导读:本文包含了水果糖度论文开题报告文献综述及选题提纲参考文献，主要关键词:漫反射,便携式,糖度,苹果
水果糖度论文文献综述
朱丹宁[1]（2018）在《薄皮水果糖度和货架期便携式检测方法研究》一文中研究指出近红外光谱技术为农产品内部品质的快速无损检测提供了技术支持,而便携式光谱检测仪器因其体积小、便携性、操作简单等特点得到广泛应用。为设计开发出一款便携性好、成本低、功耗低、操作简单的便携式水果内部品质检测装置,以大宗水果为研究对象,探讨优化水果近红外便携式检测仪器的探头结构参数,来提高水果近红外便携式检测仪的检测精度的可行性,并获得最优的结构参数;另外以酥梨为研究对象,探索采用近红外漫反射的检测方式用于定性分析酥梨货架期的可行性,并对比不同的建模方法对检测精度的影响,建立最优的酥梨货架期定性分析模型;最终采用试验获得的最优结构参数,对便携式水果内部品质检测装置进行设计开发,并通过实验对便携式水果内部品质检测进装置行功能验证。其主要研究结果及结论如下:(1)为探讨不同结构参数的探头对近红外漫反射检测平台检测水果糖度精度的影响,以苹果为研究对象,利用自主研发搭建的便携式检测平台,获取实验样品的近红外漫反射光谱。样品杯采用四周照射中间接受信息同时结合避光圈的结构,探讨了不同的光源照射角度、光源距探头距离对实验样品漫反射光强的影响。分析对比建模结果可知,采用α=45°、W=15mm结构参数结合PLS方法建立的模型精度最高,预测集相关系数r_p和预测均方根误差RMSEP分别为0.924和0.334° Brix。实验证明,该便携式检测平台能够实现水果糖度快速检测,为快速、便携的水果糖度检测仪器的设计提供参考依据。(2)为探讨酥梨相关品质指标与货架期间的关系,以酥梨为研究对象,采用自行搭建的便携式检测平台对酥梨样品进行漫反射光谱采集。分析了不同货架期酥梨样品光谱特征差异,同时建立了酥梨货架期的偏最小二乘判别模型以及最小二乘支持向量机模型。依据误判率最小的原则,对比分析两种建模结果,其中以16个主成分变量作为输入变量的线性核函数(Lin_kernel)建立的LS-SVM模型为最优模型,误判为0。该研究建立了准确的货架期水果内部品质预测模型,对水果内部品质监控和货架期的预测具有重大意义。(3)以微型STS光谱仪作为便携式仪器光谱采集单元,通过选择合适的核心板、电路板等核心部件后进行电路的设计、光路系统的布置以及软件的集成,最终自行设计开发出检测水果内部品质的近红外光谱检测仪,该光谱检测仪具有体积小,成本低、检测精度高以及检测周期短等优势。以苹果为研究对象利用便携式光谱检测仪进行实验验证,用偏最小二乘算法建立了苹果糖度预测数学模型,模型预测相关系数为0.911,预测均方根误差为0.532°Brix。实验结果表明:以STS微型光谱仪为基础,利用自行设计开发的便携式水果内部品质检测装置检测水果内部品质是可行的。(本文来源于《华东交通大学》期刊2018-06-30）
范丛山[2]（2018）在《基于数字锁相技术的近红外水果糖度检测装置设计》一文中研究指出针对水果糖度快速、无损和连续测量的要求,设计了一套基于近红外光谱原理的无损水果糖度检测装置。该装置采用半导体激光器作为发射光源,光电管接收信号,数字锁相放大器提取微弱信号,并通过校准对比、曲线拟合等数据处理方法,得到了水果糖度的计算公式,实际测量误差在3%以内。试验表明:该装置解决了普通发光管和模拟检测电路带来的干扰和温漂等问题,提高了装置稳定性,测量误差满足装置设计要求。(本文来源于《电子器件》期刊2018年03期）
温馨[3]（2018）在《基于深度学习的水果糖度可见/近红外光谱无损检测方法研究》一文中研究指出随着互联网大数据时代的到来,由于深度学习技术具有较强的计算能力和泛化能力,使其在图像处理、文本处理、语音识别等领域表现优异。因此,本文将深度学习技术应用在可见/近红外光谱的水果糖度检测方向,设计了一种基于深度学习的水果糖度回归模型,提出了一种新的检测算法。该模型前部以多层感知机为基础,后部以卷积神经网络为基础,融合主成分分析以及二维相关光谱矩阵算法,并使用Adam优化器对网络进行随机优化。在实验验证部分,本文以赣南脐橙、新疆库尔勒香梨为研究对象,以其糖度作为主要检测指标。在取得实验样本的光谱数据与糖度数值后,运行深度学习回归模型,在相同的条件下,将其与偏最小二乘回归模型、主成分回归模型、多层感知机回归模型、卷积神经网络回归模型进行对比分析,验证基于深度学习的水果糖度无损检测方法的可行性。本文的主要研究内容如下:(1)设计了一种全新的基于深度学习的水果糖度回归模型:实验证明,该模型(以下简称MLP-CNN)比经过预处理和特征波段筛选后的传统偏最小二乘回归模型、主成分回归模型的预测能力更佳优异。在脐橙的糖度预测过程中,该模型与偏最小二乘回归模型相比,验证集均方根误差从0.61° Brix减小到0.46° Brix,决定系数从0.79提高到0.85。在香梨的糖度预测过程中,该模型与偏最小二乘回归模型相比,验证集均方根误差从0.34° Brix减小到0.29° Brix,决定系数从0.88提高到0.93。(2)搭建了静态水果光谱、糖度采集实验装置,包括光源和光谱仪的选择、电路的连接以及水果的标定工作,完成了水果光谱和糖度的实时测量。(3)开发了基于深度学习的水果糖度测量软件:实现了水果光谱的输入、输出、显示、存储、预处理、深度学习回归模型运行等基础功能。综上所述,本文通过对水果光谱和糖度的采集,建立了一种全新的基于深度学习的水果糖度检测方法。MLP-CNN回归模型相较于传统的回归算法,操作过程简单,模型预测能力较好。同时,与卷积神经网络和多层感知机回归模型相比,其收敛速度更快,自我学习水平更高,模型的预测能力更强。基于深度学习的水果糖度检测方法既可保证水果样本的完整性,又可以提高实际工作效率,可实现水果糖度的无损、精准、快速测量,同时促进可见/近红外光谱无损检测技术不断向前发展。(本文来源于《北京交通大学》期刊2018-06-01）
徐苗[4]（2017）在《基于激光散射图像检测水果糖度和硬度的便携式仪器的设计与开发》一文中研究指出我国是水果生产大国但不是贸易强国,落后的水果分级检测技术是主要原因之一。现在市场上常见的无损检测技术有机器视觉技术和近红外光谱技术,机器视觉技术更适用于检测水果的外观品质,对水果内部品质的检测效果较差;近红外光谱技术虽能通过光谱数据检测内部品质,但设备价格较为昂贵,仪器大不易携带。本文基于激光散射图像原理设计并开发一套低成本、便携式的水果内部品质分级仪器,对于提高我国水果采后分级的现代化和自动化,提高我国水果的经济价值和市场竞争力具有重要作用。具体研究内容和结果如下:1便携式仪器的设计与开发根据水果分级仪器的需求,描述了仪器的总体设计方案和工作原理,在ARM11嵌入式微处理器和Linux操作系统环境下,采用C/C++和Python混合编程,确定了仪器硬件的选型,包括半导体激光发射器、相机和镜头、电池、开发板、显示屏、SD卡和开关;构建了嵌入式软件开发平台,主要包括控制模块、图像处理模块、模型预测模块;搭建了嵌入式GUI的开发环境,交互界面友好、操作简单。2水蜜桃糖度和硬度快速检测的研究利用开发的便携式分级仪器,以“湖景蜜露”水蜜桃和“早白花”水蜜桃为试验对象,确定了包括摄像头分辨率、曝光时间、焦距等仪器检测参数。获得了样品的激光散射图像,通过双峰法对图像进行阈值分割,从图像中提取了颜色参数(R、G、B、H、S、I)和纹理特征参数(像素面积、平滑度、叁阶矩、一致性和熵)。发现图像参数中像素面积、一致性和熵与水蜜桃的可溶性固形物(Soluble solids content,SSC)和硬度(hardness,F)有较好的关联性,构建了水蜜桃的SSC和硬度的偏最小二乘判别分析(PLS-DA)和支持向量机分类(SVM-C)模型。对于SSC,“湖景蜜露”和“早白花”的PLS-DA模型总体预测准确率分别为82%和90%;SVM-C模型的总体预测准确率分别为92%和94%;对于硬度,“湖景蜜露”和“早白花”的PLS-DA模型总体预测准确率分别为88%和90%,SVM-C模型总体预测准确率分别为93%和95%。说明SVM-C模型对水蜜桃SSC和硬度的判别效果优于PLS-DA模型,以构建的水蜜桃SVM-C模型导入开发的便携式仪器。3苹果桃糖度和硬度快速检测的研究以“弘前”富士和“大沙河”富士为试验对象,通过与水蜜桃相同的研究方法,结果发现图像参数中像素面积、一致性和熵与苹果的SSC和硬度指标的关联性也较好。构建了苹果的SSC和硬度的PLS-DA和SVM-C模型,对于SSC,“弘前”富士和“大沙河”的PLS-DA模型总体预测准确率分别为82%和88%,SVM-C模型总体预测准确率分别为92%和94%;对于硬度,“弘前”富士和“大沙河”富士的PLS-DA模型总体预测准确率分别为91%和90%,SVM-C模型总体预测准确率分别为96%和98%。说明SVM-C模型对苹果SSC和硬度的判别效果优于PLS-DA模型,以构建的苹果SVM-C模型导入开发的便携式仪器。(本文来源于《南京农业大学》期刊2017-06-01）
郎雷[5]（2016）在《水果糖度可见/近红外光谱检测仪的研发》一文中研究指出目前,由于在水果种植、管理、运输、储藏与销售过程中,缺乏合适有效的快速检测仪器,果农及果商很难对水果进行随时随地的非破坏抽样检测,很大程度上制约了水果的产前产后的管理,从而影响了水果的品质与销售以及造成浪费严重。近年来,可见／近红外光谱技术由于其快速、方便、绿色等特点已被广泛应用于农产品内部品质的快速无损检测。本研究主要以苹果为研究对象,可见／近红外光谱技术为手段,开发一台适用果园水果种植管理以及超市水果销售点服务的可同时获取水果重量和糖度信息的检测仪。首先结合可见／近红外光谱技术、光纤传感技术以及化学计量学方法,搭建预实验平台,通过对比不同光照模式、不同光谱仪模式、不同积分时间模式下采集光谱的建模效果,确定最优的光谱采集方式和因素。其次在这些基础上进行小型检测仪的结构件设计,同时进行控制系统的电路搭建和上位机检测软件开发,完成小型可见／近红外水果检测仪的初步研发。最后通过检测仪的糖度预测试验进行验证。本文的主要研究内容和研究结论如下：(1)在光谱采集影响因素的研究中,搭建了预实验平台,并通过对几种光谱采集模式下的建模效果的比对,找出最佳的光谱采集方式和因素。在光照方式的研究中,单边照射模式的建模效果要优于双边照射模式,同时采取单边照射模式更能够使仪器结构紧凑,散热大幅度减少；在不同光谱仪采集的对比当中,Maya2000Pro光谱仪的光谱建模效果要优于QE65Pro；在不同积分时间的光谱采集对比当中,200 ms下的光谱建模效果要优于其他两种模式。(2)通过设计结构平台、搭建控制系统以及编写上位机检测软件完成了小型水果糖度检测仪的初步研发,实现了水果光谱和重量信息的同步采集。在结构部分,创新性地将重量采集系统与光谱采集系统进行有机组合。在硬件部分,搭建了重力采集、舵机控制系统,实现其与上位机嵌入式电脑的通讯,同时通过舵机对转盘的控制,实现了暗场模式、水果采集模式以及滤波模式的自由切换。在软件部分,开发了上位机系统,用于控制各部分,实现水果重量和光谱信息的采集与糖度的检测,最终完检测仪的整体系统集成。(3)建立并优化了检测仪的糖度预测模型,通过波长筛选后的糖度预测精度高于全波长建模时的糖度预测精度。本文采用叁种波长筛选方法遗传算法GA、连续投影算法SPA、竞争性自适应加权取样算法CARS对苹果样品的全光谱进行了特征波长的筛选,将筛选后的波长分别建立PLS模型,并将它们之间性能的优劣进行了对比研究。筛选波长数为28,通过这些波长建立了苹果糖度的预测模型,用于研发的便携式检测仪当中,进行实时的糖度预测,预测精度达到94.3%。(本文来源于《浙江大学》期刊2016-04-01）
周延睿[6]（2014）在《基于近红外光谱便携式水果糖度无损检测装置模块化设计》一文中研究指出本研究以红富士苹果和赣南脐橙为研究对象，以水果糖度作为检测指标，设计并搭建了基于近红外光谱技术的便携式水果糖度无损检测装置，并以此为硬件平台开展了后续实验。对比研究了不同影响因素，如不同光照方式、不同光照角度、不同光谱仪、不同积分时间和不同水果放置方式对近红外光谱水果糖度无损检测的影响。建立并优化了该装置的预测模型，采用遗传算法(GA)、反向区间偏最小二乘法(BiPLS)、间隔偏最小二乘法(iPLS)和正自适应加权算法(CARS)波长筛选方法，对水果样品的全光谱数据进行了筛选，并将它们的建模结果进行了对比研究。论文的主要研究工作和研究结论如下：（1）根据近红外光谱理论，设计并搭建了便携式水果糖度无损检测装置。该装置总共分为叁个功能模块：光路模块、数据处理模块和附件模块。在光路模块的设计中，主要完成了光源选型和光路布置两项工作。数据处理模块主要由微处理器、软件系统和触摸显示屏叁部分组成。附件模块主要包括装置的各种附件，同时还要做到结构紧凑和外形美观等。（2）探讨了光照方式、光照角度、光谱仪类型、积分时间和水果放置方式对近红外光谱水果糖度无损检测的影响。光源前不加装挡板时的模型效果要优于光源前加装挡板时的模型效果。光源照射方向与垂直方向的夹角为45°时的模型效果要优于其他夹角下的模型效果。光谱仪选用USB4000时的模型效果优于选用选用USB2000+时的模型效果。积分时间设置为200ms时的模型效果优于积分时间为50ms、100ms和150ms时的模型效果。水果放置方式为赤道平行时的模型效果优于赤道垂直时的模型效果。（3）建立并优化了该装置的预测模型。采用GA、BiPLS、iPLS和CARS波长筛选方法对水果样品的全光谱数据进行了特征波长的筛选，将筛选后的波长分别建立偏最小二乘法（partial least squares, PLS）模型，并将它们之间性能的优劣进行了对比研究。最后，分别将它们与采用全光谱数据所建的PLS模型进行了对比研究。经比较，采用各波长筛选方法所建立的PLS模型，均优于采用全光谱数据所建立的PLS模型，并且建模所用的波长数相比于全光谱的波长数有了大幅度的减少，从而提高了模型的预测效率。CARS筛选方法优于其他波长筛选方法所建立的PLS模型，其Rc、RMSEC、Rp和RMSEP分别为0.99、0.19、0.93和0.38，建模所用波长数为107。由此可知，采用CARS算法所建立的PLS模型，可以作为该装置的水果糖度无损检测预测模型。(本文来源于《华东交通大学》期刊2014-06-30）
谢小强[7]（2014）在《水果糖度近红外动态在线检测模型建立及优化》一文中研究指出本研究以赣南脐橙作为实验对象，主要是对其单一的内部品质糖度作为检测指标。由样品光谱采集、光谱数据分析和理化指标测定着手，研究了不同在线检测装置检测效果，不同预处理方法的对比分析，不同变量筛选方法的比较，运用不同的建模方法进行建模，建立简单、稳定的校正模型。结论如下：1.本实验以赣南脐橙糖度为检测指标，对同一品种的赣南脐橙分别采用了漫反射和漫透射两种不同检测方式的近红外在线检测设备，收集糖度的近红外数据。对比了漫反射光谱和漫透射光谱所构建的脐橙糖度校正模型，分别用未参与建模的实验样品进行模型效果验证，研究结果阐明，采用漫透射检测方式的近红外在线检测装置所建模型优于漫反射方式，检测效果更好。2.为消除动态在线采集的光谱信息含有其他无用的干扰信息的影响，分别对漫反射和漫透射两种检测方式采集到的光谱进行预处理。对比分析了标准正态变量变换（SNV）、S-G一阶导数和多元散射校正（MSC）叁种预处理方法对光谱信息处理的效果，结果表明，无论是漫反射，还是漫透射，所采集的光谱都是选择MSC预处理方法对光谱数据处理效果要好，其预测相关系数，漫反射和漫透射为0.67和0.87，预测均方根误差，漫反射和漫透射为0.85oBrix和0.40oBrix。3.对比分析了反向间隔偏最小二乘（BiPLS）、移动窗口偏最小二乘（MWPLS）、遗传算法（GA）、反向间隔偏最小二乘-遗传算法（BiPLS-GA）和移动窗口偏最小二乘-遗传算法（MW-GA）五种变量筛选方法，都可以很好地剔除光谱中的多余信息。其中BiPLS-GA的组合变量筛选方法最佳，是所有筛选方法中预测效果最好的一个。其筛选的变量数为194个，只占原光谱的16.4%，大大地减少了建模变量数，同时也很有效地提高了PLS校正模型的预测能力。其相关系数Rc和Rp分别为0.93和0.90，均方根误差RMSEC和RMSEP分别为0.30oBrix和0.36oBrix。4.为选择出最佳的建模方法，对比主成分回归（PCR）、偏最小二乘（PLS）和最小二乘-支持向量机（LS-SVM）建模效果，从实验结果，可以得出用PLS建模结合BiPLS-GA变量选取方法，构建的校正模型预测性能最好。(本文来源于《华东交通大学》期刊2014-06-30）
吴文强[8]（2013）在《水果糖度可见/近红外光谱在线无损检测研究》一文中研究指出我国自古就是水果生产大国，在国际水果市场中一直占据着非常重要的地位，虽然我国水果出口量逐年增加，但占总产值的比重却不到5%。主要原因是我国水果的采后附加值非常低，水果行业商品化程度低，缺乏市场竞争力。水果外部和内部品质的在线无损检测是采后处理的关键步骤，因此水果内部品质在线无损检测技术装备的开发与应用不仅有助于提升果品产业的附加值,提高劳动效率增加果农收入，同时也将积极助推我国果品产业化整体水平升级，提升我国水果产业在国际上的竞争力。近红外光谱检测技术因其诸多特点被广泛应用于各种产品快速无损的检测，近些年近红外光谱检测技术在国内的基础研究已经取得初步进展，在水果内部品质检测领域也进行了一定的积极探索，但基于近红外光谱技术的在线无损检测装置还处于初步研究阶段，特别是投入产业化应用的装备迟迟未能推出。本课题采用厚皮水果（赣南脐橙）和薄皮水果（翠冠梨和南水梨）为研究对象，以水果糖度近红外光谱静态无损检测技术为理论基础，结合机电、计算机技术，设计完成了水果糖度在线无损检测实验样机和在线检测软件控制系统，并应用搭建好的水果糖度智能化实时在线检测装置进行了水果糖度在线的无损检测研究。建立了赣南脐橙糖度最佳预测模型：在波长616-941nm范围内采用赣南脐橙吸光度，对吸光度进行标准归一化处理得到了其糖度最佳最佳模型，其模型相关评价指标：r_c~2=0.9046，RMSEC=0.38%，r_p~2=0.8649，RMSEP=0.45%。建立了翠冠梨糖度预测最佳模型：在波长585-896nm范围内采用翠冠梨吸光度，不对其进行预处理得到了其糖度最佳最佳模型，其模型相关评价指标r_c~2=0.9364，RMSEC=0.29%，r_p~2=0.8782，RMSEP=0.44%。建立了南水梨糖度预测最佳模型：在波长587-905nm范围内采用南水梨原始光谱，对原始光谱进行标准归一化处理得到了其糖度最佳最佳模型其模型相关评价指标：r_c~2=0.9359，RMSEC=0.32%，r_p~2=0.8634，RMSEP=0.42%。结果表明，将近红外光谱检测技术应用于水果糖度在线检测是可行的，为我国水果在线无损检测提供了一定的理论支持和参考。(本文来源于《江西农业大学》期刊2013-06-01）
高荣杰[9]（2012）在《水果糖度可见/近红外光谱在线检测方法研究》一文中研究指出随着生活水平的提高，消费者对水果品质提出更高的要求。糖度对水果品质起主导作用，传统的水果糖度检测方法存在破坏样品、操作复杂、耗时长、成本高和无法实现在线检测等缺点。可见/近红外光谱技术具有高效、快速、低成本、无破坏性等特点。本课题以赣南脐橙和红富士苹果为研究对象，以糖度为检测指标，搭建了水果糖度可见/近红外光谱在线检测装置，主要从水果性状对糖度在线检测的影响,不同运动速度下积分时间选择和水果在线检测数学模型等方面进行了实验研究，旨在为水果内部品质的在线检测提供参考依据。论文主要研究工作与主要研究结论如下：(1)研究开发了水果糖度可见/近红外光谱在线检测装置。该装置由光路系统、高速分选机构、位置追踪及自动控制系统以及在线近红外光谱分析软件构成，为水果内部品质在线检测提供了很好的技术支持。（2）研究了水果尺寸大小对糖度在线检测精度的影响。实验中赣南脐橙糖度模型按尺寸大小分为叁个模型，大、中、小尺寸赣南脐橙糖度模型预测结果分别为：相关系数(rv)为0.81，0.79，0.86，预测标准误差（RMSEP）为0.76，1.00，0.82oBrix。混合尺寸赣南脐橙糖度模型预测结果为rv为0.84，RMSEP为0.85oBrix。水果的尺寸大小对模型的预测结果有影响，建模时保证有每个尺寸梯度下的大量样品参与建模，就可以有效的提高模型的稳健性。(3)研究了水果不同放置方式对糖度在线检测精度的的影响。实验结果表明：水果的放置方式对模型的检测结果有影响。两种水果赤道面平行于分选线运行方向(CDPX)、水果赤道面垂直于分选线运行方向(CDCZ)和果梗面向探头（Top）放置方式，模型的预测结果分别为：苹果rv为0.84，0.85，0.79， RMSEP为0.58，0.62，0.90oBrix；赣南脐橙rv为0.73，0.92， RMSEP为0.88，0.47oBrix。混合放置方式下，糖度模型的预测结果分别为：苹果rv为0.83， RMSEP为0.69oBrix；赣南脐橙rv为0.75， RMSEP分别为0.86oBrix。混合放置方式不能消除水果不同放置方式对糖度检测结果的影响。在线检测时应该尽量保证水果保持CDPX和CDCZ放置方式。(4)研究了水果检测速度对糖度在线检测精度的影响。实验结果表明：检测速度为3个/s，积分时间为100ms时，苹果糖度模型预测结果较为理想（rv=0.89，RMSEP=0.69oBrix）。检测速度和积分时间存在一最佳匹配值，在此检测条件下检测精度最高。(5)在最佳匹配参数下，标准归一化光谱预处理,建立了苹果混合横径尺寸和独立横径尺寸糖度模型。混合尺寸模型糖度预测结果是rov为0.92, RMSEP为0.50Brix。独立尺寸模型糖度预测结果是rv为0.92, RMSEP为0.53oBrix。所建立的数学模型可用于水果生产和加工实际中。(本文来源于《华东交通大学》期刊2012-06-30）
孙旭东,龚志远,蔡丽君,高荣杰,刘燕德[10]（2012）在《水果糖度近红外光谱在线检测装置》一文中研究指出采用短波近红外光谱仪,进行机械传送、光谱采集处理、自动控制等系统的设计和集成,研制水果糖度近红外光谱在线检测装置。在550~850nm范围,采用偏最小二乘法,建立了苹果糖度近红外光谱在线检测数学模型。经比较,标准正交校正和一阶导数处理后的光谱建立的数学模型预测效果最优,模型的相关系数为0.78,模型预测均方根误差为0.67°Brix。实验表明:水果糖度近红外光谱在线检测装置可准确地检测苹果糖度含量。(本文来源于《中国农机化》期刊2012年02期）
水果糖度论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对水果糖度快速、无损和连续测量的要求,设计了一套基于近红外光谱原理的无损水果糖度检测装置。该装置采用半导体激光器作为发射光源,光电管接收信号,数字锁相放大器提取微弱信号,并通过校准对比、曲线拟合等数据处理方法,得到了水果糖度的计算公式,实际测量误差在3%以内。试验表明:该装置解决了普通发光管和模拟检测电路带来的干扰和温漂等问题,提高了装置稳定性,测量误差满足装置设计要求。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
水果糖度论文参考文献
[1].朱丹宁.薄皮水果糖度和货架期便携式检测方法研究[D].华东交通大学.2018
[2].范丛山.基于数字锁相技术的近红外水果糖度检测装置设计[J].电子器件.2018
[3].温馨.基于深度学习的水果糖度可见/近红外光谱无损检测方法研究[D].北京交通大学.2018
[4].徐苗.基于激光散射图像检测水果糖度和硬度的便携式仪器的设计与开发[D].南京农业大学.2017
[5].郎雷.水果糖度可见/近红外光谱检测仪的研发[D].浙江大学.2016
[6].周延睿.基于近红外光谱便携式水果糖度无损检测装置模块化设计[D].华东交通大学.2014
[7].谢小强.水果糖度近红外动态在线检测模型建立及优化[D].华东交通大学.2014
[8].吴文强.水果糖度可见/近红外光谱在线无损检测研究[D].江西农业大学.2013
[9].高荣杰.水果糖度可见/近红外光谱在线检测方法研究[D].华东交通大学.2012
[10].孙旭东,龚志远,蔡丽君,高荣杰,刘燕德.水果糖度近红外光谱在线检测装置[J].中国农机化.2012