CN110376159A - 基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法 - Google Patents
基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法 Download PDFInfo
- Publication number
- CN110376159A CN110376159A CN201910778197.4A CN201910778197A CN110376159A CN 110376159 A CN110376159 A CN 110376159A CN 201910778197 A CN201910778197 A CN 201910778197A CN 110376159 A CN110376159 A CN 110376159A
- Authority
- CN
- China
- Prior art keywords
- pear
- wavelength
- black heart
- spectrum
- sample
- 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
- 235000014443 Pyrus communis Nutrition 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000000411 transmission spectrum Methods 0.000 title claims abstract description 18
- 241000220324 Pyrus Species 0.000 claims abstract description 148
- 238000001228 spectrum Methods 0.000 claims abstract description 40
- 235000021017 pears Nutrition 0.000 claims abstract description 37
- 230000004069 differentiation Effects 0.000 claims abstract description 13
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 230000036541 health Effects 0.000 claims abstract description 5
- 238000004611 spectroscopical analysis Methods 0.000 claims description 7
- 238000002329 infrared spectrum Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 241000272525 Anas platyrhynchos Species 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 5
- 208000019622 heart disease Diseases 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 201000010099 disease Diseases 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 238000009659 non-destructive testing Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 23
- 230000000875 corresponding effect Effects 0.000 description 7
- 235000013399 edible fruits Nutrition 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N phenol group Chemical group C1(=CC=CC=C1)O ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 2
- 235000013824 polyphenols Nutrition 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 102000030523 Catechol oxidase Human genes 0.000 description 1
- 108010031396 Catechol oxidase Proteins 0.000 description 1
- 241000207199 Citrus Species 0.000 description 1
- FEWJPZIEWOKRBE-JCYAYHJZSA-N Dextrotartaric acid Chemical compound OC(=O)[C@H](O)[C@@H](O)C(O)=O FEWJPZIEWOKRBE-JCYAYHJZSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 208000002720 Malnutrition Diseases 0.000 description 1
- 240000001987 Pyrus communis Species 0.000 description 1
- 244000273618 Sphenoclea zeylanica Species 0.000 description 1
- FEWJPZIEWOKRBE-UHFFFAOYSA-N Tartaric acid Natural products [H+].[H+].[O-]C(=O)C(O)C(O)C([O-])=O FEWJPZIEWOKRBE-UHFFFAOYSA-N 0.000 description 1
- 239000004809 Teflon Substances 0.000 description 1
- 229920006362 Teflon® Polymers 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000032900 absorption of visible light Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000954 anitussive effect Effects 0.000 description 1
- 229940124584 antitussives Drugs 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 230000019522 cellular metabolic process Effects 0.000 description 1
- 238000002512 chemotherapy Methods 0.000 description 1
- 235000020971 citrus fruits Nutrition 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- ZZVUWRFHKOJYTH-UHFFFAOYSA-N diphenhydramine Chemical compound C=1C=CC=CC=1C(OCCN(C)C)C1=CC=CC=C1 ZZVUWRFHKOJYTH-UHFFFAOYSA-N 0.000 description 1
- 239000003172 expectorant agent Substances 0.000 description 1
- 230000003419 expectorant effect Effects 0.000 description 1
- 230000004345 fruit ripening Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000002631 hypothermal effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 239000006101 laboratory sample Substances 0.000 description 1
- 210000000867 larynx Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 239000002398 materia medica Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000011975 tartaric acid Substances 0.000 description 1
- 235000002906 tartaric acid Nutrition 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 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
本发明提供了一种基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法，该方法的主要步骤：挑选包含有黑心病鸭梨的鸭梨样品，动态在线装置采集鸭梨样品光谱数据并保存；光谱用SNV和MSC算法处理后，在MATLAB软件中观察鸭梨样品光谱能量谱的分布情况；在经过预处理方法处理的光谱里面找出能量峰出现的波段范围，采用Correlation analysis method方法来确定最佳的波长组合，建立鸭梨健康梨和黑心病病梨的判别模型，以实现鸭梨黑心病的快速无损判别。本发明的方法是具有检测速度快，病害识别正确率高，无损检测等优点的判别方法，应用本发明在优选波长的条件下进行黑心病判别，可以降低黑心病导致的推柜率，为鸭梨的出口贸易提供技术支持。
Description
技术领域
本发明涉及鸭梨黑心病的判别方法，基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法。
背景技术
鸭梨树适合种植在pH值7.5至8.0、土层厚度较深、土壤有机质1.0％以上的沙壤土中。鸭梨不仅富含蛋白质、脂肪、多种矿物质、果酸、维生素和碳水化合物，而且具有良好的药用功效，中国药典《本草从新》中对其“清心肺、利肠、止咳消痰、清喉降火、醒酒解毒”的功效加以记载。近些年，随着水果出口贸易的发展和国内消费市场的日渐繁荣，梨的质量逐年提升，产量稳步提高，收获面积高居世界之首，已经成为仅次于苹果、柑橘产业之后的第三大水果产业。
鸭梨黑心病又称空心病，是一种常见的非传染性生理病害。鸭梨黑心病成因大致有两种：一种是种植过程和采摘后的鸭梨在储藏过程中，出现了冷害等自然灾害及突然降温造成了低温伤果，形成黑心病；另一种是鸭梨缺素和果实衰老，鸭梨晚熟且贮藏时间长，引起细胞组织中酚类物质增加，造成酚类物质的酶触氧化，形成黑心病。鸭梨黑心病仅凭肉眼从外观上是很难识别的，有多年从业经验的农艺师也无法准确判别出鸭梨的黑心。鸭梨黑心病影响鸭梨内部品质，降低鸭梨的品质，造成出口鸭梨成批退货，影响鸭梨出口贸易。
目前，检测黑心鸭梨的主要判别方法是人工切开目视识别的抽样方法，该方法虽然准确，但属于有损检测，速度慢，成本高，难以满足鸭梨出口贸易的需求。因此，为了减少果农在对外出口中的损失，提高鸭梨产业附加值水平，研究快速、准确、无损检测鸭梨黑心病的在线判别技术是迫切需要的。
发明内容
针对背景技术提出的问题，本发明提供一种基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法。
由于健康鸭梨和黑心鸭梨在化学成分上存在差异性，C-H、N-H、O-H等基团在可见/近红外谱区合频、倍频吸收强度不同，反映在近红外光谱能量谱的峰数、峰强、峰位的不同，化学成分差异越明显，光谱特征区别越明显。因此，本发明以检测到的鸭梨的近红外光谱为研究基础，首先确定判别鸭梨黑心病的特征波段，然后建立鸭梨黑心病的定性判别模型，最终实现鸭梨黑心病的快速鉴别。该方法的主要步骤：挑选包含有黑心病鸭梨样品，动态在线装置采集鸭梨样品光谱数据并保存；光谱用SNV和MSC算法处理后，在MATLAB软件中观察鸭梨样品光谱能量谱的分布情况；在经过预处理方法处理的光谱里面找出能量峰出现的波段范围，采用Correlation analysis method方法来确定最佳的波长组合，建立鸭梨健康梨和黑心病梨的判别模型，以实现鸭梨黑心病的快速无损判别，最终实现黑心病梨的快速鉴别。
具体地，一种基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法，包括以下步骤：
(1)分别采集含有黑心病鸭梨的鸭梨样品的近红外漫透射光谱，并保存光谱数据；
(2)将采集了光谱的鸭梨样品剖开，区分黑心病鸭梨和健康鸭梨，并对黑心鸭梨进行标记；
(3)分别对光谱数据进行多元散射校正(MSC)、标准正态变量变换(SNV)预处理，在MATLAB软件中观察鸭梨样品光谱能量谱的分布情况；
(4)对经过预处理的光谱数据采用correlation analysis method方法来确定最佳的波长组合，找出健康鸭梨和黑心病鸭梨在能量谱上不同波峰处的差异，确定出用于黑心病判别的特征波段；
(5)从最佳的波长组合中选出四个波长，按波长长度依次标记为第一波长、第二波长、第三波长和第四波长；
(5.1)若第二波长与第一波长的比值小于设定的阈值，则判断对应的鸭梨样品为黑心病鸭梨；若第二波长与第一波长的比值不小于设定的阈值，则判断对应的鸭梨样品为健康鸭梨；
(5.2)若第四波长与第三波长的比值小于1，则判断对应的鸭梨样品为健康鸭梨；若第四波长与第三波长的比值不小于1，则判断对应的鸭梨样品为黑心病鸭梨；
若根据步骤(5.1)判断的结果和根据步骤(5.2)判断的结果均为黑心病鸭梨，则确定对应的鸭梨样品为黑心病鸭梨；否则，确定对应的鸭梨样品为健康鸭梨；
(6)将特征波段范围内的近红外光谱能量谱作为输入变量，构建PLS-DA判别模型，采集待测鸭梨的近红外漫透射光谱并将其输入到PLS-DA判别模型内进行判别，从而实现黑心病的判别。
优选的，在所述的最佳的波长组合中，第一波长为634nm，第二波长为674nm，第三波长为720nm，第四波长为810nm。
优选的，所述的特征波段为634nm-810nm。
优选的，所述的设定的阈值为2.5。
优选的，所述的近红外漫透射光谱采用可见近红外漫透射光谱在线检测装置进行采集，可见近红外漫透射光谱在线检测装置能够检测到的波长范围为300nm-1100nm。
本发明的优点在于：以检测到的鸭梨样品近红外漫透射光谱能量谱为基础，首先确定出判别鸭梨黑心病的特征波段；然后建立鸭梨黑心病的定性判别模型，最终实现鸭梨黑心病的快速鉴别。
附图说明
图1为实施例中黑心病鸭梨的近红外漫透射光谱能量谱对比图。
图2为实施例中前两个主成分的主成分散点图。
图3为实施例中峰值判别法的判别结果图。
图4为实施例中优选波段的最佳波段组合图。
图5为实施例中PLS-DA的判别图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
实施例1
(a)处理实验样品：挑选含有黑心病鸭梨的鸭梨样品，剔除其中的擦伤、霉变等样品，擦拭掉鸭梨表面水分，用记号笔在鸭梨赤道部位依次标记4个点，在实验室条件下保存12个小时；
(b)采集光谱数据：每次开机预热30分钟后，用白色特氟纶球作参比，校正可见近红外漫透射光谱在线检测装置，调节到检测鸭梨时稳压电源对应的电流值，在光谱查看界面观察能量谱强度标准差变化，当变化范围在1％范围内，电压稳定，可以开始采集光谱；
(c)光谱预处理：采用Unscrambler化学计量学软件对原始光谱进行多元散射校正(MSC)、标准正态变量变换(SNV)等预处理；
(d)将经过预处理的光谱在MATLAB软件中打开，观察含有黑心病鸭梨样品光谱能量谱的分布情况，并用origin作图观察变化规律；
(e)在波长范围488-904nm范围内应用Unscrambler对经过预处理的光谱进行主成分分析；主成分分析法可以将光谱信息压缩成若干个主成分的得分，主成分的载荷向量对应着该变量在主成分中的贡献，第一主成分累计贡献率占69％，第二主成分累计贡献率占29％，取前两个主成分进行分析；
(f)以光谱能量谱特征波长为变量，结合主成分分析法的判别方法如下所示：
F(λ)为能量光谱曲线方程，f(λ)为基线方程，F(λi)为波长λi处的光谱能量值，f(λi)为波长λi处的基值，1为光谱间的间距。
实施例2
采用correlation analysis method优选波段的方法用来选择区别黑心鸭梨的最佳的波长点组合。在波长范围350-1000nm之间，对450个光谱波长变量进行了如下的操作：每一个梨的分类标签γ被赋予了1和4，其中标签γ赋值为1时表示黑心鸭梨，标签γ赋值为4时表示健康鸭梨。组合波长的相关系数R2的计算公式如下，出现组合波长的相关系数R2的最大值的波长组合即为要优选的最佳波长组合。
r1是分类标签γ和x1的相关系数，r2是分类标签γ和x2的相关系数，rx是x1和x2间的相关系数，相关系数R2代表着不同波长组合的相关系数。通过correlation analysismethod方法优选的波段，波长组合634nm和674nm以及720nm和810nm处出现明显的波峰、波谷。
实施例3
光谱采集前将参数设置如下：积分时间100ms，运动速度5个/s，波长范围372-1154nm。之后，对30个健康鸭梨和20个黑心鸭梨赋予不同的分类变量值，由于健康梨和黑心梨具有不同的光谱能量，按照样本特征及正相关规律赋予每个样品分类变量值，经过多次对分类变量进行赋值判别，比较不同赋值分类变量下的判别结果。经过多次比较，其中健康梨的标定值是4，由于微黑心的梨在运输过程会较快地变成黑心，将微黑心和黑心样品共同标定为1。采用Unscrambler对经过多元散射校正(MSC)和标准正态变量变换(SNV)的光谱赋予分类变量值并建立PLS-DA回归模型。选择健康梨和黑心梨的分类阈值，参与建模的所有样品的预测值都在标定值的加减1的范围内，设定预测输出值在某类标定样品的加减1以内，认为样品属于该类型。图5给出了判别结果，当模型的输出值在4加减1的范围内时，认为该样品是健康梨，在1加减1内时，认为该样品是黑心病梨。
该分类判别模型的PLS-DA判别结果如图5所示。
图1表示在波长500-900nm范围内的鸭梨近红外漫透射能量谱，由于在波长范围300-500nm内，存在着基线漂移，杂散光和噪声，对定性和定量判别模型影响较大，因此取500-900nm波长范围研究能量谱的差异。其中，正常梨的能量谱高于严重黑心病梨，轻微黑心病梨的光谱能量最低。正常梨的细胞间充满空气，能量损失主要是散射导致的，而黑心病发病部位在果核周围，严重的果肉呈现棕色或褐色，由于多酚氧化酶的活性增高，促使果心及果肉组织发生氧化，细胞代谢加快，果肉呈棕色或褐色，果核变黑，对可见光光的吸收变强，透过的光的能量减少，探测器接收的能量光谱值低。
图2表示健康梨和黑心梨的欧氏距离主成分散点图。从散点图上可以看出，健康梨距离几何中心的距离与黑心病梨的差距较大，健康梨和黑心梨只有很小的重叠区，用此方法可以较好的对黑心鸭梨和健康鸭梨进行区分。
图3表示峰值判别法的判别结果图。判别模型中，取阈值为1.3，从图中可以看出，少量健康果误判为黑心果，而将黑心梨误判为健康梨的数量比较多，需要进一步探讨降低黑心梨误判率的方法。
图4表示优选波段的最佳波段组合图。波长点656nm在有明显吸收峰的波长点634nm和674nm之间，将波长比403nm/656nm的比值作为阈值，此时组合波长的相关系数R2取得了最佳值，为0.6613。因此，将波长点403nm和656nm的比值作为鸭梨黑心病判别的阈值来进行鸭梨黑心病的判别。
图5表示应用PLS-DA判别鸭梨黑心病的散点图。判别模型中，取健康梨的标定值为4，黑心梨的标定值为1，阈值为3，选取最佳主成分因子数12，建立鸭梨的PLS-DA判别模型，模型的相关性是0.969。从图中可以看出，黑心梨的分布值没有超过3，即没有黑心鸭梨被判别为健康梨，满足判别的要求。
综上所述，本发明着眼于研究和探讨我国鸭梨黑心病的在线分选技术，提出可见/近红外漫透射光谱技术在鸭梨黑心病检测中的应用，寻找出检测迅速、分选正确率高的鸭梨黑心病分选方法，能够降低黑心病的发生率，提高鸭梨内部质量，确保出口鸭梨品质，为提高我国的鸭梨出口创汇的总额做出贡献。
Claims (5)
1.一种基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法，包括以下步骤：
(1)分别采集含有黑心病鸭梨的鸭梨样品的近红外漫透射光谱，并保存光谱数据；
(2)将采集了光谱的鸭梨样品剖开，区分黑心病鸭梨和健康鸭梨，并对黑心鸭梨进行标记；
(3)分别对光谱数据进行多元散射校正(MSC)、标准正态变量变换(SNV)预处理，在MATLAB软件中观察鸭梨样品光谱能量谱的分布情况；
(4)对经过预处理的光谱数据采用correlation analysis method方法来确定最佳的波长组合，找出健康鸭梨和黑心病鸭梨在能量谱上不同波峰处的差异，确定出用于黑心病判别的特征波段；
(5)从最佳的波长组合中选出四个波长，按波长长度依次标记为第一波长、第二波长、第三波长和第四波长；
(5.1)若第二波长与第一波长的比值小于设定的阈值，则判断对应的鸭梨样品为黑心病鸭梨；若第二波长与第一波长的比值不小于设定的阈值，则判断对应的鸭梨样品为健康鸭梨；
(5.2)若第四波长与第三波长的比值小于1，则判断对应的鸭梨样品为健康鸭梨；若第四波长与第三波长的比值不小于1，则判断对应的鸭梨样品为黑心病鸭梨；
若根据步骤(5.1)判断的结果和根据步骤(5.2)判断的结果均为黑心病鸭梨，则确定对应的鸭梨样品为黑心病鸭梨；否则，确定对应的鸭梨样品为健康鸭梨；
(6)将特征波段范围内的近红外光谱能量谱作为输入变量，构建PLS-DA判别模型，采集待测鸭梨的近红外漫透射光谱并将其输入到PLS-DA判别模型内进行判别，从而实现黑心病的判别。
2.根据权利要求1所述的方法，其特征在于：在所述的最佳的波长组合中，第一波长为634nm，第二波长为674nm，第三波长为720nm，第四波长为810nm。
3.根据权利要求1所述的方法，其特征在于：所述的特征波段为634nm-810nm。
4.根据权利要求1所述的方法，其特征在于：所述的设定的阈值为2.5。
5.根据权利要求1-4任一权利要求所述的方法，其特征在于：所述的近红外漫透射光谱采用可见近红外漫透射光谱在线检测装置进行采集，可见近红外漫透射光谱在线检测装置能够检测到的波长范围为300nm-1100nm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910778197.4A CN110376159A (zh) | 2019-08-22 | 2019-08-22 | 基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910778197.4A CN110376159A (zh) | 2019-08-22 | 2019-08-22 | 基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110376159A true CN110376159A (zh) | 2019-10-25 |
Family
ID=68260426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910778197.4A Pending CN110376159A (zh) | 2019-08-22 | 2019-08-22 | 基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110376159A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111141836A (zh) * | 2020-01-13 | 2020-05-12 | 石河子大学 | 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置 |
| CN111521583A (zh) * | 2020-05-09 | 2020-08-11 | 天津市林业果树研究所 | 一种苹果霉心病检测模型建立的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1789979A (zh) * | 2004-12-14 | 2006-06-21 | 中国农业大学 | 一种快速无损检测鸭梨内部质量的方法 |
| CN107064054A (zh) * | 2017-02-28 | 2017-08-18 | 浙江大学 | 一种基于cc‑pls‑rbfnn优化模型的近红外光谱分析方法 |
| CN109632650A (zh) * | 2018-12-14 | 2019-04-16 | 北京农业智能装备技术研究中心 | 可溶性固形物含量的在线检测速度补偿方法及装置 |
-
2019
- 2019-08-22 CN CN201910778197.4A patent/CN110376159A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1789979A (zh) * | 2004-12-14 | 2006-06-21 | 中国农业大学 | 一种快速无损检测鸭梨内部质量的方法 |
| CN107064054A (zh) * | 2017-02-28 | 2017-08-18 | 浙江大学 | 一种基于cc‑pls‑rbfnn优化模型的近红外光谱分析方法 |
| CN109632650A (zh) * | 2018-12-14 | 2019-04-16 | 北京农业智能装备技术研究中心 | 可溶性固形物含量的在线检测速度补偿方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| SUN XUDONG ET AL.: "Simultaneous measurement of brown core and soluble solids content in pear by on-line visible and near infrared spectroscopy", 《POSTHARVEST BIOLOGY AND TECHNOLOGY》 * |
| 刘燕德等: "鸭梨黑心病可见／近红外漫透射光谱在线检测", 《光谱学与光谱分析》 * |
| 孙旭东等: "鸭梨黑心病和可溶性固形物含量同时在线检测研究", 《农业机械学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111141836A (zh) * | 2020-01-13 | 2020-05-12 | 石河子大学 | 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置 |
| CN111521583A (zh) * | 2020-05-09 | 2020-08-11 | 天津市林业果树研究所 | 一种苹果霉心病检测模型建立的方法 |
| CN111521583B (zh) * | 2020-05-09 | 2023-08-25 | 天津市农业科学院 | 一种苹果霉心病检测模型建立的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chandrasekaran et al. | Potential of near-infrared (NIR) spectroscopy and hyperspectral imaging for quality and safety assessment of fruits: An overview | |
| Fu et al. | Comparison of diffuse reflectance and transmission mode of visible-near infrared spectroscopy for detecting brown heart of pear | |
| Fan et al. | Determination of soluble solids and firmness of apples by Vis/NIR transmittance | |
| Alfatni et al. | The application of internal grading system technologies for agricultural products–Review | |
| Sun et al. | Simultaneous measurement of brown core and soluble solids content in pear by on-line visible and near infrared spectroscopy | |
| Gao et al. | Effect of pressing and impacting bruises on optical properties of kiwifruit flesh | |
| Hu et al. | Optimization of soluble solids content prediction models in ‘Hami’melons by means of Vis-NIR spectroscopy and chemometric tools | |
| Magwaza et al. | Prediction of ‘Nules Clementine’mandarin susceptibility to rind breakdown disorder using Vis/NIR spectroscopy | |
| Tian et al. | Non-destructive prediction of soluble solids content of pear based on fruit surface feature classification and multivariate regression analysis | |
| CN102967578A (zh) | 在线获取牛肉样本近红外光谱的方法及其在评价牛肉质量中的应用 | |
| Li et al. | Non-destructive determination of soluble solids content using a multi-region combination model in hybrid citrus | |
| Li et al. | Nondestructive detection of frying times for soybean oil by NIR-spectroscopy technology with Adaboost-SVM (RBF) | |
| CN110376159A (zh) | 基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法 | |
| Liu et al. | Detection of the quality of juicy peach during storage by visible/near infrared spectroscopy | |
| Wang et al. | Development of near‐infrared online grading device for long jujube | |
| Li et al. | Multi-information based on ATR-FTIR and FT-NIR for identification and evaluation for different parts and harvest time of Dendrobium officinale with chemometrics | |
| Chen et al. | Laser induced fluorescence spectroscopy for detection of Aflatoxin B 1 contamination in peanut oil | |
| Sun et al. | Non-destructive detection of blackheart and soluble solids content of intact pear by online NIR spectroscopy | |
| Zhang et al. | Online analysis of watercore apples by considering different speeds and orientations based on Vis/NIR full-transmittance spectroscopy | |
| Jiang et al. | Noninvasive evaluation of fructose, glucose, and sucrose contents in fig fruits during development using chlorophyll fluorescence and chemometrics | |
| CN113751345B (zh) | 一种菠萝无损检测分级装置和方法 | |
| Li et al. | Study on qualitative impact damage of yellow peaches using the combined hyperspectral and physicochemical indicators method | |
| Wang et al. | Application of visible/near-infrared spectroscopy combined with machine vision technique to evaluate the ripeness of melons (Cucumis melo L.) | |
| Seehanam et al. | Internal disorder evaluation of ‘Namdokmai Sithong’mango by near infrared spectroscopy | |
| Xue et al. | Study of Malus Asiatica Nakai’s firmness during different shelf lives based on visible/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 |
Application publication date: 20191025 |
|
| RJ01 | Rejection of invention patent application after publication |