基于近紅外光譜和高光譜圖像技術的獼猴桃品質(zhì)檢測研究.pdf

1、獼猴桃的硬度、可溶性固形物含量和干物質(zhì)含量是衡量其口感及風味的三個重要指標,也是決定其采摘時間的重要因素,而獼猴桃的采摘時間直接影響它的貯藏壽命和果品質(zhì)量。獼猴桃在收獲、運輸過程中,由于碰撞、擠壓等因為會造成損傷。損傷的獼猴桃市場價值低,且在貯藏過程中會發(fā)酵、腐爛、霉變,并感染其他正常果實,造成經(jīng)濟損失。傳統(tǒng)的水果品質(zhì)檢測方法屬于破壞性檢測,樣品預處理操作繁瑣,檢測周期長,主觀性強。所以研究、開發(fā)快速無損檢測技術和設備己成為獼猴桃行業(yè)的

2、迫切需求。本研究利用近紅外光譜技術和化學計量學方法建立并優(yōu)化獼猴桃硬度、可溶性固形物含量和干物質(zhì)含量的預測模型；利用高光譜圖像技術檢測獼猴桃的隱藏碰傷。本文的主要研究內(nèi)容和方法如下:
　　 利用標準正態(tài)變量變換(SNV)對獼猴桃1000-2500nm近紅外光譜進行預處理,在優(yōu)選建模光譜區(qū)間采用正交信號校正(OSC)或凈分析物預處理(NAP)降低建模主因子數(shù)兩個方面簡化獼猴桃硬度偏最小二乘(PLS)模型。結果表明,優(yōu)選5189-5

3、370cm-1、4549-4620cm-1、6049-6230cm-1、6999-7730cm-1、6249-6614cm-1等5個光譜區(qū)間進行建模,NAP／PLS模型性能最佳,主因子數(shù)為5,校正集相關系數(shù)r和均方根誤差RMSECV分別為0.81941和0.70177,預測集相關系數(shù)r和均方根誤差RMSEP分別為0.78067和0.88271。與簡化前的PLS模型相比,模型不僅更加簡潔,而且預測能力和精度均有所提高。
　　 利用

4、小波濾噪法對獼猴桃近紅外光譜進行預處理,并用偏最小二乘法(PLS)、區(qū)間偏最小二乘法(iPLS)和聯(lián)合區(qū)間偏最小二乘法(siPLS)分別建立獼猴桃可溶性固形物含量預測模型。結果表明,采用siPLS將光譜劃分為16個子區(qū)間時,聯(lián)合其中的第9、11、13號3個子區(qū)間建立的可溶性固形物含量模型效果最佳,其校正集相關系數(shù)r和均方根誤差RMSECV分別為0.9414和0.3788。預測集相關系數(shù)r和均方根誤差RMSEP分別為0.9295和0.39

5、04,主因子數(shù)為7。研究表明,用小波濾噪和siPLS所建立的獼猴桃可溶性固形物含量模型不僅能減小建模運算時間,剔除噪聲過大的譜區(qū),而且其預測能力和預測精度均有所提高。
　　 利用siPLS快速提取獼猴桃干物質(zhì)含量近紅外光譜的特征區(qū)域,在此基礎上采用遺傳算法(GA)提取獼猴桃干物質(zhì)含量近紅外光譜的特征波長,進行獼猴桃干物質(zhì)含量預測。結果表明,基于GA-siPLS建立的模型精度得到提高,且模型得到了很大的簡化。
　　 探索采

6、用未成熟時獼猴桃近紅外光譜對成熟時(食用期)干物質(zhì)含量進行長期預測的可行性。研究建立四個試驗模型:未成熟獼暝桃的近紅外光譜預測未成熟時的干物質(zhì)含量(UU)；未成熟時的近紅外光譜預測成熟時的干物質(zhì)含量(UR)、成熟時的近紅外光譜預測成熟時的干物質(zhì)含量(RR)和用不同時期的近紅外光譜預測不同時期的干物質(zhì)含量(UU&UR&RR)。采用siPLS建立干物質(zhì)含量模型,并進行交叉驗證。結果表明,獼猴桃成熟前后干物質(zhì)中有機化合物發(fā)生了化學變化造成特征

7、譜區(qū)變化。UR組校正集的相關系數(shù)r和RMSECV分別為0.9219和0.4717,預測集的相關系數(shù)r和RMSEP為0.9026和0.5313,表明采用未成熟時獼猴桃近紅外光譜對成熟時(食用期)干物質(zhì)含量進行長期預測是可行的。
　　 采用高光譜圖像技術檢測獼猴桃隱藏損傷。采集獼猴桃可見／近紅外波段(408-1117nm)的高光譜圖像數(shù)據(jù),通過對600-1000nm波段數(shù)據(jù)進行主成分分析優(yōu)選出這5個碰傷特征波長圖像(以682nm,7