论文部分内容阅读
我国水果产销量居于世界前列,但原果品质以及果品加工制品质量却与发达国家相比存在较大的差距,这也是限制我国水果产业健康发展并走向世界的巨大瓶颈。导致这种差距存在的主要原因归结于传统检测技术难以及时、准确、全面且客观了解果实田间生长期间、采摘后储藏、流通过程中以及后续加工等环节里品质特性的变化。因此,开展基于新兴检测技术的果品品质快速无损检测研究具有重要的实际意义。本文在课题组前期研究基础之上,分别以采后猕猴桃、桃和梨为研究对象,基于近红外漫反射光谱技术建立了混合品种果实可溶性固形物含量检测模型、不同品种果实鉴别模型及损伤猕猴桃识别模型,并综合、系统地比较了定量检测与定性判别建模分析过程中各环节关键技术方法的选取对模型预测及判别性能的影响,最终确定相对最优分析模型,得到如下结论:(1)经X-Y共生距离(SPXY)法划分样品集,一阶导数法处理原始光谱,基于移动窗口偏最小二乘(MWPLS)特征波数选取方法的混合品种猕猴桃可溶性固形物含量广义回归神经网络(GRNN)分析模型预测精度和适用性最好,其校正相关系数(Rc)、校正均方根误差(RMSEC)、预测相关系数(Rp)和预测均方根误差(RMSEP)分别达到0.977、0.641、0.948和0.762。(2)经Kennard-Stone算法划分样品集,基于样品原始光谱,利用连续投影算法(SPA)方法选取特征波数,建立的“华优”与“西选二号”猕猴桃Fisher、误差反向传播网络(BP)、最小二乘支持向量机(LSSVM)与极限学习机(ELM)品种判别分析模型对预测集样品的判别正确率均达到100%。(3)经Kennard-Stone算法划分样品集,多元散射校正(MSC)方法处理原始光谱,采用SPA方法选取特征波数,建立的损伤猕猴桃LSSVM识别模型具有最优的识别效果,SPA-LSSVM模型对预测集碰撞损伤猕猴桃、挤压损伤猕猴桃和无损猕猴桃的识别正确率分别达到100%、85.7%和76.8%,总正确识别率为88.1%。(4)经SPXY法划分样品集,根据样品原始光谱,基于无信息变量消除(UVE)特征波数选取方法的混合品种桃可溶性固形物含量的LSSVM分析模型具有最好的预测性能,其Rc、RMSEC、Rp和RMSEP分别达到0.998、0.220、0.985和0.428。(5)经Kennard-Stone算法划分样品集,基于样品原始光谱,利用SPA方法选取特征波数,建立的“北京八号”、“莱山蜜”与“沙红”桃Fisher、BP、LSSVM与ELM品种判别分析模型具有最好的性能,对预测集3种桃样品的鉴别正确率均达到100%。(6)经浓度梯度法划分样品集,根据MSC处理光谱,基于UVE特征波数选取的混合品种梨可溶性固形物含量LSSVM分析模型具有最好的预测性能,UVE-LSSVM模型的Rc、RMSEC、Rp和RMSEP分别达到0.986、0.163、0.974和0.262。(7)经Kennard-Stone算法划分样品集,基于样品原始光谱,采用SPA方法选取特征波数,建立的“砀山酥梨”与“雪花梨”Fisher、BP、LSSVM与ELM品种鉴别模型对预测集梨样品的判别正确率均达到97.5%以上,具有最好的鉴别分类效果。