CN112525855A - 南瓜果实品质参数的检测方法、装置、计算机设备 - Google Patents
南瓜果实品质参数的检测方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN112525855A CN112525855A CN202011311221.2A CN202011311221A CN112525855A CN 112525855 A CN112525855 A CN 112525855A CN 202011311221 A CN202011311221 A CN 202011311221A CN 112525855 A CN112525855 A CN 112525855A
- Authority
- CN
- China
- Prior art keywords
- quality
- correction
- pumpkin
- data
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 130
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 103
- 235000000832 Ayote Nutrition 0.000 title claims abstract description 96
- 235000009854 Cucurbita moschata Nutrition 0.000 title claims abstract description 96
- 240000001980 Cucurbita pepo Species 0.000 title claims abstract description 96
- 235000009804 Cucurbita pepo subsp pepo Nutrition 0.000 title claims abstract description 96
- 235000015136 pumpkin Nutrition 0.000 title claims abstract description 96
- 238000012937 correction Methods 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000003595 spectral effect Effects 0.000 claims description 30
- 239000007787 solid Substances 0.000 claims description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000010238 partial least squares regression Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012630 chemometric algorithm Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 241000238631 Hexapoda Species 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000001028 reflection method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000004677 Nylon Substances 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001778 nylon Polymers 0.000 description 1
- 238000001579 optical reflectometry Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000009777 vacuum freeze-drying Methods 0.000 description 1
- 238000010200 validation analysis 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
- G01N21/359—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
本申请涉及一种南瓜果实品质参数的检测方法、装置、计算机设备和存储介质。该方法包括：获取南瓜果实的校正样本集；其中，校正样本集中包括多个不同品类南瓜果实的校正样本；选取各校正样本的检测区域；基于检测区域获取各校正样本的近红外光谱数据；基于检测区域获取各校正样本的品质参数的第一实测数据；根据各近红外光谱数据和各第一实测数据，通过化学计量学算法建立南瓜果实品质检测的品质检测模型。采用本方法能够快速、准确且高效地检测出南瓜果实的品质参数。
Description
技术领域
本申请涉及物理参数测试技术领域，特别是涉及一种南瓜果实品质参数的检测方法、装置、计算机设备和存储介质。
背景技术
随着物理参数测试技术的发展，检测的方式趋于多变、检测的结果也相对准确。
但是，在传统技术中，对于表征南瓜果实内部品质的参数，例如，可溶性固形物含量或含水率等的检测，一般都是采用烘干法测量含水率，采用折光计法或利用数字式折射计测量可溶性固形物含量。然而，这些传统的品质参数的检测方法不仅会对南瓜果实产生一定的损伤而且均比较费时费力，检测效率不高。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高南瓜果实品质参数检测效率的南瓜果实品质参数的检测方法、装置、计算机设备和存储介质。
一种南瓜果实品质参数的检测方法，该方法包括：
获取南瓜果实的校正样本集；其中，校正样本集中包括多个不同品类南瓜果实的校正样本；
选取各校正样本的检测区域；
基于检测区域获取各校正样本的近红外光谱数据；
基于检测区域获取各校正样本的品质参数的第一实测数据；
根据各近红外光谱数据和各第一实测数据，通过化学计量学算法建立南瓜果实品质检测的品质检测模型。
在一个实施例中，品质参数为含水量或可溶性固形物含量。
在一个实施例中，上述方法还包括：对品质检测模型进行有效性验证。
在一个实施例中，对品质检测模型进行有效性验证，包括：获取南瓜果实的预测样本集；其中，预测样本集中包括多个南瓜果实的预测样本；获取各预测样本的品质参数的第二实测数据，基于品质检测模型计算各预测样本的品质参数的预测数据；建立各预测数据与各第二实测数据之间的线性关系，并基于线性关系计算决定系数；若决定系数大于预设的阈值，则判定品质测模型为有效。
在一个实施例中，获取各校正样本的近红外光谱数据之后，还包括：采用多元散射校正对光谱数据进行预处理。
在一个实施例中，化学计量学算法包括偏最小二乘回归算法。
在一个实施例中，基于化学计量学算法建立南瓜果实品质检测的品质检测模型，包括：将各第一实测数据作为应变量，将各红外光谱数据作为自变量，基于偏最小二乘回归算法建立品质检测模型。
在一个实施例中，选取各校正样本的检测区域，包括：将各校正样本的果实纵向的中间部位、距离果皮1cm～2cm范围内的区域作为检测区域。
在一个实施例中，基于检测区域获取各校正样本的近红外光谱数据，包括：将近红外光谱仪的光谱采集孔对准各校正样本的表面进行扫描，利用漫反射方式采集各校正样本的光谱数据；其中，进行扫描的波段范围为：4000～10000cm-1，光谱分辨率为4.0cm-1。
一种南瓜果实品质参数的检测装置，该装置包括：
校正样本获取模块，用于获取南瓜果实的校正样本集；其中，校正样本集中包括多个不同品类南瓜果实的校正样本；
检测区域选取模块，用于选取各校正样本的检测区域；
光谱数据采集模块，用于基于检测区域获取各校正样本的近红外光谱数据；
实测数据采集模块，用于基于检测区域获取各校正样本的品质参数的第一实测数据；
检测模型建立模块，用于根据各近红外光谱数据和各第一实测数据，通过化学计量学算法建立南瓜果实品质检测的品质检测模型。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述南瓜果实品质参数的检测的步骤。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述南瓜果实品质参数的检测的步骤。
上述南瓜果实品质参数的检测方法、装置、计算机设备和存储介质，通过采集南瓜果实的校正样本集，获取样本的近红外光谱数据和实测品质数据，基于校正样本的近红外光谱数据和实测品质数据建立数学模型，通过该模型可以快速、准确且高效地检测出南瓜果实的品质参数。
附图说明
图1为一个实施例中南瓜果实品质参数的检测方法的流程示意图；
图2为一个实施例中对品质检测模型进行有效性验证步骤的流程示意图；
图3为一个应用实例中南瓜果实品质参数的检测方法的流程示意图；
图4为一个应用实例中采集的南瓜果实的原始光谱图；
图5为一个应用实例中南瓜果实含水量检测模型的校正集和预测集判别效果图；
图6为一个应用实例中南瓜果实可溶性固形物检测模型的校正集和预测集判别效果图；
图7为一个实施例中南瓜果实品质参数的检测装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了便于理解本发明，下面将参照实施例对本发明进行更全面的描述，以下给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。应理解，下列实施例中未注明具体条件的实验方法，通常按照常规条件，或按照制造厂商所建议的条件。实施例中所用到的各种常用试剂，均为市售产品。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
在一个实施例中，如图1所示，提供了一种南瓜果实品质参数的检测方法，包括以下步骤：
步骤S10：获取南瓜果实的校正样本集；其中，校正样本集中包括多个不同品类南瓜果实的校正样本。
具体地，在样本采集的过程中，可以尽量选择充足的样本，且样本最好为成熟的、无损伤和虫害缺陷的不同品类的南瓜果实。优选的，校正样本的数量大于60。
步骤S20：选取各校正样本的检测区域。
具体地，检测区域的选择不限，一般选择无损、无虫害且可以充分反映南瓜果实内部品质的检测有效区域。
在一个实施例中，选取各校正样本的检测区域，包括：将各校正样本的果实纵向的中间部位、距离果皮1cm～2cm范围内的区域作为检测区域。对于南瓜果实的品质检测，基于南瓜果实的形状和特性，即，其中间有瓤，且果皮较厚的特征，选取南瓜果实纵向的中间部位、距离果皮1cm～2cm范围内的果实所在区域作为检测区域更具有代表性，可以更好地反映其内部的品质。
步骤S30：基于检测区域获取各校正样本的近红外光谱数据。
具体地，可以采用近红外光谱仪扫描校正样本的检测区域，以获取各校正样本的光谱数据。近红外光谱仪可以采用Thermo Antaris II傅里叶近红外光谱仪，对于不同的果实以及不同的有待检测的品质参数可以选取不同的波段对样本进行扫描。
在一个实施例中，基于检测区域获取各校正样本的近红外光谱数据，包括：将近红外光谱仪的光谱采集孔对准各校正样本的表面进行扫描，利用漫反射方式采集各校正样本的光谱数据；其中，进行扫描的波段范围为：4000～10000cm-1，光谱分辨率为4.0cm-1。
由于不同物质对于不同波段的光反射率不同，对于南瓜果实，利用波段范围为：4000～10000cm-1，光谱分辨率为4.0cm-1的光进行扫描，可以获取更加完整有效获得南瓜果实光谱数据。而采用漫反射法收集的光谱数据可以更完整准确地反映南瓜果实的内部组织的信息，从而提高建模、分析和检测的准确性。
步骤S40：基于检测区域获取各校正样本的品质参数的第一实测数据。
其中，品质参数指的是可以反映南瓜果实内部品质的指标参数。品质参数的第一实测数据指的是校正样本集的校正样本的品质参数的实测数据。具体地，实测数据可以采用传统的品质测量方式获得。例如，对于含水量，可以采用烘干法进行测量；对于可溶性固形物可以采用折光计法、数字式折射计进行测量。
在一个实施例中，品质参数为含水量或可溶性固形物含量。可溶性固形物含量和含水量是表征果品内部品质的主要的品质参数。可溶性固形物是衡量南瓜果实品质的重要性状,与口感甜度有一定的关联，常用可溶性固形物(soluble solid content，SSC)表示南瓜果实糖度，所以SSC含量检测是南瓜糖度检测的重要指标；而含水量与南瓜口感粉度、贮存有紧密关联性。
步骤S50：根据各近红外光谱数据和各第一实测数据，通过化学计量学算法建立南瓜果实品质检测的品质检测模型。
其中，化学计量学算法可以包括人工神经网络、主成分回归分析或偏最小二乘回归等算法。具体地，通过化学计量算法，可以基于光谱数据构建光谱数据与实测数据的定量分析数学模型，即品质检测模型。其中，品质检测模型的决定系数与检测的准确性相关，优选的，基于校正集样本构建的品质检测模型的决定系数不小于0.9。更优选的，基于校正集样本构建的检测含水量的品质检测模型的决定系数不小于0.95，优选为0.956；基于校正集样本构建的检测可溶性固形物的品质检测模型的决定系数不小于0.94，优选为0.944。
在一个实施例中，化学计量学算法包括偏最小二乘回归算法。采用最小二乘回归算法建立的品质检测模型，基于近红外光谱数据对于南瓜果实内部的品质参数的预测数据更加准确。
在一个实施例中，采用偏最小二乘回归算法的方法包括将各第一实测数据作为应变量，将各红外光谱数据作为自变量，基于偏最小二乘回归算法建立品质检测模型。
在一个实施例中，获取各校正样本的近红外光谱数据之后，还包括：采用多元散射校正对光谱数据进行预处理。由于仪器采集的原始光谱中包含与样本组成相关的信息，也包含来自各方面因素所产生的噪音信号。因此，需要通过多元散射校正对采集的原始光谱数据进行预处理。多元散射校正法是一种多变量散射校正技术,它可以有效地消除样品间散射影响所导致的基线平移和偏移现象,提高原吸光度光谱的信噪比。
上述南瓜果实品质参数的检测方法，通过采集南瓜果实的校正样本集，获取样本的近红外光谱数据和实测品质数据，基于校正样本的近红外光谱数据和实测品质数据建立数学模型，通过该模型可以快速、准确且高效地检测出南瓜果实的品质参数。
在一个实施例中，上述方法进一步还可以包括：对品质检测模型进行有效性验证。
具体地，可以利用基于校正样品建立的品质检测模型对预测样品集的预测样品进行品质参数值的预测，并根据计算的预测数据和实测数据之间的指标，来对该品质检测模型的检测的准确度进行验证，从而判断该品质检测模型是否为适用于南瓜果实品质参数的检测。
在一个实施例中，如图2所示，对品质检测模型进行有效性验证的步骤，包括，步骤S602：获取南瓜果实的预测样本集；其中，预测样本集中包括多个南瓜果实的预测样本；步骤S604：获取各预测样本的品质参数的第二实测数据，基于品质检测模型计算各预测样本的品质参数的预测数据；步骤S606：建立各预测数据与各第二实测数据之间的线性关系，并基于线性关系计算决定系数；步骤S608：若决定系数大于预设的阈值，则判定品质检测模型为有效。
其中，第二实测数据指的是预测样本的品质参数的实测数据。具体地，对于预测样本集中的预测样本的选取可以参考校正样本的选取，其数量一般少于校正集中的样本的数量。可以是重新选取的南瓜果实的样本，也可以是从校正集中选取10％左右样本作为预测样本，采用交叉验证的方式进行验证。在交叉验证的验证过程中，通过建立由该品质检测模型预测的预测数据与第二实测数据之间的线性关系，并基于线性关系计算决定系数，根据决定系数是否符合预期的阈值范围来判断模型是否有效。
通过进一步对模型的检测效果进行验证，可以确保检测的准确性。优选的，由该品质检测模型预测的含水量的预测数据与第二实测数之间的决定系数不小于0.9，优选为0.924；由该品质检测模型预测的可溶性固形物的预测数据与第二实测数之间的决定系数不小于0.8，优选为0.827。
下面，如图3所示，结合一个应用实例，对本申请涉及的南瓜果实品质参数的检测方法进行进一步地说明，该应用实例中的南瓜果实品质参数的检测方法，包括以下步骤：
步骤S1：采集南瓜果实样本。具体地，选取62个中国南瓜类型材料，取其成熟的、无损伤和虫害缺陷的南瓜果实，共62个南瓜果实。
步骤S2：确定各样本的检测区域。具体地，以南瓜果实纵向的中间部位、距离果皮1～2cm范围内南瓜果实作为光谱及理化指标采集区域。
步骤S3：采用近红外光谱仪扫描获得南瓜果实光谱数据。具体地，将样本平面与光谱采集孔对齐，扫描的波段范围4000～10000cm-1，分辨率4.0cm-1，采集方式为漫反射。采集的原始光谱信息如图4所示。
步骤S4：对样本进行可溶性固形物、含水量的理化检测。具体地，采集完南瓜果实样本的光谱信息后，按照编号次序，利用手持式数显糖度计对样本光谱采集区域的果肉的可溶性固形物进行检测。取果肉匀浆后尼龙纱网过滤，将过滤后的南瓜液置于数显糖度计上，测定其可溶性固形物含量(Brix)。含水量测定以真空冷冻干燥方式进行，取一定量果肉通过真空冷冻干燥机干燥36H，-50℃，压力≤100pa，直到果肉重量不变，测定果肉含水量。
步骤S5：对采集的原始的光谱数据进行处理。具体地，采集的原始光谱中包含与样本组成相关的信息，也包含来自各方面因素所产生的噪音信号。因此，通过多元散射校正对数据进行处理。
步骤S6：基于校正集样本建立检测模型。具体地，从样本中选取校正样本组成校正样本集，分别以校正样本的测定的可溶性固形物、含水量为Y值，以多元散射校正处理后的光谱数据为X值，基于光谱数据利用偏最小二乘回归算法建立模型。以校正集建立的含水量与可溶性固形物模型的决定系数(R2)分别为0.956和0.944。
步骤S7：对基于校正集建立的检测模型进行检验。具体地，通过交叉检验的方式，选取10％的样本作为预测样本进行预测检验，通过校正集建立的模型分析预测样本中的含水量和可溶性固形物含量的预测值与真实值之间的线性关系。将含水量和可溶性固形物的预测值与按照标准方法测定的真实值进行比较，获得相对应的线性关系。含水量和可溶性固形物的近红外预测值与真实值的决定系数分别为0.924和0.827，验证证明预测效果好。
其中，含水量检测模型的校正集和预测集判别效果如图5所示，校正集建立的模型的R2为0.956，对预测集进行预测的R2为0.924。可溶性固形物检测模型的校正集和预测集判别效果如图6所示，校正集建立的模型的R2为0.944，对预测集进行预测的R2为0.827。
应该理解的是，虽然图1-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种南瓜果实品质参数的检测装置，包括：校正样本获取模块10、检测区域选取模块20、光谱数据采集模块30、实测数据采集模块40和检测模型建立模块50，其中：
校正样本获取模块10，用于获取南瓜果实的校正样本集；其中，校正样本集中包括多个不同品类南瓜果实的校正样本。
检测区域选取模块20，用于选取各校正样本的检测区域。
光谱数据采集模块30，用于基于检测区域获取各校正样本的近红外光谱数据。
实测数据采集模块40，用于基于检测区域获取各校正样本的品质参数的第一实测数据。
检测模型建立模块50，用于根据各近红外光谱数据和各第一实测数据，通过化学计量学算法建立南瓜果实品质检测的品质检测模型。
在一个实施例中，检测模型建立模块50，还用于对品质检测模型进行有效性验证。
在一个实施例中，检测模型建立模块50获取南瓜果实的预测样本集；其中，预测样本集中包括多个南瓜果实的预测样本；获取各预测样本的品质参数的第二实测数据，基于品质检测模型计算各预测样本的品质参数的预测数据；建立各预测数据与各第二实测数据之间的线性关系，并基于线性关系计算决定系数；若决定系数大于预设的阈值，则判定品质测模型为有效。
在一个实施例中，光谱数据采集模块30，还用于采用多元散射校正对光谱数据进行预处理。
在一个实施例中，检测模型建立模块50将各第一实测数据作为应变量，将各红外光谱数据作为自变量，基于偏最小二乘回归算法建立品质检测模型。
在一个实施例中，检测区域选取模块20将各校正样本的果实纵向的中间部位、距离果皮1cm～2cm范围内的区域作为检测区域。
在一个实施例中，光谱数据采集模块30将近红外光谱仪的光谱采集孔对准各校正样本的表面进行扫描，利用漫反射方式采集各校正样本的光谱数据；其中，进行扫描的波段范围为：4000～10000cm-1，光谱分辨率为4.0cm-1。
关于南瓜果实品质参数的检测装置的具体限定可以参见上文中对于南瓜果实品质参数的检测方法的限定，在此不再赘述。上述南瓜果实品质参数的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储南瓜果实光谱数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种南瓜果实品质参数的检测方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述南瓜果实品质参数的检测方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述南瓜果实品质参数的检测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种南瓜果实品质参数的检测方法，所述方法包括：
获取南瓜果实的校正样本集；其中，所述校正样本集中包括多个不同品类南瓜果实的校正样本；
选取各所述校正样本的检测区域；
基于所述检测区域获取各所述校正样本的近红外光谱数据；
基于所述检测区域获取各所述校正样本的品质参数的第一实测数据；
根据各所述近红外光谱数据和各所述第一实测数据，通过化学计量学算法建立南瓜果实品质检测的品质检测模型；所述品质参数为含水量或可溶性固形物含量。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述品质检测模型进行有效性验证。
3.根据权利要求2所述的方法，其特征在于，所述对所述品质检测模型进行有效性验证，包括：
获取南瓜果实的预测样本集；其中，所述预测样本集中包括多个南瓜果实的预测样本；
获取各所述预测样本的品质参数的第二实测数据，基于所述品质检测模型计算各所述预测样本的品质参数的预测数据；
建立各所述预测数据与各所述第二实测数据之间的线性关系，并基于所述线性关系计算决定系数；
若所述决定系数大于预设的阈值，则判定所述品质测模型为有效。
4.根据权利要求1所述的方法，其特征在于，所述获取各所述校正样本的近红外光谱数据之后，还包括：
采用多元散射校正对所述光谱数据进行预处理。
5.根据权利要求1所述的方法，其特征在于，所述化学计量学算法包括偏最小二乘回归算法；所述基于化学计量学算法建立南瓜果实品质检测的品质检测模型，包括：
将各所述第一实测数据作为应变量，将各所述红外光谱数据作为自变量，基于偏最小二乘回归算法建立品质检测模型。
6.根据权利要求1所述的方法，其特征在于，所述选取各所述校正样本的检测区域，包括：
将各所述校正样本的果实纵向的中间部位、距离果皮1cm～2cm范围内的区域作为检测区域。
7.根据权利要求1所述的方法，其特征在于，所述基于所述检测区域获取各所述校正样本的近红外光谱数据，包括：
将近红外光谱仪的光谱采集孔对准各所述校正样本的表面进行扫描，利用漫反射方式采集各所述校正样本的光谱数据；其中，进行扫描的波段范围为：4000～10000cm-1，光谱分辨率为4.0cm-1。
8.一种南瓜果实品质参数的检测装置，其特征在于，所述装置包括：
校正样本获取模块，用于获取南瓜果实的校正样本集；其中，所述校正样本集中包括多个不同品类南瓜果实的校正样本；
检测区域选取模块，用于选取各所述校正样本的检测区域；
光谱数据采集模块，用于基于所述检测区域获取各所述校正样本的近红外光谱数据；
实测数据采集模块，用于基于所述检测区域获取各所述校正样本的品质参数的第一实测数据；
检测模型建立模块，用于根据各所述近红外光谱数据和各所述第一实测数据，通过化学计量学算法建立南瓜果实品质检测的品质检测模型；
所述品质参数为含水量或可溶性固形物含量。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011311221.2A CN112525855B (zh) | 2020-11-20 | 2020-11-20 | 南瓜果实品质参数的检测方法、装置、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011311221.2A CN112525855B (zh) | 2020-11-20 | 2020-11-20 | 南瓜果实品质参数的检测方法、装置、计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112525855A true CN112525855A (zh) | 2021-03-19 |
| CN112525855B CN112525855B (zh) | 2021-11-02 |
Family
ID=74981988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011311221.2A Active CN112525855B (zh) | 2020-11-20 | 2020-11-20 | 南瓜果实品质参数的检测方法、装置、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112525855B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101393122A (zh) * | 2008-10-31 | 2009-03-25 | 中国农业大学 | 蜂蜜品质快速检测方法 |
| CN101413885A (zh) * | 2008-11-28 | 2009-04-22 | 中国农业科学院蜜蜂研究所 | 一种快速定量蜂蜜品质的近红外光谱方法 |
| CN104062263A (zh) * | 2014-07-11 | 2014-09-24 | 中国农业大学 | 光物性相近水果品质指标的近红外通用模型检测方法 |
| CN104062258A (zh) * | 2013-05-07 | 2014-09-24 | 山东东阿阿胶股份有限公司 | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 |
| CN104833636A (zh) * | 2015-04-15 | 2015-08-12 | 浙江大学 | 一种便携式大型厚皮类水果内部品质光学检测装置 |
| CN105044024A (zh) * | 2015-08-31 | 2015-11-11 | 安徽农业大学 | 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 |
| CN105928901A (zh) * | 2016-07-11 | 2016-09-07 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
| CN106124447A (zh) * | 2016-06-08 | 2016-11-16 | 沈阳农业大学 | 一种基于近红外光谱分析技术检测草莓中可溶性固形物含量的方法 |
| CN106770067A (zh) * | 2017-01-14 | 2017-05-31 | 西北农林科技大学 | 便携式猕猴桃糖度无损检测装置 |
| CN106950192A (zh) * | 2017-03-27 | 2017-07-14 | 中国食品发酵工业研究院 | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 |
| CN109856064A (zh) * | 2019-01-28 | 2019-06-07 | 南京农业大学 | 基于光子传输模拟的苹果高光谱品质检测方法 |
| CN109946246A (zh) * | 2019-02-27 | 2019-06-28 | 北京农业智能装备技术研究中心 | 一种苹果可溶性固形物的检测方法及装置 |
| CN110320165A (zh) * | 2019-08-08 | 2019-10-11 | 华南农业大学 | 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法 |
| CN110376154A (zh) * | 2019-07-19 | 2019-10-25 | 北京农业智能装备技术研究中心 | 基于光谱校正的水果在线检测方法及系统 |
| CN110793928A (zh) * | 2019-12-11 | 2020-02-14 | 华东交通大学 | 一种水果内部品质的光学检测装置及检测方法 |
| CN111366600A (zh) * | 2019-11-08 | 2020-07-03 | 宁波诺丁汉大学 | 一种检测水果甜度的方法、装置、系统及存储介质 |
| CN111487219A (zh) * | 2019-01-25 | 2020-08-04 | 中国食品发酵工业研究院有限公司 | 一种基于近红外光谱技术的快速检测香梨木质素含量方法 |
-
2020
- 2020-11-20 CN CN202011311221.2A patent/CN112525855B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101393122A (zh) * | 2008-10-31 | 2009-03-25 | 中国农业大学 | 蜂蜜品质快速检测方法 |
| CN101413885A (zh) * | 2008-11-28 | 2009-04-22 | 中国农业科学院蜜蜂研究所 | 一种快速定量蜂蜜品质的近红外光谱方法 |
| CN104062258A (zh) * | 2013-05-07 | 2014-09-24 | 山东东阿阿胶股份有限公司 | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 |
| CN104062263A (zh) * | 2014-07-11 | 2014-09-24 | 中国农业大学 | 光物性相近水果品质指标的近红外通用模型检测方法 |
| CN104833636A (zh) * | 2015-04-15 | 2015-08-12 | 浙江大学 | 一种便携式大型厚皮类水果内部品质光学检测装置 |
| CN105044024A (zh) * | 2015-08-31 | 2015-11-11 | 安徽农业大学 | 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 |
| CN106124447A (zh) * | 2016-06-08 | 2016-11-16 | 沈阳农业大学 | 一种基于近红外光谱分析技术检测草莓中可溶性固形物含量的方法 |
| CN105928901A (zh) * | 2016-07-11 | 2016-09-07 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
| CN106770067A (zh) * | 2017-01-14 | 2017-05-31 | 西北农林科技大学 | 便携式猕猴桃糖度无损检测装置 |
| CN106950192A (zh) * | 2017-03-27 | 2017-07-14 | 中国食品发酵工业研究院 | 一种基于近红外光谱分析技术的植物蛋白饮料中主要成分含量快速检测的方法 |
| CN111487219A (zh) * | 2019-01-25 | 2020-08-04 | 中国食品发酵工业研究院有限公司 | 一种基于近红外光谱技术的快速检测香梨木质素含量方法 |
| CN109856064A (zh) * | 2019-01-28 | 2019-06-07 | 南京农业大学 | 基于光子传输模拟的苹果高光谱品质检测方法 |
| CN109946246A (zh) * | 2019-02-27 | 2019-06-28 | 北京农业智能装备技术研究中心 | 一种苹果可溶性固形物的检测方法及装置 |
| CN110376154A (zh) * | 2019-07-19 | 2019-10-25 | 北京农业智能装备技术研究中心 | 基于光谱校正的水果在线检测方法及系统 |
| CN110320165A (zh) * | 2019-08-08 | 2019-10-11 | 华南农业大学 | 香蕉可溶性固形物含量的可见/近红外光谱无损检测方法 |
| CN111366600A (zh) * | 2019-11-08 | 2020-07-03 | 宁波诺丁汉大学 | 一种检测水果甜度的方法、装置、系统及存储介质 |
| CN110793928A (zh) * | 2019-12-11 | 2020-02-14 | 华东交通大学 | 一种水果内部品质的光学检测装置及检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王丽 等: ""基于近红外光谱技术的桃品质指标快速检测方法研究"", 《中国食品学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112525855B (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qing et al. | Non-destructive analyses of apple quality parameters by means of laser-induced light backscattering imaging | |
| Fan et al. | Prediction of soluble solids content of apple using the combination of spectra and textural features of hyperspectral reflectance imaging data | |
| Qing et al. | Predicting soluble solid content and firmness in apple fruit by means of laser light backscattering image analysis | |
| Dong et al. | Nondestructive determination of apple internal qualities using near-infrared hyperspectral reflectance imaging | |
| Arana et al. | Maturity, variety and origin determination in white grapes (Vitis vinifera L.) using near infrared reflectance technology | |
| Lu et al. | A near–infrared sensing technique for measuring internal quality of apple fruit | |
| Arngren et al. | Analysis of pregerminated barley using hyperspectral image analysis | |
| Caporaso et al. | Application of calibrations to hyperspectral images of food grains: Example for wheat falling number | |
| Schwanninger et al. | Determination of lignin content in Norway spruce wood by Fourier transformed near infrared spectroscopy and partial least squares regression. Part 1: Wavenumber selection and evaluation of the selected range | |
| US20130311136A1 (en) | Rule-Based Sample Verification and Chemical Monitoring Methodology | |
| CN113237836A (zh) | 一种基于高光谱图像的烤烟叶水分含量估测方法 | |
| Esquerre et al. | Wavelength selection for development of a near infrared imaging system for early detection of bruise damage in mushrooms (Agaricus bisporus) | |
| CN111693487A (zh) | 基于遗传算法和极限学习机的水果糖度检测方法及系统 | |
| Sandak et al. | Multivariate analysis of multi-sensor data for assessment of timber structures: principles and applications | |
| CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
| Ibrahim et al. | Preliminary study for inspecting moisture content, dry matter content, and firmness parameters of two date cultivars using an NIR hyperspectral imaging system | |
| CN112525855B (zh) | 南瓜果实品质参数的检测方法、装置、计算机设备 | |
| Mat et al. | Prediction of sugarcane quality parameters using visible-shortwave near infrared spectroradiometer | |
| CN109946246A (zh) | 一种苹果可溶性固形物的检测方法及装置 | |
| CN115327023A (zh) | 一种植物叶片氮含量检测方法及系统 | |
| Sahachairungrueng et al. | Nondestructive quality assessment of longans using near infrared hyperspectral imaging | |
| ElMasry et al. | Selection of representative hyperspectral data and image pretreatment for model development in heterogeneous samples: A case study in sliced dry-cured ham | |
| CN112964719B (zh) | 一种基于高光谱的食品果糖检测方法及装置 | |
| Chen et al. | Non-destructive determination and visualization of gel springiness of preserved eggs during pickling through hyperspectral imaging | |
| CN114839151A (zh) | 多水果酸硬度检测方法及装置 |
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 |