《果品品质的近红外光谱无损检测建模分析关键技术研究.doc》由会员分享，可在线阅读，更多相关《果品品质的近红外光谱无损检测建模分析关键技术研究.doc（14页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、西北农林科技大学 2010 级硕士研究生学位论文开题报告果品品质的近红外光谱无损检测建模分析关键技术研究Study for Crucial Technique in Modeling Analysis of Nondestructive Detection of Fruit Quality by NIR Spectroscopy学 院： 机械与电子工程学院 学科、专业： 农产品加工及贮藏工程 研 究 方向： 农产品品质检测与质量安全 研 究 生： 王铭海 指 导 教师： 郭文川 教授 研究生通过开题论证日期： 年 月 日开题论证委员会主席签名： 开题论证委员会委员签名： 果品品质的近红外光谱无
2、损检测建模分析关键技术研究一、选题的目的与意义随着国家经济的快速发展和国民生活水平的显著提高，新鲜果品及各种水果制品以其独特的口感和丰富的营养价值逐渐成为人们继主食之后的最主要休闲食品之一。我国是世界第一大水果生产和消费国，除粮食、蔬菜之外，水果在国内已成为第三大种植产品，在农业和农村经济发展中更是占据着十分重要的地位。据国家统计局2008年发布的信息显示：我国苹果、梨、桃、李和柿子的产量均居于世界前5位；尤其是柿子和梨，中国的产量分别占世界总产量的71.5%和52.9%；苹果和梨的产量也占世界产量的40%左右；另外，猕猴桃、柑桔、葡萄、香蕉等产量也呈急剧上升趋势。虽然这些年我国水果产量在世界
3、始终处于前列，但原果品质以及水果加工制品质量却与世界发达国家相比存在很大的差距，这也是限制我国水果产业健康发展并走向世界的巨大瓶颈（李辰 2010）。导致这种差距的主要原因归结于果实田间生长期间、采摘后储藏过程中以及后续加工环节里未能及时、全面掌握果品品质变化，准确、客观了解果实品质特性。果品的品质特性通常根据其糖度、硬度、酸度、颜色、形状和产地等多种指标来综合评价。在国家标准及进出口检验中，常通过检测糖度、硬度和酸度来评价果品的品质特性，但因各种水果的品质差异较大，实际检测中可根据具体情况选取合适的测定指标。目前，国内仍多采用传统破坏式检测方法对果品品质进行评价，即选取一定实验样本，经复杂的
4、预处理后、通过破坏样品组织结构的方法来检测所需物化指标的方法，该方法不仅费时费力、浪费样品，而且难以实现大批量样品的分析和生产、加工环节中的实时在线检测。因此，利用先进的现代无损检测技术代替传统检测方法对于实现果品的生产、储藏、加工及流通各环节的质量控制与品质保证，从而突破我们果品产业发展瓶颈具有非常重要的实际意义。所谓无损检测技术是在不破坏检测样品的前提下，利用对象内部结构特异性及组分含量多少所引起的对热、声、光、电、磁等反应的变化，来探测各种农产品内部指标。根据检测方法不同大致可以分为光学特性分析法、声学特性分析法、机器视觉技术分析法、电学特性分析法、核磁共振检测技术与X射线检测技术等(徐
5、惠荣 2010)。以上各种无损检测技术在研究和实际生产中得到了不同程度的应用，其中，近红外光谱技术因其高效率、低成本、易操作和方便多组分同时检测等诸多优点，被分析化学界誉为“分析巨人”，尤其随着近年来计算机技术和化学计量学的高速发展，更被广泛应用于农业、石油、化工、医药和生物等各个方面。近年来，国内外在利用近红外光谱技术进行各类果品品质检测以及开发在线实时果品品质检测装置和便携式果品检测仪器方面的报道很多。但在国内外诸多研究中近红外分析模型普遍存在着“欠拟合”与“过拟合”问题，而高质量的模型应该具有建模样本少、速度快、精度高和适应性强等特点，这也是决定近红外光谱技术能否在果品品质检测中被更广泛
6、应用的关键所在。近红外光谱分析关键技术主要包括三方面：建模样本的优选、有效光谱信息的提取以及建模方法的选择。其中，任何一个环节方法选择的不合理或操作的不科学，将直接对分析模型造成重要的影响，甚至关乎整个建模分析的可行与否。因此，系统研究近红外光谱分析中各关键技术，通过综合比较选取各单元操作最佳方法，对于优化模型、提高预测精度、增强模型适应性以及改善模型稳健性等都具有非常重要的意义。为此，本文旨在对成熟期及采收储藏期的果品品质的近红外光谱分析过程中，通过对建模样品的优选（相似与异常样品的剔除、校正集与验证机的划分）、有效光谱信息的提取（特征波长与特征区域的选取）和建模方法的选取（线性回归与非线性
7、拟合）各关键环节进行系统研究，综合分析选取各环节处理方法，建立高效、准确、适用和稳健的最优品质分析模型，也为便携式近红外果品品质检测仪的开发提供技术支撑。二、选题的依据1.理论依据近红外光谱（NIRs）是介于可见光谱区和中红外光谱区之间波长7802526nm（波数128203959cm-1）的电磁波（陆婉珍 2006）。近红外光谱的主要信息为物质含氢基团（包括O-H、N-H、C-H等）对近红外光的倍频与合频吸收，这使得近红外光谱技术不仅可以检测物质中与这些基团相关的组分，如糖度、酸度、蛋白质、淀粉、脂肪和氨基酸等，而且可用于分析物质的密度、硬度和粘度等性质（郭文川等 2001）。比尔朗贝定律(
8、The Beer-Lambert Law)是近红外光谱分析中的一个重要定律，它奠定了近红外光谱分析的基础：将所研究的样品组分的浓度值与通过仪器测量得到的光谱值之间的关系进行关联（刘建学 2007），即：其中，样品在特定波长（或频率）的吸光度；样品的所研究组分在该特定波长下的吸光系数；光程，即光通过样品的行程；样品中所研究组分的浓度值。然而，近红外谱区谱峰重叠非常严重，谱峰比较宽，谱区的可解析性很差，一般很难确定某一组分对应的特征谱峰，进行直接定量分析是非常困难的。因此，这便要求结合化学计量学方法从复杂的数据中提取尽可能多的有效信息后进行建模分析。水果主要包含水分、糖类、蛋白质、脂肪以及维生素等
9、成分，其中绝大多数成分化学组成中均含有近红外光的特定吸收基团，各组分在近红外区域具有不同的特征吸收光谱，这也为利用近红外光谱分析果品品质提供了有力的理论依据。2.技术依据果品的近红外光谱检测方式通常有三种：反射光检测、漫反射检测和透射光检测，这三种光谱采集手段各有所长，其中漫反射光谱检测是一种介于反射与透射之间能够较客观反映水果内部的组织结构特性，并在常见水果品质测定中被广泛采用的研究方法（王多加等 2004）。在果品品质常规检测中，根据果品内部主要成分及结构特点，常利用近红外光谱技术分析果品表观缺陷、表面颜色和内部成分含量如可溶性固形物、硬度、酸度以及干物质等多个代表性指标（杨春梅等 200
10、9）。水果样品处理与光谱采集样品光谱的预处理过程测定样品各内部成分含量未知样本适应性判断数学模型建立及精度验证预测未知样品的成分含量未知成分的水果光谱采集图1 近红外光谱分析技术的一般流程框图利用近红外光谱技术定量检测果品品质的大致流程图如图一所示，该分析过程主要结合以下关键技术实现：（1）代表性样品优选技术在近红外光谱分析中，建模样品的科学选取，即代表性强、数量适当和分布均匀的建模样品对所建模型的预测性能具有直接的影响，该环节具体包括相似、异常样品的剔除、校正集与验证集样品的合理划分等关键方法。其中，常见的相似或异常样品的剔除思想为：基于预测浓度残差、基于重构光谱残差、光谱PLS分解主成分得
11、分的聚类分析，以及杠杆值与学生T检验等准则（闵顺耕等 2004）；建模样品集的科学划分方法常根据样品光谱的积累和性质或组成数据的分布来选择建立定标集的样品，并通过部分样品进行验证：含量梯度法、Duplex算法、Kennard-Stone法、GN距离法以及SPXY算法等（吴静珠等 2006）。（2）光谱数据预处理技术光谱采集过程中由于仪器、环境变化、操作等因素，会产生多种干扰，直接影响光谱质量，而通过多种预处理技术可对原始光谱数据进行消噪、数据提取与压缩等目的，从而提高数据质量，使经预处理后的光谱客观的反映物质组分与结构信息，这对于高性能模型的建立非常关键。常用光谱数据预处理技术主要有，微分方法
12、、多元散射校正方法、平滑方法、归一化方法、标准正态变换和小波变换等技术（褚小立等 2004）。（3）光谱信息筛选技术样品光谱的产生受到样品的成分、成分之间的相互作用、光谱仪及样品前处理等多种因素的影响，近红外光谱分析是从分析样品光谱复杂、重叠和变动的背景中提取信息（洪涯等 2010）。建模谱区的优选不但可以简化模型，更重要的是能将不相关或非线性变量进行剔除，增强校正模型的预测能力（孙旭东等 2009）。目前有效建模光谱波段和波长的选择方法主要有相关分析法、逐步回归法、无信息变量的消除法(UVE)、间隔偏最小二乘法(iPLS) 、模拟退火算法（SAA）、多链方法（MCM）和遗传算法(GA)等。（
13、4）模型定量校正技术定量校正方法的选取是近红外光谱检测中起决定性作用的一个环节，利用适当、有效的定量校正方法将果品品质指标与内部成分的光谱信息进行关联、拟合，可以保证模型建模效率高、预测精度好、适应性强。在近红外分析中常用的定量校正校正方法有多元线性回归法（MLR）、主成分回归法（PCR）、偏最小二乘法（PLS）、人工神经网络法（ANN）以及拓扑方法（TP）等（刘建学 2007）。以上各建模分析关键技术中都需采用各不同的优选算法及定量校正方法，以下对实际研究分析中最可能采用的关键技术方法、算法原理进行简单介绍：SPXY建模集样品划分方法是Galvao等人在2005年提出来的基于x-y距离结合的
14、样本划分方法（sample set partitioning based on joint x-y distance, SPXY），该方法是在K-S法的基础上发展起来的，可有效地用于NIR定量模型的建立，优点在于能够有效地覆盖多维向量空间，从而改善所建模型的预测能力（Galvao et al. 2005）。用dx(p,q)代替dy(p,q)，同时为了确保样本在X和Y空间具有相同的权重，将dx(p,q)和dy(p,q)分别除以它们在数据集中的最大值，因此标准化的xy的距离公式为： 连续投影算法（Successive Projection Algorithm, SPA）是一种前向循环的变量选择方法
15、，能够从严重重叠的光谱信息中提取有效信息，目的是选择那些最小冗余信息量的波长，解决共线性问题。除了用于光谱变量的选择，SPA亦可用于确定由主成分分析所得到的主成分的最佳主成分组合（陈斌等 2007）。遗传算法（Genetic Algorithms, GA）在近红外光谱建模分析中样品优选、特征光谱波长提取以及人工神经网络的优化方面都有着广泛的应用。它通过全面模拟自然选择和遗传机制，形成了一种以“生成+检验”特征的自适应全局的概率搜索算法（李敏强等 2002）。其实现基本流程如图2所示：确定实际问题参数集对参数集进行编码初始化群体P（t）评价群体满足停止准则YES结束遗传操作群体P(t)群体P(t
16、+1)No1) 位串解码的参数；2) 计算目标函数值；3) 函数值向适应值映射；4) 适应值调整1)选择；2)交叉；3)变异；其他高级算子5) 适应值调整图2 简单遗传算法基本流程框图人工神经网络(Artificial Neural Networks，简写为ANN)是对人脑或自然神经网络(Natural Neural Network)若干基本特性的抽象和模拟。它在一定程度和层次上模仿了人脑人经系统的信息处理、存储及检索功能，因而具有学习、记忆和计算等智能处理功能。人工神经网络具有强大的信息处理能力，在近红外光谱非线性校正建模分析中有着广泛的应用前景。人工神经网络因连接方式的不同也表现为各种形式
17、的网络模型，而在果品品质的近红外光谱检测建模分析中常用到的为BP网络和RBF网络，其基本网络结构图如图3所示。其中，BP网络算法的基本思想是，学习过程由信号的正向传播和误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输入层。若输入层的实际输出与期望的输出不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。随着该过程周而复始的进行，权值不断得到调整，指导网络输出的误差减少到可接受的程度或进行到预先设定的学习次数为止。RBF是在借
18、鉴生物局部调节和交叠接受区域知识的基础上提出的一种采用局部接受域来执行函数映射的人工神经网络，具有最优逼近和全局逼近的特性。在RBF 中，输入层到隐含层的基函数输出是一种非线性映射，而输出则是线性的。这样，RBF 网络可以看成是首先将原始的非线性可分的特征空间，变换到另一线性可分的空间（通常是高维空间），通过合理选择这一变换使在新空间中原问题线性可分，然后用一个线性单元来解决问题，从而很容易的达到从非线性输入空间向输出空间映射的目的（韩力群 2006）。X1X2X3XnW1Y1Y2Y3YnW2输入层Input layer隐含层Hidden layer layer输出层Output layer图
19、3 人工神经网络基本模型三、国内外研究概况1.国外研究现状国外应用近红外光谱技术进行果品品质的研究比国内要早得多，并且也取得了很多研究成果。Dull等（1989）选取880nm和913nm两个波段的单色光，结合偏最小二乘（PLS）法无损检测甜瓜和哈密瓜的可溶性固形物含量（SSC）。Kawano等（1992）在光谱范围为680-1237nm，利用样本的二次微分光谱结合多元线性回归（MLR）方法建立了柑橘糖度的近红外透射光谱模型。Slaughter(1995)在400-1000nm波长范围内，通过平滑和二阶微分处理光谱建立了成熟与未成熟梨和桃糖度、叶绿素A以及山梨醇的PLS模型，预测结果可基本满足
20、实际需要。Lammertyn等（1998）利用可见和近红外光谱无损检测了苹果的品质特性，建立了反射光谱与水果PH值、可溶性固形物含量、硬度以及其它结构参数的关系，并采用主成分分析（PCA）、主成分回归（PCR）和PLS方法进行了建模分析。Peirs等（1999）通过对苹果、甜瓜、蜜瓜、芒果、梨、土豆、洋葱等七种果蔬实验，探索了不同品种水果在不同部位SSC及干物质含量（DMC）与光谱数据的关系，结果表明蜜瓜的SSC变异系数最大（22.8%），土豆的SSC变异系数最小（0.6%）。Schmilovitch等（2000）利用近红外光谱结合MLR、PCA和PLS等方法，预测了芒果的SSC，酸度和果肉硬
21、度，比较而言，MLR模型效果效果最佳，各相关系数分别为0.92、0.61和0.82.Rodriguez等（2001）利用傅立叶近红外光谱检测技术快速测定水果果汁的糖度，结果表明采用投射光检测方式效果更好一些。McGlone等（2002）利用500-1100nm波长光谱检测了Royal Gala苹果内部成分中淀粉、SSC和酸度，预测标准偏差在0.5%-0.72%。Manuela等（2002）在300-1100nm波长范围内建立个3个不同品种苹果的叶绿素含量模型，模型的决定系数在0.87-0.98之间。Carlomagno等（2004）利用近红外透射光谱（730nm-900nm）对不同成熟度桃进行
22、了聚类判别分析，以桃子硬度和糖度为成熟度指标，原始光谱经小波包变换滤噪后进行分析，分类正确率达到82.5%。Antihus等（2006）利用可见/近红外光谱检测无核小蜜橘的酸度、SSC和坚实度等品质，结合PCA和PLS方法建立模型，各指标的预测相关系数在0.80-0.94，预测标准误差在0.18-8.53之间。Panmanas等（2007）在1100nm-2500nm波长范围内，结合二阶微分光谱与MLR建立了2两年采收的日本梨的果胶组成数学模型，结果显示，本年的模型不可用于预测其他年的样品。Sinelli等（2008）利用近/中红外反射光谱无损测定蓝莓的营养成分，采用PLS方法建立模型。实验结
23、果显示在在近红外反射光谱区域能预测出酚类、类黄酮和花青素总含量，而在中红外区域能估计分类成分的含量。Moghimi等（2010）在400-1000nm波长范围内，对比了不同光谱预处理方法，并建立了猕猴桃可溶性固形物和pH值的PCR和PLS模型，结果表明近红外光谱技术可适用于该果品这两个品质指标的检测。2.国内研究现状20世纪90年代以来，我国近红外光谱技术的应用有了快速的发展，但相对于国外研究与应用现状而言，国内的研究相对较晚，进展比较缓慢。金同铭等（1995）利用短波近红外光谱对草莓、黄瓜和苹果中的维生素C进行了测定。陈世铭等（1998）在1000-2500nm波长范围内，分别利用MLR、P
24、LS与人工神经网络（AAN）定量校正方法建立了水蜜桃和洋香瓜等果汁的糖度预测模型。何东健等（2001）介绍了桃近红外无损检测装置的基本原理和组成，并通过实验表明赤道上与缝线呈90o的部位，可代表平均糖度。应义斌等（2003）对3种不同近红外检测方式的原理进行了概述和分析，认为剥皮水果糖度和酸度最适合用漫反射光谱进行检测。赵文杰等（2005）在1300-2100nm波长范围内，分别建立了苹果糖度的PCR和PLS模型，结果表明，PLS模型优于PCR模型。刘燕德等（2006）利用近红外漫反射技术探讨了水果糖度无损检测方法，试验中引入了遗传算法优选光谱，结果表明，经优选后建模效率增强、模型预测精度改善
25、。王加华等（2009）结合遗传算法（GA）和PLS建立了西洋梨的糖度预测模型，结果表明该方法切实可行的，并可有效提高测量精度，减少建模变量。孙旭东等（2009）在600-980nm波长范围内，分别利用径向基函数神经网络（RBF）和反向传播神经网络（BP）建立了南丰蜜橘可溶性固形物含量的非线性数学模型，研究结果表明：径向基函数神经网络比反向神经网络获得的预测结果更好，校正模型的预测均方根误差从0.72降低到0.56。洪涯等（2010）利用SPXY方法划分样本集后，结合连续投影算法（SPA）优选出全光谱2001个变量中的9个，建立了砂糖橘总酸含量的MLR和PLS模型，结果表明变量优选前后模型预测精
26、度相当，SPA可极大提高建模效率。郝勇等（2011）在利用近红外光谱分析梨硬度和表面色泽的研究中，分别采用蒙特卡罗无信息变量消除（MC-UVE）和小波变换（WT）的蒙特卡罗无信息变量消除方法筛选了各指标的光谱变量。WT-MC-UVE方法可以有效地选择建模变量，并且既能提高模型的稳定性，又能提高多元校正的预测精度。3.目前国内外研究存在的主要问题目前国内外利用近红外光谱分析技术研究果品品质特性的报道很多，但大多数研究多集中在利用近红外光谱结合常规定量校正方法对各种类繁多的果品品质进行分析。虽然研究材料已基本涉及到全球各大宗果品、检测指标也能满足评价果品品质的各项要求，但对于综合、系统研究果品品质
27、近红外光谱建模分析过程中关键技术和方法（即包括光谱预处理、建模样品的优选、光谱信息的有效筛选与提取和线性与非线性定量校正方法的选取等）对预测模型效果影响的研究却少有报道，这也是直接关系果品品质分析模型预测精度、稳健性和适用性的关键环节。四、研究内容本论文，采用近红外漫反射光谱技术，以猕猴桃、桃和梨为研究对象，以其可溶性固形物、pH值、硬度和总酸（TA）为品质评价指标在833-2500nm（12000-4000cm-1）波长范围内，综合、系统研究果品品质检测的近红外光谱检测分析中，建模样品优选、有效特征光谱信息的筛选与提取以及建模定量校正方法的选取和优化对模型预测性能的影响，并通过综合比较试验，
28、选取果品品质指标近红外光谱检测建模分析中的最佳处理技术和方法，确定最优分析模型。主要研究内容如下所述： 1.建模样品优选方法对成熟期和采收后贮藏期间梨品质检测模型的影响研究（1）研究相似样品和异常样品的剔除对梨糖度和硬度模型预测性能的影响；（2）研究不同校正集样品和预测集样品划分方法对梨糖度和硬度模型预测性能的影响。2.有效特征光谱信息的筛选与提取对贮藏期间猕猴桃品质检测模型的影响研究（1）研究不同光谱预处理方法对猕猴桃糖度、硬度和总酸模型预测性能的影响；（2）研究不同特征波长（波段）对猕猴桃糖度、硬度和总酸模型预测性能的影响。3.不同模型定量校正方法的选取对不同品种桃品质检测模型的影响研究4
29、.各果品品质近红外漫反射光谱检测建模分析中各关键技术的选取与最优模型的确定五、研究方法及技术路线1.研究方法1.1样品集优选方法对成熟期和采收后贮藏期间梨品质检测模型的影响研究本研究部分以2010年8月4日2010年9月30日，分5次采摘于陕西杨凌杨家乡马家底村一果园生长、成熟期的175个“砀山酥”梨和160个“雪花”梨为研究材料，其中数据的处理与分析过程在Uscrambler7.8软件和Matlab7.0软件平台实现。（1） 综合比较PCA结合马氏距离法、遗传算法和基于浓度残差与光谱残差的二审剔除法对梨糖度与硬度建模效果的影响；（2） 综合比较利用含量梯度法、Kennard-Stone法、G
30、N距离法以及SPXY算法进行建模集划分对梨糖度和硬度模型预测性能的影响。1.2有效特征光谱信息的筛选与提取对贮藏期间猕猴桃品质检测模型的影响研究该研究部分以2009年10月10日采自陕西杨凌夏家沟村一果园的106个华优猕猴桃和2010年9月13日采自陕西杨凌小沟村一果园的119个西选二号猕猴桃为研究材料，其中样品原始光谱的预处理操作借助Uscrambler7.8软件实现，特征光谱波长和区域的优选操作基于Matlab7.0软件平台实现。（1） 综合比较利用多元散射校正（MSC）、平滑处理（Smoothing）、微分处理(一阶D1lg(1/R)微分处理、二阶D2lg(1/R)微分处理)、标准正态变
31、量变换（SNV）及各方法相互结合的方法进行光谱预处理对贮藏期间猕猴桃糖度、硬度和总酸模型预测性能的影响；（2） 综合比较利用逐步线性回归法、遗传算法（GA）、连续投影算法（SPA）和无信息变量消除法（UVE）对猕猴桃糖度、硬度和酸度模型的预测性能。1.3不同模型定量校正方法的选取对不同品种桃品质检测模型的影响研究该研究部分以2010年7月-8月采自陕西杨凌崔东沟两桃园的169个沙红桃、156个北京八号桃、160个莱山蜜桃为研究材料，其中MLR、PLS和PCR定量校正模型的建立借助Uscrambler7.8软件实现，BP网络和RBF网络校正模型的构建基于Matlab7.0软件Neural net
32、work工具箱实现。（1） 综合比较各常用线性定量校正方法，即多元线性回归（MLR）、偏最小二乘法（PLS）、主成分回归（PCR）对各品质指标建模效果的影响；（2） 综合比较各常用线性和非线性定量校正方法，即BP网络和RBF网络对各品质指标建模效果的影响。1.4果品品质近红外漫反射光谱检测的分析技术选取与最优模型的确定本部分以在以上试验的基础上，根据各不同果品的特性，选择各自品质指标近红外光谱建模分析中的最佳技术，建立以上3类果品品质指标的近红外分析最优模型，并进行验证。2. 技术路线以下为本研究的基本技术路线：见图4所示。图4 研究技术路线比较PCA结合马氏距离法、遗传算法和基于浓度残差与光
33、谱残差的二审剔除法对梨糖度与硬度建模效果的影响比较利用含量梯度法、K-S法、GN距离法以及SPXY算法进行建模集划分对梨糖度和硬度模型预测性能的影响比较利用平滑、一阶微分、二阶微分、MSC、SNV以及相互结合处理原始光谱对猕猴桃糖度与硬度预测性能的影响比较利用逐步线性回归、GA、SPA和UVE方法优选光谱特征波长对猕猴桃糖度和硬度模型预测性能的影响比较基于线性定量校正方法：MLR、PLS和PCR方法对桃糖度与硬度模型预测性能的影响比较基于非线性人工神经网络方法：BP、RBF网络建模方法对桃糖度和硬度模型预测性能的影响果品品质近红外光谱检测建模关键技术的选取和各品质指标最优化模型的确定果品品质近
34、红外光谱检测分析关键技术研究样品优选方法对果品品质检测模型预测性能的影响研究有效光谱信息的提取对果品品质检测模型预测性能的影响研究不同定量校正建模方法的选取对果品品质检测模型预测性能的影响研究选取梨样品的糖度、硬度实测值和近红外光谱作为试验研究材料选取猕猴桃样品的糖度、硬度实测值和近红外光谱作为试验研究材料选取桃样品的糖度、硬度实测值和近红外光谱作为试验研究材料六、预期结果由于建模样品的优选、有效特征光谱信息的提取以及定量校正方法的选取是果品品质近红外光谱建模分析过程中关键技术环节。本文通过系统、全面地对果品样品中相似、异常样品剔除和建模样品集科学划分技术方法、原始光谱数据的预处理与特征光谱波
35、长的优选方法以及定量校正建模方法进行比较分析，以期对果品品质近红外光谱建模分析必须环节中各关键技术方法的适用性作出评价。同时也通过各技术方法的综合比较，选取各果品近红外建模分析中对提高模型预测性能最有效、适用的技术方法，最终确定各试验果品品质近红外光谱无损检测分析最优模型，进而为改善近红外光谱技术检测果品品质预测性能和适用性以及开发新型检测环境更复杂的实时在线或便携式装置提供有力的技术依据。七、本研究的创新点系统研究果品品质近红外光谱检测建模分析过程中的关键技术方法，综合、全面分析各技术方法对模型预测性能的影响，试图确定各品质指标的近红外检测最优分析模型。八、所需主要软件（1）OPUS6.5软
36、件 布鲁克公司（2）Uscrambler9.8软件 挪威CAMO公司（3）Matlab7.0软件 美国MathWorks公司（4）SAS8.2软件 美国SAS软件研究所（5）Microsoft Office2003 美国微软公司九、论文工作进展安排2011.072011.09 阅读资料、确定研究方向2011.10 撰写开题报告、论证2011.112012.05 学习各优化算法，并通过各软件平台实现2012.062012.09 后期数据处理2012.102013.03 撰写论文十、经费概算1.资料复印、论文制作：600元2.论文评阅、答辩费：800元3.论文发表费：1600元4.其他：300元
37、合计：3300元十一、研究工作中面临的技术难点和拟采取的解决办法1.在样品的优选和特征光谱信息提取处理中均采用到了各种算法，而如何将各算法原理、计算操作转换成Matlab界面中的编程语言，使各建模变量的算法操作过程和结果能够通过简单直观地图形、曲线的形式表达出来将是问题的难点，可通过系统了解、学习各操作选用算法的具体原理和实现方法结合Matlab各工具箱特点进行解决； 2.在非线性定量模型建立的过程中，BP网络和RBF网络网络结构层数、各层神经元个数、网络各层权值和阈值的确定，将是非线性建模过程的难点和重点，可通过查阅大量相关资料以及多次尝试训练网络，根据多次训练经验确定适当网络参数。十二、参
38、考文献陈斌, 孟祥龙, 王豪. 2007. 连续投影算法在近红外光谱校正模型优化中的应用. 分析测试学报, 26(1):66-69陈世铭, 张文宏. 1998. 洋香瓜糖度检测之研究（二）近红外光谱分析法. 农业机械学刊, 7(1):87-98郭文川, 朱新华, 郭康权. 2001. 果品内在品质无损检测的研究进展. 农业工程学报, 17(5):1-5韩力群. 2006. 人工神经网络教程. 北京：北京邮电大学出版社郝勇, 孙旭东, 潘圆媛. 2011. 蒙特卡罗无信息变量消除方法用于近红外光谱预测果品硬度和表面色泽的研究. 光谱学与光谱分析, 31(5):1225-1229何东健, 前川孝昭
39、, 森岛博. 2001. 水果内部品质在线近红外分光检测装置及试验. 农业工程学报, 17(1):146-148洪涯, 洪添胜, 代芬. 2010. 连续投影算法在砂糖橘总酸无损检测中的应用. 农业工程学报, 26(s2):380-384金同铭, 崔洪昌, 河野澄夫. 1995. 近红外(NIR)光谱法测定完整苹果糖的含量.华北农学报, 10(2):82-90李辰. 2010我国水果产业出口现状及发展建议. 现代商贸工业, 22(11):121刘燕德, 应义斌. 2006. 傅里叶近红外光谱的雪青梨酸度偏最小二乘法定量分析. 光谱学与光谱分析, 26(8):1454-1456李敏强, 寇纪淞,
40、 林丹, 李书全. 2002. 遗传算法的基本理论与应用. 第一版. 北京:科学出版社刘建学.2007. 实用近红外光谱分析技术.第一版. 北京:科学出版社: 97-100陆婉珍. 2006. 现代近红外光谱分析技术. 第二版. 北京:中国石化出版社: 9-10闵顺耕, 李宁,张明祥. 2004.近红外光谱分析中异常值的判别与定量模型优化. 光谱学与光谱分析, 24(10):1205-1209孙旭东, 章海亮, 欧阳爱国. 2009. 基于遗传算法的近红外光谱建模样品集优化研究. 华东交通大学学报, 26(4):74-77孙旭东, 章海亮, 欧阳爱国. 2009. 南丰蜜桔可溶性固形物近红外特
41、征波段选择. 农业机械学报, 40(7):129-132王加华, 韩东海. 2008. 基于遗传算法的苹果糖度近红外光谱分析. 光谱学与光谱分析, 28(10):2308-2311吴静珠, 王一鸣, 张小超. 2006. 近红外光谱分析中定标集样品挑选方法研究. 农业机械学报, 37(4):80-82王多加, 周向阳, 金同铭. 2004. 近红外光谱检测技术在农业和食品分析上的应用. 光谱学与光谱分析, 24(2):447-450徐惠荣. 2010. 基于可见/近红外光谱的水果糖度检测模型优化及应用研究博士论文. 杭州: 浙江大学杨春梅, 李宁, 赵学玒. 用于果蔬内部品质无损检测的NIRS
42、技术新进展. 激光与红外, 2009, 39(11):1137-1141应义斌, 刘燕德. 2003. 水果内部品质光特性无损检测研究及应用. 浙江大学学报(农业与生命科学版), 29(2):125-129褚小立, 袁洪福, 陆婉珍.2004. 近红外分析中光谱预处理及波长选择方法进展与应用. 化学进展,16(4):528-542Carlomagno G, Capozzo L, Attolico G. 2004. Non-destructive grading of peaches by near-infrared spectrometry. Infrared Physics & Techno
43、logy, 46(1-2):23-29 Galvao R K H, Araujo M C U, Jose G E. 2005. A method for calibration and validation subset partitioning. Talanta, 67:736-740Gomez A H, He Y, Pereira A G. 2006. Non-destructive measurement of acidity, soluble solids and firmness of Satsuma mandarin using Vis/NIR-spectroscopy techn
44、iques. Journal of Food Engineering, 77(2):313-319 Kawano S. 1992. Present condition of nondestructive quality evaluation of fruits and vegetables in Japan. JARQ, 39(4):376-376Lammertyn J, Nicolai B, Ooms K. 1998. Non-destructive measurement of acidity, soluble solids, and firmness of Jonagold apples
45、 using NIR-spectroscopyJ.Trans of the ASABE, 41:1089-1094Peiris K H, Dull G G. 1999. Spatial variability of soluble solids or dry-matter content within individual fruits, bulbs, or tubers: Implications for the development and use of NIR spectrometric techniques. HortScience, 34(1):114 Rodriguez-Saon
46、a L E, Fry F S, McLaughlin M A. 2001. Rapid analysis of sugars in fruit juices by FT-NIR spectroscopy. Carbohydrate Research, 336(1):63-74Schmilovitch Z, Mizrach A, Hoffman A. 2000. Determination of mango physiological indices by near-infrared spectrometry. Postharvest Biology and Technology, 19(3):
47、245-252Sinelli N, Spinardi A, Di Egidio V, et al. Evaluation of quality and nutraceutical content of blueberries (Vaccinium corymbosum L.) by near and mid-infrared spectroscopy. Postharvest Biology and Technology, 2008, 50(1):31-36Sirisomboon P, Tanaka M, Fujita S, et al. Evaluation of pectin constituents of Japa