CN112098357B - 一种基于近红外光谱的草莓感官品质等级评价方法 - Google Patents
一种基于近红外光谱的草莓感官品质等级评价方法 Download PDFInfo
- Publication number
- CN112098357B CN112098357B CN202010847612.XA CN202010847612A CN112098357B CN 112098357 B CN112098357 B CN 112098357B CN 202010847612 A CN202010847612 A CN 202010847612A CN 112098357 B CN112098357 B CN 112098357B
- Authority
- CN
- China
- Prior art keywords
- strawberry
- near infrared
- infrared spectrum
- sensory quality
- model
- 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.)
- Active
Links
- 235000016623 Fragaria vesca Nutrition 0.000 title claims abstract description 111
- 235000011363 Fragaria x ananassa Nutrition 0.000 title claims abstract description 111
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 88
- 230000001953 sensory effect Effects 0.000 title claims abstract description 87
- 238000011156 evaluation Methods 0.000 title claims abstract description 55
- 244000307700 Fragaria vesca Species 0.000 title 1
- 241000220223 Fragaria Species 0.000 claims abstract description 166
- 239000002253 acid Substances 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000013441 quality evaluation Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 8
- 235000021012 strawberries Nutrition 0.000 claims description 56
- 241000238413 Octopus Species 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 239000000843 powder Substances 0.000 abstract description 3
- 238000009659 non-destructive testing Methods 0.000 abstract description 2
- 239000000523 sample Substances 0.000 description 37
- 238000001514 detection method Methods 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 150000007513 acids Chemical class 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- KRKNYBCHXYNGOX-UHFFFAOYSA-N citric acid Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O KRKNYBCHXYNGOX-UHFFFAOYSA-N 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 206010015150 Erythema Diseases 0.000 description 2
- RJGDLRCDCYRQOQ-UHFFFAOYSA-N anthrone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3CC2=C1 RJGDLRCDCYRQOQ-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- YGSDEFSMJLZEOE-UHFFFAOYSA-N salicylic acid Chemical compound OC(=O)C1=CC=CC=C1O YGSDEFSMJLZEOE-UHFFFAOYSA-N 0.000 description 2
- 238000004448 titration Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- BJEPYKJPYRNKOW-REOHCLBHSA-N (S)-malic acid Chemical compound OC(=O)[C@@H](O)CC(O)=O BJEPYKJPYRNKOW-REOHCLBHSA-N 0.000 description 1
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 229930091371 Fructose Natural products 0.000 description 1
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 239000005715 Fructose Substances 0.000 description 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 241000522506 Niphargus factor Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- FPIPGXGPPPQFEQ-BOOMUCAASA-N Vitamin A Natural products OC/C=C(/C)\C=C\C=C(\C)/C=C/C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-BOOMUCAASA-N 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 description 1
- BJEPYKJPYRNKOW-UHFFFAOYSA-N alpha-hydroxysuccinic acid Natural products OC(=O)C(O)CC(O)=O BJEPYKJPYRNKOW-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 235000001014 amino acid Nutrition 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000021028 berry Nutrition 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000001630 malic acid Substances 0.000 description 1
- 235000011090 malic acid Nutrition 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 235000010755 mineral Nutrition 0.000 description 1
- 235000008935 nutritious Nutrition 0.000 description 1
- 150000007524 organic acids Chemical class 0.000 description 1
- FJKROLUGYXJWQN-UHFFFAOYSA-N papa-hydroxy-benzoic acid Natural products OC(=O)C1=CC=C(O)C=C1 FJKROLUGYXJWQN-UHFFFAOYSA-N 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 229960004889 salicylic acid Drugs 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 235000019155 vitamin A Nutrition 0.000 description 1
- 239000011719 vitamin A Substances 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
- 229940045997 vitamin a Drugs 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了草莓感官品质等级无损检测技术领域的一种基于近红外光谱的草莓感官品质等级评价方法，可以快速、准确的检测草莓粉中a*值、硬度、糖酸比的含量，根据其含量评价草莓的感官品质等级，评价结果客观，不受评价者的主观因素影响。包括：获取草莓样品并分组；建立模糊数学综合评价体系，对第一样品组进行评价，得出感官品质等级；测定第一样品组理化指标；筛选出关键品质指标；构建感官品质等级Fisher判别模型；对第二样品组进行近红外光谱测定，获取近红外光谱信息；测定第二样品组的关键品质指标；构建基于近红外光谱的关键品质指标定量预测模型；构建基于近红外光谱的草莓感官品质评价模型，用于评价草莓感官品质等级。
Description
技术领域
本发明属于草莓感官品质等级无损检测技术领域，具体设计一种基于近红外光谱的草莓感官品质等级评价方法。
背景技术
草莓为蔷薇科、草莓属植物，原产于欧洲，二十世纪传入我国。草莓鲜美可口、营养丰富，含有果糖、柠檬酸、苹果酸、水杨酸、氨基酸、维生素C、维生素A以及钙、磷、铁等矿物质。草莓在世界小浆果生产中居于首位，草莓的全球消费量逐年递增，商业价值高，但是由于产地、品种、种植条件等多种因素，草莓的质量不均，个体间差异较大。这使得市场交易中存在极大不便。没有水果品质评价体系，水果交易市场很难规模化。传统的草莓品质评价方法为单一的感官评价，相对粗放、没有数字化的水果口感评价，评价结果依赖从业人员的经验，结果易受主观因素的影响。
发明内容
为解决现有技术中的不足，本发明提供一种基于近红外光谱的草莓感官品质等级评价方法，可以快速、准确的检测草莓粉中a*值、硬度、糖酸比的含量，根据其含量评价草莓的感官品质等级，评价结果客观，不受评价者的主观因素影响。
为达到上述目的，本发明所采用的技术方案是：一种基于近红外光谱的草莓感官品质等级评价方法，包括：a、获取同一品种不同成熟度的草莓，并逐个编号，将这些草莓分为第一样品组和第二样品组；b、建立模糊数学综合评价体系，对获取的第一样品组中的草莓进行感官评价，得出感官品质等级；c、测定第一样品组中所有草莓的理化指标；d、对各理化指标进行统计分析，与感官品质等级进行相关性分析，筛选出草莓等级评价的关键品质指标；e、基于关键品质指标，构建感官品质等级Fisher判别模型；f、对第二样品组中的所有草莓进行近红外光谱测定，获取近红外光谱信息；g、测定第二样品组中的所有草莓的关键品质指标；h、结合第二样品组中的所有草莓的关键品质指标和近红外光谱信息，构建基于近红外光谱的关键品质指标定量预测模型；i、结合感官品质等级Fisher判别模型和基于近红外光谱的关键品质指标定量预测模型，构建基于近红外光谱的草莓感官品质评价模型，用于评价草莓感官品质等级；j、基于近红外光谱技术，提取待测草莓的全波段积分球漫反射近红外光谱信息，导入构建的基于近红外光谱的草莓感官品质评价模型中，即可获得待测草莓的感官品质等级。
进一步地，所述构建基于近红外光谱的关键品质指标定量预测模型，具体为：
h1、将第二样品组中的草莓分为建模集和预测集；h2、分别对建模集和预测集中草莓样品的近红外光谱进行预处理；h3、对建模集中的经过预处理后的近红外光谱信息和关键品质指标的化学值进行拟合光谱处理，建立偏最小二乘法(PLS)预测模型，通过比较模型建模集决定系数Rc 2、建模集均方根误差RMSEC、预测集决定系数Rp 2、预测集均方根误差RMSEP、预测集的标准差与均方根误差的比值RPD衡量模型的质量，筛选关键品质指标的最佳预测模型；h4、将预测集在近红外光谱预测模型中进行验证，进一步验证模型性能；
进一步地，所述理化指标包括：草莓样品的L*、a*、b*值，硬度，可溶性固形物，可溶性糖，可滴定酸和糖酸比；其中，L*表示亮度值，a*表示红绿值，b*表示黄蓝值。
进一步地，所述关键品质指标包括a*值、硬度、糖酸比。
进一步地，采用所述感官品质等级Fisher判别模型，“章姬”草莓的判别式如下：
y1＝-208.093+1.515×a*值+3.24×硬度+18.955×糖酸比；
y2＝-144.276+1.28×a*值+3.251×硬度+15.645×糖酸比；
y3＝-106.888+1.072×a*值+3.707×硬度+13.237×糖酸比；
其中，y1表示一等，y2表示二等，y3表示三等。
进一步地，采用所述感官品质等级Fisher判别模型，“红颜”草莓的判别式如下：
y1＝-79.244+1.483×a*值+3.028×硬度+7.228×糖酸比；
y2＝-58.465+1.361×a*值+3.962×硬度+5.504×糖酸比；
y3＝-41.067+1.151×a*值+4.258×硬度+4.099×糖酸比。
进一步地，在步骤f中，近红外光谱测定采用积分球漫反射方式采集光谱，扫描参数为：扫描光谱范围10000-4000cm-1，扫描次数32次，分辨率4cm-1，每隔一小时采集一次背景光谱。
一种基于近红外光谱的草莓感官品质等级评价系统，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行前述方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行前述的方法。
与现有技术相比，本发明所达到的有益效果：
(1)本发明基于近红外光谱技术，在草莓的关键品质指标和近红外光谱信息之间建立联系，构建基于近红外光谱的草莓感官品质评价模型，然后提取待测草莓的全波段积分球漫反射近红外光谱信息，导入构建的基于近红外光谱的草莓感官品质评价模型中，即可获得待测草莓的感官品质等级；可以快速、准确的检测草莓粉中a*值、硬度、糖酸比的含量，根据其含量评价草莓的感官品质等级，评价结果客观，不受评价者的主观因素影响；
(2)本发明实现了对草莓感官品质的无损鉴别；传统的草莓品质检测需要感官评价实验或是各种化学试剂的前处理，对草莓品质造成损害且只能抽样检测，近红外光谱鉴别可对草莓进行检测，操作简单、对环境不造成任何污染等特点，对测试者不需要具备专业知识，应用方便，适用于大批量检测草莓品质；
(3)本发明建立的基于近红外光谱的草莓品质等级评价方法对草莓的3个关键品质指标展现出了出色的预测精度，对草莓果实的感官品质等级也可以达到较为准确的预判，预判结果与感官实验得出的等级结果大致相同，为草莓品质标准化评价和草莓品质控制提供了新方法。
附图说明
图1是本发明实施例提供的一种基于近红外光谱的草莓感官品质等级评价方法的流程示意图；
图2是“章姬”草莓训练集样品的原始近红外光谱图；
图3是“红颜”草莓训练集样品的原始近红外光谱图；
图4是基于近红外光谱的“章姬”草莓a*值预测最优模型散点图；
图5是基于近红外光谱的“章姬”草莓硬度预测最优模型散点图；
图6是基于近红外光谱的“章姬”草莓糖酸比预测最优模型散点图；
图7是基于近红外光谱的“红颜”草莓a*值预测最优模型散点图；
图8是基于近红外光谱的“红颜”草莓硬度预测最优模型散点图；
图9是基于近红外光谱的“红颜”草莓糖酸比预测最优模型散点图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1所示，一种基于近红外光谱的草莓感官品质等级评价方法，包括：a、获取同一品种不同成熟度的草莓，并逐个编号，将这些草莓分为第一样品组和第二样品组；b、建立模糊数学综合评价体系，对获取的第一样品组中的草莓进行感官评价，得出感官品质等级；c、测定第一样品组中所有草莓的理化指标；d、对各理化指标进行统计分析，与感官品质等级进行相关性分析，筛选出草莓等级评价的关键品质指标；e、基于关键品质指标，构建感官品质等级Fisher判别模型；f、对第二样品组中的所有草莓进行近红外光谱测定，获取近红外光谱信息；g、测定第二样品组中的所有草莓的关键品质指标；h、结合第二样品组中的所有草莓的关键品质指标和近红外光谱信息，构建基于近红外光谱的关键品质指标定量预测模型；i、结合感官品质等级Fisher判别模型和基于近红外光谱的关键品质指标定量预测模型，构建基于近红外光谱的草莓感官品质评价模型，用于评价草莓感官品质等级；j、基于近红外光谱技术，提取待测草莓的全波段积分球漫反射近红外光谱信息，导入构建的基于近红外光谱的草莓感官品质评价模型中，即可获得待测草莓的感官品质等级。
步骤1，获取同一品种不同成熟度的草莓，并逐个编号，将这些草莓分为第一样品组和第二样品组；
本实施例，于南京市锁石生态园采摘“章姬”和“红颜”2个品种不同成熟度的新鲜草莓，挑选大小一致、无机械损伤、表面干净、非畸形的草莓分别作为样品进行编号及测定；
步骤2，建立模糊数学综合评价体系，对获取的第一样品组中的草莓进行感官评价，得出感官品质等级；结合中国农业部行业标准NY/T 444-2001草莓，建立如表1所示的草莓感官评价分级标准。选取10位同学组成感官评定小组，参照表1，运用模糊数学判定法，以色泽、质地、滋味为评价因素，分别对采摘的“章姬”和“红颜”草莓分别进行感官评价。评价标准如下：
表1草莓感官评价评定标准
建立模糊数学综合评价体系评价：评价对象集S＝{S1，S2，S3，......，Sn}，其中S1为标号为1的样品，S2为标号为2的样品，S3为标号为3的样品，......，Sn为标号为n的样品。因素集U＝{u1，u2，u3}，其中u1表示色泽，u2表示质地，u3表示滋味。即U＝{色泽，质地，滋味}。评语集V＝{V1，V2，V3}，其中V1表示优，V2表示良，V3表示差，即V＝{优，良，差}。评价权重集W＝{W1，W2，W3}，本实验依据表1草莓感官评价评定标准，即色泽30分、质地20分，滋味50分，作为权重系数的分配依据，色泽、质地、滋味的权重系数分别为0.3，0.2，0.5，总和为1，即权重集W＝{0.3，0.2，0.5}。模糊关系综合评判集Y＝W×R，其中，Y为综合评判集，W为权重集，R为模糊矩阵。等级计算如下：
表2感官评价因素的等级赋值
感官评价综合得分T的计算公式如下：
T＝Y×(92.5，72.5，30)
表3感官评价综合等级计算
| 评价等级 | 一等 | 二等 | 三等 |
| 数值范围 | 85分-100分 | 60分-85分 | <60分 |
步骤3，测定第一样品组中所有草莓的理化指标；包括：草莓样品的L*、a*、b*值，硬度，可溶性固形物，可溶性糖，可滴定酸和糖酸比；其中，L*表示亮度值，a*表示红绿值，b*表示黄蓝值。
草莓样品中L*、a*、b*值用色差计法测定；可溶性固形物用折光仪法测定；可溶性糖用蒽酮试剂法测定；可滴定酸用指示剂滴定法测定；硬度采用穿刺法，运用TA-XT Plus型质构仪，直径为6mm的圆型探头，参数设置：测前速度为60mm/min，触发力为0.4N，触发方式自动，检测速度为60mm/min，穿刺距离为5mm，回程速度为200mm/min，回程距离为80mm。最终所有样品的各理化指标含量的测定结果如下：
表4“章姬”草莓各品质指标的描述性统计
| 指标 | 平均值 | 极大值 | 极小值 | 极差 | 标准差 | 变异系数％ |
| L* | 41.4 | 63.1 | 22.4 | 40.7 | 8.0 | 19.28 |
| a* | 32.6 | 51.3 | 0.2 | 51.1 | 10.8 | 33.26 |
| b* | 23.2 | 37.0 | 11.1 | 25.9 | 4.8 | 20.69 |
| 硬度(N) | 2.863 | 7.272 | 0.914 | 6.358 | 1.3 | 45.17 |
| SSC(％) | 10.0 | 12.7 | 6.9 | 5.8 | 1.0 | 10.09 |
| 可溶性糖(％) | 7.8 | 9.8 | 5.3 | 4.5 | 0.8 | 10.48 |
| 可滴定酸(％) | 0.52 | 0.67 | 0.35 | 0.32 | 0.1 | 10.37 |
| 糖酸比 | 15.2 | 22.9 | 9.5 | 13.4 | 2.3 | 15.42 |
表5“红颜”草莓各品质指标的描述性统计
步骤4，对各理化指标进行统计分析，与感官品质等级进行相关性分析，筛选出草莓等级评价的关键品质指标；确定的用于草莓等级评价的关键品质指标包括a*值、硬度、糖酸比3个品质指标。相关性分析结果如下表：
表6“章姬”草莓的品质等级与评价指标相关性分析结果
| L* | a* | b* | 硬度 | SSC | 可溶性糖 | 可滴定酸 | 糖酸比 | D | |
| L* | 1 | ||||||||
| a* | -0.828** | 1 | |||||||
| b* | -0.212* | 0.493** | 1 | ||||||
| 硬度 | 0.315** | -0.388** | -0.172 | 1 | |||||
| SSC | -0.106 | 0.173 | -0.039 | -0.347** | 1 | ||||
| 可溶性糖 | -0.138 | 0.151 | 0.029 | -0.442** | 0.792** | 1 | |||
| 可滴定酸 | 0.308** | -0.283* | -0.129 | 0.222* | 0.151 | -0.253* | 1 | ||
| 糖酸比 | -0.362** | 0.381** | 0.139 | -0.554** | 0.667** | 0.777** | -0.796** | 1 | |
| D | 0.389** | -0.663** | -0.125 | 0.625** | -0.317** | -0.343** | 0.412** | -0.848** | 1 |
注：D为草莓品质等级；**：P<0.01，*：P<0.05
表7“红颜”草莓的品质等级与评价指标相关性分析结果
注：D为草莓品质等级；**：P<0.01，*：P<0.05
步骤5，基于筛选出的关键品质指标，构建感官品质等级Fisher判别模型，对于2个品种的草莓，模型判别式及结果如下：
“章姬”草莓的判别式：
y1＝-208.093+1.515×a*值+3.24×硬度+18.955×糖酸比；
y2＝-144.276+1.28×a*值+3.251×硬度+15.645×糖酸比；
y3＝-106.888+1.072×a*值+3.707×硬度+13.237×糖酸比；
其中，y1表示一等，y2表示二等，y3表示三等。；
“红颜”草莓的判别式：
y1＝-79.244+1.483×a*值+3.028×硬度+7.228×糖酸比；
y2＝-58.465+1.361×a*值+3.962×硬度+5.504×糖酸比；
y3＝-41.067+1.151×a*值+4.258×硬度+4.099×糖酸比。
表8“章姬”草莓的Fisher判别模型的建立及验证结果
| 一等 | 二等 | 三等 | 准确率(％) | 总体准确率(％) | ||
| 一等 | 69 | 1 | 0 | 98.6 | ||
| 建模集 | 二等 | 3 | 65 | 2 | 92.9 | 96.2 |
| 三等 | 0 | 2 | 68 | 97.1 | ||
| 一等 | 28 | 2 | 0 | 93.3 | ||
| 预测集 | 二等 | 1 | 27 | 2 | 90.0 | 93.3 |
| 三等 | 0 | 1 | 29 | 96.7 |
表9“红颜”草莓的Fisher判别模型的建立及验证结果
| 一等 | 二等 | 三等 | 准确率(％) | 总体准确率(％) | ||
| 一等 | 66 | 4 | 0 | 94.3 | ||
| 建模集 | 二等 | 4 | 64 | 2 | 91.4 | 94.3 |
| 三等 | 0 | 2 | 68 | 97.1 | ||
| 一等 | 27 | 3 | 0 | 90.0 | ||
| 预测集 | 二等 | 2 | 27 | 1 | 90.0 | 91.1 |
| 三等 | 0 | 2 | 28 | 93.3 |
步骤6，对第二样品组中的所有草莓进行近红外光谱测定，如图2、3所示，获取近红外光谱信息；
本实施例中，光谱数据在AntarisⅡ(Thermo Fisher Scientific.，美国)傅里叶变换型光谱仪上采集，近红外光谱测定采用积分球漫反射方式采集光谱，扫描参数为：扫描谱曲范围10 000-4 000cm-1，扫描次数32次，分辨率4cm-1，每隔一小时采集一次背景光谱。
步骤7，测定第二样品组中的所有草莓的关键品质指标，包括：a*值、硬度、糖酸比。
样品中a*值用色差计法测定；可溶性糖用蒽酮试剂法测定；可滴定酸用指示剂滴定法测定；硬度采用穿刺法。运用TA-XT Plus型质构仪，直径为6mm的圆型探头。参数设置：测前速度为60mm/min，触发力为0.4N，触发方式自动，检测速度为60mm/min，穿刺距离为5mm，回程速度为200mm/min，回程距离为80mm。最终所有样品的各理化指标含量的测定结果如下：
表10“章姬”草莓样品集的a*、硬度、糖酸比的测定
注：建模集样品数量为225，预测集样品数量为75。
表11“红颜”草莓样品集的a*、硬度、糖酸比的测定
注：建模集样品数量为225，预测集样品数量为75。
步骤8，结合第二样品组中的所有草莓的关键品质指标和近红外光谱信息，构建基于近红外光谱的关键品质指标定量预测模型；具体为：
h1、将第二样品组中的草莓分为建模集和预测集；
h2、分别对建模集和预测集中草莓样品的近红外光谱，利用MATLAB2010b(TheMathworks，美国)软件中一阶导数(1st-derivative)、二阶导数(2nd-derivative)、标准正态变换(SNV)、多元散射校正(multiplicative scatter correction,MSC)、正交信号校正(Orthogonal Signal Correction,OSC)进行预处理；
h3、对建模集中的经过预处理后的近红外光谱信息和关键品质指标的化学值采用偏最小二乘法(PLS)进行拟合光谱处理，建立偏最小二乘法(PLS)预测模型，通过比较模型建模集决定系数Rc 2、建模集均方根误差RMSEC、预测集决定系数Rp 2、预测集均方根误差RMSEP、预测集的标准差与均方根误差的比值RPD衡量模型的质量，筛选关键品质指标的最佳预测模型；
h4、将预测集在近红外光谱预测模型中进行验证，进一步验证模型性能；
利用MATLAB2010b(The Mathworks，美国)软件中偏最小二乘法(PLS)建立预测模型，选取的波长范围为10 000cm-1-4 000cm-1；选取主因子数为10。
如图4-6所示，在“章姬”草莓中，a*值所建立的最佳预测模型建模集决定系数Rc 2为0.98，建模集均方根误差RMSEC为1.97；硬度所建立的最佳预测模型建模集决定系数Rc 2为0.97，建模集均方根误差RMSEC为0.27N；糖酸比所建立的最佳预测模型相关系数Rc 2为0.96，建模集均方根误差RMSEC为0.47。
如图7-9所示，在“红颜”草莓中，a*值所建立的最佳预测模型相关系数Rc 2为0.91，建模集均方根误差RMSEC为2.91；硬度所建立的最佳预测模型相关系数Rc 2为0.95，建模集均方根误差RMSEC为0.33N；糖酸比所建立的最佳预测模型相关系数Rc 2为0.93，建模集均方根误差RMSEC为0.55。模型性能均较好。
利用上述所建立的预测模型分别对验证集样品的a*、硬度、糖酸比含量进行预测，验证前进行同样的光谱预处理，预测结果如下：
表12验证样品集a*、硬度、糖酸比含量预测
建立的a*、硬度、糖酸比含量预测模型对验证集样品的预测值与真实值较为接近。与此同时，对a*、硬度、糖酸比含量的真实值与预测值进行成对数据t检验，数据显示无论模型对a*、硬度还是糖酸比的预测，P值均大于0.05，两组数据的测量值与预测值差异均不显著。验证了运用近红外光谱技术对草莓果实a*、硬度、糖酸比含量预测的模型具有一定的鲁棒性。
表13基于近红外光谱的“章姬”草莓的品质预测PLS模型
| 理化值 | 预处理 | R<sub>c</sub><sup>2</sup> | RMSEC | R<sub>p</sub><sup>2</sup> | RMSEP | RPD |
| RAW | 0.79 | 5.95 | 0.77 | 5.04 | 2.00 | |
| 1-st | 0.86 | 4.89 | 0.75 | 5.41 | 1.87 | |
| a* | 2-nd | 0.98 | 1.97 | 0.93 | 2.76 | 3.66 |
| SNV | 0.82 | 5.43 | 0.77 | 5.02 | 2.01 | |
| MSC | 0.79 | 5.88 | 0.76 | 5.25 | 1.92 | |
| OSC | 0.82 | 5.42 | 0.76 | 5.09 | 1.98 | |
| RAW | 0.84 | 0.58 | 0.78 | 0.61 | 1.97 | |
| 1-st | 0.81 | 0.65 | 0.71 | 0.66 | 1.82 | |
| 硬度 | 2-nd | 0.97 | 0.27 | 0.90 | 0.38 | 3.16 |
| SNV | 0.85 | 0.57 | 0.81 | 0.57 | 2.11 | |
| MSC | 0.85 | 0.54 | 0.82 | 0.58 | 2.07 | |
| OSC | 0.89 | 0.48 | 0.81 | 0.53 | 2.26 | |
| RAW | 0.72 | 1.09 | 0.66 | 1.23 | 1.46 | |
| 1-st | 0.87 | 0.82 | 0.76 | 0.91 | 1.98 | |
| 糖酸比 | 2-nd | 0.96 | 0.47 | 0.93 | 0.47 | 3.83 |
| SNV | 0.65 | 1.16 | 0.61 | 1.38 | 1.30 | |
| MSC | 0.72 | 1.24 | 0.65 | 1.11 | 1.62 | |
| OSC | 0.72 | 1.23 | 0.63 | 1.12 | 1.61 |
其中，RAW表示未经光谱预处理的原始数据；1-st表示一阶导数；2-nd表示二阶导数；SNV表示标准正态变换；MSC表示多元散射校正；OSC表示正交信号校正。
表14基于近红外光谱的“红颜”草莓的品质预测PLS模型
综合建模集和预测集的结果，筛选出的草莓的品质预测最优模型均为基于全波段(波长范围为10 000cm-1-4 000cm-1)的2nd-PLS模型。
步骤9，结合感官品质等级Fisher判别模型和基于近红外光谱的关键品质指标定量预测模型，构建基于近红外光谱的草莓感官品质评价模型，用于评价草莓感官品质等级。
步骤10，基于近红外光谱技术，提取待测草莓的全波段积分球漫反射近红外光谱信息，导入构建的基于近红外光谱的草莓感官品质评价模型中，即可获得待测草莓的感官品质等级。
表15基于近红外技术的草莓品质等级判别模型
利用上述所建立的预测模型分别对预测集样品的感官品质等级进行判别，验证前进行同样的预处理，预测结果如下表：
表16基于近红外技术的草莓品质等级判别模型验证结果
结果显示，在2个品种中，“章姬”草莓模型的效果更优。在“章姬”草莓的判别模型中，建模集总体准确率为94.2％；预测集总体准确率为91.9％。在“红颜”草莓的判别模型中，建模集总体准确率为91.3％；预测集总体准确率为90.8％。结果表示两者的等级判别模型的效果较好，等级判别较为准确，模型可靠。本发明提出的基于近红外光谱技术对草莓进行品质分级具有可行性，可以较好地实现对草莓的感官品质等级进行无损鉴别的目的。
实施例二：
基于实施例一所述的基于近红外光谱的草莓感官品质等级评价方法，本实施例提供一种基于近红外光谱的草莓感官品质等级评价系统包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行实施例一所述方法的步骤。
实施例三：
基于实施例一所述的基于近红外光谱的草莓感官品质等级评价方法，本实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行实施例一所述的方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种基于近红外光谱的草莓感官品质等级评价方法，其特征是，包括：
a、获取同一品种不同成熟度的草莓，并逐个编号，将这些草莓分为第一样品组和第二样品组；
b、建立模糊数学综合评价体系，对获取的第一样品组中的草莓进行感官评价，得出感官品质等级；
c、测定第一样品组中所有草莓的理化指标；
d、对各理化指标进行统计分析，与感官品质等级进行相关性分析，筛选出草莓等级评价的关键品质指标；
e、基于关键品质指标，构建感官品质等级Fisher判别模型；
f、对第二样品组中的所有草莓进行近红外光谱测定，获取近红外光谱信息；
g、测定第二样品组中的所有草莓的关键品质指标；
h、结合第二样品组中的所有草莓的关键品质指标和近红外光谱信息，构建基于近红外光谱的关键品质指标定量预测模型；
i、结合感官品质等级Fisher判别模型和基于近红外光谱的关键品质指标定量预测模型，构建基于近红外光谱的草莓感官品质评价模型，用于评价草莓感官品质等级；
j、基于近红外光谱技术，提取待测草莓的全波段积分球漫反射近红外光谱信息，导入构建的基于近红外光谱的草莓感官品质评价模型中，即可获得待测草莓的感官品质等级；
所述关键品质指标包括a*值、硬度、糖酸比；
采用所述感官品质等级Fisher判别模型，“章姬”草莓的判别式如下：
y1= -208.093+1.515×a*值+3.24×硬度+18.955×糖酸比；
y2= -144.276+1.28× a*值+3.251×硬度+15.645×糖酸比；
y3=-106.888+1.072× a*值+3.707×硬度+13.237×糖酸比；
其中，y1表示一等，y2表示二等，y3表示三等；
采用所述感官品质等级Fisher判别模型，“红颜”草莓的判别式如下：
y1= -79.244+1.483×a*值+3.028×硬度+7.228×糖酸比；
y2=-58.465+1.361× a*值+3.962×硬度+5.504×糖酸比；
y3=-41.067+1.151× a*值+4.258×硬度+4.099×糖酸比；
所述理化指标包括：草莓样品的L*、a*、b*值，硬度，可溶性固形物，可溶性糖，可滴定酸和糖酸比；其中，L*表示亮度值，a*表示红绿值，b*表示黄蓝值。
2.根据权利要求1所述的基于近红外光谱的草莓感官品质等级评价方法，其特征是，所述构建基于近红外光谱的关键品质指标定量预测模型，具体为：
h1、将第二样品组中的草莓分为建模集和预测集；
h2、分别对建模集和预测集中草莓样品的近红外光谱进行预处理；
h3、对建模集中的经过预处理后的近红外光谱信息和关键品质指标的化学值进行拟合光谱处理，建立偏最小二乘法（PLS）预测模型，通过比较模型建模集决定系数Rc 2、建模集均方根误差RMSEC、预测集决定系数Rp 2、预测集均方根误差RMSEP、预测集的标准差与均方根误差的比值RPD衡量模型的质量，筛选关键品质指标的最佳预测模型；
h4、将预测集在近红外光谱预测模型中进行验证，进一步验证模型性能。
3.根据权利要求1所述的基于近红外光谱的草莓感官品质等级评价方法，其特征是，在步骤f中，近红外光谱测定采用积分球漫反射方式采集光谱，扫描参数为：扫描光谱范围10000-4000 cm-1，扫描次数32次，分辨率4 cm-1 ，每隔一小时采集一次背景光谱。
4.一种基于近红外光谱的草莓感官品质等级评价系统，其特征是，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行权利要求1~3任一项所述方法的步骤。
5.一种计算机可读存储介质，其特征是，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1~3中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010847612.XA CN112098357B (zh) | 2020-08-21 | 2020-08-21 | 一种基于近红外光谱的草莓感官品质等级评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010847612.XA CN112098357B (zh) | 2020-08-21 | 2020-08-21 | 一种基于近红外光谱的草莓感官品质等级评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112098357A CN112098357A (zh) | 2020-12-18 |
| CN112098357B true CN112098357B (zh) | 2021-12-10 |
Family
ID=73754187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010847612.XA Active CN112098357B (zh) | 2020-08-21 | 2020-08-21 | 一种基于近红外光谱的草莓感官品质等级评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112098357B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112946211B (zh) * | 2021-02-02 | 2023-05-09 | 湖南省作物研究所 | 一种基于模糊数学的甘薯食用品质感官评价方法 |
| CN113340823B (zh) * | 2021-06-02 | 2023-06-27 | 浙江德菲洛智能机械制造有限公司 | 一种草莓糖分的快速无损检测工艺 |
| CN113627709A (zh) * | 2021-06-11 | 2021-11-09 | 中国热带农业科学院 | 一种基于红外光谱检测的斑斓品质评价系统及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102179375A (zh) * | 2011-03-09 | 2011-09-14 | 中国科学院合肥物质科学研究院 | 一种基于近红外作物单籽粒成分无损检测筛选方法 |
| CN104374739A (zh) * | 2014-10-30 | 2015-02-25 | 中国科学院半导体研究所 | 一种基于近红外定性分析的种子品种真实性鉴别方法 |
| CN104502309A (zh) * | 2014-12-31 | 2015-04-08 | 天津大学 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
| CN104568823A (zh) * | 2015-01-07 | 2015-04-29 | 中国农业大学 | 基于近红外光谱的烟叶原料配比比例计算方法和装置 |
| CN105424645A (zh) * | 2015-10-29 | 2016-03-23 | 福州大学 | 基于主成分分析与Fish判别法快速鉴别临床致病菌的方法 |
| CN108061724A (zh) * | 2017-12-05 | 2018-05-22 | 新疆维吾尔自治区分析测试研究院 | 新疆彩棉内在品质近红外光谱无损快速检测方法 |
| CN110487746A (zh) * | 2019-09-04 | 2019-11-22 | 南京农业大学 | 一种基于近红外光谱检测娃娃菜品质的方法 |
-
2020
- 2020-08-21 CN CN202010847612.XA patent/CN112098357B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102179375A (zh) * | 2011-03-09 | 2011-09-14 | 中国科学院合肥物质科学研究院 | 一种基于近红外作物单籽粒成分无损检测筛选方法 |
| CN104374739A (zh) * | 2014-10-30 | 2015-02-25 | 中国科学院半导体研究所 | 一种基于近红外定性分析的种子品种真实性鉴别方法 |
| CN104502309A (zh) * | 2014-12-31 | 2015-04-08 | 天津大学 | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 |
| CN104568823A (zh) * | 2015-01-07 | 2015-04-29 | 中国农业大学 | 基于近红外光谱的烟叶原料配比比例计算方法和装置 |
| CN105424645A (zh) * | 2015-10-29 | 2016-03-23 | 福州大学 | 基于主成分分析与Fish判别法快速鉴别临床致病菌的方法 |
| CN108061724A (zh) * | 2017-12-05 | 2018-05-22 | 新疆维吾尔自治区分析测试研究院 | 新疆彩棉内在品质近红外光谱无损快速检测方法 |
| CN110487746A (zh) * | 2019-09-04 | 2019-11-22 | 南京农业大学 | 一种基于近红外光谱检测娃娃菜品质的方法 |
Non-Patent Citations (5)
| Title |
|---|
| "因子、聚类及判别分析在烟叶风格特色评价中的应用";王鹏泽 等;《中国烟草科学》;20150430;第36卷(第2期);摘要，第1-2节，图1-2，表1-6 * |
| "基于主成分分析和聚类分析的贵州烟叶品质类型划分";唐新苗 等;《广东农业科学》;20110630(第6期);全文 * |
| "基于近红外光谱技术对草莓品质的快速检测研究";宋雪健 等;《黑龙江八一农垦大学学报》;20200630;第32卷(第3期);摘要，前言，第1-3节，图1、2，表1 * |
| "草莓果酱感官品质的模糊数学评价研究";王东杰 等;《襄阳职业技术学院学报》;20180930;全文 * |
| "草莓果酱感官品质评价方法比较研究";刘晓伟;《食品研究与开发》;20180430;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112098357A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112098357B (zh) | 一种基于近红外光谱的草莓感官品质等级评价方法 | |
| CN113049530B (zh) | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 | |
| CN102735642B (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
| 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 | |
| CN108956545B (zh) | 一种水果内部品质无损检测模型建立方法及系统 | |
| CN107817223A (zh) | 快速无损实时预测原油性质模型的构建方法及其应用 | |
| CN103543123A (zh) | 一种掺假牛奶的红外光谱识别方法 | |
| CN109211829A (zh) | 一种基于SiPLS的近红外光谱法测定大米中水分含量的方法 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN105044024A (zh) | 一种基于近红外光谱技术对葡萄果实进行无损检测的方法 | |
| CN111855608A (zh) | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 | |
| CN106383088A (zh) | 一种基于多光谱成像技术的种子纯度快速无损检测方法 | |
| CN115993344A (zh) | 一种近红外光谱分析仪质量监测分析系统及方法 | |
| WO2020248961A1 (zh) | 一种无参考值的光谱波数选择方法 | |
| CN102128805A (zh) | 果品近红外光谱波长选择和快速定量分析方法及装置 | |
| CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
| CN113484278A (zh) | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 | |
| CN113310929A (zh) | 高温灭菌奶中掺加豆粉及其掺加比例的光谱鉴定方法 | |
| CN107314986A (zh) | 一种利用近红外光谱检测油菜茎秆可溶性糖含量的方法 | |
| CN110231306A (zh) | 一种无损、快速测定奇亚籽蛋白质含量的方法 | |
| CN110231300A (zh) | 一种无损快速鉴别真假阿克苏红富士苹果的方法 | |
| Zhao et al. | Study on Near-Infrared Spectroscopy Non-Destructive Testing of Strawberry Quality | |
| CN113310933A (zh) | 原料水牛奶保存天数的光谱鉴定方法 | |
| CN110231303A (zh) | 一种快速测定奇亚籽灰分含量的方法 | |
| CN113791049B (zh) | 一种融合nirs和cv对冷鲜鸭肉新鲜度进行快速检测的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |