CN105866043A - 一种利用高光谱技术检测苹果酸味的方法 - Google Patents
一种利用高光谱技术检测苹果酸味的方法 Download PDFInfo
- Publication number
- CN105866043A CN105866043A CN201610389810.XA CN201610389810A CN105866043A CN 105866043 A CN105866043 A CN 105866043A CN 201610389810 A CN201610389810 A CN 201610389810A CN 105866043 A CN105866043 A CN 105866043A
- Authority
- CN
- China
- Prior art keywords
- data
- mali pumilae
- fructus mali
- sample
- tart flavour
- 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.)
- Pending
Links
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/025—Fruits or vegetables
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种利用高光谱技术检测苹果酸味的方法,包括如下步骤:通过高光谱分选仪获取苹果样本的高光谱数据;并通过电子舌获取所述苹果样本的相应的味觉数据;选择中间的480个波段作为原始光谱数据,对其进行预处理后进行偏最小二乘回归建模分析,得出校正集和预测集相关系数R和均方根误差RMSE,选取18个局部相关系数的极大值和极小值所对应波段值作为特征波段建立苹果酸味预测模型。本发明利用高光谱技术检测苹果酸味指标的研究方法,通过将高光谱数据和电子舌测量的数据建立特征波段偏最小二乘回归模型,为后续的检测提供模板,具有方法科学合理,便于操作,味觉准确率高等优点。
Description
技术领域
本发明涉及一种利用高光谱技术检测苹果酸味的方法。
背景技术
在购买水果时,消费者不仅重视其外形,而且对于其内部品质也越来越在乎,内部品质主要指标包括糖度、酸度、水分、可溶性固体物、脆度、硬度以及水果口感等。在检测水果内部品质时,主要方法有:
1、光谱法,可对物体内部物理结构及化学成分进行分析。
2、介电特性检测技术,用测试仪测定待测水果的实际介电参数,由介电参数来检测水果的内外部品质。
3、声学特性检测技术,水果在声波中对声波进行反射(也包括透射和散射)时,它的一些特征参数与它原本的频率有很大的关系,不同水果的内部组织会呈现出不同的声学特性,通过这些声学特性寻找出与水果品质如糖度、坚实度、肉质颜色、纹理、成熟度之间的关系,从而进行检测与分级。
4、力学特性检测技术,可实现无损检测,检测参数是水果的软硬、口感是否甜脆等。
苹果的酸味是消费者最重要的口感指标之一,目前尚未有合适的方法能够无算检测苹果酸味,因此,亟需发展一种快速、无损、高效的检测方法来检测苹果酸味品质。
发明内容
为解决上述问题,本发明提供了一种利用高光谱技术检测苹果酸味的方法。
为实现上述目的,本发明采取的技术方案为:
一种利用高光谱技术检测苹果酸味的方法,包括如下步骤:
S1、通过高光谱分选仪获取12个苹果样本的高光谱数据,对每一个苹果分别选取上、下、左、右、中5个感兴趣区域,然后求5个感兴趣区域的平均光谱作为该样本的光谱数据;并通过电子舌获取所述苹果样本的相应的味觉数据;
S2、选择中间的480个波段作为原始光谱数据,并对所得的原始光谱依次进行多元散射校正(MSC)、Savitzky-Golay(S-G)卷积平滑和MSC+S-G的光谱预处理;
S3、对预处理后的光谱进行偏最小二乘回归(PLSR)建模分析,得出校正集和预测集相关系数R和均方根误差RMSE;
S4、选取18个局部相关系数的极大值和极小值所对应波段值作为特征波段,依次是422nm、435nm、456nm、478nm、492nm、523nm、527nm、571nm、660nm、680nm、695nm、722nm、874nm、891nm、941nm、976nm、992nm和1003nm建立苹果酸味预测模型。
其中,所述步骤S2采用The Unscrambler Startup9.7软件建立特征波段偏最小二乘回归(PLSR)模型。
其中,所述步骤S1中味觉数据具体通过以下步骤获取:
将所述苹果样本进行研磨榨汁,分别称取30ml果汁,倒入60ml蒸馏水,一分钟后,充分混合,放入离心机3000rpm离心10分钟,取上层清液,得到2个样本溶液待检;每份待检测样品用电子舌测量6次,每次测量结束后电子舌自动清洗,直到2个待测样品全部测量完毕,每一个样本获得6个数据,共12个数据,测完一组苹果样本后,进行下一次测量;重复上述步骤,完成其余6组苹果的检测,共得72组苹果酸味数据,与高光谱数据相对应。
本发明具有以下有益效果:
利用高光谱技术检测苹果口感指标(酸味)的研究方法,将高光谱数据和电子舌测量的数据运用The Unscrambler Startup9.7软件建立特征波段偏最小二乘回归(PLSR)模型,为后续的检测提供模板,具有方法科学合理,便于操作,味觉准确率高等优点。
附图说明
图1为本发明实施例中苹果酸味与光谱反射值的回归曲线图。
图2为本发明实施例中酸味PLSR训练结果示意图。
图3为本发明实施例中样本酸味模型预测结果示意图。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
以下实施例中,所使用的高光谱(380-1038nm)分选仪选用是北京卓立汉光仪器有限公司提供的GaiaSorter“盖亚”型号;所使用的电子舌选用是日本Insent公司提供的SA402B型号,所使用的数据预处理和建模软件选用是The Unscrambler Startup9.7型号。
实施例
对12个苹果样本通过高光谱分选仪获得其高光谱数据,对一个苹果分别选取上、下、左、右、中5个感兴趣区域(每个感兴趣区域大小大约为100像素点),然后求5个感兴趣区域的平均光谱作为该样本的光谱数据,对一个苹果样本反复进行6次,获得6个光谱数据,共72组数据。
对于72个样本数据,根据校正集和预测集样本数3∶1的原则,54个作为校正集,18个作为预测集。为了确保试验校正集和预测集更加具有代表性,本文采用每隔3个样本就选择1个样本为预测集的方法,并确保最大与最小值都在校正集中。选择中间的480个波段作为原始光谱数据,同样对原始光谱数据做了MSC、S-G卷积平滑和MSC+S-G处理。对三种预处理后的光谱进行偏最小二乘回归(PLSR)建模分析,得出校正集和预测集相关系数R和均方根误差RMSE。其结果统计如表1。
表1酸味光谱预处理PLSR模型结果
由上表可以看出,对酸味进行PLSR建模效果最好的是MSC预处理方法,其相关系数达到0.9530,预测集均方根误差为0.7575。
对苹果酸味与预处理后得到的光谱反射值进行对比和回归分析,选取局部相关系数波峰和波谷所对应的波段值作为特征波段。苹果酸味与预处理后得到的光谱反射值的回归曲线如图1所示。
选择18个局部相关系数极大值和极小值作为特征波段,分别是422nm、435nm、456nm、478nm、492nm、523nm、527nm、571nm、660nm、680nm、695nm、722nm、874nm、891nm、941nm。976nm、992nm和1003nm建立苹果酸味预测模型,酸味模型训练结果中校正集的相关系数为0.9439,校正均方根误差为0.9543。结果如图2所示。
特征波段下建立偏最小二乘模型,预测集的相关系数为0.9700,预测均方根误差为0.8587,说明该模型效果比较好,预测集中真实值与预测值统计数据见表2,相对误差绝对值的平均值为0.042189。
表2真实值与预测值统计表
通过特征波段下的光谱反射率可以评价出苹果的酸味,18个样本的预测模型结果如图3。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种利用高光谱技术检测苹果酸味的方法,其特征在于,包括如下步骤:
S1、通过高光谱分选仪获取12个苹果样本的高光谱数据,对每一个苹果分别选取上、下、左、右、中5个感兴趣区域,然后求5个感兴趣区域的平均光谱作为该样本的光谱数据;并通过电子舌获取所述苹果样本的相应的味觉数据;
S2、选择中间的480个波段作为原始光谱数据,并对所得的原始光谱依次进行多元散射校正(MSC)、Savitzky-Golay(S-G)卷积平滑和MSC+S-G的光谱预处理;
S3、对预处理后的光谱进行偏最小二乘回归(PLSR)建模分析,得出校正集和预测集相关系数R和均方根误差RMSE;
S4、选取18个局部相关系数的极大值和极小值所对应波段值作为特征波段,依次是422nm、435nm、456nm、478nm、492nm、523nm、527nm、571nm、660nm、680nm、695nm、722nm、874nm、891nm、941nm、976nm、992nm和1003nm建立苹果酸味预测模型。
2.根据权利要求1所述的一种利用高光谱技术检测苹果酸味的方法,其特征在于,所述步骤S2采用The Unscrambler Startup9.7软件建立特征波段偏最小二乘回归(PLSR)模型。
3.根据权利要求1所述的一种利用高光谱技术检测苹果酸味的方法,其特征在于,所述步骤S1中味觉数据具体通过以下步骤获取:
将所述苹果样本进行研磨榨汁,分别称取30ml果汁,倒入60ml蒸馏水,一分钟后,充分混合,放入离心机3000rpm离心10分钟,取上层清液,得到2个样本溶液待检;每份待检测样品用电子舌测量6次,每次测量结束后电子舌自动清洗,直到2个待测样品全部测量完毕,每一个样本获得6个数据,共12个数据,测完一组苹果样本后,进行下一次测量;重复上述步骤,完成其余6组苹果的检测,共得72组苹果酸味数据,与高光谱数据相对应。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610389810.XA CN105866043A (zh) | 2016-06-06 | 2016-06-06 | 一种利用高光谱技术检测苹果酸味的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610389810.XA CN105866043A (zh) | 2016-06-06 | 2016-06-06 | 一种利用高光谱技术检测苹果酸味的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105866043A true CN105866043A (zh) | 2016-08-17 |
Family
ID=56676332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610389810.XA Pending CN105866043A (zh) | 2016-06-06 | 2016-06-06 | 一种利用高光谱技术检测苹果酸味的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105866043A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108760655A (zh) * | 2018-04-28 | 2018-11-06 | 东北电力大学 | 一种苹果味觉图谱信息可视化方法 |
CN109145685A (zh) * | 2017-06-19 | 2019-01-04 | 南京农业大学 | 基于集成学习的果蔬高光谱品质检测方法 |
CN109991209A (zh) * | 2019-04-09 | 2019-07-09 | 广东博智林机器人有限公司 | 基于激光诱导击穿光谱识别味道的方法及电子舌 |
CN113836784A (zh) * | 2021-07-23 | 2021-12-24 | 塔里木大学 | 一种基于信息融合技术的苹果鉴别系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021478A (zh) * | 2007-02-13 | 2007-08-22 | 江西农业大学 | 一种水果品质的激光诱导荧光高光谱图像检测方法和装置 |
CN102033043A (zh) * | 2010-10-19 | 2011-04-27 | 浙江大学 | 基于高光谱图像技术的粮粒含水率检测方法 |
CN105203464A (zh) * | 2015-08-28 | 2015-12-30 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中油酸含量分布的方法 |
-
2016
- 2016-06-06 CN CN201610389810.XA patent/CN105866043A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021478A (zh) * | 2007-02-13 | 2007-08-22 | 江西农业大学 | 一种水果品质的激光诱导荧光高光谱图像检测方法和装置 |
CN102033043A (zh) * | 2010-10-19 | 2011-04-27 | 浙江大学 | 基于高光谱图像技术的粮粒含水率检测方法 |
CN105203464A (zh) * | 2015-08-28 | 2015-12-30 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中油酸含量分布的方法 |
Non-Patent Citations (5)
Title |
---|
宫元娟 等: "寒富苹果品质无损检测光谱信息在线分析", 《沈阳农业大学学报》 * |
胡广大: "《传感器与测试技术》", 31 December 2013, 中央广播电视大学出版社 * |
舒静 等: "不同品牌食醋味感特征的电子舌分析", 《中国调味品》 * |
郭志明: "基于近红外光谱及成像的苹果品质无损检测方法和装置研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
马美湖 等: "鸡蛋贮藏期间风味特征的电子感官分析", 《现代食品科技》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109145685A (zh) * | 2017-06-19 | 2019-01-04 | 南京农业大学 | 基于集成学习的果蔬高光谱品质检测方法 |
CN109145685B (zh) * | 2017-06-19 | 2021-11-12 | 南京农业大学 | 基于集成学习的果蔬高光谱品质检测方法 |
CN108760655A (zh) * | 2018-04-28 | 2018-11-06 | 东北电力大学 | 一种苹果味觉图谱信息可视化方法 |
CN108760655B (zh) * | 2018-04-28 | 2021-03-30 | 东北电力大学 | 一种苹果味觉图谱信息可视化方法 |
CN109991209A (zh) * | 2019-04-09 | 2019-07-09 | 广东博智林机器人有限公司 | 基于激光诱导击穿光谱识别味道的方法及电子舌 |
CN109991209B (zh) * | 2019-04-09 | 2021-08-24 | 广东博智林机器人有限公司 | 基于激光诱导击穿光谱识别味道的方法及电子舌 |
CN113836784A (zh) * | 2021-07-23 | 2021-12-24 | 塔里木大学 | 一种基于信息融合技术的苹果鉴别系统及方法 |
CN113836784B (zh) * | 2021-07-23 | 2023-10-27 | 塔里木大学 | 一种基于信息融合技术的苹果鉴别系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105181642B (zh) | 一种花生品质的近红外检测方法及应用 | |
Li et al. | Evaluating the performance of a consumer scale SCiO™ molecular sensor to predict quality of horticultural products | |
CN104062263B (zh) | 光物性相近水果品质指标的近红外通用模型检测方法 | |
CN103235095B (zh) | 注水肉检测方法和装置 | |
Sun et al. | Detection of internal qualities of hami melons using hyperspectral imaging technology based on variable selection algorithms | |
Nicolaï et al. | Nondestructive evaluation: Detection of external and internal attributes frequently associated with quality and damage | |
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 | |
Chia et al. | Neural network and principal component regression in non-destructive soluble solids content assessment: a comparison | |
CN105866043A (zh) | 一种利用高光谱技术检测苹果酸味的方法 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN106872370A (zh) | 一种基于高光谱的杨梅中花色苷含量测定的方法 | |
CN111693487A (zh) | 基于遗传算法和极限学习机的水果糖度检测方法及系统 | |
CN110108644A (zh) | 一种基于深度级联森林和高光谱图像的玉米品种鉴别方法 | |
de Carvalho et al. | Assessment of macadamia kernel quality defects by means of near infrared spectroscopy (NIRS) and nuclear magnetic resonance (NMR) | |
CN108613943A (zh) | 一种基于光谱形态转移的近红外单籽粒作物成分检测方法 | |
CN106018321A (zh) | 玉米单粒种子蛋白质检测模型的构建方法及其应用 | |
Noypitak et al. | Detection of cracked shell in intact aromatic young coconut using near infrared spectroscopy and acoustic response methods | |
CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
Xin et al. | Construction of spectral detection models to evaluate soluble solids content and acidity in Dangshan pear using two different sensors | |
CN106483095A (zh) | 一种快速、准确定量四元调和油中各组分油含量的方法 | |
CN106124417A (zh) | 一种利用高光谱技术检测苹果涩味的回味的方法 | |
CN105158178B (zh) | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 | |
Phuangsombut et al. | Combination of visible reflectance and acoustic response to improve non‐destructive assessment of maturity and indirect prediction of internal quality of red‐fleshed pomelo | |
Ning et al. | Study on apple damage detecting method based on relaxation single-wavelength laser and convolutional neural network | |
Hu et al. | Research on rice seed fullness detection method based on terahertz imaging technology and feature extraction method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160817 |
|
RJ01 | Rejection of invention patent application after publication |