CN108827910A - 果实安全加工时间预测模型的建立方法 - Google Patents
果实安全加工时间预测模型的建立方法 Download PDFInfo
- Publication number
- CN108827910A CN108827910A CN201810606610.4A CN201810606610A CN108827910A CN 108827910 A CN108827910 A CN 108827910A CN 201810606610 A CN201810606610 A CN 201810606610A CN 108827910 A CN108827910 A CN 108827910A
- Authority
- CN
- China
- Prior art keywords
- fruit
- time
- processed safely
- prediction model
- absorbing wavelength
- 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.)
- Withdrawn
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 238000005286 illumination Methods 0.000 claims abstract description 4
- 238000010801 machine learning Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000002835 absorbance Methods 0.000 claims description 34
- 230000008859 change Effects 0.000 claims description 15
- 230000008033 biological extinction Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 241000132456 Haplocarpha Species 0.000 claims 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 13
- 240000005809 Prunus persica Species 0.000 description 10
- 235000010987 pectin Nutrition 0.000 description 6
- 229920001277 pectin Polymers 0.000 description 6
- 239000001814 pectin Substances 0.000 description 6
- 238000002329 infrared spectrum Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000003306 harvesting Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 244000144730 Amygdalus persica Species 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004345 fruit ripening Effects 0.000 description 1
- 230000003301 hydrolyzing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000007704 transition Effects 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
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
本发明涉及一种果实安全加工时间预测模型的建立方法，包括如下步骤：选择一个果实样品，按照人工评价标准评估该样品的安全加工时间，根据所述安全加工时间建立一个时间序列，按照所述时间序列对作为评价对象的果实进行光照；对所述果实的透射光或反射光进行分光检测并将检测结果的光谱数据输出；分析所述光谱数据，应用一元校正方法或机器学习算法建立果实安全加工时间预测模型。
Description
技术领域
本发明涉及水果品质无损检测技术领域，尤其涉及一种果实安全加工时间预测模型的建立方法。
背景技术
果皮吸光度差值指标(IAD)是基于果实成熟前期果皮绿叶素降解及其与成熟度的密切关系而建立的一种指标，它利用近红外光谱技术，通过读取670nm和720nm的吸光度差值来形成IAD指标，直接反映叶绿素的实际含量。IAD的无损测定对果实不具破坏性，读数快捷方便，对果实供应链端进行果实品质估测具有较好的效果。
基于以上技术，专利号申请号为201710168443.5的文献公开了一种桃果实成熟度预测模型的建立方法，其步骤包括：
(1)分别采收转色期和达到采摘成熟度的桃果实，并分别标记为成熟度I和成熟度II；转色期时桃果实大致7成熟，果皮青色，颜色开始向红色转变；达到采收成熟度的果实大致8.5成熟，果皮底色的青色逐渐褪去，红色着色程度高；
(2)对采摘下来的桃果实测量果皮吸光度差值IAD，测定桃果实的硬度；
(3)将成熟度I、成熟度II果实的硬度与IAD值进行拟合，建立桃果实成熟度预测方程y＝ax2+bx+c，其中y为硬度，x为IAD值，a、b、c为回归分析拟合出的二次多项式系数。
上述技术方案基于近红外技术无损测定的果实果皮吸光度差值IAD建立了桃果实成熟度预测模型，经回归预测，估计值与实际观察值差异不显著，说明预测模型具有较高的准确性，测量、计算方法简单，可实现桃果实适时采收。
本发明人发现，采收后的果实,难以评价味道的不同。例如,即使糖度相同,但是在未成熟的硬果实和成熟的柔软果实中,味道也有很大的不同。目前,熟练者只能通过外观(颜色、大小)和硬度对果实的成熟度进行主观评价，没有基于物理和化学特性的定量非破坏快速评价水果成熟度的方法。
在水果赤道位进行水果样品的可见近红外光谱采集；可见近红外光谱仪为微型光纤光谱仪，内置CCD阵列探测器，用于接收水果样品的漫反射光信号，并将光谱信号转变为电信号，再通过A/D转换转变为数字信号通过USB接口输入到计算机，苹果的可见近红外光谱图如图1所示，本发明人发现，在图1中，波长为670nm的吸光度最高，波长为710nm的吸光度最低。
发明内容
本发明的目的在于提供一种果实安全加工时间预测模型的建立方法，精确地控制果实采收后的最佳安全加工时间或最佳安全食用时间,提高果实加工效率和加工质量。
本发明的技术方案如下，一种果实安全加工时间预测模型的建立方法，包括如下步骤：选择一个果实样品，按照人工评价标准评估该样品的安全加工时间，根据所述安全加工时间建立一个时间序列，按照所述时间序列对作为评价对象的果实进行光照；对所述果实的透射光或反射光进行分光检测并将检测结果的光谱数据输出；分析所述光谱数据，归纳出所述果实随时间序列变化而变化最小的吸光度吸收波长I，以及随时间序列变化而变化最大的吸光度吸收波长II；从所述光谱数据中提取吸收波长为I的吸光度数据A，从所述光谱数据中提取吸收波长为II的吸光度数据B，计算所述时间序列内每段时间的吸光度差值C＝A-B；结合吸光度差值C和时间序列，应用一元校正方法或机器学习算法建立果实安全加工时间预测模型。
进一步地，所述一元校正方法建立果实安全加工时间预测模型包括：设安全加工时间为因变量，记为Y；吸光度差值为自变量，记为X，建立下面的线性关系：Y＝A+BX+§；式中：A和B为待定参数，A为回归直线的截距；B为回归直线的斜率，表示X变化一个单位时，Y的平均变化情况；§为随机误差项。
进一步地，所述吸收波长I为960nm，所述吸收波长II为810nm。因为在果实(桃)的追熟期间,水溶性果胶提取量随着时间的增加而增加；通过对比光谱数据发现，在吸收波长810nm处的吸光度达到极小,且随时间变化吸光度变化不大，而在吸收波长960nm处的吸光度随时间序列变化较大。
进一步地，所述吸收波长I为720nm，所述吸收波长II为670nm。因为在果实(苹果)的追熟期间,水溶性果胶提取量随着时间的增加而增加,通过对比光谱数据发现，在吸收波长670nm处的吸光度达到极小,且随时间变化吸光度变化不大，而在吸收波长720nm处的吸光度随时间序列变化较大。
进一步地，所述机器学习算法为人工神经网络、支持向量机中的一种或几种。
本发明的有益效果在于：在果实的追熟期间,水溶性果胶提取量随着时间的增加而增加,因此在果胶的水解过程中,可以利用近红外光谱技术，通过读取不同吸收波长的吸光度差值来形成吸光度差值指标，直接反映果实中水溶性果胶的实际含量，从而可以量化果实的成熟度，然后通过量化果实的成熟度来评价果实的最佳安全加工时间或最佳安全食用时间。
附图说明
图1是苹果的可见近红外光谱图。
图2为桃的吸光度随时间变化的变化图。
具体实施方式
以下结合附图与实施例对本发明的技术方案作详细说明。
如图2所示，本发明人发现，在果实(桃)的追熟期间,水溶性果胶提取量随着时间的增加而增加,通过对比光谱数据发现，在吸收波长810nm处的吸光度达到极小,且随时间变化吸光度变化不大，而在吸收波长960nm处的吸光度随时间序列变化较大。
一种果实安全加工时间预测模型的建立方法，包括如下步骤：选择一个果实样品，按照人工评价标准评估该样品的安全加工时间，根据所述安全加工时间建立一个时间序列，如该样品的人工估计安全加工时间为6天，则建立一个总长为6天，每个间隔为60min的时间序列，按照所述时间序列，也就是毎隔60min对作为评价对象的桃果实进行光照；对所述桃果实的透射光或反射光进行分光检测并将检测结果的光谱数据输出；分析所述光谱数据，归纳出所述果实随时间序列变化而变化最小的吸光度吸收波长I为810nm，以及随时间序列变化而变化最大的吸光度吸收波长II为960nm；从所述光谱数据中提取吸收波长为I的吸光度数据A，从所述光谱数据中提取吸收波长为II的吸光度数据B，计算所述时间序列内每60min的吸光度差值C＝A-B；结合吸光度差值C和时间序列，应用一元校正方法或机器学习算法建立果实安全加工时间预测模型。
进一步地，所述一元校正方法建立果实安全加工时间预测模型包括：设安全加工时间为因变量，记为Y；吸光度差值为自变量，记为X，建立下面的线性关系：Y＝A+BX+§；式中：A和B为待定参数，A为回归直线的截距；B为回归直线的斜率，表示X变化一个单位时，Y的平均变化情况；§为随机误差项。
以上的描述仅仅涉及本发明的一些具体实施方式，任何本领域的技术人员基于本发明的精神所做的替换或改进均应为本发明的保护范围所涵盖，本发明的保护范围应以权利要求书为准。
Claims (5)
1.一种果实安全加工时间预测模型的建立方法，包括如下步骤：选择一个果实样品，按照人工评价标准评估该样品的安全加工时间，根据所述安全加工时间建立一个时间序列，按照所述时间序列对作为评价对象的果实进行光照；对所述果实的透射光或反射光进行分光检测并将检测结果的光谱数据输出；分析所述光谱数据，归纳出所述果实随时间序列变化而变化最小的吸光度吸收波长I，以及随时间序列变化而变化最大的吸光度吸收波长II；从所述光谱数据中提取吸收波长为I的吸光度数据A，从所述光谱数据中提取吸收波长为II的吸光度数据B，计算所述时间序列内每段时间的吸光度差值C＝A-B；结合吸光度差值C和时间序列，应用一元校正方法或机器学习算法建立果实安全加工时间预测模型。
2.根据权利要求1所述的果实安全加工时间预测模型的建立方法，其特征在于，所述一元校正方法建立果实安全加工时间预测模型包括：设安全加工时间为因变量，记为Y；吸光度差值为自变量，记为X，建立下面的线性关系：Y＝A+BX+§；式中：A和B为待定参数，A为回归直线的截距；B为回归直线的斜率，表示X变化一个单位时，Y的平均变化情况；§为随机误差项。
3.根据权利要求1或2所述的果实安全加工时间预测模型的建立方法，其特征在于，其特征在于，所述吸收波长I为960nm，所述吸收波长II为810nm。
4.根据权利要求1或2所述的果实安全加工时间预测模型的建立方法，其特征在于，所述吸收波长I为720nm，所述吸收波长II为670nm。
5.根据权利要求1所述的果实安全加工时间预测模型的建立方法，其特征在于，所述机器学习算法为人工神经网络、支持向量机中的一种或几种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810606610.4A CN108827910A (zh) | 2018-06-13 | 2018-06-13 | 果实安全加工时间预测模型的建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810606610.4A CN108827910A (zh) | 2018-06-13 | 2018-06-13 | 果实安全加工时间预测模型的建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108827910A true CN108827910A (zh) | 2018-11-16 |
Family
ID=64144898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810606610.4A Withdrawn CN108827910A (zh) | 2018-06-13 | 2018-06-13 | 果实安全加工时间预测模型的建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108827910A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112461782A (zh) * | 2019-10-17 | 2021-03-09 | 山东金璋隆祥智能科技有限责任公司 | 一种基于gsa近红外光谱仪的光谱校正技术 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06186159A (ja) * | 1991-10-04 | 1994-07-08 | Natl Food Res Inst | 近赤外透過スペクトルによる果実糖度の非破壊測定法 |
| JPH1144638A (ja) * | 1997-07-25 | 1999-02-16 | Ishikawajima Harima Heavy Ind Co Ltd | 果実糖度測定方法及び果実糖度計 |
| JP2002048709A (ja) * | 2000-07-31 | 2002-02-15 | Mitsui Mining & Smelting Co Ltd | 青果物内部品質評価装置における内部品質測定方法 |
| CN204989006U (zh) * | 2015-06-16 | 2016-01-20 | 江西农业大学 | 一种脐橙糖度快速无损检测装置 |
| CN105738311A (zh) * | 2015-12-01 | 2016-07-06 | 昆明睿意铂科技股份有限公司 | 一种基于近红外光谱技术的苹果甜度无损快速检测方法 |
| CN106872370A (zh) * | 2017-02-23 | 2017-06-20 | 浙江大学 | 一种基于高光谱的杨梅中花色苷含量测定的方法 |
-
2018
- 2018-06-13 CN CN201810606610.4A patent/CN108827910A/zh not_active Withdrawn
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06186159A (ja) * | 1991-10-04 | 1994-07-08 | Natl Food Res Inst | 近赤外透過スペクトルによる果実糖度の非破壊測定法 |
| JPH1144638A (ja) * | 1997-07-25 | 1999-02-16 | Ishikawajima Harima Heavy Ind Co Ltd | 果実糖度測定方法及び果実糖度計 |
| JP2002048709A (ja) * | 2000-07-31 | 2002-02-15 | Mitsui Mining & Smelting Co Ltd | 青果物内部品質評価装置における内部品質測定方法 |
| CN204989006U (zh) * | 2015-06-16 | 2016-01-20 | 江西农业大学 | 一种脐橙糖度快速无损检测装置 |
| CN105738311A (zh) * | 2015-12-01 | 2016-07-06 | 昆明睿意铂科技股份有限公司 | 一种基于近红外光谱技术的苹果甜度无损快速检测方法 |
| CN106872370A (zh) * | 2017-02-23 | 2017-06-20 | 浙江大学 | 一种基于高光谱的杨梅中花色苷含量测定的方法 |
Non-Patent Citations (3)
| Title |
|---|
| D. STEFANELLI: "Modelling peach and nectarine ripening during storage using the IAD maturity index", 《ACTA HORTICULTURAE》 * |
| JULIANA NYASORDZI: "Utilizing the IAD index to determine internal quality attributes of apples at harvest and after storage", 《POSTHARVEST BIOLOGY AND TECHNOLOGY》 * |
| V. ZIOSI: "A new index based on vis spectroscopy to characterize the progression of ripening in peach fruit", 《POSTHARVEST BIOLOGY AND TECHNOLOGY》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112461782A (zh) * | 2019-10-17 | 2021-03-09 | 山东金璋隆祥智能科技有限责任公司 | 一种基于gsa近红外光谱仪的光谱校正技术 |
| CN112461782B (zh) * | 2019-10-17 | 2022-11-01 | 山东金璋隆祥智能科技有限责任公司 | 一种基于gsa近红外光谱仪的光谱校正技术 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rungpichayapichet et al. | Prediction mapping of physicochemical properties in mango by hyperspectral imaging | |
| McGlone et al. | Internal quality assessment of mandarin fruit by vis/NIR spectroscopy | |
| CN102818777B (zh) | 一种基于光谱和颜色测量的水果成熟度评价方法 | |
| Zou et al. | Selection of the efficient wavelength regions in FT-NIR spectroscopy for determination of SSC of ‘Fuji’apple based on BiPLS and FiPLS models | |
| Xiaobo et al. | Use of FT-NIR spectrometry in non-invasive measurements of soluble solid contents (SSC) of ‘Fuji’apple based on different PLS models | |
| Sun et al. | Simultaneous measurement of brown core and soluble solids content in pear by on-line visible and near infrared spectroscopy | |
| Sun et al. | Achieving robustness to temperature change of a NIRS-PLSR model for intact mango fruit dry matter content | |
| CN108846203A (zh) | 水果无损检测的方法及装置 | |
| Piazzolla et al. | Spectra evolution over on-vine holding of Italia table grapes: prediction of maturity and discrimination for harvest times using a Vis-NIR hyperspectral device | |
| Shah et al. | Mango maturity classification instead of maturity index estimation: A new approach towards handheld NIR spectroscopy | |
| Subedi et al. | Assessment of potato dry matter concentration using short-wave near-infrared spectroscopy | |
| CN108535250A (zh) | 基于Streif指数的‘富士’苹果成熟度无损检测方法 | |
| JP2002122540A (ja) | 青果類の評価装置及び評価方法 | |
| Wang et al. | Development of near‐infrared online grading device for long jujube | |
| Wang et al. | Grading detection of “Red Fuji” apple in Luochuan based on machine vision and near-infrared spectroscopy | |
| CN109946246A (zh) | 一种苹果可溶性固形物的检测方法及装置 | |
| Yao et al. | Non-destructive determination of soluble solids content in intact apples using a self-made portable NIR diffuse reflectance instrument | |
| Qi et al. | Rapid and non-destructive determination of soluble solid content of crown pear by visible/near-infrared spectroscopy with deep learning regression | |
| Semyalo et al. | Nondestructive online measurement of pineapple maturity and soluble solids content using visible and near-infrared spectral analysis | |
| Lu et al. | Nondestructive determination of soluble solids and firmness in mix-cultivar melon using near-infrared CCD spectroscopy | |
| CN108827910A (zh) | 果实安全加工时间预测模型的建立方法 | |
| Hu et al. | Modelling postharvest quality of blueberry affected by biological variability using image and spectral data | |
| 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 | |
| Omar et al. | Specialized optical fiber sensor for nondestructive intrinsic quality measurement of Averrhoa Carambola | |
| Wang et al. | Influence of the peel on predicting soluble solids content of navel oranges using visible and near-infrared spectroscopy |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181116 |
|
| WW01 | Invention patent application withdrawn after publication |