CN111157484A - 用于水果糖度检测设备的近红外光谱模型传递方法 - Google Patents
用于水果糖度检测设备的近红外光谱模型传递方法 Download PDFInfo
- Publication number
- CN111157484A CN111157484A CN202010039074.1A CN202010039074A CN111157484A CN 111157484 A CN111157484 A CN 111157484A CN 202010039074 A CN202010039074 A CN 202010039074A CN 111157484 A CN111157484 A CN 111157484A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- slave
- host
- sugar degree
- machine
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 19
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 title claims abstract description 14
- 229930091371 Fructose Natural products 0.000 title claims abstract description 14
- 229960002737 fructose Drugs 0.000 title claims abstract description 14
- 238000012546 transfer Methods 0.000 title claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 264
- 238000012937 correction Methods 0.000 claims abstract description 102
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 73
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 235000011389 fruit/vegetable juice Nutrition 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 241000220225 Malus Species 0.000 description 24
- 239000000523 sample Substances 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 5
- 235000021016 apples Nutrition 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012628 principal component regression Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- BIIBYWQGRFWQKM-JVVROLKMSA-N (2S)-N-[4-(cyclopropylamino)-3,4-dioxo-1-[(3S)-2-oxopyrrolidin-3-yl]butan-2-yl]-2-[[(E)-3-(2,4-dichlorophenyl)prop-2-enoyl]amino]-4,4-dimethylpentanamide Chemical class CC(C)(C)C[C@@H](C(NC(C[C@H](CCN1)C1=O)C(C(NC1CC1)=O)=O)=O)NC(/C=C/C(C=CC(Cl)=C1)=C1Cl)=O BIIBYWQGRFWQKM-JVVROLKMSA-N 0.000 description 1
- BKZJXSDQOIUIIG-UHFFFAOYSA-N argon mercury Chemical compound [Ar].[Hg] BKZJXSDQOIUIIG-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- G06F2218/02—Preprocessing
-
- 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
本发明涉及水果糖度检测设备技术领域,公开了一种用于水果糖度检测设备的近红外光谱模型传递方法,该方法利用标准光源对主机和从机进行校正,然后分别利用主机和从机对校正集进行光谱采集并对光谱进行预处理;基于校正集的糖度实测值和预设波段范围内的主机光谱,建立糖度检测模型;基于标准集的预设波段范围内的从机光谱和主机光谱,结合分段直接校正算法,得到从机光谱到主机光谱的转换关系;基于目标水果的从机光谱和从机光谱到主机光谱的转换关系,获取目标水果的主机光谱,将目标水果的主机光谱带入糖度检测模型,得到目标水果的糖度预测值。该方法保证了糖度检测模型在同类型仪器间的有效传递,实现水果糖度的有效检测。
Description
技术领域
本发明涉及水果糖度检测设备技术领域,尤其涉及一种用于水果糖度检测设备的近红外光谱模型传递方法。
背景技术
糖度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。
仪器间微小的硬件差异所引起的光谱差异足以对分析结果产生严重影响。同时由于苹果可溶性固形物近红外光谱检测模型易受样本的生理差异影响,且在长时间使用过程中,受到仪器自身老化等因素的影响,造成模型稳定性和预测性能的下降。而如果在每台仪器上分别建立模型,不仅成本高,而且费时费力。因此,需要在仪器大规模推广之前探讨有效的模型传递方法,实现模型在同一类型的检测设备上均可实现对苹果糖度的有效检测。但是,如何在同类型设备间开展模型传递研究,使模型在不同仪器上都可以有效使用鲜有报道。另外,加上苹果自身生理差异对模型的影响,使得建立的模型在不同仪器间、对不同批次的苹果样本进行检测时更加棘手。
发明内容
本发明实施例提供一种用于水果糖度检测设备的近红外光谱模型传递方法,用以解决现有模型通用性差、预测结果偏差较大的问题。
本发明实施例提供一种用于水果糖度检测设备的近红外光谱模型传递方法,包括:
利用标准光源对主机和从机的光谱波长的准确度进行校正,分别利用所述主机和所述从机对校正集进行光谱采集并对光谱进行预处理,获取主机光谱和从机光谱,所述主机和所述从机采用相同类型的光谱仪,所述校正集包括用于建立模型的水果样本;
获取所述校正集的糖度实测值,基于所述校正集的糖度实测值和预设波段范围内的主机光谱,建立糖度检测模型;
从所述校正集中选择预设数量的水果样本作为标准集,基于所述标准集的预设波段范围内的所述从机光谱和所述主机光谱,结合分段直接校正算法,得到所述从机光谱到所述主机光谱的转换关系;
利用所述从机对目标水果进行光谱采集并对光谱进行预处理,基于所述目标水果的从机光谱和所述从机光谱到所述主机光谱的转换关系,获取所述目标水果的主机光谱,将所述目标水果的主机光谱带入所述糖度检测模型,得到所述目标水果的糖度预测值。
其中,所述利用标准光源对主机和从机的光谱波长的准确度进行校正,进一步包括:
分别获取所述主机和所述从机在标准光源下的标准光源光谱,从所述标准光源光谱中,选取若干个光源特征峰波长;
基于所述光源特征峰波长,采用二次多项式拟合算法分别对所述主机和所述从机的波长进行校正。
其中,所述基于所述标准集的预设波段范围内的所述从机光谱和所述主机光谱,结合分段直接校正算法,得到所述从机光谱到所述主机光谱的转换关系,进一步包括:
采用三次样条插值法将所述标准集的预设波段范围内的所述从机光谱的波长点数转换为与所述标准集的预设波段范围内的所述主机光谱的波长点数相同;
采用分段直接校正算法,得到所述从机光谱到所述主机光谱的转换关系:
S1=S2B+E
其中,S1为主机光谱,S2为从机光谱,B为光谱转换矩阵,E为残差矩阵。
其中,所述分别利用主机和从机对校正集进行光谱采集并对光谱进行预处理,获取主机光谱和从机光谱,进一步包括:
在所述校正集中水果样本的赤道部位标记采集点,分别利用主机和从机对标记部位进行多次光谱采集,获取多条主机光谱信息和从机光谱信息;
对多条主机光谱信息的平均值进行预处理,获取所述主机光谱;对多条从机光谱信息的平均值进行预处理,获取所述从机光谱。
其中,所述获取所述校正集的糖度实测值,进一步包括:
从所述校正集中水果样本的标记部位切取预设厚度的果肉,经过滤挤汁滴于折光仪镜面,读取并记录读数。
其中,所述基于所述校正集的糖度实测值和预设波段范围内的主机光谱,建立糖度检测模型,进一步包括:
基于所述校正集的糖度实测值和预设波段范围内的主机光谱,采用偏最小二乘算法建立糖度检测模型,所述糖度检测模型的最佳主因子数由十折交叉验证法确定。
其中,在所述得到所述从机光谱到所述主机光谱的转换关系之后,在所述利用所述从机对目标水果进行光谱采集并对光谱进行预处理之前,还包括:
选择若干与所述校正集同批次的水果样本作为预测集,利用所述从机对所述预测集进行光谱采集并对光谱进行预处理,获取所述预测集的从机光谱;
基于所述预测集的从机光谱和所述从机光谱到所述主机光谱的转换关系,获取所述预测集的主机光谱,将所述预测集的主机光谱带入所述糖度检测模型,得到所述预测集的糖度预测值;
获取所述预测集的糖度实测值,将所述预测集的糖度实测值和糖度预测值比较,进行模型评价。
其中,当所述目标水果与所述校正集为不同批次时,在得到所述目标水果的糖度预测值之后,还包括:
随机选择若干所述目标水果作为修正集,利用所述从机对所述修正集进行光谱采集并对光谱进行预处理,获取所述修正集的从机光谱;
基于所述修正集的从机光谱和所述从机光谱到所述主机光谱的转换关系,获取所述修正集的主机光谱,将所述修正集的主机光谱带入所述糖度检测模型,得到所述修正集的糖度预测值;
获取所述修正集的糖度实测值,结合S/B算法建立糖度预测值的修正模型;
将所述目标水果的糖度预测值代入所述糖度预测值的修正模型,得到修正后的所述目标水果的糖度预测值。
其中,所述预处理的方式包括:平滑处理、一阶导数计算、二阶导数计算或者多元散射校正处理。
本发明实施例提供的用于水果糖度检测设备的近红外光谱模型传递方法,利用两个基于相同类型的光谱仪构建的检测设备,分别作为主机和从机,对校正集进行光谱采集并对光谱进行预处理,获取主机光谱和从机光谱;然后获取校正集的糖度实测值,基于校正集的糖度实测值和预设波段范围内的主机光谱,建立糖度检测模型;接着从校正集中选出标准集,利用标准集的预设波段范围内的从机光谱和主机光谱,结合分段直接校正算法,得到从机光谱到主机光谱的转换关系;最后利用从机对目标水果进行光谱采集并对光谱进行预处理,将目标水果的从机光谱转换为主机光谱,再将主机光谱带入糖度检测模型,得到目标水果的糖度预测值。该方法基于特征波段的糖度预测模型,利用模型传递的方法,将糖度检测模型由主机传递到从机,保证了糖度检测模型在同类型仪器间的有效传递,克服了水果的生理差异问题对水果糖度模型的影响,使模型在长期应用过程中,对具有不同生理差异的水果样本,实现水果糖度的有效检测。
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描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是本发明实施例中的一种用于水果糖度检测设备的近红外光谱模型传递方法的流程示意图;
图2是本发明实施例中用从机对预测集的40个苹果样本进行检测所得到的真实值与预测值的散点分布图;
图3是本发明实施例中用从机使用主机的糖度预测值的修正模型对108个目标苹果样本进行检测所得到的真实值与预测值的散点分布图。
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做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。
如图1所示,本发明实施例提供的一种用于水果糖度检测设备的近红外光谱模型传递方法,包括:
步骤210:利用标准光源对主机和从机的光谱波长的准确度进行校正,分别利用主机和从机对校正集进行光谱采集并对光谱进行预处理,获取主机光谱和从机光谱,主机和从机采用相同类型的光谱仪,校正集包括用于建立模型的水果样本。
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:
采集光谱数据前,将样本放置在实验室12个小时,使样本温度达到室温以减少环境温度对苹果糖度测量产生影响。此次所用苹果样本共140个苹果样本,每个样本进行编号,并在赤道部位标记采集点。随机选取100个作为校正集用于模型的构建,剩余40个样本作为预测集。
主机和从机为同一类型的光谱仪,可以同为光纤光谱仪、固定波长滤光片光谱仪、快速傅里叶变换光谱仪、声光可调滤光器光谱仪或者阵列检测光谱仪。使用前利用同一标准光源对主机和从机的光谱波长的准确度进行校正。本实施例中以2台相同型号的苹果糖度便携式检测设备为例进行说明,具体地,该设备的核心部件主要包括漫反射光谱采集探头、海洋光学公司生产的USB2000+光谱仪、光谱校正模块、微型电机、嵌入式系统等。主机主要用于模型的构建,从机主要用于验证由主机传递过来的模型。将2台仪器开机预热10分钟后进行光谱信息的采集。采集光谱时,将水果放置在采集探头上方且标记部位朝向探头内的探测器。每条光谱共有2048个波长点,积分时间设置为200ms。
采集到的苹果光谱,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,因此利用化学计量学方法建立模型前,对光谱进行预处理变得十分关键和必要。预处理的方式包括:平滑处理、一阶导数计算、二阶导数计算或者多元散射校正处理。本实施例采用平均平滑对原始光谱进行预处理,以提高光谱的可靠性。
步骤220:获取校正集的糖度实测值,基于校正集的糖度实测值和预设波段范围内的主机光谱,建立糖度检测模型。
具体地,在光谱信息采集完成后,对校正集中每一个水果样本的标记部位切取预设厚度的果肉,经过滤挤汁滴于折光仪镜面,并记录对应糖度含量数值,直至完成所有校正集的糖度含量测定。本实施例中以切取约10mm厚度的果肉为例进行检测。
对校正集100个苹果样本的主机光谱中均选取预设波段范围进行分析。本实施例中选取550mm~930nm的波段范围进行分析。由于受探测器性能的影响,光谱两端的信噪比较差,分析时去除两端部分光谱,因而只截取550mm~930nm之间的波段进行后续分析。对应该波段范围,主机光谱共含有1039个波长点,从机光谱共含1139个波长点。
根据校正集的糖度实测值和预设波段范围内的主机光谱,建立糖度检测模型。具体地,可以采用多元线性回归(MLR)、主成分回归(PCR)或者偏最小二乘法(PLS)等。本实施例中采用PLS进行建模,糖度检测模型的最佳主因子数由十折交叉验证法确定。
步骤230:从校正集中选择预设数量的水果样本作为标准集,基于标准集的预设波段范围内的从机光谱和主机光谱,结合分段直接校正算法,得到从机光谱到主机光谱的转换关系。
标准集用于确定主机光谱与从机光谱之间的关系。标准集样品可以从校正集中通过相关算法选取得到,包括高杠杆值法、K-S(Kennard-Stone)算法等。高杠杆值法是从校正集中选取高杠杆值的样品,这种方法对样品成分的浓度分布很敏感。K-S法是利用样品原始光谱或者光谱主成分之间的欧式距离来选择标准化样品。本实施例中采用K-S法从100个校正集中,选取25个样本作为标准集。然后基于标准集的预设波段范围内的从机光谱和主机光谱,结合分段直接校正(PDS)算法,得到从机光谱到主机光谱的转换关系。本实施例中的PDS算法中窗口宽度可以设置为13。
步骤240:利用从机对目标水果进行光谱采集并对光谱进行预处理,光谱采集和预处理方法与步骤210相同。然后基于在步骤230中获取的从机光谱到主机光谱的转换关系,将目标水果的从机光谱转换为目标水果的主机光谱。再将目标水果的主机光谱带入在步骤220中建立的糖度检测模型,得到目标水果的糖度预测值。
本实施例提供的一种用于水果糖度检测设备的近红外光谱模型传递方法,利用两个基于相同类型的光谱仪构建的检测设备,分别作为主机和从机,对校正集进行光谱采集并对光谱进行预处理,获取主机光谱和从机光谱;然后获取校正集的糖度实测值,基于校正集的糖度实测值和预设波段范围内的主机光谱,建立糖度检测模型;接着从校正集中选出标准集,利用标准集的预设波段范围内的从机光谱和主机光谱,结合分段直接校正算法,得到从机光谱到主机光谱的转换关系;最后利用从机对目标水果进行光谱采集并对光谱进行预处理,将目标水果的从机光谱转换为主机光谱,再将主机光谱带入糖度检测模型,得到目标水果的糖度预测值。该方法基于特征波段的糖度预测模型,利用模型传递的方法,将糖度检测模型由主机传递到从机,保证了糖度检测模型在同类型仪器间的有效传递,克服了水果的生理差异问题对水果糖度模型的影响,使模型在长期应用过程中,对具有不同生理差异的水果样本,实现水果糖度的有效检测。
在上述实施例的基础上,在步骤210之前,还包括:
步骤110:分别获取主机和从机在标准光源下的标准光源光谱,从标准光源光谱中,选取若干个光源特征峰波长。
具体地,选用标准光源汞氩灯(型号78812,Newport,Irvine,California,USA)用于波长校正。该标准光源在300nm~1000nm之间分布有多个特征峰,即在多个特定波长下有明显的吸收峰,通过这些吸收峰的位置,可以确定光谱仪的波长准确性。
分别将该标准光源置于主机和从机的探头顶端,分别得到主机和从机在标准光源下的标准光源光谱。从获取的标准光源光谱中,选取若干个光源特征峰波长用于波长校正。
步骤120:基于光源特征峰波长,采用二次多项式拟合算法分别对主机和从机的波长进行校正。
具体地,可以采用二次多项式拟合算法分别对主机和从机的波长进行校正。本实施例中选取10个光源特征峰波长用于波长校正,包括576.96nm,696.54nm,727.29nm,763.51nm,772.38nm,94.82nm,811.53nm,826.45nm,852.14nm和912.30nm。由于检测设备长时间使用后会存在一定的老化和数据偏移,因而利用主机和从机采集到的标准光源光谱与理想的标准光源光谱会存在一定的偏差,光谱中每个波长值对应一个波长点,波长点由1~2048逐一进行编号,从采集到的标准光源光谱中可以读取出对应10个光源特征峰波长的10个波长点编号(在采集到的标准光源光谱中,该波长编号对应的实际波长值可能略大于或者略小于光源特征峰波长的理想值),然后利用10个光源特征峰波长的理想值和10个波长点编号值,拟合成一个二次多项式:Y=AX2+BX+C,其中Y表示波长值,X表示波长编号,A、B、C分别为三个拟合参数。最后重新将10个波长点编号值代入该二次多项式,得到校正后的波长值,具体数值参见表1。
表1主机、从机校准后的波长分布
从图中可以看出,校正后的波长值与标准光源特征峰波长的理想值之间误差很小,因而利用校正后的主机和从机采集到的光谱信息,其波长值的准确度更高,可以克服因仪器间的硬件差异和仪器自身老化等因素造成波长不准确的问题。
在上述实施例的基础上,步骤230进一步包括:
步骤231:采用三次样条插值法将标准集的预设波段范围内的从机光谱的波长点数转换为与标准集的预设波段范围内的主机光谱的波长点数相同。
具体地,标准集25个样本的从机光谱在550mm~930nm之间共1139个波长点,可以表述为一光谱矩阵,其大小为25×1139。采用三次样条插值法,对上述矩阵中每个样本的光谱信息进行拟合得到光滑曲线,在连续光滑曲线上,选取与主机波长对应的1039个波长点及其对应的光谱值,形成新的光谱矩阵,其大小为25×1039。经过该过程,使从机光谱的波长点数减小到1039个。
步骤232:采用分段直接校正算法,得到从机光谱到主机光谱的转换关系:
S1=S2B+E
其中,S1为主机光谱,S2为从机光谱,B为光谱转换矩阵,E为残差矩阵。
在上述实施例的基础上,步骤210进一步包括:
步骤211:在校正集中水果样本的赤道部位标记采集点,分别利用主机和从机对标记部位进行多次光谱采集,获取多条主机光谱信息和从机光谱信息。具体地,本实施例中对每个标记部位采集3条光谱信息,每条光谱共2048个数据点,积分时间设置为200ms。
步骤212:对多条主机光谱信息的平均值进行预处理,获取主机光谱;对多条从机光谱信息的平均值进行预处理,获取从机光谱。具体地,对3条主机采集的光谱信息的平均值进行预处理后,得到建模需要使用的主机光谱;从机光谱同理。
在上述实施例的基础上,在步骤230之后,在步骤240之前,还包括利用预测集对传递后的模型进行评价。具体包括:
选择若干与校正集同批次的水果样本作为预测集。选择同批次的苹果样本共140个苹果样本,随机选取其中100个作为校正集用于模型的构建,剩余40个样本作为预测集。利用从机对预测集进行光谱采集并对光谱进行预处理,获取预测集的从机光谱。光谱采集和预处理方法与步骤210相同。
基于获取的预测集的从机光谱和在步骤230中获取的从机光谱到主机光谱的转换关系,将预测集的从机光谱转换为预测集的主机光谱,转换前先采用三次样条插值法,将从机光谱在550mm~930nm之间的波段所对应的1139个波长点转换到与主机光谱在550mm~930nm之间的波长点数相同的1039。再将预测集的主机光谱带入在步骤220中建立的糖度检测模型,得到预测集的糖度预测值。
利用步骤220中的糖度获取方法获取预测集的糖度实测值,将预测集的糖度实测值和糖度预测值比较,进行模型评价,其真实值与预测值的散点分布如图1所示。评价指标中预测相关系数(Rp)越大,预测均方根误差(RMSEP)越小,说明模型预测性能越好。因此,通过本实施例提供的模型传递算法,使主机建立的模型成功地应用于从机。预测结果如图2所示。
更进一步地,在步骤220之后,即建立完糖度检测模型之后,还包括:
利用校正集的从机光谱直接建立模型并对预测集从机光谱所对应的糖度值进行预测,结果见表2。通过对预测集的结果对比可以看出,利用主机校正集光谱建立的模型对从机的预测集光谱进行检测时,结果稍逊于利用从机校正集光谱直接建立的模型对从机的预测集光谱进行检测。但结果依然可以说明,通过模型传递,依然实现了主机模型成功应用于从机,可以满足实际应用要求。
表2主机和从机的建模预测结果
在上述实施例的基础上,当目标水果与校正集为不同批次时,此处的不同批次可以理解为不同生理差异的水果,如不同产地、收获季节等,在步骤240中得到目标水果的糖度预测值之后,还包括:
步骤310:随机选择若干目标水果作为修正集,利用从机对修正集进行光谱采集并对光谱进行预处理,获取修正集的从机光谱。
另外购置118个苹果样本。该样本与上述140个苹果样本购置时间不同,且产地不同。首先,随机选取10个样本作为修正集,获取从机下该10个样本的光谱信息,然后对采集光谱进行预处理,预处理方法与步骤210相同。
步骤320:基于获取的修正集的从机光谱和在步骤230中获取的从机光谱到主机光谱的转换关系,将修正集的从机光谱转换为修正集的主机光谱,转换前先采用三次样条插值法,将从机光谱在550mm~930nm之间的波段所对应的1139个波长点转换到与主机光谱在550mm~930nm之间的波长点数相同的1039。再将修正集的主机光谱带入在步骤220中建立的糖度检测模型,得到修正集的糖度预测值Yp。
步骤330:获取修正集的糖度实测值Ym,结合斜率/截距校正(Slope/Bias,简称S/B)算法建立糖度预测值的修正模型。具体地,可以采用最小二乘算法,得到10个苹果样本的糖度测量结果与预测结果的对应关系,即:
Ym=aYp+b
其中,a、b是拟合参数。
步骤340:将目标水果的糖度预测值代入糖度预测值的修正模型,得到修正后的目标水果的糖度预测值。
将剩余108个样本采用与步骤320相同的方式获得108个苹果样本的糖度预测值Yp,再根据得到的预测值Yp及拟合参数a,b,依据上述公式得到修正后的糖度预测值Yp_correct,即
Yp_correct=aYp+b。
图3为从机使用主机的模型对108个目标苹果样本糖度的检测结果。结果说明,通过上述方法对从机光谱进行处理,使从机对具有不同生理差异的苹果样本,实现了苹果糖度的有效检测,降低了样本其自身生理差异以及检测仪器自身对苹果糖度检测模型的影响。
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 (9)
1.一种用于水果糖度检测设备的近红外光谱模型传递方法,其特征在于,包括:
利用标准光源对主机和从机的光谱波长的准确度进行校正,分别利用所述主机和所述从机对校正集进行光谱采集并对光谱进行预处理,获取主机光谱和从机光谱,所述主机和所述从机采用相同类型的光谱仪,所述校正集包括用于建立模型的水果样本;
获取所述校正集的糖度实测值,基于所述校正集的糖度实测值和预设波段范围内的主机光谱,建立糖度检测模型;
从所述校正集中选择预设数量的水果样本作为标准集,基于所述标准集的预设波段范围内的所述从机光谱和所述主机光谱,结合分段直接校正算法,得到所述从机光谱到所述主机光谱的转换关系;
利用所述从机对目标水果进行光谱采集并对光谱进行预处理,基于所述目标水果的从机光谱和所述从机光谱到所述主机光谱的转换关系,获取所述目标水果的主机光谱,将所述目标水果的主机光谱带入所述糖度检测模型,得到所述目标水果的糖度预测值。
2.根据权利要求1所述的用于水果糖度检测设备的近红外光谱模型传递方法,其特征在于,所述利用标准光源对主机和从机的光谱波长的准确度进行校正,进一步包括:
分别获取所述主机和所述从机在标准光源下的标准光源光谱,从所述标准光源光谱中,选取若干个光源特征峰波长;
基于所述光源特征峰波长,采用二次多项式拟合算法分别对所述主机和所述从机的波长进行校正。
3.根据权利要求1所述的用于水果糖度检测设备的近红外光谱模型传递方法,其特征在于,所述基于所述标准集的预设波段范围内的所述从机光谱和所述主机光谱,结合分段直接校正算法,得到所述从机光谱到所述主机光谱的转换关系,进一步包括:
采用三次样条插值法将所述标准集的预设波段范围内的所述从机光谱的波长点数转换为与所述标准集的预设波段范围内的所述主机光谱的波长点数相同;
采用分段直接校正算法,得到所述从机光谱到所述主机光谱的转换关系:
S1=S2B+E
其中,S1为主机光谱,S2为从机光谱,B为光谱转换矩阵,E为残差矩阵。
4.根据权利要求1所述的用于水果糖度检测设备的近红外光谱模型传递方法,其特征在于,所述分别利用主机和从机对校正集进行光谱采集并对光谱进行预处理,获取主机光谱和从机光谱,进一步包括:
在所述校正集中水果样本的赤道部位标记采集点,分别利用主机和从机对标记部位进行多次光谱采集,获取多条主机光谱信息和从机光谱信息;
对多条主机光谱信息的平均值进行预处理,得到所述主机光谱;对多条从机光谱信息的平均值进行预处理,得到所述从机光谱。
5.根据权利要求4所述的用于水果糖度检测设备的近红外光谱模型传递方法,其特征在于,所述获取所述校正集的糖度实测值,进一步包括:
从所述校正集中水果样本的标记部位切取预设厚度的果肉,经过滤挤汁滴于折光仪镜面,读取并记录读数。
6.根据权利要求1所述的用于水果糖度检测设备的近红外光谱模型传递方法,其特征在于,所述基于所述校正集的糖度实测值和预设波段范围内的主机光谱,建立糖度检测模型,进一步包括:
基于所述校正集的糖度实测值和预设波段范围内的主机光谱,采用偏最小二乘算法建立糖度检测模型,所述糖度检测模型的最佳主因子数由十折交叉验证法确定。
7.根据权利要求1所述的用于水果糖度检测设备的近红外光谱模型传递方法,其特征在于,在所述得到所述从机光谱到所述主机光谱的转换关系之后,在所述利用所述从机对目标水果进行光谱采集并对光谱进行预处理之前,还包括:
选择若干与所述校正集同批次的水果样本作为预测集,利用所述从机对所述预测集进行光谱采集并对光谱进行预处理,获取所述预测集的从机光谱;
基于所述预测集的从机光谱和所述从机光谱到所述主机光谱的转换关系,获取所述预测集的主机光谱,将所述预测集的主机光谱带入所述糖度检测模型,得到所述预测集的糖度预测值;
获取所述预测集的糖度实测值,将所述预测集的糖度实测值和糖度预测值比较,进行模型评价。
8.根据权利要求1至7中任一项所述的用于水果糖度检测设备的近红外光谱模型传递方法,其特征在于,当所述目标水果与所述校正集为不同批次时,在得到所述目标水果的糖度预测值之后,还包括:
随机选择若干所述目标水果作为修正集,利用所述从机对所述修正集进行光谱采集并对光谱进行预处理,获取所述修正集的从机光谱;
基于所述修正集的从机光谱和所述从机光谱到所述主机光谱的转换关系,获取所述修正集的主机光谱,将所述修正集的主机光谱带入所述糖度检测模型,得到所述修正集的糖度预测值;
获取所述修正集的糖度实测值,结合S/B算法建立糖度预测值的修正模型;
将所述目标水果的糖度预测值代入所述糖度预测值的修正模型,得到修正后的所述目标水果的糖度预测值。
9.根据权利要求1所述的用于水果糖度检测设备的近红外光谱模型传递方法,其特征在于,所述预处理的方式包括:平滑处理、一阶导数计算、二阶导数计算或者多元散射校正处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010039074.1A CN111157484A (zh) | 2020-01-14 | 2020-01-14 | 用于水果糖度检测设备的近红外光谱模型传递方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010039074.1A CN111157484A (zh) | 2020-01-14 | 2020-01-14 | 用于水果糖度检测设备的近红外光谱模型传递方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111157484A true CN111157484A (zh) | 2020-05-15 |
Family
ID=70563452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010039074.1A Pending CN111157484A (zh) | 2020-01-14 | 2020-01-14 | 用于水果糖度检测设备的近红外光谱模型传递方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111157484A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111579526A (zh) * | 2020-06-08 | 2020-08-25 | 贵州中烟工业有限责任公司 | 一种表征近红外仪器差异和校正的方法 |
CN112683816A (zh) * | 2020-12-25 | 2021-04-20 | 中船重工安谱(湖北)仪器有限公司 | 一种光谱模型传递的光谱识别方法 |
CN113514415A (zh) * | 2021-04-25 | 2021-10-19 | 中国科学技术大学 | 一种基于红外光谱成像的液态样品的分子间相互作用表征方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110216313A1 (en) * | 2010-03-02 | 2011-09-08 | Weiyong Li | Supervised principal component analysis |
CN104089911A (zh) * | 2014-06-27 | 2014-10-08 | 桂林电子科技大学 | 基于一元线性回归的光谱模型传递方法 |
CN105628645A (zh) * | 2015-12-28 | 2016-06-01 | 贵州中烟工业有限责任公司 | 一种近红外分析模型的转移方法 |
CN105738317A (zh) * | 2016-02-16 | 2016-07-06 | 广州纤维产品检测研究院 | 纺织品近红外模型转移方法 |
CN109990898A (zh) * | 2017-12-29 | 2019-07-09 | 谱钜科技股份有限公司 | 光谱仪与光谱采样装置及其光谱校正方法 |
-
2020
- 2020-01-14 CN CN202010039074.1A patent/CN111157484A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110216313A1 (en) * | 2010-03-02 | 2011-09-08 | Weiyong Li | Supervised principal component analysis |
CN104089911A (zh) * | 2014-06-27 | 2014-10-08 | 桂林电子科技大学 | 基于一元线性回归的光谱模型传递方法 |
CN105628645A (zh) * | 2015-12-28 | 2016-06-01 | 贵州中烟工业有限责任公司 | 一种近红外分析模型的转移方法 |
CN105738317A (zh) * | 2016-02-16 | 2016-07-06 | 广州纤维产品检测研究院 | 纺织品近红外模型转移方法 |
CN109990898A (zh) * | 2017-12-29 | 2019-07-09 | 谱钜科技股份有限公司 | 光谱仪与光谱采样装置及其光谱校正方法 |
Non-Patent Citations (3)
Title |
---|
刘燕德: "《光谱诊断技术在农产品品质检测中的应用》", 华中科技大学出版社, pages: 39 - 45 * |
李青青: "梨糖度可见/近红外光谱实时检测样品非相关因素影响及模型优化研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, no. 9, 15 September 2017 (2017-09-15), pages 3 - 4 * |
梁晨等: "近红外光谱模型传递研究(英文)", 《光谱学与光谱分析》, vol. 37, no. 05, 31 May 2017 (2017-05-31), pages 1587 - 1594 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111579526A (zh) * | 2020-06-08 | 2020-08-25 | 贵州中烟工业有限责任公司 | 一种表征近红外仪器差异和校正的方法 |
CN111579526B (zh) * | 2020-06-08 | 2023-05-30 | 贵州中烟工业有限责任公司 | 一种表征近红外仪器差异和校正的方法 |
CN112683816A (zh) * | 2020-12-25 | 2021-04-20 | 中船重工安谱(湖北)仪器有限公司 | 一种光谱模型传递的光谱识别方法 |
CN112683816B (zh) * | 2020-12-25 | 2021-08-06 | 中船重工安谱(湖北)仪器有限公司 | 一种光谱模型传递的光谱识别方法 |
CN113514415A (zh) * | 2021-04-25 | 2021-10-19 | 中国科学技术大学 | 一种基于红外光谱成像的液态样品的分子间相互作用表征方法 |
CN113514415B (zh) * | 2021-04-25 | 2023-03-10 | 中国科学技术大学 | 一种基于红外光谱成像的液态样品的分子间相互作用表征方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Larraín et al. | A multipurpose portable instrument for determining ripeness in wine grapes using NIR spectroscopy | |
Fan et al. | Non-destructive evaluation of soluble solids content of apples using a developed portable Vis/NIR device | |
Li et al. | Application of long-wave near infrared hyperspectral imaging for measurement of soluble solid content (SSC) in pear | |
Liu et al. | Nondestructive measurement of soluble solid content of navel orange fruit by visible–NIR spectrometric technique with PLSR and PCA-BPNN | |
CN111157484A (zh) | 用于水果糖度检测设备的近红外光谱模型传递方法 | |
EP0877923B1 (en) | Mutivariate sample analysis | |
Ye et al. | Non-destructive prediction of protein content in wheat using NIRS | |
Li et al. | Calibration transfer between developed portable Vis/NIR devices for detection of soluble solids contents in apple | |
EP1496350A2 (en) | Method and apparatus for generating basis sets for use in spectroscopic analysis | |
CN104897607A (zh) | 便携式近红外光谱食品建模与快速检测一体化方法和系统 | |
CN104990895B (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
Li et al. | Wavelength selection method for near-infrared spectroscopy based on standard-sample calibration transfer of mango and apple | |
Yu et al. | Nondestructive determination of SSC in Korla fragrant pear using a portable near-infrared spectroscopy system | |
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 | |
Ye et al. | Application of FT-NIR spectroscopy to apple wine for rapid simultaneous determination of soluble solids content, pH, total acidity, and total ester content | |
CN105181606A (zh) | 基于高光谱成像技术检测花生中蔗糖含量分布的方法 | |
CN111537469A (zh) | 一种基于近红外技术的苹果品质快速无损检测方法 | |
CN109946246B (zh) | 一种苹果可溶性固形物的检测方法及装置 | |
CN111445469A (zh) | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 | |
JPH06105217B2 (ja) | 分光測定法 | |
CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
Zhang et al. | Uninformative Biological Variability Elimination in Apple Soluble Solids Content Inspection by Using Fourier Transform Near‐Infrared Spectroscopy Combined with Multivariate Analysis and Wavelength Selection Algorithm | |
Cui et al. | Hyperspectral reflectance imaging for water content and firmness prediction of potatoes by optimum wavelengths | |
CN111579526B (zh) | 一种表征近红外仪器差异和校正的方法 | |
US20220196476A1 (en) | Method for configuring a spectrometry device |
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: 20200515 |
|
RJ01 | Rejection of invention patent application after publication |