CN106841103A - 近红外光谱检测水果内部品质方法及专用检测*** - Google Patents
近红外光谱检测水果内部品质方法及专用检测*** Download PDFInfo
- Publication number
- CN106841103A CN106841103A CN201710117277.6A CN201710117277A CN106841103A CN 106841103 A CN106841103 A CN 106841103A CN 201710117277 A CN201710117277 A CN 201710117277A CN 106841103 A CN106841103 A CN 106841103A
- Authority
- CN
- China
- Prior art keywords
- sample
- near infrared
- spectrum
- data
- model
- 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 83
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 52
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 52
- 238000012360 testing method Methods 0.000 title claims abstract description 27
- 238000001228 spectrum Methods 0.000 claims abstract description 60
- 230000003595 spectral effect Effects 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012935 Averaging Methods 0.000 claims abstract description 5
- 238000013441 quality evaluation Methods 0.000 claims abstract description 5
- 238000000605 extraction Methods 0.000 claims abstract 2
- 239000000523 sample Substances 0.000 claims description 157
- 238000001514 detection method Methods 0.000 claims description 93
- 229910052736 halogen Inorganic materials 0.000 claims description 39
- 150000002367 halogens Chemical class 0.000 claims description 34
- 238000011161 development Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000004611 spectroscopical analysis Methods 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 11
- 239000013307 optical fiber Substances 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 11
- 229910052721 tungsten Inorganic materials 0.000 claims description 11
- 239000010937 tungsten Substances 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- -1 tungsten halogen Chemical class 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 239000000835 fiber Substances 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000002203 pretreatment Methods 0.000 claims description 4
- 229910052705 radium Inorganic materials 0.000 claims description 4
- HCWPIIXVSYCSAN-UHFFFAOYSA-N radium atom Chemical compound [Ra] HCWPIIXVSYCSAN-UHFFFAOYSA-N 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 239000000284 extract Substances 0.000 claims 1
- 239000004744 fabric Substances 0.000 claims 1
- 238000009434 installation Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 238000000513 principal component analysis Methods 0.000 abstract description 5
- 230000001066 destructive effect Effects 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 235000009120 camo Nutrition 0.000 description 3
- 244000213578 camo Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 235000012055 fruits and vegetables Nutrition 0.000 description 3
- 239000002932 luster Substances 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 241000219095 Vitis Species 0.000 description 2
- 235000009754 Vitis X bourquina Nutrition 0.000 description 2
- 235000012333 Vitis X labruscana Nutrition 0.000 description 2
- 235000014787 Vitis vinifera Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000002512 chemotherapy Methods 0.000 description 2
- 230000003930 cognitive ability Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003455 independent Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 239000002023 wood Substances 0.000 description 2
- NAOLWIGVYRIGTP-UHFFFAOYSA-N 1,3,5-trihydroxyanthracene-9,10-dione Chemical compound C1=CC(O)=C2C(=O)C3=CC(O)=CC(O)=C3C(=O)C2=C1 NAOLWIGVYRIGTP-UHFFFAOYSA-N 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- 229930014669 anthocyanidin Natural products 0.000 description 1
- 150000001452 anthocyanidin derivatives Chemical class 0.000 description 1
- 235000008758 anthocyanidins Nutrition 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000021022 fresh fruits Nutrition 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 239000003755 preservative agent Substances 0.000 description 1
- 230000002335 preservative effect Effects 0.000 description 1
- 239000007787 solid 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
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
近红外光谱检测水果内部品质方法，首先建立基于近红外光谱检测水果内部品质的预测模型；然后检测并与预测模型对比；得出针对待检测水果的内部品质评价结果；建立基于近红外光谱检测水果内部品质的预测模型的方法为：首先用光谱仪(10)采集样本表面的光谱信息，然后进行平均处理作为各种典型样本的光谱代表信息；然后进行预处理以便获得校正集样本光谱数据；再将校正集样本光谱中的信息数据进行主成分分析，提取特征信息数据；之后建模并完成预测结果的显示。本发明还要求保护近红外光谱检测水果内部品质的专用检测***。本发明分析速度快，非破坏性，操作简单，成本低，其具有可预期的较为巨大的经济和社会价值。
Description
技术领域
本发明涉及应用近红外光谱技术对农产品进行无损检测的应用技术领域，特别提供了一种近红外光谱检测水果内部品质方法及专用检测***。
背景技术
随着生活水平的不断提高，消费者在购买水果时，不仅关注大小、颜色和外形等外部品质，而且对口感、糖度和酸度等内部品质也提出了更高的要求。目前，对于水果内部品质的检测，大多采用人工感官评定和常规化学分析的方法。人工感官评定法，具有主观性强、评价标准不一等缺点而对于常规化学分析方法，虽然其具有检测准确度高和准确性强等优点，但其检测工作量大，检测时间长，并且需对样品进行破坏，这些都不适用于水果内部品质的快速无损检测。
国内外学者针对便携式苹果检测装置的设计也进行了大量研究。康志亮等人在2010年利用可见光近红外漫反射的原理，设计出一种基于微处理器的便携式受损水果检测装置，实现了对受损苹果与正常苹果的识别和分类。该作者以红富士苹果作为样本，通过对测试电压的分析，提出以标准差作为阈值的检测方法。经测试，该装置识别正确率达到90％以上。樊书祥等人在2014年设计了以ARM9处理器为核心、以微型光谱仪和自制果托作为光谱检测装置、以WinCE为操作***的便携式苹果糖度光谱检测仪。研究表明，该检测仪能较好地满足苹果糖度的快速无损检测。该研究为快速、便携的苹果糖度光谱检测仪设计提供了参考。Guidetti等人在2010年应用便携式可见―近红外光谱仪实验***(波长范围450nm-980nm)，结合偏最小二乘法PLS建模，对葡萄样品鲜果和质地均匀的果浆的成熟度指标(可溶性固形物(TSS)、可滴定酸度和pH值)和苯酚成熟度指标(花青素和多酚含量)进行了检测。研究结果表明：该便携式可见―近红外光谱仪可以作为一种快速无损检测葡萄相关品质的有效手段。美国Michael S.Wiederoder等人在2011年开发了可随身携带的高光谱成像***，用于检测食品处理设备上的污染物，该装置前端需架在三脚架上，电池、笔记本电脑及滤光器在后置背包中，增加了操作的复杂性。
人们迫切希望获得一种技术效果优良的近红外光谱检测水果内部品质方法及专用检测***。
发明内容
本发明的目的是提供一种技术效果优良的近红外光谱检测水果内部品质方法及专用检测***。为了克服目前国内外现有技术的缺陷，本发明特提供了一种基于近红外光谱技术的寒富苹果品质无损检测方法与***，技术关键是应用可见/近红外光谱技术，可快速、准确地采集被测寒富苹果表面的可见及近红外光谱图像信息，并对其进行分析，从而实现对寒富苹果品质快速无损检测。
本发明近红外光谱检测水果内部品质方法，其特征在于：首先建立基于近红外光谱检测水果内部品质的预测模型；然后针对待检测水果使用近红外光谱检测方法进行检测获得检测数据；将检测数据与在先准备的预测模型进行对比；得出针对待检测水果的内部品质评价结果；其中：建立基于近红外光谱检测水果内部品质的预测模型的方法对应的内容依次要求如下：
1)首先对已知糖度含量的各种典型的寒富苹果样品用光谱仪(10)采集寒富苹果样本表面的光谱信息，每个样本采集至少3个不同点的光谱信息，然后进行平均处理作为各种典型样本各自对应的光谱代表信息，寒富苹果光谱信息是寒富苹果在485.01-900.71nm波长中1231个波长点下的光谱反射率；
2)对所述步骤1)所得寒富苹果样本光谱数据进行预处理；在原始光谱曲线中，在波长的两端，光谱数据所掺杂的噪声较多，信噪比较低，为了提高所建立模型的准确性，选取485.01-900.71nm波长下的光谱反射率数据进行预处理和建模；采集到样本可见近红外光谱数据导入Unscrambler9.7(美国CAMO公司的化学计量学软件)中，应用此软件对光谱数据分别进行消噪预处理，具体是移动平均线(Moving average，MA)和多项式卷积平滑法(Savitzky-Golay，SG)；光程校正预处理为：多元散射校正(Multiplicative ScatterCorrection,MSC)，标准正态变量变换(Standard Normal Variate Correction，SNV)和矢量归一化(Vector Normalization，VN))和微分预处理以便获得校正集样本光谱数据；
3)将所述步骤2)预处理后的校正集样本光谱中的信息数据进行偏最小二乘法分析；(偏最小二乘法是多元统计数据分析方法，1983年阿巴诺(C.Albano)和伍德(S.Wold)等人第一次提出该算法；近年来，其在方法和理论方向发展迅速，应用越来越广泛；它能够将认识性的方法和模型式的方法有机的整合起来了，在同一算法下，能够同时完成数据结构简化(主成分分析)、回归建模(多元线性回归)以及XY变量之间的相关性分析(典型相关分析)，即偏最小二乘法≈多元线性回归+主成分分析+典型相关分析；偏最小二乘法是一种多因变量对应多自变量的回归建模方法，它应用分别对变量X和Y都进行分解的方法，首先在变量Y和X中分别提取各自的主成分(通常称为因子)，再将提取的因子根据二者之间的相关性大小进行排列；所以，在建立模型时，只要对因子数进行选定，就能够参与建模了；其公式如下：
X＝TPT+E
Y＝UQT+F
式中，T＝[t1，t2，...，tn]和P＝[p1，p2，...，pn]分别为X的得分矩阵和载荷矩阵；U＝[u1，u2，...，un]和Q＝[q1，q2，...，qn]分别为Y的得分矩阵和载荷矩阵；E＝[e1，e2，...，en]T和F＝[f1，f2，...，fn]T分别为X和Y的残差矩阵；T和U之间由系数矩阵B来关联，
U＝TB
B＝(TTT)-1TTY
对于预测样品的矩阵X*，由载荷矩阵P得到得分矩阵T*＝X*P，通过式2-12和式2-13迭代便可以得出预测样品相关内部品质的预测值Y*为：
Y*＝T*BQ＝X*PBQ)；
4)模型的建立：
根据所述步骤2)、3)将得到预处理后的数据应用偏最小二乘法进行建模并记录各模型下的模型衡量指标，最适合的光谱数据预处理方法为多元散射校正结合二阶微分；以建模集40个样本为研究对象，建立样本的糖度的可见近红外光谱预测模型；其糖度模型公式为：
Y＝11.3628+(-9.2609)X1+0.0031X2+(-0.0284)X3+…+
(-0.0003)X1230+(-9.2609)X1231 (2)
式中Y—苹果样品的糖度值，°Brix
X1…X1231—寒富苹果光谱信息1231个波长点下的光谱反射率
再利用此模型对检验集20个样本进行预测，得到建模集、检验集样本品质测量值与预测值结果对比；
20个苹果样本的检测值与真实值对比如图6所示。
根据20个苹果样本的检测值与真实值的统计结果建立绝对偏差分布图，如图7所示。
由图6和图7可知，绝大多数样本的预测值和测量值的绝对偏差值均在0.15以内，绝对偏差值很小，满足在果蔬检测中的实际生产要求，所以此模型可应用于寒富苹果糖度的实际检测；
5)预测模型显示：
对所述步骤4)所建立模型进行分析，所得预测模型预测精度较高，预测可靠，满足苹果品质检测要求，且可得到寒富苹果糖度组合预测PLS(PLS即组合预测：偏最小二乘法)预测模型表达式，并最终在输入预测集样品光谱数据后，完成预测结果的显示。
所述近红外光谱检测水果内部品质方法，其特征在于：针对已知糖度含量的各种典型的寒富苹果样品，用近红外光谱仪采集寒富苹果样本表面的光谱信息获得各种样本的光谱代表信息之后还需对光谱代表信息进行下述预处理：将寒富苹果光谱数据导入软件Unscrambler9.7中，进行样本糖度数据的预处理，各种预处理方法如表2所示：
表2样本糖度数据预处理方法统计表
数学模型的建立后，需要有各项指标对模型的准确性、可靠性、稳定性和预测能力等指标作出衡量和评价，判定系数R2，校正均方根误差RMSEC，预测均方根误差RMSEP，偏离率Bias；判定系数R2越高，RMSEP≤RMSEC时，说明所建模型预测效果最佳；由表2分析得知品质数据最佳预处理办法，苹果糖度的最佳光谱数据预处理方法为多元散射校正结合二阶微分(MSC+SD)。
按照权利要求1或2所述近红外光谱检测水果内部品质方法，其特征在于：所述近红外光谱检测水果内部品质方法使用专用检测***，专用检测***的构成如下：
主要有光谱仪10、飞凌OK6410-A开发板3、卤素灯光源4、移动电源5，光纤探头7、降压模块9、装置外箱1；其中：电源5连接着卤素灯光源4以便为卤素灯光源4供电；电源5供入电压为24V；卤素灯光源4与检测探头7通过电路进行连接，以为检测探头7供电；电源5还通过降压模块9连接着光谱仪10以便为光谱仪10供电；降压模块9的具体把24V电压转换为5V；光谱仪10还与飞凌OK-6410A开发板3连接，以便为飞凌OK6410-A开发板3供电；其他装置都布置在装置外箱1上。
所述近红外光谱检测水果内部品质方法的专用检测***还满足如下要求：光谱仪10具体为可见/近红外光谱仪，具体购自美国海洋公司，用来对苹果的光谱信息进行采集，它采用索尼Sony公司的第二代ILX511B CCD(其中，ILX511B CCD为2048像素线性图像传感器)，波长范围350-1000nm；波长分辨率在0.3-10nm之间，信噪比250:1，最快采样速度是1ms；
USB2000+光谱仪由USB数据线接口与飞凌OK6410-A开发板3即ARM11处理器连接；
飞凌OK6410-A开发板3具体是基于三星(SUMSUNG)公司的ARM11处理器，同时核心板ARM11处理器搭载S3C6410芯片，底板设置有各种***电路，S3C6410是SUMSUNG(三星)公司基于ARM 1176的16/32位的高性能低功耗的RISC(Reduced Instruction Set Computer)通用处理器,适用于移动、手持等终端设备；S3C6410的***电路主要由USB接口电路、SD接口电路、电压转换电路、蜂鸣器以及LCD触摸屏等构成；USB接口电路用于飞凌OK6410-A开发板3和光谱仪10之间的通信，LCD触摸屏用于对整个检测过程的控制和信息的输出、显示，SD接口电路用来对光谱数据和糖度、酸度的存储；
卤素灯光源4为SPL-HL系列卤钨灯，其型号为SPL-HL-H，产自杭州谱镭光电技术有限公司，其为一款精密型光纤耦合输出卤钨灯，其波长范围覆盖了可见光-近红外光(VIS-NIR)，波长为360-2500nm；高效优化的光学设计使得卤钨灯具备低功耗高亮度输出优点，而优化的稳压电路设计，确保了卤钨灯光源的稳光谱输出，其输出稳定性达0.2％；
移动电源5的输出电压为24V，其为整个装置的供电时间约2小时，可为光源提供稳定、长久的电压，满足室外检测的需求；
所用检测探头包括探头罩、光纤接口、光纤接口固定座三部分；
另外，在降压模块9上粘贴有散热片，达到为降压模块9散热以及整个装置***散热的目的，且整个装置外箱1处于开放状态，这样可以大幅度地对整个装置***进行散热；
本发明***用飞凌OK6410-A开发板代替典型检测***中的计算机，且本发明***用移动电源对整个装置进行供电，供电时间较长，可用于室外检测的使用。
本发明还要求保护近红外光谱检测水果内部品质的专用检测***，其特征在于：所述近红外光谱检测水果内部品质的专用检测***的构成如下：
主要有USB2000+可见/光谱仪10、飞凌OK6410-A开发板3、卤素灯光源4、移动电源5，光纤探头7、降压模块9、装置外箱1；其中：电源5连接着卤素灯光源4以便为卤素灯光源4供电；电源5供入电压为24V；卤素灯光源4与检测探头7通过电路进行连接，以为检测探头7供电；电源5还通过降压模块9连接着光谱仪10以便为光谱仪10供电；降压模块9的具体把24V电压转换为5V；光谱仪10还与飞凌OK-6410A开发板3连接，以便为飞凌OK6410-A开发板3供电；其他装置都布置在装置外箱1上。
所述近红外光谱检测水果内部品质的专用检测***还满足如下要求：光谱仪10具体为可见/近红外光谱仪，具体购自美国海洋公司，用来对苹果的光谱信息进行采集，它采用索尼Sony公司的第二代ILX511B CCD(其中，ILX511B CCD为2048像素线性图像传感器)，波长范围350-1000nm；波长分辨率在0.3-10nm之间，信噪比250:1，最快采样速度是1ms；
USB2000+光谱仪由USB数据线接口与飞凌OK6410-A开发板3即ARM11处理器连接；
飞凌OK6410-A开发板3具体是基于三星(SUMSUNG)公司的ARM11处理器，同时核心板ARM11处理器搭载S3C6410芯片，底板设置有各种***电路，S3C6410是SUMSUNG(三星)公司基于ARM 1176的16/32位的高性能低功耗的RISC(Reduced Instruction Set Computer)通用处理器,适用于移动、手持等终端设备；S3C6410的***电路主要由USB接口电路、SD接口电路、电压转换电路、蜂鸣器以及LCD触摸屏等构成；USB接口电路用于飞凌OK6410-A开发板3和光谱仪10之间的通信，LCD触摸屏用于对整个检测过程的控制和信息的输出、显示，SD接口电路用来对光谱数据和糖度、酸度的存储；
卤素灯光源4为SPL-HL系列卤钨灯，其型号为SPL-HL-H，产自杭州谱镭光电技术有限公司，其为一款精密型光纤耦合输出卤钨灯，其波长范围覆盖了可见光-近红外光(VIS-NIR)，波长为360-2500nm；高效优化的光学设计使得卤钨灯具备低功耗高亮度输出优点，而优化的稳压电路设计，确保了卤钨灯光源的稳光谱输出，其输出稳定性达0.2％；
移动电源5的输出电压为24V，其为整个装置的供电时间约2小时，可为光源提供稳定、长久的电压，满足室外检测的需求；
所用检测探头包括探头罩、光纤接口、光纤接口固定座三部分；
另外，在降压模块9上粘贴有散热片，达到为降压模块9散热以及整个装置***散热的目的，且整个装置外箱1处于开放状态，这样可以大幅度地对整个装置***进行散热；
本发明***用飞凌OK6410-A开发板代替典型检测***中的计算机，且本发明***用移动电源对整个装置进行供电，供电时间较长，可用于室外检测的使用。
如图1、图3所示，本发明***的工作原理为：将寒富苹果样品放在光纤探头7的检测位置，卤素灯光源4照射被检测的样品，从样品中透过的光经光纤探头7和光纤传给光谱仪10，光谱仪通过串口把数据传送给ARM11嵌入式主板处理***进行处理，并将结果显示在LED触摸屏上。
如图2所示，其检测***工作过程为：开始检测前，先对刚购入的寒富苹果样品清洗并编写苹果样品信息及产地，然后打开装置电源，启动***硬件(开发板、光源)，光源预热3分钟。光源的光谱强度达到稳定后开始检测，同时，选择光谱仪的设置参数(平滑度、积分时间、采样次数)。然后把检测探头靠近寒富苹果样品表面，再按下操作界面的开始检测按钮，光谱仪采集寒富苹果样品光谱数据，并把检测到的数据输入到内嵌的数学模型进行预测分析，返回检测参数及等级信息，输出到界面上。
本发明提出的一种近红外光谱无损检测寒富苹果内部品质的软件***，是在ARM11内嵌的WinCE6.0***上，采用VS2005编程工具，设计出人性化的软件***，完成光谱仪参数设置、采集暗光谱、去除暗光谱、存储参考光谱、样品光谱数据采集和存储，并把采集到的光谱数据载入到软件模型方程中，计算出样品的糖度值，并在屏幕上显示出检测结果。软件在编写、调试无误后，交叉编译到便携式装置ARM11板中，在WinCE6.0***下运行该软件，其效果如图5所示。
本发明选用购于沈阳农业大学院内水果超市的“寒富苹果”，为保证样本的代表性和丰富性，统一选取无明显缺陷、色泽统一、储藏时间较为接近，使用游标卡尺挑选直径范围在70-100mm之间的苹果样本。
应用台湾LINK便携式RHB-080型手持折光糖度仪测量样本糖度测定样品中的糖度含量，以这批样品作为建立数学模型的校正集来建立数学模型，提出了一种利用寒富苹果的近红外光谱中包含样品的主要成分及测量的信息测定其糖度含量的方法，该方法应用化学计量学方法对寒富苹果近红外光谱和糖度含量进行关联研究，可以确定这两者之间的定性或定量关系，即预测模型。
建立预测模型后，只要测量出未知样品的近红外光谱，根据预测模型就可以确定寒富苹果的糖度含量。该方法具有分析速度快、分析效率高，不使用任何化学试剂，分析成本低，且对环境不造成任何污染的优点。
应用可见/近红外光谱技术检测水果品质是国内外农产品科学研究的热点之一，一个典型的检测***通常由暗箱、光谱仪、计算机、光源、检测探头等组成。现有技术中相关的检测***通常可以计算机作为处理平台，存在体积大、不便于在室外操作，移动不方便等缺点。
而本发明基于嵌入式***和可见/近红外光谱检测技术，以ARM11(advanced RISCmachines)处理器为核心，以卤素灯光源4和USB2000+可见/近红外光谱仪为光谱检测装置的核心部分，在ARM11内嵌的WinCE6.0***上，采用vs2005编程工具，设计出人机交互界面；同时，利用飞凌OK6410-A开发板代替实验室计算机来进行数据处理，利用移动电源对其整个装置***进行长时间供电，使该检测***体积大幅度减小，可在室外长时间操作，达到嵌入式和便携式目的。
本发明基于近红外光谱技术，具有分析速度快、非破坏性、样品无需预处理，可以实现对多组分同时测定，以及低成本和操作简单等优点。其具有可预期的较为巨大的经济价值和社会价值。
附图说明
下面结合附图及实施方式对本发明作进一步详细的说明：
图1为检测***工作原理框图；
图2为寒富苹果检测流程图；
图3为检测***硬件构成原理示意简图；
图4装置软件***界面；
图5为样本可见/近红外光漫反射率光谱图；
图6为20个苹果样本的糖度检测值与真实值对比图；
图7为根据20个苹果样本的检测值与真实值的统计结果建立的绝对偏差分布图。
具体实施方式
附图标记含义如下：1-外箱；2-LED触摸屏；3-开发板主板；4-卤素灯光源；5-电源；6-散热片；7-检测探头；8-光纤；9-降压模块；10-近红外光谱仪。
实施例1
近红外光谱检测水果内部品质方法：首先建立基于近红外光谱检测水果内部品质的预测模型；然后针对待检测水果使用近红外光谱检测方法进行检测获得检测数据；将检测数据与在先准备的预测模型进行对比；得出针对待检测水果的内部品质评价结果；其中：建立基于近红外光谱检测水果内部品质的预测模型的方法对应的内容依次要求如下：
1)首先对已知糖度含量的各种典型的寒富苹果样品用光谱仪(10)采集寒富苹果样本表面的光谱信息，每个样本采集至少3个不同点的光谱信息，然后进行平均处理作为各种典型样本各自对应的光谱代表信息，寒富苹果光谱信息是寒富苹果在485.01-900.71nm波长中1231个波长点下的光谱反射率；
2)对所述步骤1)所得寒富苹果样本光谱数据进行预处理；在原始光谱曲线中，在波长的两端，光谱数据所掺杂的噪声较多，信噪比较低，为了提高所建立模型的准确性，选取485.01-900.71nm波长下的光谱反射率数据进行预处理和建模；采集到样本可见近红外光谱数据导入Unscrambler9.7(美国CAMO公司的化学计量学软件)中，应用此软件对光谱数据分别进行消噪预处理，具体是移动平均线(Moving average，MA)和多项式卷积平滑法(Savitzky-Golay，SG)；光程校正预处理为：多元散射校正(Multiplicative ScatterCorrection,MSC)，标准正态变量变换(Standard Normal Variate Correction，SNV)和矢量归一化(Vector Normalization，VN))和微分预处理以便获得校正集样本光谱数据；
3)将所述步骤2)预处理后的校正集样本光谱中的信息数据进行偏最小二乘法分析；(偏最小二乘法是多元统计数据分析方法，1983年阿巴诺(C.Albano)和伍德(S.Wold)等人第一次提出该算法；近年来，其在方法和理论方向发展迅速，应用越来越广泛；它能够将认识性的方法和模型式的方法有机的整合起来了，在同一算法下，能够同时完成数据结构简化(主成分分析)、回归建模(多元线性回归)以及XY变量之间的相关性分析(典型相关分析)，即偏最小二乘法≈多元线性回归+主成分分析+典型相关分析；偏最小二乘法是一种多因变量对应多自变量的回归建模方法，它应用分别对变量X和Y都进行分解的方法，首先在变量Y和X中分别提取各自的主成分(通常称为因子)，再将提取的因子根据二者之间的相关性大小进行排列；所以，在建立模型时，只要对因子数进行选定，就能够参与建模了；其公式如下：
X＝TPT+E
Y＝UQT+F
式中，T＝[t1，t2，...，tn]和P＝[p1，p2，...，pn]分别为X的得分矩阵和载荷矩阵；U＝[u1，u2，...，un]和Q＝[q1，q2，...，qn]分别为Y的得分矩阵和载荷矩阵；E＝[e1，e2，...，en]T和F＝[f1，f2，...，fn]T分别为X和Y的残差矩阵；T和U之间由系数矩阵B来关联，
U＝TB
B＝(TTT)-1TTY
对于预测样品的矩阵X*，由载荷矩阵P得到得分矩阵T*＝X*P，通过式2-12和式2-13迭代便可以得出预测样品相关内部品质的预测值Y*为：
Y*＝T*BQ＝X*PBQ)；
4)模型的建立：
根据所述步骤2)、3)将得到预处理后的数据应用偏最小二乘法进行建模并记录各模型下的模型衡量指标，最适合的光谱数据预处理方法为多元散射校正结合二阶微分；以建模集40个样本为研究对象，建立样本的糖度的可见近红外光谱预测模型；其糖度模型公式为：
Y＝11.3628+(-9.2609)X1+0.0031X2+(-0.0284)X3+…+
(-0.0003)X1230+(-9.2609)X1231 (2)
式中Y—苹果样品的糖度值，°Brix
X1…X1231—寒富苹果光谱信息1231个波长点下的光谱反射率
再利用此模型对检验集20个样本进行预测，得到建模集、检验集样本品质测量值与预测值结果对比；
20个苹果样本的检测值与真实值对比如图6所示。
根据20个苹果样本的检测值与真实值的统计结果建立绝对偏差分布图，如图7所示。
由图6和图7可知，绝大多数样本的预测值和测量值的绝对偏差值均在0.15以内，绝对偏差值很小，满足在果蔬检测中的实际生产要求，所以此模型可应用于寒富苹果糖度的实际检测；
5)预测模型显示：
对所述步骤4)所建立模型进行分析，所得预测模型预测精度较高，预测可靠，满足苹果品质检测要求，且可得到寒富苹果糖度组合预测PLS(PLS即组合预测：偏最小二乘法)预测模型表达式，并最终在输入预测集样品光谱数据后，完成预测结果的显示。
针对已知糖度含量的各种典型的寒富苹果样品，用近红外光谱仪采集寒富苹果样本表面的光谱信息获得各种样本的光谱代表信息之后还需对光谱代表信息进行下述预处理：将寒富苹果光谱数据导入软件Unscrambler9.7中，进行样本糖度数据的预处理，各种预处理方法如表2所示：
表2样本糖度数据预处理方法统计表
数学模型的建立后，需要有各项指标对模型的准确性、可靠性、稳定性和预测能力等指标作出衡量和评价，判定系数R2，校正均方根误差RMSEC，预测均方根误差RMSEP，偏离率Bias；判定系数R2越高，RMSEP≤RMSEC时，说明所建模型预测效果最佳；由表2分析得知品质数据最佳预处理办法，苹果糖度的最佳光谱数据预处理方法为多元散射校正结合二阶微分(MSC+SD)。
所述近红外光谱检测水果内部品质方法使用专用检测***，专用检测***的构成如下：
主要有光谱仪10、飞凌OK6410-A开发板3、卤素灯光源4、移动电源5，光纤探头7、降压模块9、装置外箱1；其中：电源5连接着卤素灯光源4以便为卤素灯光源4供电；电源5供入电压为24V；卤素灯光源4与检测探头7通过电路进行连接，以为检测探头7供电；电源5还通过降压模块9连接着光谱仪10以便为光谱仪10供电；降压模块9的具体把24V电压转换为5V；光谱仪10还与飞凌OK-6410A开发板3连接，以便为飞凌OK6410-A开发板3供电；其他装置都布置在装置外箱1上。
所述近红外光谱检测水果内部品质方法的专用检测***还满足如下要求：光谱仪10具体为可见/近红外光谱仪，具体购自美国海洋公司，用来对苹果的光谱信息进行采集，它采用索尼Sony公司的第二代ILX511B CCD(其中，ILX511B CCD为2048像素线性图像传感器)，波长范围350-1000nm；波长分辨率在0.3-10nm之间，信噪比250:1，最快采样速度是1ms；
USB2000+光谱仪由USB数据线接口与飞凌OK6410-A开发板3即ARM11处理器连接；
飞凌OK6410-A开发板3具体是基于三星(SUMSUNG)公司的ARM11处理器，同时核心板ARM11处理器搭载S3C6410芯片，底板设置有各种***电路，S3C6410是SUMSUNG(三星)公司基于ARM 1176的16/32位的高性能低功耗的RISC(Reduced Instruction Set Computer)通用处理器,适用于移动、手持等终端设备；S3C6410的***电路主要由USB接口电路、SD接口电路、电压转换电路、蜂鸣器以及LCD触摸屏等构成；USB接口电路用于飞凌OK6410-A开发板3和光谱仪10之间的通信，LCD触摸屏用于对整个检测过程的控制和信息的输出、显示，SD接口电路用来对光谱数据和糖度、酸度的存储；
卤素灯光源4为SPL-HL系列卤钨灯，其型号为SPL-HL-H，产自杭州谱镭光电技术有限公司，其为一款精密型光纤耦合输出卤钨灯，其波长范围覆盖了可见光-近红外光(VIS-NIR)，波长为360-2500nm；高效优化的光学设计使得卤钨灯具备低功耗高亮度输出优点，而优化的稳压电路设计，确保了卤钨灯光源的稳光谱输出，其输出稳定性达0.2％；
移动电源5的输出电压为24V，其为整个装置的供电时间约2小时，可为光源提供稳定、长久的电压，满足室外检测的需求；
所用检测探头包括探头罩、光纤接口、光纤接口固定座三部分；
另外，在降压模块9上粘贴有散热片，达到为降压模块9散热以及整个装置***散热的目的，且整个装置外箱1处于开放状态，这样可以大幅度地对整个装置***进行散热；
本实施例***用飞凌OK6410-A开发板代替典型检测***中的计算机，且本实施例***用移动电源对整个装置进行供电，供电时间较长，可用于室外检测的使用。
如图1、图3所示，本实施例***的工作原理为：将寒富苹果样品放在光纤探头7的检测位置，卤素灯光源4照射被检测的样品，从样品中透过的光经光纤探头7和光纤传给光谱仪10，光谱仪通过串口把数据传送给ARM 11嵌入式主板处理***进行处理，并将结果显示在LED触摸屏上。
如图2所示，其检测***工作过程为：开始检测前，先对刚购入的寒富苹果样品清洗并编写苹果样品信息及产地，然后打开装置电源，启动***硬件(开发板、光源)，光源预热3分钟。光源的光谱强度达到稳定后开始检测，同时，选择光谱仪的设置参数(平滑度、积分时间、采样次数)。然后把检测探头靠近寒富苹果样品表面，再按下操作界面的开始检测按钮，光谱仪采集寒富苹果样品光谱数据，并把检测到的数据输入到内嵌的数学模型进行预测分析，返回检测参数及等级信息，输出到界面上。
本实施例提出的一种近红外光谱无损检测寒富苹果内部品质的软件***，是在ARM11内嵌的WinCE6.0***上，采用VS2005编程工具，设计出人性化的软件***，完成光谱仪参数设置、采集暗光谱、去除暗光谱、存储参考光谱、样品光谱数据采集和存储，并把采集到的光谱数据载入到软件模型方程中，计算出样品的糖度值，并在屏幕上显示出检测结果。软件在编写、调试无误后，交叉编译到便携式装置ARM11板中，在WinCE6.0***下运行该软件，其效果如图5所示。
本实施例选用购于沈阳农业大学院内水果超市的“寒富苹果”，为保证样本的代表性和丰富性，统一选取无明显缺陷、色泽统一、储藏时间较为接近，使用游标卡尺挑选直径范围在70-100mm之间的苹果样本。
应用台湾LINK便携式RHB-080型手持折光糖度仪测量样本糖度测定样品中的糖度含量，以这批样品作为建立数学模型的校正集来建立数学模型，提出了一种利用寒富苹果的近红外光谱中包含样品的主要成分及测量的信息测定其糖度含量的方法，该方法应用化学计量学方法对寒富苹果近红外光谱和糖度含量进行关联研究，可以确定这两者之间的定性或定量关系，即预测模型。
建立预测模型后，只要测量出未知样品的近红外光谱，根据预测模型就可以确定寒富苹果的糖度含量。该方法具有分析速度快、分析效率高，不使用任何化学试剂，分析成本低，且对环境不造成任何污染的优点。
应用可见/近红外光谱技术检测水果品质是国内外农产品科学研究的热点之一，一个典型的检测***通常由暗箱、光谱仪、计算机、光源、检测探头等组成。现有技术中相关的检测***通常可以计算机作为处理平台，存在体积大、不便于在室外操作，移动不方便等缺点。
而本实施例基于嵌入式***和可见/近红外光谱检测技术，以ARM11(advancedRISC machines)处理器为核心，以卤素灯光源4和USB2000+可见/近红外光谱仪为光谱检测装置的核心部分，在ARM11内嵌的WinCE6.0***上，采用vs2005编程工具，设计出人机交互界面；同时，利用飞凌OK6410-A开发板代替实验室计算机来进行数据处理，利用移动电源对其整个装置***进行长时间供电，使该检测***体积大幅度减小，可在室外长时间操作，达到嵌入式和便携式目的。
本实施例基于近红外光谱技术，具有分析速度快、非破坏性、样品无需预处理，可以实现对多组分同时测定，以及低成本和操作简单等优点。其具有可预期的较为巨大的经济价值和社会价值。
实施例2
1.试验材料：试验样品为“寒富苹果”，产自辽宁省沈阳市，采自沈阳农业大学科研实验基地。样本数量为60个，为保证样本的代表性和丰富性，统一选取无明显缺陷、色泽统一的苹果样本。使用游标卡尺挑选直径范围在70-100mm之间的样本，将60个样本分为建模集40个和检验集20个。采摘当天带回实验室，将其清洗擦干，编号、标记后用0.2mm聚乙烯塑料保鲜膜包装，放在(0±0.5)℃冷藏室中贮藏备用。试验前从冷藏室中取出，放置5h，使样本整体温度与试验环境(温度为21℃、相对湿度为19％)保持一致。
2.光谱数据采集：打开检测***电源，预热3分钟，设置***检测参数，积分时间是100ms，平均次数为2，平滑度为6。将标准校正黑参考板放置在检测探头上，采集暗光谱，然后放置标准校正白板，采集参考光谱。再把检测探头放置在苹果表面，对寒富苹果样本进行采集，为了得到更具代表性的信息，应对苹果阴阳面都进行照射并按比例进行采集。每个样本采集3个不同点的光谱信息然后进行平均处理作为该光谱的代表信息，样本可见/近红外光漫反射率光谱图如图5所示。光谱反射率计算公式为：
式中：Rλ—波长λ下该苹果样品光谱反射率；
Sλ—波长λ下该苹果样品所反射的光谱强度；
Dλ—暗光谱的光谱强度；
RWλ—参考光谱的光谱强度。
3.苹果品质物理化学方法标定：苹果品质包括果形大小、颜色、气味、营养物质含量、褐变程度、可食率等几个指标。试验中主要选取糖度作为寒富苹果化学品质评价指标。按照国家标准GB/T10651-2008(鲜苹果)，应用台湾LINK便携式RHB-080型手持折光糖度仪测量样本糖度。试验中取样部位均为样本光谱采集区域。测定结果如表1所示。
表1寒富苹果糖酸脆度化学值的统计表
4.光谱数据预处理
在原始光谱曲线中，在波长的两端，光谱数据所掺杂的噪声较多，信噪比较低，为了提高要建立模型的准确性，选取485.01-900.71nm波长下的光谱反射率数据进行预处理和建模。采集到样本可见近红外光谱数据导入Unscrambler9.7(美国CAMO公司)中，定量分析光谱信息，确定适合苹果品质信息的预处理方法，建立糖度数学模型。
对于样本糖度，不同的光谱数据预处理方法，得到的偏最小二乘法(PLS)数学建模结果不同。综合各模型评价指标结果，发现多元散射校正结合二阶微分的光谱数据预处理方法决定系数(0.9908)更高，校正均方根误差(0.1242)和预测均方根误差(0.1189)相对较小，且RMSEP(0.1189)<RMSEC(0.1242)。说明对于糖度品质，最适合的光谱数据预处理方法为多元散射校正结合二阶微分。
表2样本糖度数据预处理方法统计表
样本糖度品质预测模型，决定系数R2＝0.9852，预测均方根误差RMSEP(0.0958)<校正均方根误差RMSEC(0.1172)，偏差值Bias＝-0.0133。可知，该预测模型预测结果合理，预测精度相对理想。试验以建模集40个样本为研究对象，建立样本的糖度可见/近红外光谱预测模型，再利用此模型对检验集20个样本预测。
表3检验集样本糖度真实值与预测值统计表
绝大多数样本的预测值和测量值的绝对偏差值均在0.15以内，绝对偏差值很小，满足在果蔬检测中的实际生产要求，所以此模型可应用于寒富苹果糖度的实际检测。
Claims (6)
1.近红外光谱检测水果内部品质方法，其特征在于：首先建立基于近红外光谱检测水果内部品质的预测模型；然后针对待检测水果使用近红外光谱检测方法进行检测获得检测数据；将检测数据与在先准备的预测模型进行对比；得出针对待检测水果的内部品质评价结果；其中：建立基于近红外光谱检测水果内部品质的预测模型的方法对应的内容依次要求如下：
1)首先对已知糖度含量的各种典型的寒富苹果样品用光谱仪(10)采集寒富苹果样本表面的光谱信息，每个样本采集至少3个不同点的光谱信息，然后进行平均处理作为各种典型样本各自对应的光谱代表信息，寒富苹果光谱信息是寒富苹果在485.01-900.71nm波长中1231个波长点下的光谱反射率；
2)对所述步骤1)所得寒富苹果样本光谱数据进行预处理；在原始光谱曲线中，在波长的两端，光谱数据所掺杂的噪声较多，信噪比较低，为了提高所建立模型的准确性，选取485.01-900.71nm波长下的光谱反射率数据进行预处理和建模；采集到样本可见近红外光谱数据导入Unscrambler9.7中，应用此软件对光谱数据分别进行消噪预处理，具体是移动平均线和多项式卷积平滑法；光程校正预处理为：多元散射校正，标准正态变量变换和矢量归一化和微分预处理以便获得校正集样本光谱数据；
3)将所述步骤2)预处理后的校正集样本光谱中的信息数据进行偏最小二乘法分析；它应用分别对变量X和Y都进行分解的方法，首先在变量Y和X中分别提取各自的主成分，再将提取的因子根据二者之间的相关性大小进行排列；所以，在建立模型时，只要对因子数进行选定，就能够参与建模了；其公式如下：
X＝TPT+E
Y＝UQT+F
式中，T＝[t1，t2，...，tn]和P＝[p1，p2，...，pn]分别为X的得分矩阵和载荷矩阵；U＝[u1，u2，...，un]和Q＝[q1，q2，...，qn]分别为Y的得分矩阵和载荷矩阵；E＝[e1，e2，...，en]T和F＝[f1，f2，...，fn]T分别为X和Y的残差矩阵；T和U之间由系数矩阵B来关联，
U＝TB
B＝(TTT)-1TTY
对于预测样品的矩阵X*，由载荷矩阵P得到得分矩阵T*＝X*P，通过式2-12和式2-13迭代便可以得出预测样品相关内部品质的预测值Y*为：
Y*＝T*BQ＝X*PBQ)；
4)模型的建立：
根据所述步骤2)、3)将得到预处理后的数据应用偏最小二乘法进行建模并记录各模型下的模型衡量指标，以建模集样本为研究对象，建立样本的糖度的可见近红外光谱预测模型；其糖度模型公式为：
Y＝11.3628+(-9.2609)X1+0.0031X2+(-0.0284)X3+…+
(-0.0003)X1230+(-9.2609)X1231 (2)
式中Y—苹果样品的糖度值，°Brix
X1…X1231—寒富苹果光谱信息1231个波长点下的光谱反射率
再利用此模型对检验集样本进行预测，得到建模集、检验集样本品质测量值与预测值结果对比；
5)预测模型显示：
对所述步骤4)所建立模型进行分析，得到寒富苹果糖度组合预测偏最小二乘法PLS(PLS即组合预测：偏最小二乘法)预测模型表达式，并最终在输入预测集样品光谱数据后，完成预测结果的显示。
2.按照权利要求1所述近红外光谱检测水果内部品质方法，其特征在于：针对已知糖度含量的各种典型的寒富苹果样品，用近红外光谱仪采集寒富苹果样本表面的光谱信息获得各种样本的光谱代表信息之后还需对光谱代表信息进行下述预处理：将寒富苹果光谱数据导入软件Unscrambler9.7中，进行样本糖度数据的预处理，各种预处理方法如表2所示：
表2 样本糖度数据预处理方法统计表
数学模型的建立后，需要有各项指标对模型的准确性、可靠性、稳定性和预测能力等指标作出衡量和评价，判定系数R2，校正均方根误差RMSEC，预测均方根误差RMSEP，偏离率Bias；判定系数R2越高，RMSEP≤RMSEC时，说明所建模型预测效果最佳；由表2分析得知品质数据最佳预处理办法，苹果糖度的最佳光谱数据预处理方法为多元散射校正结合二阶微分(MSC+SD)。
3.按照权利要求1或2所述近红外光谱检测水果内部品质方法，其特征在于：所述近红外光谱检测水果内部品质方法使用专用检测***，专用检测***的构成如下：
光谱仪(10)、飞凌OK6410-A开发板(3)、卤素灯光源(4)、移动电源(5)，光纤探头(7)、降压模块(9)、装置外箱(1)；其中：电源(5)连接着卤素灯光源(4)；电源(5)供入电压为24V；卤素灯光源(4)与检测探头(7)通过电路进行连接，以为检测探头(7)供电；电源(5)还通过降压模块(9)连接着光谱仪(10)光谱仪(10)还与飞凌OK-6410A开发板(3)连接；其他装置都布置在装置外箱(1)上。
4.按照权利要求3所述近红外光谱检测水果内部品质方法，其特征在于：所述近红外光谱检测水果内部品质方法的专用检测***还满足如下要求：
光谱仪(10)具体为可见/近红外光谱仪，采用索尼公司的第二代线性图像传感器，波长范围350-1000nm；波长分辨率在0.3-10nm之间，信噪比250:1，最快采样速度是1ms；
USB2000+光谱仪由USB数据线接口与飞凌OK6410-A开发板(3)连接；
飞凌OK6410-A开发板(3)具体是基于三星公司的ARM11处理器，同时核心板ARM11处理器搭载S3C6410芯片，S3C6410的***电路由USB接口电路、SD接口电路、电压转换电路、蜂鸣器以及LCD触摸屏构成；USB接口电路用于飞凌OK6410-A开发板(3)和光谱仪(10)之间的通信，LCD触摸屏用于对整个检测过程的控制和信息的输出、显示，SD接口电路用来对光谱数据和糖度、酸度的存储；
卤素灯光源(4)为SPL-HL系列精密型光纤耦合输出卤钨灯，其波长范围覆盖了可见光-近红外光(VIS-NIR)，波长为360-2500nm；
另外，在降压模块(9)上粘贴有散热片。
5.近红外光谱检测水果内部品质方法的专用检测***，其特征在于：所述近红外光谱检测水果内部品质的专用检测***的构成如下：
光谱仪(10)、飞凌OK6410-A开发板(3)、卤素灯光源(4)、移动电源(5)，光纤探头(7)、降压模块(9)、装置外箱(1)；其中：电源(5)连接着卤素灯光源(4)；电源(5)供入电压为24V；卤素灯光源(4)与检测探头(7)通过电路进行连接，以为检测探头(7)供电；电源(5)还通过降压模块(9)连接着光谱仪(10)；光谱仪(10)还与飞凌OK-6410A开发板(3)连接；其他装置都布置在装置外箱(1)上。
6.按照权利要求5近红外光谱检测水果内部品质方法的专用检测***，其特征在于：所述近红外光谱检测水果内部品质的专用检测***还满足如下要求：光谱仪(10)具体为可见/近红外光谱仪，采用索尼公司的第二代2048像素线性图像传感器ILX511B CCD，波长范围350-1000nm；波长分辨率在0.3-10nm之间，信噪比250:1，最快采样速度是1ms；
USB2000+光谱仪由USB数据线接口与飞凌OK6410-A开发板(3)即ARM11处理器连接；
飞凌OK6410-A开发板(3)具体是基于三星公司的ARM11处理器，同时核心板ARM11处理器搭载S3C6410芯片，S3C6410的***电路由USB接口电路、SD接口电路、电压转换电路、蜂鸣器以及LCD触摸屏构成；
卤素灯光源(4)为SPL-HL系列卤钨灯，其型号为SPL-HL-H，产自杭州谱镭光电技术有限公司；
移动电源(5)是输出电压为24V的供电装置；
所用检测探头包括探头罩、光纤接口、光纤接口固定座三部分；
另外，在降压模块(9)上粘贴有散热片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710117277.6A CN106841103A (zh) | 2017-03-01 | 2017-03-01 | 近红外光谱检测水果内部品质方法及专用检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710117277.6A CN106841103A (zh) | 2017-03-01 | 2017-03-01 | 近红外光谱检测水果内部品质方法及专用检测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106841103A true CN106841103A (zh) | 2017-06-13 |
Family
ID=59138441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710117277.6A Pending CN106841103A (zh) | 2017-03-01 | 2017-03-01 | 近红外光谱检测水果内部品质方法及专用检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106841103A (zh) |
Cited By (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108287046A (zh) * | 2018-02-05 | 2018-07-17 | 广东轻工职业技术学院 | 一种车用发动机漏液检测仪器及方法 |
| CN108333139A (zh) * | 2018-01-15 | 2018-07-27 | 深圳市芭田生态工程股份有限公司 | 一种苹果可溶性固形物快速检测方法 |
| CN108507954A (zh) * | 2018-03-20 | 2018-09-07 | 南京财经大学 | 一种小型水果品质及货架期在线检测装置及方法 |
| CN108507972A (zh) * | 2018-04-11 | 2018-09-07 | 江南大学 | 一种基于距离度量和半监督学习的近红外光谱跨年份苹果糖度预测方法 |
| CN108535254A (zh) * | 2018-03-10 | 2018-09-14 | 西北农林科技大学 | 一种苹果脆度检测仪 |
| CN108760652A (zh) * | 2018-03-26 | 2018-11-06 | 南京农业大学 | 基于可见/近红外光谱的葡萄多品质无损检测方法及装置 |
| CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及*** |
| CN109085125A (zh) * | 2018-09-29 | 2018-12-25 | 温州大学 | 一种水果的内部品质无损检测装置及方法 |
| CN109596561A (zh) * | 2018-12-29 | 2019-04-09 | 芯视界（北京）科技有限公司 | 一种远程实时在线水果品质监测***及监测方法 |
| CN110263969A (zh) * | 2019-05-07 | 2019-09-20 | 西北农林科技大学 | 一种货架期苹果品质动态预测***及预测方法 |
| CN110969090A (zh) * | 2019-11-04 | 2020-04-07 | 口碑(上海)信息技术有限公司 | 基于深度神经网络的水果品质识别方法及装置 |
| CN111220568A (zh) * | 2020-03-12 | 2020-06-02 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱分析技术的苹果糖分测定装置及方法 |
| CN111537469A (zh) * | 2020-06-04 | 2020-08-14 | 哈尔滨理工大学 | 一种基于近红外技术的苹果品质快速无损检测方法 |
| CN111795932A (zh) * | 2020-06-15 | 2020-10-20 | 杭州电子科技大学 | 一种基于高光谱的杨梅果实糖酸度无损检测方法 |
| CN112595692A (zh) * | 2020-11-24 | 2021-04-02 | 南宁国拓生物科技有限公司 | 一种水果总糖含量预测模型的建立方法及水果总糖含量的预测方法 |
| CN113340823A (zh) * | 2021-06-02 | 2021-09-03 | 浙江德菲洛智能机械制造有限公司 | 一种草莓糖分的快速无损检测工艺 |
| CN113466142A (zh) * | 2021-06-17 | 2021-10-01 | 塔里木大学 | 一种多尺度果品散射偏振光谱成像定量检测方法 |
| CN113484269A (zh) * | 2020-07-18 | 2021-10-08 | 北京立鼎智行科技有限公司 | 一种基于红外光谱仪的改性沥青sbs含量检测*** |
| CN114235723A (zh) * | 2021-11-04 | 2022-03-25 | 福建师范大学 | 一种水果内在品质的无损测量方法及终端 |
| CN114577751A (zh) * | 2022-03-09 | 2022-06-03 | 西北农林科技大学 | 一种梨内部品质无损检测的构建方法和一种梨内部品质无损检测的方法 |
| CN114894730A (zh) * | 2022-05-12 | 2022-08-12 | 广西大学 | 基于可见光-近红外的甘蔗糖分无损检测装置及检测方法 |
| CN115049206A (zh) * | 2022-04-29 | 2022-09-13 | 广西宏廷智能科技有限公司 | 一种实时无损检测水果内部品质的方法及*** |
| CN115128036A (zh) * | 2022-07-18 | 2022-09-30 | 山东大学 | 一种手持式近红外光谱检测方法及装置 |
| WO2023077569A1 (zh) * | 2021-11-02 | 2023-05-11 | 浙江大学 | 一种深度学习水果光谱分析模型更新方法 |
| CN117589696A (zh) * | 2023-10-31 | 2024-02-23 | 安徽唯嵩光电科技有限公司 | 一种果蔬光谱数据处理装置及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102519906A (zh) * | 2011-12-19 | 2012-06-27 | 中国农业大学 | 多通道近红外光谱牛肉品质多参数同时检测方法 |
| CN105527244A (zh) * | 2015-10-26 | 2016-04-27 | 沈阳农业大学 | 一种基于近红外光谱的寒富苹果品质无损检测方法 |
| CN105823750A (zh) * | 2016-05-10 | 2016-08-03 | 华中农业大学 | 便携式葡萄糖度近红外检测装置及其方法 |
| CN206788033U (zh) * | 2017-03-01 | 2017-12-22 | 沈阳农业大学 | 一种近红外光谱检测水果内部品质的专用检测*** |
-
2017
- 2017-03-01 CN CN201710117277.6A patent/CN106841103A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102519906A (zh) * | 2011-12-19 | 2012-06-27 | 中国农业大学 | 多通道近红外光谱牛肉品质多参数同时检测方法 |
| CN105527244A (zh) * | 2015-10-26 | 2016-04-27 | 沈阳农业大学 | 一种基于近红外光谱的寒富苹果品质无损检测方法 |
| CN105823750A (zh) * | 2016-05-10 | 2016-08-03 | 华中农业大学 | 便携式葡萄糖度近红外检测装置及其方法 |
| CN206788033U (zh) * | 2017-03-01 | 2017-12-22 | 沈阳农业大学 | 一种近红外光谱检测水果内部品质的专用检测*** |
Non-Patent Citations (3)
| Title |
|---|
| LI-YING JIANG等: "Monitoring batch processes using multi-model discriminant partial least square", 《PROCEEDINGS OF THE FOURTH INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS》 * |
| NING LV等: "The Fault Diagnosis Algorithm of PLS-LSSVM Process Based on Base Vector Space", 《APPLIED MECHANICS AND MATERIALS》 * |
| 张琳 等: "卷取张力控制过程的故障诊断", 《有色金属材料与工程》 * |
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108333139A (zh) * | 2018-01-15 | 2018-07-27 | 深圳市芭田生态工程股份有限公司 | 一种苹果可溶性固形物快速检测方法 |
| CN108287046B (zh) * | 2018-02-05 | 2024-04-05 | 广东轻工职业技术学院 | 一种车用发动机漏液检测仪器及方法 |
| CN108287046A (zh) * | 2018-02-05 | 2018-07-17 | 广东轻工职业技术学院 | 一种车用发动机漏液检测仪器及方法 |
| CN108535254A (zh) * | 2018-03-10 | 2018-09-14 | 西北农林科技大学 | 一种苹果脆度检测仪 |
| CN108507954A (zh) * | 2018-03-20 | 2018-09-07 | 南京财经大学 | 一种小型水果品质及货架期在线检测装置及方法 |
| CN108760652A (zh) * | 2018-03-26 | 2018-11-06 | 南京农业大学 | 基于可见/近红外光谱的葡萄多品质无损检测方法及装置 |
| CN108507972B (zh) * | 2018-04-11 | 2020-07-24 | 江南大学 | 一种基于距离度量和半监督学习的近红外光谱跨年份苹果糖度预测方法 |
| CN108507972A (zh) * | 2018-04-11 | 2018-09-07 | 江南大学 | 一种基于距离度量和半监督学习的近红外光谱跨年份苹果糖度预测方法 |
| CN108956545B (zh) * | 2018-06-15 | 2020-10-27 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及*** |
| CN108956545A (zh) * | 2018-06-15 | 2018-12-07 | 北京农业智能装备技术研究中心 | 一种水果内部品质无损检测模型建立方法及*** |
| CN109085125A (zh) * | 2018-09-29 | 2018-12-25 | 温州大学 | 一种水果的内部品质无损检测装置及方法 |
| CN109085125B (zh) * | 2018-09-29 | 2023-10-03 | 温州大学 | 一种水果的内部品质无损检测装置及方法 |
| CN109596561A (zh) * | 2018-12-29 | 2019-04-09 | 芯视界（北京）科技有限公司 | 一种远程实时在线水果品质监测***及监测方法 |
| CN110263969A (zh) * | 2019-05-07 | 2019-09-20 | 西北农林科技大学 | 一种货架期苹果品质动态预测***及预测方法 |
| CN110969090A (zh) * | 2019-11-04 | 2020-04-07 | 口碑(上海)信息技术有限公司 | 基于深度神经网络的水果品质识别方法及装置 |
| CN111220568A (zh) * | 2020-03-12 | 2020-06-02 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱分析技术的苹果糖分测定装置及方法 |
| CN111220568B (zh) * | 2020-03-12 | 2024-05-03 | 中国科学院合肥物质科学研究院 | 一种基于近红外光谱分析技术的苹果糖分测定装置及方法 |
| CN111537469A (zh) * | 2020-06-04 | 2020-08-14 | 哈尔滨理工大学 | 一种基于近红外技术的苹果品质快速无损检测方法 |
| CN111795932A (zh) * | 2020-06-15 | 2020-10-20 | 杭州电子科技大学 | 一种基于高光谱的杨梅果实糖酸度无损检测方法 |
| CN111795932B (zh) * | 2020-06-15 | 2022-11-15 | 杭州电子科技大学 | 一种基于高光谱的杨梅果实糖酸度无损检测方法 |
| CN113484269A (zh) * | 2020-07-18 | 2021-10-08 | 北京立鼎智行科技有限公司 | 一种基于红外光谱仪的改性沥青sbs含量检测*** |
| CN112595692A (zh) * | 2020-11-24 | 2021-04-02 | 南宁国拓生物科技有限公司 | 一种水果总糖含量预测模型的建立方法及水果总糖含量的预测方法 |
| CN113340823B (zh) * | 2021-06-02 | 2023-06-27 | 浙江德菲洛智能机械制造有限公司 | 一种草莓糖分的快速无损检测工艺 |
| CN113340823A (zh) * | 2021-06-02 | 2021-09-03 | 浙江德菲洛智能机械制造有限公司 | 一种草莓糖分的快速无损检测工艺 |
| CN113466142A (zh) * | 2021-06-17 | 2021-10-01 | 塔里木大学 | 一种多尺度果品散射偏振光谱成像定量检测方法 |
| WO2023077569A1 (zh) * | 2021-11-02 | 2023-05-11 | 浙江大学 | 一种深度学习水果光谱分析模型更新方法 |
| CN114235723A (zh) * | 2021-11-04 | 2022-03-25 | 福建师范大学 | 一种水果内在品质的无损测量方法及终端 |
| CN114235723B (zh) * | 2021-11-04 | 2024-04-02 | 福建师范大学 | 一种水果内在品质的无损测量方法及终端 |
| CN114577751A (zh) * | 2022-03-09 | 2022-06-03 | 西北农林科技大学 | 一种梨内部品质无损检测的构建方法和一种梨内部品质无损检测的方法 |
| CN115049206A (zh) * | 2022-04-29 | 2022-09-13 | 广西宏廷智能科技有限公司 | 一种实时无损检测水果内部品质的方法及*** |
| CN114894730A (zh) * | 2022-05-12 | 2022-08-12 | 广西大学 | 基于可见光-近红外的甘蔗糖分无损检测装置及检测方法 |
| CN114894730B (zh) * | 2022-05-12 | 2023-06-16 | 广西大学 | 基于可见光-近红外的甘蔗糖分无损检测装置及检测方法 |
| CN115128036A (zh) * | 2022-07-18 | 2022-09-30 | 山东大学 | 一种手持式近红外光谱检测方法及装置 |
| CN117589696A (zh) * | 2023-10-31 | 2024-02-23 | 安徽唯嵩光电科技有限公司 | 一种果蔬光谱数据处理装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106841103A (zh) | 近红外光谱检测水果内部品质方法及专用检测*** | |
| CN101308086B (zh) | 基于近红外光谱技术的水果内部品质在线检测装置 | |
| CN110411957B (zh) | 水果货架期及新鲜程度的无损快速预测方法及装置 | |
| CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN105092579A (zh) | 一种芒果品质无损检测设备 | |
| CN109540836A (zh) | 基于bp人工神经网络的近红外光谱糖度检测方法及*** | |
| CN109669023A (zh) | 一种基于多传感器融合的土壤属性预测方法 | |
| CN105866050A (zh) | 一种低成本苹果霉心病无损快速检测设备 | |
| CN111537469A (zh) | 一种基于近红外技术的苹果品质快速无损检测方法 | |
| CN101614663A (zh) | 可见和近红外光谱的蜂花粉品种鉴别方法 | |
| CN206788033U (zh) | 一种近红外光谱检测水果内部品质的专用检测*** | |
| CN205719951U (zh) | 检测黑箱及利用该检测黑箱的苹果霉心病无损快速检测设备 | |
| CN115905881A (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
| CN107132197B (zh) | 一种食醋总酸含量的检测方法及装置 | |
| CN201724900U (zh) | 基于近红外光谱技术的油菜籽品质无损检测装置 | |
| CN207779882U (zh) | 一种花生品质无损检测装置 | |
| CN105158178A (zh) | 基于高光谱透射技术谱峰面积的脐橙糖度检测快速建模法 | |
| CN204008454U (zh) | 用于检测贮藏稻谷中霉菌指标的便携式近红外光谱分析仪 | |
| CN101858862B (zh) | 一种油菜籽硫甙含量快速检测方法及*** | |
| CN116310788A (zh) | 基于图谱融合的植株叶片氮含量高光谱建模方法 | |
| CN107024449B (zh) | 基于尿液判别哺乳动物性别的近红外光谱分析方法 | |
| Sun et al. | Visible-NIR spectroscopy and least square support vector machines regression for determination of vitamin C of mandarin fruit | |
| CN104181125A (zh) | 快速测定啤酒麦芽中库尔巴哈值的方法 | |
| CN209802978U (zh) | 一种远程实时在线水果品质监测*** | |
| Zhou et al. | Quantification of the Soluble Solids Content of Intact Apples by Vis–NIR Transmittance Spectroscopy and the LS-SVM Method |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |