论文部分内容阅读
随着农业技术的发展以及人民生活水平的提高,市场上水果的品种越来越丰富,消费者对水果质量的要求也越来越高,然而人眼无法直观判断水果所属品种及其内部质量,这就需要借助一些检测方法。对水果品质进行检测的传统方法具有许多弊端,如破坏水果完整性、耗时较长,难以批量检测等,因此,亟需一种新的无损高效的检测方法对水果品质进行检测。高光谱技术通过对光谱信息的测量可在一定程度上反映被测样品内部的物理结构和化学成分的差异,具有波段范围宽、光谱分辨率高等优势,且不会对被测对象造成破坏、操作简单、分析成本低。本论文的研究对象为红枣和圣女果,它们都具有丰富的营养成分,受到广大消费者的喜爱。本论文的主要研究工作包括两个方面,分别利用高光谱技术对红枣品种进行鉴别和对圣女果可溶性固形物含量进行预测。主要研究内容及成果如下:(1)基于高光谱技术对金丝大枣、骏枣和滩枣三种新疆红枣的品种进行鉴别。首先,分别采集三种红枣样本的高光谱数据,利用随机抽样法(RS)、Kennard-Stone法(KS)、光谱-理化值共生距离法(SPXY)三种样本集划分方法来划分校正集和预测集,并建立基于支持向量机(SVM)的红枣品种鉴别模型,结果显示基于SPXY划分方法所划分的校正集更具有代表性。其次,研究多种预处理方法对建模的影响,分别对原始光谱利用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导(FD)、Savitzky-Golay(SG)平滑等多种数据预处理方法进行预处理,并采用SPXY样本划分方法划分校正集和预测集后,基于预处理后的全波段利用线性判别分析(LDA)、K-最近邻分类算法(KNN)、SVM等算法建立红枣品种鉴别模型,结果显示在多种预处理方法中一阶导的处理效果最好,基于一阶导预处理,得到LDA模型准确率为76.32%,KNN和SVM模型准确率可以达到100%。此外,若将SNV和FD两种预处理方法相结合应用于LDA模型,其准确率可提高至84.21%。然后,结合主成分分析(PCA)、连续投影算法(SPA)、竞争性自适应重加权算法(CARS)三种特征提取方法对全波段光谱提取特征波段,提取的特征波段数分别为10、13、275;再基于特征波段建立红枣品种鉴别模型,并与全波段所建模型进行比较分析,发现基于全波段所建模型的准确率要高于基于特征波段所建模型,在几种特征提取方法中CARS方法可以取得较好的效果,使得LDA模型、KNN模型和SVM模型的准确率分别为89.91%、98.68%和98.25%。最后,以SVM模型为例对建模运行时间进行了比较,基于全波段建立SVM模型所需时间为1.497 s,远大于基于特征波长建模所用时间(PCA、SPA、CARS分别为0.026 s、0.032 s、0.167 s)。(2)基于高光谱技术对圣女果可溶性固形物含量进行检测。首先,采集圣女果样本的高光谱数据并测量对应的可溶性固形物含量,利用RS、KS、SPXY三种样本划分方法划分校正集和预测集并根据偏最小二乘回归(PLSR)法建模结果分析,最终确定利用SPXY划分方法对样本集进行划分。其次,对多种预处理方法对建模的影响进行了研究,分别对原始光谱利用多种数据预处理方法(MSC、SNV、FD、SG平滑)进行预处理,采用SPXY样本划分方法对样本集进行划分,基于全波段利用主成分回归法(PCR)、PLSR、支持向量机回归法(SVR)等算法建立圣女果可溶性固形物含量预测模型,结果显示在PCR和PLSR模型中MSC具有较好的效果,在SVR模型中SNV效果最佳。最后,结合PCA、SPA、CARS对全波段光谱提取特征波段,基于特征波段建立圣女果可溶性固形物含量预测模型,并与全波段所建模型进行比较分析,结果显示在PCR模型中,PCA提取的特征波段所建立的PCR预测模型的性能最佳,PLSR和SVR模型中基于CARS提取的特征波段建立的预测模型效果最佳。