CN116482055A - 一种基于便携式近红外光谱的多品种草莓品质评价方法 - Google Patents
一种基于便携式近红外光谱的多品种草莓品质评价方法 Download PDFInfo
- Publication number
- CN116482055A CN116482055A CN202310467422.9A CN202310467422A CN116482055A CN 116482055 A CN116482055 A CN 116482055A CN 202310467422 A CN202310467422 A CN 202310467422A CN 116482055 A CN116482055 A CN 116482055A
- Authority
- CN
- China
- Prior art keywords
- quality
- strawberries
- near infrared
- strawberry
- variety
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 87
- 235000016623 Fragaria vesca Nutrition 0.000 title claims abstract description 85
- 235000011363 Fragaria x ananassa Nutrition 0.000 title claims abstract description 85
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 25
- 240000009088 Fragaria x ananassa Species 0.000 title 1
- 235000021012 strawberries Nutrition 0.000 claims abstract description 125
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 12
- 238000013210 evaluation model Methods 0.000 claims abstract description 10
- 241000220223 Fragaria Species 0.000 claims abstract 54
- 238000001228 spectrum Methods 0.000 claims description 26
- 238000007781 pre-processing Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000007787 solid Substances 0.000 claims description 14
- 239000002131 composite material Substances 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000002203 pretreatment Methods 0.000 claims description 3
- 238000004611 spectroscopical analysis Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004497 NIR spectroscopy Methods 0.000 claims 7
- 238000001303 quality assessment method Methods 0.000 claims 2
- 238000010276 construction Methods 0.000 abstract description 2
- 244000307700 Fragaria vesca Species 0.000 description 158
- 239000000523 sample Substances 0.000 description 64
- 238000010586 diagram Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 235000016970 Fragaria moschata Nutrition 0.000 description 3
- 235000014828 Fragaria vesca ssp. americana Nutrition 0.000 description 3
- 235000012660 Fragaria virginiana Nutrition 0.000 description 3
- 239000003205 fragrance Substances 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 235000004789 Rosa xanthina Nutrition 0.000 description 1
- 241000220222 Rosaceae Species 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000021028 berry Nutrition 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- JZGWEIPJUAIDHM-UHFFFAOYSA-N chembl2007771 Chemical compound C1=CC=C2C(N=NC3=C4C(=CC(=CC4=CC=C3O)S(O)(=O)=O)S(O)(=O)=O)=CC=C(S(O)(=O)=O)C2=C1 JZGWEIPJUAIDHM-UHFFFAOYSA-N 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 239000001054 red pigment Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
-
- 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
- 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
本发明提供了一种基于便携式近红外光谱的多品种草莓品质评价方法,包括:将待测草莓的近红外光谱信息输入至训练好的评价模型中,得到评价结果;评价模型的构建方法包括:测定样本草莓近红外光谱和关键品质指标数据;基于层次分析法计算各关键品质指标的权重;分别制定各个品种草莓关键品质指标得分标准;分别结合各个品种样本草莓关键品质指标和近红外光谱数据构建单一品种关键品质指标及综合品质得分预测模型;基于多个品种样本草莓的综合品质得分采用近红外光谱技术构建可同时适用于多个品种草莓的综合品质得分预测模型。本发明的数据来源客观、准确,可以灵活应用于单个/多个品种草莓关键品质指标及品质等级的快速、准确检测。
Description
技术领域
本发明涉及植物品质分级技术领域,特别是涉及一种基于便携式近红外光谱的多品种草莓品质评价方法。
背景技术
草莓是一种营养成分丰富的蔷薇科、草莓属植物,在世界小浆果生产中居于首位。国内草莓产量高,但品质稂莠不齐,难以达到消费者的心理预期,这导致草莓市场规模化的形成受阻。传统草莓品质检测通常通过相对粗放的感官评价方法,缺乏标准化、体系化,费时费力,且受主观因素影响,使得草莓品质检测结果不可靠。
因此,为顺应市场需求,需要建立一种以草莓关键品质指标为基础的快速、高效、无损的品质分级技术。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种基于便携式近红外光谱的多品种草莓品质评价方法。
为实现上述目的,本发明提供了如下方案:
一种基于便携式近红外光谱的多品种草莓品质评价方法,包括:
获取待测草莓的近红外光谱信息;
将所述待测草莓的近红外光谱信息输入至训练好的草莓关键品质及综合品质得分评价模型中,得到所述待测草莓的评价结果;
所述草莓关键品质及综合品质得分评价模型的构建方法包括:
获取多个品种不同成熟度的样本草莓;
测定所有样本草莓的近红外光谱数据和关键品质指标;
基于层次分析法计算各所述关键品质指标的权重;
分别制定各个品种草莓关键品质指标得分标准;
根据关键品质指标得分和权重计算各个样本草莓综合品质得分并划分品质等级;
分别结合各个品种样本草莓关键品质指标和近红外光谱数据构建单一品种关键品质指标预测模型;
分别结合各个品种样本草莓综合品质得分和近红外光谱信息构建单一品种品质得分预测模型;
基于多个品种样本草莓的综合品质得分采用近红外光谱技术构建可同时适用于多个品种草莓的综合品质得分预测模型,根据预测结果对品质等级快速划分;
根据所述关键品质指标及综合品质得分预测模型效果确定最佳预测模型,获得各个单一品种草莓品质指标及综合品质得分预测模型及可同时适用于多品种草莓的综合品质得分预测模型。
优选地,在所述获取多个品种不同成熟度的样本草莓之前,还包括:
对草莓进行挑选,得到无机械损伤、表面干净、非畸形的所述样本草莓。
优选地,所述关键品质指标包括:a*、硬度和可溶性固形物含量。
优选地,测定所有样本草莓的近红外光谱数据和关键品质指标,包括:
利用便携式近光谱仪对所述样本草莓进行光伏数据采集,得到所述近红外光谱数据;所述便携式近光谱仪的扫描参数为:扫描范围为900~1700nm,扫描分辨率为4nm,扫描次数为32次,每隔1h采集一次背景光谱;
采用色差计测定所述样本草莓的a*的值;
利用TA-XT Plus型质构仪,根据穿刺法测定所述样本草莓的硬度;所述TA-XTPlus型质构仪的参数为: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;
采用折光仪测定所述样本草莓的可溶性固形物含量。
优选地,所述基于层次分析法计算各所述关键品质指标的权重,包括:
根据所述层次分析法构建比例标度;
根据所述比例标度和对各所述关键品质指标的重要性的定性评价建立判断矩阵;
根据所述判断矩阵计算各所述关键品质指标的权重。
优选地,分别制定各品种草莓关键品质指标得分标准,包括:
分别针对各个样本草莓制定与色泽、质地和滋味紧密相关的关键品质指标a*、硬度和可溶性固形物含量的评价得分标准。
优选地,根据关键品质指标得分和权重计算各个样本草莓综合品质得分并划分品质等级,包括:
根据关键品质指标评价标准记录各个关键品质指标得分情况;
根据关键品质指标得分和对应权重计算样本草莓基于关键品质指标的综合品质得分;
根据草莓综合品质得分结果对各样本草莓进行品质等级划分。
优选地,分别结合各个品种样本草莓关键品质指标和近红外光谱数据构建单一品种关键品质指标预测模型,包括:
对所述近红外光谱数据进行预处理,得到第一预处理数据;
根据所述第一预处理数据和所述关键品质指标构建第一样品集;
将所述第一样品集进行划分,得到第一训练集和第一测试集
基于预设的建模方法,根据所述第一训练集和第一测试集建立光谱信息与品质指标相关联的所述关键品质指标预测模型。
优选地,分别结合各个品种样本草莓综合品质得分和近红外光谱信息构建单一品种品质得分预测模型,包括:
对所述近红外光谱数据进行预处理,得到第二预处理数据;
根据所述第二预处理数据和所述综合品质得分构建第二样品集;
将所述第二样品集进行划分,得到第二训练集和第二测试集;
基于预设的建模方法,根据所述第二训练集和第二测试集建立光谱信息与综合品质得分相关联的所述综合品质得分预测模型。
优选地,基于多个品种样本草莓的综合品质得分采用近红外光谱技术构建可同时适用于多个品种草莓的综合品质得分预测模型,根据预测结果对品质等级快速划分,包括:
对所述近红外光谱数据进行预处理,得到第三预处理数据;
根据所述第三预处理数据和所述综合品质得分构建第三样品集;
将所述第三样品集进行划分,得到第三训练集和第三测试集;
基于预设的建模方法,根据所述第三训练集和第三测试集建立光谱信息与综合品质得分相关联的所述可同时适用于多品种草莓的综合品质得分预测模型;
根据综合品质得分预测结果对品质等级进行划分。
优选地,所述预处理的方法包括:原始光谱法、标准正态变换法、多元散射校正法和正交信号校正法。
优选地,所述建模方法包括PLS、SVM、LS-SVM。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种基于便携式近红外光谱的多品种草莓品质评价方法,包括:获取待测草莓的近红外光谱信息;将所述待测草莓的近红外光谱信息输入至训练好的草莓关键品质及综合品质得分评价模型中,得到所述待测草莓的评价结果;所述草莓关键品质及综合品质得分评价模型的构建方法包括:获取多个品种不同成熟度的样本草莓;测定所有样本草莓的近红外光谱数据和关键品质指标;基于层次分析法计算各所述关键品质指标的权重;分别制定各个品种草莓关键品质指标得分标准;根据关键品质指标得分和权重计算各个样本草莓综合品质得分并划分品质等级;分别结合各个品种样本草莓关键品质指标和近红外光谱数据构建单一品种关键品质指标预测模型;分别结合各个品种样本草莓综合品质得分和近红外光谱信息构建单一品种品质得分预测模型;基于多个品种样本草莓的综合品质得分采用近红外光谱技术构建可同时适用于多个品种草莓的综合品质得分预测模型,根据预测结果对品质等级快速划分;根据所述关键品质指标及综合品质得分预测模型效果确定最佳预测模型,获得各个单一品种草莓品质指标和综合品质得分预测模型及可同时适用于多品种草莓的综合品质得分预测模型。本发明的数据来源客观、准确,可以灵活应用于单个/多个品种草莓关键品质指标及品质等级的快速、准确检测。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的基于便携式近红外光谱的多品种草莓品质评价方法示意图;
图2为初恋草莓品质指标及综合品质得分预测最优模型散点图;
图3为红颜草莓品质指标及综合品质得分预测最优模型散点图;
图4为香野草莓品质指标及综合品质得分预测最优模型散点图;
图5为多品种草莓的综合品质得分预测最优模型散点图。
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。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤,而是可选地还包括没有列出的步骤,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
本发明的目的是提供一种基于便携式近红外光谱的多品种草莓品质评价方法,数据来源客观、准确,可以用于草莓关键品质指标及品质等级的快速、准确检测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例提供的草莓品质评价流程示意图,如图1所示,本实施例中的具体流程如下:
a、获取三个品种不同成熟度的草莓,将草莓分为第一、第二和第三样品组,逐个编号;
b、采集所有草莓近红外光谱数据;
c、测定所有草莓的关键品质指标;
d、基于层次分析法计算各关键品质指标权重;
e、分别制定各个品种草莓关键品质指标得分标准;
f、根据关键品质指标得分和权重计算各个样本草莓综合品质得分并根据品质等级评价标准划分品质等级;
g、分别结合各个品种样本草莓关键品质指标和近红外光谱数据构建单一品种关键品质指标预测模型;
h、分别结合各个品种样本草莓综合品质得分和近红外光谱信息构建单一品种品质得分预测模型;
i、基于多个品种样本草莓的综合品质得分采用近红外光谱技术构建可同时适用于多个品种草莓的综合品质得分预测模型,根据预测结果对品质等级快速划分;
j、根据所述关键品质指标及综合品质得分预测模型效果确定最佳预测模型,获得各个单一品种草莓品质指标及综合品质得分预测模型及可同时适用于多品种草莓的综合品质得分预测模型;k、基于近红外光谱技术,提取待测草莓的近红外光谱信息,导入构建的基于近红外光谱的草莓关键品质及综合品质得分评价模型中,即可获得待测草莓的关键品质指标及其品质得分,并根据品质等级划分标准获得品质等级评价结果。
优选地,在所述获取多个品种不同成熟度的样本草莓之前,还包括:
对草莓进行挑选,得到无机械损伤、表面干净、非畸形的所述样本草莓。
进一步地,本实施例的流程a中,采摘“初恋”、“红颜”和“香野”3个品种不同成熟度的新鲜草莓,挑选无机械损伤、表面干净、非畸形的草莓分别作为样品进行编号及测定。
优选地,所述关键品质指标包括:a*、硬度和可溶性固形物含量。
优选地,测定所有样本草莓的近红外光谱数据和关键品质指标,包括:
利用便携式近光谱仪对所述样本草莓进行光伏数据采集,得到所述近红外光谱数据;所述便携式近光谱仪的扫描参数为:扫描范围为900~1700nm,扫描分辨率为4nm,扫描次数为32次,每隔1h采集一次背景光谱;
采用色差计测定所述样本草莓的a*的值;
利用TA-XT Plus型质构仪,根据穿刺法测定所述样本草莓的硬度;所述TA-XTPlus型质构仪的参数为: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;
采用折光仪测定所述样本草莓的可溶性固形物含量。
可选地,本实施例中流程b和c具体为:
采集所有草莓近红外光谱数据;
光谱数据在光谱仪上采集,扫描参数为:扫描范围为900~1700nm,扫描分辨率为4nm,扫描次数为32次,每隔1h采集一次背景光谱;
测定所有草莓的关键品质指标,包括a*,硬度和可溶性固形物含量;
草莓样品中a*值采用色差计测定;硬度采用穿刺法测定,运用TA-XTPlus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;可溶性固形物采用折光仪测定。
进一步地,本实施例中的手持色差仪用于草莓色泽的测定,每个果实测赤道部位均匀间隔120°的三个点,取平均值,即为L*、a*、b*值,其中a*值作为评价草莓红色色泽的关键指标。
将草莓切成碎块并用无菌纱布包裹,挤出汁液于TD-45数字折光仪感应镜面进行可溶性固形物的测定。
基于层次分析法计算各关键品质指标权重。
参考农业NY/T 444-2001和NY/T 1789-2009,分别制定各个品种草莓关键品质指标得分标准。
根据关键品质指标得分和权重计算各个样本草莓综合品质得分并划分品质等级。优选地,所述基于层次分析法计算各所述关键品质指标的权重,包括:
根据所述层次分析法构建比例标度;
根据所述比例标度和对各所述关键品质指标的重要性的定性评价建立判断矩阵;
根据所述判断矩阵计算各所述关键品质指标的权重。
可选地,本实施例中流程d为基于层次分析法计算各关键品质指标权重;
根据层次分析法提出的1~9比例标度法(如表1所示)以及专家对草莓各指标重要性的定性评价,建立判断矩阵如表2,根据判断矩阵,计算各指标权重;
首先,计算判断矩阵中每行元素的连乘积M1,M2,…,Mn。
然后,计算M的n次方根(n为判断矩阵的阶数)
最后,对特征向量W={w1,w2,…,wn}T进行归一化处理得到各评价指标的权重值A=(a1,a2,…,an)。
层次单排序一致性指标可以检验数据的符合程度。当CI=0,表示判断矩阵满足完全一致性;当CI≠0或CR<0.1时,表示判断矩阵有满意的一致性,否则需调整判断矩阵的标度值,然后重新计算、检验。其中,CR=CI/RI,称为判断矩阵的随机一致性比例;CI=(λmax-n)/(n-1),λmax为矩阵最大特征根;RI为平均随即一致性指标,按表3取值。
表1元素重要程度比例标度
表2判断矩阵
注:SSC,可溶性固形物含量,下表及图同。
表3随机一致性标准值RI
本实施例首先计算判断矩阵中每行元素的连乘积M1=6,M2=1,M3=0.17;然后,计算M的3次方根最后,对特征向量W={w1,w2,w3}T进行归一化处理得到各评价指标的权重值A=(0.54,0.30,0.16);由于CI=(λmax-n)/(n-1)=(3.0092-3)/(3-1)=0.0046≠0,CR=CI/RI=0.0046/0.58=0.0079<0.1,故判断矩阵有满意的一致性,且可溶性固形物含量、a*值和硬度指标的权重分别为0.54,0.30,0.16。
优选地,根据所述关键品质指标得分和所述权重计算各个样本草莓综合品质得分并划分品质等级,包括:
根据所述关键品质指标和草莓品质评价分析标准确定各所述关键品质指标对应的关键品质得分;
根据所述关键品质得分和所述权重进行草莓品质综合得分(5分制换算成100分制)计算,并根据制定的等级划分标准对所述样本草莓进行品质等级划分。
本实施例中流程e和f为制定各个品种草莓关键品质指标得分标准(表4),根据关键品质指标得分和权重计算各个样本草莓综合品质得分并根据品质等级评价标准(表5)划分品质等级。
表4草莓品质评价分析标准
表5草莓品质评价分析标准
优选地,分别结合各个品种样本草莓关键品质指标和近红外光谱数据构建单一品种关键品质指标预测模型,包括:
对所述近红外光谱数据进行预处理,得到第一预处理数据;
根据所述第一预处理数据和所述关键品质指标构建第一样品集;
将所述第一样品集进行划分,得到第一训练集和第一测试集
基于预设的建模方法,根据所述第一训练集和第一测试集建立光谱信息与品质指标相关联的所述关键品质指标预测模型。
可选地,本实施例中流程g为分别结合各个品种样本草莓关键品质指标和近红外光谱数据构建单一品种关键品质指标预测模型;
本实施例分别将各组样品集按训练集:预测集=3:1进行划分,基于MATLAB2010b(The Mathworks,美国)软件,分别对各个品种草莓样品的近红外光谱,采用RAW、SNV、MSC、OSC进行预处理,利用PLS、SVM和LS-SVM方法建立光谱信息与品质指标相关联的定量预测模型,获得各个品种(初恋,表6;红颜,表7;香野,表8)的三种建模方法结合最佳预处理方法下的最佳预测模型;
表6基于近红外光谱的初恋草莓品质指标预测模型
表7基于近红外光谱的红颜草莓品质指标预测模型
表8基于近红外光谱的香野草莓品质指标预测模型
/>
优选地,分别结合各个品种样本草莓综合品质得分和近红外光谱信息构建单一品种品质得分预测模型,包括:
对所述近红外光谱数据进行预处理,得到第二预处理数据;
根据所述第二预处理数据和所述综合品质得分构建第二样品集;
将所述第二样品集进行划分,得到第二训练集和第二测试集;
基于预设的建模方法,根据所述第二训练集和第二测试集建立光谱信息与综合品质得分相关联的所述综合品质得分预测模型。
进一步地,本实施例中步骤h为分别结合各个品种样本草莓综合品质得分和近红外光谱信息构建单一品种品质得分预测模型;
本实施例分别将各组样品集按训练集:预测集=3:1进行划分,基于MATLAB2010b(The Mathworks,美国)软件,分别对各个品种草莓样品的近红外光谱,采用RAW、SNV、MSC、OSC进行预处理,利用PLS、SVM、LS-SVM方法建立光谱信息与综合品质得分相关联的定量分析模型,获得各个品种的三种建模方法结合最佳预处理方法下的最佳预测模型(表9);
表9基于近红外光谱的不同品种草莓综合品质得分预测模型
/>
优选地,基于多个品种样本草莓的综合品质得分采用近红外光谱技术构建可同时适用于多个品种草莓的综合品质得分预测模型,根据预测结果对品质等级快速划分,包括:
对所述近红外光谱数据进行预处理,得到第三预处理数据;
根据所述第三预处理数据和所述综合品质得分构建第三样品集;
将所述第三样品集进行划分,得到第三训练集和第三测试集;
基于预设的建模方法,根据所述第三训练集和第三测试集建立光谱信息与综合品质得分相关联的所述综合品质得分预测模型;
根据综合品质得分预测结果对品质等级进行划分;
进一步地,本实施例中步骤i为基于多个品种样本草莓的综合品质得分采用近红外光谱技术构建可同时适用于多个品种草莓的综合品质得分预测模型;
本实施例将样品集按训练集:预测集=3:1进行划分,基于MATLAB2010b(TheMathworks,美国)软件,对所有草莓样品的近红外光谱,采用RAW、SNV、MSC、OSC进行预处理,利用PLS、SVM、LS-SVM方法建立光谱信息与品质等级相关联的定量分析模型,获得三种建模方法结合最佳预处理方法下三种草莓综合品质得分的最佳预测模型(表10);
表10基于近红外光谱的多品种草莓(初恋、红颜、香野)综合品质得分预测模型
优选地,根据所述关键品质指标及综合品质得分预测模型效果确定最佳预测模型,包括:
获得各个单一品种草莓品质指标及综合品质得分预测最优模型(图2、图3和图4分别为初恋、红颜、香野草莓品质指标及综合品质得分预测最优模型散点图);
获得可同时适用于多品种草莓的综合品质得分预测最优模型(图5为多品种草莓的综合品质得分预测最优模型散点图);
进一步地,本实施例中步骤j为根据所述关键品质指标及综合品质得分预测模型效果确定最佳预测模型,获得各个单一品种草莓品质指标和综合品质得分预测模型及可同时适用于多品种草莓的综合品质得分预测模型;
本实施例中还包括流程k,基于近红外光谱技术,提取待测草莓的近红外光谱信息,导入构建的基于近红外光谱的草莓关键品质及综合品质得分评价模型中,即可获得待测草莓的关键品质指标及其品质得分,并根据品质等级划分标准获得品质等级评价结果。
本实施例中分别随机挑选“初恋”、“红颜”和“香野”草莓样本413、416和216个(共1045个)用于试验,对于单个/多个品种草莓,均采用总样本量的3/4用于模型构建,总样本量的1/4用于模型验证,采用自主搭建的便携式近红外光谱仪采集样本光谱信息。采集前开机预热10min后先进行背景扫面,清除背景信息对光谱信息的影响。采集时,将草莓赤道部位(采集赤道部位均匀间隔的三个点)垂直对准光纤探头进行光谱采集,记录三个点的平均光谱值。实验参数设置:光谱扫描范围为900~1700nm,扫描分辨率为4nm,扫描次数为32次,每隔1h采集一次背景光谱。
光谱数据采集后,针对单一品种草莓,分别结合品质指标及综合品质得分,筛选光谱预处理、模型建立最佳组合方法,确定最优单一品种草莓品质指标及综合品质评价最优模型;然后,结合所有品种草莓综合品质得分,筛选光谱预处理、模型建立最佳组合方法,确定最优多品种草莓综合品质评价模型。基于采集的样本近红外光谱数据,分别结合其对应的a*、硬度和可溶性固形物品质指标,采用不同预处理方法(RAW、SNV、MSC和OSC)以及不同建模方法(PLS、SVM、LS-SVM)建立单一品种草莓品质指标和综合品质得分预测模型及多品种草莓综合品质得分预测模型。筛选最佳模型建立方法,最终筛选出最优模型组合,从而形成基于便携式近红外光谱的灵活应用于单个/多个品种草莓的品质评价方法。
本实施例还公开了一种处理器和存储设备,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上述方法的步骤。
此外,本实施例还公开了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上述方法。
本发明的有益效果如下:
(1)本发明基于近红外光谱分析技术,将草莓近红外光谱信息分别与其关键品质指标以及品质评价结果建立联系,针对单个品种草莓,构建基于近红外光谱的草莓关键理化指标及综合品质得分定量预测模型,针对多个品种草莓,构建基于近红外光谱的草莓综合品质得分定量预测模型,实现将采集的近红外光谱信息导入模型中,即可获得待测草莓的品质评价结果。该模型建立数据来源客观、准确,可以灵活应用于单个/多个品种用于草莓关键品质指标及品质等级的快速、准确检测;
(2)本发明实现了同时对多个不同品种草莓品质的无损鉴别,克服了传统检测方法的需要化学试剂、需要损害果实样本、检测费时费力、检测过程复杂等缺点,适用于多品种草莓批量检测。
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。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (12)
1.一种基于便携式近红外光谱的多品种草莓品质评价方法,其特征在于,包括:
获取待测草莓的近红外光谱信息;
将所述待测草莓的近红外光谱信息输入至训练好的草莓关键品质及综合品质得分评价模型中,得到所述待测草莓的评价结果;
所述草莓关键品质及综合品质得分评价模型的构建方法包括:
获取多个品种不同成熟度的样本草莓;
测定所有样本草莓的近红外光谱数据和关键品质指标;
基于层次分析法计算各所述关键品质指标的权重;
分别制定各个品种草莓关键品质指标得分标准;
根据关键品质指标得分和权重计算各个样本草莓综合品质得分并划分品质等级;
分别结合各个品种样本草莓关键品质指标和近红外光谱数据构建单一品种关键品质指标预测模型;
分别结合各个品种样本草莓综合品质得分和近红外光谱信息构建单一品种品质得分预测模型;
基于多个品种样本草莓的综合品质得分采用近红外光谱技术构建可同时适用于多个品种草莓的综合品质得分预测模型,根据预测结果对品质等级快速划分;
根据所述关键品质指标及综合品质得分预测模型效果确定最佳预测模型,获得各个单一品种草莓品质指标及综合品质得分预测模型及可同时适用于多品种草莓的综合品质得分预测模型。
2.根据权利要求1所述的基于便携式近红外光谱的多品种草莓品质评价方法,其特征在于,在所述获取多个品种不同成熟度的样本草莓之前,还包括:
对草莓进行挑选,得到无机械损伤、表面干净、非畸形的所述样本草莓。
3.根据权利要求1所述的基于便携式近红外光谱的多品种草莓品质评价方法,其特征在于,所述关键品质指标包括:a*、硬度和可溶性固形物含量。
4.根据权利要求2所述的基于便携式近红外光谱的多品种草莓品质评价方法,其特征在于,测定所有样本草莓的近红外光谱数据和关键品质指标,包括:
利用便携式近光谱仪对所述样本草莓进行光伏数据采集,得到所述近红外光谱数据;所述便携式近光谱仪的扫描参数为:扫描范围为900~1700nm,扫描分辨率为4nm,扫描次数为32次,每隔1h采集一次背景光谱;
采用色差计测定所述样本草莓的a*的值;
利用TA-XTPlus型质构仪,根据穿刺法测定所述样本草莓的硬度;所述TA-XTPlus型质构仪的参数为: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;
采用折光仪测定所述样本草莓的可溶性固形物含量。
5.根据权利要求1所述的基于便携式近红外光谱的多品种草莓品质评价方法,其特征在于,所述基于层次分析法计算各所述关键品质指标的权重,包括:
根据所述层次分析法构建比例标度;
根据所述比例标度和对各所述关键品质指标的重要性的定性评价建立判断矩阵;
根据所述判断矩阵计算各所述关键品质指标的权重。
6.根据权利要求1所述的基于便携式近红外光谱的多品种草莓品质评价方法,其特征在于,分别制定各品种草莓关键品质指标得分标准,包括:
分别针对各个样本草莓制定与色泽、质地和滋味紧密相关的关键品质指标a*、硬度和可溶性固形物含量的评价得分标准。
7.根据权利要求1所述的基于便携式近红外光谱的多品种草莓品质评价方法,其特征在于,根据关键品质指标得分和权重计算各个样本草莓综合品质得分并划分品质等级,包括:
根据关键品质指标评价标准记录各个关键品质指标得分情况;
根据关键品质指标得分和对应权重计算样本草莓基于关键品质指标的综合品质得分;
根据草莓综合品质得分结果对各样本草莓进行品质等级划分。
8.根据权利要求1所述的基于便携式近红外光谱的多品种草莓品质评价方法,其特征在于,分别结合各个品种样本草莓关键品质指标和近红外光谱数据构建单一品种关键品质指标预测模型,包括:
对所述近红外光谱数据进行预处理,得到第一预处理数据;
根据所述第一预处理数据和所述关键品质指标构建第一样品集;
将所述第一样品集进行划分,得到第一训练集和第一测试集
基于预设的建模方法,根据所述第一训练集和第一测试集建立光谱信息与品质指标相关联的所述关键品质指标预测模型。
9.根据权利要求1所述的基于便携式近红外光谱的多品种草莓品质评价方法,其特征在于,分别结合各个品种样本草莓综合品质得分和近红外光谱信息构建单一品种品质得分预测模型,包括:
对所述近红外光谱数据进行预处理,得到第二预处理数据;
根据所述第二预处理数据和所述综合品质得分构建第二样品集;
将所述第二样品集进行划分,得到第二训练集和第二测试集;
基于预设的建模方法,根据所述第二训练集和第二测试集建立光谱信息与综合品质得分相关联的所述综合品质得分预测模型。
10.根据权利要求1所述的基于便携式近红外光谱的多品种草莓品质评价方法,其特征在于,基于多个品种样本草莓的综合品质得分采用近红外光谱技术构建可同时适用于多个品种草莓的综合品质得分预测模型,根据预测结果对品质等级快速划分,包括:
对所述近红外光谱数据进行预处理,得到第三预处理数据;
根据所述第三预处理数据和所述综合品质得分构建第三样品集;
将所述第三样品集进行划分,得到第三训练集和第三测试集;
基于预设的建模方法,根据所述第三训练集和第三测试集建立光谱信息与综合品质得分相关联的所述可同时适用于多品种草莓的综合品质得分预测模型;
根据综合品质得分预测结果对品质等级进行划分。
11.根据权利要求8、9或10中任一项所述的基于便携式近红外光谱的多品种草莓品质评价方法,其特征在于,所述预处理的方法包括:原始光谱法、标准正态变换法、多元散射校正法和正交信号校正法。
12.根据权利要求8、9或10中任一项所述的基于便携式近红外光谱的多品种草莓品质评价方法,其特征在于,所述建模方法包括PLS、SVM、LS-SVM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310467422.9A CN116482055A (zh) | 2023-04-26 | 2023-04-26 | 一种基于便携式近红外光谱的多品种草莓品质评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310467422.9A CN116482055A (zh) | 2023-04-26 | 2023-04-26 | 一种基于便携式近红外光谱的多品种草莓品质评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116482055A true CN116482055A (zh) | 2023-07-25 |
Family
ID=87215355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310467422.9A Pending CN116482055A (zh) | 2023-04-26 | 2023-04-26 | 一种基于便携式近红外光谱的多品种草莓品质评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116482055A (zh) |
-
2023
- 2023-04-26 CN CN202310467422.9A patent/CN116482055A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107796782B (zh) | 基于烟叶特征光谱一致性度量的复烤质量稳定性评价方法 | |
CN103134767B (zh) | 一种红外光谱校正鉴定白酒品质的方法 | |
CN103645155B (zh) | 生鲜羊肉嫩度的快速无损检测方法 | |
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 | |
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 | |
CN112098357B (zh) | 一种基于近红外光谱的草莓感官品质等级评价方法 | |
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 | |
CN106841083A (zh) | 基于近红外光谱技术的芝麻油品质检测方法 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
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 | |
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 | |
CN108846203A (zh) | 水果无损检测的方法及装置 | |
CN104155264A (zh) | 一种用近红外光谱技术预测火炬松松脂中松节油含量的方法 | |
CN108535250A (zh) | 基于Streif指数的‘富士’苹果成熟度无损检测方法 | |
CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
CN110231302A (zh) | 一种快速测定奇亚籽粗脂肪含量的方法 | |
CN107247033A (zh) | 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法 | |
CN105911000A (zh) | 基于特征波段的血斑蛋在线检测方法 | |
CN116482055A (zh) | 一种基于便携式近红外光谱的多品种草莓品质评价方法 | |
CN106124447A (zh) | 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 | |
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 | |
CN100429501C (zh) | 一种快速无损检测鸭梨黑心病的方法 | |
CN113030008B (zh) | 一种蒲黄炭炮制品的近红外在线质量检测方法 | |
CN115453045A (zh) | 一种菠萝黑心病无损检测模型及无损检测方法 |
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 |