论文部分内容阅读
猕猴桃的硬度、可溶性固形物含量和干物质含量是衡量其口感及风味的三个重要指标,也是决定其采摘时间的重要因素,而猕猴桃的采摘时间直接影响它的贮藏寿命和果品质量。猕猴桃在收获、运输过程中,由于碰撞、挤压等因为会造成损伤。损伤的猕猴桃市场价值低,且在贮藏过程中会发酵、腐烂、霉变,并感染其他正常果实,造成经济损失。传统的水果品质检测方法属于破坏性检测,样品预处理操作繁琐,检测周期长,主观性强。所以研究、开发快速无损检测技术和设备己成为猕猴桃行业的迫切需求。本研究利用近红外光谱技术和化学计量学方法建立并优化猕猴桃硬度、可溶性固形物含量和干物质含量的预测模型；利用高光谱图像技术检测猕猴桃的隐藏碰伤。本文的主要研究内容和方法如下:
利用标准正态变量变换(SNV)对猕猴桃1000-2500nm近红外光谱进行预处理,在优选建模光谱区间采用正交信号校正(OSC)或净分析物预处理(NAP)降低建模主因子数两个方面简化猕猴桃硬度偏最小二乘(PLS)模型。结果表明,优选5189-5370cm-1、4549-4620cm-1、6049-6230cm-1、6999-7730cm-1、6249-6614cm-1等5个光谱区间进行建模,NAP／PLS模型性能最佳,主因子数为5,校正集相关系数r和均方根误差RMSECV分别为0.81941和0.70177,预测集相关系数r和均方根误差RMSEP分别为0.78067和0.88271。与简化前的PLS模型相比,模型不仅更加简洁,而且预测能力和精度均有所提高。
利用小波滤噪法对猕猴桃近红外光谱进行预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立猕猴桃可溶性固形物含量预测模型。结果表明,采用siPLS将光谱划分为16个子区间时,联合其中的第9、11、13号3个子区间建立的可溶性固形物含量模型效果最佳,其校正集相关系数r和均方根误差RMSECV分别为0.9414和0.3788。预测集相关系数r和均方根误差RMSEP分别为0.9295和0.3904,主因子数为7。研究表明,用小波滤噪和siPLS所建立的猕猴桃可溶性固形物含量模型不仅能减小建模运算时间,剔除噪声过大的谱区,而且其预测能力和预测精度均有所提高。
利用siPLS快速提取猕猴桃干物质含量近红外光谱的特征区域,在此基础上采用遗传算法(GA)提取猕猴桃干物质含量近红外光谱的特征波长,进行猕猴桃干物质含量预测。结果表明,基于GA-siPLS建立的模型精度得到提高,且模型得到了很大的简化。
探索采用未成熟时猕猴桃近红外光谱对成熟时(食用期)干物质含量进行长期预测的可行性。研究建立四个试验模型:未成熟猕暝桃的近红外光谱预测未成熟时的干物质含量(UU)；未成熟时的近红外光谱预测成熟时的干物质含量(UR)、成熟时的近红外光谱预测成熟时的干物质含量(RR)和用不同时期的近红外光谱预测不同时期的干物质含量(UU&UR&RR)。采用siPLS建立干物质含量模型,并进行交叉验证。结果表明,猕猴桃成熟前后干物质中有机化合物发生了化学变化造成特征谱区变化。UR组校正集的相关系数r和RMSECV分别为0.9219和0.4717,预测集的相关系数r和RMSEP为0.9026和0.5313,表明采用未成熟时猕猴桃近红外光谱对成熟时(食用期)干物质含量进行长期预测是可行的。
采用高光谱图像技术检测猕猴桃隐藏损伤。采集猕猴桃可见／近红外波段(408-1117nm)的高光谱图像数据,通过对600-1000nm波段数据进行主成分分析优选出这5个碰伤特征波长图像(以682nm,723nm,744nm,810nm和852nm为中心),基于5个特征波长图像的主成分图像利用径向基函数支持向量机RBF-SVM分类法提取猕猴桃隐藏损伤。试验结果表明,高光谱图像技术对猕猴桃隐藏损伤误判率为12.5％。
研究利用近红外光谱技术检测猕猴桃的硬度、可溶性固形物含量和干物质含量:利用高光谱图像技术检测猕猴桃隐藏碰伤。研究成果为猕猴桃确定收获时间、品质的快速无损检测、分级、加工作业提供理论基础和技术支持。