基于近红外光谱技术联合极限学习机的蓝莓贮藏品质定量模型建立

采用近红外光谱技术联合极限学习机(extreme learning machine, ELM)方法建立蓝莓贮藏品质的定量检测模型,实现对蓝莓果实的可溶性固形物、维生素C和花青素含量的快速无损检测,以期为鲜食蓝莓低温贮藏期间的在线品质检测提供技术参考。利用LabSpec 5000光谱仪采集5个不同贮藏时间共150组蓝莓样本的近红外光谱,通过基于联合X/Y的异常样本识别和剔除方法筛选异常样本,使用联合X-Y距离样本集划分方法对样本集进行划分。通过对比分析标准正态变换、多元散射校正、一阶导数等预处理方法对模型性能的影响,确定蓝莓3个成分各自最优预处理方法,采用联合区间偏最小二乘算法(synergy interval partial least squares, SiPLS)选择出特征波段,将其作为输入建立ELM定量分析模型,并将模型结果与偏最小二乘回归进行对比分析。结果表明,蓝莓果实的可溶性固形物、维生素C和花青素含量最优ELM模型的校正集相关系数分别为0.920 5、0.908 7、0.942 1;验证集相关系数为0.882 6、0.897 2、0.869 3;校正集均方根误差为0.766...     

基于可见/近红外光谱的蓝莓新鲜度快速评价

该研究针对传统人工感官评价方法的不足,基于可见/近红外光谱技术结合支持向量机(support vector machine, SVM)和随机森林(random forest, RF)建立了2种新鲜度快速评价模型,以期为蓝莓新鲜度的快速准确评价提供参考。以10℃恒温贮藏绿宝石蓝莓为研究对象,利用可见/近红外光谱仪采集其不同贮藏天数样品的光谱信息,综合考虑贮藏时间、外观、质量损失率、硬度、可溶性固形物和维生素C含量这6个反映蓝莓新鲜度的理化指标,计算新鲜度综合得分,将不同贮藏期的蓝莓样品划分为新鲜、次新鲜和不新鲜3个类别。光谱数据应用Savitzky-Golay(S-G)卷积平滑预处理,再采用主成分分析提取光谱特征信息。为使最佳主成分选取更合理,在使用粒子群算法寻优SVM参数时,对主成分个数在[1,20]范围进行了测试,结合5折交叉检验分类准确率最佳值,确定最佳主成分个数为5。以前5个主成分得分为输入变量,新鲜度类别为输出量,基于SVM和RF建立2种新鲜度快速评价模型。结果显示,SVM模型训练集和测试集识别准确率分别为97.78%和88%,RF模型训练集和测试集识别准确率分别为100%和8...