CN109142534B - 基于振动声音信号对地瓜质量评价的方法 - Google Patents
基于振动声音信号对地瓜质量评价的方法 Download PDFInfo
- Publication number
- CN109142534B CN109142534B CN201811255764.XA CN201811255764A CN109142534B CN 109142534 B CN109142534 B CN 109142534B CN 201811255764 A CN201811255764 A CN 201811255764A CN 109142534 B CN109142534 B CN 109142534B
- Authority
- CN
- China
- Prior art keywords
- sweet potato
- energy
- content
- frequency
- 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.)
- Expired - Fee Related
Links
- 244000017020 Ipomoea batatas Species 0.000 title claims abstract description 131
- 235000002678 Ipomoea batatas Nutrition 0.000 title claims abstract description 131
- 230000005236 sound signal Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 27
- 235000000346 sugar Nutrition 0.000 claims abstract description 54
- 229920000856 Amylose Polymers 0.000 claims abstract description 34
- 229920000945 Amylopectin Polymers 0.000 claims abstract description 32
- 229920002472 Starch Polymers 0.000 claims description 34
- 235000019698 starch Nutrition 0.000 claims description 34
- 239000008107 starch Substances 0.000 claims description 33
- 238000004458 analytical method Methods 0.000 claims description 21
- 238000000513 principal component analysis Methods 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 abstract description 13
- 235000013305 food Nutrition 0.000 abstract description 11
- 238000013441 quality evaluation Methods 0.000 abstract description 7
- 229920001277 pectin Polymers 0.000 description 26
- 235000010987 pectin Nutrition 0.000 description 26
- 239000001814 pectin Substances 0.000 description 26
- 230000008859 change Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 14
- 238000001514 detection method Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 10
- 240000008042 Zea mays Species 0.000 description 9
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 9
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 9
- 235000005822 corn Nutrition 0.000 description 9
- 230000007423 decrease Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 241000219109 Citrullus Species 0.000 description 5
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 5
- 235000011511 Diospyros Nutrition 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 240000007124 Brassica oleracea Species 0.000 description 4
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 4
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 4
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 4
- 238000002835 absorbance Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 229920001592 potato starch Polymers 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 4
- 244000000626 Daucus carota Species 0.000 description 3
- 235000002767 Daucus carota Nutrition 0.000 description 3
- 244000236655 Diospyros kaki Species 0.000 description 3
- 235000014443 Pyrus communis Nutrition 0.000 description 3
- 241000209140 Triticum Species 0.000 description 3
- 235000021307 Triticum Nutrition 0.000 description 3
- 210000002421 cell wall Anatomy 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- NLKNQRATVPKPDG-UHFFFAOYSA-M potassium iodide Chemical compound [K+].[I-] NLKNQRATVPKPDG-UHFFFAOYSA-M 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 230000001953 sensory effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 2
- 239000004382 Amylase Substances 0.000 description 2
- 108010065511 Amylases Proteins 0.000 description 2
- 102000013142 Amylases Human genes 0.000 description 2
- AEMOLEFTQBMNLQ-YMDCURPLSA-N D-galactopyranuronic acid Chemical compound OC1O[C@H](C(O)=O)[C@H](O)[C@H](O)[C@H]1O AEMOLEFTQBMNLQ-YMDCURPLSA-N 0.000 description 2
- 241000723267 Diospyros Species 0.000 description 2
- IAJILQKETJEXLJ-UHFFFAOYSA-N Galacturonsaeure Natural products O=CC(O)C(O)C(O)C(O)C(O)=O IAJILQKETJEXLJ-UHFFFAOYSA-N 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 2
- 241001560086 Pachyrhizus Species 0.000 description 2
- 240000006394 Sorghum bicolor Species 0.000 description 2
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 2
- 235000019418 amylase Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 235000012020 french fries Nutrition 0.000 description 2
- 239000008103 glucose Substances 0.000 description 2
- 239000011630 iodine Substances 0.000 description 2
- 229910052740 iodine Inorganic materials 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000002798 spectrophotometry method Methods 0.000 description 2
- 239000010902 straw Substances 0.000 description 2
- 230000004102 tricarboxylic acid cycle Effects 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 240000002791 Brassica napus Species 0.000 description 1
- 235000006008 Brassica napus var napus Nutrition 0.000 description 1
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 235000002789 Panax ginseng Nutrition 0.000 description 1
- 108010059820 Polygalacturonase Proteins 0.000 description 1
- 240000001949 Taraxacum officinale Species 0.000 description 1
- 235000005187 Taraxacum officinale ssp. officinale Nutrition 0.000 description 1
- 244000269722 Thea sinensis Species 0.000 description 1
- 240000006023 Trichosanthes kirilowii Species 0.000 description 1
- 235000009818 Trichosanthes kirilowii Nutrition 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001599 direct drying Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000012153 distilled water Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 108010093305 exopolygalacturonase Proteins 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- PNDPGZBMCMUPRI-UHFFFAOYSA-N iodine Chemical compound II PNDPGZBMCMUPRI-UHFFFAOYSA-N 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N phenol group Chemical group C1(=CC=CC=C1)O ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
- 150000003627 tricarboxylic acid derivatives Chemical class 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/045—Analysing solids by imparting shocks to the workpiece and detecting the vibrations or the acoustic waves caused by the shocks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/48—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by amplitude comparison
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Acoustics & Sound (AREA)
- Preparation Of Fruits And Vegetables (AREA)
- Polysaccharides And Polysaccharide Derivatives (AREA)
Abstract
本发明公开了一种基于振动声音信号对地瓜质量评价的方法,其中,地瓜水分模型为Y1(%)=‑0.149X11+2.666X12‑0.593X13+20.599X14+67.721;地瓜总糖模型为Y2(%)=‑1.753X21‑0.032X22‑0.705X23+71.698;地瓜直链淀粉模型为Y3(%)=2.980X31‑0.167X32+32.149地瓜支链淀粉模型为Y4(%)=2.122X41‑0.685X42‑0.001X43+0.414X44+29.332。本发明通过振动声音信号的时频特征值建立的多元线性回归模型对地瓜质量评价进行判定,为食品质量评价手段提供新方法。
Description
技术领域
本发明涉及农产品的无损检测领域,具体涉及一种基于振动声音信号对地瓜质量评价的方法。
背景技术
农产品的品质指标,是反映其质量等级的主要参考依据。目前,农产品流通领域中多采用传统化学方法,对农产品的水分、淀粉、果胶、总糖等品质指标进行检测、分级,耗时费力,成本较高。近年来也出现了一些非破坏性产品检测技术,如红外光谱、X射线、核磁共振检测、声学技术检测方法等,但多由于操作繁琐、所需仪器昂贵、维护费用高、携带不方便等因素,难以实现农产品的品质检测。其中,声学技术具备快速、成本低、环保等优势,是较为科学、有效的手段,结合声成像、非声发射、超声显微镜、次声等声学技术,可在医疗、机械、汽车等研究领域实现无损检测。利用食品的声学特性对其品质进行分级及检测是近30年来才发展起来的新技术,国内外学者的相关研究为此项技术在食品检测中的应用奠定了一定的基础。大量研究证实,利用声学技术可以实现食品脆性、硬度等质地指标的检测。Zdunek A等研究学者利用声学技术实现了苹果脆度、硬度的检测,通过将声音信号判定苹果的脆性与由专家组成的评定小组进行感官评价进行对比分析,结果表明声学检测方法对苹果的脆度、硬度判定与专家组成的评定小组较为一致,充分证明了声学技术可以用于食品的脆度、硬度等质地特性测定。利用配有配有压电传感器的声振***,对薯条进行声学检测,对19个频段的振动信号进行采集、处理,计算每个频域的质地指数(TI),结果证明超过1600Hz的TI指数有效反应了薯条脆度的好坏[4]。Takashi Ikeda利用西瓜表面的弹性波速度,对西瓜的硬度进行预测,研究发现弹性波速度与感官硬度有较好的相关性,当西瓜的贮藏时间延长10天后,弹性波的速度下降10%。Hui Zhang利用胶锤以15N大小的力,敲击不规则形状梨的赤道及轴肩位置,收集两位置共振频率,发现两者与梨的硬度高度相关,并实现了梨硬度的无损预测。
目前多采用化学分析法,对贮藏过程中的食品进行检测,操作复杂,费时费力。为此很多研究学者开始尝试利用声学技术对农产品采后贮藏条件、农产品品质变化进行相关研究。农产品贮藏过程中,水分变化是较为显著的指标。李广超在进行小麦水分声学测定方法研究时,通过线性回归技术、BP神经网络算法建立了小麦水分含量声学预测模型,得出了不同品种和同种品种的最佳预测模型,证明了利用声学技术测定小麦水分含量是可行的。孙永海等人利用声音采集***,采集玉米籽粒流从高处落到相同状态玉米堆时发出的撞击声音信号,并对声音信号进行去噪处理,提取声波信号强度、功率谱能量、谱峰值等特征参数,研究各特征参数与玉米水分含量之间的关系,结果表明以上特征参数能够准确对玉米籽粒含水量进行预测。弯艳玲利用力学信号与声音信号技术,分别提取力学、声学相关特征参数,应用神经网络构建模型,对玉米含水量进行预测,结果表明利用力、声综合特征参数构建的模型预测效果较好。
糖分是农产品贮藏中另外一个变化较为显著的指标,通过糖分含量的判断,可以判定某些农产品的成熟度。Tong Sun等人发明了一种采用声学技术的西瓜分级装置,对西瓜的含糖量进行在线检测,测量含糖量误差为正负百分之0.8。刘洋在进行胡萝卜质地评价研究时,通过实验得出胡萝卜中还原糖含量的变化是反应胡萝卜状态变化的一个指标,与声音信号特征值具有一定的相关性;Taniwaki M利用声振方法,对不同产地的卷心菜质地进行判定,以质地指数与能量密度为参考指标,发现不同地区的卷心菜质地有显著的差别,高频(>1000Hz)区域的声学信号质地评定要比之前使用的振幅密度灵敏。同时监测了卷心菜在冷藏条件下分别贮藏10d,19d后的品质变化,不同地区的产品之间有显著差异,为卷心菜的贮藏提供了必要的信息。Taniwaki M在前期的研究基础上,运用非破坏性振动方法与声振技术,分别测定弹性指数(EI)与质地指数(TI),对来自日本“Fuyu”和“Taishuu”两个地区的柿子的采后质量进行了评估研究,两者之间的质地指数变化有着不同的变化形式,试验结果与感官评价结合,最终以两地区的柿子的弹性指数判定出最佳的食用时期,即“Taishuu”与“Fuyu”地区柿子最佳食用的EI值分别是:2.9-6.0×104 kg2/3 Hz2和4.8-6.4×104 kg2/3 Hz2,实现了两个品种柿子的判别。
地瓜,又名番薯,虽然经济价值不高,但却具有非常高的营养价值,为我国北方地区主要栽种蔬菜。目前对地瓜质量的检测、分级多采用抽样化验方法,费时、耗力。
发明内容
为解决上述问题,本发明提供了一种基于振动声音信号对地瓜质量评价的方法。
为实现上述目的,本发明采取的技术方案为:
基于振动声音信号对地瓜质量评价的方法,包括如下步骤:
S1、地瓜声音信号的采集:利用钢球敲击地瓜的不同部位,再用高敏感度的麦克风连接电脑进行声音的收集;
S2、声音信号的预处理:采用MATLAB编程,对声音信号利用Cool Edit软件对采集的声音信号进行去噪处理得到真正的地瓜振动声音信号;
S3、声音信号特征值的提取:
(1)时域特征值:利用时域分析的算法,从所采集的声音信号当中提取3个显著相关的声学参数,其中分别为能量、波形指数、最大振幅;
(2)频域特征值:将地瓜声音信号的频率定义在0-10000Hz范围内,将时频分布平均划分为若干个频率区段,再进行能量统计;
S4、基于以下模型完成地瓜水分、总糖、直链淀粉、支链淀粉含量的计算:
地瓜水分模型为Y1(%)=-0.149X11+2.666X12-0.593X13+20.599X14+67.721;其中,X11、X12、X13、X14分别表示最大振幅、5K-6KHz、8K-9KHz及9K-10KHz内的分频能量;
地瓜总糖模型为Y2(%)=-1.753X21-0.032X22-0.705X23+71.698;其中,X21、X22、X23分别表示经SPSS主成分分析转换后的波形指标、能量、200Hz内的分频能量;
地瓜直链淀粉模型为Y3(%)=2.980X31-0.167X32+32.149;其中,X31、X32分别表示经SPSS主成分分析转换后的波形指标、能量;
地瓜支链淀粉模型为Y4(%)=2.122X41-0.685X42-0.001X43+0.414X44+29.332,其中,其中X41、X42、X43、X44分别表示经SPSS主成分分析转换后的波形指标、能量、200Hz内的能量、200-400Hz内的分频能量。
本发明具有以下有益效果:
采用地瓜振动声音信号的时域特征、频域特征与地瓜主要质量评价指标之间的相关性,分析得出地瓜水分、总糖、直链淀粉和支链淀粉之间的关系。利用SPSS采用Pearson相关性判定方法,对振动声音信号的时频特征值进行筛选得出与地瓜水分、总糖、直链淀粉和支链淀粉等呈现显著性相关(P<0.05)的振动声音信号特征值。对出现多个显著性相关的振动声音信号时频特征值利用主成分分析(PCA)降维处理得出一组高度相关且个数较少的时频特征值。通过筛选出的时频特征值运用多元回归线性方程建立相应的模型,最终得出:
地瓜水分模型为Y1(%)=-0.149X11+2.666X12-0.593X13+20.599X14+67.721,预测平均相对误差为3.64%;
地瓜总糖模型为Y2(%)=-1.753X21-0.032X22-0.705X23+71.698,预测平均相对误差为3.72%;地瓜直链淀粉模型为Y3(%)=2.980X31-0.167X32+32.149,预测平均相对误差为5.26%;
地瓜支链淀粉模型为Y4(%)=2.122X41-0.685X42-0.001X43+0.414X44+29.332,预测平均相对误差为4.38%。除直链淀粉模型的相对误差略大于5%,其它模型相对误差均小于5%。
通过振动声音信号的时频特征值建立的多元线性回归模型可以对地瓜质量评价进行判定,为食品质量评价手段提供新方法,为声学技术在食品质量无损检测中的应用提供可靠的理论依据。
附图说明
图1为振幅与时间关系图。
图2为频率与时间关系能量分布图。
图3为水分含量与贮藏天数图。
图4为葡萄糖标准曲线图。
图5为总糖含量与贮藏天数图。
图6为半乳糖醛酸标准曲线图。
图7为果胶含量与贮藏天数。
图8为直链淀粉标准曲线图。
图9为支链淀粉标准曲线图。
图10为直链淀粉含量与贮藏天数图。
图11为支链淀粉含量与贮藏天数图。
图12为总糖时域、频域特征值间成分分析碎石图。
图13为直链淀粉时域、频域特征值间成分分析碎石图。
图14为支链淀粉时域、频域特征值间成分分析碎石图。
图15为地瓜指标模型真实值与预测值比较图(N=120)。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
实验例
实验主要试剂及材料:直链淀粉标准样品(Sigma)、支链淀粉标准样品(Sigma),无水乙醇,1mol/L KOH溶液,0.1mol/L稀盐酸溶液,碘试剂(2.0g碘化钾,0.2g碘,蒸馏水定容100mL),采自吉林某超市产地为辽宁的新鲜地瓜。
实验方法
声音信号采集
(1)地瓜声音信号的采集:利用钢球敲击地瓜的不同部位,再用高敏感度的麦克风(Audio Technica AT9934USB)连接电脑进行声音的收集。
(2)声音信号的预处理:采用MATLAB编程,对声音信号利用Cool Edit软件对采集的声音信号进行去噪处理得到真正的地瓜振动声音信号。
(3)声音信号特征值的提取:(1)时域特征值:利用时域分析的算法,从所采集的声音信号当中提取3个显著相关的声学参数,其中分别为能量、波形指数、最大振幅。(2)频域特征值:将地瓜声音信号的频率定义在0-10000Hz范围内。将时频分布平均划分为若干个频率区段,再进行能量统计。
水分
地瓜水分的测定参考《GB 5009.3-2016食品安全国家标准食品中水分的测定》,采用直接干燥法测地瓜的水分含量。
总糖
地瓜总糖的测定参考《NY/T 2332-2013红参中总糖含量的测定分光光度法》。
果胶
地瓜果胶含量测定参考《NY/T 2016-2011水果及其制品中果胶含量的测定分光光度法》。直(支)链淀粉
地瓜直(支)链淀粉参考《GB/T 15683-2008/ISO 6647-1:2007大米直链淀粉含量的测定》[17]与刘襄河等[18]测定直、支链淀粉含量的研究,利用碘试剂与直链、支链淀粉的显色反应,采用双波长比色法分别测定两种淀粉含量。
结果与分析
声音信号的处理
傅里叶变换(Fourier Transform)对分析线性的、平稳的、频率不随时间变化的信号分析是非常适合的。根据傅里叶变换的这一特性结合MATLAB编程,可以将地瓜振动声音信号时域特征值波形指标、能量提取出来。而频域特征值以分频能量来衡量,由于分频信号不平稳,采用希尔伯特黄变换(Hilbert-Huang Transform)处理非平稳信号十分适用。
基于振动声音信号的时域分析
利用时域分析算法对地瓜振动声音信号进行处理,从中提取3个相关的声学参数。
能量
被定义为离散声信号采样点的总能量,计算公式表示如下:
波形指标
波形指标是利用一个稳定的、具有敏感性的参数,将其定义为声音信号的能量和振幅宽度的均方根之比,其公式表示如下:
最大振幅
最大振幅的定义是:振动声音信号的某一个振幅在数值上与最大位移大小相等,计算公式表示如下:
X=max(Ai)
振动声音信号频域分析
利用希尔伯特黄变换分析方法,对地瓜的振动声音信号进行分析。利用MATLAB试验测得该模式下声音信号的Hilbert谱,如图1-图2所示。
将各种分频区域内的声音信号能量相加,得到各频域内总能量公式为:
由图2频率与时间关系能量分布图中坐标里面的每一个点它都表示在某个频率点、某个时间点内所代表的强度。在图2中由希尔伯特谱明显看到,其中声音信号的能量强度用颜色的深浅来表示,而颜色越来越接近黄色时表示该能量值越大;而颜色越来越接近为蓝色的底色是,则表示该能量值越小。从频域特征图中发现,声音信号的频率主要集中在0~10KHz,为了在频域特征值中方便分析我们将声音信号频率范围定义为0~10000Hz范围内。其中将0~1000Hz的能量划分为0~200Hz、200~400Hz、400~600Hz、600~800Hz、800~1000Hz、0~1KHz;将1~10KHz的能量以每1KHz的区域划分为一段,分别为10~9KHz、9~8KHz、8~7KHz、7~6KHz、6~5KHz、5~4KHz、4~3KHz、3~2KHz、2~1KHz、1~0KHz等若干个区域内的分频能量。
地瓜质地与振动声音信号特征变化趋势
将地瓜贮藏在温度为25℃、相对湿度为38%环境中模拟货架期,不进行人为的干预,随着贮藏时间的不断延长,地瓜质量评价指标以及振动声音信号时频特征值都将有显著的变化,其中地瓜振动声音信号时频特征值具体的变化结果见表1。
表1 地瓜振动声音信号时频特征在不同贮藏时期内指标变化(N=120)
其中0~1KHz、1~2KHz等表示分频能量。
地瓜质量指标测定结果
水分
由图3可以看出,随着贮藏天数的增加,地瓜中的水分含量先是大幅度减少,在贮藏一定天数后,地瓜中的水分含量缓慢减少。而李玲等人分别对低温贮藏、室温贮藏以及带苞叶、不带苞叶的不同储存条件下的糯玉米籽粒进行了水分检测,结果表明随贮藏时间的延长,四种储存条件下的籽粒水分均有减少,贮藏时间越长水分损失越大。其中低温储存的糯玉米籽粒水分损失最少,室温储存条件下的籽粒水分损失最大。
结果表明,刚采购的新鲜地瓜的水分含量最高,水分含量约为73%左右,在贮藏15天之后,地瓜水分含量下降幅度减缓,到第35天时,水分含量下降至67%左右。在模拟货架期贮藏过程中,因地瓜呼吸作用比较活跃导致水分散失较为明显。
总糖
1.糖类物质是用来评价地瓜主要指标之一,也是地瓜主要的营养成分。地瓜在模拟货架期贮藏过程中,生理及代谢活动中的呼吸作用遵循三羧酸循环进行。葡萄糖标准曲线如图4所示。
得到趋势线方程:y=0.7161x-0.019,R2=0.9981。
由图可知,线性回归方程相关系数的平方为0.9981,吸光值在0.1-1之间具有良好的相关性。
2.由图5可以看出,随着贮藏天数的增加,地瓜中的总糖含量先降低,在15-30天时总糖含量逐渐增加,增加到峰值后开始减少。贮藏时间变化会影响农产品总糖含量发生变化,王鹏等人通过常温避光条件下的贮藏方式,随着贮藏时间不断延长的蒲公英茶中,结果表明还原糖含量变化呈现为先增加后减少的趋势;Helland等人通过气调处理在5℃和10℃下贮存两种油菜结果表明两种蔬菜在储藏期间糖含量变化趋势也呈现先增加后减少;再吐尼古丽·库尔班等人将采收后的新高粱3号和新高粱4号进行处理贮藏,每15天测定一次总糖含量,结果发现秸秆中总糖含量先增加,在贮藏至第45天时,总糖含量增加至最大值,之后总糖含量总的变化呈下降趋势;王银娣等人将栝楼果实贮藏在阴凉环境中,通过每半个月测定果实的总糖含量,结果发现果实总糖含量先增加后趋于平衡。
根据以上学者的研究,对本试验结果进行分析。地瓜的总糖含量呈现这种趋势的主要原因是刚采收的地瓜由于三羧酸循环过程较为活跃,总糖含量呈下降趋势;随着贮藏天数的增加,地瓜水分含量不断降低,使得三羧酸循环受到抑制,进而表现为地瓜中的糖分不断积累,总糖含量先不断增加后趋于平衡的趋势。
果胶
1.半乳糖醛酸标准曲线如图6所示:
得到趋势线方程:y=0.0075x+0.0092,R2=0.9935。
由图可知,线性回归方程相关系数的平方为0.9935,吸光值在0-0.8之间具有良好的相关性。
2.地瓜果胶含量
经测定不同贮藏时期的地瓜的果胶含量变化如图7所示。果胶含量的变化呈现为先减少后增加;在贮藏第15天时果胶含量达到最高,约3.8%左右,第15天之后果胶含量不断下降,在第30天降至2.3%左右,原因是采摘后地瓜逐渐***,引起这种变化的主要原因是细胞壁的结构和成分,由于果胶物质是细胞壁的主要构成成分,采后地瓜的贮藏时间与果胶有着密切联系。地瓜细胞壁的中层胶主要以原果胶为主,不溶性的原果胶含量逐渐降低,地瓜逐渐软化,所以0~5天果胶总体呈下降趋势;随着贮藏时间增长,地瓜中的原果胶逐渐向能被水溶性的果胶慢慢转化,期间水溶性果胶含量开始呈现上升趋势;这与叶玲等对甜柿采摘后的研究结果是相类似的,所以10~15天内果胶含量是逐渐增加的。但此时由于原果胶含量依然在逐渐减少,所以地瓜依然在继续软化。随着地瓜贮藏的时间越来越长,果胶被果胶酶逐渐水解,果胶含量逐渐减少。
直(支)链淀粉
1.直(支)链淀粉标准曲线见图8和图9所示:
得到趋势线方程:y=0.0013x+0.0022,R2=0.9914。
由图可知,线性回归方程相关系数的平方为0.9914,吸光值在0.01-0.04之间具有良好的相关性。
得到趋势线方程:y=0.0017x+0.0034,R2=0.9981。
由图可知,线性回归方程相关系数的平方为0.9981,吸光值在0.06-0.18之间具有良好的相关性。
2.直(支)链淀粉是地瓜的主要营养成分之一。直(支)链淀粉含量随贮藏时间变化如图10及图11所示。
由图10-图11可知,随着贮藏天数的增加,直链淀粉含量与支链淀粉含量都呈现缓慢下降趋势,即总淀粉含量逐渐较少。近年来对于贮藏期间根茎类农产品品质变化的研究逐渐增多,尤其是甘薯的研究。陶向等将四川地区4个品种的甘薯置于温度为12~16℃,相对湿度为75%~95%的储藏室中储藏,每隔10天测定其淀粉含量,研究发现储藏一个月时淀粉含量明显上升,两个月时上升趋势不明显,两个月后急剧上升,这是因为水分下降速度远远大于淀粉消耗速度,致使淀粉含量上升;朱红等人将6个甘薯品种置于12℃-14℃的条件下贮藏。以15天为一周期,取甘薯样品对其粗淀粉含量、总糖含量等进行测定,结果发现在此贮存条件下淀粉含量逐渐减小,而总糖含量变化趋势为先升高后下降再升高;白珅茯雪在5℃、15℃、25℃的贮藏温度下,以5天为一实验周期,分别测定了4个甘薯品种的淀粉含量、还原糖含量、酚类物质和抗氧化能力来评价其在贮存期间的质地。结果表明,在15℃下最适合长期储存,在整个贮存期间甘薯淀粉含量在前期稍有下降,在后期缓慢增加,他认为贮藏初期淀粉酶活性较大,淀粉大量分解,含量减少,后期随着水分流失导致淀粉含量增加;而林婕等人[37]研究了甘薯淀粉含量分别在7℃、10℃、13℃、16℃的贮藏温度下的变化情况,结果表明在贮藏过程中四个温度下的淀粉含量均先增加后逐渐减少,对于缓慢上升现象分析了以下两点原因:一是失水速度大于淀粉消耗速度使淀粉含量升高,二是为保持生理代谢平衡,甘薯重新合成淀粉增加了淀粉含量,而后期含量减少是因为淀粉分解转化为糖供给呼吸代谢;Plumier等将2011年采收后的黄玉米分别置于室内、室外和冷藏条件下贮藏5-12个月,以7天为一周期检测玉米中未反应的淀粉含量。研究发现:初期,未反应的淀粉含量均以每周0.31%的速度逐渐下降,之后以每周0.16%的速度逐渐增加。
以上述学者的研究为基础,对本实验结果进行分析,在贮存期间地瓜淀粉含量逐渐减少的原因为:地瓜在采摘完成后,为了维持机体的代谢,淀粉酶分解淀粉并将其转化为可供机体吸收的糖分,为地瓜的呼吸作用提供足够的能量,故而贮藏时间越长,淀粉含量越少;而未出现上升趋势是因为呼吸作用导致的淀粉消耗速度大于水分散失速度。
模型的构建
相关性分析
利用SPSS 24软件对时域、频域所提取的声音信号特征值与地瓜水分含量、总糖、果胶、直链淀粉含量、支链淀粉含量、支直比等指标进行相关性分析,其中各数据间根据SPSS中皮尔逊相关、采用双尾显著性检测进行分析,得出地瓜各项指标与振动声音信号时域、频域特征值之间相关性,结果见表2与表3。
表2 地瓜水分含量、总糖、果胶、直链淀粉含量、支链淀粉含量与时域特征值关系(N=120)
注:**在0.01级别(P<0.01),相关性极显著,*在0.05级别(P<0.05),相关性显著。
表3 地瓜水分含量、总糖、果胶、直链淀粉含量、支链淀粉含量与频域特征值关系(N=120)
注:**在0.01级别(P<0.01),相关性极显著,*在0.05级别(P<0.05),相关性显著。其中0~1K Hz代表0~1000Hz内的分频能量,1K~2K Hz等以此类推。
从表2和表3可以发现地瓜水分与最大振幅、5K-6KHz、8K-9KHz及9K-10KHz内的分频能量之间的相关性极显著;地瓜果胶含量与时域特征值显著性不高,但与频域特征值中200-400Hz内的分频能量之间的相关性显著。地瓜总糖与波形指标、能量及200Hz内的能量、1KHz内的能量、5K-6KHz内的分频能量之间的相关性极显著,与600-800Hz、9K-10K内的分频能量之间的相关性显著;地瓜直链淀粉含量与波形指标、能量及200Hz内的能量、200-400Hz、400-600Hz、600-800Hz内的分频能量之间的相关性极显著;地瓜支链淀粉含量与波形指标、能量及5K-6KHz内的分频能量之间的相关性极显著,与200Hz内的能量、200-400Hz、400-600Hz、600-800Hz内的分频能量之间的相关性显著。
建立模型
地瓜果胶含量与时域特征值显著性不高,只与频域特征值中200-400Hz内的分频能量之间的相关性显著,与之相关的特征值太少。通过SPSS线性回归建立地瓜果胶模型得出的相对误差较大,故果胶模型未建立。而地瓜的总糖含量、直链淀粉含量以及支链淀粉含量与时域、频域特征值之间的相关变量较多,为保证建立的相关模型的合理性,采用主成分分析(Principle Component Analysis,PCA)将原来相关变量较多的时域、频域特征值进行降维处理。
水分模型
由于水分含量与最大振幅、5K-6KHz、8K-9KHz及9K-10KHz内的分频能量之间的相关性极显著(见表2和表3)。利用SPSS线性回归分析得出地瓜水分与8K-9KHz及9K-10KHz内的分频能量之间的回归线性方程为:
Y1(%)=-0.149X11+2.666X12-0.593X13+20.599X14+67.721
其中X11、X12、X13、X14分别表示最大振幅、5K-6KHz、8K-9KHz及9K-10KHz内的分频能量。
总糖模型
地瓜总糖与波形指标(成分1)、能量(成分2)及200Hz内的能量(成分3)、1KHz内的能量(成分5)、5K-6KHz内(成分6)的分频能量之间的相关性极显著,与600-800Hz(成分4)、9K-10K内(成分7)的分频能量之间的相关性显著(见表2和表3)。
表4 总糖时域、频域特征值间总方差解释
图12是利用SPSS中因子分析获得的成分分析碎石图,从碎石图的图形中可以看到有明显的转折点。在图12中,明显看出在第4个成分之后特征值均小于1,全部舍去保留该点之前的成分。原因是因为特征值大于1表示与大因子的连接,即相关性显著;而在这点之后特征值小于1表示与小因子的连接,即相关性不明显。所以,通过主成分分析发现成分1、成分2、成分3这一组相关变量与总糖含量高度相关,通过SPSS多元线性回归分析建立地瓜总糖模型为
Y2(%)=-1.753X21-0.032X22-0.705X23+71.698
其中X21、X22、X23分别表示经SPSS主成分分析转换后的波形指标、能量、200Hz内的分频能量。直链淀粉模型
地瓜直链淀粉含量与波形指标(成分1)、能量(成分2)及200-400Hz(成分3)、400-600Hz(成分4)、600-800Hz(成分5)内的分频能量之间的相关性极显著(见表2和表3)。
表5 直链淀粉时域、频域特征值间总方差解释
如图13所示,是经过PCA得到的直链淀粉模型需要的结果分析,即成分碎石图。
同理,图13是利用SPSS因子分析所得的碎石图。在图中可以明显看出在第3个成分之后特征值均小于1,全部舍去保留该点之前的成分。通过主成分分析发现成分1、成分2这一组相关变量与直链淀粉含量高度相关,通过SPSS多元线性回归分析建立地瓜直链淀粉模型为
Y3(%)=2.980X31-0.167X32+32.149
其中X31、X32分别表示经SPSS主成分分析转换后的波形指标、能量。
支链淀粉模型
地瓜支链淀粉含量与波形指标(成分1)、能量(成分2)及5K-6KHz(成分7)内的分频能量之间的相关性极显著,与200Hz(成分3)内的能量、200-400Hz(成分4)、400-600Hz(成分5)、600-800Hz(成分6)内的分频能量之间的相关性显著(见表2和表3)。
表6 支链淀粉时域、频域特征值间总方差解释
如图12所示,是经过PCA得到的支链淀粉模型需要的结果分析,即成分碎石图。同理,图14是利用SPSS因子分析所得的碎石图。在图中可以明显看出在第5个成分之后特征值均小于1,全部舍去保留该点之前的成分。通过主成分分析发现成分1、成分2、成分3、成分4这一组相关变量与支链淀粉含量高度相关,通过SPSS多元线性回归分析建立地瓜支链淀粉模型为
Y4(%)=2.122X41-0.685X42-0.001X43+0.414X44+29.332
其中X41、X42、X43、X44分别表示经SPSS主成分分析转换后的波形指标、能量、200Hz内的能量、200-400Hz内的分频能量。
模型验证
模型验证结果见表7。
表7 地瓜水分、总糖、直链淀粉、支链淀粉多元线性回归模型验证(N=20)
由表7可知,在随机选取的20个样本中,水分模型平均相对误差为3.64%;总糖模型平均相对误差为3.72%;直链淀粉模型平均相对误差为5.26%;支链淀粉模型平均相对误差为4.38%。除直链淀粉模型平均误差略大于5%,其它模型相对误差均小于5%。因此大致可以判定,通过声音信号的时频特征值建立的多元线性回归模型可以用来对地瓜品质进行分析预测。其中,水分模型优于总量模型优于支链淀粉模型优于直链淀粉模型。
地瓜指标模型真实值与预测值比较
将地瓜声音信号的时频特征值分别代入水分模型、总糖模型、直链淀粉模型及支链淀粉模型中得出各项指标的预测值,与地瓜相对应的各指标的真实值进行比较。地瓜各指标真实值与预测值直方图比较见图15。由图15可以明显看出,通过时频特征值建立的地瓜各指标模型的预测值与通过实验测得的真实值结果比较发现二者之间的差异较小,除个别贮藏时期内二者的数据差异较大,总的来说该模型较为合理;也从而证明了声音信号的时频特征值的确与地瓜支链评价指标之间确实存在线性关系,为声学技术在农产品的应用中提供了可靠依据。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (1)
1.基于振动声音信号对地瓜质量评价的方法,其特征在于,包括如下步骤:
S1、地瓜声音信号的采集:利用钢球敲击地瓜的不同部位,再用麦克风连接电脑进行声音的收集;
S2、声音信号的预处理:采用MATLAB编程,对采集的声音信号进行去噪处理;
S3、声音信号特征值的提取:
(1)时域特征值:利用时域分析的算法,从所采集的声音信号当中提取3个显著相关的声学参数,其中分别为总能量、波形指标、最大振幅,其中,总能量的计算公式表示如下:
波形指标为声音信号的总能量和振幅宽度的均方根之比,其计算公式表示如下:
(2)频域特征值:将地瓜声音信号的频率定义在0-10000Hz范围内,将时频分布平均划分为若干个频率区段,再进行能量统计,得到分频能量,具体为:利用希尔伯特黄变换分析方法,对地瓜的振动声音信号进行分析,利用MATLAB试验测得声音信号的Hilbert谱,将各分频区域内的声音信号能量相加,得到各频域内的分频能量;
S4、基于以下模型完成地瓜水分、总糖、直链淀粉、支链淀粉含量的计算:
地瓜水分模型为Y1(%)=-0.149X11+2.666X12-0.593X13+20.599X14+67.721;其中,X11、X12、X13、X14分别表示最大振幅、5K-6KHz、8K-9KHz及9K-10KHz内的分频能量,Y1(%)为地瓜水分含量;
地瓜总糖模型为Y2(%)=-1.753X21-0.032X22-0.705X23+71.698;其中,X21、X22、X23分别表示经SPSS主成分分析转换后的波形指标、总能量、200Hz内的分频能量,Y2(%)为地瓜总糖含量;
地瓜直链淀粉模型为Y3(%)=2.980X31-0.167X32+32.149;其中,X31、X32分别表示经SPSS主成分分析转换后的波形指标、总能量,Y3(%)为地瓜直链淀粉含量;
地瓜支链淀粉模型为Y4(%)=2.122X41-0.685X42-0.001X43+0.414X44+29.332,其中,其中X41、X42、X43、X44分别表示经SPSS主成分分析转换后的波形指标、总能量、200Hz内的分频能量、200-400Hz内的分频能量,Y4(%)为地瓜支链淀粉含量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811255764.XA CN109142534B (zh) | 2018-10-18 | 2018-10-18 | 基于振动声音信号对地瓜质量评价的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811255764.XA CN109142534B (zh) | 2018-10-18 | 2018-10-18 | 基于振动声音信号对地瓜质量评价的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109142534A CN109142534A (zh) | 2019-01-04 |
CN109142534B true CN109142534B (zh) | 2021-07-20 |
Family
ID=64810165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811255764.XA Expired - Fee Related CN109142534B (zh) | 2018-10-18 | 2018-10-18 | 基于振动声音信号对地瓜质量评价的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109142534B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541031A (zh) * | 2019-01-25 | 2019-03-29 | 山东农业大学 | 基于声学和振动特性的水果硬度检测方法 |
CN110441396A (zh) * | 2019-09-10 | 2019-11-12 | 常熟理工学院 | 一种基于振动声音信号的胡萝卜质量评价方法 |
CN111272875A (zh) * | 2020-03-09 | 2020-06-12 | 常熟理工学院 | 一种基于振动声音信号的苹果脆度无损检测方法 |
CN111855800B (zh) * | 2020-07-17 | 2022-04-01 | 西南科技大学 | 声学振动快速无损测定水果货架期或最佳食用期的方法 |
CN111879397B (zh) * | 2020-09-01 | 2022-05-13 | 国网河北省电力有限公司检修分公司 | 高压断路器储能机构故障诊断方法 |
CN112630305B (zh) * | 2020-12-04 | 2022-04-05 | 浙江大学 | 一种手持式水果坚实度及脆度自动检测仪器 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204904662U (zh) * | 2015-07-23 | 2015-12-23 | 唐双 | 一种声音振动实验设备 |
CN105301099A (zh) * | 2015-10-15 | 2016-02-03 | 吉林大学 | 食品脆度检测方法 |
-
2018
- 2018-10-18 CN CN201811255764.XA patent/CN109142534B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204904662U (zh) * | 2015-07-23 | 2015-12-23 | 唐双 | 一种声音振动实验设备 |
CN105301099A (zh) * | 2015-10-15 | 2016-02-03 | 吉林大学 | 食品脆度检测方法 |
Non-Patent Citations (2)
Title |
---|
基于断裂声音信号的胡萝卜质地评价研究;刘洋;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20160815;第13-28页,第57-62页,第69-93页 * |
基于西瓜声学特性测定其成熟度;危艳君 等;《农产品加工》;20120131;第8-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109142534A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109142534B (zh) | 基于振动声音信号对地瓜质量评价的方法 | |
Zhang et al. | Nondestructive quality evaluation of agro-products using acoustic vibration methods—A review | |
Huang et al. | Flexible sensing enabled agri-food cold chain quality control: A review of mechanism analysis, emerging applications, and system integration | |
Jha et al. | Modeling of color values for nondestructive evaluation of maturity of mango | |
Zdunek et al. | New contact acoustic emission detector for texture evaluation of apples | |
Aboonajmi et al. | A review on application of acoustic analysis in quality evaluation of agro‐food products | |
De Belie et al. | Principal component analysis of chewing sounds to detect differences in apple crispness | |
CN102353701B (zh) | 一种利用挥发物的农作物虫害诊断方法 | |
Pang et al. | Hyperspectral imaging coupled with multivariate methods for seed vitality estimation and forecast for Quercus variabilis | |
Jie et al. | Review on the recent progress of non-destructive detection technology for internal quality of watermelon | |
Zhou et al. | Hyperspectral imaging of beet seed germination prediction | |
CN105158186A (zh) | 一种基于高光谱图像对白萝卜黑心检测的方法 | |
CN103713051B (zh) | 一种球形水果质地预测模型的建模方法 | |
CN105301099A (zh) | 食品脆度检测方法 | |
Rivera et al. | Blueberry firmness-A review of the textural and mechanical properties used in quality evaluations | |
Barcelon et al. | Relating X-ray absorption and some quality characteristics of mango fruit (Mangifera indica L.) | |
CN107505179A (zh) | 一种土壤预处理与养分近红外光谱检测方法 | |
CN110531039A (zh) | 一种基于WiFi设备的粮食霉变检测方法及装置 | |
Tian et al. | Mechanical-based and optical-based methods for nondestructive evaluation of fruit firmness | |
CN104730027B (zh) | 应用近红外光谱技术测定小麦条锈病菌夏孢子萌发率的方法 | |
Hu et al. | Applications of optical property measurement for quality evaluation of agri-food products: a review | |
CN102749420A (zh) | 一种适宜凝胶型蛋白质加工的花生品质测定及其评价方法 | |
Xue et al. | Study of Malus Asiatica Nakai’s firmness during different shelf lives based on visible/near-infrared spectroscopy | |
Liu et al. | Feasibility of non‐destructive evaluation for apple crispness based on portable acoustic signal | |
CN110441396A (zh) | 一种基于振动声音信号的胡萝卜质量评价方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210720 |