CN107290299B - 一种实时无损检测桃的糖度和酸度的方法 - Google Patents
一种实时无损检测桃的糖度和酸度的方法 Download PDFInfo
- Publication number
- CN107290299B CN107290299B CN201710271814.2A CN201710271814A CN107290299B CN 107290299 B CN107290299 B CN 107290299B CN 201710271814 A CN201710271814 A CN 201710271814A CN 107290299 B CN107290299 B CN 107290299B
- Authority
- CN
- China
- Prior art keywords
- acidity
- peach
- peaches
- sugar degree
- data
- 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.)
- Active
Links
- 235000006040 Prunus persica var persica Nutrition 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 38
- 240000006413 Prunus persica var. persica Species 0.000 title 1
- 244000144730 Amygdalus persica Species 0.000 claims abstract description 44
- 240000005809 Prunus persica Species 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 230000003595 spectral effect Effects 0.000 claims abstract description 15
- 238000000513 principal component analysis Methods 0.000 claims abstract description 11
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 238000012795 verification Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 20
- 238000001228 spectrum Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 239000012153 distilled water Substances 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 235000011389 fruit/vegetable juice Nutrition 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000005406 washing Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 claims 2
- 238000002329 infrared spectrum Methods 0.000 abstract description 5
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract 1
- 235000013399 edible fruits Nutrition 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 230000006378 damage Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 235000006029 Prunus persica var nucipersica Nutrition 0.000 description 1
- 244000017714 Prunus persica var. nucipersica Species 0.000 description 1
- 235000004789 Rosa xanthina Nutrition 0.000 description 1
- 241000220222 Rosaceae Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
- G01N21/3563—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
-
- 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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种实时无损检测桃的糖度和酸度的方法。本发明的方法是采集桃样品的近红外光谱，同时通过手持折光糖度仪和笔式pH计分别检测桃的糖度和酸度；然后通过主成分分析，等距映射算法，以及遗传算法对桃的光谱数据进行降维处理和优化，最后通过神经网络方法进行分类，多次验证后确定最优的预测模型。本发明建立的基于神经网络的预测模型，可以很好的预测桃的糖度和酸度。相比于传统的检测桃的糖酸度需要对样品进行破坏的有损检测方法，本发明可以同时且实时的检测糖酸度两个指标，具有速度快、成本低、无破坏性、无需化学试剂和无污染等优点。
Description
技术领域
本发明属于食品检测技术领域，具体涉及一种实时无损检测桃的糖度和酸度的方法。
背景技术
我国是世界性水果生产大国，水果产业在国民经济中占有重要地位，水果出口是我国外贸的重要组成部分。桃原产我国,属蔷薇科落叶小乔木,迄今已有4000多年的栽培历史,中国的桃产量和桃消费量都居世界前列。然而由于我国农产品商品化低，在国际竞争中常常处于劣势。因此，农产品的检测和分级技术成为了我国科研领域的重要研究方向。
传统的水果内部品质检测方法主要是通过化学分析的方式测定水果的含糖量、酸度以及糖酸比来判断水果的品质。比如，桃中的糖度，可以参照食品卫生监测方法理化总则(GB/T5009.1-2003)，通过阿贝折射仪测定。桃的酸度则可参照食品卫生监测方法理化总则(GB/T5009.1-2003)及食品中酸度的测定方法(GB/T 12456-90)，通过pH计测定。然而，这些方法都需要对桃进行破坏，属于有损检测；而且，它们制样繁琐、检测时间长,无法满足水果快速分级分选的实际要求。
近红外光谱能够快速反映被测物的结构和组成信息，适合于无损检测水果及其他农产品内部组份。近红外光谱检测作为一种无预处理，检测速度快，检测范围广，准确率高的无损检测技术备受人们关注。近年来，近红外检测技术正在迅猛发展，在保留原有优势的基础上日渐趋于小型化，便捷化。近红外光谱法已初步用于检测少数品种桃的糖度，但是所研究的对象样本来源有限。对于市场上不同产地的桃，其糖度和酸度的预测仍然需要建立更有效的方法。
发明内容
本发明的目的在于提供一种实时无损检测桃的糖度和酸度的方法，以解决现有技术中导致的上述缺陷。
为了解决上述技术问题，本发明提供了如下的技术方案：
一种快速无损检测桃的糖度和酸度的方法，包括以下步骤：
1)通过近红外光谱仪对桃样品进行光谱采集，得到原始光谱，所述光谱仪波长范围为500-1900nm；
2)对桃样品进行糖度和酸度测量，作为分析预测模型的观测值；
3)采用数据滑动平均滤波法对原始光谱进行平滑和滤波；
4)构建桃糖度的预测模型，首先通过混合主成分分析方法、等差映射、遗传算法三种方法对收集到的桃光谱数据进行降维处理；然后将降维后的数据进行BP神经网络分类，包括利用训练集数据训练网络和测试集测试网络预测能力，多次验证，最终确定桃糖度最佳的预测模型；
5)构建桃酸度的预测模型，通过主成分分析和等距映射方法对收集到的桃光谱数据进行降维处理，再对降维后的数据进行BP神经网络分类，多次验证，最终确定桃酸度最佳的预测模型；
6)采集待测桃的光谱信息并按步骤3)进行预处理，将预处理后的光谱数据代入到步骤4)5)建立的预测模型中，得到待测样品的糖度和酸度的预测值。
作为本发明的一种优选技术方案，步骤1)中的样品数量不少于50个，优选50-300个。
作为本发明的一种优选技术方案，步骤1)中近红外光谱仪采用漫反射的方式，随机选取每个桃的环赤道面上5-20个点进行光谱扫描，优选15个点。
作为本发明的一种优选技术方案，步骤2)中桃糖度的测量方法为：首先用蒸馏水将糖度仪的棱镜清洗干净并擦净水分，校正调零，再将已经测过光谱的桃用干净的刀切开并挤压出汁水于折光棱镜的镜面上，连续测量三次，记录并求平均值。
作为本发明的一种优选技术方案，步骤2)中桃酸度的测量方法为：用蒸馏水清洗手持式pH计前端，直至显示pH为中性；甩干pH计上的水分，将其***桃环赤道面上，测量6个位置的pH值，记录数据并求其平均值。
作为本发明的一种优选技术方案，步骤4)5)中所述的混合主成分分析方法、等差映射、遗传算法三种方法，将原有的2047维数据规约到最低维数。
作为本发明的一种优选技术方案，步骤4)5)中所述的基于BP网络的桃分类算法包括BP神经网络构建、BP神经网络训练和BP神经网络分类三步。
作为本发明的一种优选技术方案，步骤4)中所述的遗传算法从任一初始群体出发，通过随机选择、交叉和变异操作，产生一群更加适应环境的个体，最后收敛到一群最适应环境的个体。
作为本发明的一种优选技术方案，步骤6)中将误差百分比在10％以内认定为预测准确。有益效果：与传统技术相比，本发明通过近红外光谱分析可对桃的糖度和酸度进行实时，快速，准确，无损的检测。传统方法需要对桃进行破坏，是有损检测，而且对糖度和酸度需要分别检测，对桃品种更没有合适的方法进行检测。本发明具有无破坏性、速度快、成本低、样品无需预处理、无需化学试剂和无污染等优点，并且可以同时对桃的糖度和酸度进行预测。
附图说明
图1为遗传算法基本计算流程；
图2为BP神经网络算法流程；
图3为PCA-ISOMAP-GA-BP法预测桃的糖度和酸度：(A)测试集的糖度实际值(三角形)和预测值(方形)。(B)糖度预测的误差百分比。(C)测试集的酸度实际值(三角形)和预测值(方形)。(D)酸度预测的误差百分比。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
实施案例1
选取表面无损伤且无病虫害的两种桃子：毛桃、油桃各30个作为材料，并对每个桃子进行编号，共计60个。
近红外光谱数据的采集使用漫反射的方式，选取每个桃子环赤道面附近避开侧面棱角且互为90°的面上选取20个点进行光谱扫描，采集光谱谱区为340～1021nm，共2047个点。将每个样本的采样点采集到的光谱数据用于之后的数据分析。
利用手持数字式折光糖度仪检测每个桃样品的糖度。首先用蒸馏水将糖度仪的棱镜清洗干净并擦净水分，校正调零，再将已经测过光谱的桃用干净的刀切开并挤压出汁水于折光棱镜的镜面上，连续测量两次，记录并求平均值。
利用锥形笔式pH计检测每个桃样品的酸度。用蒸馏水清洗手持式pH计前端，直至显示pH为中性。甩干pH计上的水分，将其***桃环赤道面上，取6个点处的pH值，记录数据并求其平均值。
由于桃的光谱数据维度较大，预测变量之间相互关联,多重共线性会导致解空间的不稳定，从而可能导致结果的不连贯。所以我们首先要对收集到的桃的光谱数据进行降维处理。我们选择PCA(主成分分析)方法进行降维。它不仅仅是对高维数据进行降维，更重要的是通过降维去除了噪声，发现了数据中的模式。PCA法通过创建一个替换的、较小的变量集来“组合”属性的基本要素，让原数据可以投影到该较小的集合中。根据主成分分析结果，将原有的2047维数据规约到最低维数。
PCA的基本过程如下：
(a)对输入数据规范化，使得每个属性都落入相同的区间。该步骤有助于确保具有较大定义域的属性不会支配具有较小定义域的属性。
(b)PCA计算k个标准正交向量，作为规范化输入数据的基。这些是单位向量，每一个都垂直于其他向量。这些向量称为主成分。输入数据是主成分的线性组合。
(c)对主成分按“重要性”或强度降序排列。主成分本质上充当数据的新坐标系，提供关于方差的重要信息。
(d)因为主成分是根据“重要性”降序排列，因此可以通过去掉较弱的成分(即方差较小的那些)来规约数据。使用最强的主成分，能够重构元数据很好的近似。
将经过主成分分析后规约到十维的数据用等距映射(ISOMAP)算法进行优化，以达到进一步提高模型预测准确率的目的。
等距映射(ISOMAP)算法是基于领域图与经典的MDS算法的具有全局特性的非线性流型学习算法。本算法是一种非监督算法，因为使用了multidimensional scaling算法进行降维，ISOMAP算法能够很好地保留数据的全局特性，降维之后得到的数据的整体结构也较为逼近于原数据。IOSMAP算法的主要思想是利用局部领域距离对数据点之间的全局流形测地线距离进行估计，借助建立原数据间测地距离与降维数据间空间距离的对等关系实现数据降维。
其算法流程描述如下：
(1)构建近邻图G。计算点xi和点xj之间的欧式距离D(xi,xj)，如果点xj落在以点xi为圆心，ε为半径的圆，或者点xj是点xi的K个近邻点之一，则将xi和xj用边连接，并用欧式距离作为这条边的权重。否则不连接，权重记为无穷大。
(2)根据弗洛伊德(Floyd)算法计算最短路径。对于xi和xj，如果它们之间存在边，初始化其最短路径D(xi，xj)＝dG(xi，xj)。对于m＝1,2,…,n，计算
dG(xi，xj)＝{dG(xi，xj)，dG(xi，xm)+dG(xm，xj)} (1)
由(1)式可以求得最短路径距离矩阵DG＝{dG(xi，xj)}。
(3)求解降维嵌入。利用经典的MDS算法，建立最短路径距离矩阵DG与降维数据之间的距离矩阵DY＝{dG(yi，yj)＝||yi-yj||}的对等关系，通过将代价函数最小化，从而获得全局低维坐标：
式中：矩阵操作算子τ(D)＝-HSH/2，平方距离矩阵
中心化矩阵
其中δij为Kronecker delta算子。
我们假设τ(DG)的最大d个特征值λ1，λ2，...，λd对应的特征向量为u1，u2，…ud，当Y＝diag{λ1 1/2，λ2 1/2，...，λd 1/2}[u1，u2，…ud]T时，式(2)达到全局最小。
将等距映射算法优化挑选出符合条件的变量作为输入，进行BP神经网络分类。BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出。BP神经网络可以看成是一个非线性函数，网络输入值和预测值分别为该函数的自变量和因变量。当输入节点数为n、输出节点数为m时，BP神经网络就表达了从n个自变量到m个因变量的函数映射关系。BP神经网络预测前首先要训练网络，通过训练使网络具有联想记忆和预测能力。基于BP网络的桃分类算法包括BP神经网络构建、BP神经网络训练和BP神经网络分类三步，算法流程如图2所示。
构建预测桃糖度和酸度的PCA-ISOMAP-GA-BP模型。我们首先要对收集到的桃的平均光谱数据进行降维处理。将高维数据投影到较低维空间，即用几个主要变量体现事物的整体属性。通过混合三种方法PCA,ISOMAP和GA三种方法，对原数据集进行处理优化，在糖度预测中，将数据维度降为8维；在酸度预测中，将数据维度降至6维。将处理后数据通过BP网络模型分别建立糖度、酸度预测模型。从每个品种数据中选择5组数据作为测试集测试网络分类能力，其他数据作为训练集训练网络。
如图3所示，我们分析了PCA-ISOMAP-GA-BP模型对桃糖度和酸度的预测效果。图3中(A)测试集三角形为糖度实际值，方形为糖度预测值。(B)为糖度预测的误差百分比。(C)测试集的酸度实际值(三角形)和预测值(方形)。(D)酸度预测的误差百分比。糖度预测模型中，预测值基本与实际值相同，误差百分比较小，平均绝对百分比误差为7.55％。酸度预测中，绝大部分预测值均匀排布于实际值周围，平均绝对百分比误差为4.79％。此混合算法将原有2047维数据分别规约至8到6维，为所有模型中维数最少的，充分体现混合模型在较小维数中仍保有原数据结构且预测效果佳的特点。我们建立的PCA-ISOMAP-GA-BP模型可以很好的预测桃的糖度和酸度。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种用于桃的糖度和酸度实时无损检测方法，其特征在于：其具体步骤如下：
第一步，通过近红外光谱仪对桃样品进行光谱采集，得到原始光谱，所述的近红外光谱仪到波长范围为500-1900nm；
第二步，对桃样品进行糖度和酸度测量，作为分析预测模型的观测值；
第三步，采用数据滑动平均滤波法对原始光谱进行平滑和滤波；
第四步，构建桃糖度的预测模型，首先通过混合主成分分析方法、等差映射、遗传算法三种方法对收集到的桃光谱数据进行降维处理；然后将降维后的数据进行BP神经网络分类，包括利用训练集数据训练网络和测试集测试网络预测能力，多次验证，最终确定桃糖度最佳的预测模型；
第五步，构建桃酸度的预测模型，通过主成分分析和等距映射方法对收集到的桃光谱数据进行降维处理，再对降维后的数据进行BP神经网络分类，多次验证，最终确定桃酸度最佳的预测模型；
第六步，采集待测桃的光谱信息并按第三步进行预处理，将预处理后的光谱数据代入到第四步和第五步建立的预测模型中，得到待测样品的糖度和酸度的预测值。
2.根据权利要求1所述的一种用于桃的糖度和酸度实时无损检测方法，其特征在于：所述的第一步中的样品数量不少于50个。
3.根据权利要求1所述的一种用于桃的糖度和酸度实时无损检测方法，其特征在于：所述的第一步中近红外光谱仪采用漫反射的方式，随机选取每个桃的环赤道面上5-20个点进行光谱扫描。
4.根据权利要求1所述的一种用于桃的糖度和酸度实时无损检测方法，其特征在于：所述的第二步中桃糖度的测量方法为：首先用蒸馏水将糖度仪的棱镜清洗干净并擦净水分，校正调零，再将已经测过光谱的桃用干净的刀切开并挤压出汁水于折光棱镜的镜面上，连续测量三次，记录并求平均值。
5.根据权利要求1所述的一种用于桃的糖度和酸度实时无损检测方法，其特征在于：所述的第二步中桃酸度的测量方法为：用蒸馏水清洗手持式pH计前端，直至显示pH为中性；甩干pH计上的水分，将其***桃环赤道面上，测量6个位置的pH值，记录数据并求其平均值。
6.根据权利要求1所述的一种用于桃的糖度和酸度实时无损检测方法，其特征在于：所述的第四步中的混合主成分分析方法、等差映射、遗传算法三种方法，将原有的2047维数据规约到最低维数。
7.根据权利要求1所述的一种用于桃的糖度和酸度实时无损检测方法，其特征在于：所述的第四步和第五步中的BP神经网络分类算法包括BP神经网络构建、BP神经网络训练和BP神经网络分类三步。
8.根据权利要求1所述的一种用于桃的糖度和酸度实时无损检测方法，其特征在于：所述的第四步中的遗传算法从任一初始群体出发，通过随机选择、交叉和变异操作，产生一群更加适应环境的个体，最后收敛到一群最适应环境的个体。
9.根据权利要求1所述的一种用于桃的糖度和酸度实时无损检测方法，其特征在于：所述的第六步中将误差百分比在10％以内认定为预测准确。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710271814.2A CN107290299B (zh) | 2017-04-24 | 2017-04-24 | 一种实时无损检测桃的糖度和酸度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710271814.2A CN107290299B (zh) | 2017-04-24 | 2017-04-24 | 一种实时无损检测桃的糖度和酸度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107290299A CN107290299A (zh) | 2017-10-24 |
| CN107290299B true CN107290299B (zh) | 2020-08-11 |
Family
ID=60094902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710271814.2A Active CN107290299B (zh) | 2017-04-24 | 2017-04-24 | 一种实时无损检测桃的糖度和酸度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107290299B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108593596A (zh) * | 2018-05-31 | 2018-09-28 | 福建医科大学 | 基于近红外光谱技术快速检测椰汁中原汁含量的方法 |
| CN109540836A (zh) * | 2018-11-30 | 2019-03-29 | 济南大学 | 基于bp人工神经网络的近红外光谱糖度检测方法及*** |
| CN111474137A (zh) * | 2020-04-27 | 2020-07-31 | 无锡雪浪数制科技有限公司 | 一种基于卷积神经网络的柑橘糖度无损检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101638402A (zh) * | 2008-07-30 | 2010-02-03 | 天津天士力现代中药资源有限公司 | 一种对丹酚酸b生产在线质量监控方法 |
| CN102830087A (zh) * | 2011-09-26 | 2012-12-19 | 武汉工业学院 | 基于近红外光谱技术快速鉴别餐饮废弃油脂的方法 |
| 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 |
| CN106769970A (zh) * | 2016-12-07 | 2017-05-31 | 甘肃萃英大农科技有限公司 | 一种快速无损检测苹果的品种、糖度和酸度的方法 |
-
2017
- 2017-04-24 CN CN201710271814.2A patent/CN107290299B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101638402A (zh) * | 2008-07-30 | 2010-02-03 | 天津天士力现代中药资源有限公司 | 一种对丹酚酸b生产在线质量监控方法 |
| CN102830087A (zh) * | 2011-09-26 | 2012-12-19 | 武汉工业学院 | 基于近红外光谱技术快速鉴别餐饮废弃油脂的方法 |
| 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 |
| CN106769970A (zh) * | 2016-12-07 | 2017-05-31 | 甘肃萃英大农科技有限公司 | 一种快速无损检测苹果的品种、糖度和酸度的方法 |
Non-Patent Citations (5)
| Title |
|---|
| 基于高光谱图像技术的农产品品质无损检测;田有文等;《农机化研究》;20091031(第10期);220-223 * |
| 近红外光谱数据建模方法的研究进展;王凤花等;《农业工程》;20110531;第1卷(第1期);56-61 * |
| 高光谱图像技术在水果无损检测中的研究进展;吴龙国等;《激光与红外》;20130930;第43卷(第9期);990-996 * |
| 高光谱成像在农产品无损检测中的应用;欧阳爱国等;《广东农业科学》;20151231(第23期);164-171 * |
| 黄酒糖度近红外光谱降维算法的研究;蒋巧勇等;《中国计量学院学报》;20150331;第26卷(第1期);50-54 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107290299A (zh) | 2017-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106769970A (zh) | 一种快速无损检测苹果的品种、糖度和酸度的方法 | |
| CN108875913B (zh) | 一种基于卷积神经网络的松茸快速无损检测***及方法 | |
| WO2018010352A1 (zh) | 一种定性定量相结合的近红外定量模型构建方法 | |
| CN107290299B (zh) | 一种实时无损检测桃的糖度和酸度的方法 | |
| CN107202761A (zh) | 一种快速检测水果内部品质的便携式检测设备及检测方法 | |
| Gill et al. | A review of automatic fruit classification using soft computing techniques | |
| CN110826552A (zh) | 基于深度学习的葡萄无损自动检测装置及其方法 | |
| CN104655585B (zh) | 一种基于近红外光谱的pse肉筛选方法 | |
| WO2023108514A1 (zh) | 茶叶近红外光谱分析中谱峰自动检测与重构方法及*** | |
| CN107976417B (zh) | 一种基于红外光谱的原油种类识别方法 | |
| CN103743705A (zh) | 一种假高粱及其近似物种的快速检测方法 | |
| Wang et al. | Grading detection of “Red Fuji” apple in Luochuan based on machine vision and near-infrared spectroscopy | |
| CN114414521A (zh) | 基于红外多光谱传感器的牛奶主要成分测量方法 | |
| CN113408616A (zh) | 基于pca-uve-elm的光谱分类方法 | |
| CN112069911A (zh) | 一种多光谱图像信息和tlmd-woa-sift的果蔬品质检测方法 | |
| Gomes et al. | Towards robust Machine Learning models for grape ripeness assessment | |
| Zhou et al. | Hyperspectral imaging technology for detection of moisture content of tomato leaves | |
| Shen et al. | Nondestructive detection for forecasting the level of acidity and sweetness of apple based on NIR spectroscopy | |
| Wei et al. | Polysaccharide determination and habitat classification for fresh Dendrobiums with hyperspectral imagery and modified RBFNN | |
| Shen et al. | Feasibility of non-destructive internal quality analysis of pears by using near-infrared diffuse reflectance spectroscopy | |
| Tripathi et al. | Identification of mango variety using near infrared spectroscopy | |
| Lu et al. | Rapid detecting soluble solid content of pears based on near-infrared spectroscopy | |
| Lin et al. | Nondestructive detection of mango soluble solid content in hyperspectral imaging based on multi-combinatorial feature wavelength selection | |
| Lyu et al. | In-situ and non-destructive grape quality discrimination via field spectroradiometer and machine learning models | |
| Chen et al. | Hyperspectral Imaging and Convolutional Learning for Sugariness Prediction: Example of Syzygium Samarangense |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |