水果内部品质可见近红外光谱无损检测方法的实验研究

《水果内部品质可见近红外光谱无损检测方法的实验研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浙江大学生物系统工程与食品科学学院博士学位论文水果内部品质可见/近红外光谱无损检测方法的实验研究姓名：傅霞萍申请学位级别：博士专业：生物系统工程指导教师：应义斌20080425浙江大学博士学位论文摘要经度的光谱平均吸光度和均方根噪声的方差分析结果显示：水果不同纬度上的光谱差异较大而不同经度上的差异较小．(4)基于Chauvenet检验方法对各组样本中的光谱异常样本进行分析，在剔除光谱异常样本后进行梨内部缺陷判别和梨品种分类的定性建模分析；基于杠杆值和学生残差T检验方法对各组样本中的浓度异常样本进行分析，将杠杆值和学生残差值较大的样本暂定为

2、异常样本，通过比较逐一回收后的模型性能确定最终剔除的浓度异常样本，定量分析所用样本同时基于光谱异样本剔除结果和浓度异常样本剔除结果。(5)研究了梨内部缺陷的定性判别分析：比较不同仪器和检测方式的判别结果显示，用USB4000微型光纤光谱仪采集的透射光谱建立的模型的判别正确率要高于用FT-NIR光谱仪采集的漫反射光谱建立的模型，由此可以认为用透射光谱进行梨内部缺陷判别的效果要优于漫反射光谱；比较判别分析(Discriminantanalysis，DA)、簇类的独立软模式分类法(SoRindependentmodelingofclassana

3、logy，SIMCA)、判别偏最小二乘法(Discriminantpartialleastsquares，DPLS)及概率神经网络(Probobilisticneuralnetwork，PNN)四种判别方法对梨内部缺陷的判别结果显示，DPLS模型和PNN模型不适合用于梨内部缺陷的判别分析，SIMCA模型的判别结果略优于DA模型；对两种水果放置方式(柄．蒂垂直和桶．蒂水平)的比较结果显示，在水果柄．蒂水平放置时所采集的透射光谱对缺陷的判别效果更优；比较多种光谱预处理方法和不同建模波段对梨内部缺陷判别结果的影响显示，对储藏期的雪青梨，较优的模

4、型是基于水果水平放置时获得的450．1000nm经平滑处理后的透射光谱所建的SIMCA模型，校正集和预测集的判别正确率分别为92．68％和78．57％；对储藏期的翠冠梨，较优的模型是基于水果水平放置时获得的450—1000nm经多元散射校正(Multiplicativescattercorrection，MSC)处理后的透射光谱所建的SIMCA模型，校正集和预测集的判别正确率分别为96．15％和88．24％．(6)研究了不同品种梨的定性分类分析：比较不同仪器和检测方式的分类结果显示，漫反射光谱的分类效果要优于透射光谱，由USB4000光纤

5、光谱仪获得的漫反射光谱的校正模型的分类效果要优于由傅立叶变换光谱仪获得的漫反射光谱的校正模型，但其预测效果不如InGaAs检测器所获得的漫反射光谱模型的预测效果，综合考虑校正集和预测集的分类正确率，用InGaAs检测器获得的800．2500nm的近红外IV浙江大学博士学位论文摘要漫反射光谱的分类效果最优；比较DA，SIMCA、DPLS及PNN四种方法对不同品种梨的分类结果显示，DA和SIMCA两者的分类结果比较接近的，且明显优于DPLS模型分类结果，PNN校正模型的分类效果与DA或SIMCA分类模型的分类效果相近，但PNN预测模型的预测性

6、能不及DA和SIMCA模型的预测性能，综合考虑校正集和预测集的分类正确率，DA模型的性能最优；比较多种光谱预处理方法和不同建模波段对不同品种梨分类结果的影响显示，基于1100．2500llm的漫反射光谱经25点平滑后所建立的DA综合模型的分类效果最好，校正集和预测集的分类正确率分别为99．43％和99％．(7)研究了梨坚实度的定量分析：比较偏最小Z-乘回归(Partialleastsquaresregressi’on，PLSR)、主成分回归(Principalcomponentsregression，PCR)，多元线性回归(Multili

7、nearregression，MLR)及最小二乘支持向量机(Leastsquare．supportvectormachine，LS．SVM)四种定量校正方法对梨坚实度的检测结果显示，PCR模型和MLR模型的性能总体上不如PLSR模型；基于PCA的LS．SVM模型在包含10个主成分时的模型性能与PSLR原始光谱全波段模型性能相近，05年西子绿梨的LS．SVM模型的校正集和预测集相关系数分别为0．870、0．849，SEC和SEP分别为2．85N、2．78N，05年翠冠梨的LS．SVM模型的校正集和预测集相关系数分别为0．943，0．731，

8、SEC和SEP分别为1．15N、1．98N，05年雪青梨的LS．SVM模型的校正集和预测集相关系数分别为o．898、0．774，SEC和SEP分别为1．78N、2．41N；比较多种光谱预处理方