论文部分内容阅读
中国是苹果生产大国，但是鲜苹果的出口量还不足全国总产量的4%，主要原因是苹果采后的商品化处理能力较低；近红外光谱检测技术具有无前处理、无污染、无破坏性、重现性好、检测速度快等优点，现已广泛应用于食品、农业、医学等领域。应用近红外技术对苹果进行品质检测和分级，可促进我国苹果行业的标准化进程，提升苹果的商品化处理能力。试验以陕西产的苹果为试材，研究苹果品质（化学品质和质地品质）、不同品种苹果以及损伤苹果的近红外光谱特性，结合化学计量学，建立苹果品质、不同品种苹果以及损伤苹果的近红外预测模型，为无损检测技术和苹果在线分级提供理论基础。结果如下：（1）苹果有无损伤的近红外模型的建立。完好嘎啦和损伤嘎啦的近红外图谱预处理后，用全波段光谱的主成分分别结合MLP神经网络、RBF神经网络、Fisher判别、BP神经网络以及偏最小二乘判别（PLS-DA）5种建模方法，建立区分嘎啦有无损伤的五个判别模型，结论是完好嘎啦和损伤嘎啦的近红外图谱经小波分析预处理后，用12000cm-1～4000cm-1波段的前5个主成分分别结合MLP神经网络、RBF神经网络、Fisher判别和BP神经网络4种方法所建立的判别模型，对检验集的正确判别率分别为97.8%、87.2%、84.8%和95.7%，用PLS-DA判别法所建立的判别模型对检验集的正确判别率为100%；由于PLS-DA模型对训练集和验证集的正确判别率均为100%，因此PLS-DA模型优于其它模型。完好红星和损伤红星的近红外图谱经平滑预处理后，用全波段提取的前5个主成分分别结合MLP神经网络、RBF神经网络、Fisher判别、BP神经网络以及PLS-DA5种建模方法，建立区分红星有无损伤的五个判别模型，结论是MLP神经网络模型、BP神经网络模型和PLS-DA模型优于RBF神经网络模型和Fisher判别模型，其对验证集的正确判别率分别为97%、90%、95%、82.6%和85%。用PLS-DA以及主成分分析分别结合MLP神经网络和BP神经网络区分苹果有无损伤是可行的，而用主成分分析分别结合RBF神经网络和Fisher判别区分苹果有无损伤有待于进一步的研究。（2）用傅里叶变换近红外光谱技术快速无损检测贮藏期富士和粉红女士苹果的SSC、TA、pH值和固酸比，并用偏最小二乘回归（PLSR）建立通用于2个品种在贮藏期检测的SSC、TA、pH值和固酸比的近红外数学模型，校正时的R2分别为0.9019、0.9033、0.9021和0.9008，RMSECV分别为0.366%、0.0384%、0.0896和23.9；预测时的R2分别为0.9391、0.9027、0.9012和0.9038，RMSEP分别为0.386%、0.0359%、0.0834和25.1。表明所建立的化学品质的数学模型是可接受的，并提高了模型的稳健性，扩大了模型的适用范围，为建立适合于所有苹果品种的预测模型提供了基础。（3）粉红女士苹果果肉质地品质的近红外模型的建立。首先，用偏最小二乘法建立果肉硬度和脆度的近红外模型，其校正时的R2分别为0.9029和0.9009，RMSECV分别为63.7g和52.6g；预测时的R2分别为0.9071和0.9060，RMSEP分别为62.9g和69.9g；其次，用BP神经网络并结合主成分分析，所建立的果肉粘着性、咀嚼性、弹性、凝聚性和回复性模型，其校正时预测值与真值的R2分别为0.6408、0.7369、0.7928、0.8256和0.7040，RMSECV分别为1.8868g·sec、16.2133、0.0282、0.0149和0.0075；预测时预测值与真值的R2分别为0.6260、0.7486、0.6182、0.7853和0.7896，RMSEP分别为0.617g·sec、23.0192、0.0836、0.0164和0.0062。（4）用质构仪中TPA模式，对贮藏期内粉红女士苹果的质地进行分析。结果为：贮藏期内果肉粘着性分别与凝聚性、咀嚼性、回复性、硬度和脆度呈负相关；果肉凝聚性分别与硬度、咀嚼性和回复性呈正相关，R分别为0.583、0.886和0.928；果肉弹性与其它参数不具有相关性，果肉回复性分别与硬度、凝聚性和咀嚼性呈正相关，R分别为0.6、0.928和0.824。（5）区分苹果品种的近红外模型的建立。分别用8000cm-14500cm-1和12000cm-14000cm-12个波段的近红外光谱提取的主成分结合MLP神经网络、RBF神经网络和Fisher判别3种建模方法，建立针对苹果3个品种（嘎啦、红星和乔纳金）的六个判别模型。结果表明全波段12000cm-14000cm-1建立的判别模型优于波段8000cm-14500cm-1建立的判别模型；MLP神经网络优于RBF神经网络和Fisher判别模型的判别效果；但是MLP神经网络模型、RBF神经网络模型和Fisher判别模型的效果不是很理想，预测精度有待于进一步的研究。首次用PLS-DA判别不同品种的苹果，当选择消除常数偏移量预处理图谱、波段范围为7502cm-1～6098cm-1、主成分为5时所建立的PLS-DA判别模型效果较好，此时模型对训练集和验证集的正确判别率均为100%，因此PLS-DA模型优于其它3类模型。