CN109946243A - 快速无损检测李子可溶性固形物含量的方法 - Google Patents
快速无损检测李子可溶性固形物含量的方法 Download PDFInfo
- Publication number
- CN109946243A CN109946243A CN201910232799.XA CN201910232799A CN109946243A CN 109946243 A CN109946243 A CN 109946243A CN 201910232799 A CN201910232799 A CN 201910232799A CN 109946243 A CN109946243 A CN 109946243A
- Authority
- CN
- China
- Prior art keywords
- plum
- solid content
- soluble solid
- sample
- samples
- 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
- 239000007787 solid Substances 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000011156 evaluation Methods 0.000 title claims abstract description 10
- 238000001228 spectrum Methods 0.000 claims abstract description 33
- 230000003595 spectral effect Effects 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000005192 partition Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims abstract description 3
- 238000000985 reflectance spectrum Methods 0.000 claims abstract description 3
- 239000000523 sample Substances 0.000 claims description 45
- 238000002310 reflectometry Methods 0.000 claims description 7
- 229910052736 halogen Inorganic materials 0.000 claims description 6
- 150000002367 halogens Chemical class 0.000 claims description 6
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 6
- 229910052721 tungsten Inorganic materials 0.000 claims description 6
- 239000010937 tungsten Substances 0.000 claims description 6
- 239000013307 optical fiber Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004611 spectroscopical analysis Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000003287 optical effect Effects 0.000 claims description 2
- 239000000835 fiber Substances 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000009659 non-destructive testing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003712 anti-aging effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
本发明涉及机器视觉领域，具体是一种快速无损检测李子可溶性固形物含量的方法。该方法包括以下步骤：收集不同品种的新鲜李子样本，采用光谱采集系统获取所有样本的平均反射光谱，并采用标准正态变换对原始光谱数据进行预处理；利用ATAGO PAL‑α数字手持袖珍折射仪测量所有李子样本的可溶性固形物含量值；利用SPXY算法将所有样本按照校正集和预测集样本数3:1的比例划分，并应用连续投影算法选取特征波长；采用误差反向传播网络模型建立李子可溶性固形物含量的预测模型；本发明通过光谱技术结合BP网络，可实现李子可溶性固形物含量的无损、快速检测。
Description
技术领域
本发明涉及机器视觉领域，具体是一种快速无损检测李子可溶性固形物含量的方法。
背景技术
李子中含有多种营养成分，有养颜美容、润滑肌肤的作用；李子中抗氧化剂含量高的惊人，堪称抗衰老、防疾病的“超级水果”，深受广大消费者的青睐。可溶性固形物含量是评价果实成熟度的重要指标之一，由于李子属于典型的呼吸跃变型水果，采后果肉极易后熟软化，难以贮藏。通常采摘还未成熟的李子，以延长其贮藏期；但若采摘过早，李子过于生硬影响口感，若采摘过晚，李子过于柔软，容易腐烂难以贮藏。因此，确定合适的采摘成熟度是延长贮藏期并保证其品质的关键因素。目前对李子可溶性固形物含量的测定需要对样品进行处理，不仅会破坏检测样品，而且难以实现快速、大样本量的无损检测。
近年来，基于光谱技术的无损检测以其无损、快速、高效等诸多优点深受广大科研工作者的青睐，被广泛应用于食品行业、医药行业以及化工行业等各个领域。然而，基于光谱技术获取的数据量非常大，难以实现工业化检测。因此，在实现对李子可溶性固形物含量无损检测的同时，需要采用特征变量提取方法对光谱数据进行降维，进而实现李子可溶性固形物含量的快速、无损检测。
发明内容
针对上述现有技术中的不足之处，本发明旨在提供一种快速无损检测李子可溶性固形物含量的方法，以解决上述背景技术中存在的问题。
为解决上述技术问题，本发明的技术方案为：一种快速无损检测李子可溶性固形物含量的方法，该方法包括以下步骤：选取不同品种的新鲜李子样本，采用光谱采集系统获取所有样本的平均反射光谱，并采用标准正态变换对原始光谱数据进行预处理；利用ATAGOPAL-α数字手持袖珍折射仪测量所有李子样本的可溶性固形物含量含量值；利用SPXY算法将所有样本按照校正集和预测集样本数3:1的比例划分，并应用连续投影算法选取特征波长；采用误差反向传播网络模型建立李子可溶性固形物含量的预测模型，计算得到待检李子样本的可溶性固形物含量。
具体步骤为：
（1）选取大小均匀无任何损伤的“红”李子、“青”李子样本；将所有样本依次编号后放在室温（22±2）℃下储藏，每隔1天取样一次，利用光谱采集系统获取李子样本的平均光谱反射率，其中光谱采集系统的积分时间是110 ms，扫描次数平均为8，滑动平均宽度为1；
光谱采集过程由OceanView软件控制，光谱范围为集202.25~995.38nm，在此范围内共1024个波段；在MATLAB R2016b软件中采用标准正态变换对原始光谱数据进行预处理，以消除表面散射以及光程变化对光谱的影响，经标准正态变换处理后得光谱曲线；
（2）将李子样本去皮后，利用ATAGO PAL-α数字手持袖珍折射仪测量所有李子样本的可溶性固形物含量，每个样本分别测量3次求平均值，建立李子可溶性固形物含量数据库；结合（1）所得预处理后的光谱数据和实际测得的可溶性固形物含量，进一步利用SPXY算法将李子样本按照3:1的比例划分为校正集和预测集；
（3）应用连续投影算法选取特征波长，共选取了31个最佳波长作为特征波长，这31个特征波长按重要性从高到低依次为：840.70，369.69，245.49，243.86，377.68，221.86，287.66，507.55，649.82，217.78，230.01，214.51，213.69，225.94，243.04，317.52，255.24，268.23，224.31，234.09，205.52，266.60，323.96，290.90，303.82，208.79，203.06，292.51，221.04，260.92，247.11nm；
（4）将经应用连续投影算法选取的31个特征波长作为BP网络模型的输入，由于BP网络模型随机选取初始权值，因此采用50次重复建模结果的平均值作为最终结果，其中建模集中李子样本预测值与真实值的决定系数RC为0.981，均方根误差RMSEC为0.402，预测集中李子样本预测值与实际的决定系数RP为0.842，均方根误差RMSEP为2.771；
（5）利用光谱采集系统提取样本待检李子样本的平均光谱反射率，对所得原始光谱数据进行标准正态变换后，再将31个特征波长对应的光谱反射率输入李子可溶性固形物含量预测模型中，计算得到测定待检李子样本的可溶性固形物含量。
所述光谱采集系统包括计算机、光谱仪、卤钨灯光源、反射探头支架、标准反射白板及光纤，所述光谱仪、卤钨灯光源均通过光纤与光谱仪连接，所述光谱仪与计算机信号连接，所述标准反射白板置于反射探头支架的正对面，所述计算机用于控制整个系统。
本发明利用光谱技术结合化学计量学检测李子可溶性固形物含量不但能实现快速无损检测，而且检测效果很好。
附图说明
图1为本发明的光谱采集系统的结构示意图；
图2为本发明的经标准正态变换（SNV）处理后的光谱曲线图；
图3为本发明的应用连续投影算法所得的RMSEP随SPA中有效波长数的变化规律；
图4为本发明的李子可溶性固形物含量预测值与真实值的比较示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
实施例
本实施例中在当地沃尔玛超市选取一批大小均匀无任何损伤的“红”李子60个、“青”李子60个，共120个李子样本；将所有样本依次编号后放在室温（22±2）℃下储藏，每隔1天取样一次，每次取样30个，利用光谱采集系统获取李子样本的平均光谱反射率，光谱采集系统如图1所示；包括计算机1、光谱仪2、卤钨灯光源3、反射探头支架4、标准反射白板5及光纤6，所述光谱仪2、卤钨灯光源3均通过光纤6与光谱仪2连接，所述光谱仪2与计算机1信号连接，所述标准反射白板5置于反射探头支架4的正对面，所述计算机1用于控制整个系统。其中光谱采集系统的积分时间是110 ms，扫描次数平均为8，滑动平均宽度为1；
光谱采集过程由OceanView（Ocean Optics，copyright 2013）软件控制，光谱范围为集202.25~995.38nm，在此范围内共1024个波段；在MATLAB R2016b软件中采用标准正态变换（standard normal variate，SNV）对原始光谱数据进行预处理，以消除表面散射以及光程变化对光谱的影响，经标准正态变换（SNV）处理后的光谱曲线如图2所示；
将李子样本去皮后，利用ATAGO PAL-α数字手持袖珍折射仪测量所有李子样本的可溶性固形物含量（可溶性固形物含量值），每个样本分别测量3次求平均值，建立李子可溶性固形物含量数据库；结合步骤1所得预处理后的光谱数据和实际测得的可溶性固形物含量，进一步利用SPXY（sample set partitioning based on joint x-y distances）算法将120个李子按照3:1的比例划分为校正集（90个样本）和预测集（30个样本）；
应用连续投影算法（successive projections algorithm，SPA）选取特征波长，共选取了31个最佳波长作为特征波长，这31个特征波长按重要性从高到低依次为：840.70，369.69，245.49，243.86，377.68，221.86，287.66，507.55，649.82，217.78，230.01，214.51，213.69，225.94，243.04，317.52，255.24，268.23，224.31，234.09，205.52，266.60，323.96，290.90，303.82，208.79，203.06，292.51，221.04，260.92，247.11nm；应用连续投影算法所得的RMSEP随SPA中有效波长数的变化规律如图3所示；
经SPA选取的31个特征波长作为BP网络模型的输入，由于BP网络模型随机选取初始权值，因此采用50次重复建模结果的平均值作为最终结果，其中建模集中李子样本预测值与真实值的决定系数RC为0.981，均方根误差RMSEC为0.402，预测集中李子样本预测值与实际的决定系数RP为0.842，均方根误差RMSEP为2.771，其预测值与真实值的比较示意图如图4所示；
利用光谱采集系统提取样本待检李子样本的平均光谱反射率，对所得原始光谱数据进行标准正态变换（SNV）后，再将31个特征波长对应的光谱反射率输入李子可溶性固形物含量预测模型中，由此计算得到测定待检李子样本的可溶性固形物含量。
由以上实施例可以看出，本发明利用光谱技术结合化学计量学检测李子可溶性固形物含量不但能实现快速无损检测，而且检测效果很好。
显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
Claims (3)
1.一种快速无损检测李子可溶性固形物含量的方法，其特征在于，该方法包括以下步骤：选取不同品种的新鲜李子样本，采用光谱采集系统获取所有样本的平均反射光谱，并采用标准正态变换对原始光谱数据进行预处理；利用ATAGO PAL-α数字手持袖珍折射仪测量所有李子样本的可溶性固形物含量含量值；利用SPXY算法将所有样本按照校正集和预测集样本数3:1的比例划分，并应用连续投影算法选取特征波长；采用误差反向传播网络模型建立李子可溶性固形物含量的预测模型，计算得到待检李子样本的可溶性固形物含量。
2.根据权利要求1所述的快速无损检测李子可溶性固形物含量的方法，其特征在于，具体步骤为：
（1）选取大小均匀无任何损伤的“红”李子、“青”李子样本；将所有样本依次编号后放在室温（22±2）℃下储藏，每隔1天取样一次，利用光谱采集系统获取李子样本的平均光谱反射率，其中光谱采集系统的积分时间是110 ms，扫描次数平均为8，滑动平均宽度为1；
光谱采集过程由OceanView软件控制，光谱范围为集202.25~995.38nm，在此范围内共1024个波段；在MATLAB R2016b软件中采用标准正态变换对原始光谱数据进行预处理，以消除表面散射以及光程变化对光谱的影响，经标准正态变换处理后得光谱曲线；
（2）将李子样本去皮后，利用ATAGO PAL-α数字手持袖珍折射仪测量所有李子样本的可溶性固形物含量，每个样本分别测量3次求平均值，建立李子可溶性固形物含量数据库；结合（1）所得预处理后的光谱数据和实际测得的可溶性固形物含量，进一步利用SPXY算法将李子样本按照3:1的比例划分为校正集和预测集；
（3）应用连续投影算法选取特征波长，共选取了31个最佳波长作为特征波长，这31个特征波长按重要性从高到低依次为：840.70，369.69，245.49，243.86，377.68，221.86，287.66，507.55，649.82，217.78，230.01，214.51，213.69，225.94，243.04，317.52，255.24，268.23，224.31，234.09，205.52，266.60，323.96，290.90，303.82，208.79，203.06，292.51，221.04，260.92，247.11nm；
（4）将（3）中经应用连续投影算法选取的31个特征波长作为BP网络模型的输入，由于BP网络模型随机选取初始权值，因此采用50次重复建模结果的平均值作为最终结果，其中建模集中李子样本预测值与真实值的决定系数RC为0.981，均方根误差RMSEC为0.402，预测集中李子样本预测值与实际的决定系数RP为0.842，均方根误差RMSEP为2.771；
（5）利用光谱采集系统提取样本待检李子样本的平均光谱反射率，对所得原始光谱数据进行标准正态变换后，再将31个特征波长对应的光谱反射率输入李子可溶性固形物含量预测模型中，计算得到待检李子样本的可溶性固形物含量。
3.根据权利要求1或2所述的快速无损检测李子可溶性固形物含量的方法，其特征在于：所述光谱采集系统包括计算机、光谱仪、卤钨灯光源、反射探头支架、标准反射白板及光纤，所述光谱仪、卤钨灯光源均通过光纤与光谱仪连接，所述光谱仪与计算机信号连接，所述标准反射白板置于反射探头支架的正对面，所述计算机用于控制整个系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910232799.XA CN109946243A (zh) | 2019-03-26 | 2019-03-26 | 快速无损检测李子可溶性固形物含量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910232799.XA CN109946243A (zh) | 2019-03-26 | 2019-03-26 | 快速无损检测李子可溶性固形物含量的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109946243A true CN109946243A (zh) | 2019-06-28 |
Family
ID=67010859
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910232799.XA Pending CN109946243A (zh) | 2019-03-26 | 2019-03-26 | 快速无损检测李子可溶性固形物含量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109946243A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111044469A (zh) * | 2019-12-30 | 2020-04-21 | 北京农业智能装备技术研究中心 | 基于单积分球的水果可溶性固形物检测方法及设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107300536A (zh) * | 2017-08-25 | 2017-10-27 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
| 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 |
-
2019
- 2019-03-26 CN CN201910232799.XA patent/CN109946243A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107300536A (zh) * | 2017-08-25 | 2017-10-27 | 天津商业大学 | 基于高光谱的芒果冲击损伤后可溶性固形物含量预测方法 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| 刘燕德: "可见／近红外光谱法无损检测赣南脐橙可溶性固形物", 《光学学报》 * |
| 孙静涛: "高光谱技术结合特征波长筛选和支持向量机的哈密瓜成熟度判别研究", 《光谱学与光谱分析》 * |
| 尚静: "紫外/可见光谱技术无损检测李子可溶性固形物含量", 《食品工业科技》 * |
| 罗霞: "高光谱技术在无损检测火龙果可溶性固形物中的应用", 《激光与光电子学进展》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111044469A (zh) * | 2019-12-30 | 2020-04-21 | 北京农业智能装备技术研究中心 | 基于单积分球的水果可溶性固形物检测方法及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Nondestructive measurement of internal quality of Nanfeng mandarin fruit by charge coupled device near infrared spectroscopy | |
| Lu et al. | DETERMINATION OF FIRMNESS AND SUGAR CONTENT OF APPLES USING NEAR‐INFRARED DIFFUSE REFLECTANCE 1 | |
| McGlone et al. | Vis/NIR estimation at harvest of pre-and post-storage quality indices for ‘Royal Gala’apple | |
| Mariani et al. | NIRS and iSPA-PLS for predicting total anthocyanin content in jaboticaba fruit | |
| Van Beers et al. | Optimal illumination-detection distance and detector size for predicting Braeburn apple maturity from Vis/NIR laser reflectance measurements | |
| Subedi et al. | Non-invasive techniques for measurement of fresh fruit firmness | |
| Sun et al. | Detection of internal qualities of hami melons using hyperspectral imaging technology based on variable selection algorithms | |
| CN107064047A (zh) | 一种基于近红外光谱的富士苹果品质无损检测方法 | |
| CN104965973B (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
| Moons et al. | Non destructive visible and NIR spectroscopy measurement for the determination of apple internal quality | |
| CN106501211A (zh) | 近红外光谱信息评价牛肉品质数据模型的建立方法与应用 | |
| CN108846203A (zh) | 水果无损检测的方法及装置 | |
| CN109975217A (zh) | 基于高光谱成像系统的李子可溶性固形物含量值检测方法 | |
| CN109946243A (zh) | 快速无损检测李子可溶性固形物含量的方法 | |
| Tian et al. | Internal quality assessment of kiwifruit by bulk optical properties and online transmission spectra | |
| Lu et al. | Nondestructive determination of soluble solids and firmness in mix-cultivar melon using near-infrared CCD spectroscopy | |
| CN109946246A (zh) | 一种苹果可溶性固形物的检测方法及装置 | |
| Wang et al. | Application of visible/near-infrared spectroscopy combined with machine vision technique to evaluate the ripeness of melons (Cucumis melo L.) | |
| Gao et al. | Comparative analysis of non-destructive prediction model of soluble solids content for malus micromalus makino based on near-infrared spectroscopy | |
| CN106198423A (zh) | 一种基于可见‑近红外光谱分析技术鉴别火腿肠等级的方法 | |
| Slaughter et al. | Non-destructive determination of soluble solids in papayas using near infrared spectroscopy | |
| Luo et al. | Nondestructive measurement of sugar content in navel orange based on Vis-NIR spectroscopy | |
| Cayuela | Prediction of intact nectarine quality using a Vis/NIR portable spectrometer | |
| Lu et al. | Non-invasive measurements of the internal quality of intact'Gannan'navel orange by VIS/NIR spectroscopy | |
| Xiaobo et al. | Using genetic algorithm interval partial least squares selection of the optimal near infrared wavelength regions for determination of the soluble solids content of “Fuji” apple |
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 |
Application publication date: 20190628 |
|
| RJ01 | Rejection of invention patent application after publication |