CN110567957A - 基于光学特性的番茄成熟度分析方法 - Google Patents

基于光学特性的番茄成熟度分析方法 Download PDF

Info

Publication number
CN110567957A
CN110567957A CN201910732596.7A CN201910732596A CN110567957A CN 110567957 A CN110567957 A CN 110567957A CN 201910732596 A CN201910732596 A CN 201910732596A CN 110567957 A CN110567957 A CN 110567957A
Authority
CN
China
Prior art keywords
tomato
maturity
light source
optical fiber
green
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
Application number
CN201910732596.7A
Other languages
English (en)
Inventor
黄玉萍
王德镇
刘�英
缑斌丽
周海燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN201910732596.7A priority Critical patent/CN110567957A/zh
Publication of CN110567957A publication Critical patent/CN110567957A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4795—Scattering, i.e. diffuse reflection spatially resolved investigating of object in scattering medium
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • 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
    • G01N21/47—Scattering, i.e. diffuse reflection
    • G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
    • G01N21/474—Details of optical heads therefor, e.g. using optical fibres
    • G01N2021/4742—Details of optical heads therefor, e.g. using optical fibres comprising optical fibres
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods

Landscapes

  • Physics & Mathematics (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种基于光学特性的番茄成熟度分析方法，它对番茄的成熟程度分类准确率高，它根据番茄在550‑1300nm光谱区间的空间分辨光谱，计算出番茄的吸收系数μa和约化散射系数μs’，建立吸收系数μa和约化散射系数μs’以及它们的组合μa×μs’的番茄成熟度偏最小二乘判别分析模型，对番茄成熟度进行分类。结果显示，μa和μs′组合能够进一步提高单独μa和μs′光谱建立的番茄绿色、绿泛粉、微粉、粉红、橙红、红色六成熟度分类模型性能，尤其是μa×μs′参数，对基于内外颜色特征的识别率分别为78.5％与85.5％。μa和μs’以及它们的组合对番茄绿色或绿泛粉、微粉或粉红、橙红或红色三成熟度分类结果更优，且基于内外颜色特征的成熟度分类准确率相近，可达到94％。

Description

基于光学特性的番茄成熟度分析方法
技术领域
本发明涉及水果成熟度分类方法，具体地说，是一种番茄成熟度分类方法。
背景技术
番茄不仅能为人们提供丰富的营养成分，还具有生津止渴、健胃消食、降压降脂等功用，对人体健康有着较大的促进作用。成熟度是评估番茄品质最重要因素之一，而颜色特征与番茄的成熟度有着密切关系，随着番茄成熟阶段的递进，叶绿素含量的下降和番茄红素含量的增加，使得果实颜色由绿色转变为红色。因此，在判定番茄成熟方面，颜色是一个重要参数
目前，用于评估番茄成熟度的无损检测技术包括机器视觉、光谱分析技术、X射线技术、核磁共振和光谱成像等技术。其中可见/近红外光谱检测技术以其快速、无损和无需样品制备等优点被广泛用于番茄品质评估。可见/近红外光谱属于分子振动光谱的倍频与合频吸收光谱，主要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，当进行样品扫描时，样品组分中某些分子振动频率与入射光中某些波长成分频率相同时便发生共振吸收(即量子跃迁)，因而在相应光谱区域形成特征吸收峰，吸收强度与样品组分浓度相关，根据比尔- 朗伯定律(Beer–Lambertian Law)，样品组分或物理特性的变化将引起相应光学特性的变化，进而使得光谱特征也发生变化。然而，可见/近红外光谱只表征光在样品组织内部被吸收和散射的总体结果，忽略了光子在样品组织中的传播信息，且由于番茄组织的混浊性与异质性，光在番茄组织内部的传播不完全遵守比尔-朗伯定律，这将带来较大的检测误差。另外，可见/近红外光谱属于特定区域测量，只能获得番茄很小部分的组织信息，而番茄在成熟过程中，组织变化的不均匀性也将导致检测误差的放大。
光与生物组织间的相互作用主要取决于吸收和散射特性，它们分别与生物组织的化学成分和物理特性相关。基于辐射传输理论，测量生物组织吸收和散射特性的方法包括时间分辨技术，频域技术，空间频域成像技术和空间分辨技术等。时间分辨技术、频域技术和空间频域成像技术因仪器较贵、检测时间较长、覆盖光谱区域较窄，限制了其在食品和果蔬检测中的应用。空间分辨光谱技术测量距离恒定强度点光源不同距离处的反射率，根据漫射近似方程反演算法估算出吸收和散射特性。相比较于时间分辨和频域技术，空间分辨光谱技术所用仪器简单、操作简便、波长覆盖范围相对较广。因此，该技术在食品和果蔬检测领域受到广泛关注。Xia等人采用单一光纤的移动实现牛肉的空间分辨光谱，通过计算吸收和散射系数预测牛肉的嫩度。该方法不但耗时，还会引入较大的测量误差，另外，在测量过程中，样品组织的特性有可能随着时间而改变，长时间的测量也会引起光源输出的波动，从而引入光学特性测量误差。Herremans和Do Trong设计了光纤阵列探头，探头上布置5根光纤可同时采集空间分辨光谱，实现对食品和果蔬品质的评估。但是，由于所有检测光纤都固定在刚性探头，不适用于检测曲面或不规则表面的样品，而且，探头布置的光纤较少，光源-检测器距离也相对较小，因此，在检测食品的光学特性和解析样品品质与空间分辨光谱相关关系上很难取得令人满意的结果。基于高光谱成像式空间分辨光谱技术以检测速度快、非接触式和空间分辨率高等优点常被用于检测果蔬的品质和成熟度。高光谱成像式空间分辨光谱技术适用于检测表面平坦的样品，对于曲面样品的测定，会因为表面曲率而引起信号误差，需要对所测的空间分辨反射光谱进行校正，以确保准确估算光学特性。但校正方法往往比较复杂，可能无法达到预期效果。而且，基于高光谱成像式空间分辨光谱系统的波长范围限制在400-1000 nm。
发明内容
本发明的目的是提供一种基于光学特性的番茄成熟度分析方法，它对番茄的成熟程度分类准确率高。实验结果显示，μa和μs′及它们的组合μa×μs′对基于表面颜色特征的番茄绿色 (Green)、绿泛粉(Breaker)、微粉(Turning)、粉红(Pink)、橙红(Light red)、红色(Red)等六成熟度识别优于内部颜色特征的，组合μa×μs′能够进一步改善单独μa和μs′光谱建立的番茄六成熟度判别模型，识别率达到85.5％。当番茄被分为绿色或绿泛粉 (Green/Breaker)、微粉或粉红(Turning/Pink)、橙红或红色(Light red/Red)三成熟度等级，μa和μs′及它们组合建立的判别模型总体识别率有了显著提升，且基于表面和内部颜色特征的番茄成熟度识别率相近，均在94％左右。
本发明所述的基于光学特性的番茄成熟度分析方法，根据番茄在550-1300nm光谱区间的空间分辨光谱，计算出番茄的吸收系数μa和约化散射系数μs’，建立吸收系数μa和约化散射系数μs’以及它们的组合μa×μs’的番茄成熟度偏最小二乘判别分析模型，对番茄成熟度进行分类。
上述的基于光学特性的番茄成熟度分析方法，对番茄按绿色、绿泛粉、微粉、粉红、橙红、红色六个成熟度进行分类。
上述的基于光学特性的番茄成熟度分析方法，对番茄按绿色或绿泛粉、微粉或粉红、橙红或红色三个成熟度进行分类。
上述的基于光学特性的番茄成熟度分析方法，漫射近似方程逆算法计算出吸收系数μa和约化散射系数μs’。计算吸收系数μa和约化散射系数μs’的方法属于现有方法。
上述的基于光学特性的番茄成熟度分析方法，在番茄表面设置光源光纤和多根与光源光纤距离不同的接收光纤，各接收光纤的输出端连接成像光谱仪，光源光纤与光源相连，光源发出的光经光源光纤射入番茄，经番茄散射和吸收后进入各接收光纤，再经成像光谱仪得到距离光源光纤不同距离处的空间分辨光谱。
上述的基于光学特性的番茄成熟度分析方法，接收光纤与光源光纤的最大距离不超过 12.5mm。由于光在组织中传输衰减，光源光纤-接收光纤距离超过12.5mm的信号太弱，因此，靠近光源光纤的空间分辨光谱(光源光纤-接收光纤距离1.5-12.5mm)被用来分析和评估番茄的吸收和散射特性。受水分强吸收影响，1300nm之后的光谱区域信噪比较小，采用550-1300 nm的光谱区域被用来分析和计算番茄的吸收和约化散射系数。
上述的基于光学特性的番茄成熟度分析方法，接收光纤以光源光纤为中心，对称分布在光源光纤的两侧；以与光源光纤对称的两处的空间分辨光谱均值作为该距离处的空间分辨光谱。接收光纤两两对称，从而可同时获得重复两次的空间分辨光谱测量，测量时间短，同时，以对称的两接收光纤处的空间分辨光谱均值作为该距离处的空间分辨光谱进一步提高了检测精度。
本发明的有益效果：本专利采用空间分辨光谱系统在550-1300nm光谱区域测量番茄的吸收和散射特性，并根据吸收和约化散射系数，以及它们的组合建立番茄成熟度的判别模型，分析比较番茄各成熟阶段的识别率。具体地说，使用空间分辨光谱系统在550-1300nm光谱区间获得番茄的光学吸收和散射系数用于评估不同成熟度，600个番茄样本分为不同成熟度等级(Green、Breaker、Turning、Pink、Light red、Red)，所获得的吸收系数μa光谱在560nm和675nm的吸收峰随着番茄的成熟变化趋势相反，散射系数μs’光谱随着波长的增加单调递减，建立基于μa和μs’的番茄成熟度偏最小二乘判别模型。结果显示，μa和μs′组合能够进一步提高单独μa和μs′光谱建立的番茄六成熟度分类模型性能，尤其是μa×μs′参数，对基于内外颜色特征的识别率分别为78.5％与85.5％。μa和μs’以及它们的组合对番茄三成熟度分类结果更优，且基于内外颜色特征的成熟度分类准确率相近，可达到94％。
附图说明
图1是根据内外部颜色确定的番茄不同成熟度示意图(灰度图)；
图2是空间分辨光谱系统示意图；
图3是吸收和约化散射系数的计算流程图；
图4是番茄不同成熟度的平均吸收系数(a)和约化散射(b)系数光谱。
具体实施方式
1实验部分
1.1实验材料
根据美国农业部制定的番茄不同成熟度颜色标准，采摘600个外观有光泽的新鲜番茄样品被分为六个成熟度等级即Green,Breaker,Turning,Pink,Light red and Red，如图1 所示。按照表面颜色标准，每个成熟度等级分别有100个样品，若按内部颜色标准，Green阶段有88个样品，Breaker阶段有84个样品，Turning阶段有123个样品，Pink阶段有102 个样品，Light Red阶段有94个样品，Red阶段有109个样品。
1.2基于空间分辨光谱的光学特性参数提取
空间分辨光谱系统如图2所示，检测探头由30根3组芯径分别50μm，105μm和200μm的接收光纤和一根直径为910μm光源光纤1组成，这31根光纤(光源光纤和30根接收光纤)的一端被固定在21个顺序排列的可弯曲的铝合金金属块上。
图2a中的检测探头的展开示意图如图2b所示，光源光纤1一端固定在探头最中心的金属块00上，另一端连接着石英卤钨灯光源系统2。所述成像光谱仪以30根光纤作为入射光传输通道，每根光纤的一端与接收光纤相连接，另一端固定在成像光谱仪中的狭缝上。
在中心的三个金属块上配置6根50μm的接收光纤3，且与光源光纤两两对称；在中心三个金属块两侧共放置四个(每侧两个)金属块，配置以光源光纤对称的8根105μm接收光纤4；在配置105μm接收光纤的金属块两侧放置14个(每侧7个)金属块，配置以光源光纤对称的16根200μm接收光纤5。
光谱采集时，多通道高光谱成像系统的曝光时间设置为60ms，光源功率为240W，检测探头直接贴合在番茄样品赤道表面和参比样本圆柱表面，同时获得30个空间分辨光谱，参比样本为直径80mm的白色圆柱特氟龙(Teflon)，对番茄样本赤道的两个对立面进行光谱采集，取其平均值作为番茄样本的光谱数据。此外，由于30根接收光纤对称布置，将对称的具有相同光源(光纤)-检测器(接收光纤)距离的光纤数据平均，获得15个空间分辨光谱。
由于光在组织中传输衰减，光源-检测器距离超过12.5mm的接收光纤接收到的信号太弱，因此，靠近光源光纤的9个空间分辨光谱(光源-检测器距离1.5-12.5mm)被用来分析和评估番茄的吸收和散射特性。受水分强吸收影响，1300nm之后的光谱区域信噪比较小，仅 550-1300nm的光谱区域被用来分析和计算番茄的吸收和约化散射系数。光谱归一化后，采用样本校正曲线在波长区间550-1300nm对空间分辨光谱进行校正，得到600个番茄样品校正后空间分辨反射率，最后，根据漫射近似方程逆算法计算出吸收和约化散射系数，如图3 所示，该过程属于现有技术。简要说明一下，空间分辨漫反射解析方程如下所示：
其中r是光源-检测器距离；D＝[3(μa+μs)-1]为扩散系数；μeff＝[3μa(μa+μ′s)1/2]为有效衰减系数；μ′t＝μa+μ′s为总衰减系数；和r2＝[(z0+2zb)2+r2]1/2分别为检测器到实际光源的距离和检测器到镜像光源的距离；z0＝(μ′t)-1＝(μa+μ′s)-1和为组织内部的反射系数， Rf≈-1.4399n-2+0.7099n-1+0.6681+0.0636n由组织的折射率决定。常数和为介质折射率产生的系数，对于果蔬产品，折射率n＝1.35，C1和C2分别为0.1277和0.3269。这些数值将被用于漫射近似方程逆算法计算出番茄的吸收和约化散射系数。
1.3建模方法
申请人分析，吸收和约化散射系数与组织成分和物理特性相关，番茄的成熟过程伴随着组织成分与物理特性的变化，因此，吸收和约化散射系数理论上能够判别番茄的成熟度。另外，申请人认为，番茄组织内光的吸收和散射存在相互关系，吸收系数(μa)与约化散射系数(μs’)组合对番茄成熟度的判别具有一定实际意义。本文采用MATLAB R2017a(TheMathWorks,Inc.,Natick,MA,USA)结合PLS Toolbox 8.2(Eigenvector Research,Inc.,Wenatchee,WA,USA)软件，建立吸收系数(μa)和约化散射系数(μs’)系数以及它们的组合(μeff和μa×μs’)的番茄成熟度偏最小二乘判别分析(PLSDA)模型。600个番茄样品随机分成训练集和测试集，其中训练集有400个样品，测试集有200个样品。采用威尼斯百叶窗交叉验证法，根据最小交叉验证分类误差平均值来确定最佳潜在变量数量。
2结果与讨论
2.1不同成熟度番茄的光学特性光谱
图4显示了在550-1300nm光谱区域，番茄六个成熟度的吸收和约化散射系数平均光谱。由图4a观察到吸收系数光谱在番茄不同成熟度有着明显的变化。随着番茄的成熟，675nm 处叶绿素吸收峰逐渐衰减伴随着560nm处花青素和姜黄素吸收峰的增加，这是由于随着番茄由Green转变成Red，叶绿素含量减少，而花青素开始增加，从而展现了560nm和675nm 的吸收峰具有相反的趋势。从吸收系数光谱图还可以发现，在750nm处有个微小的吸收峰，这是由于水分吸收引起的。在970nm和1180nm处有显著的吸收峰，这是由水分和番茄组织中C-H，N-H和O-H的吸收带的组合产生的。
图4b发现所有测试番茄的约化散射系数在550-1300nm光谱区域都随着波长增加单调递减。约化散射系数与样品物理特性相关，如细胞结构，颗粒尺寸和密度等。在番茄早期成熟阶段(Green到Breaker再到Turning)，细胞壁解聚和纤维素降解会导致约化散射系数的降低。随着番茄从Turning到Pink，再转变到Light Red，最终到Red阶段，可溶性果胶和纤维素会产生小分子，而使得番茄组织的小颗粒密度增加，从而扭转了约化散射系数的变化趋势，使得约化散射系数大幅增加。
2.2基于光学特性参数的番茄成熟度分类
由表1可知，基于PLSDA模型的番茄表面颜色六成熟度(Green、Breaker、Turning、Pink、 Light red、Red)分类，μa和μs′以及它们组合的识别率均高于内部颜色的。番茄内部颜色的识别与光源(光纤)-检测器(接收光纤)距离相关，且较大的光源-检测器距离光谱可更准确的判别番茄内部颜色，本专利中考虑信噪比影响，所获得光谱的光源-检测器距离仅限于 12.5mm，无法全面准确地判别番茄内部颜色特征。此外，从表1中还可观察到μs′无法准确识别番茄的成熟度，这可能由于番茄的μs′与番茄的物理特性相关，番茄在成熟过程会经历细胞壁解聚和纤维素降解等复杂过程，这些物理特性的变化与μs′之间可能是非线性关系，导致μs′无法准确判别番茄成熟度。但μa和μs′组合能有效提高单一μa或μs′对番茄成熟度的识别率，说明番茄组织的吸收和散射特性存在一定的相关性，能促进番茄成熟度分类。
若按三成熟度分类(Green/Breaker、Turning/Pink、Light red/Red)，μa和μs′以及它们组合的识别率相较于六成熟度分类结果均有很大幅度的提高，基于表面颜色的识别率提高10％以上，而基于内部颜色的识别率可提高20％以上，且基于内外两种颜色特征的三成熟度识别率非常相近，除了μs′，识别率可达到94％左右。基于表面颜色对番茄三成熟度分类，μa×μs′能够提高单一μa识别效果，而对于内部颜色特征识别，μa和μs′组合与单一μa识别率一致，均为94％。总体而言，不管是番茄六成熟度还是三成熟度的判别，μa×μs′均比其他参数获得更优的识别率。
表1番茄成熟度测试集结果分析
表2给出了μa×μs′番茄六成熟度测试集分类结果，通过对比各成熟阶段的分类结果，在Green和Red阶段，基于内外颜色特征的分类准确率相对较高，只有个别样本被错分在相邻成熟阶段，这可能由于番茄在Green和Red阶段，内外颜色较为均一，可见/近红外光谱区域对单一颜色的判别更为敏感，识别率较高。番茄由Green转变到Red的中间阶段，颜色特征呈空间分布，且由于光穿透深度影响，对番茄中间四个成熟度阶段识别率相对较低，表面颜色特征识别率在80％左右，其中Pink阶段识别率最低；内部颜色特征识别率在70％左右，其中Breaker阶段识别率最低，大部分样本被错分在Green与Turning阶段，但Pink阶段识别率相对较好，达到了90％。相较于表面颜色特征识别较为稳定统一，各成熟阶段识别率在80％以上，内部颜色识别率差异性较大，其中Green,Pink和Red阶段识别率均可达到90％以上，而Breaker阶段几乎无法正确识别，这可能由于Breaker阶段番茄红素开始逐渐由内而外扩散，且红色和绿色空间分布变化较大，这意味着微观结构和组织成分的变异性可能较大，又受光穿透深度的影响，导致对Breaker阶段内部颜色特征识别的不准确。
表2μa×μs′番茄六成熟度测试集分类结果
表3展示了μa×μs′在番茄三成熟度判别过程中，预测集详细分类结果。由表3可知，不管是基于表面颜色还是内部颜色进行评估，各成熟度的分类准确率均超过93％，远远好于六成熟度分类结果，这可能由于番茄相邻两成熟度阶段的微观结构和组分较为相似，将其合并为一类进行模型训练，可有效提高模型的分类能力。基于表面颜色特征评估番茄Light Red/ Red阶段可获得最优识别率95.8％，而基于内部颜色特征在该阶段识别率相对较低，为93.1％，有5个样本被判错在Turning/Pink阶段。在Green/Breaker和Turning/Pink阶段，基于表面颜色特征所建模型有4个样本判错在相邻成熟度阶段，识别率为93.8％；而采用内部颜色特征建立的PLSDA模型分类效果稍好，仅有3个样本判错，识别率超过94％。
表3μa×μs′番茄三成熟度测试集分类结果
2.3讨论
本专利采用的μa和μs′以及它们组合对番茄六成熟度分类跟以往研究具有可比性，三成熟分类效果甚至高于以往研究。此外，本专利基于内部颜色特征的番茄成熟度分类结果与不同光源-检测器距离的空间分辨光谱也具有可比性，说明μa和μs′以及它们组合在评估番茄内部颜色特征仍具有一定潜力。
在番茄六成熟度分类结果，μa和μs′组合能够进一步提高单独μa和μs′光谱所建立模型的分类性能，这可能由于随着番茄的成熟软化，番茄组成成分(与μa相关)与物理特性(与μs′相关)也随着改变。但在番茄三成熟度分类结果中，μa和μs′组合与单独μa光谱所建模型分类结果一致，这可能由于三种成熟度的番茄差异较大，μa和μs′组合获得的额外信息不足以改善分类模型的性能。此外，μs′光谱评估番茄成熟度能力均低于μa光谱，这一发现也与前人采用光学特性对其他水果品质评估的结论相一致。番茄在成熟过程经历细胞壁和果胶溶解变化，可能导致番茄内壁和中隔及果胶不稳定，影响番茄的散射特性(与物理结构和特性相关)。另外，μa光谱出现了更多特征峰，其中可能包含更多样品的物理和化学信息，而μs′光谱单调递减，特征较少，这也可能是μs′光谱与番茄成熟度相关性低的原因。
3结论
本专利采用光学吸收和散射特性在550-1300nm光谱区间评估番茄的成熟度。μa和μs′及它们组合分别建立基于表面和内部颜色特征的番茄成熟度PLSDA模型，用于判别番茄的六成熟度和三成熟度等级。μa和μs′及它们组合对基于表面颜色特征的番茄六成熟度识别优于基于内部颜色特征的，μa和μs′组合能够进一步改善单独μa和μs′光谱建立的番茄六成熟度判别模型，识别率达到85.5％。当番茄被分为三成熟度等级，μa和μs′及它们组合建立的判别模型总体识别率有了显著提升，且基于表面和内部颜色特征的番茄成熟度识别率相近，均在94％左右。结果表明，光学吸收和约化散射系数在评估番茄成熟度方面具有很大潜力。

Claims (7)

1.基于光学特性的番茄成熟度分析方法，根据番茄在550-1300nm光谱区间的空间分辨光谱，计算出番茄的吸收系数μa和约化散射系数μs’，其特征是：建立吸收系数μa和约化散射系数μs’以及它们的组合μa×μs’的番茄成熟度偏最小二乘判别分析模型，对番茄成熟度进行分类。
2.如权利要求1所述的基于光学特性的番茄成熟度分析方法，其特征是：对番茄按绿色、绿泛粉、微粉、粉红、橙红、红色六个成熟度进行分类。
3.如权利要求1所述的基于光学特性的番茄成熟度分析方法，其特征是：对番茄按绿色或绿泛粉、微粉或粉红、橙红或红色三个成熟度进行分类。
4.如权利要求1所述的基于光学特性的番茄成熟度分析方法，其特征是：漫射近似方程逆算法计算出吸收系数μa和约化散射系数μs’。
5.如权利要求1所述的基于光学特性的番茄成熟度分析方法，其特征是：在番茄表面设置光源光纤和多根与光源光纤距离不同的接收光纤，各接收光纤的输出端连接成像光谱仪，光源光纤与光源相连，光源发出的光经光源光纤射入番茄，经番茄散射和吸收后进入各接收光纤，再经成像光谱仪得到距离光源光纤不同距离处的空间分辨光谱。
6.如权利要求5所述的基于光学特性的番茄成熟度分析方法，其特征是：接收光纤与光源光纤的最大距离不超过12.5mm。
7.如权利要求5所述的基于光学特性的番茄成熟度分析方法，其特征是：接收光纤以光源光纤为中心，对称分布在光源光纤的两侧；以与光源光纤对称的两处的空间分辨光谱均值作为该距离处的空间分辨光谱。
CN201910732596.7A 2019-08-09 2019-08-09 基于光学特性的番茄成熟度分析方法 Pending CN110567957A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910732596.7A CN110567957A (zh) 2019-08-09 2019-08-09 基于光学特性的番茄成熟度分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910732596.7A CN110567957A (zh) 2019-08-09 2019-08-09 基于光学特性的番茄成熟度分析方法

Publications (1)

Publication Number Publication Date
CN110567957A true CN110567957A (zh) 2019-12-13

Family

ID=68774985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910732596.7A Pending CN110567957A (zh) 2019-08-09 2019-08-09 基于光学特性的番茄成熟度分析方法

Country Status (1)

Country Link
CN (1) CN110567957A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104833638A (zh) * 2015-04-15 2015-08-12 浙江大学 基于连续波的双层瓜果组织光学特性无损检测方法与装置
US20160302669A1 (en) * 2009-11-19 2016-10-20 Modulated Imaging, Inc. Method and apparatus for analysis of turbid media via single-element detection using structured illumination
CN205749275U (zh) * 2016-06-08 2016-11-30 沈阳农业大学 番茄品质检测光谱仪

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160302669A1 (en) * 2009-11-19 2016-10-20 Modulated Imaging, Inc. Method and apparatus for analysis of turbid media via single-element detection using structured illumination
CN104833638A (zh) * 2015-04-15 2015-08-12 浙江大学 基于连续波的双层瓜果组织光学特性无损检测方法与装置
CN205749275U (zh) * 2016-06-08 2016-11-30 沈阳农业大学 番茄品质检测光谱仪

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUPING HUANG ET AL: "Quality assessment of tomato fruit by optical absorption and scattering properties", 《POSTHARVEST BIOLOGY AND TECHNOLOGY》 *
陈香维等: "猕猴桃品质光谱无损检测技术研究进展", 《农业工程学报》 *
黄玉萍等: "基于空间可分辨光谱的番茄成熟度判别方法研究", 《光谱学与光谱分析》 *

Similar Documents

Publication Publication Date Title
Lu et al. Measurement of optical properties of fruits and vegetables: A review
Huang et al. Prediction of firmness parameters of tomatoes by portable visible and near-infrared spectroscopy
Cayuela Vis/NIR soluble solids prediction in intact oranges (Citrus sinensis L.) cv. Valencia Late by reflectance
Fu et al. Comparison of diffuse reflectance and transmission mode of visible-near infrared spectroscopy for detecting brown heart of pear
Lammertyn et al. Non-destructive measurement of acidity, soluble solids, and firmness of Jonagold apples using NIR-spectroscopy
Huang et al. Apple mealiness detection using hyperspectral scattering technique
Cen et al. Assessing multiple quality attributes of peaches using optical absorption and scattering properties
Huang et al. Quality assessment of tomato fruit by optical absorption and scattering properties
US7570357B2 (en) Visible/near-infrared spectrometry and its device
Li et al. Pears characteristics (soluble solids content and firmness prediction, varieties) testing methods based on visible-near infrared hyperspectral imaging
Subedi et al. Non-invasive techniques for measurement of fresh fruit firmness
Nicolaï et al. Nondestructive evaluation: Detection of external and internal attributes frequently associated with quality and damage
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
CN111157511B (zh) 一种基于拉曼光谱技术的鸡蛋新鲜度无损检测方法
Khodabakhshian et al. Determining quality and maturity of pomegranates using multispectral imaging
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
Yuan et al. Non-invasive measurements of ‘Yunhe’pears by vis-NIRS technology coupled with deviation fusion modeling approach
CN108846203A (zh) 水果无损检测的方法及装置
CN110749565A (zh) 一种快速鉴别普洱茶存储年份的方法
Liu et al. Detection of the quality of juicy peach during storage by visible/near infrared spectroscopy
Wati et al. Development of calibration model for pH content of intact tomatoes using a low-cost Vis/NIR spectroscopy
Huang et al. Prediction of tomato firmness using spatially-resolved spectroscopy
Nturambirwe et al. Detecting bruise damage and level of severity in apples using a contactless nir spectrometer
JP2005291704A (ja) 可視光・近赤外分光分析方法
Cen et al. Peach maturity/quality assessment using hyperspectral imaging-based spatially resolved technique

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191213