CN109946246B - 一种苹果可溶性固形物的检测方法及装置 - Google Patents

Abstract

本发明实施例提供一种苹果可溶性固形物的检测方法及装置，包括获取苹果样品标记点区域的光谱信息，获取苹果样品标记点区域可溶性固形物含量的实测值；根据光谱信息及其对应的可溶性固形物实测值，利用偏最小二乘算法建立苹果可溶性固形物含量预测模型；随机选取并获取预设数量苹果样品标记点区域可溶性固形物含量的预测值及其对应的实测值，结合斜率/偏差(Slope/Bias,S/B)模型传递算法建立苹果可溶性固形物含量校正模型。本发明实施例采用S/B算法对苹果可溶性固形物含量预测模型进行校正，克服了苹果的生理差异、仪器老化对苹果可溶性固形物预测模型的预测精度的影响，提高了对苹果可溶性固形物的预测精度。

Description

一种苹果可溶性固形物的检测方法及装置

技术领域

本发明实施例涉及苹果品质检测技术领域，尤其涉及一种苹果可溶性固形物的检测方法及装置。

背景技术

可溶性固形物是衡量苹果内部品质的重要指标，也是影响消费者购买意愿的决定因素。近红外光谱技术以其快速无损的优势在苹果可溶性固形物检测方面得到了广泛应用。

然而在实际应用中，苹果可溶性固形物检测模型的稳定性和预测性能往往受到苹果样品的产地、收获季节、年份等苹果样品生理差异的影响。虽然前期研究针对上述各影响因素，分别提出了苹果糖度光谱检测的产地、温度、颜色、季节等校正模型，但上述分析都是针对单一因素进行讨论，校正模型在后续研究和实际应用中仍然缺少有效验证。另外，检测仪器在长时间使用过程中，光源、探头及内部的光纤等光路结构都会产生不同程度的损耗，给水果光谱信息的采集以至后续结果预测带来一定的负面影响。

发明内容

本发明实施例提供一种苹果可溶性固形物的检测方法，用以克服苹果的生理差异(样本的产地、收获季节等)对苹果可溶性固形物预测模型的预测精度的影响，实现对苹果可溶性固形物含量的长期有效预测。

第一方面，本发明实施例提供一种苹果可溶性固形物的检测方法，该方法包括：

获取苹果样品标记点区域的光谱信息，获取苹果样品标记点区域可溶性固形物含量的实测值；

根据所述苹果样品标记点区域的光谱信息及其对应的可溶性固形物实测值，结合偏最小二乘算法建立苹果可溶性固形物含量预测模型；

随机选取并获取预设数量苹果样品并获取其标记点区域可溶性固形物含量的预测值及其对应的实测值，结合S/B算法建立苹果可溶性固形物含量校正模型。

第二方面，本发明实施例还提供一种苹果可溶性固形物的检测装置，该装置包括：

获取模块，用于获取苹果样品标记点区域的光谱信息，获取苹果样品标记点区域可溶性固形物含量的实测值；

预测模块，用于根据所述苹果样品标记点区域的光谱信息及其对应的可溶性固形物含量实测值，结合偏最小二乘算法建立苹果可溶性固形物含量预测模型，进而计算所述苹果样品标记点区域可溶性固形物含量的预测值；

校正模块，随机选取预设数量苹果样品并获取其标记点区域可溶性固形物含量的预测值及其对应的实测值，结合S/B算法建立苹果可溶性固形物含量校正模型。

本发明实施例提供的苹果可溶性固形物的检测方法及装置，采集苹果样品标记点区域的光谱信息及其对应的可溶性固形物含量实测值，结合偏最小二乘算法建立苹果可溶性固形物含量预测模型，用于新的苹果样品标记点区域可溶性固形物含量的预测。为了进一步提高苹果可溶性固形物含量的预测精度，利用该预测模型对新的样品集进行检测时，随机选取预设数量苹果样品并获取其标记点区域可溶性固形物含量的预测值及其对应的实测值，结合S/B算法建立苹果可溶性固形物含量校正模型。本发明实施例采用S/B算法对苹果可溶性固形物含量预测模型进行校正，克服了苹果的生理差异(样本的产地、收获季节等)对苹果可溶性固形物预测模型的预测精度的影响，提高了对苹果可溶性固形物的预测精度。对不同生理差异苹果可溶性固形物的长期有效预测奠定了理论基础。对于水果可溶性固形物在线检测系统的构建、应用和后续使用过程中的模型校正提供方法参考。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为根据本发明实施例提供的苹果可溶性固形物的检测方法流程示意图；

图2为根据本发明实施例提供的苹果可溶性固形物含量校正模型的验证流程示意图；

图3为根据本发明实施例提供的5个独立验证集苹果可溶性固形物含量的实测值及其对应的校正值散点图；

图4为根据本发明实施例提供的苹果可溶性固形物的检测装置的结构框图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例是本发明一部分实施例，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他实施例，都属于本发明保护的范围。

需要说明的是，在本发明实施例的描述中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

由于传统苹果可溶性固形物检测模型的稳定性和预测精度往往受到苹果样品的产地、收获季节、年份等苹果样品生理差异的影响。另外，检测仪器在长时间使用过程中，光源、探头及内部的光纤等光路结构都会产生不同程度的损耗，给水果光谱信息的采集以至后续结果预测带来一定的负面影响。

因此，本发明实施例提供一种苹果可溶性固形物的检测方法及装置，采集苹果样品标记点区域的光谱信息及其对应的可溶性固形物含量实测值，利用偏最小二乘算法建立苹果可溶性固形物含量预测模型，用于新的苹果样品标记点区域可溶性固形物含量的预测。为了进一步提高苹果可溶性固形物含量的预测精度，利用该模型对新的样品集进行检测时，本发明随机选取并获取预设数量苹果样品标记点区域可溶性固形物含量的预测值及其对应的实测值，采用S/B算法对苹果可溶性固形物含量预测模型进行校正，克服了苹果的生理差异(样本的产地、收获季节等)对苹果可溶性固形物预测模型的预测精度的影响，提高了对苹果可溶性固形物的预测精度。解决了因苹果的生理差异或检测仪器本身的问题导致苹果可溶性固形物预测模型的预测精度受到影响的技术问题。

图1为根据本发明实施例提供的苹果可溶性固形物的检测方法流程示意图，参照图1，该方法包括：

101，获取苹果样品标记点区域的光谱信息，获取苹果样品标记点区域可溶性固形物含量的实测值。

为了便于理解本发明实施例的具体过程，现通过如下示例进行具体举例说明：

对于苹果样品的采集，本实施例收集2012到2018年共7个批次具有丰富生理差异的1053个富士苹果作为苹果样品。每一年的苹果样品对应一个苹果样品数据集，共采集获得7个苹果样品数据集。采集光谱数据前，将苹果样品放置在实验室12个小时，使苹果样品温度达到室温以减少环境温度对苹果可溶性固形物测量产生影响。

具体的，本实施例采用AntarisⅡ傅立叶变换近红外光谱仪(Thermo FisherScientific Inc.,USA)采集苹果样品标记点区域的光谱信息。本实施例中，在苹果样品的赤道作标记点，苹果样品标记点区域即为苹果样品赤道标记点区域。可以理解的是，也可以在苹果的果梗或花萼作标记点，可以根据实际需求进行设置，此处不做具体限定。

在光谱信息采集完成后，使用折光仪对苹果样品标记点区域可溶性固形物含量进行测定，折光仪的读数即为苹果样品标记点区域可溶性固形物含量的实测值。折光仪的使用流程具体为：将每个苹果样品从赤道标记区域切取一定厚度的果肉，经过滤挤汁滴于折光仪镜面，读取并记录读数。

102，根据所述苹果样品标记点区域的光谱信息及其对应的可溶性固形物含量实测值，利用偏最小二乘算法建立苹果可溶性固形物含量预测模型。苹果可溶性固形物含量预测模型用于新的苹果样品标记点区域可溶性固形物含量的预测。

需要说明的是，因光谱变量之间存在大量的冗余和共线性信息，对光谱有效信息的提取产生了较大的干扰，造成模型复杂、计算量大等问题。本实例基于上述苹果样品标记点区域的光谱信息，采用竞争性自适应重加权算法(competitive adaptive reweightedsampling，CARS)与连续投影算法(Successive projections algorithm，SPA)从全波段10000-4000cm^-1挑选出若干个苹果可溶性固形物含量的特征波长，基于上述特征波长，采用偏最小二乘算法建立苹果可溶性固形物含量预测模型。苹果可溶性固形物含量预测模型具体为：

Y_p＝∑A_kλ_k+B；

其中，Y_p为苹果可溶性固形物含量的预测值，k为挑选的特征波长，λ_k为k波长下的吸光度光谱，A_k为λ_k的回归系数，B为常数。

为了便于理解本发明实施例建立苹果可溶性固形物含量预测模型的具体过程，现通过如下示例进行具体举例说明：

本实例基于2012～2013年的苹果样品标记点区域的光谱信息，采用竞争性自适应重加权算法(competitive adaptive reweighted sampling，CARS)与连续投影算法(Successive projections algorithm，SPA)从全波段10000-4000cm^-1挑选出15个苹果可溶性固形物含量的特征波长，结合偏最小二乘算法建立的苹果可溶性固形物含量预测模型的表达式为：

式中，Yssc为苹果可溶性固形物含量的预测值，单位为°Brix。X_4290.84为波数为4290.84cm^-1对应的经平滑和SNV处理后的光谱值。-96.8为X_4290.84的回归系数，23.96为常数。

103，利用步骤102建立的预测模型对新的样品集进行检测时，随机选取预设数量苹果样品并获取其标记点区域可溶性固形物含量的预测值及其对应的实测值，结合S/B算法建立苹果可溶性固形物含量校正模型。其中，苹果样品标记点区域可溶性固形物含量的预测值是通过步骤102建立的苹果可溶性固形物含量预测模型得到的。

需要说明的是，本实施例为了降低苹果样品生理差异以及检测仪器老化问题对上述苹果可溶性固形物含量预测模型的预测精度的影响，提出利用斜率/偏差(Slope/Bias,S/B)算法对预测结果进行校正。

本发明实施例提供的苹果可溶性固形物的检测方法，采集苹果样品标记点区域的光谱信息及对应可溶性固形物实测值，结合偏最小二乘算法建立苹果可溶性固形物含量预测模型，用于新的苹果样品标记点区域可溶性固形物含量的预测。为了进一步提高苹果可溶性固形物含量的预测精度，利用该模型对新的样品集进行检测时，本发明随机选取预设数量苹果样品并获取其标记点区域可溶性固形物含量的预测值及其对应的实测值，结合S/B算法建立苹果可溶性固形物含量校正模型。本发明实施例采用S/B算法对苹果可溶性固形物含量预测模型进行校正，克服了苹果的生理差异(样本的产地、收获季节等)对苹果可溶性固形物预测模型的预测精度的影响，提高了对苹果可溶性固形物的预测精度。对不同生理差异苹果可溶性固形物的长期有效预测奠定了理论基础。对于水果可溶性固形物在线检测系统的构建、应用和后续使用过程中的模型校正提供方法参考。

在上述实施例的基础上，在步骤102之前，所述方法还包括：

结合平均平滑和标准变量变换方法，对苹果样品标记点区域的光谱信息进行预处理。

具体的，步骤101采集到的苹果样品标记点区域的光谱信息，除含有自身化学信息外，往往还包含仪器的噪声，以及由于样本自身温度、大小、品质等生理差异而产生的基线漂移、样品表面散射及光程变化等等，因此利用光谱信息建立苹果可溶性固形物含量预测模型前，对光谱进行预处理十分关键和必要。本发明实施例采用平均平滑和标准变量变换(standard normal variate,SNV)结合的预处理方法，以提高光谱信息的可靠性。

在上述各实施例的基础上，步骤103中，利用该模型对新的样品集进行检测时，随机选取并获取预设数量苹果样品标记点区域可溶性固形物含量的预测值及其对应的实测值，建立苹果可溶性固形物含量校正模型具体包括：

从新的苹果样品数据集中随机选取预设数量的苹果样品，获取预设数量苹果样品标记点区域可溶性固形物含量的预测值及其对应的实测值。

根据预设数量苹果样品标记点区域可溶性固形物含量的预测值及其对应的实测值，采用S/B算法，建立苹果可溶性固形物含量校正模型。

具体地，在步骤102中建立的苹果可溶性固形物含量预测模型是基于2012和2013年的苹果样品数据集，利用偏最小二乘算法获得的。在步骤102建立苹果可溶性固形物含量预测模型之后，本实施例需要从新的苹果样品数据集中随机选取10个苹果样品。新的苹果样品数据集即是2014到2018年的5个苹果样品数据集。将上述10个苹果样品标记点区域的光谱信息作为苹果可溶性固形物含量预测模型的输入得到苹果样品标记点区域可溶性固形物含量预测值Y_p。利用步骤101中的方法，使用折光仪获取苹果样品标记点区域可溶性固形物含量的实测值Y_m。采用S/B算法，假设实测值Y_m和预测值Y_p存在线性关系，得到苹果可溶性固形物含量校正模型具体为：

Y_m＝aY_p+b

式中，Y_m为苹果可溶性固形物含量的实测值，Y_p为苹果可溶性固形物含量的预测值，a和b为校正参数。采用最小二乘拟合算法计算出a和b。

在上述各实施例的基础上，在步骤103建立苹果可溶性固形物含量校正模型后，苹果可溶性固形物的检测方法还包括：

104，对苹果可溶性固形物含量校正模型进行验证。

图2为根据本发明实施例提供的苹果可溶性固形物含量校正模型的验证流程示意图。参照图2，本实施例中，对苹果可溶性固形物含量校正模型进行验证具体包括：

201，选取若干苹果样品作为独立验证集，根据苹果可溶性固形物含量预测模型获取独立验证集苹果可溶性固形物含量的预测值。

为了便于理解本发明实施例建立对苹果可溶性固形物含量校正模型进行验证的具体过程，现通过如下示例进行具体举例说明：

为了验证上述苹果可溶性固形物含量校正模型的预测精度及稳定性，本实施例以2014到2018年采集的共5个年份的苹果样品数据集作为5个独立验证集，对上述苹果可溶性固形物含量校正模型进行验证。

以2014年的苹果样品数据集为例，首先，根据步骤102中的苹果可溶性固形物含量预测模型得到该独立验证集苹果可溶性固形物含量预测值。

202，获取独立验证集苹果可溶性固形物含量的实测值，计算独立验证集苹果可溶性固形物含量的实测值和预测值的第一均方根误差。

具体地，根据步骤101中的方法，使用折光仪获取2014年独立验证集苹果可溶性固形物含量的实测值。结合步骤201中得到的独立验证集苹果可溶性固形物含量预测值，计算独立验证集苹果可溶性固形物含量的实测值和预测值的第一均方根误差RMSEP₁和第一相关系数Rp₁。可以理解的是，本实施例除了计算独立验证集苹果可溶性固形物含量的实测值和预测值的第一均方根误差外，还可以计算它们的相关系数作为评价指标，在此不做具体限制。

203，根据苹果可溶性固形物含量校正模型获取独立验证集苹果可溶性固形物含量的校正值，计算独立验证集苹果可溶性固形物含量的实测值和校正值的第二均方根误差。

具体地，从该独立验证集中随机挑选10个样本带入步骤102中苹果可溶性固形物含量预测模型中计算独立验证集苹果可溶性固形物含量预测值。根据步骤103中的S/B方法得到苹果可溶性固形物含量校正模型Y_m＝aY_p+b。根据苹果可溶性固形物含量校正模型获取独立验证集除去上述10个样本外的苹果可溶性固形物含量的校正值，计算独立验证集苹果可溶性固形物含量的实测值和校正值的第二均方根误差和第二相关系数Rp₂。

可以理解的是，相关系数(Rp)越大，预测均方根误差越(RMSEP)越小，说明模型的预测性能越好。

图3为根据本发明实施例提供的5个独立验证集苹果可溶性固形物含量的实测值及其对应的校正值散点图。根据上述步骤201～203所述的方法，获得2015到2018年的苹果样品独立验证集的实测值及其对应的校正值。图3中(a)～(e)分别代表2014到2018年采集的苹果样品各自对应的苹果可溶性固形物含量实测值与校正值散点图。图3中SSC指可溶性固形物含量，图3中的纵坐标“SSC预测值”是指采用苹果可溶性固形物含量校正模型获取的可溶性固形物含量校正后的预测值，即可溶性固形物含量校正值。

204，通过比较第一均方根误差和第二均方根误差，验证苹果可溶性固形物含量校正模型对于苹果可溶性固形物含量的预测精度。

需要说明的是，同时，为进一步说明该分析方法的有效性，表1给出了应用苹果可溶性固形物含量预测模型得出的苹果可溶性固形物含量预测值和折光仪获取的实测值之间的第一均方根误差RMSEP₁和第一相关系数Rp₁，表1还给出了应用苹果可溶性固形物含量校正模型得出的苹果可溶性固形物含量校正值和折光仪获取的实测值之间的第二均方根误差RMSEP₂和第二相关系数Rp₂。

表1

可以理解的是，相关系数(Rp)越大，预测均方根误差越(RMSEP)越小，说明模型的预测性能越好。根据表1中的RMSEP₁和RMSEP₂可知，当应用苹果可溶性固形物含量预测模型去预测2014～2018年苹果可溶性固形物含量时RMSEP₁值较高，即会产生较大预测误差。其中对于2018年苹果样品的苹果可溶性固形物含量预测，RMSEP₁甚至高达1.464°Brix。说明苹果可溶性固形物含量预测模型在后续使用过程中受检测仪器或样本自身生理差异的影响较大，导致该模型获取的苹果可溶性固形物含量预测值与折光仪测量的实测值存在较大偏差。而应用苹果可溶性固形物含量校正模型去预测2014～2018年苹果可溶性固形物含量时，在保证较高相关系数Rp₂的条件下RMSEP₂值显著降低，预测误差得到了显著下降。可以验证采用S/B算法校正后建立的苹果可溶性固形物含量校正模型获取苹果可溶性固形物预测结果，能够克服苹果的生理差异(样本的产地、收获季节等)对苹果可溶性固形物预测模型的预测精度的影响，提高对苹果可溶性固形物的预测精度。

图4为根据本发明实施例提供的苹果可溶性固形物的检测装置的结构框图，参照图4，该装置包括获取模块401、预测模块402和校正模块403，其中：

获取模块401用于获取苹果样品标记点区域的光谱信息，获取苹果样品标记点区域可溶性固形物含量的实测值。预测模块402用于根据所述苹果样品标记点区域的光谱信息及对应的可溶性固形物实测值，结合偏最小二乘算法建立苹果可溶性固形物含量预测模型，用于新的苹果样品标记点区域可溶性固形物含量的预测。校正模块403用于随机选取预设数量的苹果样品并获取其标记点区域可溶性固形物含量的预测值及其对应的实测值，结合S/B算法建立苹果可溶性固形物含量校正模型。

具体地，获取模块401采用AntarisⅡ傅立叶变换近红外光谱仪(Thermo FisherScientific Inc.,USA)采集苹果样品标记点区域的光谱信息。本实施例中，在苹果样品的赤道作标记点，苹果样品标记点区域即为苹果样品赤道标记点区域。可以理解的是，也可以在苹果的果梗或花萼作标记点。

在光谱信息采集完成后，使用折光仪对苹果样品标记点区域可溶性固形物含量进行测定，折光仪的读数即为苹果样品标记点区域可溶性固形物含量的实测值。折光仪的使用流程具体为：将每个苹果样品从赤道标记区域切取一定厚度的果肉，经过滤挤汁滴于折光仪镜面，读取并记录读数。

进一步地，预测模块402根据所述苹果样品标记点区域的光谱信息及其对应的可溶性固形物含量实测值，结合偏最小二乘算法建立苹果可溶性固形物含量预测模型，苹果可溶性固形物含量预测模型用于新的苹果样品标记点区域可溶性固形物含量的预测。

需要说明的是，因光谱变量之间存在大量的冗余和共线性信息，对光谱有效信息的提取产生了较大的干扰，造成模型复杂、计算量大等问题。本实例基于上述苹果样品标记点区域的光谱信息，采用竞争性自适应重加权算法(competitive adaptive reweightedsampling，CARS)与连续投影算法(Successive projections algorithm，SPA)从全波段10000-4000cm^-1挑选出若干个苹果可溶性固形物含量的特征波长，基于上述特征波长，采用偏最小二乘算法建立苹果可溶性固形物含量预测模型。苹果可溶性固形物含量预测模型具体为：

Y_p＝∑A_kλ_k+B；

其中，Y_p为苹果可溶性固形物含量的预测值，k为挑选的特征波长，λ_k为k波长下的吸光度光谱，A_k为λ_k的回归系数，B为常数。

例如，本实例基于2012～2013两年的苹果样品标记点区域的光谱信息，采用竞争性自适应重加权算法(competitive adaptive reweighted sampling，CARS)与连续投影算法(Successive projections algorithm，SPA)从全波段10000-4000cm^-1挑选出15个苹果可溶性固形物含量的特征波长，结合偏最小二乘算法建立的苹果可溶性固形物含量预测模型的表达式为：

式中，Yssc为苹果可溶性固形物含量的预测值，单位为°Brix。X_4290.84为波数为4290.84cm^-1对应的经平滑和SNV处理后的光谱值。-96.8为X_4290.84的回归系数，23.96为常数。

进一步地，校正模块403随机选取预设数量的苹果样品并获取其标记点区域可溶性固形物含量的预测值及其对应的实测值，结合S/B算法建立苹果可溶性固形物含量校正模型。

需要说明的是，本实施例为了降低苹果样品生理差异以及检测仪器问题对上述苹果可溶性固形物含量预测模型的预测精度的影响，提出利用斜率/偏差(Slope/Bias,S/B)算法对预测结果进行校正。

本发明实施例提供的苹果可溶性固形物的检测装置，采集苹果样品标记点区域的光谱信息，结合偏最小二乘算法建立苹果可溶性固形物含量预测模型，进而计算所述苹果样品标记点区域可溶性固形物含量的预测值。为了进一步提高苹果可溶性固形物含量的预测精度，本发明根据苹果样品标记点区域可溶性固形物含量的预测值及其对应的实测值，结合S/B算法建立苹果可溶性固形物含量校正模型。本发明实施例采用S/B算法对苹果可溶性固形物含量预测模型进行校正，克服了苹果的生理差异(样本的产地、收获季节等)对苹果可溶性固形物预测模型的预测精度的影响，提高了对苹果可溶性固形物的预测精度。对不同生理差异苹果可溶性固形物的长期有效预测奠定了理论基础。对于水果可溶性固形物在线检测系统的构建、应用和后续使用过程中的模型校正提供方法参考。

在上述各实施例的基础上，参照图4，苹果可溶性固形物的检测装置还包括验证模块404，验证模块404用于对苹果可溶性固形物含量校正模型进行验证；

其中，验证模块404具体用于：

首先，选取若干苹果样品作为独立验证集，根据苹果可溶性固形物含量预测模型获取独立验证集苹果可溶性固形物含量的预测值。

为了便于理解本发明实施例建立对苹果可溶性固形物含量校正模型进行验证的具体过程，现通过如下示例进行具体举例说明：

为了验证上述苹果可溶性固形物含量校正模型的预测精度及稳定性，本实施例以2014到2018年采集的共5个年份的苹果样品数据集作为5个独立验证集，对上述苹果可溶性固形物含量校正模型进行验证。

以2014年的苹果样品数据集为例，首先，根据步骤102中的苹果可溶性固形物含量预测模型得到该独立验证集苹果可溶性固形物含量预测值。

再有，获取独立验证集苹果可溶性固形物含量的实测值，计算独立验证集苹果可溶性固形物含量的实测值和预测值的第一均方根误差。使用折光仪获取2014年独立验证集苹果可溶性固形物含量的实测值。结合步骤201中得到的独立验证集苹果可溶性固形物含量预测值，计算独立验证集苹果可溶性固形物含量的实测值和预测值的第一均方根误差RMSEP₁和第一相关系数Rp₁。可以理解的是，本实施例除了计算独立验证集苹果可溶性固形物含量的实测值和预测值的第一均方根误差外，还可以计算它们的相关系数作为评价指标，在此不做具体限制。

进一步地，根据苹果可溶性固形物含量校正模型获取独立验证集苹果可溶性固形物含量的校正值，计算独立验证集苹果可溶性固形物含量的实测值和校正值的第二均方根误差。具体地，从该独立验证集中随机挑选10个样本带入步骤102中苹果可溶性固形物含量预测模型中计算独立验证集苹果可溶性固形物含量预测值。根据步骤103中的S/B方法得到苹果可溶性固形物含量校正模型Y_m＝aY_p+b。根据苹果可溶性固形物含量校正模型获取独立验证集除去上述10个样本外的苹果可溶性固形物含量的校正值，计算独立验证集苹果可溶性固形物含量的实测值和校正值的第二均方根误差和第二相关系数Rp₂。可以理解的是，相关系数(Rp)越大，预测均方根误差越(RMSEP)越小，说明模型的预测性能越好。

图3为根据本发明实施例提供的5个独立验证集苹果可溶性固形物含量的实测值及其对应的校正值散点图。根据上述步骤201～203所述的方法，获得2015到2018年的苹果样品独立验证集的实测值及其对应的校正值。图3中(a)～(e)分别代表2014到2018年采集的苹果样品各自对应的苹果可溶性固形物含量实测值与校正值散点图。图3中SSC指可溶性固形物含量，图3中的纵坐标“SSC预测值”是指采用苹果可溶性固形物含量校正模型获取的可溶性固形物含量校正后的预测值，即可溶性固形物含量校正值。

最后，通过比较第一均方根误差和第二均方根误差，验证苹果可溶性固形物含量校正模型对于苹果可溶性固形物含量的预测精度。

需要说明的是，为进一步说明该分析方法的有效性，表1给出了应用苹果可溶性固形物含量预测模型得出的苹果可溶性固形物含量预测值和折光仪获取的实测值之间的第一均方根误差RMSEP₁和第一相关系数Rp₁，表1还给出了应用苹果可溶性固形物含量校正模型得出的苹果可溶性固形物含量校正值和折光仪获取的实测值之间的第二均方根误差RMSEP₂和第二相关系数Rp₂。

表1

可以理解的是，相关系数(Rp)越大，预测均方根误差越(RMSEP)越小，说明模型的预测性能越好。根据表1中的RMSEP₁和RMSEP₂可知，当应用苹果可溶性固形物含量预测模型去预测2014～2018年苹果可溶性固形物含量时RMSEP₁值较高，即会产生较大预测误差。其中对于2018年苹果样品的苹果可溶性固形物含量预测，RMSEP₁甚至高达1.464°Brix。说明苹果可溶性固形物含量预测模型在后续使用过程中受检测仪器或样本自身生理差异的影响较大，导致该模型获取的苹果可溶性固形物含量预测值与折光仪测量的实测值存在较大偏差。而应用苹果可溶性固形物含量校正模型去预测2014～2018年苹果可溶性固形物含量时，在保证较高相关系数Rp₂的条件下RMSEP₂值显著降低，预测误差得到了显著下降。可以验证采用S/B算法校正后建立的苹果可溶性固形物含量校正模型获取苹果可溶性固形物预测结果，能够克服苹果的生理差异(样本的产地、收获季节等)对苹果可溶性固形物预测模型的预测精度的影响，提高对苹果可溶性固形物的预测精度。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种苹果可溶性固形物的检测方法，其特征在于，包括：

获取苹果样品标记点区域的光谱信息，获取苹果样品标记点区域可溶性固形物含量的实测值；

根据所述苹果样品标记点区域的光谱信息及其对应的可溶性固形物实测值，利用偏最小二乘算法建立苹果可溶性固形物含量预测模型，具体包括：

从苹果样品标记点区域的光谱信息中挑选用于苹果可溶性固形物检测的若干个特征波长；

基于所述特征波长，采用偏最小二乘算法建立苹果可溶性固形物含量预测模型；所述特征波长是利用竞争性自适应重加权算法和连续投影算法选取的；

所述苹果可溶性固形物含量预测模型是基于一部分苹果样品数据集构建的；另一部分苹果样品数据集为新的苹果样品数据集，所述新的苹果样品数据集为连续不同年份的苹果样品数据集；

随机选取预设数量苹果样品并获取其标记点区域可溶性固形物含量的预测值及其对应的实测值，结合S/B算法建立苹果可溶性固形物含量校正模型，具体包括：

从所述新的苹果样品数据集中随机选取预设数量的苹果样品，获取预设数量苹果样品标记点区域可溶性固形物含量的预测值及其对应的实测值；

根据预设数量苹果样品标记点区域可溶性固形物含量的预测值及其对应的实测值，采用S/B算法，建立苹果可溶性固形物含量校正模型，以使得所述苹果可溶性固形物含量校正模型适应不同批次的具有生理差异的样本；

在所述利用偏最小二乘算法建立苹果可溶性固形物含量预测模型之前，还包括：

获取多个连续年份的苹果样品；

将每个年份的苹果样品作为一个苹果样品数据集，以获取多个苹果样品数据集。

2.根据权利要求1所述的苹果可溶性固形物的检测方法，其特征在于，在根据所述苹果样品标记点区域的光谱信息，利用偏最小二乘算法建立苹果可溶性固形物含量预测模型之前，所述方法还包括：

结合平均平滑和标准变量变换方法，对苹果样品标记点区域的光谱信息进行预处理。

3.根据权利要求1所述的苹果可溶性固形物的检测方法，其特征在于，所述苹果可溶性固形物含量预测模型具体为：

Y_p＝∑A_kλ_k+B；

其中，Y_p为苹果可溶性固形物含量的预测值，k为挑选的特征波长，λ_k为k波长下的吸光度光谱，A_k为λ_k的回归系数，B为常数。

4.根据权利要求1所述的苹果可溶性固形物的检测方法，其特征在于，所述苹果可溶性固形物含量校正模型具体包括：

Y_m＝aY_p+b

式中，Y_m为苹果可溶性固形物含量的实测值，Y_p为苹果可溶性固形物含量的预测值，a和b为校正参数。

5.根据权利要求1或4所述的苹果可溶性固形物的检测方法，其特征在于，在建立苹果可溶性固形物含量校正模型后，所述方法还包括：

对苹果可溶性固形物含量校正模型进行验证。

6.根据权利要求5所述的苹果可溶性固形物的检测方法，其特征在于，所述对苹果可溶性固形物含量校正模型进行验证具体包括：

选取若干苹果样品作为独立验证集，根据苹果可溶性固形物含量预测模型获取独立验证集苹果可溶性固形物含量的预测值；

获取独立验证集苹果可溶性固形物含量的实测值，计算独立验证集苹果可溶性固形物含量的实测值和预测值的第一均方根误差；

根据苹果可溶性固形物含量校正模型获取独立验证集苹果可溶性固形物含量的校正值，计算独立验证集苹果可溶性固形物含量的实测值和校正值的第二均方根误差；

通过比较第一均方根误差和第二均方根误差，验证苹果可溶性固形物含量校正模型对于苹果可溶性固形物含量的预测精度。

7.一种苹果可溶性固形物的检测装置，其特征在于，包括：

获取模块，用于获取苹果样品标记点区域的光谱信息，获取苹果样品标记点区域可溶性固形物含量的实测值；

预测模块，用于根据所述苹果样品标记点区域的光谱信息，结合偏最小二乘算法建立苹果可溶性固形物含量预测模型，具体包括：

从苹果样品标记点区域的光谱信息中挑选用于苹果可溶性固形物检测的若干个特征波长；所述特征波长是利用竞争性自适应重加权算法和连续投影算法选取的；

所述苹果可溶性固形物含量预测模型是基于一部分苹果样品数据集构建的；另一部分苹果样品数据集为新的苹果样品数据集，所述新的苹果样品数据集为连续不同年份的苹果样品数据集；

基于所述特征波长，采用偏最小二乘算法建立苹果可溶性固形物含量预测模型，

校正模块，用于随机选取预设数量苹果样品并获取标记点区域可溶性固形物含量的预测值及其对应的实测值，结合S/B算法建立苹果可溶性固形物含量校正模型，具体包括：

从所述新的苹果样品数据集中随机选取预设数量的苹果样品，获取预设数量苹果样品标记点区域可溶性固形物含量的预测值及其对应的实测值；

根据预设数量苹果样品标记点区域可溶性固形物含量的预测值及其对应的实测值，采用S/B算法，建立苹果可溶性固形物含量校正模型，以使得所述苹果可溶性固形物含量校正模型适应不同批次的具有生理差异的样本；

所述获取模块，还用于：

获取多个连续年份的苹果样品；

将每个年份的苹果样品作为一个苹果样品数据集，以获取多个苹果样品数据集。

8.根据权利要求7所述的苹果可溶性固形物的检测装置，其特征在于，所述装置还包括验证模块，所述验证模块用于对苹果可溶性固形物含量校正模型进行验证；

所述验证模块具体用于：

选取若干苹果样品作为独立验证集，根据苹果可溶性固形物含量预测模型获取独立验证集苹果可溶性固形物含量的预测值；

获取独立验证集苹果可溶性固形物含量的实测值，计算独立验证集苹果可溶性固形物含量的实测值和预测值的第一均方根误差；

根据苹果可溶性固形物含量校正模型获取独立验证集苹果可溶性固形物含量的校正值，计算独立验证集苹果可溶性固形物含量的实测值和校正值的第二均方根误差；

通过比较第一均方根误差和第二均方根误差，验证苹果可溶性固形物含量校正模型对于苹果可溶性固形物含量的预测精度。

Images