CN113484278A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113484278A CN113484278A CN202110558741.1A CN202110558741A CN113484278A CN 113484278 A CN113484278 A CN 113484278A CN 202110558741 A CN202110558741 A CN 202110558741A CN 113484278 A CN113484278 A CN 113484278A
- Authority
- CN
- China
- Prior art keywords
- tomato
- data
- principal component
- spectrum
- quality
- 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
- 235000007688 Lycopersicon esculentum Nutrition 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 22
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 15
- 238000010183 spectrum analysis Methods 0.000 title claims abstract description 14
- 240000003768 Solanum lycopersicum Species 0.000 title claims description 67
- 230000003595 spectral effect Effects 0.000 claims abstract description 28
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000010238 partial least squares regression Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 239000002253 acid Substances 0.000 claims description 4
- 239000007787 solid Substances 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000000411 transmission spectrum Methods 0.000 abstract description 2
- 241000227653 Lycopersicon Species 0.000 abstract 7
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 229910052739 hydrogen Inorganic materials 0.000 description 5
- 239000001257 hydrogen Substances 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241001164374 Calyx Species 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000015193 tomato juice Nutrition 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 125000004429 atom Chemical group 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000012630 chemometric algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000002235 transmission spectroscopy Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及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,包括:获得番茄样本的可见/近红外光谱数据;获得所述番茄样本的品质指标数据;利用主成分分析方法对所述品质指标数据进行分析,计算得到每个番茄样本的主成分得分值(PC值)数据;采用连续投影算法对光谱数据进行特征波长提取,并采用偏最小二乘回归分析法(PLSR)建立所述特征波长光谱数据与所述主成分得分值(PC值)数据的预测模型;获得待测番茄样品的可见/近红外光谱数据,利用所述预测模型获得所述待测番茄样品的综合品质。本发明将可见/近红外光谱漫透射光谱技术与主成分分析技术相结合,可以实现番茄内部综合品质的快速无损检测。
Description
技术领域
本发明涉及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。
背景技术
可见/近红外漫透射光谱技术(Near-infrared spectroscopy,NIRS)是一种常用的快速无损检测技术,通过将光谱测量技术与化学计量学相结合的间接分析,建立光谱信息与被检测特征之间的关系(即校正模型)实现对未知样本的定性或定量分析。其检测原理主要是通过对样本内部含氢基团或官能团(如C-H,O-H,S-H和N-H等)对近红外光谱的吸收情况(即光谱曲线)进行分析,最终获得样本的化学和物理性质。具体来说,当光照射样本时会在近红外区域产生吸收光谱,分子吸收光子的能量从低能级跃迁到高能级的过程会造成分子中含氢基团的化学键发生伸缩和弯曲振动。这是因为在含氢基团中,氢原子比任何其他碳、氧和氮等原子都要轻很多,所以氢原子会产生最大的运动最终造成化学键的振动,该振动仅局限在含氢基团之中,因而是非破坏性的。而含氢基团广泛的存在于动物和植物等生物体中这一特点,使得近红外光谱技术特别适用于农产品品质的评估分析。
近红外光谱定量分析的流程分成两个大步骤:即建立数学模型(分析方法、预测方程)并检验、优化模型的稳定性;以及应用数学模型,利用未知样品的近红外光谱,预测未知样品中有关组分的含量或性质。近红外光谱分析适合于大量样品的分析。进行近红外光谱分析,必需首先收集一批有代表性的、含量或性质(称为化学值)已知的标准样品,准确测定其近红外光谱与化学值。然后,利用化学计量学算法,建立全谱区的光谱信息与含量或性质间的数学关系(称为数学模型,相当于标准曲线),并且通过严格的统计验证、选择最佳数学模型。对于未知样品,只要测定其光谱,就可由选定的数学模型计算其对应成份的含量或性质。
主成分分析(Principal Component Analysis,PCA)是一种常用的光谱和图像的数据处理技术,通过正交线性变换方法实现数据的压缩和降维。PCA计算后可得到每个PC的特征值(eigenvalues)、贡献率或解释方差(Variance explained),载荷(loading)和得分(score)向量等。
PCA的主要步骤可以归纳为数据标准化,PC的提取和PC的解释等步骤。首先,数据标准化在保留了相关变量的同时,有效的消除了变量间量纲和数量级的差异。其次,基于相关性与协方差矩阵的特征分析,将大量高相关的变量提取为少量不相关的PC。最后,使用每个变量的载荷来解释这些提取的PC并计算该PC的得分。通常,载荷绝对值大的变量特征贡献也大。
目前番茄评价多采用单一指标,涵盖多项品质指标的综合品质评价目前尚未见报道。另外,目前主成分分析技术多作为光谱数据的处理分析方法。如何实现番茄综合品质的快速无损预测是一个技术难点。因此有必要提供番茄内外部综合品质的评估和无损检测方法。
发明内容
本发明提供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。本发明将可见/近红外光谱漫透射光谱技术与主成分分析技术相结合,可以实现番茄内外部综合品质的快速无损检测。
具体而言,本发明提供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,包括:
获得番茄样本的可见/近红外光谱数据;
获得所述番茄样本的品质指标数据;
利用主成分分析方法对所述品质指标数据进行分析,计算得到每个番茄样本的主成分得分值(PC值)数据;
采用连续投影算法对采集的光谱数据进行特征波长提取;
采用偏最小二乘回归分析法建立所述光谱数据与所述主成分得分值(PC值)数据的预测模型;
获得待测番茄样品特征波长下的可见/近红外光谱数据,利用所述预测模型获得所述待测番茄样品的综合品质。
根据本发明的实施例,所述番茄样本的数量不少于150个,例如150-200个。这样可以尽可能涵盖较多的典型样本及其各项品质指标的典型特征。在一些实施例中,所述番茄样本的数量为150、180、200个。
根据本发明的实施例,可采用可见/近红外在线采集系统采集所述番茄样本的可见/近红外光谱数据。具体地,采集模式:漫透射;采集范围:550-1100nm;波段间隔:0.265nm。研究发现,在该光谱波段范围内可以涵盖关于果蔬检测,内部品质及外部颜色所需区间。
根据本发明的实施例,还包括对所述可见/近红外光谱数据进行平滑预处理,从而尽可能消除原始光谱曲线的噪声影响,提高预测准确性。在一些实施例中,所使用的平滑处理是在Matlab 2019a软件中自动计算完成。
根据本发明的实施例,还包括对所述可见/近红外光谱数据进行关键特征波长的提取,从而尽可能简化预测模型并提高模型预测准确性。在一些实施例中,所使用的连续投影算法(SPA)提取特征波长是在Matlab 2019a软件中自动计算完成。
根据本发明的实施例,所提取的特征波长为734.63nm、760.12nm、766.51nm、784.89nm、879.9nm、909.43nm、926.63nm和1017.15nm。
根据本发明的实施例,所建模型为PLSR模型,具体为:
Y=0.901×X734.63nm+0.196×X760.12nm-0.172×X766.51nm+0.171×X784.89nm+0.039×X879.9nm-0.675×X909.43nm+0.063×X926.63nm-0.04×X1017.15nm
其中,其中,Y表示番茄综合品质预测值,X表示对应特征波长下的光谱数据。
根据本发明的实施例,所述番茄样本的品质指标数据包括表面红色(R)、表面绿色(G)、表面蓝色(B)、可溶性固形物(SSC)、可滴定酸(TA)、宽度、高度和重量。这些指标均可采用本领域常规方法进行检测。在一些实施例中,采用工业相机采集番茄样本的RGB图像数据(番茄果顶面向相机);采用电子游标卡尺测量番茄样本的宽度(赤道位置直径距离)及高度(果顶至花萼距离);采用电子秤获取番茄样本的重量;采用传统的破坏性方法获取番茄样本SSC和TA两项指标值。
根据本发明的实施例,可溶性固形物(SSC)的测定可将番茄整果榨汁,并将纱布过滤过的番茄汁液采用手持式折光仪进行测量。
根据本发明的实施例,可滴定酸(TA)可采用NaOH法测量上述滤过后的番茄汁液。根据本发明的实施例,所采用的主成分分析方法采用SPSS 22.0软件自动计算得出。其中,数据标准化在保留了相关变量的同时,有效的消除了变量间量纲和数量级的差异,具体采用z-score标准化方法。
根据本发明的实施例,采用每个番茄样本的第三主成分得分值(PC3值)数据与所述光谱数据建立预测模型。
研究表明,采用偏最小二乘回归分析法建立预测模型,与其它方法相比具有预测效果准确且普适性高等优势。
根据本发明的实施例,可通过matlab软件自动计算得到所述预测模型。
根据本发明的实施例,上述基于光谱和主成分分析的番茄综合品质无损检测方法还包括对所建立的预测模型进行验证的步骤。具体例如,将所得到的每个番茄样本的主成分得分值(PC3值)数据随机分配,得到校正集与预测集两个数据集;对校正集,采用偏最小二乘回归分析法建立所述光谱数据与所述主成分得分值(PC3值)数据的预测模型;对预测集,根据所述预测模型和可见/近红外光谱数据获得预测值(即每个番茄样本的得分值);根据所述预测值和观测值(即每个番茄样本的主成分得分值(PC3值)数据)相关系数和均方根误差对所述预测模型进行评估。其中,当预测集样本的相关系数(Rp)大于0.85和误差均方根(RMSEp)小于0.60时,表明所建预测模型具有良好的预测精度。
根据本发明的实施例,所述校正集与预测集的样本数量可以为(2-3):1,例如2:1或3:1。
根据本发明的实施例,所述番茄品品种包括仙客8号、天赐595和天丰3号,其中对于仙客8号品种的番茄,本发明方法具有更佳的预测精度。
本发明将光谱技术与主成分分析方法有机结合,建立了能够准确的、有效的反映番茄内外部综合品质的判别和快速检测方法,克服传统方法只能单一指标衡量且缺乏快速检测的不足。本发明与传统单独使用多项单一指标判别方法相比,具有以下优点:成功解决了单项指标衡量不全面的问题;此方法操作简便、快捷、无损、可靠,不需要逐一测量各单项指标,操作者无需具备专业知识且样品无需特定预处理;本发明技术能够同时面向生产和销售的第一线,满足生产者和消费者需求。本发明通过建立一种涵盖多项关键内外部品质的综合品质实现番茄质量的综合评价,并通过可见近红外光谱技术实现番茄内外部综合品质的快速无损在线检测的问题。本发明成功解决了单项指标衡量不全面问题同时,还具有大量、快速、适用于在线生产等优点,可以满足大宗番茄在线分选需求。
附图说明
图1为本发明实施例1典型番茄样本全波长平均可见/近红外漫透射光谱数据。
图2为本发明实施例1的预测结果图。
图3为本发明实施例2的预测结果图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件,或者按照产品说明书进行。所用试剂或仪器未注明生产厂商者,均为可通过正规渠道商购买得到的常规产品。
以下实施例采用在线光谱采集系统采集可见/近红外漫透射光谱数据。
以下实施例表面红色(R),表面绿色(G),表面蓝色(B),可溶性固形物(SSC),可滴定酸(TA),宽度,高度和重量的具体检测方法为,采用加拿大Point Grey公司BFLY-PGE-05S2C-CS型工业相机采集番茄样本的RGB图像数据;采用中国得力公司DL3944型电子游标卡尺测量番茄样本的宽度(赤道位置直径距离)及高度(果顶至花萼距离);采用中国永州衡器公司YZ-983S型电子秤获取番茄样本的重量;采用传统的破坏性方法获取番茄样本SSC和TA两项指标值。
以下实施例主成分分析的方法采用SPSS 22.0软件自动运行获取,SPA特征波长提取方法采用Matlab 2019a软件自动运行获取。
实施例1
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,具体如下:
材料:在田间采摘新鲜番茄样本共180个,置于果筐中运回实验室。番茄品种为仙客8号。
首先,采集番茄样本的在线可见/近红外漫透射光谱数据,其中典型番茄样本全波长光谱曲线如图1所示。
其次,测量并计算全部180个样本的R,G,B,SSC,TA,宽度,高度和重量,共8项关键品质指标。并对全部样本的上述8项指标进行主成分分析,所得到的8个主成分的得分值如表1所示,选取其中第三个主成分(PC3)的得分值作为番茄内外部综合品质,该品质对SSC和TA两项目前无损检测中存在困难的内部品质具有最佳表征能力,同时还能兼具对其余多项外部品质的表征能力。
表1
再次,采用连续投影算法(SPA)进行特征波长的提取,最终提取的8个特征波长分别为:734.63nm、760.12nm、766.51nm、784.89nm、879.9nm、909.43nm、926.63nm和1017.15nm。
最终,以3:1的比例对以上番茄样本光谱数据随机分配,得到校正集150个与预测集30个。采用偏最小二乘回归(PLSR)模型,建立校正集样本特征波长光谱数据和内外部综合品质的相关关系。
所建模型为PLSR模型,具体为:
Y=0.901×X734.63nm+0.196×X760.12nm-0.172×X766.51nm+0.171×X784.89nm+0.039×X879.9nm-0.675×X909.43nm+0.063×X926.63nm-0.04×X1017.15nm
其中,其中,Y表示番茄综合品质预测值,X表示对应特征波长下的光谱数据。
所建综合品质(PC3值)模型的校正集相关系数Rc=0.90,校正集误差均方根RMSEc=0.46;将预测集的光谱数据导入到预测模型中,得到预测集样本的相关系数和误差均方根分别为Rp=0.87和RMSEp=0.52。预测结果见图2。结果表明,该模型具有良好的预测精度。同时,基于PC3值模型预测结果对于预测集中不同典型样本(高/低SSC,划分阈值等于4)的判别准确率为96.7%,也高于单独基于SSC模型的86.7%。这可能是在内部品质的基础上,综合品质指标(PC3)同时兼具多项与SSC相关的外部品质所致。
实施例2
另外单独采集45个番茄(仙客8号),利用实施例1的模型进行实验验证。本实施例中番茄样本的光谱数据和8项品质指标的采集均遵循实施例1方法,并用实施例1建立的PC3值模型进行预测。
预测结果见图3。结果表明,模型的相关系数和误差均方根分别为Rp=0.86和RMSEp=0.52,基于PC3的判别准确率为93.3%也高于基于SSC的判别准确率82.2%,所建模型具有良好的精度的同时还具有一定适用性。
虽然,上文中已经用一般性说明、具体实施方式及试验,对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种基于光谱和主成分分析的番茄综合品质无损检测方法,其特征在于,包括:
获得番茄样本的可见/近红外光谱数据;
获得所述番茄样本的品质指标数据;
利用主成分分析方法对所述品质指标数据进行分析,计算得到每个番茄样本的主成分得分值数据;
采用连续投影算法对采集的光谱数据进行特征波长提取;
采用偏最小二乘回归分析法建立所述特征波长光谱数据与所述主成分得分值数据的预测模型;
获得待测番茄样品特征波长下的可见/近红外光谱数据,利用所述预测模型获得所述待测番茄样品的综合品质。
2.根据权利要求1所述的基于光谱和主成分分析的番茄综合品质无损检测方法,其特征在于,所述可见/近红外光谱数据的采集范围:550-1100nm;波段间隔:0.265nm。
3.根据权利要求1所述的基于光谱和主成分分析的番茄综合品质无损检测方法,其特征在于,还包括对所述可见/近红外光谱数据进行平滑预处理的步骤。
4.根据权利要求1所述的基于光谱和主成分分析的番茄综合品质无损检测方法,其特征在于,所述番茄样本的品质指标数据包括表面红色(R)、表面绿色(G)、表面蓝色(B)、可溶性固形物(SSC)、可滴定酸(TA)、宽度、高度和重量。
5.根据权利要求1所述的基于光谱和主成分分析的番茄综合品质无损检测方法,其特征在于,采用每个番茄样本的第三主成分得分值(PC3值)数据与所述光谱数据建立预测模型。
6.根据权利要求1所述的基于光谱和主成分分析的番茄综合品质无损检测方法,其特征在于,还包括对所建立的预测模型进行验证的步骤;具体包括:将所得到的每个番茄样本的主成分得分值数据随机分配,得到校正集与预测集两个数据集;对校正集,采用偏最小二乘回归分析法建立所述特征波长光谱数据与所述主成分得分值数据的预测模型;对预测集,根据所述预测模型和特征波长下的可见/近红外光谱数据获得预测值;根据所述预测值和观测值相关系数和均方根误差对所述预测模型进行评估。
7.根据权利要求6所述的基于光谱和主成分分析的番茄综合品质无损检测方法,其特征在于,所述校正集与预测集的样本数量为(2-3):1,例如2:1或3:1。
8.根据权利要求1-7任一项所述的基于光谱和主成分分析的番茄综合品质无损检测方法,其特征在于,所提取的特征波长为734.63nm、760.12nm、766.51nm、784.89nm、879.9nm、909.43nm、926.63nm和1017.15nm。
9.根据权利要求1-8任一项所述的基于光谱和主成分分析的番茄综合品质无损检测方法,其特征在于,所建模型为PLSR模型,具体为:
Y=0.901×X734.63nm+0.196×X760.12nm-0.172×X766.51nm+0.171×X784.89nm+0.039×X879.9nm-0.675×X909.43nm+0.063×X926.63nm-0.04×X1017.15nm
其中,Y表示番茄综合品质预测值,X表示对应特征波长下的光谱数据。
10.根据权利要求1-9任一项所述的基于光谱和主成分分析的番茄综合品质无损检测方法,其特征在于,所述番茄品品种包括仙客8号、天赐595和天丰3号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110558741.1A CN113484278A (zh) | 2021-05-21 | 2021-05-21 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110558741.1A CN113484278A (zh) | 2021-05-21 | 2021-05-21 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113484278A true CN113484278A (zh) | 2021-10-08 |
Family
ID=77932997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110558741.1A Pending CN113484278A (zh) | 2021-05-21 | 2021-05-21 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113484278A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114577751A (zh) * | 2022-03-09 | 2022-06-03 | 西北农林科技大学 | 一种梨内部品质无损检测的构建方法和一种梨内部品质无损检测的方法 |
CN117074353A (zh) * | 2023-08-18 | 2023-11-17 | 广东省农业科学院设施农业研究所 | 一种荔枝果实蒂蛀虫无损检测方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519906A (zh) * | 2011-12-19 | 2012-06-27 | 中国农业大学 | 多通道近红外光谱牛肉品质多参数同时检测方法 |
CN105527244A (zh) * | 2015-10-26 | 2016-04-27 | 沈阳农业大学 | 一种基于近红外光谱的寒富苹果品质无损检测方法 |
CN106323909A (zh) * | 2016-09-14 | 2017-01-11 | 江苏大学 | 果蔬品质手持式近红外光谱检测系统及检测方法 |
CN106885783A (zh) * | 2016-12-30 | 2017-06-23 | 深圳市芭田生态工程股份有限公司 | 一种高光拍照和无损光谱扫描判断果蔬品质的方法 |
WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 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 |
CN110263879A (zh) * | 2019-07-08 | 2019-09-20 | 山东省烟台市农业科学研究院 | 一种基于主成分分析评价西洋梨果实品质的方法 |
CN112213281A (zh) * | 2020-11-16 | 2021-01-12 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 |
CN112286258A (zh) * | 2020-11-12 | 2021-01-29 | 石家庄市农林科学研究院 | 一种基于番茄生长评价体系的设施智能温差调控系统及方法 |
-
2021
- 2021-05-21 CN CN202110558741.1A patent/CN113484278A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519906A (zh) * | 2011-12-19 | 2012-06-27 | 中国农业大学 | 多通道近红外光谱牛肉品质多参数同时检测方法 |
CN105527244A (zh) * | 2015-10-26 | 2016-04-27 | 沈阳农业大学 | 一种基于近红外光谱的寒富苹果品质无损检测方法 |
WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 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 |
CN106323909A (zh) * | 2016-09-14 | 2017-01-11 | 江苏大学 | 果蔬品质手持式近红外光谱检测系统及检测方法 |
CN106885783A (zh) * | 2016-12-30 | 2017-06-23 | 深圳市芭田生态工程股份有限公司 | 一种高光拍照和无损光谱扫描判断果蔬品质的方法 |
CN110263879A (zh) * | 2019-07-08 | 2019-09-20 | 山东省烟台市农业科学研究院 | 一种基于主成分分析评价西洋梨果实品质的方法 |
CN112286258A (zh) * | 2020-11-12 | 2021-01-29 | 石家庄市农林科学研究院 | 一种基于番茄生长评价体系的设施智能温差调控系统及方法 |
CN112213281A (zh) * | 2020-11-16 | 2021-01-12 | 湖北省农业科学院农产品加工与核农技术研究所 | 一种基于透射近红外光谱快速测定淡水鱼新鲜度综合评价的方法 |
Non-Patent Citations (2)
Title |
---|
吕望;牛文全;古君;李元;邹小阳;张若婵;: "微润管埋深与密度对日光温室番茄产量及品质的影响", 中国生态农业学报, vol. 24, no. 12, pages 1666 * |
郭志明;陈全胜;张彬;王庆艳;欧阳琴;赵杰文;: "果蔬品质手持式近红外光谱检测系统设计与试验", 农业工程学报, no. 08, pages 245 - 250 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114577751A (zh) * | 2022-03-09 | 2022-06-03 | 西北农林科技大学 | 一种梨内部品质无损检测的构建方法和一种梨内部品质无损检测的方法 |
CN117074353A (zh) * | 2023-08-18 | 2023-11-17 | 广东省农业科学院设施农业研究所 | 一种荔枝果实蒂蛀虫无损检测方法和系统 |
CN117074353B (zh) * | 2023-08-18 | 2024-05-03 | 广东省农业科学院设施农业研究所 | 一种荔枝果实蒂蛀虫无损检测方法和系统 |
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 | |
Dong et al. | Nondestructive determination of apple internal qualities using near-infrared hyperspectral reflectance imaging | |
Moscetti et al. | Detection of mold-damaged chestnuts by near-infrared spectroscopy | |
Li et al. | Comparison and optimization of models for determination of sugar content in pear by portable Vis-NIR spectroscopy coupled with wavelength selection algorithm | |
Sun et al. | Detection of internal qualities of hami melons using hyperspectral imaging technology based on variable selection algorithms | |
Paz et al. | Instantaneous quantitative and qualitative assessment of pear quality using near infrared spectroscopy | |
Xiao et al. | Prediction of soluble solid content of Agaricus bisporus during ultrasound-assisted osmotic dehydration based on hyperspectral 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 | |
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 | |
Beghi et al. | Rapid monitoring of grape withering using visible near‐infrared spectroscopy | |
Fadock et al. | Visible-near infrared reflectance spectroscopy for nondestructive analysis of red wine grapes | |
Tian et al. | An optimal zone combination model for on-line nondestructive prediction of soluble solids content of apple based on full-transmittance spectroscopy | |
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 | |
Li et al. | Assessment of multiregion local models for detection of SSC of whole peach (Amygdalus persica L.) by combining both hyperspectral imaging and wavelength optimization methods | |
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 | |
Cui et al. | Hyperspectral reflectance imaging for water content and firmness prediction of potatoes by optimum wavelengths | |
Meghar et al. | Hyperspectral imaging for the determination of relevant cooking quality traits of boiled cassava | |
CN113049526B (zh) | 一种基于太赫兹衰减全反射的玉米种子水分含量测定方法 | |
Sharma et al. | Application of a Vis-NIR spectroscopic technique to measure the total soluble solids content of intact mangoes in motion on a belt conveyor | |
CN106970042A (zh) | 一种卡拉胶杂质、水分含量检测方法 | |
Güneş et al. | Detection of aflatoxin contaminated figs using Near-Infrared (NIR) reflectance spectroscopy | |
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 | |
Kang et al. | A near-infrared sensing technique for measuring the quality of potatoes | |
CN111103259B (zh) | 基于光谱技术的煎炸油品质快速检测方法 |
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 |