CN110261342A - 水果货架期的监测装置及方法 - Google Patents
水果货架期的监测装置及方法 Download PDFInfo
- Publication number
- CN110261342A CN110261342A CN201910503052.3A CN201910503052A CN110261342A CN 110261342 A CN110261342 A CN 110261342A CN 201910503052 A CN201910503052 A CN 201910503052A CN 110261342 A CN110261342 A CN 110261342A
- Authority
- CN
- China
- Prior art keywords
- fruit
- sample
- shelf life
- data
- monitoring device
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012806 monitoring device Methods 0.000 title claims abstract description 20
- 239000000523 sample Substances 0.000 claims abstract description 119
- 238000012544 monitoring process Methods 0.000 claims description 30
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000004566 IR spectroscopy Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 239000002253 acid Substances 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 239000008367 deionised water Substances 0.000 claims description 8
- 229910021641 deionized water Inorganic materials 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 230000003252 repetitive effect Effects 0.000 claims description 5
- 210000002615 epidermis Anatomy 0.000 claims description 4
- 235000015203 fruit juice Nutrition 0.000 claims description 4
- 239000004575 stone Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000011259 mixed solution Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000243 solution Substances 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004611 spectroscopical analysis Methods 0.000 claims 1
- 241000220324 Pyrus Species 0.000 description 33
- 235000021017 pears Nutrition 0.000 description 33
- 230000008569 process Effects 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 239000007787 solid Substances 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000018044 dehydration Effects 0.000 description 2
- 238000006297 dehydration reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- 230000003447 ipsilateral effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000011514 reflex Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 206010011224 Cough Diseases 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 206010062717 Increased upper airway secretion Diseases 0.000 description 1
- 239000004677 Nylon Substances 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005138 cryopreservation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229920002521 macromolecule Polymers 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 208000026435 phlegm Diseases 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
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
本发明提供一种水果货架期的监测装置及方法,该水果货架期的监测装置,其特征在于,所述监测装置包括一样品杯以及固定设于所述样品杯外侧的避光圈,在所述样品杯的中部设有一光纤探头,在所述样品杯上开设有多个光源通孔,多个所述光源通孔围绕所述光纤探头呈环形排列,多个所述光源通孔为倾斜设置且均贯穿所述样品杯,所述避光圈用于在其上方放置待检测水果进行检测。本发明提出的水果货架期的监测装置及方法,可准确地检测水果样品的质量。
Description
技术领域
本发明涉及水果防护技术领域,特别涉及一种水果货架期的监测装置及方法。
背景技术
在水果市场上,水果在采摘后的储存是一个普遍的难题。在常温条件下,水果由于容易失去水分而形成皱缩,造成水果衰老变质。同时在实际运输过程,机械损伤在所难免。在水果的销售环节中,由于存贮方式不合理,水果很容易损坏变质,甚至造成水果腐烂而影响了销售。为了避免损失,实现经济效益的最大化,水果销售商需要根据水果的内外品质变化来不断地改变水果的外部条件,以延缓水果品质降低的过程。
酥梨因其多汁酥脆、营养丰富以及清痰止咳等几大特点,深受国内外消费者喜爱。目前,酥梨在采收后,一般采用低温保存的方法保持其新鲜度。但是在酥梨运出冷库,放置于超市货架上时,随着在货架上停留时间的延长,果品品质会随之发生变化。首先在常温下极易失水皱缩造成衰老变质;其次,易受机械损伤以及病原茵的侵染,轻则降低水果品质影响消费者的口感;重则严重损害水果品牌,造成巨大的经济损失。为了减少损失,需要对在此过程中酥梨的品质变化进行实时监测,从而最大程度上减少经济损失。
然而,现有技术中,仍缺乏准确有效的水果货架期监测方法,以实现对水果质量的实时监控。
发明内容
鉴于上述状况,本发明的目的是为了解决技术中,仍缺乏准确有效的水果货架期监测方法,无法对水果质量实现实时监控的问题。
本发明提出一种水果货架期的监测装置,其中,所述监测装置包括一样品杯以及固定设于所述样品杯外侧的避光圈,在所述样品杯的中部设有一光纤探头,在所述样品杯上开设有多个光源通孔,多个所述光源通孔围绕所述光纤探头呈环形排列,多个所述光源通孔为倾斜设置且均贯穿所述样品杯,所述避光圈用于在其上方放置待检测水果进行检测。
本发明提出的水果货架期的监测装置,包括一样品杯以及设于该样品杯外周的避光圈,由于在该样品杯的中部设有一光纤探头,在该样品杯上开设有多个光源通孔,且多个光源通孔围绕光纤探头呈环形排列,在实际红外光谱检测过程中,在该样品杯的下部设有光源,通过上述的多个光源通孔将光线引入到避光圈中,经水果样品的反射作用照射到光纤探头上,且由于水果样品的反射光线的部位即为标记点位置,因此可准确地检测出所需检测部位的红外光谱数据。
所述水果货架期的监测装置,其中,所述光源通孔所在的方向与水平方向之间的夹角为45°,所述光源通孔的顶部与所述光纤探头之间的距离为15mm,所述光源通孔的数量为8。
本发明还提出一种水果货架期的监测方法,其中,所述方法包括如下步骤:
选取多个水果样品,对上述的水果样品进行预处理;
在每个水果样品的顶部进行标记,以180°的间隔设置2个标记点,分别在静置6天、12天以及18天后进行光谱采集以得到红外光谱数据,其中进行光谱采集的标记点对应的位置为水果样品的赤道部位;
在进行红外光谱采集后检测水果样品的理化指标数据,其中理化指标数据包括糖含量数据、酸含量数据以及色差值数据;
对红外光谱数据进行降维处理,采用Kennard-Stone的方法对所有水果样品进行建模集以及预测集的划分,并利用建模集中的经将维后的红外光谱数据以及理化指标数据,根据预设建模公式进行试验模型的建立,以对水果样品进行监测。
本发明提出的水果货架期的监测方法,首先选取水果样品,对每个水果样品进行标记点标记,然后分别检测得到水果样品的红外光谱数据以及理化指标数据,并且对得到的红外光谱数据进行降维处理后,划分建模集以及预测集,根据预设的建模公式进行监测模型公式的建立,并通过预设软件进行运行,以对水果样品进行实时监测。
所述水果货架期的监测方法,其中,在采用建模集中的红外光谱数据以及理化指标数据,根据预设建模公式进行试验模型的建立的步骤中,预设建模公式可表示为:
其中,K(x,xi)为核函数,xi为红外光谱输入向量,ai为拉格朗日算子,b为偏差,N为水果样品数量。
所述水果货架期的监测方法,其中,当所述核函数K(x,xi)为线性核函数时,其表达式为:
K(x,xi)=xixj
其中,xi以及xj为红外光谱输入向量。
所述水果货架期的监测方法,其中,当所述核函数K(x,xi)为径向基函数时,其表达式为:
K(xi,xj)=exp(-||xi-xj||2/2σ2)
其中,σ2为内核参数,表示径向基函数方差,xi以及xj为红外光谱输入向量。
所述水果货架期的监测方法,其中,对红外光谱数据进行降维处理的方法包括如下步骤:
采用主成分分析方法或连续投影算法对红外光谱数据进行降维处理。
所述水果货架期的监测方法,其中,选用的红外光谱数据对应的波段范围为700~965nm,建模集与预测集对应的样品数量比为3:1。
所述水果货架期的监测方法,其中,糖含量数据的采集方法包括如下步骤:
对糖度计进行校正,将去离子水滴入糖度计的测量窗口,测量去离子水的糖度值;
当糖度计显示为0%时,取水果样品距表皮5mm厚度的果肉进行检测,切下每个光谱采集部位的果肉并将果汁挤出滴在糖度计的测试窗口上,重复操作三次得到三个糖度数据并将获得的值求平均以得到糖含量数据。
所述水果货架期的监测方法,其中,酸含量数据的采集方法包括如下步骤:
取水果样品距表皮5mm厚度的果肉,切下每个光谱采集部位的果肉并将果汁挤在一个洁净容器内,用移液枪取所得样品1ml置于洁净烧杯中;
用去离子水稀释至50ml,用干净的一次性滴管搅拌混合溶液至均匀,用一次性滴管取适量混合溶液滴于糖度计的测试窗口上,重复操作三次得到三个酸含量值并进行平均以得到酸含量数据。
附图说明
图1为本发明中第一实施例提出的水果货架期的监测装置的结构示意图;
图2为图1所示的水果货架期的监测装置中样品杯的俯视图;
图3为本发明中第二实施例提出的水果货架期的监测方法的流程图;
图4为本发明中第二实施例中采集的不同货架期样品的原始光谱图;
图5为本发明中第二实施例中酥梨货架期最小二乘支持向量机判别模型不同PC因子数误判率变化曲线图。
主要符号说明:
避光圈 | 11 | 光纤探头 | 121 |
样品杯 | 12 | 光源通孔 | 122 |
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面对本发明的具体实施方式做详细的说明。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,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。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
在常温下极易失水皱缩造成衰老变质;其次,易受机械损伤以及病原茵的侵染,轻则降低水果品质影响消费者的口感;重则严重损害水果品牌,造成巨大的经济损失。为了减少损失,需要对在此过程中酥梨的品质变化进行实时监测,从而最大程度上减少经济损失。然而,现有技术中,仍缺乏准确有效的水果货架期监测方法,以实现对水果质量的实时监控。
实施例一
为了解决这一技术问题,本发明提出一种水果货架期的监测装置,在本发明中,以酥梨为水果样品进行举例说明。请参阅图1与图2,对于本发明第一实施例提出的水果货架期的监测装置,包括一样品杯12以及固定设于所述样品杯 12外侧的避光圈11。
具体的,在上述样品杯12的中部设有一光纤探头121,在样品杯12上开设有多个光源通孔122,多个光源通孔122围绕光纤探头121呈环形排列,多个光源通孔122为倾斜设置且均贯穿样品杯12,避光圈11用于在其上方放置待检测水果进行检测。
在此需要指出的是,上述光源通孔122所在的方向与水平方向之间的夹角为45°,光源通孔122的顶部与光纤探头121之间的距离为15mm,光源通孔122 的数量为8。样品杯12的中心为光纤探头121接收信息的位置,多个光源通孔 122以W为半径,光纤探头12的位置为圆心均匀分布在样品杯上。选用8个 1.5w卤素灯(997418-21,Welch Allyn,USA)作为光源,光源整体对样品呈现环形照射,这样能保证光源对样品照射的均匀性。
在采集样品光谱时,将样酥梨的赤道部位放置在样品杯12上,光源通孔122 处发出环形光均匀照射在样品上,并在赤道偏下的部位形成一个直径大小约为 3~5mm的光斑。光源通孔122发出入射光照在样品上,其中一部分入射光经过在进入样品时被漫反射回来,漫反射光被布置在样品同侧的光纤探头121所接收,光谱仪将光纤探头121传递的信号处理后再传入计算机。
由于实验过程中采集的其他水果样品光谱信息所包含的杂散光,会影响建立的模型精度。为了解决这一问题,该便携式检测平台通过在果杯上安装弹性避光圈,以有效地避免杂散光进入到光纤探头。实验过程中将便携式平台果杯处对准酥梨样品需要检测的部位,酥梨样品表面与弹性避光圈间紧密配合形成封闭不透光结构,从而通过避免杂散光进入,提高采集到的酥梨样品近红外漫反射光谱的信噪比。
本发明提出的水果货架期的监测装置,包括一样品杯12以及设于该样品杯 12外周的避光圈11,由于在该样品杯12的中部设有一光纤探头121,在该样品杯12上开设有多个光源通孔122,且多个光源通孔122围绕光纤探头121呈环形排列,在实际红外光谱检测过程中,在该样品杯12的下部设有光源,通过上述的多个光源通孔122将光线引入到避光圈11中,经水果样品的反射作用照射到光纤探头121上,且由于水果样品的反射光线的部位即为标记点位置,因此可准确地检测出所需检测部位的红外光谱数据。
实施例二
本发明还提出一种水果货架期的监测方法,请参阅图3至图5,该方法包括如下步骤:
S101,选取多个水果样品,对上述的水果样品进行预处理。
在本实施例中,该水果样品仍为酥梨。以酥梨为研究对象,选取一批表面无机械损伤、刮擦、畸形且成熟度一致(约为八成熟)的酥梨作为样品,去除样品表面灰尘。在本步骤中,所选取的酥梨样品的横径范围为82mm~94mm,纵径范围为71mm~83mm。并将所有的酥梨样品分成两份,第一份共50个酥梨样品,用于货架期监测使用;第二份共60个酥梨样品,每次取20个用于理化指标测量。
S102,在每个水果样品的顶部进行标记,以180°的间隔设置2个标记点,分别在静置6天、12天以及18天后进行光谱采集以得到红外光谱数据。
具体的,酥梨样品的红外光谱采集,选用自行搭建的便携式检测平台,软件选用SpectraSuite 2009(Ocean Optics,USA),软件参数设置如下:积分时间为100ms,平滑度为15以及平均值为1。实验所采集的酥梨样品的光谱范围为 630~1125nm。其中,进行光谱采集的标记点对应的位置为水果样品的赤道部位。
在实验中,采用手动放置酥梨样品的方式进行酥梨样品近红外漫反射光谱采集,光谱采集部位为每个标记点所对应的酥梨样品赤道部位。光源发出入射光照在酥梨样品上,其中一部分入射光经过在进入酥梨样品时被漫反射回来,漫反射光被布置在样品同侧的光纤探头所接收,光谱仪将光纤探头传递的信号处理后再传入计算机,通过软件SpectraSuite2009进行保存,从而实现一条样品光谱的采集。
实验中光谱采集范围为630~1125nm,通过对样品的漫反射光谱进行分析,发现当波长大于965nm以及波长小于700nm时光谱信息中包含大量无用噪声信息影响模型精度和稳定性,当波段范围为700~965nm信噪比较高适于建立模型,故选用该波段进行模型建立,该波段共548个波长点。
如图4所示为随机挑选的样品货架期为6d、12d及18d的样品光谱,分别为三个不同货架期对应的光谱图,其中不同货架期样品均存在此类光谱特征。分别从光谱波形的走势及其能量峰值进行分析,其中从波形分析三种货架期的样品光谱图差异性不显著,光谱在走势上无较大差异,均包含两个波峰和一个波谷,其中波峰分别在715nm和805nm附近,波谷在740nm附近;从所采集光谱的能量峰值分析,图中样品的光谱在能量上存在较为显著的差异,其中货架期6天的样品光谱能量最强达到2372光子数,货架期12天的样品光谱能量最强达到2280光子数,货架期18天的样品光谱能量最强达到2262光子数。
需要补充说明的是,酥梨是呼吸跃变型的水果,随着货架期的加长酥梨样品中中含有的大分子物质如淀粉、纤维素等会被其体内的酶分解转化形成可溶性固形物同时酥梨样品自身的呼吸作用也会消耗一部分可溶性固形物。实验中酥梨样品中非糖物质转换生成的可溶性固形物含量小于呼吸作用消耗的可溶性固形物含量,故造成酥梨样品的可溶性固形物含量发生变化,从而影响酥梨样品不同货架期光谱能量值大小。
S103,在进行红外光谱采集后检测水果样品的理化指标数据,其中理化指标数据包括糖含量数据、酸含量数据以及色差值数据。
(1)糖含量数据的采集步骤具体为:
采用折射式数字糖度计(Atago,Co.,Tokyo,Japan)进行测定,试验中需先将糖度计擦干后用纯净水标定糖度0%,在测量时,切取光谱采集部位约5mm深的果肉,并挤汁滴于糖度计上测试窗口,重复测量三次,取平均值即得到糖含量数据。
(2)酸含量数据的采集步骤具体为:
选用PR-101α糖度计(Atago,Co.,Tokyo,Japan)进行测定,首先取酥梨样品标记点对应的光谱采集部位约5mm的果肉,挤在一个干净的容器内,用移液枪取所得样品1ml置于干净的烧杯中,然后用去离子水稀释至50ml,用干净的一次性滴管搅拌混合溶液至均匀,再用一次性滴管取适量的混合溶液滴于糖度计的测试窗口上,重复操作三次,将三次测量值求平均值,以平均值作为该样品对应点的酸真实值。在此需要指出的是,每次测量完成后烧杯和糖度计均需要用去离子水清洗,并更换一次性滴管和移液枪的枪头。
(3)色差数据的采集步骤具体为:
采用CR-10性色差仪,测量指标为L*、a*、b*。L*表示样品的黑白程度, 0和100这两个数值分别代表生成黑色与生成白色。其中-a*是表示偏绿,+a*表示偏红,-b*表示偏蓝,+b*表示偏黄,测量前需要采集白色尼龙参比板的各项指标作为参比。
S104,对红外光谱数据进行降维处理,采用Kennard-Stone的方法对所有水果样品进行建模集以及预测集的划分,并利用建模集中的经将维后的红外光谱数据以及理化指标数据,根据预设建模公式进行试验模型的建立,以对水果样品进行监测。
对红外光谱数据进行降维处理时,一是采用主成分分析(PCA)方法将酥梨货架期近红外光谱数据通过线性组合转换,形成一个含有较少数目的新变量过程,同时在保证不丢失原变量有效信息的情况下最大限度表征原变量的特征,从而实现数据降维,以消除样品信息中互相重叠的部分;二是采用连续投影算法(SPA),根据波长变量正交投影信息量的多少,从样品近红外光谱的波长变量中,选出敏感波长变量作为建立LS-SVM(最小二乘支持向量机)模型的输入向量。
在进行建模集以及预测集的划分时,采用Kennard-Stone的方法对所有样品进行建模集和预测集的划分,其中建模集226个、预测集74个,通过226个建模集建立预模型用于样品货架期预测,剩下的74个样品用于模型评价。其中建模集与预测集对应的样品数量比为3:1。
在本步骤中,采用线性核函数(Lin_kernel)建立的LS-SVM模型选用16 个主成分作为输入向量,径向基核函数(RBF_kernel)建立的LS-SVM模型选用17个主成分作为输入向量。如图5所示:当主成分因子数为16时,线性核函数(Lin_kernel)建立的LS-SVM模型对应的误判率最低(请参见表一))。因此选择以16个主成分变量作为输入变量的线性核函数(Lin_kernel)建立的 LS-SVM(最小二乘支持向量机)模型为最优模型。
表一:结合不同核函数的LS-SVM(最小二乘支持向量机)建模结果
具体在建模过程中,LS-SVM(最小二乘支持向量机)模型公式可表示为:
其中,K(x,xi)为核函数,xi为红外光谱输入向量,ai为拉格朗日算子,b为偏差,N为水果样品数量。
当核函数K(x,xi)为线性核函数时,其表达式为:
K(x,xi)=xixj
其中,xi以及xj为红外光谱输入向量。
当核函数K(x,xi)为径向基函数时,其表达式为:
K(xi,xj)=exp(-||xi-xj||2/2σ2)
其中,σ2为内核参数,表示径向基函数方差,xi以及xj为红外光谱输入向量。
本发明提出的水果货架期的监测方法,首先选取水果样品,对每个水果样品进行标记点标记,然后分别检测得到水果样品的红外光谱数据以及理化指标数据,并且对得到的红外光谱数据进行降维处理后,划分建模集以及预测集,根据预设的建模公式进行监测模型公式的建立,并通过预设软件进行运行,以对水果样品进行实时监测。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种水果货架期的监测装置,其特征在于,所述监测装置包括一样品杯以及固定设于所述样品杯外侧的避光圈,在所述样品杯的中部设有一光纤探头,在所述样品杯上开设有多个光源通孔,多个所述光源通孔围绕所述光纤探头呈环形排列,多个所述光源通孔为倾斜设置且均贯穿所述样品杯,所述避光圈用于在其上方放置待检测水果进行检测。
2.根据权利要求1所述的水果货架期的监测装置,其特征在于,所述光源通孔所在的方向与水平方向之间的夹角为45°,所述光源通孔的顶部与所述光纤探头之间的距离为15mm,所述光源通孔的数量为8。
3.一种水果货架期的监测方法,其特征在于,应用如上述权利要求1至2的水果货架期的监测装置进行红外光谱数据采集,所述方法包括如下步骤:
选取多个水果样品,对上述的水果样品进行预处理;
在每个水果样品的顶部进行标记,以180°的间隔设置2个标记点,分别在静置6天、12天以及18天后进行光谱采集以得到红外光谱数据,其中进行光谱采集的标记点对应的位置为水果样品的赤道部位;
在进行红外光谱采集后检测水果样品的理化指标数据,其中理化指标数据包括糖含量数据、酸含量数据以及色差值数据;
对红外光谱数据进行降维处理,采用Kennard-Stone的方法对所有水果样品进行建模集以及预测集的划分,并利用建模集中的经将维后的红外光谱数据以及理化指标数据,根据预设建模公式进行试验模型的建立,以对水果样品进行监测。
4.根据权利要求3所述的水果货架期的监测方法,其特征在于,在采用建模集中的红外
光谱数据以及理化指标数据,根据预设建模公式进行试验模型的建立的步骤中,预设建模
公式可表示为:
其中,k(x,xi)为核函数,xi为红外光谱输入向量,ai为拉格朗日算子,b为偏差,N为水果样品数量。
5.根据权利要求4所述的水果货架期的监测方法,其特征在于,当所述核函数为线性核
函数时,其表达式为:
其中,xi以及xj为红外光谱输入向量。
6.根据权利要求4所述的水果货架期的监测方法,其特征在于,当所述核函数为径向基
函数时,其表达式为:其中,
为内核参数,表示径向基函数方差,xi以及xj为红外光谱输入向量。
7.根据权利要求3所述的水果货架期的监测方法,其特征在于,对红外光谱数据进行降维处理的方法包括如下步骤:
采用主成分分析方法或连续投影算法对红外光谱数据进行降维处理。
8.根据权利要求3所述的水果货架期的监测方法,其特征在于,选用的红外光谱数据对应的波段范围为700~965nm,建模集与预测集对应的样品数量比为3:1。
9.根据权利要求3所述的水果货架期的监测方法,其特征在于,糖含量数据的采集方法包括如下步骤:
对糖度计进行校正,将去离子水滴入糖度计的测量窗口,测量去离子水的糖度值;
当糖度计显示为0%时,取水果样品距表皮5mm厚度的果肉进行检测,切下每个光谱采集部位的果肉并将果汁挤出滴在糖度计的测试窗口上,重复操作三次得到三个糖度数据并将获得的值求平均以得到糖含量数据。
10.根据权利要求3所述的水果货架期的监测方法,其特征在于,酸含量数据的采集方法包括如下步骤:
取水果样品距表皮5mm厚度的果肉,切下每个光谱采集部位的果肉并将果汁挤在一个洁净容器内,用移液枪取所得样品1ml置于洁净烧杯中;
用去离子水稀释至50ml,用干净的一次性滴管搅拌混合溶液至均匀,用一次性滴管取适量混合溶液滴于糖度计的测试窗口上,重复操作三次得到三个酸含量值并进行平均以得到酸含量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910503052.3A CN110261342A (zh) | 2019-06-11 | 2019-06-11 | 水果货架期的监测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910503052.3A CN110261342A (zh) | 2019-06-11 | 2019-06-11 | 水果货架期的监测装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110261342A true CN110261342A (zh) | 2019-09-20 |
Family
ID=67917617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910503052.3A Pending CN110261342A (zh) | 2019-06-11 | 2019-06-11 | 水果货架期的监测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110261342A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447084A (zh) * | 2021-08-31 | 2021-09-28 | 季华实验室 | 预估食品货架期的检测装置、系统、方法和存储介质 |
Citations (1)
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 |
-
2019
- 2019-06-11 CN CN201910503052.3A patent/CN110261342A/zh active Pending
Patent Citations (1)
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 |
Non-Patent Citations (1)
Title |
---|
朱丹宁: "薄皮水果糖度和货架期便携式检测方法研究" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447084A (zh) * | 2021-08-31 | 2021-09-28 | 季华实验室 | 预估食品货架期的检测装置、系统、方法和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Larraín et al. | A multipurpose portable instrument for determining ripeness in wine grapes using NIR spectroscopy | |
Jha et al. | Non-destructive determination of firmness and yellowness of mango during growth and storage using visual spectroscopy | |
Nicolai et al. | Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: A review | |
Herrera et al. | Shortwave–near infrared spectroscopy for non-destructive determination of maturity of wine grapes | |
McGlone et al. | Vis/NIR estimation at harvest of pre-and post-storage quality indices for ‘Royal Gala’apple | |
Qing et al. | Non-destructive analyses of apple quality parameters by means of laser-induced light backscattering imaging | |
Xie et al. | Applications of near-infrared systems for quality evaluation of fruits: A review | |
Wang et al. | Nondestructive evaluation of jujube quality by visible and near-infrared spectroscopy | |
Giovenzana et al. | Testing of a simplified LED based vis/NIR system for rapid ripeness evaluation of white grape (Vitis vinifera L.) for Franciacorta wine | |
Ignat et al. | Forecast of apple internal quality indices at harvest and during storage by VIS-NIR spectroscopy | |
Arendse et al. | Development of calibration models for the evaluation of pomegranate aril quality by Fourier-transform near infrared spectroscopy combined with chemometrics | |
CN105548070B (zh) | 一种苹果可溶性固形物近红外检测部位补偿方法及系统 | |
CN104280349A (zh) | 一种基于高光谱图像对白萝卜糠心鉴定的方法 | |
Khodabakhshian et al. | A comparative study of reflectance and transmittance modes of Vis/NIR spectroscopy used in determining internal quality attributes in pomegranate fruits | |
Gao et al. | LED-induced fluorescence spectroscopy technique for apple freshness and quality detection | |
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 | |
Zude | Non-destructive prediction of banana fruit quality using VIS/NIR spectroscopy | |
Li et al. | Non-destructive determination of soluble solids content using a multi-region combination model in hybrid citrus | |
Wati et al. | Development of calibration model for pH content of intact tomatoes using a low-cost Vis/NIR spectroscopy | |
Shah et al. | Mango maturity classification instead of maturity index estimation: A new approach towards handheld NIR spectroscopy | |
CN110261342A (zh) | 水果货架期的监测装置及方法 | |
JPH04104041A (ja) | 柑橘果実の糖度測定方法およびその装置 | |
CN109946246A (zh) | 一种苹果可溶性固形物的检测方法及装置 | |
Yahaya et al. | Visible spectroscopy calibration transfer model in determining pH of Sala mangoes | |
Zude et al. | Optimum harvest date determination for apples using spectral analysis |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190920 |