CN107064047A - 一种基于近红外光谱的富士苹果品质无损检测方法 - Google Patents
一种基于近红外光谱的富士苹果品质无损检测方法 Download PDFInfo
- Publication number
- CN107064047A CN107064047A CN201710121615.3A CN201710121615A CN107064047A CN 107064047 A CN107064047 A CN 107064047A CN 201710121615 A CN201710121615 A CN 201710121615A CN 107064047 A CN107064047 A CN 107064047A
- Authority
- CN
- China
- Prior art keywords
- apple
- sample
- near infrared
- value
- infrared spectrum
- 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
- 235000010724 Wisteria floribunda Nutrition 0.000 title claims abstract description 40
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000000513 principal component analysis Methods 0.000 claims abstract 2
- 238000001228 spectrum Methods 0.000 claims description 11
- 235000013399 edible fruits Nutrition 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004611 spectroscopical analysis Methods 0.000 claims description 8
- 239000012153 distilled water Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 235000011389 fruit/vegetable juice Nutrition 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 101150072055 PAL1 gene Proteins 0.000 claims description 2
- 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 abstract description 6
- 239000008103 glucose Substances 0.000 abstract description 6
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000011017 operating method Methods 0.000 abstract description 2
- 241000220225 Malus Species 0.000 description 78
- 238000000034 method Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 235000021016 apples Nutrition 0.000 description 2
- 238000009614 chemical analysis method Methods 0.000 description 2
- 235000009508 confectionery Nutrition 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- BJEPYKJPYRNKOW-REOHCLBHSA-N (S)-malic acid Chemical compound OC(=O)[C@@H](O)CC(O)=O BJEPYKJPYRNKOW-REOHCLBHSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 240000005373 Panax quinquefolius Species 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 125000003118 aryl group Chemical group 0.000 description 1
- JLQUFIHWVLZVTJ-UHFFFAOYSA-N carbosulfan Chemical compound CCCCN(CCCC)SN(C)C(=O)OC1=CC=CC2=C1OC(C)(C)C2 JLQUFIHWVLZVTJ-UHFFFAOYSA-N 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 235000010980 cellulose Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 125000002496 methyl group Chemical group [H]C([H])([H])* 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000001814 pectin Substances 0.000 description 1
- 235000010987 pectin Nutrition 0.000 description 1
- 229920001277 pectin Polymers 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 125000001997 phenyl group Chemical group [H]C1=C([H])C([H])=C(*)C([H])=C1[H] 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000001845 vibrational spectrum Methods 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C 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
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
本发明公开了一种基于近红外光谱的富士苹果品质无损检测方法。包括以下步骤：步骤一：选取一批完好无损的富士苹果作为实验样本；步骤二：苹果近红外光谱的采集；步骤三：利用主成分分析算法对苹果样本的近红外光谱数据进行降维处理；步骤四：测量苹果样本的酸度、糖度值，并进行记录；步骤五：利用经过预处理的近红外光谱数据、酸度值、糖度值结合BP神经网络算法建立苹果酸度、糖度预测模型，进而实现对苹果内部品质的检测。本发明能够快速预测苹果的酸度、糖度值，并直接显示其预测值，预测精度满足实际生成要求，实验系统操作方法简单，可用于苹果内部品质的在线检测分级。
Description
技术领域：
本发明涉及农产品光谱分析、检测技术领域，涉及一种基于近红外光谱的富士苹果品质无损检测方法，具体是一种富士苹果内部品质的检测方法，特别是富士苹果糖度、酸度的检测方法。
背景技术：
富士苹果是1939年由日本果树试验场盛冈支场以国光和元帅为亲本杂交而成的新品种，其具有果面光滑细腻、色泽鲜艳光亮、果肉细腻润滑、香味浓郁、汁多无渣、口味甘甜等特点。同时，富士苹果的果肉中富含维生素C、纤维素、果胶等营养成分，深受全世界消费者的喜爱。我国苹果的总产量、栽培面积、人均占有量与出口量均局世界第一，已成为世界上最大的苹果生产和消费国，其中，据联合国粮农组织报道，我国苹果栽培面积中富士系占60％以上(陈学森,韩明玉,苏桂林,等.当今世界苹果产业发展趋势及我国苹果产业优质高效发展意见[J].果树学报,2010,27(4):598-604.)。
随着人民生活水平的提高和消费多元化的需求，消费者对水果品质和安全要求越来越高，已由低水平的价格竞争，上升到质量、品牌和价格的综合竞争，品质与安全已经成为了消费者最为关注的因素，尤其是内在质量安全越来越受到重视。所以，研究一种快速、非破坏性的苹果内部品质测量方法是非常必要的。
近红外光谱区是指波长在780-2526nm范围内的电磁波，是分子振动光谱倍频和合频吸收谱。近红外光谱主要是由于分子振动的非谐振性使得分子振动从基态向高能级跃迁时产生的，记录的主要是含氢基团振动的倍频和合频吸收。不同基团(如甲基、苯环等)或统一基团在不同化学环境中的近红外吸收波长与强度都有明显差别，近红外光谱具有丰富的结构和组成信息，非常适合用于碳氢有机物质的组成与性质的测量。
目前，大多数水果内部品质的质量检测仍然沿用化学分析方法。化学分析方法具有较高的准确度与可靠性，但是，该类方法属于破坏性检测，消耗大量的人力且检测时间较长。
发明内容：
针对上述现有检测方法的缺陷和不足，本发明的目的是提出了一种基于近红外光谱的针对富士苹果内部品质进行无损检测的方法。该方法利用USB2000+VIS-NIR-ES微型光谱仪和OceanView光谱采集软件，在340-1022nm特征波段范围内，采用漫反射的模式，随机选取每个苹果样品的环赤道面上的15个点进行光谱采集，对每一个样本的15个采集点采集到的光谱数据求平均值，用主成分分析方法对平均之后的光谱数据进行降维处理。利用近红外光谱技术,能够对富士苹果中的糖度、酸度进行快速分析，并且可以对富士苹果的品质进行预测，而且能够直接显示富士苹果的品质预测值，预测精度满足实际生产要求。该实验系统操作方法简单、易于控制、检测精度高。本发明属于有监督学习方法，需要一定的学习样本，能够快速、高效地预测苹果的品质。
本发明依据的原理：研究表明，农产品的光传输特性是指农产品对光的吸收、散射、反射和透射等特性，近红外光对农产品穿透能力较强，可以获得农产品内部的物理和化学信息，实现农产品内部品质的有效检测(星奕.食品与农产品品质无损检测新技术[M].化学工业出版社,2004.)。不同苹果所对应的近红外漫反射光谱也不同。利用一些样本信息以及神经网络算法建立的模型能够有效预测富士苹果的酸度、糖度。
根据上述原理，采用的技术方案包括一下步骤：
步骤1、物料准备：选取一批富士苹果作为样本，并且确保苹果样品表面没有明显腐烂或霉变的现象发生。随机从苹果样本中挑选一定量样品作为测试集，其余的苹果样品作为训练集。
步骤2、在室温环境(23-25℃)下，苹果样本近红外光谱的采集：针对所有的苹果样本，利用近红外光谱仪对苹果样品进行测量，通过OceanView软件获得苹果样本的近红外漫反射光谱数据。
步骤3、对苹果样本近红外光谱数据进行预处理：将得到的光谱文本数据统一整理输入MatlabR2014b软件，为了减少误差，需要随机测量苹果环赤道面上15个点的光谱数据，并对15组光谱数据求平均值，然后利用主成分分析方法(PCA)对平均光谱数据进行降维处理，并保存这些数据。
步骤4、测量苹果样品的酸度、甜度：测量酸度所用的仪器是上海三信仪表厂生产的pH5S型号pH计，在测量前，用蒸馏水清洗pH计前端，直至pH计显示为中性。甩干pH计上的水分，随机选择被测苹果样品环赤道面上的6个位置，轮流将pH计插入，测量6组pH值，记录其平均值作为该苹果样品的酸度值并记录。测量甜度所用的仪器是日本Atago公司生产的Pal-1糖度计，首先用蒸馏水将糖度计的棱镜清洗干净并且擦净水分，校正调零，再用干净的刀将被测苹果样品随机切出2小块来，轮流挤压汁水于棱镜的镜面上，测量糖度值，将两次测量的结果求平均值作为该苹果样品的糖度值并记录。
步骤5、预测模型的建立：利用经过预处理的训练集苹果样品的近红外光谱数据，训练集苹果样品的甜度、酸度值以及BP(Back Propagation反向传播)神经网络算法，建立富士苹果品质预测模型，利用该模型可以对富士苹果的甜度、酸度值进行快速预测。
所述步骤2中近红外漫反射光谱信息是指光谱范围为340-1022nm，采集到的每个苹果样本的光谱是2047维的数据。
所述步骤3中用主成分分析方法进行降维时，在满足主成份的累计可信度≥95％的条件下选取主成分个数。
本发明具有如下优点：利用近红外光谱技术实现了对富士苹果内部品质的无损检测，能够对富士苹果的糖度、酸度进行快速分析，预测，并且能够直接显示被测富士苹果酸度、糖度的预测值，预测精度能够满足实际生成要求。该实验系统操作方法简单、易于控制、检测精度高。本发明可用于富士苹果品质的在线检测分级。
附图说明：
通过参考附图能够更加清楚地了解本发明的特征，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1是本发明的流程图；
图2是被测富士苹果样本的近红外光谱图；
具体实施方式：
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。所述方法如无特别说明均为常规方法。所述原料如无特别说明均能从公开商业途径获得。下述实施例每步骤的数据处理均通过美国MathWorks公司出售的科学计算软件MATLABR2014b编程处理，光谱数据的获取通过美国海洋光学公司出售的软件OceanView获取并转换出.txt格式的光谱数据。
一种基于近红外光谱的富士苹果品质无损检测方法，该方法是利用近红外光谱技术针对富士苹果的糖度、酸度品质进行无损检测的方法；该方法的实施流程如图1所示，具体实施如下：
步骤一、物料准备：在当地市场购买富士苹果57个，购买时需要确保所购买的苹果样品的大小尺寸接近，并且所有苹果样品的表面无明显的腐烂或者霉变现象的发生。随机挑选10个苹果样品作为测试集，其余苹果样品作为训练集。
步骤二、苹果样本近红外光谱的采集：在恒温恒湿的环境下，将近红外光谱检测设备连接，接通电源，将光源预热30分钟，待光源温度稳定后，采用漫反射模式采集所有苹果样品的近红外光谱，光谱范围为340-1022nm，采集到的每个样品的光谱是2047维的数据。对于每一个苹果样品，为减少误差，随机选择苹果环赤道面上的15个点进行扫描，获取这15个点的光谱数据后，取其平均值作为最终的实验数据，如表1。
表1、经过求平均值处理后的苹果样品近红外光谱数据表
步骤三、苹果样本近红外光谱数据的降维处理：采用主成分分析法将苹果样本的近红外光谱数据从2047维降到容易处理的低维数据。通过计算可知，近红外光谱数据经过处理后，前i个主成分的累计可信度如表2所示(累计可信度＝前i个主成分特征值除以总的特征值之和)。若取前2个主成分，则累计可信度可达％；若取前个主成分，则累计可信度可达100％。
表2、主成分累计可信度
步骤四、获取苹果样品的酸度值和糖度值：在测量前，用蒸馏水清洗pH计前端，直至pH计显示为中性。甩干pH计上的水分，随机选择被测苹果样品环赤道面上的6个位置，轮流将pH计插入，测量6组pH值，记录其平均值作为该苹果样品的酸度值并记录；用蒸馏水将糖度计的棱镜清洗干净并且擦净水分，校正调零，再用干净的刀将被测苹果样品随机切出2小块来，轮流挤压汁水于棱镜的镜面上，测量糖度值，将两次测量的结果求平均值作为该苹果样品的糖度值并记录。
步骤五、富士苹果酸度、糖度预测模型的建立：利用经过预处理的训练集苹果样品近红外光谱数据以及训练集苹果样品的酸度、糖度值作为实验数据，结合BP神经网络算法，建立富士苹果酸度、糖度预测模型。对待测样本的近红外光谱数据预处理办法务必与建立分类模型时数据预处理办法相同，在完成数据输入，模型载入后可完成对待测苹果样品的酸度、糖度值进行预测。实例中试验以47个样本为训练集，建立富士苹果酸度、糖度预测模型。再利用该模型对测试集10个样本进行预测，得到预测结果。
表3、测试集样本糖度预测值与真实值统计表
表4、测试集样本酸度预测值与真实值统计表
| 编号 | 预测值 | 真实值 |
| 1 | 4.56 | 4.79 |
| 2 | 4.70 | 4.62 |
| 3 | 4.36 | 4.33 |
| 4 | 4.58 | 4.65 |
| … | 3.86 | 3.92 |
| 9 | 3.87 | 3.84 |
| 10 | 3.91 | 3.85 |
表5、富士苹果样本数据处理方法统计表
| 品质参数 | R2 | RMSEC | RMSEP | Bias |
| 酸度 | 0.95 | 0.18 | 0.19 | 0.02 |
| 糖度 | 0.84 | 0.96 | 0.97 | 0.21 |
表3为测试集10个富士苹果样本在此预测模型下各苹果样本糖度预测值与真实值统计表。10个预测样本的糖度绝对偏差平均值为0.84，绝大多数苹果样本的绝对偏差值均相对较小。
表4为测试集10个富士苹果样本在此预测模型下各苹果样本酸度预测值与真实值统计表。10个预测样本的糖度绝对偏差平均值为0.15，绝大多数苹果样本的绝对偏差值均相对较小。
绝大多数苹果样本的酸度预测偏差值在0.15以内，其对应的相对误差为2.61％，而在农产品分拣中对于相对误差小于3％的均符合实际生产要求，所以该模型满足实际生成要求，可以用于富士苹果酸度的分级指导，满足苹果品质检测要求。
如上所述，尽管参照特定的实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围的前提下，可对其在形式上和细节上作出各种变化。
Claims (6)
1.一种基于近红外光谱的富士苹果品质无损检测方法，其特征在于：选取一批富士苹果作为样本，并且确保苹果样品表面没有明显腐烂或霉变的现象发生。
2.如权利要求1所述的一种基于近红外光谱的富士苹果品质无损检测方法，其特征在于：在室温环境(23-25℃)下，利用USB2000+VIS-NIR-ES微型光谱仪和OceanView光谱采集软件，在340-1022nm特征波段范围内，采用漫反射的模式，随机选取每个苹果样品的环赤道面上的15个点进行光谱采集，对每一个样本的15个采集点采集到的光谱数据求平均值，将该平均值作为最终的实验数据。
3.如权利要求2所述的一种基于近红外光谱的富士苹果品质无损检测方法，其特征在于：利用主成分分析算法对实验数据进行降维处理，在满足主成分累计可信度≥95％的条件下选取主成分个数，并保存降维后的苹果近红外光谱数据。
4.如权利要求3所述的一种基于近红外光谱的富士苹果品质无损检测方法，其特征在于：使用上海三信仪表厂生产的pH5S型号pH计测量苹果样本的酸度值，在测量前，用蒸馏水清洗pH计前端，直至pH计显示为中性，甩干pH计上的水分，随机选择被测苹果样品环赤道面上的6个位置，轮流将pH计插入，测量6组pH值，记录其平均值作为该苹果样品的酸度值并记录。使用日本Atago公司生产的Pal-1糖度计测量苹果样本的糖度值，在测量前，用蒸馏水将糖度计的棱镜清洗干净并且擦净水分，校正调零，再用干净的刀将被测苹果样品随机切出2小块来，轮流挤压汁水于棱镜的镜面上，测量糖度值，将两次测量的结果求平均值作为该苹果样品的糖度值并记录。
5.如权利要求4所述的一种基于近红外光谱的富士苹果品质无损检测方法，其特征在于：利用经过预处理的训练集苹果样品近红外光谱数据以及训练集苹果样品的酸度值、糖度值数据作为实验数据，结合BP神经网络算法，建立苹果糖度、酸度预测模型，利用该模型对未知苹果的酸度、糖度进行预测，并将预测值显示出来。
6.如权利要求3所述的一种基于近红外光谱的富士苹果品质无损检测方法，其特征在于：所述累计可信度为前i个主成分特征值除以总的特征值之和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710121615.3A CN107064047A (zh) | 2017-03-02 | 2017-03-02 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710121615.3A CN107064047A (zh) | 2017-03-02 | 2017-03-02 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107064047A true CN107064047A (zh) | 2017-08-18 |
Family
ID=59621546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710121615.3A Pending CN107064047A (zh) | 2017-03-02 | 2017-03-02 | 一种基于近红外光谱的富士苹果品质无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107064047A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108507954A (zh) * | 2018-03-20 | 2018-09-07 | 南京财经大学 | 一种小型水果品质及货架期在线检测装置及方法 |
| CN108593596A (zh) * | 2018-05-31 | 2018-09-28 | 福建医科大学 | 基于近红外光谱技术快速检测椰汁中原汁含量的方法 |
| CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及系统 |
| CN109272030A (zh) * | 2018-09-03 | 2019-01-25 | 贵阳学院 | 基于光纤光谱技术的苹果表面早期损伤快速无损识别方法 |
| 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 |
| CN109409580A (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果汁混浊度的方法 |
| 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 |
| CN110743819A (zh) * | 2019-11-24 | 2020-02-04 | 郑州大学 | 一种带有智能品级精分功能的果实智能优选设备 |
| CN111222455A (zh) * | 2020-01-03 | 2020-06-02 | 深圳数联天下智能科技有限公司 | 波长的选择方法、装置、计算设备及计算机存储介质 |
| 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 |
| CN111537469A (zh) * | 2020-06-04 | 2020-08-14 | 哈尔滨理工大学 | 一种基于近红外技术的苹果品质快速无损检测方法 |
| CN113252624A (zh) * | 2021-04-23 | 2021-08-13 | 杭州电子科技大学 | 一种基于荧光光谱的苹果黄酮含量无损检测方法 |
| CN113655017A (zh) * | 2021-06-30 | 2021-11-16 | 浙江大学 | 一种智能手机连用的无损糖度检测装置及其检测方法 |
| CN114235723A (zh) * | 2021-11-04 | 2022-03-25 | 福建师范大学 | 一种水果内在品质的无损测量方法及终端 |
| CN114359544A (zh) * | 2021-12-27 | 2022-04-15 | 江苏大学 | 基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105527244A (zh) * | 2015-10-26 | 2016-04-27 | 沈阳农业大学 | 一种基于近红外光谱的寒富苹果品质无损检测方法 |
| CN105675539A (zh) * | 2016-01-07 | 2016-06-15 | 北京市农林科学院 | 一种农产品品质综合评价方法 |
-
2017
- 2017-03-02 CN CN201710121615.3A patent/CN107064047A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105527244A (zh) * | 2015-10-26 | 2016-04-27 | 沈阳农业大学 | 一种基于近红外光谱的寒富苹果品质无损检测方法 |
| CN105675539A (zh) * | 2016-01-07 | 2016-06-15 | 北京市农林科学院 | 一种农产品品质综合评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘燕德: "水果糖度和酸度的近红外光谱无损检测研究", 《中国博士学位全文数据库 工程科技Ⅰ辑》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108507954A (zh) * | 2018-03-20 | 2018-09-07 | 南京财经大学 | 一种小型水果品质及货架期在线检测装置及方法 |
| 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 |
| CN108593596A (zh) * | 2018-05-31 | 2018-09-28 | 福建医科大学 | 基于近红外光谱技术快速检测椰汁中原汁含量的方法 |
| CN108956545B (zh) * | 2018-06-15 | 2020-10-27 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及系统 |
| CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及系统 |
| CN109272030A (zh) * | 2018-09-03 | 2019-01-25 | 贵阳学院 | 基于光纤光谱技术的苹果表面早期损伤快速无损识别方法 |
| 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 |
| CN109409580A (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果汁混浊度的方法 |
| 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 |
| CN110743819A (zh) * | 2019-11-24 | 2020-02-04 | 郑州大学 | 一种带有智能品级精分功能的果实智能优选设备 |
| CN111222455A (zh) * | 2020-01-03 | 2020-06-02 | 深圳数联天下智能科技有限公司 | 波长的选择方法、装置、计算设备及计算机存储介质 |
| CN111222455B (zh) * | 2020-01-03 | 2022-04-01 | 深圳数联天下智能科技有限公司 | 波长的选择方法、装置、计算设备及计算机存储介质 |
| 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 |
| CN111537469A (zh) * | 2020-06-04 | 2020-08-14 | 哈尔滨理工大学 | 一种基于近红外技术的苹果品质快速无损检测方法 |
| CN113252624A (zh) * | 2021-04-23 | 2021-08-13 | 杭州电子科技大学 | 一种基于荧光光谱的苹果黄酮含量无损检测方法 |
| CN113655017A (zh) * | 2021-06-30 | 2021-11-16 | 浙江大学 | 一种智能手机连用的无损糖度检测装置及其检测方法 |
| CN114235723A (zh) * | 2021-11-04 | 2022-03-25 | 福建师范大学 | 一种水果内在品质的无损测量方法及终端 |
| CN114235723B (zh) * | 2021-11-04 | 2024-04-02 | 福建师范大学 | 一种水果内在品质的无损测量方法及终端 |
| CN114359544A (zh) * | 2021-12-27 | 2022-04-15 | 江苏大学 | 基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法 |
| CN114359544B (zh) * | 2021-12-27 | 2024-04-12 | 江苏大学 | 基于T-SAE农作物植株铅浓度Vis-NIR光谱深度迁移学习方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107064047A (zh) | 一种基于近红外光谱的富士苹果品质无损检测方法 | |
| Sun et al. | Detection of internal qualities of hami melons using hyperspectral imaging technology based on variable selection algorithms | |
| Shen et al. | On‐line discrimination of storage shelf‐life and prediction of post‐harvest quality for strawberry fruit by visible and near infrared spectroscopy | |
| Gao et al. | Soluble solid content and firmness index assessment and maturity discrimination of Malus micromalus Makino based on near-infrared hyperspectral imaging | |
| 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 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN107219184A (zh) | 一种应用于产地溯源的肉类鉴别方法及装置 | |
| 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 | |
| CN106950192A (zh) | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 | |
| Wang et al. | Development of near‐infrared online grading device for long jujube | |
| Noypitak et al. | Evaluation of astringency and tannin content in ‘Xichu’persimmons using near infrared spectroscopy | |
| Wang et al. | NIR based wireless sensing approach for fruit monitoring | |
| Lu et al. | Fluorescence hyperspectral image technique coupled with HSI method to predict solanine content of potatoes | |
| Si et al. | Quality assessment of fruits and vegetables based on spatially resolved spectroscopy: A review | |
| CN105527236A (zh) | 一种利用光谱法测定农产品主要营养成分的方法 | |
| Liu et al. | Nondestructive determination of soluble solids content of persimmons by using dielectric spectroscopy | |
| Chen et al. | Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods | |
| Qi et al. | Rapid and non-destructive determination of soluble solid content of crown pear by visible/near-infrared spectroscopy with deep learning regression | |
| Chen et al. | Prediction of apple internal qualities using hyperspectral imaging techniques | |
| Li et al. | Nondestructive detection of tomato quality based on multiregion combination model | |
| Liu et al. | Building kinetic models to determine moisture content in apples and predicting shelf life based on spectroscopy | |
| Fu et al. | Discrimination of pear varieties using three classification methods based on near-infrared spectroscopy | |
| Li et al. | Study on a two‐dimensional correlation visible–near infrared spectroscopy kinetic model for the moisture content of fresh walnuts stored at room temperature | |
| Yu et al. | Parameter optimization in soluble solid content prediction of entire bunches of grape based on near infrared spectroscopic technique | |
| Zhan et al. | Determination of SSC and TA content of pear by Vis-NIR spectroscopy combined CARS and RF algorithm |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170818 |
|
| WD01 | Invention patent application deemed withdrawn after publication |