高光谱图像感兴趣区域对苹果糖度模型的影响

高光谱图像技术作为一种强有力的新兴技术,已应用于食品农产品品质与安全检测研究,然而高光谱图像中感兴趣区域形状大小的选择直接影响着检测的精度和稳定性。首先采集苹果330~1100 nm的高光谱图像,分别提取不同大小的圆形感兴趣区域和方形感兴趣区域的平均光谱,经光谱预处理以消除噪声及无关信息的影响,然后采用偏最小二乘法分别建立苹果的糖度定量分析模型,并以独立样本的预测集进行验证,分析感兴趣区域形状大小对高光谱图像建模精度的影响。结果表明,提取直径为150像素的圆形感兴趣区域建立的苹果糖度模型精度最高,预测能力最强,校正集相关系数Rc为0.9305,校正均方根误差RMSEC为0.4331,预测集相关系数Rp为0.9232,预测均方根误差RMSEP为0.4568。研究表明,针对研究对象选择合适形状和大小的感兴趣区域,对提高模型精度、发挥高光谱图像的技术优势具有重要意义。     

用混合线性分析法建立苹果糖度近红外光谱预测模型

用混合线性分析法的一种变形算法建立了苹果糖度近红外光谱预测模型，并与偏最小二乘模型进行比较。结果表明：虽然最佳的混合线性分析法模型（18个主因子）比最佳偏最小二乘模型（11个主因子）复杂．但其精度却明显优于偏最小二乘模型：利用梗正集的28个苹果样本建立的糖度混合线性分析法校正模型，其相关系数r^2和标准偏差SEC分别为0．92509和0．40618；该校正模型经预测集的11个样本验证，相关系数r^2和标准偏差SEP分别达到0.87611和0．48480。混合线性分析法建立的糖度模型对苹果光谱的校正标准偏差SEC和预测标准偏差SEP分别比PLS法的SEC（0．41473）和SEP（0．50473）减小了2％和3．9％。结果表明：在诸如苹果糖度这一类农产品品质综合指标（非纯组分含量指标）的光谱检测中，应用混合线性分析法进行定量分析是完全可行的。并且其结果可与偏最小二乘法（PLS）的结果相媲美。     

基于siPLS的猕猴桃糖度近红外光谱检测

为了探寻一种快速无损检测猕猴桃糖度的方法,利用小波滤噪法对猕猴桃1000～2500nm 近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型。结果表明,采用联合区间偏最小二乘法将光谱划分为16 个子区间,利用其中的第9、11、13 号3 个子区间联合建立的糖度模型效果最佳,其校正集相关系数和均方根误差分别为0.9414 和0.3788。预测集相关系数和均方根误差分别为0.9295 和0.3904,主因子数为7 个。研究表明,用小波滤噪和联合区间偏最小二乘法所建立的猕猴桃糖度模型不但减少建模运算时间,剔除噪声过大的谱区,而且预测能力和精度均有所提高。     

近红外光谱法旁线测定甘蔗糖厂混合汁糖度的应用研究

采用MPLS、PLS、PCR三种回归方法以及导数、平滑处理原始光谱,采用定标样品集以外的20个独立样品验证,得出最佳定标模型为经过MPL(S 1,4,4,1)处理所建立方程,其外部验证决定系数(R2)为0.968,预测标准差(SEP)为0.143,在广东华海糖业有限公司进行了实验应用,结果理想。近红外技术用于测试甘蔗混合汁糖分是可行的。     

基于正交信号校正和偏最小二乘(OSC/PLS)的苹果糖度近红外检测

采用正交信号校正法(OSC)对苹果的近红外光谱(1300nm～2100nm)进行预处理，并结合偏最小二乘法(PLS)建立了苹果光谱对糖度的预测模型。应用结果表明，经OSC法预处理后，光谱形状总体上与原始光谱没有差别，但光谱曲线变得更为光滑，排列更为整齐、紧密。这说明正交信号校正法(OSC)滤除了原始光谱中的部分噪声，但又保留了原光谱中的主要信息。苹果光谱对糖度的PLS校正模型采纳的最佳因予数会随着OSC因子的被逐个滤除而逐渐减少，甚至可减少至1(当然模型精度也有变化)。本研究中，校正模型的最佳性能产生于原始光谱被滤除10个OSC因了时，此时其采纳的最佳因了数为2，校正时的相关系数r2和标准偏差SEC分别为0．92644和0．40250，预测时的标准偏差SEP为0．50229。与OSC法处理前的PLS模型相比，其精度虽没有大幅提高，但由于采纳的因子数少，模型变得十分简洁。     

苹果中糖酸度的CCD近红外光谱分析

应用自行搭建的CCD近红外光谱系统检测苹果的糖酸度。通过Y型光纤采集120个红富士苹果的漫反射光谱,采用偏最小二乘回归(PLSR)建立苹果糖度、酸度的定量预测模型。针对CCD光谱噪声较大的特点,采用S-G平滑、一阶导数、二阶导数对光谱进行预处理。结果表明,S-G平滑后所建模型的效果最好,糖度、酸度的相关系数(r)分别为0.9240、0.8151,标准校正误差(SEC)分别为0.9254、0.0120,标准预测误差(SEP)分别为0.9407、0.0204。本研究说明应用CCD近红外光谱仪,在630～1030nm波段实现对苹果糖度、酸度的无损检测具有可行性。     

基于近红外光谱和SSA-ELM的苹果糖度预测

目的：剔除近红外光谱存在大量冗余信息以及提高苹果糖度预测模型的精度,建立快速无损检测苹果糖度的方法。方法：提出一种基于小波包变换的特征波长筛选和樽海鞘算法改进极限学习机的苹果糖度预测模型。针对苹果光谱数据具有维度高而复杂的特点,对光谱数据进行降维处理,分别对比全波段和偏最小二乘法、连续投影法和小波包变换等筛选特征波长的结果,确定苹果光谱特征波长筛选方法;针对极限学习机（extreme learning machine,ELM）,模型性能受其初始权值和隐含层偏置选择的影响,运用樽海鞘群算法进行ELM模型的初始权值和隐含层偏置优化,提出一种基于樽海鞘算法改进极限学习机的苹果糖度预测模型。结果：与遗传算法（genetic algorithm,GA）改进ELM（GA-ELM）、粒子群算法改进ELM（PSO-ELM）和ELM相比,基于SSA-ELM的苹果糖度预测模型的预测精度最高。结论：通过智能算法优化ELM模型的参数可以有效提高ELM模型的苹果糖度预测精度。     

利用近红外透射光谱技术测定苹果糖度的研究

利用近红外透射光谱法对苹果糖度进行检测分析,表明在600￣1100nm的波长范围内建立对苹果糖度的预测模型是可行和有效的。苹果糖度的实际化学值和NIT测定值的相关系数为0.955335,标准误差为0.241307。此种方法测定苹果的糖度仅需十几秒钟,并且样品无需任何处理,具有快速、方便、无损伤等特点,对苹果的分级具有实际的意义。     

多年份苹果糖度近红外预测模型建立

目的开发多年份苹果糖度预测模型。方法将移动窗口偏最小二乘法(MWPLS)用于优化3个采收年份的苹果糖度信息区间,构建一种新颖的线性组合权重偏最小二乘法(LCW-PLS)模型。结果 MWPLS选择结果为4328~4787 cm-1、5323~5512 cm-1、5982~7135 cm-1和7159~7463 cm-1,当对应权重为0.004、0.070、0.066和0.860时,所建LCW-MWPLS模型预测性能较好,其RP=0.942、RMSEP=0.649%Brix和Q=0.890。结论 LCW-PLS法可改进常规PLS模型,为果品品质分级提供了一种建模参考方法。     

基于变量优选的苹果糖分含量近红外光谱检测

目的：在900~1 700 nm的波长范围内采集苹果的近红外光谱数据,结合化学计量学方法对糖分含量进行无损检测。方法：先对光谱数据依次进行基线校正、散射校正、平滑和尺度缩放,以交叉验证的均方根误差最小选出最佳的预处理方法。采用连续投影算法（SPA）、竞争性自适应重加权算法（CARS）分别选取7,52个特征变量。分别以连续投影算法选取的特征变量、竞争性自适应重加权算法选取的特征变量、两种方法选出的特征变量的组合作为输入自变量,建立线性偏最小二乘回归法模型和非线性的极限学习机模型。结果：组合的特征变量建模效果优于单一方法选出的特征变量的建模效果,非线性模型优于线性模型。结论：采用组合的特征变量,建立极限学习机模型,预测效果最优,训练集的均方根误差为0.710 1,拟合优度为0.883 8,测试集的均方根误差为0.637 5,拟合优度为0.894 5。     

基于人工神经网络模拟啤酒酿造过程中糖度及乙醇浓度的变化

建立BP神经网络模型模拟啤酒酿造过程中糖度变化和乙醇浓度变化.将啤酒酿造过程中的发酵温度、麦汁浓度、接种量及发酵时间作为输入数据,将糖度变化和乙醇浓度的变化作为输出数据,运用BP神经网络建立啤酒酿造过程的模型.使用此模型模拟了主酵温度8℃、麦汁浓度11°P、接种量为2×107个/mL时糖度变化和乙醇浓度变化,结果糖度预测的均方根误差为2.66％,乙醇浓度预测的均方根误差为14.60％.结果表明,使用此模型能够准确预测啤酒酿造过程糖度变化和乙醇浓度的变化.     

基于图像灰度曲线特征值的机织物密度测量

针对目前市场上机织物密度主要依靠人工检测以及利用图像测量结果准确率不高的现状,提出了一种基于图像灰度曲线特征值的机织物密度测量方法.获取织物图像后,利用Radon变换对其倾斜矫正,作出织物图像灰度曲线,曲线波峰数目对应纱线根数.为了在波峰数统计时过滤掉杂质小波峰,分别以曲峰峰值和位置的分布特点为依据,设定统计限制参数,找出更优的统计方法,实现机织物的密度测量.结果表明:以波峰位置为依据设置限制参数时,测得密度的稳定性与准确性最高,误差均能保持在2％以内,可以满足实际生产需要.     

基于相关性和时序分析的鲜食黄桃安全贮藏期的确定及品质预测

目的:建立鲜食黄桃安全贮藏期预测模型,实现贮藏品质的预警预测。方法:以锦绣黄桃为试材,对3个采摘期入库果实的带皮硬度、果肉组织硬度、果实色差、可溶性固形物含量等指标进行测定,并对果实质地、色泽、风味和香气4个感官模块进行评分,利用相关性和时序分析技术进行安全贮藏期的确定及品质预测。结果:利用轮廓曲线图确定了最佳聚类数为4,主要表现为果实硬度、可溶性固形物含量及果实红绿色差的差异,与消费者关注的质地、风味和色泽感官模块一致;果实质地、色泽和风味3个感官评分模块间有较强共线性,贮藏时间与果实硬度和果肉组织硬度呈负相关,与果实红绿色差呈正相关;果实红绿色差与果实带皮硬度和果肉组织硬度呈负相关,可作为硬度无损检测的表征因子之一。结论:温度(10.0±0.5) ℃、相对湿度80%~85%条件下,建立了非线性果实带皮硬度和果肉组织硬度预测数学模型f[T.(a,k,b)]=a×exp(k×T)+b和线性果实红绿色差预测数学模型f(x)=kx+b,两个预测模型的预测误差较低(R²＞0.9,平均误差＜0.2)。     

不同加糖方式和加糖量对苹果酒风味的影响

苹果汁含糖量的高低直接影响苹果酒的酒度，通过加糖，可使苹果酒的酒度明显提高，但不同的加糖方式和加糖量，会对苹果酒的酒度和风味产生重要影响，通过实验，确定了苹果酒发酵过程中理想的加糖方式和加糖量，并对不同加糖方式和加糖量对苹果酒风味产生影响的机理进行了探索，认为苹果酒的酒度为7％～8％比较适宜。     

基于计算机视觉的柑橘糖度检测

现场采摘180个涟红温州蜜柑,考虑色泽和大小范围的广度,从中选取140个作为试验样本,各果转90.中心角,采集一幅图像,每果采图4幅,通过图像裁切,RGB空间至HSI空间的转换和图像差值法去背景,提取柑橘色调H和饱和度S表面色泽参数,用110个样本训练小波神经网络,30个样本检验网络性能.试验结果表明,检测最大绝对偏差0.2452°Brix,最小绝对偏差0.0002°Brix,平均偏差0.0545°Brix,标准差0.0830°Brix,精度在±0.1°Brix内的正确识别率为73.33%,精度在±0.2 °Brix内的正确识别率为90%.     

烟叶糖含量与其感官舒适度的典型相关分析

为研究烟叶糖含量与感官舒适度的关系,对55种烟叶原料进行了糖含量测定和感官舒适度评价,并对检测数据进行了简单相关分析和典型相关分析．结果表明：1）果糖、葡糖糖、麦芽糖和总糖与刺激性指标显著或极显著正相关,与劲头极显著负相关,与余味指标、干燥感相关性不显著;蔗糖除与口腔尖刺极显著正相关外,与其他感官舒适度指标相关性不显著．2）烟叶糖含量对典型变量的影响度大小顺序是：果糖〉总糖〉葡萄糖〉麦芽糖〉蔗糖;感官舒适度指标对典型变量影响度大小顺序为：鼻腔刺激〉喉部尖刺〉劲头〉口腔尖刺〉喉部呛刺〉口腔毛刺〉残留〉收敛〉干燥感〉涂层．     

基于外部特征信息的蟠桃质量预测模型

采用计算机图像处理技术对蟠桃的缝合中线处直径、与缝合中线垂直处的直径以及厚度3个几何特征参数进行分析,建立基于外部特征信息的蟠桃质量预测模型。通过多元线性回归方法拟合出实测值与蟠桃质量的预测模型,比较不同参数所得模型的拟合优度,找到最优质量预测模型。通过将MATLAB R2014a软件获取的像素值与相应几何参数进行拟合,最终得到像素质量预测模型,预测准确率达到91.87%。结果表明:基于外部特征信息的蟠桃质量预测研究是可行的,可为采用机器视觉方法进行蟠桃质量分级提供依据。