论文部分内容阅读
坚实度是评价梨品质的重要指标,它与成熟度和口感密切相关。准确地检测梨的坚实度,对于收获期确定、采后贮藏、产品分级、品种培育等都具有重要意义。传统的测振传感器需要附着于待测物体表面,难以应用于水果品质在线无损检测。而激光多普勒测振(Laserdopplervibrometry,LDV)技术是一种精度高、响应快的非接触式测振方法,具有在线检测水果品质的潜力。本文以梨为研究对象,利用激光多普勒测振技术,开展梨坚实度在线无损检测研究。主要研究内容和结论为:(1)研制了一套梨坚实度声学在线无损检测系统,并根据单因素方差分析结果优化了系统参数。该系统由激励单元、检测单元、输送单元和控制单元组成。其中,声源口径30mm、声源与被测对象距离20mm、声源输出功率40w、线性扫频模式和扫频速率1000 Hz/s为激励单元各部分最优参数;激光多普勒测振仪与被测对象距离0.5m为检测单元最优参数。当系统参数最优时,系统重复性实验结果表明,每个样本3次测量结果的分异系数(Differentiationindex,D)均小于10,即系统具有较好的稳定性,可为梨坚实度在线无损检测提供可靠的硬件保障。(2)以翠冠梨为试验对象,进行了振动测量,分析了振动频谱,提取了坚实度相关的振动特征参数,包括共振峰中心频率f,共振峰宽度w,共振峰面积S,共振峰峰值A,并采用3次测量结果的变异系数对振动特征参数的可重复性进行了分析。实验结果表明,所有振动特征参数的变异系数均小于10%,即这4个振动特征参数均具有较好的可重复性,可用于梨坚实度的建模分析。(3)应用多种化学计量学方法,建立了梨坚实度定性分类和定量预测模型。结果表明:在基于判别分析、K近邻分类算法、前馈反向传播(Back-Propagation,BP)神经网络三种模式识别方法分别建立的梨坚实度定性分类模型中,BP神经网络模型的判别正确率最高,校正集的准确率为94.74%,预测集的正确率为89.47%;在基于多元线性回归、主成分回归、偏最小二乘回归和BP神经网络方法分别建立的梨坚实度定量预测模型中,BP神经网络方法建立的非线性模型预测性能最好,优于其余方法建立的线性模型,预测集相关系数rp为0.8726,均方根RMSEP为0.3420 N/mm。