论文部分内容阅读
我国是农产大国,目前仍存在着总量过剩与质量参差不齐等问题,尤其是水果和谷物行业。随着社会的发展,人们对水果和谷物及其制品的需求已经从数量转变为质量。因此,为了实现我国水果和谷物产品的多样化、优质化发展,必须重视和提高水果及谷物产后商品化处理技术,特别是能够实现快速无损、可进行在线的检测技术。研究水果和谷物及其制品内在品质的在线检测方法,开发相应的快速、无损、高精度的在线检测系统,对于提高水果及谷物的商品化,减少产后损失,增强我国水果和谷物参与国际市场竞争的能力具有重要意义。本研究是在近红外光谱检测技术的基础上,以草莓和面粉两种农产品为对象,研究了草莓品质及货架期的可见/近红外光谱在线检测方法,进一步开发了基于C++语言的面粉品质在线检测系统;研究了基于机器学习和深度学习的非线性建模方法,构建了具有较强泛化性的近红外光谱在线快速分析模型。主要研究内容与结果如下:(1)探析了草莓储藏过程中品质变化与近红外光谱之间的变化规律,建立了不同速度下(0.05、0.10和0.15m/s)草莓货架期的判别模型。结果表明采用原始光谱建立的LDA模型受到速度影响,且不具良好的预测能力;根据CARS算法提取的特征波长所建立的PLS-DA模型得到了最优的分类预测性能,且受到速度影响较小,三种速度下(未特别注明均是指从低到高的三种速度)的判别正确率均大于90%,分别为95.1%,97.4%和93.3%;(2)结合PLS算法,对在线获取的草莓光谱数据建立草莓SSC含量预测模型。经MSC、S-G平滑和二阶导数预处理的全波段光谱模型性最优,三种速度下RPD值分别从1.39,1.27和1.07提高到1.60,1.53和1.48,使得模型具备一定的预测能力,此外还降低了速度对模型精度的影响;经过CARS算法提取特征波长不仅简化了模型,提高了计算效率还增强了模型的稳健性,三种速度下的R_p~2分别为0.702,0.733和0.707;RMSEP分别为0.892,0.699和0.761°Brix;RPD值分别为1.80,1.96和1.87。(3)利用德国INSION公司的NIR 1.7/S微型光谱仪,与集成光源的漫反射积分球,结合在线平台设计了面粉品质在线检测系统。并采用C++语言对光谱仪进行二次开发,自主编写了一款适用于面粉在线检测的控制软件NIRspec。针对面粉水分含量在线预测分析,所有样品的水分含量预测绝对误差在3%以下,66%的样品预测误差在2%以下。实际值与预测值的决定系数R~2为0.883,均方根误差RMSE为0.206%。(4)针对传统线性PLS模型的局限性,分别构建了基于机器学习的BP-ANN、SVR面粉水分含量在线预测模型。并在此基础上,进一步探索了基于深度学习理论的CNN模型。通过试验,分别确定了三种模型的结构及最佳参数,并将结果与传统线性PLS模型结果进行对比,发现非线性模型的泛化能力更强,且SVR模型的预测精度及稳健性最佳,其R_p~2为0.887,RMSEP为0.277%。同时发现基于深度学习的CNN模型也具有较好的预测能力,其R_p~2为0.776,RMSEP为0.339%,表明该方法在近红外光谱分析中具有一定潜力。