CN113267466B - 基于光谱波长优选的水果糖度和酸度无损检测方法 - Google Patents
基于光谱波长优选的水果糖度和酸度无损检测方法 Download PDFInfo
- Publication number
- CN113267466B CN113267466B CN202110361802.5A CN202110361802A CN113267466B CN 113267466 B CN113267466 B CN 113267466B CN 202110361802 A CN202110361802 A CN 202110361802A CN 113267466 B CN113267466 B CN 113267466B
- Authority
- CN
- China
- Prior art keywords
- acidity
- wavelength
- data matrix
- fruit
- sugar degree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000003595 spectral effect Effects 0.000 title claims abstract description 33
- 238000009659 non-destructive testing Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 title claims abstract description 21
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 title claims abstract description 12
- 229930091371 Fructose Natural products 0.000 title claims abstract description 12
- 229960002737 fructose Drugs 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 97
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 61
- 238000001228 spectrum Methods 0.000 claims abstract description 39
- 238000012937 correction Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 230000002860 competitive effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000002329 infrared spectrum Methods 0.000 claims description 18
- 238000000862 absorption spectrum Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 5
- 239000002253 acid Substances 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 241000220225 Malus Species 0.000 description 12
- 235000021016 apples Nutrition 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 244000144730 Amygdalus persica Species 0.000 description 3
- 235000006040 Prunus persica var persica Nutrition 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- JLQUFIHWVLZVTJ-UHFFFAOYSA-N carbosulfan Chemical compound CCCCN(CCCC)SN(C)C(=O)OC1=CC=CC2=C1OC(C)(C)C2 JLQUFIHWVLZVTJ-UHFFFAOYSA-N 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 101000596041 Homo sapiens Plastin-1 Proteins 0.000 description 2
- 102100035181 Plastin-1 Human genes 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101000596046 Homo sapiens Plastin-2 Proteins 0.000 description 1
- 102100035182 Plastin-2 Human genes 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000002835 absorbance Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 229910021642 ultra pure water Inorganic materials 0.000 description 1
- 239000012498 ultrapure water 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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
Landscapes
- Physics & Mathematics (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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于光谱波长优选的水果糖度和酸度无损检测方法，包括：1采集水果样本光谱并测量糖度和酸度数据；2对采集的光谱进行预处理；3利用竞争自适应重加权采样算法CARS对预处理后光谱分别基于糖度和酸度数据选择波长；4基于波长优选法对糖度和酸度特征波长数据矩阵进行整合并筛选，得到优选波长数据矩阵；5根据优选波长数据矩阵与糖度、酸度数据，用校正集建立偏最小二乘PLS模型，并通过预测集对模型结果进行评估。本发明优选了对糖度和酸度预测同时有效的波长，基于优选波长建立的预测模型检测效率高、精度高、实用性强，为实现水果糖度和酸度两者的同时快速无损检测提供了重要参考。
Description
技术领域
本发明实施例涉及水果内部品质快速无损检测技术领域，具体涉及一种基于光谱波长优选的水果糖度和酸度无损检测方法。
背景技术
水果的内部品质影响着消费者的购买意愿，而衡量内部品质最重要的指标为糖度和酸度。传统的对水果糖度、酸度的测量方法均为破坏式的，需耗费大量的人力、物力和财力。
近红外光谱技术以其快速无损的优势在水果内部品质检测方面得到了应用。水果样本的近红外光谱包含了其化学组成的分子结构信息，而其组成含量与性质参数也与其分子结构信息密切相关。通过近红外光谱检测设备接收到的水果样本的反射信号，包含了样本分子结构中碳氢键、碳氧键等对近红外光的漫反射信息，反映了样本的化学组成含量。对接收到的漫反射光谱信息进行反演，建立数学建模，可以实现对水果糖度和酸度的预测。
专利申请号201910206242公开了一种水果甜度无损检测方法，通过红外热像特征图预测水果甜度，属于图像领域的研究。专利申请号201910503479公开了一种水果成熟度检测装置及成熟度评价方法，通过单片机计算硅光电池的电压比值以建立线性回归方程，从而确定水果成熟度，侧重于机电领域的研究。专利申请号200610155208公开了一种水果成熟度预测方法，采用多元线性回归、主成分回归、最小二乘回归和人工神经网络分别对水果样品的坚实度、糖度、酸度三个指标建立单组分预测模型；专利申请号201710117277公开了一种近红外光谱检测水果内部品质方法及专用检测***，在近红外光谱检测水果内部品质方面，建立了单组分偏最小二乘预测模型，且检测对象为苹果糖度，方法局限性较大；专利申请号201510697123公开了一种基于近红外光谱的寒富苹果品质无损检测方法，分别建立了寒富苹果糖度、酸度、质地的单组分偏最小二乘预测模型。以上三个专利均涉及使用偏最小二乘法建立预测模型，但建立的是单组分预测模型，即PLS1模型。一次只能实现对一个组分的预测，这是PLS1方法最大的不足。专利申请号201710271814公开了一种用于桃的糖度和酸度实时无损检测方法，建立了BP神经网络同时对桃的糖度和酸度进行预测。该方法建立的模型对于酸度的平均绝对百分比误差为4.79％，预测精度较高，而对于糖度的平均绝对百分比误差为7.55％，预测精度较低。因此，该BP神经网络检测方法无法同时实现对桃的糖度和酸度的高精度预测。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出了一种基于光谱波长优选的水果糖度和酸度无损检测方法，以期通过优选对糖度和酸度预测同时有效的波长，建立预测模型，从而实现对水果糖度和酸度两者的同时快速无损检测，并提高模型检测效率与实用性，节约检测成本。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于光谱波长优选的水果糖度和酸度无损检测方法的特点在于，包括如下步骤：
步骤一、采集水果样本数据，并构成标注样本集合；所述标注样本集合由两部分组成，分别是水果样本原始近红外光谱数据、水果实际的糖度和酸度数据；
步骤二、对所述水果样本原始近红外光谱数据进行预处理，得到预处理后的光谱数据；
步骤三、利用竞争自适应重加权采样算法分别基于糖度和酸度数据对所述预处理后的光谱数据进行特征波长选择，得到糖度特征波长数据矩阵和酸度特征波长数据矩阵；
步骤四、基于波长优选法对所述糖度特征波长数据矩阵和酸度特征波长数据矩阵进行整合并筛选，从而得到同时对糖度和酸度预测有效的优选波长数据矩阵；
步骤五、以所述优选波长数据矩阵作为输入，以所述糖度和酸度数据作为输出，建立偏最小二乘PLS模型，从而实现同时对水果糖度和酸度的高精度无损检测。
本发明所述的基于光谱波长优选的水果糖度和酸度无损检测方法的特点也在于，所述步骤一包括如下步骤：
步骤1.1、水果样本原始近红外光谱数据的采集：
选取水果样本，对每个水果样本在赤道上均匀分布的四个部位依次编号并标记；
使用光谱仪和光纤采样附件采集水果样本各标记点区域的近红外漫反射光谱；
将采集到的近红外漫反射光谱转换为吸光度光谱，并作为水果样本原始近红外光谱数据；
步骤1.2、样本标签的采集：
利用水果糖酸一体机测定各标记点区域的水果实际的糖度和酸度数据。
所述步骤四是按如下过程进行：
步骤4.1、令建模波长数据矩阵A为所述糖度特征波长数据矩阵和酸度特征波长数据矩阵的并集；
步骤4.2、定义变量i；
步骤4.3、根据建模波长数据矩阵A建立偏最小二乘PLS模型，并计算偏最小二乘PLS模型的总体误差E0；
步骤4.4、定义误差阈值为e，且满足e＜E0；
步骤4.5、初始化i＝1；
步骤4.6、从建模波长数据矩阵A中删除第i个波长变量λi，得到第i次更新后的建模波长数据矩阵Ai；根据第i次更新后的建模波长数据矩阵Ai建立第i个偏最小二乘PLS模型，并计算第i个偏最小二乘PLS模型的总体误差Ei；
步骤4.7、将i+1赋值给i后，返回步骤4.6执行，直到i＝k为止，从而得到由各偏最小二乘PLS模型的总体误差组成的集合{E1,E2,···,Ek}，其中，k表示建模波长数据矩阵A中波长变量的个数；从集合{E1,E2,···,Ek}选出最小值Ep；
步骤4.8.判断Ep＞e是否成立，若是，则将最小值Ep所对应波长变量λp从建模波长数据矩阵A中删除，从而得到更新后的建模波长数据矩阵，并赋值给A，而后返回步骤4.5继续执行，直至A为空为止；否则，算法终止，并得到同时对糖度和酸度预测有效的优选波长数据矩阵。
所述偏最小二乘PLS模型的总体误差是利用式(1)计算得到：
式(1)中，E为偏最小二乘PLS模型的总体误差，
和
分别表示偏最小二乘PLS模型对糖度的预测决定系数和对酸度的预测决定系数。
所述偏最小二乘PLS预测模型可表示为：Y＝AX+B，其中，X为输入的光谱数据矩阵，Y为模型的预测值矩阵，A为回归系数矩阵，B为拟合残差矩阵。
与现有技术相比，本发明的有益效果在于：
1、本发明提出的基于光谱波长优选的水果糖度和酸度无损检测方法，相比于传统的破坏式的水果糖度、酸度检测方法，具有快速、无损、经济、环保等优点。基于五个步骤建立的预测模型，实现了一个模型对水果糖度、酸度两个组分的同时校正，具有极强的可行性。在预测模型的建立过程中，使用波长优选方法进行光谱特征波长的选择，克服了PLS2方法无法同时对两个组分进行高精度校正这一不足，建立的模型预测精度高、检测速度快、实用性强，从而实现了对水果糖度和酸度两者的同时快速无损高精度检测。
2、本发明中波长优选方法整合并有效筛选了竞争自适应重加权采样算法CARS对预处理后光谱分别基于糖度与酸度数据选择出的特征变量，该方法打破了传统方法只能基于一个组分进行特征变量选择的不足，选取的特征波长对糖度和酸度的预测同时有效，在水果糖度和酸度快速无损检测模型的建立过程中发挥着重要作用。
附图说明
图1为本发明基于光谱波长优选的水果糖度和酸度无损检测方法流程图；
图1a为本发明光谱波长优选方法流程图；
图2为本发明实施例中涉及的黄金帅苹果的原始近红外吸光度光谱；
图3为本发明实施例中涉及的黄金帅苹果经预处理后的近红外吸光度光谱；
图4为本发明实施例中涉及的波长优选方法选取的特征波长；
图5a为本发明实施例中得到的黄金帅苹果糖度的测量值与预测值的散点图；
图5b为本发明实施例中得到的黄金帅苹果酸度的测量值与预测值的散点图。
具体实施方式
以黄金帅苹果为实施例，如图1所示，一种基于光谱波长优选的水果糖度和酸度无损检测方法，包括如下步骤：
步骤一、采集水果样本数据，并构成标注样本集合，用标注样本进行模型训练。标注样本集合由两部分组成，分别是(a)水果样本光谱特征，即样本原始近红外光谱数据，(b)样本标签，即已采集光谱的样本的实际品质指标，即水果实际的糖度和酸度数据；
a、水果样本原始近红外光谱数据采集。
选取从超市采购的没有表面损伤和缺陷的“黄金帅”苹果31个，对每个苹果样本在赤道上均匀分布的四个部位依次编号并标记；使用USB4000型光谱仪(Ocean opticsINC.USA)，通过光纤采样附件采集样本各标记点区域的近红外漫反射光谱，得到124条光谱数据。光谱采集范围为346-1046nm，分辨率2nm。使用光谱仪配套光谱采集软件OceanView，软件中积分时间设置为30ms，光谱采集平均次数设置为5。根据公式A＝lg(1/R)，将采集到的近红外漫反射光谱转换为吸光度光谱，并作为水果样本原始近红外光谱数据，其中R为反射率，A为吸光度。所得近红外吸光度光谱如图2所示。
b、样本标签采集。利用化学法测定各标记点区域的水果的糖度和酸度数据，作为样本标签。
使用苹果糖酸一体机(型号：PAL-BX/ACID5；Atago Co.，Tokyo，Japan)进行糖度与酸度测量。具体步骤为，取样本标记点区域直径约2cm的一块果肉，挤出2-3滴果汁滴于仪器上，读出仪器示数，即为该标记点区域的糖度；再次挤出质量为1g的果汁进烧杯中，加入超纯水，直至烧杯中的混合液质量为51g。用搅拌棒充分搅拌均匀，用滴管取出1ml混合液滴于仪器上，读出仪器示数，即为该标记点区域的酸度。分别重复以上操作多次，取重复出现三次的读数作为该标记点的糖度与酸度。
步骤二、对采集的水果样本原始近红外光谱数据进行预处理，得到预处理后的光谱数据；
a、剔除异常光谱
首先剔除异常数据，保留样本数据110条，组成建模样本集。剔除谱线两端的噪声，保留波长范围为475-925nm的光谱用于建模，该范围内共有波长变量2335个。建模样本集光谱数据矩阵如下：
其中列代表样本，分别用符号S1、S2、S3、…、S110表示；行代表波长变量，分别用符号W1、W2、W3、…、W2335表示。
b、吸光度光谱预处理
①对吸光度光谱进行矢量归一化处理，校正由微小光程差异引起的光谱变化。对一光谱w，其矢量归一化算法为：
其中
m为波长点数，k＝1,2,…,m。
以S1号样本为例，
则有
即S1号样本对应的W1为0.0319。对每一个元素执行以上计算，得到归一化后光谱数据矩阵如下：
②再对归一化后光谱采用三次多项式窗口大小为5的Savitzky-Golay卷积平滑，以消除光谱信号中叠加的随机误差，提高信噪比。对于某一样本的光谱w，波长k处经平滑后的平均值为：
其中hi为平滑系数，有h-2＝-3，h-1＝12，h0＝17，h1＝12，h2＝-3；H为归一化因子，
以S1号样本为例，对于第三个波长变量W3，经Savitzky-Golay卷积平滑后有
即S1号样本对应的W3为0.0321。对每一个元素执行以上计算，得到Savitzky-Golay卷积平滑后光谱数据矩阵。
③经预处理后的近红外吸光度光谱如图3所示，预处理后光谱数据矩阵如下：
c、样本划分，得到校正集和预测集
用SPXY法对样本集进行划分。
SPXY同时考虑样本光谱特征和样本糖度与酸度的理化性质，通过计算两两样本变量之间的欧式距离，进行样本集划分。首先选择欧式距离最远的两个样本进入校正集，然后计算剩余的每一个样本到校正集内每一个已知样本的欧氏距离，将拥有最大的最小距离的待选样本放入校正集，以此类推，直到找到所要求的样本数目。该方法的优点是能保证校正集中的样本按照空间距离均匀分布。
本方法中，划分校正集与预测集样本的比例为4：1，即校正集含有样本88条，预测集含有样本22条。样本集糖度、酸度数据如表1所示。
表1样本集糖度、酸度含量统计
样本划分后，校正集光谱数据矩阵为：
预测集光谱数据矩阵为：
可见S1、S3、S4、…、S110等88个样本被选为校正集，剩余的22个样本S2、S11、S15、…、S109被选为预测集。
步骤三、利用竞争性自适应重加权采样算法(CARS)进行特征波长选择。
CARS通过随机采样方式从校正集随机抽取一部分样本进行建模，保留模型中回归系数绝对值权重较大的波长点作为新子集，然后基于新子集再次建立模型。经过多次计算，选择交互验证均方根误差最小的子集中的波长作为特征波长集合。
本方法中，分别基于糖度和酸度数据对所述预处理后的光谱数据进行特征波长选择，得到糖度特征波长数据矩阵和酸度特征波长数据矩阵。
经该步骤得到的糖度特征波长数据矩阵包含特征变量158个，酸度特征波长数据矩阵包含特征变量95个。其中糖度特征波长数据矩阵为：
可见，W20、W21、W32、…、W2326号波长变量被选中。
酸度特征波长数据矩阵为：
可见，W3、W9、W15、…、W2334号波长变量被选中。
步骤四、如图1a所示，基于波长优选法对所述糖度特征波长数据矩阵和酸度特征波长数据矩阵进行整合并筛选，从而得到同时对糖度和酸度预测有效的优选波长数据矩阵。具体地说，是按如下步骤进行：
步骤4.1、令建模波长数据矩阵A为所述糖度特征波长数据矩阵和酸度特征波长数据矩阵的并集，合并后，建模波长数据矩阵A包含特征变量240个，即为：
步骤4.2、定义变量i；
步骤4.3、根据建模波长数据矩阵A建立偏最小二乘PLS模型，并计算偏最小二乘PLS模型的总体误差E0；
所述偏最小二乘PLS模型的总体误差是利用式(1)计算得到：
式(1)中，E为偏最小二乘PLS模型的总体误差，
和
分别表示偏最小二乘PLS模型对糖度的预测决定系数和对酸度的预测决定系数。
所述偏最小二乘PLS预测模型可表示为：Y＝AX+B。其中，X为输入的光谱数据矩阵，Y为模型的预测值矩阵，A为回归系数矩阵，B为拟合残差矩阵。
步骤4.4、定义误差阈值为e，且满足e＜E0；
步骤4.5、初始化i＝1；
步骤4.6、从建模波长数据矩阵A中删除第i个波长变量λi，得到第i次更新后的建模波长数据矩阵Ai；根据第i次更新后的建模波长数据矩阵Ai建立第i个偏最小二乘PLS模型，并计算第i个偏最小二乘PLS模型的总体误差Ei；
步骤4.7、将i+1赋值给i后，返回步骤4.6执行，直到i＝k为止，从而得到由各偏最小二乘PLS模型的总体误差组成的集合{E1,E2,···,Ek}，其中，k表示建模波长数据矩阵A中波长变量的个数；从集合{E1,E2,···,Ek}选出最小值Ep；
步骤4.8.判断Ep＞e是否成立，若是，则将最小值Ep所对应波长变量λp从建模波长数据矩阵A中删除，从而得到更新后的建模波长数据矩阵，并赋值给A，而后返回步骤4.5继续执行，直至A为空为止；否则，算法终止，并得到同时对糖度和酸度预测有效的优选波长数据矩阵。
经该步骤得到的优选波长数据矩阵包含波长变量118个，其分布如图4所示。优选波长数据矩阵表示如下：
可见，W3、W9、…、W21、…、W2334号波长变量为优选波长。
其中，优选波长为本发明自己定义的概念。
步骤五、以优选波长数据矩阵作为输入，以糖度和酸度数据作为输出，建立偏最小二乘PLS模型，从而实现同时对水果糖度和酸度的高精度无损检测。
偏最小二乘模型具体可表示为：
具体实施中，该步骤分为模型的建立与评估两部分；
a、模型建立
使用校正集数据对模型进行训练；将预测集光谱数据输入训练后的模型，得到预测集样本糖度与酸度的预测值ybrix和yacidity。具体计算方式如下：
ybrix＝-230.2767×x1+(-223.9252)×x2+…+(-77.8512)×x118+11.0072
yacidity＝81.2130×x1+93.4722×x2+…+179.9066×x118+0.3537
其中xi(1≤i≤118)为输入，即优选波长光谱数据，ybrix和yacidity分别为糖度和酸度输出。
b、模型评估
将模型对样本糖度和酸度的预测值分别与测量的糖度值和酸度值进行比较。评估方法分为校正集的均方根误差RMSEC、决定系数
预测集的均方根误差RMSEP、决定系数
和相对分析误差RPD。所建模型的预测结果如表2所示。
表2模型预测结果
从表2中可以看出，所建模型对于预测集数据糖度的预测，决定系数
为0.9780，相对分析误差RPD为6.7477；对于预测集数据酸度的预测，决定系数
为0.9695，相对分析误差RPD为5.7246。
结果表明，所述基于光谱波长优选的水果糖度和酸度无损检测方法，实现了对糖度、酸度的同时高精度无损检测，波长优选法得到的特征波长对糖度和酸度的预测同时有效，决定系数
均接近于1，相对分析误差RPD均大于5，模型整体稳定性较好。黄金帅苹果糖度、酸度的测量值与预测值的散点图分别如图5a和图5b所示。
Claims (6)
1.一种基于光谱波长优选的水果糖度和酸度无损检测方法，其特征在于，包括如下步骤：
步骤一、采集水果样本数据，并构成标注样本集合；所述标注样本集合由两部分组成，分别是水果样本原始近红外光谱数据、水果实际的糖度和酸度数据；
步骤二、数据预处理
对所述水果样本原始近红外光谱数据进行预处理，得到校正集光谱数据矩阵和预测集光谱数据矩阵；步骤三、特征波长选择
利用竞争自适应重加权采样算法分别基于水果实际的糖度和酸度数据对校正集光谱数据矩阵进行特征波长选择，得到糖度特征波长数据矩阵和酸度特征波长数据矩阵；
步骤四、特征波长优选
基于波长优选法对所述糖度特征波长数据矩阵和酸度特征波长数据矩阵进行整合并筛选，从而得到同时对糖度和酸度预测有效的优选波长数据矩阵；
所述特征波长优选按如下子步骤进行：
步骤4.1、令建模波长数据矩阵A为所述糖度特征波长数据矩阵和酸度特征波长数据矩阵的并集；
步骤4.2、定义变量i；
步骤4.3、根据建模波长数据矩阵A建立偏最小二乘PLS模型，并计算偏最小二乘PLS模型的总体误差E0；
步骤4.4、定义误差阈值为e，且满足e＜E0；
步骤4.5、初始化i＝1；
步骤4.6、从建模波长数据矩阵A中删除第i个波长变量λi，得到第i次更新后的建模波长数据矩阵Ai；根据第i次更新后的建模波长数据矩阵Ai建立第i个偏最小二乘PLS模型，并计算第i个偏最小二乘PLS模型的总体误差Ei；
步骤4.7、将i+1赋值给i后，返回步骤4.6执行，直到i＝k为止，从而得到由各偏最小二乘PLS模型的总体误差组成的集合{E1,E2,…,Ek}，其中，k表示建模波长数据矩阵A中波长变量的个数；从集合{E1,E2,…,Ek}选出最小值Ep；
步骤4.8.判断Ep＞e是否成立，若是，则将最小值Ep所对应波长变量λp从建模波长数据矩阵A中删除，从而得到更新后的建模波长数据矩阵，并赋值给A，而后返回步骤4.5继续执行，直至A为空为止；否则，算法终止，并得到同时对糖度和酸度预测有效的优选波长数据矩阵；
步骤五、以所述优选波长数据矩阵作为输入，以所述糖度和酸度数据作为输出，建立偏最小二乘PLS模型，从而实现同时对水果糖度和酸度的高精度无损检测。
2.根据权利要求1所述的基于光谱波长优选的水果糖度和酸度无损检测方法，其特征在于：
所述预处理包括：
a、剔除异常光谱，剔除谱线两端的噪声，保留波长范围475-925mm的光谱，得到样本集光谱数据矩阵；
b、对样本集光谱数据矩阵进行矢量归一化处理，再进行三次多项式窗口大小为5的卷积平滑处理，得近红外吸光度光谱数据矩阵；
c、样本划分，得到校正集和预测集
采用SPXY法，首先选择欧氏距离最远的两个样本进入校正集，然后计算剩余的每一个样本到校正集内每一个已知样本的欧氏距离，将拥有最大的最小距离的待选样本放入校正集，依次类推，直到找到所要求的样本数目；
步骤c得到校正集光谱数据矩阵和预测集光谱数据矩阵。
3.根据权利要求1所述的基于光谱波长优选的水果糖度和酸度无损检测方法，其特征在于，所述步骤一包括如下步骤：
步骤1.1、水果样本原始近红外光谱数据的采集：
选取水果样本，对每个水果样本在赤道上均匀分布的四个部位依次编号并标记；
使用光谱仪和光纤采样附件采集水果样本各标记点区域的近红外漫反射光谱；
将采集到的近红外漫反射光谱转换为吸光度光谱，并作为水果样本原始近红外光谱数据；
步骤1.2、样本标签的采集：
利用水果糖酸一体机测定各标记点区域的水果实际的糖度和酸度数据。
4.根据权利要求3所述的基于光谱波长优选的水果糖度和酸度无损检测方法，其特征在于，所述偏最小二乘PLS模型的总体误差是利用式(1)计算得到：
式(1)中，E为偏最小二乘PLS模型的总体误差，
和
分别表示偏最小二乘PLS模型对糖度的预测决定系数和对酸度的预测决定系数。
5.根据权利要求3所述的基于光谱波长优选的水果糖度和酸度无损检测方法，其特征在于：
所述偏最小二乘PLS预测模型可表示为：Y＝AX+B，其中，X为输入的光谱数据矩阵，Y为模型的预测值矩阵，A为回归系数矩阵，B为拟合残差矩阵。
6.根据权利要求1所述的基于光谱波长优选的水果糖度和酸度无损检测方法，其特征在于，所述步骤五具体为：
步骤5.1 预测模型的建立；
建立偏最小二乘PLS模型,将预测集光谱数据矩阵输入所述偏最小二乘PLS模型，得到预测集样本糖度与酸度的预测值ybrix和 yacidity；
步骤5.2 模型评估；
基于预测集光谱数据矩阵，分别对糖度预测值、酸度预测值计算均方根误差RMSEP、决定系数R2 p和相对分析误差RPD；
当R2 p均接近于1且RPD均大于5时，该模型有效；
步骤5.3 使用该模型进行水果的糖度和甜度的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110361802.5A CN113267466B (zh) | 2021-04-02 | 2021-04-02 | 基于光谱波长优选的水果糖度和酸度无损检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110361802.5A CN113267466B (zh) | 2021-04-02 | 2021-04-02 | 基于光谱波长优选的水果糖度和酸度无损检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113267466A CN113267466A (zh) | 2021-08-17 |
| CN113267466B true CN113267466B (zh) | 2023-02-03 |
Family
ID=77228426
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110361802.5A Active CN113267466B (zh) | 2021-04-02 | 2021-04-02 | 基于光谱波长优选的水果糖度和酸度无损检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113267466B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114018836B (zh) * | 2021-09-27 | 2024-04-26 | 中国科学院合肥物质科学研究院 | 一种糖度检测方法和*** |
| CN116008208A (zh) * | 2023-03-27 | 2023-04-25 | 山东省科学院海洋仪器仪表研究所 | 一种海水硝酸盐浓度特征光谱波段的选择方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1987456A (zh) * | 2006-12-14 | 2007-06-27 | 浙江大学 | 一种水果成熟度预测方法 |
| CN105806803A (zh) * | 2016-03-15 | 2016-07-27 | 潘涛 | 一种多指标协同分析波长组合及其选择方法 |
| WO2016139335A1 (en) * | 2015-03-04 | 2016-09-09 | Université Libre de Bruxelles | Method for determining the degree of phosphorylation and the degree of glycosylation of a protein in a protein sample |
| 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 |
| GB201706666D0 (en) * | 2017-04-27 | 2017-06-14 | Protea Ltd | Spectroscopic analysis |
| CN111027025A (zh) * | 2019-12-11 | 2020-04-17 | 华北电力大学（保定） | 一种筛选红外光谱特征波长用于预测葡萄酒品质参数的方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5441703B2 (ja) * | 2007-09-21 | 2014-03-12 | サントリーホールディングス株式会社 | 可視光線・近赤外線分光分析法及びブドウ醸造方法 |
| CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
| CN103344600B (zh) * | 2013-06-28 | 2015-06-03 | 中国农业大学 | 一种蚁群优化算法的近红外光谱特征波长选择方法 |
| KR101574895B1 (ko) * | 2014-06-26 | 2015-12-04 | 제주대학교 산학협력단 | Ｆｔ―ｉｒ 스펙트럼 데이터의 다변량 통계분석을 이용한 감귤의 당도 및 산도 예측 방법 |
| CN110726694A (zh) * | 2019-10-22 | 2020-01-24 | 常州大学 | 光谱变量梯度集成遗传算法的特征波长选择方法和*** |
-
2021
- 2021-04-02 CN CN202110361802.5A patent/CN113267466B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1987456A (zh) * | 2006-12-14 | 2007-06-27 | 浙江大学 | 一种水果成熟度预测方法 |
| WO2016139335A1 (en) * | 2015-03-04 | 2016-09-09 | Université Libre de Bruxelles | Method for determining the degree of phosphorylation and the degree of glycosylation of a protein in a protein sample |
| CN105806803A (zh) * | 2016-03-15 | 2016-07-27 | 潘涛 | 一种多指标协同分析波长组合及其选择方法 |
| 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 |
| GB201706666D0 (en) * | 2017-04-27 | 2017-06-14 | Protea Ltd | Spectroscopic analysis |
| CN111027025A (zh) * | 2019-12-11 | 2020-04-17 | 华北电力大学（保定） | 一种筛选红外光谱特征波长用于预测葡萄酒品质参数的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于关键变量的OPLS预测方法;罗明英等;《华东理工大学学报(自然科学版)》;20160831;第42卷(第04期);"摘要"和"２基于关键变量的OPLS建模方法" * |
| 近红外漫反射用于检测苹果糖度及有效酸度的研究;刘燕德等;《光谱学与光谱分析》;20051130;第25卷(第11期);"1 实验部分"和"2 结果与分析" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113267466A (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Liu et al. | Nondestructive measurement of soluble solid content of navel orange fruit by visible–NIR spectrometric technique with PLSR and PCA-BPNN | |
| CN113267466B (zh) | 基于光谱波长优选的水果糖度和酸度无损检测方法 | |
| Larraín et al. | A multipurpose portable instrument for determining ripeness in wine grapes using NIR spectroscopy | |
| 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 | |
| CN111855608B (zh) | 基于融合特征波长选择算法的苹果酸度近红外无损检测方法 | |
| CN107703097B (zh) | 利用近红外光谱仪构建快速预测原油性质的模型的方法 | |
| CN101825567A (zh) | 一种近红外光谱和拉曼光谱波长的筛选方法 | |
| Yuan et al. | Non-invasive measurements of ‘Yunhe’pears by vis-NIRS technology coupled with deviation fusion modeling approach | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| CN111999258B (zh) | 一种面向光谱基线校正的加权建模局部优化方法 | |
| CN115993344A (zh) | 一种近红外光谱分析仪质量监测分析***及方法 | |
| CN110567889A (zh) | 一种基于光谱成像和深度学习技术的鲜茧含水率的无损检测方法 | |
| Xu et al. | Nondestructive detection of internal flavor in ‘Shatian’pomelo fruit based on visible/near infrared spectroscopy | |
| Zheng et al. | Enhancing model robustness through different optimization methods and 1-D CNN to eliminate the variations in size and detection position for apple SSC determination | |
| CN114414521A (zh) | 基于红外多光谱传感器的牛奶主要成分测量方法 | |
| CN107290299B (zh) | 一种实时无损检测桃的糖度和酸度的方法 | |
| CN113030011A (zh) | 水果糖度快速无损检测方法及检测*** | |
| CN112630180A (zh) | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 | |
| Chen et al. | Prediction of apple internal qualities using hyperspectral imaging techniques | |
| Purwanto et al. | Non destructive prediction of pH in mango fruit cv. Gedong Gincu using NIR spectroscopy | |
| Bi et al. | Apple internal quality fusion prediction by multi-pattern recognition technology and evidence theory | |
| CN112881333B (zh) | 一种基于改进免疫遗传算法的近红外光谱波长筛选方法 | |
| CN109459408A (zh) | 一种基于稀疏回归lar算法的近红外定量分析方法 | |
| Gomes et al. | Towards robust Machine Learning models for grape ripeness assessment |
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 |