CN106769970A - 一种快速无损检测苹果的品种、糖度和酸度的方法 - Google Patents
一种快速无损检测苹果的品种、糖度和酸度的方法 Download PDFInfo
- Publication number
- CN106769970A CN106769970A CN201611112269.4A CN201611112269A CN106769970A CN 106769970 A CN106769970 A CN 106769970A CN 201611112269 A CN201611112269 A CN 201611112269A CN 106769970 A CN106769970 A CN 106769970A
- Authority
- CN
- China
- Prior art keywords
- apple
- acidity
- data
- pol
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000011156 evaluation Methods 0.000 title claims abstract description 7
- 241000220225 Malus Species 0.000 claims abstract description 109
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims description 24
- 238000000513 principal component analysis Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 239000012153 distilled water Substances 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 235000011389 fruit/vegetable juice Nutrition 0.000 claims description 3
- 238000004821 distillation Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 7
- 235000013305 food Nutrition 0.000 abstract description 6
- 230000006378 damage Effects 0.000 abstract description 4
- 238000002329 infrared spectrum Methods 0.000 abstract description 4
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 3
- 238000007796 conventional method Methods 0.000 abstract description 2
- 230000001066 destructive effect Effects 0.000 abstract description 2
- 235000013399 edible fruits Nutrition 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 241000894007 species Species 0.000 description 4
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000008103 glucose Substances 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 235000021016 apples Nutrition 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 108700028369 Alleles Proteins 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 235000019987 cider Nutrition 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000021393 food security Nutrition 0.000 description 1
- 235000020983 fruit intake Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000002932 luster Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 235000015170 shellfish Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 235000019605 sweet taste sensations Nutrition 0.000 description 1
- 230000002194 synthesizing effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了属于食品检测技术领域的一种快速无损检测苹果的品种、糖度和酸度的方法。本发明的方法采集苹果样品的近红外光谱，同时通过手持折光糖度仪和笔式pH计分别检测苹果的糖度和酸度；然后通过主成分分析方法对预处理过的苹果光谱数据进行降维处理，并用遗传算法进行优化，最后通过BP神经网络方法进行分类，通过多次验证，最终确定最佳的预测模型。本发明建立的基于BP神经网络的预测模型，可以很好的预测苹果的品种，糖度和酸度。传统方法需要对苹果进行破坏，是有损检测，而且对糖度和酸度需要分别检测，对苹果品种更没有合适的方法进行检测。本发明具有无破坏性、速度快、成本低、样品无需预处理、无需化学试剂和无污染等优点，并且可以同时对苹果的品种，糖度和酸度进行预测。
Description
技术领域
本发明属于属于食品检测技术领域，具体涉及一种快速无损检测苹果的品种、糖度和酸度的方法，。
背景技术
近年来，随着生活水平的提高，人们对水果消费日渐增长。对于水果品质的要求不再局限于外观，人们现今更加注重于其内在质量。糖度和酸度是水果内部品质的重要指标，不仅影响果实的甜味和色泽，还是合成类胡萝卜素等营养成分的重要原料。我国作为世界水果生产大国，苹果种类繁多，较好的品种也是人们选择性消费时的重要决定因素之一。因此，对水果品种和内部品质进行快速检测，可以更好的满足消费者对食品品质和食物安全的要求。
苹果中的糖度，又称为可溶性固形物含量，可根据溶液的比重换算为含糖的百分比(单位Brix)。苹果的糖度参照食品卫生监测方法理化总则(GB/T 5009.1-2003)，通过阿贝折射仪测定。该方法需要将过滤好的苹果汁滴至光棱镜的磨砂面，调节目镜视度圈，于视场中所建明暗分界线相应之读数，即为苹果糖度百分数。苹果的酸度则可参照食品卫生监测方法理化总则(GB/T 5009.1-2003)及食品中酸度的测定方法(GB/T 12456-90)，通过pH计测定。这些方法都需要对苹果进行破坏，是有损检测。
近红外光谱具有丰富的结构和组成信息，适于测定物质的内部品质。它具有无破坏性、速度快、成本低、样品无需预处理、无需化学试剂和无污染等优点。因此，近红外光谱分析技术作为一种定量、定性分析技术，在很多领域得到初步应用，极具发展潜力。近红外光谱法已被用于检测苹果的糖度，但是所研究的对象样本来源有限。对于市场上不同品种的苹果，其糖度和酸度的检测仍然缺乏有效的方法。
发明内容
本发明的目的在于提供一种快速无损检测苹果的品种、糖度和酸度的方法，以解决现有技术中导致的上述缺陷。
为了解决上述技术问题，本发明提供了如下的技术方案：
一种快速无损检测苹果的品种、糖度和酸度的方法，包括以下步骤：
1)通过近红外光谱仪对苹果样品进行光谱采集，得到原始光谱，所述光谱仪波长范围为500-1900nm；
2)对苹果样品进行糖度和酸度测量，作为分析预测模型的观测值；
3)采用数据滑动平均滤波法对原始光谱进行平滑和滤波；
4)构建苹果品种的预测模型，首先通过主成分分析方法对收集到的苹果光谱数据进行降维处理；然后将经过主成分分析降维后的数据用遗传算法进行优化；最后将将遗传算法优化挑选出符合条件的变量作为输入，进行BP神经网络分类，包括用训练集数据训练网络，用测试集测试网络预测能力，通过不同的建模方法进行多次验证，最终确定苹果品种最佳的预测模型；
5)构建苹果糖度的预测模型，首先通过主成分分析方法对收集到的苹果光谱数据进行降维处理；然后将经过主成分分析降维后的数据进行BP神经网络分类，包括利用训练集数据训练网络和测试集测试网络预测能力，多次验证，最终确定苹果糖度最佳的预测模型；
6)构建苹果酸度的预测模型，通过主成分分析方法对收集到的苹果光谱数据进行降维处理，再对降维后的数据进行BP神经网络分类，多次验证，最终确定苹果酸度最佳的预测模型；
7)采集待测苹果的光谱信息并按步骤3)进行预处理，将预处理后的光谱数据代入到步骤4)5)6)建立的预测模型中，得到待测样品的品种，糖度和酸度的预测值。
作为本发明的一种优选技术方案，步骤1)中的样品数量不少于200个，优选210-500个。
作为本发明的一种优选技术方案，步骤1)中近红外光谱仪采用漫反射的方式，随机选取每个苹果的环赤道面上5-20个点进行光谱扫描，优选15个点。
作为本发明的一种优选技术方案，步骤2)中苹果糖度的测量方法为：首先用蒸馏水将糖度仪的棱镜清洗干净并擦净水分，校正调零，再将已经测过光谱的苹果用干净的刀切开并挤压出汁水于折光棱镜的镜面上，连续测量三次，记录并求平均值。
作为本发明的一种优选技术方案，步骤2)中苹果酸度的测量方法为：用蒸馏水清洗手持式pH计前端，直至显示pH为中性；甩干pH计上的水分，将其插入苹果环赤道面上，测量6个位置的pH值，记录数据并求其平均值。
作为本发明的一种优选技术方案，步骤4)5)6)中所述的主成分分析，将原有的2047维数据规约到10维。
作为本发明的一种优选技术方案，步骤4)5)6)中所述的基于BP网络的苹果分类算法包括BP神经网络构建、BP神经网络训练和BP神经网络分类三步。
作为本发明的一种优选技术方案，步骤4)中所述的遗传算法从任一初始群体出发，通过随机选择、交叉和变异操作，产生一群更加适应环境的个体，最后收敛到一群最适应环境的个体。
作为本发明的一种优选技术方案，步骤1)中选取了6个不同品种的苹果。
作为本发明的一种优选技术方案，步骤7)中将误差百分比在10％以内认定为预测准确。
有益效果：与传统技术相比，本发明通过近红外光谱分析可对苹果的品种，糖度和酸度进行快速，准确，无损的检测。传统方法需要对苹果进行破坏，是有损检测，而且对糖度和酸度需要分别检测，对苹果品种更没有合适的方法进行检测。本发明具有无破坏性、速度快、成本低、样品无需预处理、无需化学试剂和无污染等优点，并且可以同时对苹果的品种，糖度和酸度进行预测。
附图说明
图1为遗传算法基本计算流程；
图2为BP网络算法流程；
图3为不同模型对苹果品种的预测结果：(A)测试集的实际分类(三角形)和PCA-BP预测分类(圆形)；(B)测试集的实际分类(三角形)和PCA-GA-BP预测分类(圆形)；(C)测试集的实际分类(三角形)和PLS预测分类(圆形)；
图4为PCA–BP法预测苹果的糖度：(A)苹果的实际糖度(三角形)与PCA-BP预测糖度(方形)，(B)糖度预测的误差百分比；
图5为PCA–BP法预测苹果的酸度：(A)苹果的实际酸度(三角形)与PCA-BP预测酸度(方形)，(B)酸度预测的误差百分比；
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
实施案例1
选取无损伤、无病虫害的六个不同品种的苹果，共计212个。其中，品种A30个，品种B 27个，品种C 40个，品种D 50个，品种E 30个，品种F 35个；对每个苹果进行编号。
红外光谱仪采用漫反射的方式，随机选取每个苹果的环赤道面上15个点进行光谱扫描，采集光谱谱区为500～1300nm，共2047个点。对每个样本的15个采样点采集到的光谱数据求平均值，用于之后的数据处理。
利用手持数字式折光糖度仪检测每个苹果样品的糖度。首先用蒸馏水将糖度仪的棱镜清洗干净并擦净水分，校正调零，再将已经测过光谱的苹果用干净的刀切开并挤压出汁水于折光棱镜的镜面上，连续测量两次，记录并求平均值。
利用锥形笔式pH计检测每个苹果样品的酸度。用蒸馏水清洗手持式pH计前端，直至显示pH为中性。甩干pH计上的水分，将其插入苹果环赤道面上，取6个点处的pH值，记录数据并求其平均值。
由于苹果的光谱数据维度较大，预测变量之间相互关联,多重共线性会导致解空间的不稳定，从而可能导致结果的不连贯。所以我们首先要对收集到的苹果的光谱数据进行降维处理。我们选择PCA(主成分分析)方法进行降维。它不仅仅是对高维数据进行降维，更重要的是通过降维去除了噪声，发现了数据中的模式。PCA法通过创建一个替换的、较小的变量集来“组合”属性的基本要素，让原数据可以投影到该较小的集合中。根据主成分分析结果，将原有的2047维数据规约到10维。
PCA的基本过程如下：
(a)对输入数据规范化，使得每个属性都落入相同的区间。该步骤有助于确保具有较大定义域的属性不会支配具有较小定义域的属性。
(b)PCA计算k个标准正交向量，作为规范化输入数据的基。这些是单位向量，每一个都垂直于其他向量。这些向量称为主成分。输入数据是主成分的线性组合。
(c)对主成分按“重要性”或强度降序排列。主成分本质上充当数据的新坐标系，提供关于方差的重要信息。
(d)因为主成分是根据“重要性”降序排列，因此可以通过去掉较弱的成分(即方差较小的那些)来规约数据。使用最强的主成分，能够重构元数据很好的近似。
将经过主成分分析后规约到十维的数据用遗传算法(GA)进行优化，以达到进一步提高模型预测准确率的目的。遗传算法模拟了自然选择和遗传中发生的复制、交叉和变异等现象，从任一初始群体出发，通过随机选择、交叉和变异操作，产生一群更加适应环境的个体，使群体进化到搜索空间中越来越好的区域，这样一代一代地不断繁衍进化，最后收敛到一群最适应环境的个体，求得问题的最优解。遗传算法的基本操作包括选择、交叉和变异，其基本计算流程如图1所示。
遗传算法的基本操作包括选择、交叉和变异。
(a)选择：选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁衍子孙。根据各个个体的适应速度值，按照一定的规则或方法从上一代群体中选择出一些优良的个体遗传到下一代种群中。选择的依据是适应性强的个体为下一代贡献一个或多个后代的概率大。
(b)交叉：通过交叉操作可以得到新一代个体，新个体组合了父辈个体的特性。将群体中的各个个体随机搭配成对，对每一个个体，以交叉概率交换它们之间的部分染色体。
(c)变异：对种群中的每一个个体，以变异概率改变某一个或多个基因座上的基因值为其他的等位基因。同生物界中一样，变异发生的概率很低，变异为新个体的产生提供了机会。
将遗传算法优化挑选出符合条件的变量作为输入，进行BP神经网络分类。BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。BP神经网络可以看成是一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n、输出节点数为m时，BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。BP神经网络预测前首先要训练网络，通过训练使网络具有联想记忆和预测能力。基于BP网络的苹果分类算法包括BP神经网络构建、BP神经网络训练和BP神经网络分类三步，算法流程如图2所示。
构建预测苹果品种的PCA-GA-BP模型。共有6个种类212组苹果光谱特征信号，从每个品种数据中随机选择5组数据作为测试集，其他数据作为训练集。BP神经网络用训练集数据训练网络，用测试集测试网络预测能力。
构建预测苹果糖度的PCA-BP模型。我们首先要对收集到的苹果的平均光谱数据进行降维处理。将高维数据投影到较低维空间，即用几个主要变量体现事物的整体属性。PCA法通过创建一个替换的、较小的变量集“组合”属性的基本要素，让原数据可以投影到该较小的集合中。根据主成分分析结果，将原有的2047维数据规约到10维。基于BP网络的苹果分类算法包括BP神经网络构建、BP神经网络训练和BP神经网络分类三步。原数据共有6个种类212组苹果光谱特征信号，从每个品种数据中选择5组数据作为测试集测试网络分类能力，其他数据作为训练集训练网络。
构建预测苹果酸度的PCA-BP模型。在做酸度预测的时候，我们首先对原始数据集进行PCA处理，将原有数据降至十维。然后利用BP网络对数据集进行拟合处理。从每个品种中选取5组数据，共三十组数据作为测试集，其他数据作为训练集训练BP神经网络。
如图3所示，我们比较了PCA-BP，PCA-GA-BP，以及PLS(偏最小二乘法)三种模型对苹果品种的预测效果。我们将测试集的三十个样本数据输入模型得到预测的分类数据。将六个苹果种类编号为1,2,3,4,5,6,并将输出的预测值与原数据作图比较。图中，圆形表示测试集预测分类结果，三角形表示测试集实际分类结果。由图3(A)可知，第一种苹果确认数为3，误认数为2，准确率为60％；第二种苹果确认数为5，误认数为0，准确率为100％；第三种苹果确认数为5，误认数为0，准确率为100％；第四种苹果确认数为0，误认数为5，准确率为0％；第五种苹果确认数为2，误认数为3，准确率为40％；第六种苹果确认数为3，误认数为2，准确率为60％。综上所述，分类准确率为60％。此次分类准确率并不理想。
由图3(B)所示，利用PCA-GA-BP法建立的预测模型，第一种苹果确认数为4，误认数为1，准确率为80％；第二种苹果确认数为5，误认数为0，准确率100％；第三种苹果确认数为5，误认数为0，准确率为100％；第四种苹果确认数为3，误认数为2，准确率为60％；第五种苹果确认数为4，误认数为1，准确率80％；第六种苹果确认数为5，误认数为0，准确率100％。综上所述，分类准确率为86.7％。
由图3(C)所示，利用PLS法建立的预测模型，第一种苹果确认数为2，误认数为3，准确率为40％；第二种苹果确认数为0，误认数为5，准确率为0％；第三种苹果确认数为3，误认数为2，准确率为60％；第四种苹果确认数为0，误认数为5，准确率为0％；第五种苹果确认数为1，误认数为4，准确率20％；第六种苹果确认数为2，误认数为3，准确率为40％。综上所述，分类准确率为26.7％。其模型预测准确率极低。从结果可以看出，在苹果品种预测中，PCA-GA-BP的准确度最高，表明遗传算法优化数据提高模型预测准确性的重要作用。
如图4所示，我们分析了PCA-BP模型对苹果糖度的预测效果。图4(A)中，三角形表示测试集酸度实际值，方形代表模型预测输出值。30个样品的糖度预测值与实际值趋势基本相同。若将误差百分比在10％以内认定为预测准确，则有25个值在此范围内，模型的准确率为83.3％。图4(B)可知，糖度预测的平均误差百分比为7.19％。我们建立的PCA-BP模型可以很好的预测苹果的糖度。
如图5所示，我们分析了PCA-BP模型对苹果酸度的预测效果。图5(A)中，三角形表示测试集酸度实际值，方形代表模型预测输出值。30个样品的酸度预测值除少数点外，基本与预测值趋势相同。若将误差百分比为10％以内认定为预测准确，则有30个值在此范围内，模型的准确率为100％。图5(B)可知，酸度PCA-BP法预测的平均误差百分比为2.84％。我们建立的PCA-BP模型可以很好的预测苹果的酸度。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (7)
1.一种快速无损检测苹果的品种、糖度和酸度的方法，其特征在于，包括以下步骤：
1)通过近红外光谱仪对苹果样品进行光谱采集，得到原始光谱，所述光谱仪波长范围为500-1900nm；
2)对苹果样品进行糖度和酸度测量，作为分析预测模型的观测值；
3)采用数据滑动平均滤波法对原始光谱进行平滑和滤波；
4)构建苹果品种的预测模型，首先通过主成分分析方法对收集到的苹果光谱数据进行降维处理；然后将经过主成分分析降维后的数据用遗传算法进行优化；最后将将遗传算法优化挑选出符合条件的变量作为输入，进行BP神经网络分类，包括用训练集数据训练网络，用测试集测试网络预测能力，通过不同的建模方法进行多次验证，最终确定苹果品种最佳的预测模型；
5)构建苹果糖度的预测模型，首先通过主成分分析方法对收集到的苹果光谱数据进行降维处理；然后将经过主成分分析降维后的数据进行BP神经网络分类，包括利用训练集数据训练网络和测试集测试网络预测能力，多次验证，最终确定苹果糖度最佳的预测模型；
6)构建苹果酸度的预测模型，通过主成分分析方法对收集到的苹果光谱数据进行降维处理，再对降维后的数据进行BP神经网络分类，多次验证，最终确定苹果酸度最佳的预测模型；
7)采集待测苹果的光谱信息并按步骤3)进行预处理，将预处理后的光谱数据代入到步骤4)5)6)建立的预测模型中，得到待测样品的品种，糖度和酸度的预测值。
2.根据权利要求1所述的方法，其特征在于，步骤1)中的样品数量不少于200个。
3.根据权利要求1所述的方法，其特征在于，步骤1)中近红外光谱仪采用漫反射的方式，随机选取每个苹果的环赤道面上5-20个点进行光谱扫描。
4.根据权利要求1所述的方法，其特征在于，步骤2)中苹果糖度的测量方法为：首先用蒸馏水将糖度仪的棱镜清洗干净并擦净水分，校正调零，再将已经测过光谱的苹果用干净的刀切开并挤压出汁水于折光棱镜的镜面上，连续测量三次，记录并求平均值。
5.根据权利要求1所述的方法，其特征在于，步骤2)中苹果酸度的测量方法为：用蒸馏水清洗手持式pH计前端，直至显示pH为中性；甩干pH计上的水分，将其插入苹果环赤道面上，测量6个位置的pH值，记录数据并求其平均值。
6.根据权利要求1所述的方法，其特征在于，步骤4)5)6)中所述的主成分分析，将原有的2047维数据规约到10维。
7.根据权利要求1所述的方法，其特征在于，步骤4)5)6)中所述的基于BP网络的苹果分类算法包括BP神经网络构建、BP神经网络训练和BP神经网络分类三步。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611112269.4A CN106769970A (zh) | 2016-12-07 | 2016-12-07 | 一种快速无损检测苹果的品种、糖度和酸度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611112269.4A CN106769970A (zh) | 2016-12-07 | 2016-12-07 | 一种快速无损检测苹果的品种、糖度和酸度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106769970A true CN106769970A (zh) | 2017-05-31 |
Family
ID=58874607
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611112269.4A Pending CN106769970A (zh) | 2016-12-07 | 2016-12-07 | 一种快速无损检测苹果的品种、糖度和酸度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106769970A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107202761A (zh) * | 2017-06-09 | 2017-09-26 | 甘肃萃英大农科技有限公司 | 一种快速检测水果内部品质的便携式检测设备及检测方法 |
| CN107290299A (zh) * | 2017-04-24 | 2017-10-24 | 甘肃萃英大农科技有限公司 | 一种用于桃的糖度和酸度实时无损检测方法 |
| CN108169094A (zh) * | 2017-12-04 | 2018-06-15 | 广东美的制冷设备有限公司 | 滤网洁净度检测方法、传感器和空气处理设备 |
| CN108304970A (zh) * | 2018-02-05 | 2018-07-20 | 西北农林科技大学 | 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 |
| CN108333139A (zh) * | 2018-01-15 | 2018-07-27 | 深圳市芭田生态工程股份有限公司 | 一种苹果可溶性固形物快速检测方法 |
| 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 |
| CN109409687A (zh) * | 2018-09-29 | 2019-03-01 | 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色泽品质的方法 |
| CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
| CN110263969A (zh) * | 2019-05-07 | 2019-09-20 | 西北农林科技大学 | 一种货架期苹果品质动态预测系统及预测方法 |
| CN111474137A (zh) * | 2020-04-27 | 2020-07-31 | 无锡雪浪数制科技有限公司 | 一种基于卷积神经网络的柑橘糖度无损检测方法 |
| CN111693487A (zh) * | 2020-05-28 | 2020-09-22 | 济南大学 | 基于遗传算法和极限学习机的水果糖度检测方法及系统 |
| CN111695692A (zh) * | 2019-03-12 | 2020-09-22 | 现代自动车株式会社 | 用于预测损伤程度的装置和方法 |
| CN111855608A (zh) * | 2020-07-29 | 2020-10-30 | 中国科学院合肥物质科学研究院 | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 |
| CN113267466A (zh) * | 2021-04-02 | 2021-08-17 | 中国科学院合肥物质科学研究院 | 基于光谱波长优选的水果糖度和酸度无损检测方法 |
| CN113655038A (zh) * | 2021-08-24 | 2021-11-16 | 南昌航空大学 | 一种用智能手机无损检测水果糖度的方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101915744A (zh) * | 2010-07-05 | 2010-12-15 | 北京航空航天大学 | 物质成分含量的近红外光谱无损检测方法及装置 |
-
2016
- 2016-12-07 CN CN201611112269.4A patent/CN106769970A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101915744A (zh) * | 2010-07-05 | 2010-12-15 | 北京航空航天大学 | 物质成分含量的近红外光谱无损检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 周孟然: "煤矿瓦斯的激光光谱检测技术研究", 《合肥工业大学出版社》 * |
| 高旭: "基于图像识别技术的玉米种子品种识别研究", 《CNKI中国优秀硕士学位论文全文数据库》 * |
| 高珏: "基于NIRS和LS_SVM的苹果内部品质无损检测和模糊识别的研究", 《CNKI中国优秀硕士学位论文全文数据库》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107290299A (zh) * | 2017-04-24 | 2017-10-24 | 甘肃萃英大农科技有限公司 | 一种用于桃的糖度和酸度实时无损检测方法 |
| CN107290299B (zh) * | 2017-04-24 | 2020-08-11 | 甘肃萃英大农科技有限公司 | 一种实时无损检测桃的糖度和酸度的方法 |
| CN107202761A (zh) * | 2017-06-09 | 2017-09-26 | 甘肃萃英大农科技有限公司 | 一种快速检测水果内部品质的便携式检测设备及检测方法 |
| CN108169094A (zh) * | 2017-12-04 | 2018-06-15 | 广东美的制冷设备有限公司 | 滤网洁净度检测方法、传感器和空气处理设备 |
| CN108169094B (zh) * | 2017-12-04 | 2020-08-04 | 广东美的制冷设备有限公司 | 滤网洁净度检测方法、传感器和空气处理设备 |
| CN108333139A (zh) * | 2018-01-15 | 2018-07-27 | 深圳市芭田生态工程股份有限公司 | 一种苹果可溶性固形物快速检测方法 |
| CN108304970A (zh) * | 2018-02-05 | 2018-07-20 | 西北农林科技大学 | 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 |
| CN108304970B (zh) * | 2018-02-05 | 2021-09-10 | 西北农林科技大学 | 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 |
| 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 |
| 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 |
| CN109409687A (zh) * | 2018-09-29 | 2019-03-01 | 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色泽品质的方法 |
| CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 |
| CN111695692A (zh) * | 2019-03-12 | 2020-09-22 | 现代自动车株式会社 | 用于预测损伤程度的装置和方法 |
| CN110263969A (zh) * | 2019-05-07 | 2019-09-20 | 西北农林科技大学 | 一种货架期苹果品质动态预测系统及预测方法 |
| CN111474137A (zh) * | 2020-04-27 | 2020-07-31 | 无锡雪浪数制科技有限公司 | 一种基于卷积神经网络的柑橘糖度无损检测方法 |
| CN111693487A (zh) * | 2020-05-28 | 2020-09-22 | 济南大学 | 基于遗传算法和极限学习机的水果糖度检测方法及系统 |
| CN111855608A (zh) * | 2020-07-29 | 2020-10-30 | 中国科学院合肥物质科学研究院 | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 |
| CN113267466A (zh) * | 2021-04-02 | 2021-08-17 | 中国科学院合肥物质科学研究院 | 基于光谱波长优选的水果糖度和酸度无损检测方法 |
| CN113267466B (zh) * | 2021-04-02 | 2023-02-03 | 中国科学院合肥物质科学研究院 | 基于光谱波长优选的水果糖度和酸度无损检测方法 |
| CN113655038A (zh) * | 2021-08-24 | 2021-11-16 | 南昌航空大学 | 一种用智能手机无损检测水果糖度的方法 |
| CN113655038B (zh) * | 2021-08-24 | 2023-09-22 | 南昌航空大学 | 一种用智能手机无损检测水果糖度的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106769970A (zh) | 一种快速无损检测苹果的品种、糖度和酸度的方法 | |
| Kukreja et al. | A Deep Neural Network based disease detection scheme for Citrus fruits | |
| CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
| Ali et al. | Rapid and nondestructive techniques for internal and external quality evaluation of watermelons: A review | |
| Men et al. | Electronic nose sensors data feature mining: a synergetic strategy for the classification of beer | |
| Khodabakhshian et al. | Application of Vis/SNIR hyperspectral imaging in ripeness classification of pear | |
| CN109540836A (zh) | 基于bp人工神经网络的近红外光谱糖度检测方法及系统 | |
| Gao et al. | Soluble solid content and firmness index assessment and maturity discrimination of Malus micromalus Makino based on near-infrared hyperspectral imaging | |
| Iraji | Comparison between soft computing methods for tomato quality grading using machine vision | |
| CN112669915B (zh) | 一种基于神经网络与近红外光谱的梨无损检测方法 | |
| CN107202761A (zh) | 一种快速检测水果内部品质的便携式检测设备及检测方法 | |
| May et al. | Automated ripeness assessment of oil palm fruit using RGB and fuzzy logic technique | |
| JP6760663B2 (ja) | 試料解析装置および試料解析用プログラム | |
| CN107290299B (zh) | 一种实时无损检测桃的糖度和酸度的方法 | |
| Wang et al. | Grading detection of “Red Fuji” apple in Luochuan based on machine vision and near-infrared spectroscopy | |
| Han et al. | Purity detection of goat milk based on electronic tongue and improved artificial fish swarm optimized extreme learning machine | |
| Ali et al. | Quality inspection of food and agricultural products using artificial intelligence | |
| Raja | Fruit quality prediction using deep learning strategies for agriculture | |
| Sajitha et al. | Smart farming application using knowledge embedded-graph convolutional neural network (KEGCNN) for banana quality detection | |
| Gomes et al. | Towards robust Machine Learning models for grape ripeness assessment | |
| Arulnathan et al. | Background Subtraction for Accurate Palm Oil Fruitlet Ripeness Detection | |
| CN106546553A (zh) | 一种转基因大豆油的快速无损鉴别方法 | |
| Sarveswaran et al. | MilkSafe: A Hardware-Enabled Milk Quality Prediction using Machine Learning | |
| Gao et al. | SSC and pH prediction and maturity classification of grapes based on hyperspectral imaging | |
| Lu et al. | Rapid detecting soluble solid content of pears based on near-infrared spectroscopy |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |