CN116183843A - 一种番茄果实口感评价方法 - Google Patents
一种番茄果实口感评价方法 Download PDFInfo
- Publication number
- CN116183843A CN116183843A CN202211715871.2A CN202211715871A CN116183843A CN 116183843 A CN116183843 A CN 116183843A CN 202211715871 A CN202211715871 A CN 202211715871A CN 116183843 A CN116183843 A CN 116183843A
- Authority
- CN
- China
- Prior art keywords
- quality
- tomato
- index
- evaluation
- comprehensive
- 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 103
- 240000003768 Solanum lycopersicum Species 0.000 title claims abstract description 103
- 238000011156 evaluation Methods 0.000 title claims abstract description 48
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 35
- 235000019640 taste Nutrition 0.000 title claims abstract description 27
- 238000013441 quality evaluation Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 8
- 230000001419 dependent effect Effects 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 5
- 235000001014 amino acid Nutrition 0.000 claims description 18
- 150000001413 amino acids Chemical class 0.000 claims description 14
- 235000000346 sugar Nutrition 0.000 claims description 12
- 230000001953 sensory effect Effects 0.000 claims description 11
- 239000002253 acid Substances 0.000 claims description 10
- 239000007787 solid Substances 0.000 claims description 10
- UPYKUZBSLRQECL-UKMVMLAPSA-N Lycopene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/C1C(=C)CCCC1(C)C)C=CC=C(/C)C=CC2C(=C)CCCC2(C)C UPYKUZBSLRQECL-UKMVMLAPSA-N 0.000 claims description 7
- JEVVKJMRZMXFBT-XWDZUXABSA-N Lycophyll Natural products OC/C(=C/CC/C(=C\C=C\C(=C/C=C/C(=C\C=C\C=C(/C=C/C=C(\C=C\C=C(/CC/C=C(/CO)\C)\C)/C)\C)/C)\C)/C)/C JEVVKJMRZMXFBT-XWDZUXABSA-N 0.000 claims description 7
- 235000012661 lycopene Nutrition 0.000 claims description 7
- OAIJSZIZWZSQBC-GYZMGTAESA-N lycopene Chemical compound CC(C)=CCC\C(C)=C\C=C\C(\C)=C\C=C\C(\C)=C\C=C\C=C(/C)\C=C\C=C(/C)\C=C\C=C(/C)CCC=C(C)C OAIJSZIZWZSQBC-GYZMGTAESA-N 0.000 claims description 7
- 229960004999 lycopene Drugs 0.000 claims description 7
- 239000001751 lycopene Substances 0.000 claims description 7
- ZCIHMQAPACOQHT-ZGMPDRQDSA-N trans-isorenieratene Natural products CC(=C/C=C/C=C(C)/C=C/C=C(C)/C=C/c1c(C)ccc(C)c1C)C=CC=C(/C)C=Cc2c(C)ccc(C)c2C ZCIHMQAPACOQHT-ZGMPDRQDSA-N 0.000 claims description 7
- 235000018102 proteins Nutrition 0.000 claims description 6
- 102000004169 proteins and genes Human genes 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 150000007524 organic acids Chemical class 0.000 claims description 3
- 235000005985 organic acids Nutrition 0.000 claims description 3
- 150000008163 sugars Chemical class 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 6
- -1 aromatic amino acid Chemical class 0.000 description 4
- 235000009508 confectionery Nutrition 0.000 description 4
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 3
- 229930003268 Vitamin C Natural products 0.000 description 3
- 239000000796 flavoring agent Substances 0.000 description 3
- 235000019634 flavors Nutrition 0.000 description 3
- 235000019154 vitamin C Nutrition 0.000 description 3
- 239000011718 vitamin C Substances 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000167854 Bourreria succulenta Species 0.000 description 1
- 235000003953 Solanum lycopersicum var cerasiforme Nutrition 0.000 description 1
- 240000003040 Solanum lycopersicum var. cerasiforme Species 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000019693 cherries Nutrition 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000004345 fruit ripening Effects 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 235000019583 umami taste Nutrition 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/025—Fruits or vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Food Science & Technology (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Algebra (AREA)
- Medicinal Chemistry (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Preparation Of Fruits And Vegetables (AREA)
- Cultivation Of Plants (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明公开了一种番茄果实口感评价方法，包括：测定多个番茄品种的多个单项品质指标数据；基于主成分分析方法对多个单项品质指标数据进行分析，并提取出综合品质指标；基于隶属函数对各个番茄品种的综合品质指标进行综合评价，得到各番茄品种的隶属度；基于多元逐步回归法分析各个单项品质指标与番茄品质评价结果间的对应关系，筛选出与番茄品质存在显著相关性的单项品质指标，作为最终的番茄品质鉴定指标；以番茄品种的隶属度为因变量，以番茄品质鉴定指标为自变量，构建品质评价模型，并基于品质评价模型对各番茄品种的品质进行排名。本发明可排除多指标干扰、有效提高评价的准确性和规范化。
Description
技术领域
本发明涉及果实口感评价技术领域，更具体的说是涉及一种番茄果实口感评价方法。
背景技术
番茄果实营养丰富，具特殊风味，是蔬菜市场上主要的果菜之一。随着人们生活水平提高，对番茄的口感、风味等品质要求越来越高。鲜食型高品质番茄是近年来流行的品种，因其酸甜可口，风味浓郁，成为人们餐桌上的新宠，栽培面积逐年增加。但由于市场上品种众多，番茄果实口感品质涉及指标多，哪些指标主要影响口感品质，其指标间关系如何并不明确，尚缺乏衡量番茄果实口感品质的科学方法。
因此，如何提供一种科学、准确、主观性不强的番茄果实口感评价方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种番茄果实口感评价方法，排除多指标干扰、有效提高评价的准确性和规范化。
为了实现上述目的，本发明采用如下技术方案：
一种番茄果实口感评价方法，包括：
测定多个番茄品种的多个单项品质指标数据；
基于主成分分析方法对多个单项品质指标数据进行分析，并提取出综合品质指标；
基于隶属函数对各个番茄品种的综合品质指标进行综合评价，得到各番茄品种的隶属度；
基于多元逐步回归法分析各个单项品质指标与番茄品质评价结果间的对应关系，筛选出与番茄品质存在显著相关性的单项品质指标，作为最终的番茄品质鉴定指标；
以番茄品种的隶属度为因变量，以番茄品质鉴定指标为自变量，构建品质评价模型，并基于品质评价模型对各番茄品种的品质进行排名。
进一步的，测定的番茄品种数量大于30，每个番茄品种测定8个单项品质指标数据，分别为：可溶性固形物、可溶性糖、Vc、糖酸比、可溶性蛋白、番茄红素、有机酸和氨基酸。
进一步的，基于主成分分析方法进行分析时，以主成分因子累计贡献率大于80％为准则，将多个单相品质指标数据换算为数量更少且相互独立的主成分，作为综合品质指标。
进一步的，利用隶属函数对各个番茄品种进行综合评价的过程为：
利用隶属函数给定各主成分下各个指标在闭区间(0,1)内相应的数值，对各指标做出单项评估，得到各单因素隶属度；
对各主成分下的各单因素隶属度进行加权，计算各番茄品种的综合隶属度，作为综合评价值；其中，综合评价值越接近1，代表品质越好，越接近0，代表品质越差。
进一步的，利用隶属函数的评价公式为：
其中，Pi为第i个综合品质指标的贡献率，n表示共有n个综合品质指标，ωi表示权重；μ(xi)表示标准化后的第i个主成分上各番茄品种的综合指标得分值，即单因素隶属度，xi表示综合品质指标i的测定值，xi,min表示综合品质指标i的最小值，xi,max表示综合品质指标i的最大值；D表示隶属度，即不同番茄品种下由主成分评价得到的综合评价值。
进一步的，所述品质评价模型的表达式为：
Y＝-0.384+0.064X1+0.009X4
其中，Y表示番茄品质得分，-0.384表示常量，0.064、0.009表示系数，X1、X4表示与隶属度D存在显著相关性的指标，分别对应可溶性固形物和糖酸比。
进一步的，，还包括：模型可靠性验证，具体包括：
对基于隶属函数得到的番茄品质评价结果进行排名，得到第一排名结果；
将基于所述品质评价模型得到的排名结果与所述第一排名结果进行线性拟合，得到相关系数，若相关系数大于等于0.8，则证明所述品质评价模型可靠。
进一步的，还包括：模型可靠性的再次验证，具体包括：
对番茄果实的甜度、酸度及番茄口感进行感官评价，按照番茄感官评价打分表的评分标准进行打分，得出感官评价分值，并对各番茄品种品质进行排名，得到第二排名结果；
将基于所述品质评价模型得到的排名结果与所述第二排名结果进行线性拟合，若相关系数满足预设值，则证明所述品质评价模型可靠。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种番茄果实口感评价方法，先通过数理统计手段进行核心品质指标的筛选，简化品质评价方法，可以解决单一指标评价有限、多指标评价工作量大的问题。在此基础上根据评价目的针对性的建立品质评价模型，使评价规范化、简捷化和常态化，使评定结果更具客观性和准确性。对番茄种植和产业高质量发展具有重要指导意义。
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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的番茄果实口感评价方法的流程图。
具体实施方式
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，所描述的实施例仅仅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，本发明实施例公开了一种番茄果实口感评价方法，包括：
S1、测定多个番茄品种的多个单项品质指标数据；其中，测定的番茄品种数量大于30，每个番茄品种测定8个单项品质指标数据，分别为：可溶性固形物、可溶性糖、Vc、糖酸比、可溶性蛋白、番茄红素、有机酸和氨基酸；
S2、基于主成分分析方法对多个单项品质指标数据进行分析，并提取出综合品质指标；
S3、基于隶属函数对各个番茄品种的综合品质指标进行综合评价，得到各番茄品种的隶属度；
S4、基于多元逐步回归法分析各个单项品质指标与番茄品质评价结果间的对应关系，筛选出与番茄品质存在显著相关性的单项品质指标，作为最终的番茄品质鉴定指标；多元逐步回归分析是从一个指标到全部指标分步加入，每一步都分析模型是否改良，从而探索出具有显著贡献的指标以及各指标对于因变量的影响贡献；
以番茄品种的隶属度为因变量，以番茄品质鉴定指标为自变量，构建品质评价模型，并基于品质评价模型对各番茄品种的品质进行排名。
在一个具体实施例中，S2中，基于主成分分析方法进行分析时，以主成分因子累计贡献率大于80％为准则，将多个单相品质指标数据换算为数量更少且相互独立的主成分，作为综合品质指标。
在一个实施例中，S3中，利用隶属函数对各个番茄品种进行综合评价的过程为：
利用隶属函数给定各主成分下各个指标在闭区间(0,1)内相应的数值，对各指标做出单项评估，得到各单因素隶属度；
对各主成分下的各单因素隶属度进行加权，计算各番茄品种的综合隶属度，作为综合评价值；其中，综合评价值越接近1，代表品质越好，越接近0，代表品质越差。
具体而言，利用隶属函数的评价公式为：
其中，Pi为第i个综合品质指标的贡献率，n表示共有n个综合品质指标，ωi表示权重；μ(xi)表示标准化后的第i个主成分上各番茄品种的综合指标得分值，即单因素隶属度，xi表示综合品质指标i的测定值，xi,min表示综合品质指标i的最小值，xi,max表示综合品质指标i的最大值；D表示隶属度，即不同番茄品种下由主成分评价得到的综合评价值。
在一个具体实施例中，S4中，所述品质评价模型的表达式为：
Y＝-0.384+0.064X1+0.009X4
其中，Y表示番茄品质得分，-0.384表示常量，0.064、0.009表示系数，X1、X4表示与隶属度D存在显著相关性的指标，分别对应可溶性固形物和糖酸比。
在其他实施例中，还包括：模型可靠性验证，具体包括：
对基于隶属函数得到的番茄品质评价结果进行排名，得到第一排名结果；
将基于所述品质评价模型得到的排名结果与所述第一排名结果进行线性拟合，得到相关系数，若相关系数大于等于0.8，则证明所述品质评价模型可靠。
更有利的，还包括：模型可靠性的再次验证，具体包括：
对番茄果实的甜度、酸度及番茄口感进行感官评价，按照番茄感官评价打分表的评分标准进行打分，得出感官评价分值，并对各番茄品种品质进行排名，得到第二排名结果；
将基于所述品质评价模型得到的排名结果与所述第二排名结果进行线性拟合，若相关系数满足预设值(预设值可以设置为0.8以上)，则证明所述品质评价模型可靠。
本发明实施例在对模型进行验证时，还可重新选取20种以上的番茄品种进行与S1-S3相同的数据分析，得出排名，再将指标代入上述品质评价模型，得到排名，最后对两种排名结果进行相关性分析，进而验证模型的可靠性。
或者，让30人分别对番茄果实的甜度、酸度及番茄口感进行感官评价及综合评价，按照番茄果实感官评价打分表的评分标准进行打分，得出综合评价分值，排名结果与品质评价模型得出的结果比较一致，则证明该模型准确度高、解释能力较强。
下面以一具体实例对上述步骤做进一步的说明。
1)选择30个番茄品种，在果实完熟期进行随机取样，每个品种各取五个果实，将果实匀浆后，测定果实品质指标可溶性固形物、糖酸比、维生素C、可溶性糖、可溶性蛋白、番茄红素、等指标，试验设3次重复，各指标数据如表1所示，表1中数值为三次测量的平均值。
表1
可以得到，樱桃型番茄果实品质总体高于中果型和大果型品种，番茄红素含量表现为红果型高于粉果型和黄果型，氨基酸含量未体现出明显的果型间差异。其中樱桃型品种口感最好，是值得推荐的品种。
2)在果实完熟期进行随机取样，每个品种各取五个果实，将果实匀浆后，测定果实氨基酸，试验设3次重复，氨基酸指标数据如表2所示。
表2
可以得出，不同口感番茄品种之间的氨基酸含量存在显著差异，氨基酸在不同品种中的含量并不稳定，未体现出明显的变化规律。分析发现，把各氨基酸指标分类简化后，在各品种中的含量更符合规律，因此，可把鲜味类氨基酸、甜味类氨基酸和芳香类氨基酸作为简化后的指标进行后续的数据分析
3)通过主成分分析法对不同口感番茄品种测定的单项指标进行分析，根据主成分因子累计贡献率大于80％的准则提取了3个主因子，从而将9个单项指标换算为3个新的相互独立的综合指标，分别用主成分1[PC1]、主成分2[PC2]和主成分3[PC3]表示，结果如表3所示：
表3
| 指标 | PC1 | PC2 | PC3 |
| 可溶性固形物 | 0.946 | 0.04 | 0.037 |
| 可溶性糖 | 0.928 | -0.071 | 0.094 |
| 可溶性蛋白 | 0.897 | -0.047 | 0.193 |
| 糖酸比 | 0.666 | 0.262 | 0.375 |
| 维生素C | 0.764 | -0.131 | 0.135 |
| 番茄红素 | -0.339 | 0.765 | 0.453 |
| 鲜味类氨基酸 | 0.313 | 0.677 | -0.544 |
| 芳香类氨基酸 | 0.628 | 0.141 | -0.515 |
| 甜味类氨基酸 | -0.046 | 0.992 | 0.028 |
| 特征值 | 4.199 | 2.142 | 0.974 |
| 贡献率％ | 46.653 | 23.795 | 10.819 |
| 累计贡献率％ | 46.653 | 70.448 | 81.267 |
番茄口感的不同指标累积贡献率达到81.267％，已经包含口感番茄的大部分信息，说明这3个综合主因子具有较强的信息代表性。此外，通过各性状的成分矩阵分析，从各主成分综合指标系数大小可以看出，第一主成分主要包括可溶性固形物、可溶性糖、可溶性蛋白、糖酸比、维生素C、芳香类氨基酸；第二主成分主要包括番茄红素、鲜味类氨基酸、甜味类氨基酸。
4)在获得主因子特征向量的基础上，利用模糊隶属函数法，计算加权隶属函数值，作为综合评价值(D)，结果如表4所示：
表4
Y8的综合评价值最高为0.776，排名第一位，Y10综合评价值第二为0.740，Z9排名第三为0.682，其中品种D8综合表现最差为0.136。各品种的综合评价排名顺序为：Y8>Y10>Z9>Y9>Z12>Z10>Y5>Y11>Y1>Z11>Y3>Y2>D5>Z6>Y6>Z8>D3>Z5>D9>D4>Y4>Z4>D2>D7>D1>Y7>D6>Z1>Z3>Z7>D10>Z2>D8。
5)为了有效分析各个指标与品质评价的对应关系，通过多元逐步回归分析方法以隶属函数D值为因变量，以各指标为自变量初步建立番茄口感品质评价回归方程，并最终得到品质评价模型：Y＝-0.384+0.064X1+0.009X4，该模型决定系数R2＝0.969，F＝330.437，达到极显著性水平(P＜0.001)，充分说明该方法的解释能力较强。从公式中可知，9个单项指标中有2个指标与隶属函数D值存在显著相关性(P＜0.05)，分别为X1(可溶性固形物)、X4(糖酸比)，这2个指标可作为口感番茄品质鉴定指标。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种番茄果实口感评价方法，其特征在于，包括：
测定多个番茄品种的多个单项品质指标数据；
基于主成分分析方法对多个单项品质指标数据进行分析，并提取出综合品质指标；
基于隶属函数对各个番茄品种的综合品质指标进行综合评价，得到各番茄品种的隶属度；
基于多元逐步回归法分析各个单项品质指标与番茄品质评价结果间的对应关系，筛选出与番茄品质存在显著相关性的单项品质指标，作为最终的番茄品质鉴定指标；
以番茄品种的隶属度为因变量，以番茄品质鉴定指标为自变量，构建品质评价模型，并基于品质评价模型对各番茄品种的品质进行排名。
2.根据权利要求1所述的一种番茄果实口感评价方法，其特征在于，测定的番茄品种数量大于30，每个番茄品种测定8个单项品质指标数据，分别为：可溶性固形物、可溶性糖、Vc、糖酸比、可溶性蛋白、番茄红素、有机酸和氨基酸。
3.根据权利要求1所述的一种番茄果实口感评价方法，其特征在于，基于主成分分析方法进行分析时，以主成分因子累计贡献率大于80％为准则，将多个单相品质指标数据换算为数量更少且相互独立的主成分，作为综合品质指标。
4.根据权利要求1所述的一种番茄果实口感评价方法，其特征在于，利用隶属函数对各个番茄品种进行综合评价的过程为：
利用隶属函数给定各主成分下各个指标在闭区间(0,1)内相应的数值，对各指标做出单项评估，得到各单因素隶属度；
对各主成分下的各单因素隶属度进行加权，计算各番茄品种的综合隶属度，作为综合评价值；其中，综合评价值越接近1，代表品质越好，越接近0，代表品质越差。
5.根据权利要求4所述的一种番茄果实口感评价方法，其特征在于，利用隶属函数的评价公式为：
其中，Pi为第i个综合品质指标的贡献率，n表示共有n个综合品质指标，ωi表示权重；μ(xi)表示标准化后的第i个主成分上各番茄品种的综合指标得分值，即单因素隶属度，xi表示综合品质指标i的测定值，xi,min表示综合品质指标i的最小值，xi,max表示综合品质指标i的最大值；D表示隶属度，即不同番茄品种下由主成分评价得到的综合评价值。
6.根据权利要求1所述的一种番茄果实口感评价方法，其特征在于，所述品质评价模型的表达式为：
Y＝-0.384+0.064X1+0.009X4
其中，Y表示番茄品质得分，-0.384表示常量，0.064、0.009表示系数，X1、X4表示与隶属度D存在显著相关性的指标，分别对应可溶性固形物和糖酸比。
7.根据权利要求1所述的一种番茄果实口感评价方法，其特征在于，还包括：模型可靠性验证，具体包括：
对基于隶属函数得到的番茄品质评价结果进行排名，得到第一排名结果；
将基于所述品质评价模型得到的排名结果与所述第一排名结果进行线性拟合，得到相关系数，若相关系数大于等于0.8，则证明所述品质评价模型可靠。
8.根据权利要求7所述的一种番茄果实口感评价方法，其特征在于，还包括：模型可靠性的再次验证，具体包括：
对番茄果实的甜度、酸度及番茄口感进行感官评价，按照番茄感官评价打分表的评分标准进行打分，得出感官评价分值，并对各番茄品种品质进行排名，得到第二排名结果；
将基于所述品质评价模型得到的排名结果与所述第二排名结果进行线性拟合，若相关系数满足预设值，则证明所述品质评价模型可靠。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211715871.2A CN116183843A (zh) | 2022-12-29 | 2022-12-29 | 一种番茄果实口感评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211715871.2A CN116183843A (zh) | 2022-12-29 | 2022-12-29 | 一种番茄果实口感评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116183843A true CN116183843A (zh) | 2023-05-30 |
Family
ID=86435674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211715871.2A Pending CN116183843A (zh) | 2022-12-29 | 2022-12-29 | 一种番茄果实口感评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116183843A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117709600A (zh) * | 2024-01-05 | 2024-03-15 | 暨南大学 | 一种基于定量评价新污染物修复功能的湿地植物优选方法 |
-
2022
- 2022-12-29 CN CN202211715871.2A patent/CN116183843A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117709600A (zh) * | 2024-01-05 | 2024-03-15 | 暨南大学 | 一种基于定量评价新污染物修复功能的湿地植物优选方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jha et al. | Modeling of color values for nondestructive evaluation of maturity of mango | |
| Theanjumpol et al. | Non-destructive identification and estimation of granulation in ‘Sai Num Pung’tangerine fruit using near infrared spectroscopy and chemometrics | |
| Thybo et al. | Explaining Danish children's preferences for apples using instrumental, sensory and demographic/behavioural data | |
| CN103971176B (zh) | 一种柑橘果实优质化采收决策的方法及系统 | |
| CN112163779A (zh) | 一种梨果实品质的评价方法 | |
| CN109409579A (zh) | Bp人工神经网络预测原料加工适宜性的方法 | |
| CN116183843A (zh) | 一种番茄果实口感评价方法 | |
| Aparicio et al. | Sensory wheels: A statistical technique for comparing QDA panels—application to virgin olive oil | |
| CN107167565A (zh) | 一种鲜食葡萄品质评价方法及系统 | |
| US20220113250A1 (en) | Method for Near-Infrared Spectral Wavelength Selection Based on Improved Team Progress Algorithm | |
| CN104407114A (zh) | 蜂蜜风味综合评价及甜度分级的方法 | |
| Dawson et al. | Flavour evaluation for plant breeders | |
| Brown et al. | Consumer acceptability of fresh‐market muscadine grapes | |
| Niu et al. | Effects of harvest maturity and storage time on storage quality of Korla fragrant pear based on GRNN and ANFIS models: Part I Firmness study | |
| CN114720582A (zh) | 一种不同陈化年份老香黄的综合评价方法 | |
| CN113609647B (zh) | 一种预测百香果汁香气强度变化的方法 | |
| CN113780845A (zh) | 一种基于多准则决策的甘薯种质资源评价方法 | |
| US20230187030A1 (en) | Rapid quantitative evaluation method for taste characteristics of fried rice | |
| Marcelle | Predicting storage quality from preharvest fruit mineral analyses a review | |
| Iswari | Fruitylicious: Mobile application for fruit ripeness determination based on fruit image | |
| Migues et al. | 1H NMR metabolic profiles as selection tools of new mandarin cultivars based on fruit acceptability | |
| CN113138257B (zh) | 一种花生籽仁烘烤食味品质的测定及其评价方法 | |
| Yu et al. | Construction method of quantitative evaluation model for the maturity of Korla fragrant pear | |
| Martens | Quality and quality evaluation | |
| Aparicio et al. | Relationship between flavour descriptors and overall grading of analytical panels for virgin olive oil |
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 |