论文部分内容阅读
番茄是茄科中最重要的经济作物,是全世界栽培最为普遍的果菜之一。番茄果实营养丰富,可以生食、煮食、加工制成番茄酱。在欧洲和美洲的国家、中国及日本有大面积温室、塑料大棚及其他保护地设施栽培。成熟番茄中含有大量番茄红素,是天然番茄红素的主要来源。番茄红素是重要的天然食品着色剂,也是很强的抗氧化剂。番茄可溶性固形物、维生素C、游离氨基酸含量是衡量番茄品质的重要指标,也是番茄果实加工特性的重要衡量指标。为引导人们科学食用,同时为有关番茄加工企业提供番茄品质的基础数据,对番茄营养成分的含量进行无损快速检测具有重要意义。本研究以9个品种的番茄为研究对象,收集样品108个,利用近红外光谱技术及化学计量学方法对番茄中的番茄红素、游离氨基酸总量、维生素C及可溶性固形物含量进行无损检测研究。分析了不同常规光谱预处理方法在偏最小二乘法(PLS)近红外光谱建模中的不同作用,根据模型评价参数确定了针对不同成分的最佳预处理方法。采用4种方法对不同成分的特征光谱区间进行选择,确定了各成分在不同方法下的最佳特征波长。利用小波和小波包技术对番茄光谱进行消噪研究,确定不同小波及小波包的最佳参数。本研究的主要内容和结论如下：(1)异常样本剔除的研究。利用光谱界外点诊断功能,对有无光谱异常样本进行诊断,结果表明采集光谱无异常。利用杠杆值和学生残差t检验法结合逐一回收法,对浓度异常样本进行分析和剔除,剔除番茄红素异常浓度样本3个,剔除维生素C异常浓度样本1个,剔除游离氨基酸异常样本2个,剔除可溶性固形物异常样本1个。(2)近红外光谱最佳常规预处理方法的研究。在10种预处理方法中,番茄红素近红外光谱最优处理方法为均值中心化加Norris一阶导数法(Mean Centering+NorrisFD),该PLS模型的相关系数R为0.7894、校正标准偏差(RMSEC)为17.12ug/g、预测标准偏差(RMSEP)为18.56 ug/g；在维生素C光谱预处理方法中,最优处理方法为均值中心化加Norris一阶导数法(Mean Centering+NorrisFD),该PLS模型的相关系数R为0.8768、校正标准偏差(RMSEC)为0.5804mg/100g.预测标准偏差(RMSEP)为0.5948mg/100g；在游离氨基酸总量近红外光谱预处理方法中,最优处理方法为方差比例加Norris一阶导数(Variance Scaling+NorrisFD),该PLS模型的相关系数R为0.8635、校正标准偏差(RMSEC)为16.04 ug/100g、预测标准偏差(RMSEP)为16.50 ug/100g；在可溶性固形物近红外光谱预处理方法中,最优处理方法为均值中心化加Savitzky-Golay一阶导数(Mean Centering+FD+S-G),该PLS模型的相关系数R为0.8913、校正标准偏差(RMSEC)为0.454%、预测标准偏差(RMSEP)为0.480%。(3)光谱特征波长选择方法研究。利用向后区间偏最小二乘法(Backward interval PLS, Bi-PLS)、联合区间偏最小二乘法(Synergy interval PLS, Si-PLS)、无信息变量消除偏最小二乘法(Uninformative variable elimination PLS, UVE-PLS)和基于遗传算法的偏最小二乘法(Genetic algorithm PLS, GA-PLS),结合Matlab工具箱进行分析。从模型的评价参数来看,基于GA-PLS建立的番茄红素模型参数最优,采用变量数最少为142个,其模型R值为0.9072,RMSECV为8.76 ug/g, RMSEP为8.93 ug/g；基于UVE-PLS建立的维生素C的模型参数最优,选择变量数为493个,其R为0.9043, RMSECV为0.4856 mg/100g, RMSEP为0.4872 mg/100g；基于GA-PLS建立的游离氨基酸总量模型参数最优,采用变量137个,其R为0.9163, RMSECV为11.79ug/100g, RMSEP为11.95ug/100g；基于UVE-PLS建立的可溶性固形物模型参数最优,采用变量336个,其R为0.9122, RMSECV为0.4257%,RMSEP为0.4282%。(4)小波及小波包消噪研究。在对dbN小波的研究中得出最佳小波基为db9,最佳分解层数为2。采用硬阈值Stein无偏似然估计或启发式去噪方法,并根据不同层的噪声估计对阈值进行调整可得到最好的去噪效果,此时的SNR和RMSE值,分别为66.7466和0.0001。在对coifN小波的研究中得出最佳小波基为coif5,最佳分解层数为1。通过选择不同阈值方法和不同的阈值调整方式,得到coif5小波在不同调整阈值时的SNR和RMSE值。结果表明,利用第一层的系数进行噪声层的估计来调整阈值和采用不同层的噪声估计来调整阈值时,两者的去噪效果一致。通用软阈值不调整方法时效果最差,采用硬阈值可调整方式时,Stein无偏似然估计和启发式阈值方法,可得到最佳的SNR和RMSE值,分别为64.4761和0.0002。在对symN小波的研究中得出最佳小波基为sym5,最佳分解层数为1。利用第一层的系数进行噪声层的估计来调整阈值和采用不同层的噪声估计来调整阈值时,两者的去噪效果一致。通用软阈值不调整方法时效果最差,采用硬阈值可调整方式时,Stein无偏似然估计和启发式阈值方法,可得到最佳的SNR和RMSE值,分别为67.1901和0.0001。分别对db9、coif5及sym5小波进行小波包分解,在选择‘’shannon"熵类型下,对信号进行分解重构,由SNR指标确定最佳分解小波包为sym5。