首页> 中文学位 >Android系统的微型近红外光谱仪开发及在食品质量检测中的应用
【6h】

Android系统的微型近红外光谱仪开发及在食品质量检测中的应用

代理获取

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 近红外光谱技术介绍

1.2 近红外光谱仪器的类型

1.3 近红外光谱分析技术的应用

1.4 课题研究的目的、意义及主要内容

第二章 微型近红外光谱仪的构成及其性能分析

2.1 C11708MA近红外探测器

2.2 硬件系统简介

2.3 光谱仪的性能试验

2.4 本章小结

第三章 微型近红外光谱探测器软件系统方案设计

3.1 PC应用软件设计

3.2 Android移动终端app设计

3.3 本章小结

第四章主要系统功能的实现

4.1 光谱仪硬件通信模块

4.2 系统I/O模块

4.3 光谱仪模型调用模块

4.4 本章小结

第五章 微型近红外光谱仪系统的应用研究

5.1 近红外光谱分析流程

5.2 乙醇浓度试验

5.3 苹果可溶性固形物试验

5.4 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

攻读硕士学位期间发表的论文

展开▼

摘要

近红外光谱分析技术凭借分析过程简单、快速、绿色无损、化学信息量丰富、可同时检测多种成分的优势,已经被广泛应用于农业、食品、石化、烟草、制药等行业。随着科技的发展和实际应用的需要,近红外光谱仪呈现出小型化、便携式的发展趋势,以美国JDSU为代表,该公司于2012年推出MicroNIR-1700微型近红外光谱仪。但是由于近红外光谱分析技术自身的复杂性,目前我国国内的微型近红外光谱仪还不多,大部分是国外公司的产品,且仪器自身高昂的价格限制了其实际应用范围,因此国内市场上迫切需要一种性价比高、能够满足一般应用要求的微型近红外光谱仪。
  本文是在 Hamamatsu C11708MA微型近红外光谱仪探测器的基础上展开研究工作,并自主集成开发了微型近红外光谱分析检测系统。对近红外探测器的基本性能进行了评估,对其作为近红外光谱仪系统的核心硬件进行了可行性的试验验证;基于模块化、实用化设计原则,确定整体系统软件的应用架构;基于.Net平台和 Android平台分别在 Windows系统和移动终端实现了应用软件的设计与开发;对近红外光谱仪的实用性进行了相关的试验验证。主要的研究内容如下:
  1.介绍了 C11708MA近红外探测器的相关技术参数,并从硬件系统分析了近红外探测器的工作原理;依据测量样品的不同设计了适用于液体、固体、粉末状样品的检测附件;从光谱仪输出信号、吸光度重复性和基线稳定性3个指标对C11708MA微型近红外光谱仪的性能进行试验评估,并分析了积分时间对仪器输出信号和吸光度重复性的影响。依据试验结果得出了适用于本系统的近红外光谱仪控制参数的设置方法,即对于C11708MA光谱仪16 bit A/D,在光谱仪达到最佳工作点(即输出信号水平在20000~40000 Counts范围内)并考虑实际样品测量过程所耗时限(一般1~2s左右)的情况下,增加积分时间可达到更好的试验效果。
  2.基于近红外光谱分析技术的检测流程和模型建立流程,设计了微型近红外光谱仪应用系统的整体构架。从实际应用的角度考虑,设计并开发了2套近红外光谱仪应用软件:基于Microsoft公司的.Net平台采用C#语言对PC端的应用软件进行了开发,以适应建模所需大量样品集光谱数据的采集和分析,方便近红外领域的研究人员对光谱进行分析研究。同时,使用 Java语言在 Android平台上开发光谱仪应用app程序,实现了近红外光谱仪的控制、光谱采集、模型载入以及数据保存等功能,方便用户在已有模型文件的基础上快速检测待测样品化学指标,体现近红外光谱分析技术快速高效的优势。
  3.以装载 Android系统的智能手机作为系统控制终端,凭借 Java开源的特点以及Google公司提供的强大API函数,开发了界面良好的人机交互界面。详细介绍了近红外光谱仪的硬件控制,光谱的采集保存,模型网络下载、模型调用(模型文件由NIRSA数据处理系统建立,本工作组自主开发)以及成分实时预测等功能模块的代码实现。
  4.介绍了近红外光谱分析的技术流程;对近红外光谱仪系统的实用性进行了试验研究,分别以不同乙醇浓度样品和济南某果园苹果为检测对象,配以不同的检测附件,以乙醇浓度和苹果中的可溶性固形物含量作为检测指标,分别对样品进行了系统实用化的验证试验。对50个不同乙醇浓度的液体样品分别采用逐步线性回归(SWR)、主成分回归(PCR)和偏最小二乘回归(PLS)三种方法建立校正模型,其中35个样品作为校正集,剩余15个样品对模型进行预测,其中PLS回归方法所建立的模型效果最好,SWR次之,PCR较差,PLS回归所建模型的预测系数为0.9988,预测平均误差为1.959%,最大误差为4.909%。对90个苹果样品对象进行固体试验研究,其中63个样品采用偏最小二乘回归(PLS)建立校正模型,27个样品对模型进行预测,并用马氏距离判别法剔除2个异常样品,最终所建模型的预测系数为0.9283,平均误差为2.701%,最大误差为9.179%。建立的模型稳定可靠,可满足一般的实际应用。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号