CN111521583A - 一种苹果霉心病检测模型建立的方法 - Google Patents
一种苹果霉心病检测模型建立的方法 Download PDFInfo
- Publication number
- CN111521583A CN111521583A CN202010384400.2A CN202010384400A CN111521583A CN 111521583 A CN111521583 A CN 111521583A CN 202010384400 A CN202010384400 A CN 202010384400A CN 111521583 A CN111521583 A CN 111521583A
- Authority
- CN
- China
- Prior art keywords
- apple
- spectrum
- model
- nondestructive testing
- establishing
- 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.)
- Granted
Links
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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B5/00—Measuring arrangements characterised by the use of mechanical techniques
- G01B5/08—Measuring arrangements characterised by the use of mechanical techniques for measuring diameters
-
- 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
- G01N21/59—Transmissivity
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公布了一种苹果霉心病无损检测模型建立的方法,该方法为将待测苹果表面用无纺布擦拭干净,在果梗附近进行标号,应用便携式漫透射近红外光谱仪采用四点横光谱采集方式进行扫描,光谱检测结束后,对苹果进行横切,用游标卡尺测定苹果以及病变区域的直径,并对苹果进行拍照留存。得到的近红外光谱数据,首先运用单位向量归一化方法进行光谱预处理,然后选择特征波长进行PLSR方法建立模型,通过未参与定标的样品,进行模型验证,苹果霉心病无损检测模型的判断正确率达到85%以上。该方法具有操作简便、无损快速的特点,适合于农户、企业对未知霉心病苹果的抽检或者小批量检测。
Description
技术领域
本发明属于农产品无损检测领域,特别涉及基于漫透射近红外光谱技术建立一种患有霉心病苹果的无损检测方法,具有操作简便、快速判别的特点。
背景技术
苹果霉心病是苹果的主要果实病害之一,该病害是由多种病原菌复合侵染所致。其发病特点是霉心病病原菌从果实心室从内往外扩展霉烂,最终导致果肉腐烂,但是在苹果外表并没有表现出明显的病害特征。霉心病病原菌可以以孢子或者菌丝体的形式在树体上、土壤、落叶、病果或坏死组织上存活,在第2年春季借助风雨或者昆虫进行传播,花芽中潜伏或传播到花器上的霉心病病原菌随着花朵开放进果实入子房等内部组织,随着果实的发育,通过果实萼筒进人果心从而导致果实的病变,最终出现各种霉心病症状。
霉心病的发病特征是病原菌从果实中心往外病变,果肉逐渐腐烂,且在病变初期苹果外表完好无损,没有表现出任何的病害症状。目前,因我国对霉心病缺乏有效的无损检测技术及其应用,影响了苹果的品质控制和销售市场。无损检测技术是在尽可能不破坏水果原始的物理状态、化学性质等前提下,获取待测物品质有关的性质或成分等理化信息所采取的检测方法。其中,近红外光谱技术(Near infrared spectroscopic technique,NIST)、生物电阻抗检测技术(Bioelectrical impedance technique, BIT)、高光谱成像技术(Hyperspectral imaging, HI)及电子计算机断层扫描(Computed tomography, CT)等无损检测技术越来越多地被应用于农产品的品质和各种缺陷的检测并成为研究的热点。
近年来,近红外无损检测技术迅速发展,国内外学者对其进行了大量的研究。其原理是水果内部分子与化学键相结合的各种基团的自身振动具有固定频率,在近红外光照射下水果吸收近红外光谱区特定波长的光线,可以获取该物质的特征光谱。然后将特征峰值与水果的品质参数结合起来建立两者的相关关系,进而检测水果的品质。不同近红外光谱检测技术对苹果霉心病的判别研究中主要包括:检测方式、波长范围、判别方法以及判别正确率等。目前文献中主要为漫反射光谱、透射光谱,但多为大型仪器或光谱采集要求严格,存在着不便于携带、操作繁琐、成本高的特点。目前便携式漫透射近红外光谱仪在多种果蔬品质上进行了研究,但在苹果霉心病检测上未见报道。通过便携式漫透射近红外光谱仪在苹果霉心病无损检测模型的建立,有利于实现农户、企业等人员对苹果霉心病发生情况进行快速检测,提高电商平台、大型超市、连锁水果店中苹果的品质。
发明内容
本发明的目的是填补以往研究空白,提供一种苹果霉心病无损检测模型建立的方法。本发明提供了一种基于漫透射近红外光谱技术建立一种患有霉心病苹果的无损检测方法,具有操作简便、快速判别的特点。
为实现上述目的,本发明公开了如下的技术内容:本发明公开了一种苹果霉心病无损检测模型建立的方法,其包括如下步骤:
步骤1:将待测苹果表面用无纺布擦拭干净,在果梗附近进行标号1、2、3、4(图2);
步骤2:应用便携式漫透射近红外光谱仪(光谱检测范围400~1100 nm),优选光谱检测范围650~950 nm,采用四点横光谱采集方式进行扫描。四点采集点为412、123、234和341,见图2。
步骤3:光谱检测结束后,对苹果进行横切,用游标卡尺测定苹果以及病变区域的直径,并对苹果进行拍照留存;
步骤4:得到的近红外光谱数据,首先运用单位向量归一化方法进行光谱预处理,然后选择特征波长进行PLSR方法建立模型;
步骤5:通过未参与定标的样品,进行模型验证,苹果霉心病无损检测模型的判断正确率达到85%以上。
本发明公开了苹果霉心病分为四个等级,健康果、轻度果、中度果,重度果,区分标准见图3。本发明公开的苹果霉心病无损检测模型的判断正确率为85~90%。
本发明进一步公开了所述苹果霉心病无损检测模型建立方法,具有操作简便、无损快速、准确率高的特点,适合于农户、企业对霉心病苹果的抽检或者小批量检测。
本发明主要解决了苹果霉心病无损检测中存在的设备昂贵、操作繁琐、环境条件要求高、不便于田间检测等问题,重点考察了不同采集方式、光谱预处理、建模方法、特征波长对便携式漫透射近红外光谱仪苹果霉心病检测模型的精度影响,主要的难点在于基于便携式漫透射近红外光谱仪构建苹果霉心病检测模型。
本发明公开的苹果霉心病无损检测模型建立的方法与现有技术相比所具有的积极效果在于:
(1)采用便携式漫透射近红外光谱仪,具有价格低廉、携带方便、操作简便、检测速度快的特点,可以满足当下电商商户、大型超市、连锁水果店、小型企业等的需求。
(2)采集方式进行多方面摸索,从两点横向、四点横向和四点纵向三种采集方式,进行数据的采集与分析,进而得到最优的四点横向采集方法。在实际测定中,仅需要横向扫描一次。与现有技术相比,模型的建立考虑到了光谱采集方式上的影响,选择出的光谱采集方式更加准确。
(3)在光谱预处理中,前期探索了6种预处理方法、4种建模方法,通过判断正确率的比较,最终选取了单位向量归一化预处理方法和PLSR建模方法,同时选择了4种特征波长进行PLSR建模,通过判断正确率的比较,最终选取特征波长710~950 nm。模型的建立通过了光谱预处理、建模方法、特征波长的全面研究,数据真实可靠。
(5)本发明建立的方法,在判断正确率来看,在85~90%之间,与文献中报道范围基本一致,但其以仪器便于携带、价格低、操作简便等优势,可以满足不同客户群的需求。
附图说明
图1 四点横漫透射光谱波段的划分;
图2 漫透射光谱采集方式示意图;(a:横采;b:纵采;c:采集范围--两点(412、234)和采集范围--四点(412、123、234和341)横向采集,其中1、2、3、4为苹果记号笔标记位置);
图3 不同等级富士苹果霉心病果实样本;(a.健康果;b.轻度霉心病果;c.中度霉心病果;d.重度霉心病果)。
具体实施方式
下面通过具体的实施方案叙述本发明。除非特别说明,本发明中所用的技术手段均为本领域技术人员所公知的方法。另外,实施方案应理解为说明性的,而非限制本发明的范围,本发明的实质和范围仅由权利要求书所限定。对于本领域技术人员而言,在不背离本发明实质和范围的前提下,对这些实施方案中的采集方式和特征波长进行的各种改变或改动也属于本发明的保护范围。本发明所用便携式漫透射近红外光谱仪有市售。
实施例1
将待测苹果表面用无纺布擦拭干净,在果梗附近进行标号,应用便携式漫透射近红外光谱仪(光谱检测范围650~950 nm,分辨率3 nm)采用不同光谱采集方式进行扫描,光谱检测结束后,对苹果进行横切,用游标卡尺测定苹果以及病变区域的直径,并对苹果进行拍照留存。得到的近红外光谱数据,首先运用单位向量归一化方法进行光谱预处理,然后全波段进行PLSR方法建立模型,通过未参与定标的样品,进行模型验证。采集方式包括:(1)两点横向采集,如图2中a、图2中c;(2)四点横向采集,如图2中a、图2中c;(3)四点纵向采集,如图2中b,图2中c所示的1、2、3和4点采集。实验结果见表1,采用四点横向采集方式模型的判别正确率最高。
表1 不同采集方式漫透射光谱建立苹果霉心病近红外预测模型
实施例2
将待测苹果表面用无纺布擦拭干净,在果梗附近进行标号,应用便携式漫透射近红外光谱仪(光谱检测范围650~950 nm,分辨率3 nm)采用不同光谱采集方式进行扫描,光谱检测结束后,对苹果进行横切,用游标卡尺测定苹果以及病变区域的直径,并对苹果进行拍照留存。得到的近红外光谱数据,首先运用不同预处理方法进行光谱预处理,然后全波段进行不同建模方法建立模型,通过未参与定标的样品,进行模型验证。不同预处理方法包括:原始光谱、经过移动窗口平均平滑、单位向量归一化、一阶导、标准正态变量变换(StandardNormal Variate transformation, SNV)和多元散射校正(Multiplicative ScatterCorrection, MSC);不同建模方法包括:多元线性回归(Multiple linear,MLR)、主成分回归(principal componen,PCR)、支持向量回归(Support Vactor Regression, SVR)、PLSR。实验结果见表2,采用单位向量归一化方法进行光谱预处理,PLSR方法建立模型的判别正确率最高。
表2 四点横漫透射光谱建立苹果霉心病近红外预测模型
实施例3
将待测苹果表面用无纺布擦拭干净,在果梗附近进行标号,应用便携式漫透射近红外光谱仪(光谱检测范围650~950 nm,分辨率3 nm)采用四点横向光谱采集方式进行扫描,光谱检测结束后,对苹果进行横切,用游标卡尺测定苹果以及病变区域的直径,并对苹果进行拍照留存。得到的近红外光谱数据,首先运用单位向量归一化方法进行光谱预处理,然后选择特征波长进行PLSR方法建立模型,通过未参与定标的样品,进行模型验证。特征波长包括:650~710 nm、710~816 nm和816~950 nm,依据见图1。实验结果见表2,采用710~950 nm作为特征波长建立的模的判别正确率最高。
表3 四点横漫透射特征波长建立苹果霉心病近红外预测模型
实施例4
本发明使用便携式近红外漫透射光谱仪器与现有仪器在重量、成本对比,以及建立苹果霉心病无损建模模型的准确率对比,见表4所示。常规1为近红外漫反射光谱仪,仪器成本较高,不便于携带,常规2为近红外透射光谱仪,检测时要求在暗箱中操作,同样成本较高,不便于携带,操作繁琐,而本发明所采用的仪器质量很轻,便于携带,适合在户外等地进行检测,通过判断正确率来看,与其他两种仪器准确相差无几,非常适合于农户、企业对未知样品的抽检或者小批量检测。
表4 不同近红外光谱仪特性对比以及苹果霉心病预测情况
本发明所采用的近红外光谱仪价格低、便于携带、检测简便,检测苹果霉心病的准确率较高,适合于农户、企业对未知霉心病苹果的抽检或者小批量检测。
Claims (6)
1.一种苹果霉心病无损检测模型建立的方法,其特征在于:该方法按照以下步骤实施:
步骤1:将待测苹果表面用无纺布擦拭干净,在果梗附近进行标号;
步骤2:应用便携式漫透射近红外光谱仪,光谱检测范围400~1100 nm,采用四点横光谱采集方式进行扫描;
步骤3:光谱检测结束后,对苹果进行横切,用游标卡尺测定苹果以及病变区域的直径,并对苹果进行拍照留存;
步骤4:得到的近红外光谱数据,首先运用单位向量归一化方法进行光谱预处理,然后选择特征波长进行偏最小二乘法回归(Partial least squares regression, PLSR)方法建立模型;
步骤5:通过未参与定标的样品,进行模型验证。
2.权利要求1所述的一种苹果霉心病无损检测模型建立的方法,其特征在于:所述便携式漫透射近红外光谱仪,光谱检测范围650~950 nm。
3.权利要求1所述的一种苹果霉心病无损检测模型建立的方法,其特征在于:所述四点横光谱采集方式进行扫描,四点采集点为412、123、234和341。
4.权利要求1所述的一种苹果霉心病无损检测模型建立的方法,其特征在于:所述苹果霉心病分为四个等级,健康果、轻度果、中度果,重度果。
5.权利要求1所述的一种苹果霉心病无损检测模型建立的方法,其特征在于:所述苹果霉心病无损检测模型的判断正确率为85~90%。
6.采用权利要求1所述苹果霉心病无损检测模型建立的方法,用于苹果霉心病抽检或者小批量检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384400.2A CN111521583B (zh) | 2020-05-09 | 2020-05-09 | 一种苹果霉心病检测模型建立的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010384400.2A CN111521583B (zh) | 2020-05-09 | 2020-05-09 | 一种苹果霉心病检测模型建立的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111521583A true CN111521583A (zh) | 2020-08-11 |
CN111521583B CN111521583B (zh) | 2023-08-25 |
Family
ID=71907135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010384400.2A Active CN111521583B (zh) | 2020-05-09 | 2020-05-09 | 一种苹果霉心病检测模型建立的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111521583B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112098369A (zh) * | 2020-08-18 | 2020-12-18 | 杭州电子科技大学 | 一种基于漫反射光的患霉心病苹果花检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110376159A (zh) * | 2019-08-22 | 2019-10-25 | 华东交通大学 | 基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法 |
CN111076670A (zh) * | 2019-12-03 | 2020-04-28 | 北京京仪仪器仪表研究总院有限公司 | 一种苹果内外品质在线无损检测方法 |
-
2020
- 2020-05-09 CN CN202010384400.2A patent/CN111521583B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110376159A (zh) * | 2019-08-22 | 2019-10-25 | 华东交通大学 | 基于近红外漫透射光谱的鸭梨黑心病快速鉴别方法 |
CN111076670A (zh) * | 2019-12-03 | 2020-04-28 | 北京京仪仪器仪表研究总院有限公司 | 一种苹果内外品质在线无损检测方法 |
Non-Patent Citations (7)
Title |
---|
CLARA SHENDEREY ET AL.: "NIRS Detection of Moldy Core in Apples", 《FOOD AND BIOPROCESS TECHNOLOGY》 * |
刘燕德等: "苹果可溶性固形物和糖酸比可见/近红外漫反射与漫透射在线检测对比研究", 《光谱学与光谱分析》 * |
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》 * |
张建超等: "苹果霉心病无损检测研究进展", 《包装工程》 * |
张海辉等: "基于特征光谱的苹果霉心病无损检测设备设计", 《农业工程学报》 * |
郭志明等: "苹果腐心病的透射光谱在线检测系统设计及试验", 《农业工程学报》 * |
雷雨等: "苹果霉心病可见/近红外透射能量光谱识别方法", 《农业机械学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112098369A (zh) * | 2020-08-18 | 2020-12-18 | 杭州电子科技大学 | 一种基于漫反射光的患霉心病苹果花检测方法及装置 |
CN112098369B (zh) * | 2020-08-18 | 2023-08-29 | 杭州电子科技大学 | 一种基于漫反射光的患霉心病苹果花检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111521583B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McGlone et al. | Vis/NIR estimation at harvest of pre-and post-storage quality indices for ‘Royal Gala’apple | |
Li et al. | Evaluating the performance of a consumer scale SCiO™ molecular sensor to predict quality of horticultural products | |
Subedi et al. | Prediction of mango eating quality at harvest using short-wave near infrared spectrometry | |
Cayuela | Vis/NIR soluble solids prediction in intact oranges (Citrus sinensis L.) cv. Valencia Late by reflectance | |
Liu et al. | Use of FT-NIR spectrometry in non-invasive measurements of internal quality of ‘Fuji’apples | |
Fan et al. | Determination of soluble solids and firmness of apples by Vis/NIR transmittance | |
Zude-Sasse et al. | An approach to non-destructive apple fruit chlorophyll determination | |
CN110763698B (zh) | 一种基于特征波长的高光谱柑橘叶片病害识别方法 | |
Kavdir et al. | Visible and near-infrared spectroscopy for nondestructive quality assessment of pickling cucumbers | |
CN111157511B (zh) | 一种基于拉曼光谱技术的鸡蛋新鲜度无损检测方法 | |
Wedding et al. | Non‐destructive prediction of ‘Hass’ avocado dry matter via FT‐NIR spectroscopy | |
Tian et al. | Non-destructive prediction of soluble solids content of pear based on fruit surface feature classification and multivariate regression analysis | |
Beghi et al. | Rapid evaluation of grape phytosanitary status directly at the check point station entering the winery by using visible/near infrared spectroscopy | |
Li et al. | Non-destructive determination of soluble solids content using a multi-region combination model in hybrid citrus | |
CN110108649A (zh) | 基于太赫兹光谱技术的油料作物品质的快速无损检测方法 | |
Lu et al. | Nondestructive determination of soluble solids and firmness in mix-cultivar melon using near-infrared CCD spectroscopy | |
CN111521583B (zh) | 一种苹果霉心病检测模型建立的方法 | |
CN109142238B (zh) | 一种棉花磷素营养快速诊断方法 | |
TWI656334B (zh) | 蘭花病蟲害高光譜成像早期偵測系統 | |
Fu et al. | Determination of soluble solid content and acidity of loquats based on FT-NIR spectroscopy | |
Wang et al. | Application of visible/near-infrared spectroscopy combined with machine vision technique to evaluate the ripeness of melons (Cucumis melo L.) | |
Arunachalam et al. | Quantification of betacyanin content variation of amaranth varieties by an Android App, colorimeter, and infrared spectroscopy | |
Abeytilakarathna et al. | Relationship between total solid content and red, green and blue colour intensity of strawberry (Fragaria x ananassa Duch.) fruits | |
JP2019101040A (ja) | 硝酸イオン濃度非破壊計測方法、硝酸イオン濃度非破壊計測装置、及び硝酸イオン濃度非破壊計測プログラム | |
Jarén et al. | White asparagus harvest date discrimination using NIRS technology |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230727 Address after: 300192, 26 Nankai District Aerospace Road, Tianjin Applicant after: Tianjin Academy of Agricultural Sciences Address before: No.82 Jinjing Road, Xiqing District, Tianjin, 300384 Applicant before: Tianjin Forestry Institute of Fruit Trees |
|
GR01 | Patent grant | ||
GR01 | Patent grant |