论文部分内容阅读
近红外光谱分析技术作为一种新型的检测手段,具有实时检测、准确率高、易于操作的优良特性,在食品安全、果蔬品质检测领域具有极其广阔的应用前景。本文设计了一种基于近红外光谱的果蔬新鲜度检测系统,通过一系列预处理算法和建模手段,依次实现了种类识别和新鲜度预估功能。本文主要研究内容如下:1.介绍了近红外光谱的产生原理,从官能团振动和光与物体的反射吸收效应两个角度解释了作用机理。介绍了三种近红外光谱的采集模式,并使用预测标准偏差、交互验证的校正标准偏差作为模型评估的指标参数。2.研究了针对NIR的预处理方法、校正集筛选和建模方法。介绍了标准正态变量变换法和多元散射校正法。为了去除异常样本数据,研究了K-S方法对于代表性数据的筛选效果。介绍了用于分类识别的Bayes分类建模方法;针对果蔬新鲜度研究了PLS和ANN人工神经网络两种建模方法。3.从光路和电路两个方面设计并搭建了基于近红外光谱的新鲜度检测实验系统。光路系统选择了位于640-1150nm波段范围的光源及与之适配的光谱仪模块,采用漫反射采集模式,测量距离为6mm时效果最佳。基于光谱采集、AD转换、通信传输等功能设计了电路系统。通过该系统采集了不同新鲜层级的果蔬光谱数据。4.为提高新鲜度预测精度,首先开展了果蔬样本的分类识别实验。基于不同新鲜层级下的样本集数据构建了分类识别模型。结果显示,新鲜层级的模型准确率高于不佳、腐败层级,同新鲜层级下苹果的准确率优于白梨、香梨。对比不同新鲜层级的光谱相关系数,同种果蔬不同新鲜度之间的相关性变弱,识别准确率与新鲜程度呈正比,当新鲜层级的光谱差异大于种类间光谱差异时,识别准确率降低。完善训练集样本能够有效提升识别准确率。5.基于PLS和ANN两种建模方法,开展了果蔬的新鲜度预测实验。针对每种果蔬建立了新鲜度预测模型,比较了两种算法模型的准确率与稳定性。采用预测标准偏差评估模型准确率,RMSEPPLS=0.084,大于神经网络的RMSEP值0.079。残差分布说明神经网络的预估值更接近标准值;使用留一验证法验证模型的稳定性,RMSECVPLS>RMSECV人工神经网络,神经网络模型的稳定性要优于PLS模型。