判方法 |
US11687862B2 (en) | 2021-03-10 | 2023-06-27 | Zhejiang University | Method for guiding sales strategy of loquat fruits by evaluating and predicting quality of loquat fruits |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01301147A (ja) * | 1988-05-28 | 1989-12-05 | Mitsui Mining & Smelting Co Ltd | 青果物の品質測定法およびその装置 |
CN101949834A (zh) * | 2010-08-02 | 2011-01-19 | 扬州福尔喜果蔬汁机械有限公司 | 水果内部品质检测分级方法 |
CN102519906A (zh) * | 2011-12-19 | 2012-06-27 | 中国农业大学 | 多通道近红外光谱牛肉品质多参数同时检测方法 |
CN104034691A (zh) * | 2014-05-13 | 2014-09-10 | 齐齐哈尔大学 | 一种甜菜品质的快速检测方法 |
CN104062263A (zh) * | 2014-07-11 | 2014-09-24 | 中国农业大学 | 光物性相近水果品质指标的近红外通用模型检测方法 |
-
2016
- 2016-01-07 CN CN201610009637.6A patent/CN105675539B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01301147A (ja) * | 1988-05-28 | 1989-12-05 | Mitsui Mining & Smelting Co Ltd | 青果物の品質測定法およびその装置 |
CN101949834A (zh) * | 2010-08-02 | 2011-01-19 | 扬州福尔喜果蔬汁机械有限公司 | 水果内部品质检测分级方法 |
CN102519906A (zh) * | 2011-12-19 | 2012-06-27 | 中国农业大学 | 多通道近红外光谱牛肉品质多参数同时检测方法 |
CN104034691A (zh) * | 2014-05-13 | 2014-09-10 | 齐齐哈尔大学 | 一种甜菜品质的快速检测方法 |
CN104062263A (zh) * | 2014-07-11 | 2014-09-24 | 中国农业大学 | 光物性相近水果品质指标的近红外通用模型检测方法 |
Non-Patent Citations (3)
Title |
---|
公丽艳等: "基于主成分与聚类分析的苹果加工品质评价", 《农业工程学报》 * |
袁明洋等: "8种含碳酸盐的矿物类中药近红外定性定量模型的建立", 《中国中药杂志》 * |
马玉娟等: "陕西洛川富士鲜苹果品质综合评价及分级体系的构建", 《食品科学》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106372454A (zh) * | 2016-11-28 | 2017-02-01 | 贵州大学 | 一种评定鸭肉质评定的评估方法 |
CN106548480A (zh) * | 2016-12-23 | 2017-03-29 | 蚌埠学院 | 一种基于机器视觉的农产品体积快速测量装置及测量方法 |
CN106548480B (zh) * | 2016-12-23 | 2023-05-26 | 蚌埠学院 | 一种基于机器视觉的农产品体积快速测量装置及测量方法 |
CN108700852A (zh) * | 2017-01-27 | 2018-10-23 | 三菱日立电力系统株式会社 | 模型参数值推定装置及推定方法、程序、记录有程序的记录介质、模型参数值推定系统 |
CN107064047A (zh) * | 2017-03-02 | 2017-08-18 | 兰州大学 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
CN108507972A (zh) * | 2018-04-11 | 2018-09-07 | 江南大学 | 一种基于距离度量和半监督学习的近红外光谱跨年份苹果糖度预测方法 |
CN108507972B (zh) * | 2018-04-11 | 2020-07-24 | 江南大学 | 一种基于距离度量和半监督学习的近红外光谱跨年份苹果糖度预测方法 |
CN109242341A (zh) * | 2018-09-29 | 2019-01-18 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测果汁综合品质的方法 |
CN109325626A (zh) * | 2018-09-29 | 2019-02-12 | 中国农业科学院农产品加工研究所 | 基于苹果原料指标预测干制品综合品质的方法 |
CN109839358B (zh) * | 2019-01-22 | 2021-08-10 | 北京农业质量标准与检测技术研究中心 | 农产品品质分析方法及装置 |
CN109839358A (zh) * | 2019-01-22 | 2019-06-04 | 北京农业质量标准与检测技术研究中心 | 农产品品质分析方法及装置 |
CN110320333A (zh) * | 2019-05-07 | 2019-10-11 | 西北农林科技大学 | 一种基于多种苹果品质指标的可视化评定方法 |
WO2022188319A1 (zh) * | 2021-03-10 | 2022-09-15 | 浙江大学 | 一种指导枇杷销售策略的枇杷果实品质评价及预测方法 |
US11687862B2 (en) | 2021-03-10 | 2023-06-27 | Zhejiang University | Method for guiding sales strategy of loquat fruits by evaluating and predicting quality of loquat fruits |
CN113125649B (zh) * | 2021-04-14 | 2022-12-27 | 中国人民解放军火箭军工程大学 | 推进剂固体吸附剂吸附性能检测装置及综合性能检测方法 |
CN113125649A (zh) * | 2021-04-14 | 2021-07-16 | 中国人民解放军火箭军工程大学 | 推进剂固体吸附剂吸附性能检测装置及综合性能检测方法 |
CN115205063A (zh) * | 2022-07-11 | 2022-10-18 | 江西绿萌科技控股有限公司 | 一种基于抽样数据和行业标准的水果综合品质评判方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105675539B (zh) | 2019-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105675539A (zh) | 一种农产品品质综合评价方法 | |
Walsh et al. | The uses of near infra-red spectroscopy in postharvest decision support: A review | |
CN107464020B (zh) | 一种米制品加工原料快速筛选方法 | |
Xin et al. | Multi-scale evaluation of light use efficiency in MODIS gross primary productivity for croplands in the Midwestern United States | |
CN102305772A (zh) | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 | |
CN104376434B (zh) | 卷烟多点加工质量的综合评价方法 | |
CN102735642A (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
CN105136737A (zh) | 基于近红外光谱的馒头中马铃薯全粉含量快速测定的方法 | |
CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
Torres et al. | LOCAL regression applied to a citrus multispecies library to assess chemical quality parameters using near infrared spectroscopy | |
CN104597217A (zh) | 一种基于成熟规律的水果成熟度评价方法 | |
CN106290240A (zh) | 一种基于近红外光谱分析技术对酵母菌生长曲线测定的方法 | |
dos Santos et al. | Use of allometric models to estimate leaf area in Hymenaea courbaril L. | |
CN106384256A (zh) | 基于指标体系动态变化的供电服务满意度动态测评系统 | |
CN104807777A (zh) | 一种基于近红外光谱分析技术的槟榔水分含量快速检测方法 | |
CN105608296B (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
Chen et al. | Prediction of milled rice grades using Fourier transform near-infrared spectroscopy and artificial neural networks | |
Gaudin et al. | A water stress index based on water balance modelling for discrimination of grapevine quality and yield | |
Crookston et al. | Relationships of on‐farm soil health scores with corn and soybean yield in the midwestern United States | |
CN101620195A (zh) | 一种气味传感器检测次郎甜柿内部品质的方法 | |
CN109752487A (zh) | 冬小麦叶片氮素含量预估方法及装置 | |
Menefee et al. | Simulation of dryland maize growth and evapotranspiration using DSSAT‐CERES‐Maize model | |
Panda et al. | Physical characterization and mass modeling of Kendu (Diospyros melanoxylon Roxb.) fruit | |
CN103913425B (zh) | 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法 | |
CN101226146A (zh) | 基于多光谱散射图像的苹果硬度预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230629 Address after: Room 407, Room 26-19, 4th Floor, Building 26, Anzhenli Third District, Chaoyang District, Beijing, 100020 Patentee after: Neil soft technology (Beijing) Co.,Ltd. Address before: Room 1011, Seed Building, Beijing Academy of Agriculture and Forestry, No. 9 Shuguang Garden Middle Road, Haidian District, Beijing, 100097 Patentee before: BEIJING ACADEMY OF AGRICULTURE AND FORESTRY SCIENCES |