论文部分内容阅读
我国是世界上水果生产大国之一,水果的年产量居世界首位,但水果出口量占产量比重与发达国家相比仍处于较低水平,而影响水果出口量的重要因素之一的则是水果品质。目前,水果品质成为了水果能否进入国内高端市场和国外市场的基本因素。除了通过改进种植技术来提高水果品质外,精细化的水果品质检测技术及评价标准也是市场亟需的。近年来,高光谱成像技术作为一种快速、无损、简便的成像检测技术已经在水果品质无损检测方面得到了广泛应用,并且该技术具有“图谱合一”的优点,更加适合用于水果品质的无损检测。因此,本研究以草莓和肥城桃为研究对象,针对成熟期、保鲜期和采后期三个时期,利用便携式高光谱成像仪获取高光谱数据,采用仪器测定理化数据值（可溶性固形物（soluble solids content,SSC）、硬度）,结合化学计量学方法建立草莓和肥城桃成熟期定性判别模型及保鲜草莓（SSC）和采后肥城桃（SSC和硬度）定量预测模型,并对肥城桃内部品质进行可视化分析。主要研究结论如下:（1）基于高光谱成像技术草莓成熟度的现场评价,在田间获取了未成熟、半成熟和成熟草莓高光谱数据,实验室采集数据作对比,通过多元散射校正算法（multiplicative scatter correction,MSC）对光谱数据进行了预处理。采用x-载荷系数法（x-loading weight,XL）、连续投影算法（successive projections algorithm,SPA）和竞争性自适应权重取样法（competitive adaptive reweighted sampling,CARS）进行了特征波长的优选,建立了偏最小二乘判别分析（partial least squares discrimination analysis,PLS-DA）和最小二乘支持向量机（least-squares support vector machine,LS-SVM）的草莓成熟度判别模型。结果发现现场采集数据PLS-DA和LS-SVM判别模型精度介于91.796.7%,实验室采集数据模型判别精度介于93.3100%,其中,现场采集数据中,全光谱建立的PLS-DA判别模型及CARS提取7个特征波长（423nm、585nm、614nm、715nm、828nm、886nm、973nm）建立的LS-SVM模型识别精度都达96.7%。因此,利用高光谱成像技术在田间进行草莓成熟度的现场评价是可行的,也为水果成熟度的现场检测及检测仪器开发提供了技术支持。（2）基于高光谱成像技术的壳聚糖涂膜草莓可溶性固形物含量检测,采用高光谱成像仪采集了分别储藏1、2和4天的0、0.5和1%三种浓度壳聚糖涂膜草莓样本的高光谱数据,并且测定了涂膜草莓可溶性固形物含量发现,0.5和1%的壳聚糖涂层有利于维持草莓SSC水平。随后采用CARS算法对三个浓度样本分别优选了32个、30个和20个特征波长,采用SPA算法优选了11个、8个和16个特征波长,随后建立的预测涂膜草莓SSC的PLSR和SVR模型。结果表明,SPA-SVR模型的性能较优,对于0%CTS涂膜样本,建模集系数2((8（8）=0.865,预测集系数2=0.835;对于0.5%CTS涂膜样本,建模集系数2((8（8）=0.808,预测集系数2=0.799;对于1%CTS涂膜样本,建模集系数2((8（8）=0.834,预测集系数2=0.875;进一步对涂膜草莓的主成分图像分析发现,0.5%CTS涂膜样本的形态随着储藏天数的增加保存比较完整,这也说明了壳聚糖涂层对草莓的货架期也会产生不同影响。故基于高光谱成像技术结合不同的数据处理方法可以实现壳聚糖涂膜草莓的SSC检测,为保鲜水果的品质检测提供了理论指导。（3）肥城桃品质可视化与成熟期高光谱成像检测,对七成熟和九成熟各80个肥城桃光谱信息及SSC和硬度进行了采集。采用CARS和SPA选取了特征波长,建立了多元线性回归（multiple linear regression,MLR）模型。结果分析发现,CARS-MLR模型性能较优,预测SSC的CARS-MLR模型,建模集精度2((8（8）=0.8191,预测集精度2=0.8439,预测集实测值标准偏差以及预测均方根误差的比值（ratio of standard deviation of the validation set to standard error of prediction,RPD）为2,预测硬度的CARS-MLR模型,2((8（8）=0.9518,2=0.8772,RPD=2.1。通过生成SSC可视化分布图,九成熟桃子表面以深黄色为主,SSC在1215°Brix范围内,七成熟桃子表面以浅黄色为主,SSC在1013°Brix范围内。在硬度可视化分布图中,九成熟桃子以浅绿色为主,硬度在38kg/cm2范围内,七成熟桃子以浅黄色和绿色为主,硬度在612kg/cm2范围内。通过顺序前向选择（sequential forward selected,SFS）算法提取特征波长3个（493nm、530nm、720nm）,以特征波段数据为输入,建立了人工神经网络（artificial neural network,ANN）成熟度判别模型,分类精度达98.3%,为采后桃子及其他水果品质在线检测设备的研制奠定了数据基础。