论文部分内容阅读
哈密瓜营养丰富,素有“瓜中之王”的美称。新疆哈密瓜依赖着独特的地理位置和生态环境资源造就了优质的品质。新疆哈密瓜总产量约占全国哈密瓜产量半数以上,但在全国甜瓜中的竞争优势正在快速下降。哈密瓜属于新疆特色水果,对其开展采后品质检测有助于维护好新疆哈密瓜区域品牌的地位,并提升在国内外市场的竞争力。本论文立足新疆瓜果产业发展需求,系统性地开展了针对哈密瓜关键指标糖度和脆度的无损检测方法研究。主要研究内容和结论如下:（1）基于可见-近红外光谱（Vis-NIR）技术的哈密瓜糖度定量分析位置确定及模型优化研究。分析了哈密瓜样本花萼、赤道和果梗三个位置的光谱曲线特征,并构建和比较了花萼、赤道和果梗三类局部位置PLS模型,结果表明,花萼模型对哈密瓜糖度的定量预测能力最好,预测相关系数rp为0.93,预测均方根误差RMSEP为0.85°Brix,果梗模型预测结果最差,rp为0.87,RMSEP为0.95°Brix。进一步,采用SPA、MC-UVE、MC-UVE-SPA和CARS四种变量选择方法对模型进行有效变量选择,并分别建立了基于有效变量的PLS、MLR和LS-SVM模型。研究发现,MC-UVE-SPA组合变量选择法是用于哈密瓜光谱有效变量选择的最佳方法,基于有效变量建立的所有线性和非线性模型（MC-UVE-SPA-PLS、MC-UVE-SPA-LS-SVM和MC-UVE-SPA-MLR）均能够成功地预测哈密瓜糖度,预测均方根误差RMSEP范围为0.95-0.99°Brix。整体研究表明,哈密瓜花萼位置结合Vis-NIR光谱和多变量校正模型可以实现哈密瓜糖度的无损、准确检测。（2）基于高光谱成像技术的图谱融合分析定量预测哈密瓜糖度研究。采用哈密瓜650 nm处的单波长图像,利用直方图统计方法（HS）和灰度共生矩阵（GLCM）纹理特征提取方法,提取了“均值”、“标准差”、“平滑度”、“三阶矩”、“一致性”、“熵”、“对比度”、“同质性”、“能量”和“相关性”共10个纹理特征,通过Pearson相关性分析和建模分析最终确定了“均值”、“能量”和“同质性”三个纹理特征作为目标纹理特征。进一步采用MC-UVE-SPA算法在全光谱中优选了7个有效光谱变量,联合三个目标纹理特征,共计10个输入变量构建了PLS、MLR和LS-SVM模型,通过模型性能比较发现,基于特征融合所构建的模型均在不同程度上优于仅仅光谱变量或者纹理特征所构建的模型。最终确立MLR+ES+T3模型为本研究的最优模型,该模型对哈密瓜校正集样本糖度预测,其rc和RMSEC分别为0.93和0.82°Brix,对预测集样本糖度预测,其rp和RMSEP分别为0.94和0.75°Brix。整体研究表明,光谱和纹理特征融合对哈密瓜糖度预测是可行的,比单一技术更有效。（3）哈密瓜断裂声音信号分析和信号特征与脆度表征关系研究。分析了哈密瓜果肉断裂力学曲线和声音信号,确定了声音信号可以更加合理、准确地对哈密瓜脆度特性进行表征。比较了各种声音信号消噪方法,发现本研究建议的经验模态分解和小波变换EMD-WT组合法能够实现对哈密瓜果肉压断原始声音信号的有效去噪和解析。对所有样本,花萼位置果肉样本声音信号信噪比SNR平均值从消噪前的0.5814提高到23.6600,RMSE平均值从消噪前的49.0025降低至0.1801;赤道位置果肉样本声音信号SNR平均值从消噪前的0.7255提高到27.1117,RMSE平均值从消噪前的38.8612降低至0.1427;果梗位置果肉样本声音信号SNR平均值从消噪前的0.8294提高到30.6398,RMSE平均值从消噪前的33.1157降低至0.1002。基于EMD-WT消噪后的声音信号提取了信号强度E、最大短时帧能量Emax、幅值差D、波形指数Y和平均振幅A共5个特征值,各特征值与脆度分别进行Pearson相关性分析发现声音信号的E、D和Y与哈密瓜果肉脆度有着极强的相关性,基于此三个特征所构建的哈密瓜脆度MLR预测模型对脆度评估平均Rcv达0.96。（4）哈密瓜脆度分类评估方法研究。构建了基于样本花萼、赤道和果梗不同位置光谱信息的PLS-DA脆度分类模型并对哈密瓜四类脆度进行分类,结果表明,赤道区域为哈密瓜脆度预测的理想区域,所对应的PLS-DA分类模型对“脆”、“较脆”、“较软”和“软绵”四类样本的分类精度分别为92.1%、87.3%、85.9%和87.5%,平均分类精度为88.2%。进一步,通过光谱与哈密瓜果肉断裂声音信号特征值建立关系,证实了基于光谱技术对哈密瓜果肉断裂声音信号特征值进行预测并借助特征值构建模型预测哈密瓜脆度具有可行性,构建的PLS-DA模型对四类脆度样本的分类精度分别为87.3%、83.1%、82.8%和79.7%,平均精度为83.2%。进一步,采用GA-SPA组合变量选择算法对光谱特征变量进行优选,从435个变量中提取了29个特征变量并构建了基于特征光谱和预测声音信号特征值融合的哈密瓜脆度等级分类判别PLS-DA、LS-SVM和ELM模型,通过比较发现,ELM模型其预测精度和模型稳定性最优,对262个哈密瓜样本校正集和预测集分类精度分别为98.0%和98.4%。本研究通过对哈密瓜光谱、纹理、声音信号多个传感信息的深入分析,突破了哈密瓜质量品质无损检测技术瓶颈,构建了哈密瓜糖度和脆度无损检测模型,为相关检测系统研发提供了理论基础,为新疆哈密瓜产业发展提供了技术支撑。