基于可见/近红外光谱的水果糖度检测模型优化及应用研究

摘要

本文以水果为研究对象，在介绍了近红外光谱检测技术的基本原理、常规检测方式以及分析流程与步骤，以及分析了目前国际上基于可见，近红外光谱的农产品内部品质在线无损检测分级技术与装备的现状的基础上，利用可见/近红外光谱分析技术和化学计量学知识，研究了水果糖度的可见/近红外光谱无损检测方法，主要包括：研究了简单和复杂样品温度对检测结果的影响及其建模分析方法、研究了水果表面颜色和糖度的同步检测、研究比较了光谱信息融合不同颜色指标后的水果糖度预测方法及其结果、研究了基于特征变量选择的多种建模方法、研究优化了实时检测系统等，并在此基础上完成了水果糖度实时无损检测系统，并采用Visual C++6.0软件和OmniDriver二次开发软件包，开发了水果内部品质检测与实时分级系统软件，并对实际生产中模型更新与模型修正进行了比较研究。本研究的主要内容和结论为：
　　 ⑴介绍了可见，近红外光谱检测技术的基本原理、常规检测方式以及分析流程与步骤；介绍了可见，近红外光谱的数据预处理常用方法和常用建模方法。分析了目前国际上基于可见，近红外光谱的农产品内部品质在线无损检测分级技术与装备的现状，及其一直困扰近红外检测技术的关键问题--模型的稳健性。
　　 ⑵研究了简单样品温度条件下水果温度对糖度预测精度的影响。运用偏最小二乘法(PLS)和逐步多元线性回归(SMLR)对常温与低温冷藏后混合的水蜜桃样品糖度进行预测，分别取得最优交互验证均方根误差(RMSECV)为0.67°Brix和0.532°Brix，SMLR的预测结果要优于PLS的预测结果，表明在简单温度条件下，可以通过逐步多元线性回归选择对温度不敏感的波长建立分析模型，提高检测精度。另外，对单温度样品集进行SMLR预测分析时，可以发现单温度下的模型预测结果要优于混合后的模型预测结果，常温下的RMSECV=0.26°Brix、冷藏下的RMSECV=0.31°Brix，可见温度对预测结果的影响较大，预测误差扩大了一倍左右。
　　 ⑶研究了温度和光谱的二维相关分析。通过二维相关光谱分析可以看出在850 nm、790 nm和690 nm峰附近所对应的基团随着升温的进程而变化，并对变温扰动比较敏感，并且O-H基团比C-H基团对温度的变化扰动更敏感，糖度高的样品受温度变化扰动影响大。
　　 ⑷研究了复杂样品温度条件下的水果糖度预测分析。运用逐步多元线性回归SMLR、偏最小二乘法PLS、遗传算法-偏最小二乘法GA-PLS、最小二乘支持向量机LS-SVM1(输入量为SMLR分析得到的30个波段下的光谱值)和最小二乘支持向量机LS-SVM2(输入量为30个波段下的光谱值和温度变量)等五种方法进行建模比较，预测结果从优到差依次为LS-SVM2、LS-SVM1、GA-PLS、PLS和SMLR。结果表明：在复杂的温度变化条件下SMLR方法已显得不足以进行温度的修正。GA-PLS通过遗传算法选取了与温度无关的波段，建立了相对稳健的模型，因而预测精度比全波段的PLS高，而LS-SVM采用了非线性模型可以有效地补偿温度的非线性影响，另外，LS-SVM2中将温度引入了X矩阵中，在一定程度上补偿了温度的影响并提高了检测精度。
　　 ⑸研究了基于可见，近红外光谱的水果表面颜色和糖度的同步检测。利用便携式光谱仪获取的光谱信息同时对水果的糖度值(SC)、颜色信息L*，a*，b*和C*行了预测，在20个波长下建立的SMLR模型取得最好的交互验证结果：糖度SC的校正决定系数R2=0.937，RMSEC=0.294°Brix，交互验证R2=0.896，RMSECV=0.3794°Brix，RPD比值=3.2；颜色指标L*的校正决定系数R2=0.968，RMSEC=0.472，交互验证R2=0.948，RMSECV=0.603，RPD比值=4.5；颜色指标a*的校正决定系数R2=0.939，RMSEC=0.593，交互验证R2=0.899，RMSECV=0.765，RPD比值=3.3；颜色指标b*的校正决定系数R2=0.950，RMSEC=0.573，交互验证R2=0.918，RMSECV=0.738，RPD比值=3.5；颜色指标C*的校正决定系数R2=0.958，RMSEC=0.548，交互验证R2=0.930，RMSECV=0.708，RPD比值=3.8。5个品质指标的RPD比值均>3，表示模型预测性能良好，可以用于预测。
　　 ⑹研究了基于颜色信息融合的水果糖度可见/近红外光谱检测方法。研究结果表明将15个波段的光谱信息(第一类输入量)融合颜色信息(第二类输入量)后LS-SVM回归分析得到的糖度预测精度与仅有同样15个波段光谱信息作为输入量的SMLR模型和LS-SVM模型的回归结果相比有了明显的提高。在融合全部颜色信息L*+a*+b*时糖度预测结果最好，RMSEP=0.561°Brix。其他依次为(a*+b*)>L*。该结果表明将颜色信息与光谱信息融合用于水果糖度的检测并提高其预测精度是可行的，该方法可以用于水果商品化处理实际生产。
　　 ⑺研究了基于特征变量选择的多种建模方法。分别比较了逐步多元线性回归(SMLR)、遗传算法-偏最小二乘法(GA-PLS)、连续投影算法-多元线性回归SPA-MLR和组合间段偏最小二乘法(siPLS)等方法对在线实时获取的水果光谱样本的预测分析。SMLR选用18个波长建立的模型预测结果为决定系数R2=0.849，RMSEP=0.346°Brix，且所选波长数18占520nm-920nm光谱范围内901个波长点为2％；GA-PLS选用225个变量建模时取得的预测结果为R2=0.873，RMSEP=0.315°Brix，所选波长数225占520nm-920nm光谱范围内901个波长点的25％。SPA-MLR在选择11个波长建立的模型取得的预测结果为R2=0.808，RMSEP=0.391°Brix，所选波长数11占520nm-920nm光谱范围内901个波长点的1.22％。siPLS方法将光谱范围520nm-920nm分成20个间段，并在组合[7，10，12，15]间段时建立的模型时取得的预测结果为R2=0.832，RMSEP=0.362°Brix，所选间段占520nm-920nm光谱范围的20％。结果表明虽然GA-PLS预测结果最好，但其所用光谱变量最多25％，且所需建模时间最长，SPA-MLR所用光谱变量最少1.22％，但预测精度相对较差，从预测精度、所需时间及所用光谱变量等情况分析，8MLR模型性能可以满足水果糖度的在线实时检测。
　　 ⑻比较选择了实时检测系统中的主要仪器。包括参比的比较选择研究、光谱仪的比较选择研究以及不同果杯的影响研究，从而达到了优化实时检测系统的目的，保证了检测系统和模型的可靠性。比较结果表明用ND0.7作为参比时采集得到的光谱数据建立的模型比较理想，用光谱仪A(狭缝大小=100μm)得到的结果优于光谱仪B(狭缝大小=200μm)得到的结果、在本文设计的在线实时检测系统中可以忽略果杯对检测结果的影响。
　　 ⑼研究开发了水果糖度在线实时检测系统，并针对实际生产中样品变化引起的模型预测性能降低的问题进行了模型更新与修正等方法的研究，比较结果表明模型更新方法要优于模型修正方法。

目录

文摘

英文文摘

基金项目

插图清单

表格清单

符号列表

第一章 绪论

1.1 课题研究的产业背景及意义

1.2 计算机视觉检测技术

1.3 可见/近红外光谱检测技术

1.3.1 基本原理

1.3.2 可见/近红外光谱常规检测方法

1.3.3 可见/近红外光谱定量分析的流程与步骤

1.4 可见/近红外光谱数据处理及建模方法

1.4.1 可见/近红外光谱的数据预处理方法

1.4.2 常用建模方法

1.4.3 模型的验证与评价

1.5 水果糖度在线无损检测系统研究现状

1.6 影响模型稳健性的主要因素

1.6.1 温度的影响及其修正与补偿方法

1.6.2 样品大小的影响

1.7 研究目的、内容和技术路线

1.7.1 课题来源

1.7.2 研究目的、目标与主要研究内容

1.7.3 技术路线

1.8 本章小结

第二章 温度对水果糖度检测的影响及其修正方法研究

2.1 简单温度条件下的水果糖度检测

2.1.1 实验材料与方法

2.1.2 SMLR与PLS的比较分析

2.2 温度与光谱的相关关系及其修正方法研究

2.2.1 实验材料与方法

2.2.2 温度与光谱的二维相关分析

2.2.3 复杂温度条件下的水果糖度检测

2.3 本章小结

第三章 多信息融合的水果糖度检测方法研究

3.1 水果品质间的相关性

3.2 水果糖度和表面颜色指标的同步检测

3.2.1 实验材料和方法

3.2.2 多品质指标的同步检测

3.3 光谱信息与颜色信息融合用于水果糖度的检测

3.4 本章小结

第四章 特征变量选择方法研究

4.1 光谱波段选择的必要性及方法

4.2 特征变量多种方法选择比较

4.2.1 实验材料和方法

4.2.2 SMLR

4.2.3 GA-PLS

4.2.4 SPA-MLR

4.2.5 siPLS

4.3 本章小结

第五章 仪器的选择比较研究

5.1 不同参比比较研究

5.1.1 中性密度滤光片

5.1.2 试验材料和方法

5.1.3 预测结果比较

5.2 不同光谱仪的比较试验

5.3 果杯影响研究

5.4 本章小结

第六章 水果糖度在线实时检测系统研究及试验

6.1 检测系统设计

6.2 检测软件开发

6.2.1 软件模块

6.2.2 用户界面

6.3 实际生产中的模型更新与修正

6.3.1 试验材料和方法

6.3.2 模型的更新与修正

6.4 本章小结

第七章 结论与展望

7.1 论文取得的主要研究成果

7.2 论文的主要创新点

7.3 进一步研究展望

参考文献

致谢

个人简历