论文部分内容阅读
灵武长枣作为宁夏特色枣果,因其个大色艳、果味鲜美、质地酥脆、酸甜适口而备受消费者喜爱,但由于长枣在采摘和运输过程中会受到不同程度的瘀伤,细胞壁多糖也随之变化。目前的细胞壁多糖检测方法具有一定的破坏性,且费时费力,因此寻求一种快速无损的细胞壁多糖检测方法尤为重要。本文以瘀伤态灵武长枣为研究对象,利用Vis/NIR高光谱成像技术结合化学计量学对细胞壁多糖（果胶、半纤维素和纤维素）进行检测研究,建立基于光谱数据和图谱融合数据的预测模型,对比优选出适于细胞壁多糖含量预测模型。主要结论如下:（1）瘀伤态灵武长枣贮藏期间果胶含量的检测研究。利用Vis/NIR高光谱成像系统采集瘀伤态灵武长枣的光谱反射信息,分光光度计测量果胶含量,分析发现贮藏期内原果胶含量逐渐下降,水溶性果胶含量先上升后下降。利用Baseline、GF、Normalize、MA、MF和SNV预处理算法对原始光谱进行去噪处理,分析发现原果胶经MF算法预处理后模型效果最优,其 R2c=0.8982,RMESC=0.0513,R2p=0.8979,RMSEP=0.0801;水溶性果胶经 SNV算法预处理后模型效果最优,其 R2c=0.8817,RMESC=0.0471,R2p=0.8890,RMSEP=0.0482。利用BOSS、CARS和iVISSA算法分别对原果胶MF预处理光谱和水溶性果胶SNV预处理光谱提取特征波长,并建立基于特征波长的PLSR和LSSVM模型。结果显示BOSS-PLSR对原果胶的预测效果最优,其 R2c=0.8929,RMESC=0.0520,R2p=0.9077,RMSEP=0.0569;CARS-LSSVM 对水溶性果胶的预测效果最优,其 R2c=0.8981,RMESC=0.0430,R2p=0.8731,RMSEP=0.0500。（2）瘀伤态灵武长枣贮藏期间半纤维素含量的检测研究。通过设定平均值和标准差的阈值,利用蒙特卡洛异常值检测法剔除10个异常值（7号,194号,184号,37号,160号,181号,24号,108号,21号和5号）。采用RS、KS、SPXY和3:1方法对样本集进行校正集和预测集的划分,分析发现样本按3:1比例划分校正预测的效果最好,其R2c=0.7295,RMESC=0.0360,R2p=0.6253,RMSEP=0.0558。通过 7 种预处理算法（MA、SNV、MF、SG、OSC、MSC和GF）对原始光谱进行噪音消除,并建立基于全光谱的PLSR模型。结果显示 OSC-PLSR 模型效果最优,其 R2c=0.8031,RMESC=0.0384,R2p=0.8527,RMSEP=0.0420。利用 BOSS、CARS、VCPA、iVISSA 和二次特征提取（BOSS+VCPA、BOSS+iVISSA、iVISSA+BOSS和iVISSA+VCPA）算法从OSC预处理光谱中提取特征波长并建立基于特征波长的PLSR和MLR模型。结果显示iVISSA+BOSS-MLR模型效果是最优的,其R2c=0.8568,RMESC=0.0394,R2cv=0.7292,RMSECV=0.0461,R2p=0.9167,RMSEP=0.0258。（3）瘀伤态灵武长枣贮藏期间纤维素含量的检测研究。利用蒙特卡洛异常值检测法依次剔除7个异常样本（6号,181号,189号,63号,28号,178号和68号）后,基于全光谱建立的PLSR模型预测性能R2p从0.8269上升到0.8575,RMSECV值从0.0726下降到0.0646,模型性能整体提高。对原始光谱进行MA、GF、SG、Normalize、Baseline和Detrend预处理,并建立基于预处理算法的PLSR和MLR模型,分析基于预处理算法的纤维素含量最佳预测模型。结果表明 Normalize-PLSR（R2c=0.8685,RMESC=0.0461,R2p=0.8702,RMSEP=0.0398）和 Baseline-MLR（R2c=0.9235,RMESC=0.0508,R2p=0.9045,RMSEP=0.0354）均产生了较好的预测结果。利用BOSS、CARS、VCPA和iVISSA算法对不同预处理光谱进行特征波长提取,并建立基于特征波长的PLSR和MLR模型,分析基于特征波长的纤维素含量最佳预测模型,结果表明SG-iVISSA-MLR模型效果较优,其R2c=0.9289,RMESC=0.0541,R2p=0.9247,RMSEP=0.0430。通过对比基于预处理算法和特征波长的纤维素含量最佳预测模型,分析发现SG-iVISSA-MLR模型更适于纤维素含量预测的模型。（4）基于图谱融合信息的瘀伤态灵武长枣细胞壁多糖含量检测。通过对瘀伤态灵武长枣进行主成分分析后获得了前三个主成分图像,对贡献率较大的第一主成分图像进行纹理特征提取,分别得到了 0°、45°、90°和135°方向下的相关性、能量、熵、和均匀性。将果胶、半纤维素和纤维素的最佳特征波长分别与四个纹理特征融合后建模。结果表明,原果胶特征信息融合后建立的PLSR模型效果更好,其R2c=0.8980,R2p=0.8964;特征信息融合后建立的LSSVM模型对水溶性果胶拥有更好的预测结果,其R2c=0.9075,R2p=0.8619;基于半纤维素特征信息融合后建立的MLR模型结果更优,其R2c=0.8586,R2p=0.9157;纤维素特征信息融合后建立的MLR模型具有更好的预测效果,其R2c=0.8502,R2p=0.8443。对比光谱数据和融合数据,光谱数据具有更好的预测效果。