CN110411957B - 水果货架期及新鲜程度的无损快速预测方法及装置 - Google Patents
水果货架期及新鲜程度的无损快速预测方法及装置 Download PDFInfo
- Publication number
- CN110411957B CN110411957B CN201910803691.1A CN201910803691A CN110411957B CN 110411957 B CN110411957 B CN 110411957B CN 201910803691 A CN201910803691 A CN 201910803691A CN 110411957 B CN110411957 B CN 110411957B
- Authority
- CN
- China
- Prior art keywords
- sample
- fruit
- samples
- apple
- value
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 202
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000012937 correction Methods 0.000 claims abstract description 195
- 238000003860 storage Methods 0.000 claims abstract description 96
- 230000003595 spectral effect Effects 0.000 claims abstract description 58
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000013500 data storage Methods 0.000 claims abstract description 19
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 235000010724 Wisteria floribunda Nutrition 0.000 claims description 119
- 238000012795 verification Methods 0.000 claims description 51
- 230000002159 abnormal effect Effects 0.000 claims description 33
- 238000013178 mathematical model Methods 0.000 claims description 26
- 238000001228 spectrum Methods 0.000 claims description 19
- 230000003287 optical effect Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000001419 dependent effect Effects 0.000 claims description 11
- 238000010238 partial least squares regression Methods 0.000 claims description 11
- 238000010521 absorption reaction Methods 0.000 claims description 8
- 238000000862 absorption spectrum Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- -1 polytetrafluoroethylene Polymers 0.000 claims description 4
- 229920001343 polytetrafluoroethylene Polymers 0.000 claims description 4
- 239000004810 polytetrafluoroethylene Substances 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012628 principal component regression Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000000411 transmission spectrum Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 241000220225 Malus Species 0.000 description 245
- 239000000523 sample Substances 0.000 description 184
- 235000021016 apples Nutrition 0.000 description 79
- 238000002329 infrared spectrum Methods 0.000 description 13
- 238000007781 pre-processing Methods 0.000 description 10
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 9
- 229910052744 lithium Inorganic materials 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 235000021022 fresh fruits Nutrition 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- 229910052594 sapphire Inorganic materials 0.000 description 2
- 239000010980 sapphire Substances 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 102000016550 Complement Factor H Human genes 0.000 description 1
- 108010053085 Complement Factor H Proteins 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012468 concentrated sample Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012845 near infrared spectroscopy analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 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
-
- 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
- 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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/02—Food
- G01N33/025—Fruits or vegetables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Food Science & Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Medicinal Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种水果货架期及新鲜程度的无损快速预测方法及装置。该方法包括获取不同储存时间水果的光谱数据并记录水果储存时间和环境数据;采用回归算法建立水果储存时间模型,基于所建模型预测值结合样本数计算加权修正预测值并计算判别阈值从而判断水果新鲜程度,并提出了根据水果关键变化期数据制定水果货架期的方法。基于上述方法,研制出水果新鲜程度分析仪,包含光路***、电路***、控制***、数据存储与处理***;可采集水果光谱数据并调用模型预测水果新鲜程度。本方法明显提高了水果新鲜程度和货架期预测的精准度,能够实现水果新鲜程度和货架期的无损、快速、精准预测,为水果新鲜程度快速分析仪的研制提供了技术参考。
Description
技术领域
本发明涉及光谱分析领域,具体地说,涉及一种水果货架期及新鲜程度的无损快速预测方法及装置。
背景技术
水果货架期是水果新鲜程度的重要衡量指标并且是销售过程中的重要参数。一般认为,处于货架期内的水果是新鲜水果,适宜食用;而处于货架期外的水果是不新鲜水果,不适宜食用。由于保存条件不当导致水果新鲜程度骤降进而导致水果损失、浪费的案例屡见不鲜,造成巨大的经济损失。因此,有必要针对水果新鲜程度进行预测,并基于水果新鲜程度的判定结果,研究水果货架期的制定方法。
不同水果在储存过程中发生的变化不同,即使同一种水果的不同个体,也会由于储藏环境、位置以及水果个体本身的原因导致新鲜程度不同,对其货架期的预测更是异常困难。这些都使得水果货架期的预测和新鲜程度的判断成为本领域一直以来的技术难题。
光谱分析具有快速、高效、无损、环境友好的技术特点,一直以来都是快速无损分析领域的重要分析技术。在工农业生产领域,以近红外光谱分析为代表的多光谱分析成为近年来的热门研究领域。近红外光谱不仅具有无损、快速、高效、环境友好等特点,而且可以实时记录实验对象的光谱信息,这对于水果新鲜度的预测、评价工作而言是非常合适的。
目前报道的基于近红外光谱等方法对水果或其他农产品/食品的货架期/保质期的预测,普遍存在的问题主要包括:采用不同时间点的样品建立判别模型,而对于水果或其他农产品/食品的连续变化则没有细致深入的研究,即预测的精度不高;另外,只能针对待测样品进行储藏时间分类,即判定待测样品归属于某个储藏阶段,没有真正实现根据近红外光谱等数据对样品货架期/新鲜程度进行预测。因此,亟需开发一种无损、快速、高效的分析方法对水果货架期/新鲜程度进行精准预测。
发明内容
本发明的目的是提供一种水果货架期及新鲜程度的无损快速预测方法及装置。
为了实现本发明目的,第一方面,本发明提供一种水果货架期及新鲜程度的无损快速预测方法,包括以下步骤:
A、获取水果样品光谱数据并记录水果储存时间和环境数据;剔除异常值后,根据水果样品的实际情况和实际储存时间,将样品初步划分为“新鲜”、“不新鲜”和“临界期”三类,并采用SPXY算法对新鲜样品和不新鲜样品的光谱数据进行分集,分为校正集和外部验证集,所述校正集用于数学模型的建立,所述外部验证集用于对所建数学模型进行盲样验证;
B、以光谱数据为自变量,以储存时间为因变量建立水果储存时间的数学模型,利用所建模型分别获得新鲜样品和不新鲜样品的储存时间预测值,根据新鲜样品的储存时间预测值和新鲜样品数量计算新鲜样品的加权修正预测值,根据不新鲜样品的储存时间预测值和不新鲜样品数量计算不新鲜样品的加权修正预测值,并根据新鲜样品的加权修正预测值的平均值和新鲜样品数量、不新鲜样品的加权修正预测值的平均值和不新鲜样品数量以及修正系数计算判别阈值,用以判断水果样品的新鲜程度;当水果样品校正集或外部验证集的加权修正预测值小于判别阈值时,判定该样品为新鲜样品;当水果样品校正集、外部验证集的加权修正预测值大于或等于判别阈值时,判定该样品为不新鲜样品;根据水果样品校正集和外部验证集中新鲜样品和不新鲜样品的判别准确率情况,对所建模型进行评价,判定模型的有效性;
C、在相同实验条件下,采集待测水果样本的光谱数据,利用步骤B的有效数学模型,获得待测水果样本的储存时间预测值,并与“新鲜”、“不新鲜”和“临界期”水果相应的实际储存时间进行比较,从而判定待测水果样本的新鲜程度;
D、利用步骤B的有效数学模型获得临界期样品的储存时间预测值,并根据临界期样品的储存时间预测值、新鲜样品数量、不新鲜样品数量和校正集样品总数计算临界期样品的加权修正预测值;当临界期样品的加权修正预测值出现“不新鲜”的预测结果超过当天观测样品数量的一半时记为原货架期,将原货架期乘以校正系数,即为水果货架期。
其中,步骤C中所述的待测水果样本与步骤A、B和D中所述的水果样品为同一种类的水果且储存环境相同。
所述光谱数据选自紫外、可见、近红外、中红外、荧光或太赫兹光谱数据等,光谱数据的表现形式为吸收谱、吸收系数谱、透射谱或反射谱等;优选地,所述光谱数据为近红外吸收光谱数据。
所述数学模型采用回归算法结合交互验证算法建立,所述回归算法选自多元线性回归、主成分回归、偏最小二乘回归、神经网络回归、支持向量机回归等;优选偏最小二乘回归。
所述环境数据包括水果储存环境的温度和相对湿度数据。当所述水果为苹果时,环境温度范围为19.7℃~23.2℃,优选21.8℃;环境相对湿度范围为10%~28%,优选16%。
所述水果包括但不限于苹果,优选富士苹果或王林苹果。
前述的方法,步骤A中所述校正集和外部验证集的样本容量比为7:1~2.5:1。
采用基线校正结合数据中心化数据预处理方式对校正集进行数据预处理;采用偏最小二乘回归算法结合全交互验证算法,以富士苹果近红外光谱数据为自变量、以富士苹果储存天数为因变量建立校正模型。
所述校正集中,新鲜样品数量nF和不新鲜样品数量nR之比满足以下条件:0.892≤nF/nR≤1.125,且0.892≤nR/nF≤1.125。
当所述水果为苹果时,以采摘当天记为第0天,根据苹果实际情况和实际存储时间,初步将第0天~第14天的样品划分为新鲜样品,初步将第15天~第21天的样品划分为临界期样品,初步将第22天及以上的样品划分为不新鲜样品。
前述的方法,步骤A中所述获取水果样品光谱数据的方法包括:自水果采摘当天计算时间,在一段时间(可以是25天~32天)内数据采集次数不少于25次,且每天最多采集一次光谱数据。
当所述光谱数据为近红外吸收光谱数据时,数据采集方法包括:利用近红外光谱仪,以聚四氟乙烯白板为背景;单次积分时间50ms;累加50次取平均值;波长范围为901.841nm~1700.930nm,光谱中心分辨率为8.00nm~12.00nm,优选9.36nm;光谱变量数128个,光谱变量间隔4.882nm~7.883nm,优选6.292nm。
前述的方法,步骤A中所述剔除异常值包括:采用数据中心化预处理结合偏最小二乘回归算法,以光谱数据为自变量,以储存时间为因变量进行预建模,计算预建模残差,即预建模预测值与实际值之差,根据所述预建模残差确定异常值的预建模残差判定阈值。
优选地,所述异常值的预建模残差判定阈值设定为47.0~53.0,更优选49.5~50.4。当所述水果为富士苹果时,异常值的预建模残差判定阈值最优选为50.0,当所述水果为王林苹果时,异常值的预建模残差判定阈值最优选为50.2。
预建模残差大于或等于所设定异常值的预建模残差判定阈值的样品被视为异常值,应予以剔除。
前述的方法,步骤B中所述新鲜样品的加权修正预测值的计算方法如式(1)所示:
式(1)中,yFRCi为第i个新鲜样品的加权修正预测值,yFi为模型对第i个新鲜样品的储存时间预测值,nF是校正集中新鲜样品数量,nT为校正集样品总数。
所述不新鲜样品的加权修正预测值的计算方法如式(2)所示:
式(2)中,yRRCj为第j个不新鲜样品的加权修正预测值,yRj为模型对第j个不新鲜样品的储存时间预测值,nR是校正集中不新鲜样品数量,nT为校正集样品总数。
所述判别阈值的计算方法如式(3)所示:
式(3)中,Eps为判别阈值,yFRCm为新鲜样品加权修正预测值的平均值,yRRCm为不新鲜样品加权修正预测值的平均值,a为修正系数。
优选地,当所述水果为苹果时,所述修正系数a的取值范围为1.0~2.0;
当所述水果为富士苹果时,所述修正系数a的取值范围为1.4~1.7,更优选1.5~1.6,最优选1.55;
当所述水果为王林苹果时,所述修正系数a的取值范围为1.0~1.3,更优选1.1~1.2,最优选1.16。
在本发明的一个优选实施方式中,当所述水果为富士苹果时,Eps=7.8517。
在本发明的一个优选实施方式中,当所述水果为王林苹果时,Eps=8.8297。
前述的方法,步骤C中所述临界期样品的加权修正预测值的计算方法如式(4)所示:
式(4)中,yRCCk为第k个临界期样品的加权修正预测值,yk为模型对第k个临界期样品的储存时间预测值,nF是校正集中新鲜样品数量,nR是校正集中不新鲜样品数量,nT为校正集样品总数。
所述水果货架期的计算方法如式(5)所示:
T=floor(T0×H) 式(5)
式(5)中,T为水果货架期,T0为原货架期,H为校正系数,floor为向下取整运算符。
优选地,当所述水果为苹果时,H的取值范围为0.70~1.00;
当所述水果为富士苹果时,H的取值范围为0.78~0.92,优选0.80~0.90,更优选0.82;
当所述水果为王林苹果时,H的取值范围为0.75~0.95,优选0.79~0.89,更优选0.81。
第二方面,本发明提供用于实现上述方法的装置(分析仪),所述装置包括光学***、控制***、电路***以及数据存储与处理***;
所述光学***用于对样品光谱数据的采集;
所述电路***用于对装置进行稳定供电;
所述控制***用于对装置的工作过程进行控制;
所述数据存储与处理***用于数据存储、数学模型调用、结果预测、存储与输出。
第三方面,本发明提供上述方法或装置在水果新鲜程度和/或货架期预测中的应用。
借由上述技术方案,本发明至少具有下列优点及有益效果:
本发明提供的水果货架期及新鲜程度无损快速预测方法及装置。所述方法包括获取不同储存时间水果的光谱数据并记录水果储存时间和环境数据(温度和相对湿度数据);采用回归算法建立水果储存时间模型,基于所建模型对水果储存时间预测值和样本数计算加权修正预测值并计算判别阈值从而判断水果新鲜程度,并提出了根据水果关键变化期数据制定水果货架期的方法。基于上述方法,研制出水果新鲜程度分析仪,包含光路***、电路***、控制***、数据存储与处理***;仪器可采集水果的光谱数据,并调用数学模型预测水果的新鲜程度。
本发明提供的水果货架期及新鲜程度的预测方法明显提高了水果新鲜程度和货架期预测的精准度,能够实现水果新鲜程度和货架期的无损、快速、精准预测;该方法有效提高了水果新鲜程度判断和货架期制定的效率,为降低水果在储存过程中的损失和浪费提供了有效方法和技术支持,为用于水果新鲜程度快速分析的便携式装置的研制提供了技术参考。
附图说明
图1为本发明较佳实施例中水果新鲜程度和货架期的无损快速预测方法的流程图。
图2为本发明实施例1中富士苹果校正集的储存时间预测值与实际值的相关关系图。
图3为本发明实施例1中富士苹果校正集的加权修正预测值。
图4为本发明实施例1中富士苹果外部验证集的加权修正预测值。
图5为本发明实施例2中王林苹果校正集的储存时间预测值与实际值的相关关系图。
图6为本发明实施例2中王林苹果校正集的加权修正预测值。
图7为本发明实施例2中王林苹果外部验证集的加权修正预测值。
图8为本发明实施例3中水果新鲜程度无损快速分析仪的侧视剖面示意图;其中,1-1:探头部分,1-2:手柄部分,1-3:底座部分,2:光谱仪,2-1:光谱仪散热风扇,3:窗片,3-1:窗片***,4:触摸屏显示器,5:工程主板,6:数据接口,7:锂电池,8:环形自动触发开关,9:稳压电源与充电保护模块,10:开关,11:充电插孔,11-1:电源指示灯,11-2:工作指示灯。
图9为本发明实施例3中水果新鲜程度无损快速分析仪的正视示意图;其中,1-1:探头部分,1-2:手柄部分,1-3:底座部分,2:光谱仪,3:窗片,3-1:窗片***,8:环形自动触发开关。
图10为本发明实施例3中水果新鲜程度无损快速分析仪的后视示意图;其中,1-1:探头部分,1-2:手柄部分,1-3:底座部分,4:触摸屏显示器,6:数据接口,10:开关,11:充电插孔,11-1电源指示灯,11-2工作指示灯。
具体实施方式
本发明针对水果新鲜程度预测精度不高及制定货架期的难题,面向水果新鲜程度的无损快速预测以及货架期的高效制定,提出一种基于近红外光谱技术的水果货架期及新鲜程度无损快速预测方法:获取不同储存时间水果的光谱数据并记录水果储存时间、温度和相对湿度数据;采用回归算法建立水果存储时间模型,基于所建模型对水果储存时间预测值和样本数计算加权修正预测值并计算判别阈值并判断水果新鲜程度,根据水果关键变化期数据制定水果货架期。基于该方法研制水果新鲜程度无损快速分析仪:包含光路***、电路***、控制***、数据存储与处理***;仪器采集水果的光谱数据,并调用数学模型预测水果的新鲜程度,从而克服目前实际工作中遇到的水果新鲜程度预测精度不高以及难以准确制定货架期的问题。
为解决目前实际工作中遇到的水果新鲜程度预测精度不高以及难以准确制定货架期的难题,本发明提出一种水果货架期及新鲜程度无损快速预测方法,包括以下步骤:
(1)获取样品光谱数据并记录环境数据;剔除异常值后,根据样品实际情况和实际存储时间,将样品分为新鲜样品、不新鲜样品和临界期样品。
(2)采用回归算法建立水果存储时间模型,基于所建模型对水果样品的储存时间预测值和样本数量计算加权修正预测值并计算判别阈值并判断水果新鲜程度,根据临界期样品数据制定水果货架期。
(3)基于上述方法,研制水果新鲜程度分析仪,包含光路***、电路***、控制***、数据存储与处理***;所述分析仪将光学***所采集数据进行存储,并调用数学模型预测水果的新鲜程度。
进一步地,所述光谱数据可以是紫外、可见、近红外、中红外、荧光、太赫兹光谱数据,光谱数据表现形式可以是吸收谱、吸收系数谱、透射谱、反射谱;进一步优选为近红外吸收谱。更优选地,利用数字光处理技术内核的近红外吸收光谱仪测定样品的近红外吸收谱。
所述水果为苹果,优选为富士苹果或王林苹果。
所述样品的光谱数据采集:苹果从果树上采摘当天计算时间为第0天,每过1天储存时间增加1天,在一段时间内(可以是25天~32天)采集光谱数据,每天最多采集一次光谱数据,观测/数据采集次数不少于25次;所述环境数据包含实验及储存过程中苹果所处环境的温度和相对湿度数据。
根据实验过程中苹果的实际情况和实际存储时间,将苹果初步划分为“新鲜”、“临界”和“不新鲜”三类:初步将第0天~第14天的样品划分为新鲜样品,初步将第15天~第21天的样品划分为临界期样品,初步将第22天及以上的样品划分为不新鲜样品。所述预建模是指仅采用数据中心化预处理结合偏最小二乘回归算法,以苹果近红外光谱数据为自变量、以苹果储存天数为因变量建立校正模型,并通过模型计算预建模残差——即预建模预测值与实际值之差。所述剔除异常值,采用预建模残差判定阈值作为异常值判定标准,所述异常值的预建模残差判定阈值设定为47.0~53.0,优选地,所述异常值的预建模残差判定阈值设定为49.5~50.4;对于富士苹果所述异常值的预建模残差判定阈值进一步优选为50.0,预建模残差值大于或等于50.0的富士苹果样品被视为异常值,应予以剔除;对于王林苹果,所述异常值的预建模残差判定阈值进一步优选为50.2,预建模残差值大于或等于50.2的王林苹果样品被视为异常值,应予以剔除。
将根据实验过程中苹果的实际情况和实际存储时间划分的“新鲜”和“不新鲜”两类苹果的数据用于数据分集。所述校正集用于数学模型的建立;所述外部验证集作为外部盲样对所建数学模型进行外部盲样验证;优选地,所述校正集与外部验证集的样本容量比为7:1~2.5:1,所述校正集与外部验证集采用SPXY算法从剔除异常值后的“新鲜”和“不新鲜”两类苹果中遴选。进一步地,所述校正集中,新鲜样品数量(nF)和不新鲜样品数量(nR)之比需同时满足0.892≤nF/nR≤1.125且0.892≤nR/nF≤1.125。
进一步地,所述回归算法可以是多元线性回归、主成分回归、偏最小二乘回归、神经网络回归、支持向量机回归;优选偏最小二乘回归。
采用数据预处理方法对校正集数据进行数据预处理;采用所述回归算法结合全交互验证算法,以光谱数据为自变量、以储存天数为因变量建立校正模型。
水果样品校正集、外部验证集新鲜程度判别方法如下:根据新鲜样品预测值和新鲜样品数量计算新鲜样品加权修正预测值,根据不新鲜样品预测值和不新鲜样品数量计算不新鲜样品加权修正预测值,并根据新鲜样品加权修正预测值平均值、新鲜样品数量、不新鲜样品加权修正预测值平均值、不新鲜样品数量和修正系数计算判别阈值。当水果样品校正集、外部验证集的加权修正预测值小于判别阈值时,判定该样品为新鲜样品;当水果样品校正集、外部验证集的加权修正预测值大于或等于判别阈值时,判定该样品为不新鲜样品。
水果货架期的制定方法如下:根据临界期样品的储存时间预测值、新鲜样品数量、不新鲜样品数量、校正集样品总数计算临界期样品的加权修正预测值。临界期样品预测值出现“不新鲜”预测结果超过当天样品数量的一半时定为原货架期T0,将原货架期T0乘以校正系数H,再将所得乘积向下取整得到货架期T,即T=floor(T0×H),其中,T0为原货架期,“floor”为向下取整运算符。当所述水果为苹果时,校正系数H的取值范围为0.70~1.00;当所述水果为富士苹果时,H的取值范围为0.78~0.92,优选0.80~0.90,更优选0.82;当所述水果为王林苹果时,H的取值范围为0.75~0.95,优选0.79~0.89,更优选0.81。
所述新鲜样品的加权修正预测值计算方法如式(1)所示。
式(1)中,yFRCi为第i个新鲜水果样品的加权修正预测值,yFi为模型对第i个新鲜样品的储存时间预测值,nF是校正集中新鲜样品数量,nT为校正集样品总数。
所述不新鲜样品的加权修正预测值计算方法如式(2)所示。
式(2)中,yRRCj为第j个新鲜水果样品的加权修正预测值,yRj为模型对第j个不新鲜样品的储存时间预测值,nR是校正集中不新鲜样品数量,nT为校正集样品总数。
所述判别阈值的计算方法如式(3)所示。
式(3)中,Eps为判别阈值,yFRCm为新鲜样品加权修正预测值平均值,yRRCm为不新鲜样品加权修正预测值平均值,a为修正系数。
优选地,当所述水果为苹果时,所述修正系数a的取值范围为1.0~2.0;当所述水果为富士苹果时,所述修正系数a的取值范围为1.4~1.7,更优选1.5~1.6,最优选1.55;当所述水果为王林苹果时,所述修正系数a的取值范围为1.0~1.3,更优选1.1~1.2,最优选1.16。
优选地,当所述水果为富士苹果时,Eps=7.8517。
优选地,当所述水果为王林苹果时,Eps=8.8297。
所述临界期样品的加权修正预测值计算方法如式(4)所示。
式(4)中,yRCCk为第k个临界期样品的加权修正预测值,yj为模型对第k个临界期样品的储存时间预测值,nF是新鲜样品数量,nR是不新鲜样品数量,nT为校正集样品总数。
进一步地,所述水果新鲜程度无损快速分析仪基于所述水果样品校正集、外部验证集新鲜程度判别方法设计并研制,包含光学***、电路***、控制***、数据存储与处理***,分析仪包含探头部分、手柄部分和底座部分。所述分析仪将光学***所采集数据进行存储,根据所建模型得到样品预测数据,计算加权修正预测值,通过判别阈值判定水果样品新鲜程度。
进一步地,所述光学***包含光谱仪、光谱仪散热风扇、窗片、窗片***;所述光谱仪可以是紫外-可见、近红外、中红外、荧光、太赫兹光谱仪,优选近红外光谱仪;所述近红外光谱仪优选数字光处理技术为内核的近红外光谱仪;所述窗片为允许工作光线透过的材料,优选近红外石英或蓝宝石材料;所述载物台中间开设通光孔,所述通光孔直径2mm~10mm,优选3mm~5mm。所述光学***用于分析仪工作过程中对样品光谱数据的采集。
进一步地,所述电路***包含锂电池、稳压电源与充电保护模块、开关、电源指示灯、工作指示灯、充电插孔。所述分析仪采用锂电池和稳压电源两种供电方式,可适应实验室操作和田间/现场操作等不同应用场景,其中,所述稳压电源与充电保护模块可将交流电转换为仪器可用电源供仪器工作使用,同时起为锂电池充电作用;开关采用按键开关或船型开关,优选船型开关;电源指示灯在仪器接通电源后亮起、关闭电源后熄灭,在使用锂电池供电的非充电状态下显示红色,在外接电源充电状态下显示黄色,在充电完成状态下显示绿色;工作指示灯在光谱仪采集光谱数据时亮起,显示蓝色,在光谱仪采集光谱数据完毕后熄灭。所述电路***用于分析仪工作过程中对仪器进行稳定供电。
进一步地,所述控制***包含工程主板、触摸屏显示器、环形自动触发开关。其中,所述工程主板上设有中央处理器、显卡、主板散热器。所述控制***用于对分析仪工作过程进行控制。
进一步地,所述数据存储与处理***包含随机存储器、只读存储器、固态硬盘、数据接口。其中,随机存储器、只读存储器和固态硬盘固定在工程主板上。数据接口可以是USB、OTG、Type-C接口中的一种或几种。所述数据存储于处理***用于数据存储、数学模型调用、结果预测与输出。
所述光谱仪和所述电路***、控制***、数据存储与处理***彼此之间皆电连接。所述分析仪将光学***所采集数据进行存储,根据所建模型得到样品预测数据,计算加权修正预测值,通过判别阈值判定水果样品新鲜程度。
本发明所述方法可对水果新鲜程度进行精准预测并提供了水果货架期的制定方法,同时,本发明所述分析仪可实现对水果新鲜程度进行快速无损分析并输出判别结果,可为水果货架期快速判别以及便携式仪器的研发提供技术参考。
以下实施例用于说明本发明,但不用来限制本发明的范围。若未特别指明,实施例中所用的技术手段为本领域技术人员所熟知的常规手段,所用原料均为市售商品。
实施例1富士苹果货架期的制定与新鲜程度判别分析
结合图1~图4,对富士苹果货架期的制定与新鲜程度判别进行分析。本实施例所述农产品为苹果,优选北京市昌平区产富士苹果。在果园采摘成熟富士苹果,采摘当天记为“第0天”,此后每过1天,则苹果储存天数增加1。每次采集8个富士苹果的近红外光谱数据,每天最多采集数据1次,同时记录环境温度和相对湿度数据。实验结束后,共经历时长32天,观测/采集光谱数据次数25次。对环境温度和相对湿度进行数据统计,环境温度最小值19.7℃,最大值23.2℃,平均值21.8℃;环境相对湿度最小值10%,最大值28%,平均值16%。
采用基于数字光处理(Digital Light Processing,DLP)技术近红外光谱仪采集实验数据,所述仪器参数如下:以聚四氟乙烯白板作为光谱背景参考物;单次积分时间50ms;累加50次取平均;波长范围901.841nm~1700.930nm,光谱中心分辨率8.00nm~12.00nm,优选9.36nm,光谱变量数128个,光谱变量间隔4.882nm~7.883nm,优选光谱变量间隔6.292nm。
根据富士苹果的实际情况和实际存储时间,将富士苹果划分为“新鲜”、“临界”和“不新鲜”三类。针对实验过程中的富士苹果,初步将储存14天(含第14天)以内的苹果作为“新鲜”样品,初步将储存22天(含第22天)以上的苹果作为“不新鲜”样品,初步将储存15天~21天(含第15天和第21天)的苹果作为“临界”样品。以富士苹果近红外光谱数据为自变量,以苹果储存天数为因变量,在对数据进行中心化处理的基础上,采用偏最小二乘回归(Partial Least Square Regression,PLSR)算法建立校正模型,并根据模型数据计算预建模残差,即预建模预测值与实际值之差。采用预建模残差作为异常值的判定标准,异常值的预建模残差判定阈值设定为47.0~53.0,优选地,所述异常值的预建模残差判定阈值设定为49.5~50.4,针对富士苹果,进一步优选异常值的预建模残差判定阈值为50.0。预建模残差值大于或等于50.0的富士苹果样品被视为异常值,应予以剔除。
将剔除异常值后的“新鲜”和“不新鲜”富士苹果数据采用SPXY算法划分为校正集和外部验证集。所述校正集用于数学模型的建立;所述外部验证集作为外部盲样对所建数学模型进行外部盲样验证。进一步地,所述校正集中,新鲜样品数量(nF)和不新鲜样品数量(nR)之比需同时满足0.892≤nF/nR≤1.125且0.892≤nR/nF≤1.125。具体地,剔除异常值后,富士苹果校正集包含观测样本99个,其中“新鲜”样本52个,“不新鲜”样本47个;富士苹果外部验证集包含观测样本33个,其中“新鲜”样本18个,“不新鲜”样本15个。此外,剔除异常值后,富士苹果“临界”样本41个。
采用基线校正结合数据中心化数据预处理方式对校正集进行数据预处理;采用偏最小二乘回归算法结合全交互验证算法,以富士苹果近红外光谱数据为自变量、以富士苹果储存天数为因变量建立校正模型。富士苹果校正集预测值-实际值相关关系图见图2。
根据新鲜富士苹果样品预测值和新鲜富士苹果样品数量计算新鲜富士苹果样品加权修正预测值。所述新鲜富士苹果样品的加权修正预测值计算方法如式(1)所示。
式(1)中,yFRCi为第i个新鲜富士苹果样品的加权修正预测值,yFi为模型对第i个新鲜富士苹果样品的储存时间预测值,nF是富士苹果校正集中新鲜富士苹果样品数量,nT为富士苹果校正集样品总数。
根据不新鲜富士苹果样品预测值和不新鲜富士苹果样品数量计算不新鲜富士苹果样品加权修正预测值。所述不新鲜富士苹果样品的加权修正预测值计算方法如式(2)所示。
式(2)中,yRRCj为第j个不新鲜富士苹果样品的加权修正预测值,yRj为模型对第j个不新鲜富士苹果样品的储存时间预测值,nR是富士苹果校正集中不新鲜富士苹果样品数量,nT为富士苹果校正集样品总数。
需要说明的是,对于外部验证集样品,采用模型对其预测得到预测值,再根据外部验证集样品实际所属情况,按照式(1)或式(2)计算器加权修正预测值。富士苹果校正集加权修正预测值见图3,富士苹果外部验证集加权修正预测值见图4。
根据新鲜富士苹果样品加权修正预测值平均值、新鲜富士苹果样品数量、不新鲜富士苹果样品加权修正预测值平均值、不新鲜富士苹果样品数量和富士苹果修正系数计算判别阈值。所述判别阈值的计算方法如式(3)所示。
式(3)中,Eps为判别阈值,yFRCm为新鲜富士苹果样品加权修正预测值平均值,yRRCm为不新鲜富士苹果样品加权修正预测值平均值,a为富士苹果修正系数。对于富士苹果,修正系数a的取值范围为1.4~1.7,优选1.5~1.6,进一步优选为1.55。根据富士苹果实验数据计算得到富士苹果判别阈值Eps=7.8517。
富士苹果新鲜程度的判别方法如下:将富士苹果样品校正集、外部验证集的加权修正预测值与判别阈值Eps作比较,当富士苹果样品校正集、外部验证集的加权修正预测值小于判别阈值Eps时,判定该样品“新鲜”;当富士苹果样品校正集、外部验证集的加权修正预测值大于或等于判别阈值Eps时,判定该样品“不新鲜”。
通过富士苹果校正集和外部验证集中新鲜富士苹果样品和不新鲜富士苹果样品的判别正确率情况可以对所建模型的准确度进行评价,如表1所示。从表1可见,对于富士苹果,校正集新鲜富士苹果样品、不新鲜富士苹果样品以及总样品的判别正确率皆为100%,外部验证集新鲜富士苹果样品、不新鲜富士苹果样品以及总样品的判别正确率分别为94.4%、100%和97.0%。表1数据说明基于所建模型的预测结果计算加权平均预测值与计算所得富士苹果新鲜程度的判别阈值作比较,从而对富士苹果新鲜程度做出判断的正确率较高,可以满足实际检测需要。
表1富士苹果模型准确度统计
所述临界期富士苹果样品的加权修正预测值计算方法如式(4)所示。
式(4)中,yRCCk为第k个临界期富士苹果样品的加权修正预测值,yj为模型对第k个临界期富士苹果样品的储存时间预测值,nF是新鲜富士苹果样品数量,nR是不新鲜富士苹果样品数量,nT为校正集富士苹果样品总数。
富士苹果货架期的制定方法如下:根据临界期富士苹果样品的储存时间预测值、新鲜富士苹果样品数量、不新鲜富士苹果样品数量、校正集富士苹果样品总数计算临界期富士苹果样品的加权修正预测值。临界期富士苹果样品预测值出现“不新鲜”预测结果超过当天样品数量的一半时定为原货架期T0,将原货架期T0乘以富士苹果校正系数H,再将所得乘积向下取整得到货架期T,即T=floor(T0H),其中,“floor”为向下取整运算符。优选地,将14天(含第14天)以内样品定为新鲜富士苹果样品,将15~21天(含第15天和第21天)样品定为临界期富士苹果样品,将22天(含第22天)以上样品定为不新鲜富士苹果样品;苹果H取值范围0.70~1.00,富士苹果H取值范围0.78~0.92,优选0.80~0.90,进一步优选H=0.82。
富士苹果临界期样品的实际储存天数、加权修正预测值及判别结果如表2所示。从表2可见,当临界期富士苹果样品储存时间15~18天时,判定为“不新鲜”的样品数目未超过当天观测样本数的一半;当临界期富士苹果样品存储时间达到20天时,判定为“不新鲜”的样品数目超过当天观测样本数的一半。因此,富士苹果原货架期T0=20;结合富士苹果校正系数H,计算得到富士苹果货架期T=floor(T0×H)=floor(20×0.82)=floor(16.4)=16天。
表2富士苹果临界期样品的实际储存天数、加权修正预测值及判别结果
实施例2王林苹果货架期的制定与新鲜程度判别
结合图1和图5~图7,对王林苹果货架期的制定与新鲜程度判别进行分析。本实施例所述农产品为苹果,优选北京市昌平区产王林苹果。在果园采摘成熟王林苹果,采摘当天记为“第0天”,此后每过1天,则苹果储存天数增加1。每次采集8个王林苹果的近红外光谱数据,每天最多采集数据1次,同时记录环境温度和相对湿度数据。实验结束后,共经历时长32天,观测/采集光谱数据次数25次。对环境温度和相对湿度进行数据统计,环境温度最小值19.7℃,最大值23.2℃,平均值21.8℃;环境相对湿度最小值10%,最大值28%,平均值16%。
采用基于数字光处理(Digital Light Processing,DLP)技术近红外光谱仪采集实验数据,所述仪器参数如下:以聚四氟乙烯白板作为光谱背景参考物;单次积分时间50ms;累加50次取平均;波长范围901.841nm~1700.930nm,光谱中心分辨率8.00nm~12.00nm,优选9.36nm,光谱变量数128个,光谱变量间隔4.882nm~7.883nm,优选光谱变量间隔6.292nm。
根据王林苹果的实际情况和实际存储时间,将王林苹果划分为“新鲜”、“临界”和“不新鲜”三类。针对实验过程中的王林苹果,初步将储存14天(含第14天)以内的苹果作为“新鲜”样品,初步将储存22天(含第22天)以上的苹果作为“不新鲜”样品,初步将储存15天~21天(含第15天和第21天)的苹果作为“临界”样品。以王林苹果近红外光谱数据为自变量,以苹果储存天数为因变量,在对数据进行中心化处理的基础上,采用偏最小二乘回归(Partial Least Square Regression,PLSR)算法建立校正模型,并根据模型数据计算预建模残差,即预建模预测值与实际值之差。采用预建模残差作为异常值的判定标准,异常值的预建模残差判定阈值设定为47.0~53.0,优选地,所述异常值的预建模残差判定阈值设定为49.5~50.4,针对王林苹果,进一步优选异常值的预建模残差判定阈值为50.2。预建模残差值大于或等于50.2的王林苹果样品被视为异常值,应予以剔除。
将剔除异常值后的“新鲜”和“不新鲜”王林苹果数据采用SPXY算法划分为校正集和外部验证集。所述校正集用于数学模型的建立;所述外部验证集作为外部盲样对所建数学模型进行外部盲样验证。进一步地,所述校正集中,新鲜样品数量(nF)和不新鲜样品数量(nR)之比需同时满足0.892≤nF/nR≤1.125且0.892≤nR/nF≤1.125。具体地,剔除异常值后,王林苹果校正集包含观测样本92个,其中“新鲜”样本45个,“不新鲜”样本47个;王林苹果外部验证集包含观测样本31个,其中“新鲜”样本15个,“不新鲜”样本16个。此外,剔除异常值后,富士苹果“临界”样本38个。
采用基线校正结合数据中心化数据预处理方式对校正集进行数据预处理;采用偏最小二乘回归算法结合全交互验证算法,以王林苹果近红外光谱数据为自变量、以王林苹果储存天数为因变量建立校正模型。王林苹果校正集预测值-实际值相关关系图见图5。
根据新鲜王林苹果样品预测值和新鲜王林苹果样品数量计算新鲜王林苹果样品加权修正预测值。所述新鲜王林苹果样品的加权修正预测值计算方法如式(1)所示。
式(1)中,yFRCi为第i个新鲜王林苹果样品的加权修正预测值,yFi为模型对第i个新鲜王林苹果样品的储存时间预测值,nF是王林苹果校正集中新鲜王林苹果样品数量,nT为王林苹果校正集样品总数。
根据不新鲜王林苹果样品预测值和不新鲜王林苹果样品数量计算不新鲜王林苹果样品加权修正预测值。所述不新鲜王林苹果样品的加权修正预测值计算方法如式(2)所示。
式(2)中,yRRCj为第j个不新鲜王林苹果样品的加权修正预测值,yRj为模型对第j个不新鲜王林苹果样品的储存时间预测值,nR是王林苹果校正集中不新鲜王林苹果样品数量,nT为王林苹果校正集样品总数。
需要说明的是,对于外部验证集样品,采用模型对其预测得到预测值,再根据外部验证集样品实际所属情况,按照式(1)或式(2)计算器加权修正预测值。王林苹果校正集加权修正预测值见图6,王林苹果外部验证集加权修正预测值见图7。
根据新鲜王林苹果样品加权修正预测值平均值、新鲜王林苹果样品数量、不新鲜王林苹果样品加权修正预测值平均值、不新鲜王林苹果样品数量和修正系数计算判别阈值。所述判别阈值的计算方法如式(3)所示。
式(3)中,Eps为判别阈值,yFRCm为新鲜王林苹果样品加权修正预测值平均值,yRRCm为不新鲜王林苹果样品加权修正预测值平均值,a为王林苹果修正系数。对于王林苹果,修正系数a的取值范围为1.0~1.3,优选1.1~1.2,进一步优选为1.16。根据王林苹果实验数据计算得到王林苹果判别阈值Eps=8.8297。
王林苹果新鲜程度的判别方法如下:将王林苹果样品校正集、外部验证集的加权修正预测值与判别阈值Eps作比较,当王林苹果样品校正集、外部验证集的加权修正预测值小于判别阈值Eps时,判定该样品“新鲜”;当王林苹果样品校正集、外部验证集的加权修正预测值大于或等于判别阈值Eps时,判定该样品“不新鲜”。
通过王林苹果校正集和外部验证集中新鲜王林苹果样品和不新鲜王林苹果样品的判别正确率情况可以对所建模型的准确度进行评价,如表3所示。从表3可见,对于王林苹果,校正集新鲜王林苹果样品、不新鲜王林苹果样品以及总样品的判别正确率皆为100%,外部验证集新鲜王林苹果样品、不新鲜王林苹果样品以及总样品的判别正确率分别为93.3%、93.8%和93.5%。表3数据说明基于所建模型的预测结果计算加权平均预测值与计算所得王林苹果新鲜程度的判别阈值作比较,从而对王林苹果新鲜程度做出判断的正确率较高,可以满足实际检测需要。
表3王林苹果模型准确度统计
所述临界期王林苹果样品的加权修正预测值计算方法如式(4)所示。
式(4)中,yRCCk为第k个临界期王林苹果样品的加权修正预测值,yj为模型对第k个临界期王林苹果样品的储存时间预测值,nF是新鲜王林苹果样品数量,nR是不新鲜王林苹果样品数量,nT为校正集王林苹果样品总数。
王林苹果货架期的制定方法如下:根据临界期王林苹果样品的储存时间预测值、新鲜王林苹果样品数量、不新鲜王林苹果样品数量、校正集王林苹果样品总数计算临界期王林苹果样品的加权修正预测值。临界期王林苹果样品预测值出现“不新鲜”预测结果超过当天样品数量的一半时定为原货架期T0,将原货架期T0乘以王林苹果校正系数H,再将所得乘积向下取整得到货架期T,即T=floor(T0H),其中,“floor”为向下取整运算符。优选地,将14天(含第14天)以内样品定为新鲜王林苹果样品,将15天~21天样品定为临界期王林苹果样品,将22天(含第22天)以上样品定为不新鲜王林苹果样品;苹果H取值范围0.70~1.00,王林苹果H取值范围0.75~0.95,优选0.79~0.89,进一步优选H=0.81。
王林苹果临界期样品的实际储存天数、加权修正预测值及判别结果如表4所示。从表4可见,当临界期王林苹果样品储存时间15~18天时,判定为“不新鲜”的样品数目未超过当天观测样本数的一半;当临界期王林苹果样品存储时间达到20天时,判定为“不新鲜”的样品数目超过当天观测样本数的一半。因此,王林苹果原货架期T0=20;结合王林苹果校正系数H,王林苹果货架期T=floor(T0×H)=floor(20×0.81)=floor(16.2)=16天。
表4王林苹果临界期样品的实际储存天数、加权修正预测值及判别结果
实施例3水果新鲜程度无损快速分析仪的研制与应用
为实现苹果新鲜程度与货架期预测,本发明提出水果新鲜程度无损快速分析仪的设计方案。结合图8~图10对水果新鲜程度无损快速分析仪的设计方案进行说明。
所述水果新鲜程度无损快速分析仪包含光学***、电路***、控制***、数据存储与处理***,分析仪包含探头部分1-1、手柄部分1-2和底座部分1-3。所述分析仪将光学***所采集数据进行存储,根据所建模型得到样品预测数据,计算加权修正预测值,通过判别阈值判定水果样品新鲜程度。
所述光学***包含光谱仪2、光谱仪散热风扇2-1、窗片3、窗片***3-1;所述光谱仪可以是紫外-可见、近红外、中红外、荧光、太赫兹光谱仪,优选近红外光谱仪;所述近红外光谱仪优选数字光处理(Digital Light Processing,DLP)技术为内核的近红外光谱仪;所述窗片3为允许工作光线透过的材料,优选近红外石英或蓝宝石材料;所述载物台中间开设通光孔,所述通光孔直径2mm~10mm,优选3mm~5mm。所述光学***用于分析仪工作过程中对样品光谱数据的采集。
所述电路***包含锂电池7、稳压电源与充电保护模块9、开关10、电源指示灯、工作指示灯、充电插孔11。所述分析仪采用锂电池7和稳压电源两种供电方式,可适应实验室操作和田间/现场操作等不同应用场景,其中,所述稳压电源与充电保护模块9可将交流电转换为仪器可用电源供仪器工作使用,同时起为锂电池7充电作用;开关10采用按键开关或船型开关,优选船型开关;电源指示灯在仪器接通电源后亮起、关闭电源后熄灭,在使用锂电池7供电的非充电状态下显示红色,在外接电源充电状态下显示黄色,在充电完成状态下显示绿色;工作指示灯在光谱仪采集光谱数据时亮起,显示蓝色,在光谱仪2采集光谱数据完毕后熄灭。所述电路***用于分析仪工作过程中对仪器进行稳定供电。
所述控制***包含工程主板5、触摸屏显示器4、环形自动触发开关8。其中,所述工程主板5上设有中央处理器、显卡、主板散热器。所述触摸屏显示器4、环形自动触发开关8与工程主板5电连接。所述环形自动触发开关8内置压力传感器,可在仪器接触到被测试样品并产生一定压力时自动触发光谱仪采集被测试光谱,较传统触发开关灵敏度更高。本设计采用内置压力传感器的环形自动触发开关,而非传统的硬件即按键式触发开关,在减少硬件数量的同时,可进一步降低硬件制造成本,并且可以降低有关控制软件的编写难度。所述控制***用于对分析仪工作过程进行控制。
所述数据存储与处理***包含随机存储器、只读存储器、固态硬盘、数据接口。其中,随机存储器、只读存储器和固态硬盘固定在工程主板上。数据接口6可以是USB、OTG、Type-C接口中的一种或几种。所述数据存储于处理***用于数据存储、数学模型调用、结果预测与输出。
所述光谱仪和所述电路***、控制***、数据存储与处理***彼此之间皆电连接。所述分析仪将光学***所采集数据进行存储,根据所建模型得到样品预测数据,计算加权修正预测值,通过判别阈值判定水果样品新鲜程度。
所述分析与对不同储存时间的富士苹果的预测值、加权修正预测值及其实际情况与判别结果见表5。根据实施例1,富士苹果货架期为16天。判别结果为“新鲜”的样品处于富士苹果货架期内则为正确,反之为错误;判别结果为“不新鲜”的样品处于富士苹果货架期外则为正确,反之为错误。从表5可见,41个观察样本中,处于富士苹果货架期内的样品23个,正确判别22个,正确率95.7%;货架期外的样品18个,正确判别18个,正确率100%;总正确率97.6%。
表5基于水果新鲜程度无损快速分析仪对富士苹果预测结果
所述分析与对不同储存时间的王林苹果的预测值、加权修正预测值及其实际情况与判别结果见表6。根据实施例2,王林苹果货架期为16天。判别结果为“新鲜”的样品处于王林苹果货架期内则为正确,反之为错误;判别结果为“不新鲜”的样品处于王林苹果货架期外则为正确,反之为错误。从表6可见,40个观察样本中,处于王林苹果货架期内的样品有22个,正确判别21个,正确率95.5%;货架期外的样品18个,正确判别18个,正确率100%;总正确率97.5%。
表6基于水果新鲜程度无损快速分析仪对王林苹果预测结果
本发明提供的水果货架期及新鲜程度无损快速预测方法及分析仪。基于近红外光谱技术,获取不同储存时间水果的光谱数据并记录水果储存时间、温度和相对湿度;采用回归算法建立水果储藏时间模型,基于所建模型对水果储存时间预测值和样本数计算加权修正预测值并计算判别阈值并判断水果新鲜程度,根据水果关键变化期数据制定水果货架期。基于上述方法,研制出水果新鲜程度分析仪,包含光路***、电路***、控制***、数据存储与处理***;仪器采集水果的光谱数据,并调用数学模型预测水果的新鲜程度。本发明可对水果新鲜程度进行精准预测并提供了水果货架期的制定方法,为水果新鲜程度快速分析仪的研制提供技术参考。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述,但在本发明基础上,可以对之做一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (19)
1.水果货架期及新鲜程度的无损快速预测方法,其特征在于,包括以下步骤:
A、获取水果样品光谱数据并记录水果储存时间和环境数据;剔除异常值后,根据水果样品的实际情况和实际储存时间,将样品初步划分为“新鲜”、“不新鲜”和“临界期”三类,并采用SPXY算法对新鲜样品和不新鲜样品的光谱数据进行分集,分为校正集和外部验证集,所述校正集用于数学模型的建立,所述外部验证集用于对所建数学模型进行盲样验证;
B、以光谱数据为自变量,以储存时间为因变量建立水果储存时间的数学模型,利用所建模型分别获得新鲜样品和不新鲜样品的储存时间预测值,根据新鲜样品的储存时间预测值和新鲜样品数量计算新鲜样品的加权修正预测值,根据不新鲜样品的储存时间预测值和不新鲜样品数量计算不新鲜样品的加权修正预测值,并根据新鲜样品的加权修正预测值的平均值和新鲜样品数量、不新鲜样品的加权修正预测值的平均值和不新鲜样品数量以及修正系数计算判别阈值,用以判断水果样品的新鲜程度;当水果样品校正集或外部验证集的加权修正预测值小于判别阈值时,判定该样品为新鲜样品;当水果样品校正集、外部验证集的加权修正预测值大于或等于判别阈值时,判定该样品为不新鲜样品;根据水果样品校正集和外部验证集中新鲜样品和不新鲜样品的判别准确率情况,对所建模型进行评价,判定模型的有效性;
C、在相同实验条件下,采集待测水果样本的光谱数据,利用步骤B的有效数学模型,获得待测水果样本的储存时间预测值,并与“新鲜”、“不新鲜”和“临界期”水果相应的实际储存时间进行比较,从而判定待测水果样本的新鲜程度;
D、利用步骤B的有效数学模型获得临界期样品的储存时间预测值,并根据临界期样品的储存时间预测值、新鲜样品数量、不新鲜样品数量和校正集样品总数计算临界期样品的加权修正预测值;临界期样品预测值出现“不新鲜”预测结果超过当天样品数量的一半时定为原货架期T0,将原货架期T0乘以校正系数H,再将所得乘积向下取整得到水果货架期T;
步骤C中所述的待测水果样本与步骤A、B和D中所述的水果样品为同一种类的水果且储存环境相同;
步骤B中所述新鲜样品的加权修正预测值的计算方法如式(1)所示:
式(1)中,yFRCi为第i个新鲜样品的加权修正预测值,yFi为模型对第i个新鲜样品的储存时间预测值,nF是校正集中新鲜样品数量,nT为校正集样品总数;
所述不新鲜样品的加权修正预测值的计算方法如式(2)所示:
式(2)中,yRRCj为第j个不新鲜样品的加权修正预测值,yRj为模型对第j个不新鲜样品的储存时间预测值,nR是校正集中不新鲜样品数量,nT为校正集样品总数;
所述判别阈值的计算方法如式(3)所示:
式(3)中,Eps为判别阈值,yFRCm为新鲜样品加权修正预测值的平均值,yRRCm为不新鲜样品加权修正预测值的平均值,a为修正系数;
当所述水果为苹果时,所述修正系数a的取值范围为1.0~2.0;
当所述水果为富士苹果时,Eps=7.8517;
当所述水果为王林苹果时,Eps=8.8297;
步骤D中所述临界期样品的加权修正预测值的计算方法如式(4)所示:
式(4)中,yRCCk为第k个临界期样品的加权修正预测值,yk为模型对第k个临界期样品的储存时间预测值,nF是校正集中新鲜样品数量,nR是校正集中不新鲜样品数量,nT为校正集样品总数;
所述水果货架期的计算方法如式(5)所示:
T=floor(T0×H) 式(5)
式(5)中,T为水果货架期,T0为原货架期,H为校正系数,floor为向下取整运算符;
当所述水果为苹果时,H的取值范围为0.70~1.00。
2.根据权利要求1所述的方法,其特征在于,当所述水果为富士苹果时,所述修正系数a的取值范围为1.4~1.7;当所述水果为王林苹果时,所述修正系数a的取值范围为1.0~1.3。
3.根据权利要求2所述的方法,其特征在于,当所述水果为富士苹果时,所述修正系数a的取值范围为1.5~1.6;当所述水果为王林苹果时,所述修正系数a的取值范围为1.1~1.2。
4.根据权利要求3所述的方法,其特征在于,当所述水果为富士苹果时,所述修正系数a的取值范围为1.55;当所述水果为王林苹果时,所述修正系数a的取值范围为1.16。
5.根据权利要求1所述的方法,其特征在于,当所述水果为富士苹果时,H的取值范围为0.78~0.92;
当所述水果为王林苹果时,H的取值范围为0.75~0.95。
6.根据权利要求5所述的方法,其特征在于,当所述水果为富士苹果时,H的取值范围为0.80~0.90;
当所述水果为王林苹果时,H的取值范围为0.79~0.89。
7.根据权利要求6所述的方法,其特征在于,当所述水果为富士苹果时,H的取值范围为0.82;
当所述水果为王林苹果时,H的取值范围为0.81。
8.根据权利要求1所述的方法,其特征在于,所述光谱数据选自紫外、可见、近红外、中红外、荧光或太赫兹光谱数据,光谱数据的表现形式为吸收谱、吸收系数谱、透射谱或反射谱;
所述数学模型采用回归算法结合交互验证算法建立,所述回归算法选自多元线性回归、主成分回归、偏最小二乘回归、神经网络回归、支持向量机回归;
所述环境数据包括水果储存环境的温度和相对湿度数据;
所述水果包括苹果;
当所述水果为苹果时,苹果储存环境的温度范围为19.7℃~23.2℃;环境的相对湿度范围为10%~28%。
9.根据权利要求8所述的方法,其特征在于,所述光谱数据为近红外吸收光谱数据;
所述回归算法为偏最小二乘回归;
所述水果为富士苹果或王林苹果。
10.根据权利要求8所述的方法,其特征在于,苹果储存环境的温度范围为21.8℃;环境的相对湿度范围为16%。
11.根据权利要求1所述的方法,其特征在于,步骤A中所述校正集和外部验证集的样本容量比为7:1~2.5:1;和/或
所述校正集中,新鲜样品数量nF和不新鲜样品数量nR之比满足以下条件:0.892≤nF/nR≤1.125,且0.892≤nR/nF≤1.125。
12.根据权利要求1所述的方法,其特征在于,当所述水果为苹果时,以采摘当天记为第0天,根据苹果实际情况和实际存储时间,初步将第0天~第14天的样品划分为新鲜样品,初步将第15天~第21天的样品划分为临界期样品,初步将第22天及以上的样品划分为不新鲜样品。
13.根据权利要求1所述的方法,其特征在于,步骤A中所述获取水果样品光谱数据的方法包括:自水果采摘当天计算时间,采摘后25~32天内数据采集次数不少于25次,且每天最多采集一次光谱数据;
当所述光谱数据为近红外吸收光谱数据时,数据采集方法包括:利用近红外光谱仪,以聚四氟乙烯白板为背景;单次积分时间50ms;累加50次取平均值;波长范围为901.841nm~1700.930nm,光谱中心分辨率为8.00nm~12.00nm;光谱变量数128个,光谱变量间隔4.882nm~7.883nm。
14.根据权利要求13所述的方法,其特征在于,光谱中心分辨率为9.36nm;光谱变量间隔6.292nm。
15.根据权利要求1所述的方法,其特征在于,步骤A中所述剔除异常值包括:采用数据中心化预处理结合偏最小二乘回归算法,以光谱数据为自变量,以储存时间为因变量进行预建模,计算预建模残差,即预建模预测值与实际值之差,根据所述预建模残差确定异常值的预建模残差判定阈值;
其中,所述异常值的预建模残差判定阈值设定为47.0~53.0;
预建模残差大于或等于所设定的异常值的预建模残差判定阈值的样品被视为异常值,应予以剔除。
16.根据权利要求15所述的方法,其特征在于,所述异常值的预建模残差判定阈值设定为49.5~50.4。
17.根据权利要求16所述的方法,其特征在于,当所述水果为富士苹果时,异常值的预建模残差判定阈值为50.0,当所述水果为王林苹果时,异常值的预建模残差判定阈值为50.2。
18.用于实现权利要求1-17任一项所述方法的装置,其特征在于,所述装置包括光学***、控制***、电路***以及数据存储与处理***;
所述光学***用于对样品光谱数据的采集;
所述电路***用于对装置进行稳定供电;
所述控制***用于对装置的工作过程进行控制;
所述数据存储与处理***用于数据存储、数学模型调用、结果预测、存储与输出。
19.权利要求1-17任一项所述方法或权利要求18所述装置在水果新鲜程度和/或货架期预测中的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910803691.1A CN110411957B (zh) | 2019-08-28 | 2019-08-28 | 水果货架期及新鲜程度的无损快速预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910803691.1A CN110411957B (zh) | 2019-08-28 | 2019-08-28 | 水果货架期及新鲜程度的无损快速预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110411957A CN110411957A (zh) | 2019-11-05 |
CN110411957B true CN110411957B (zh) | 2021-11-19 |
Family
ID=68368990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910803691.1A Active CN110411957B (zh) | 2019-08-28 | 2019-08-28 | 水果货架期及新鲜程度的无损快速预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110411957B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9069725B2 (en) | 2011-08-19 | 2015-06-30 | Hartford Steam Boiler Inspection & Insurance Company | Dynamic outlier bias reduction system and method |
KR102357659B1 (ko) | 2014-04-11 | 2022-02-04 | 하트포드 스팀 보일러 인스펙션 앤드 인슈어런스 컴퍼니 | 시스템 조작 및 수행 데이터 모델링에 기초한 미래 신뢰도 예측 개선 |
US11636292B2 (en) | 2018-09-28 | 2023-04-25 | Hartford Steam Boiler Inspection And Insurance Company | Dynamic outlier bias reduction system and method |
US11615348B2 (en) | 2019-09-18 | 2023-03-28 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
US11328177B2 (en) | 2019-09-18 | 2022-05-10 | Hartford Steam Boiler Inspection And Insurance Company | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models |
JP7399269B2 (ja) | 2019-09-18 | 2023-12-15 | ハートフォード スチーム ボイラー インスペクション アンド インシュアランス カンパニー | 機械学習モデルにおいて動的外れ値偏り低減を実装するように構成されるコンピュータベースシステム、コンピュータコンポーネント及びコンピュータオブジェクト |
CN111060473B (zh) * | 2020-01-15 | 2021-06-25 | 王丽娟 | 一种食品质量分析检测装置 |
CN111624317A (zh) * | 2020-06-22 | 2020-09-04 | 南京农业大学 | 一种娃娃菜新鲜度判别的无损检测方法 |
CN111932190B (zh) * | 2020-09-30 | 2021-02-02 | 北京每日优鲜电子商务有限公司 | 物品信息显示方法、装置、设备和计算机可读介质 |
CN112906939B (zh) * | 2021-01-18 | 2022-08-09 | 齐鲁工业大学 | 一种无花果采收时间点的预测方法 |
CN115271602B (zh) * | 2022-08-01 | 2023-06-20 | 深圳市昂捷信息技术股份有限公司 | 一种智慧果蔬仓库管理方法、装置及电子设备 |
CN115494025A (zh) * | 2022-09-26 | 2022-12-20 | 江西绿萌科技控股有限公司 | 一种基于太赫兹信号延迟的水果内部物质检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353445A (zh) * | 2013-07-22 | 2013-10-16 | 洛阳农林科学院 | 一种利用近红外光谱仪快速鉴定小麦抗旱性的技术方法 |
CN106324011A (zh) * | 2016-08-25 | 2017-01-11 | 江南大学 | 一种确定调理水产品低温货架期的鲜度联合检测方法 |
WO2018023280A1 (zh) * | 2016-07-31 | 2018-02-08 | 赵晓丽 | 食材过期提醒技术的信息推送方法和冰箱 |
CN108663367A (zh) * | 2018-03-30 | 2018-10-16 | 中国农业大学 | 一种基于鸡蛋容重的鸡蛋品质无损检测方法 |
CN109839358A (zh) * | 2019-01-22 | 2019-06-04 | 北京农业质量标准与检测技术研究中心 | 农产品品质分析方法及装置 |
-
2019
- 2019-08-28 CN CN201910803691.1A patent/CN110411957B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353445A (zh) * | 2013-07-22 | 2013-10-16 | 洛阳农林科学院 | 一种利用近红外光谱仪快速鉴定小麦抗旱性的技术方法 |
WO2018023280A1 (zh) * | 2016-07-31 | 2018-02-08 | 赵晓丽 | 食材过期提醒技术的信息推送方法和冰箱 |
CN106324011A (zh) * | 2016-08-25 | 2017-01-11 | 江南大学 | 一种确定调理水产品低温货架期的鲜度联合检测方法 |
CN108663367A (zh) * | 2018-03-30 | 2018-10-16 | 中国农业大学 | 一种基于鸡蛋容重的鸡蛋品质无损检测方法 |
CN109839358A (zh) * | 2019-01-22 | 2019-06-04 | 北京农业质量标准与检测技术研究中心 | 农产品品质分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
《酥梨货架期的高光谱成像无损检测模型研究》;李雄 等;《光谱学与光谱分析》;20190815;第39卷(第8期);第2578-2583页 * |
Non-destructive tests on the prediction of apple fruit flesh firmness and soluble solids content on tree and in shelf life;M. Zude et al.;《Journal of Food Engineering》;20050809;第254-260页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110411957A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110411957B (zh) | 水果货架期及新鲜程度的无损快速预测方法及装置 | |
CN108663339B (zh) | 基于光谱和图像信息融合的霉变玉米在线检测方法 | |
CN102564993B (zh) | 一种利用傅里叶变换红外光谱识别大米品种方法及其应用 | |
CN106841103A (zh) | 近红外光谱检测水果内部品质方法及专用检测*** | |
CN102818777A (zh) | 一种基于光谱和颜色测量的水果成熟度评价方法 | |
CN109839358B (zh) | 农产品品质分析方法及装置 | |
CN103543123A (zh) | 一种掺假牛奶的红外光谱识别方法 | |
CN109409350B (zh) | 一种基于pca建模反馈式载荷加权的波长选择方法 | |
CN107515203A (zh) | 近红外技术定量分析水稻单籽粒直链淀粉含量的研究 | |
Srivastava et al. | Data processing approaches and strategies for non-destructive fruits quality inspection and authentication: a review | |
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 | |
Nturambirwe et al. | Detecting bruise damage and level of severity in apples using a contactless nir spectrometer | |
CN110264050B (zh) | 农产品品质分析方法及分析仪 | |
Wang et al. | General model of multi-quality detection for apple from different origins by Vis/NIR transmittance spectroscopy | |
CN111445469A (zh) | 一种基于高光谱的苹果冲击后损伤参数的无损预测方法 | |
CN102128805A (zh) | 果品近红外光谱波长选择和快速定量分析方法及装置 | |
CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
CN114970675A (zh) | 基于特征选择的人工鼻冰箱食物新鲜度检测***和方法 | |
CN110672578A (zh) | 针对煎炸油极性组分检测的模型通用性及稳定性验证方法 | |
CN106940292A (zh) | 基于多光谱成像技术的虫蛀巴旦木原料快速无损鉴别方法 | |
CN109961179A (zh) | 一种水产品品质检测方法及便携式拉曼装置 | |
CN112485238A (zh) | 一种基于拉曼光谱技术鉴别姜黄精油产地的方法 | |
CN110231300A (zh) | 一种无损快速鉴别真假阿克苏红富士苹果的方法 | |
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 | |
CN201051074Y (zh) | 多光谱肉类新鲜度人工智能测量*** |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220712 Address after: 100097 No. 9 middle garden, Shuguang garden, Beijing, Haidian District Patentee after: BEIJING ACADEMY OF AGRICULTURE AND FORESTRY SCIENCES Address before: Room 1011, germ plasm building, Beijing Academy of agriculture and Forestry Sciences, 9 Shuguang Huayuan Middle Road, Haidian District, Beijing 100097 Patentee before: BEIJING RESEARCH CENTER FOR AGRICULTURAL STANDARDS AND TESTING |
|
TR01 | Transfer of patent right |