基于近红外光谱的贮藏脐橙品质无损检测方法研究

论文摘要

为了提出脐橙内部品质近红外光谱快速无损检测方法,预测和控制脐橙可溶性总糖、总酸、维生素C、可溶性固形物、糖酸比等内部品质贮藏特性,收集了420个脐橙样品,比较并优选了11种常用光谱消噪预处理方法,确定了小波消噪的最优分解尺度,提出了近红外光谱消噪的最优小波基,建立了贮藏脐橙内部品质近红外光谱无损检测定量模型,建立了脐橙内部品质贮藏特性的BP神经网络模型。主要研究结果如下:1.可溶性总糖含量近红外光谱常规最佳预处理方法是直线差值（SLS）法;多品种PLS校正模型和验证模型预测值的相关系数R分别为0.9487和0.877,内部交叉验证均方差RMSECV分别为0.776%和0.6992%;单品种PLS校正模型和验证模型预测值R分别为0.961和0.9626,RMSECV分别为0.767%和0.7769%。总酸含量近红外光谱常规最佳预处理方法是附加散射校正法（MSC）;多品种PLS校正模型和验证模型预测值R分别为0.9268和0.894,RMSECV分别为0.0355%和0.0407%;单品种PLS校正模型和验证模型预测值R分别为0.9663和0.9813,RMSECV分别为0.0328%和0.01705%。维生素C含量近红外光谱常规最佳预处理方法是一阶导数+向量归一化（FD+VN）;多品种PLS校正模型和验证模型预测值R分别为0.9306和0.8689,RMSECV分别为5.07mg/100g和3.888mg/100g;单品种PLS校正模型和验证模型预测值R分别为0.9392和0.9717,RMSECV分别为2.02mg/100g和1.8356mg/100g。可溶性固形物含量近红外光谱无损检测的常规光谱最佳预处理方法是一阶导数（FD）;多品种PLS校正模型和验证模型预测值R分别为0.9654和0.8953,RMSECV分别为0.316%和0.4262%;单品种PLS校正模型和验证模型预测值R分别为0.9737和0.94,RMSECV分别为0.282%和0.36%。2.可溶性总糖近红外光谱小波消噪最佳分解尺度为6,PLS模型预测值R达到0.9231,RMSECV为0.672%。总酸度近红外光谱小波消噪最佳分解尺度为3 PLS模型预测值R为0.9371,RMSECV为0.0334%。维生素C近红外光谱小波消噪最佳分解尺度为3,PLS模型预测值R为0.9632,RMSECV为2.78mg/100g。可溶性固形物含量近红外光谱小波消噪最佳分解尺度为5,PLS模型预测值R为0.9791,RMSECV为0.292%。3.小波包变换是脐橙可溶性总糖、总酸、维生素C、可溶性固形物近红外光谱消噪的有效方法。可溶性总糖近红外光谱噪声效果最好的小波基是db6,其PLS模型预测值R为0.9431、RMSECV为0.373%。总酸近红外光谱消噪效果最好的小波基是db4,其PLS模型预测值R为0.9507、RMSECV为0.0336%。维生素C近红外光谱消噪效果最好的小波基是db5,其PLS模型预测值R为0.9427、RMSECV为2.02mg/100g。可溶性固形物近红外光谱消噪效果最好的小波基是db5,其PLS模型预测值R为0.968、RMSECV为0.344%。4.内部品质与贮藏时间的BP人工神经网络模型中,可溶性总糖模型某些优化隐含层神经元数目为60,贮藏时间校正模型预测值R为0.864,验证模型R为0.88。总酸模型优化隐含层神经元数目为50,贮藏时间校正模型预测值R为0.984,验证模型R为0.9814。维生素C模型优化隐含层神经元数目为50,贮藏时间校正模型预测值R为0.82,验证模型R为0.8648。可溶性固形物模型优化隐含层神经元数为30,贮藏时间校正模型预测值R为0.933,验证模型R为0.9343。糖酸比模型优化隐含层神经元数为60,贮藏时间校正模型预测值R为0.89,验证模型R为0.90。与贮藏时间关联最显著的品质指标是总酸度。5.可溶性总糖、总酸、维生素C、可溶性固形物和糖酸比等5个指标建立的多因素随贮藏时间变化的BP人工神经网络模型优化隐含层神经元数为8,校正模型贮藏时间预测值R为0.98,验证模型R为0.99。多因素模型比单因素模型预测效果精确,应该采用多因素模型预测贮藏时间和贮藏寿命。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究目的与意义
• 1.2 国内外研究现状
• 1.2.1 近红外光谱分析方法的发展
• 1.2.2 近红外光谱仪器的研究进展
• 1.2.3 近红外光谱分析方法在果品检测中的应用
• 1.3 近红外光谱分析的理论基础
• 1.3.1 近红外光谱分析的原理
• 1.3.2 近红外光谱分析中的化学计量学方法
• 1.3.3 近红外光谱分析流程
• 1.3.4 近红外光谱定量分析模型评价参数
• 1.4 研究内容与方法
• 1.4.1 研究内容
• 1.4.2 研究方法
• 第二章 脐橙光谱化学试验研究
• 2.1 脐橙样品的采集与贮藏
• 2.1.1 脐橙样品的采集
• 2.1.2 脐橙样品的贮藏
• 2.2 脐橙样品的近红外光谱采集
• 2.2.1 近红外光谱仪器
• 2.2.2 扫描参数的设定
• 2.2.3 脐橙样品的近红外光谱扫描
• 2.3 脐橙样品的化学成分分析
• 2.3.1 化学分析仪器
• 2.3.2 化学分析方法
• 2.3.3 化学成分的测定
• 2.4 小结
• 第三章 基于常用预处理与 PLS的脐橙内部品质近红外光谱分析
• 3.1 脐橙可溶性总糖度的近红外光谱定量分析
• 3.1.1 异常样品的剔除
• 3.1.2 常用光谱预处理方法优化
• 3.1.3 光谱波段优化
• 3.1.4 最佳主成分的确定
• 3.1.5 校正模型的验证
• 3.1.6 单一样品模型的建立
• 3.2 脐橙总酸的近红外光谱定量分析
• 3.2.1 异常样品的剔除
• 3.2.2 常用光谱预处理方法优化
• 3.2.3 光谱波段优化
• 3.2.4 最佳主成分的确定
• 3.2.5 校正模型的验证
• 3.2.6 单一样品模型的建立
• 3.3 脐橙维生素C的近红外光谱定量分析
• 3.3.1 异常样品的剔除
• 3.3.2 常用光谱预处理方法优化
• 3.3.3 光谱波段优化
• 3.3.4 最佳主成分的确定
• 3.3.5 校正模型的验证
• 3.3.6 单一样品模型的建立
• 3.4 脐橙可溶性固形物的近红外光谱定量分析
• 3.4.1 异常样品的剔除
• 3.4.2 常用光谱预处理方法优化
• 3.4.3 光谱波段优化
• 3.4.4 最佳主成分的确定
• 3.4.5 校正模型的验证
• 3.4.6 单一样品模型的建立
• 3.5 小结
• 第四章 基于小波变换与PLS的脐橙内部品质近红外光谱分析
• 4.1 小波消噪原理简介
• 4.2 脐橙近红外光谱db3小波消噪
• 4.3 基于db3小波基消噪的脐橙可溶性总糖近红外光谱定量分析
• 4.4 基于db3小波基消噪的脐橙总酸度的近红外光谱定量分析
• 4.5 基于db3小波基消噪的脐橙维生素 C的近红外光谱定量分析
• 4.6 基于db3小波基消噪的脐橙可溶性固形物的近红外光谱定量分析
• 4.7 小结
• 第五章 脐橙内部品质近红外光谱消噪小波基优化研究
• 5.1 引言
• 5.2 基于小波包消噪的脐橙近红外光谱预处理
• 5.3 脐橙维生素 C近红外光谱消噪小波基优化
• 5.3.1 dbN小波基的优化
• 5.3.2 常用小波基的优化
• 5.4 脐橙可溶性固形物近红外光谱消噪小波基优化
• 5.4.1 dbN小波基的优化
• 5.4.2 常用小波基的优化
• 5.5 脐橙可溶性总糖近红外光谱消噪小波基优化
• 5.5.1 dbN小波基的优化
• 5.5.2 常用小波基的优化
• 5.6 脐橙总酸度近红外光谱消噪小波基优化
• 5.6.1 dbN小波基的优化
• 5.6.2 常用小波基的优化
• 5.7 小结
• 第六章 基于人工神经网络的脐橙内部品质贮藏特性研究
• 6.1 引言
• 6.2 BP人工神经网络的构建
• 6.2.1 BP人工神经网络的结构
• 6.2.2 BP人工神经网络训练参数的确定
• 6.3 样本数据处理
• 6.4 脐橙可溶性总糖与贮藏时间的BP人工神经网络模型建立
• 6.4.1 隐含层神经元个数的确定
• 6.4.2 模型的验证
• 6.5 脐橙总酸度与贮藏时间的BP人工神经网络模型建立
• 6.5.1 隐含层神经元个数的确定
• 6.5.2 模型的验证
• 6.6 脐橙维生素C与贮藏时间的BP人工神经网络模型建立
• 6.6.1 隐含层神经元个数的确定
• 6.6.2 模型的验证
• 6.7 脐橙可溶性固形物与贮藏时间的BP人工神经网络模型建立
• 6.7.1 隐含层神经元个数的确定
• 6.7.2 模型的验证
• 6.8 脐橙糖酸比与贮藏时间的BP人工神经网络模型建立
• 6.8.1 隐含层神经元个数的确定
• 6.8.2 模型的验证
• 6.9 脐橙内部品质多因素BP人工神经网络模型建立
• 6.9.1 隐含层神经元个数的确定
• 6.9.2 模型的验证
• 6.10 小结
• 第七章 结论与建议
• 7.1 主要结论
• 7.2 创新之处
• 7.3 建议
• 参考文献
• 博士就读期间的科研工作和论文发表情况
• 致谢