面向苹果检测的近红外光谱信息处理技术研究

论文摘要

近红外光谱技术由于其快速、准确、无损、低成本等优势,被广泛应用于农产品质量检测中。近红外光谱具有敏感性强、变量数目大、冗余信息多等特点。因此选择有效的处理方法对光谱信息进行预处理,可以减少无关信息量、提高数据的有效性、降低干扰信息对后续数据分析的影响,并提高数学模型的预测能力。我国是苹果生产大国,苹果产量居世界首位,并逐年增加,而出口量却没有随之提高,出口占比远落后于欧美一些发达国家,这是由于我国苹果采后商品化处理技术落后。为提高我国苹果的市场竞争力,满足人们多元化的需求,我国应改进苹果的采后处理水平。水果品质检测是水果采后处理的关键环节,而可溶性固形物含量是反映水果品质的重要指标。因此本文以苹果为探究对象,运用近红外光谱技术检测苹果的可溶性固形物含量。本文选择红富士苹果为研究对象,以获得预测性能强的苹果可溶性定固形物含量预测模型为目的,对苹果的近红外光谱信息进行处理。主要做了以下工作:（1）对近红外光谱和可溶性固形物含量的基本原理及采集方法进行了探究,采集了440个样品的光谱数据及对应的可溶性固形物含量。（2）分别运用了小波包阈值去噪、S-G卷积平滑、多元散射校正、主成分分析-马氏距离法对光谱数据进行处理。根据处理效果,提出了小波包阈值去噪、主成分分析-马氏距离和多元散射校正结合（WPD-（PCA-MD）-MSC）对光谱进行串行处理的方法。（3）分别运用了基于小波包变换的离散度分析法、连续投影法、基于小波包分析与偏最小二乘的特征提取方法,筛选光谱特征变量。为进一步优选特征变量,本文运用蚁群算法根据预测模型的均方根误差选择了最优变量组合。（4）设计了“建模前光谱数据处理算法”及“基于可溶性固形物含量检测的苹果近红外光谱处理流程”。分别运用原始光谱数据和经“建模前光谱数据处理算法”处理后的光谱数据建立偏最小二乘预测模型。实验结果显示,与原始数据处相比,处理后的数据训练的模型相关系数（RP）提高了0.4196,均方根误差（RMSE）降低了0.6299。运用了BP神经网络训练苹果可溶性固形物预测模型,进一步验证“建模前光谱数据处理算法”的普适性。实现了通过光谱数据处理提高模型预测能力的目的。

论文目录

• 摘要
• abstract
• 第一章 绪论
•   1.1 研究目的和意义
•   1.2 近红外检测技术
•     1.2.1 近红外光谱分析原理
•     1.2.2 近红外光谱分析的特点
•     1.2.3 近红外检测水果成分的方法和流程
•   1.3 近红外光谱技术研究进展
•     1.3.1 国内外近红外光谱技术研究现状
•     1.3.2 近红外光谱在苹果内部品质检测方面的研究现状
•     1.3.3 光谱信息处理方法的研究现状
•   1.4 课题的主要研究内容及技术路线
•     1.4.1 课题来源
•     1.4.2 研究内容
•     1.4.3 技术路线
•   1.5 本章小结
• 第二章 苹果近红外光谱采集及理化分析
•   2.1 光谱采集的材料、仪器准备
•     2.1.1 试验样品准备
•     2.1.2 样品观察和预处理
•   2.2 近红外光谱采集步骤
•     2.2.1 实验仪器及工作原理
•     2.2.2 光谱采集软件及参数设定
•     2.2.3 光谱采集具体过程
•     2.2.4 采集的样本光谱
•   2.3 苹果糖酸度理化分析
•     2.3.1 苹果的可溶性固形物含量测定方法
•     2.3.2 实验步骤
•   2.4 苹果近红外光谱响应特性研究
•     2.4.1 苹果的表面颜色对近红外光谱特性的影响
•     2.4.2 样品检测部位对其近红外光谱的影响
•   2.5 本章小结
• 第三章 光谱预处理基本理论及处理方法
•   3.1 近红外光谱分析中的预处理方法
•     3.1.1 噪声滤除
•     3.1.2 多元散射校正
•     3.1.3 异常样本剔除
•   3.2 苹果光谱的预处理
•     3.2.1 光谱的去噪处理
•     3.2.2 光谱的多元散射校正
•     3.2.3 异常样本计算
•   3.3 光谱数据的预处理方法选择及精度验证
•   3.4 本章小结
• 第四章 光谱特征筛选及特征优化
•   4.1 特征提取及波长筛选方法
•     4.1.1 基于偏最小二乘和小波包分析的特征提取方法
•     4.1.2 连续投影算法
•     4.1.3 基于小波包变换的特征波长筛选
•   4.2 苹果近红外光谱的特征提取及波长筛选
•     4.2.1 基于偏最小二乘和小波包分析的苹果光谱的特征计算
•     4.2.2 连续投影法筛选特征波长
•     4.2.3 基于小波包变换的波长筛选
•   4.3 光谱特征优选方法
•     4.3.1 蚁群算法基本原理
•     4.3.2 基于蚁群算法的特征优选方法
•     4.3.3 基于蚁群算法的光谱特征优选
•   4.4 本章小结
• 第五章 苹果的近红外光谱信息处理方法及模型验证
•   5.1 数学模型建立方法
•     5.1.1 偏最小二乘模型及原理
•     5.1.2 BP神经网络的模型及原理
•   5.2 光谱的处理与模型验证
•     5.2.1 光谱处理效果验证
•     5.2.2 光谱数据预处理流程设计
•   5.3 光谱处理流程模型检验
•   5.4 本章小结
• 第六章 结论与展望
•   6.1 论文总结
•   6.2 研究展望
• 参考文献
• 致谢
• 附录 A
• 附录 B

文章来源

类型: 硕士论文

作者: 张宁

导师: 申涛,张玉华

关键词: 近红外光谱,苹果,可溶性固形物含量,数据处理,特征变量提取

来源: 济南大学

年度: 2019

分类: 基础科学,农业科技

专业: 物理学,园艺

单位: 济南大学

基金: 山东省科技发展计划项目《多模式识别技术在苹果无损检测的应用研究》,山东省农机装备创新发展项目《基于苹果内外在品质的自动分级分拣装备研发》

分类号: O433.4;S661.1

DOI: 10.27166/d.cnki.gsdcc.2019.000449

总页数: 77

文件大小: 7258K

下载量: 205