基于近红外光谱技术的干制哈密大枣水分含量无损检测与模型优化研究

合集下载

3种不同红枣水分检测方法的比较

3种不同红枣水分检测方法的比较
彭云发;罗华平;王丽;詹映;胡晓男;罗雪宁
【期刊名称】《江苏农业科学》
【年(卷),期】2016(044)001
【摘要】针对新疆南疆地区红枣的水分检测,选用烘干减质量法、卤素测定仪法和近红外光谱法对红枣水分进行检测,分析不同方法测定过程中的优缺点,并将进行结果数理统计分析.结果表明,卤素测定仪法较另外2种方法所测的结果偏低约0.72百分点(5.38％),近红外光谱法与烘干减质量法测定的结果没有显著差异.
【总页数】3页(P308-310)
【作者】彭云发;罗华平;王丽;詹映;胡晓男;罗雪宁
【作者单位】塔里木大学机械电气化工程学院,新疆阿拉尔843300;上海创和亿电子科技发展有限公司,上海200092;塔里木大学机械电气化工程学院,新疆阿拉尔843300;新疆维吾尔自治区普通高等学校现代农业工程重点实验室,新疆阿拉尔843300;塔里木大学机械电气化工程学院,新疆阿拉尔843300;新疆维吾尔自治区普通高等学校现代农业工程重点实验室,新疆阿拉尔843300;塔里木大学机械电气化工程学院,新疆阿拉尔843300;塔里木大学机械电气化工程学院,新疆阿拉尔843300;塔里木大学机械电气化工程学院,新疆阿拉尔843300
【正文语种】中文
【中图分类】S665.101;O657.34
【相关文献】
1.南疆红枣林地不同流量对滴灌土壤水分运移特征的影响
2.不同覆盖方式对土壤水分和红枣产量影响的研究
3.不同灌溉方式对幼龄红枣生长及水分利用效率的影响研究
4.红枣经济林不同植被覆盖土壤水分入渗特征
5.不同干燥方法下红枣蜜饯水分状态变化研究
因版权原因，仅展示原文概要，查看原文内容请购买。

基于机器视觉和近红外光谱的壶瓶枣无损检测

基于机器视觉和近红外光谱的壶瓶枣无损检测薛建新;孙海霞;周靖博;张淑娟【摘要】以壶瓶枣为对象探讨用机器视觉和近红外光谱技术检测壶瓶枣内外品质.通过图像处理技术获取壶瓶枣投影面的边缘提取图像,然后使用最小外接矩形法求得图像的像素点个数,以此求得壶瓶枣投影面的面积.采用MSC对壶瓶枣近红外光谱进行预处理,然后分别采用偏最小二乘法(PLS)、主成分回归(PCR)和偏最小二成支持向量机(LS-SVM)3种建模方式对壶瓶枣可溶性固形物的含量进行预测.结果表明,使用LS-SVM模型获得了最优的预测结果,其预测集的相关系数和均方根误差分别为0.9901和0.328.研究表明,机器视觉结合近红外光谱技术能对壶瓶枣内外品质进行综合检测.%The machine vision and near-infrared spectroscopy were used to detect the external and internal quality of Huping Jujube nondestructively. Color images of Huping Jujube samples were captured, the processing of image technology was used for calculating the external rectangular area. MSC method was used to pretreat the near-infrared spectrum. Then the partial least squares (PLS), principal component regression (PCR) and lest squares support vector machine (LS-SVM) were used to establish the prediction models of soluble solid content. The results showed that the optimal LS-SVM model was achieved with correlation coefficient of 0. 9901 and root mean square error of cross validation of 0. 328 for prediction set. Machine vision and near-infrared technology can be a good method to synthetically detect the internal and external quality of Huping Jujube.【期刊名称】《山西农业大学学报（自然科学版）》【年(卷),期】2012(032)006【总页数】3页(P571-573)【关键词】机器视觉;近红外光谱;壶瓶枣;检测【作者】薛建新;孙海霞;周靖博;张淑娟【作者单位】山西农业大学工学院,山西太谷030801【正文语种】中文【中图分类】S123;S665壶瓶枣是山西十大名枣之一，以其果大、皮薄、肉厚、味美和极具滋补功能而享誉神州，且有极其丰富的营养价值和药用价值［1］，每100g鲜枣中含可溶性固形物含量37%，含糖量30．35%，含酸量0．57%，含 VC 491．3mg，壶瓶枣制干后，肉质细腻，久贮不干，制干率57．2%，干枣含糖量71．4%，是红枣中的上品［2］。

基于光谱和水分补偿方法的鲜枣内部品质检测

的光谱研究表明，水分子中不同类型的氢键各自具有单独的
引言
由于近红外谱带极易受到分子不同物理性质（密度、大小等）和化学性质（温度、糖酸度等）的影响，近红外光谱技
术广泛应用于农产品的品质检测中。水分子０Ｈ基团在近红外光谱区域上有较强吸收，水分含量的差异严重影响着整个
型。结果表明，硬度值的水分补偿模型精度有一定提高，Ｒｚ和ＲＭＳＥＰ分别为、维生素Ｃ含量、蛋白质含量的水分补偿模型精度均有所下降，磷分别为０．８０４１，０．８７８２和０．８３７８，ＲＭＳＥＰ分别为１．３４７３，０．６３８０和３．５０３２。然后，分析各品质指标间的相关性，结果表明，水分
校正模型的影响。
谱区的反射率。水在近红外谱区有５１５４ｃｍ（组合频）、
６９４４ｅｍ（一级倍频）等多个较强的吸收峰，干扰了基于近红外光谱的定量和定性分析。同时，水分含量的变化还将导致某些吸收峰的位置发生偏移。大量的研究说明ｌ＿１。］，运用
０．８２６１以上，预测均方根误差（ＲＭＳＥＰ）均在３．３２４９以下。在提取各项品质指标特征波段的基础上，剔除其他四项单一品质特征波段中与水分特征波段（包含利用ＲＣ法所提取到的水分特征波长和鲜枣中具有明显
水分特征的吸收峰）重叠或接近的波段，并与鲜枣水分含量值进行数据融合建立了各项指标的水分补偿模

517 近红外光谱技术在南疆红枣品质检测的应用与研究(无图)

摘要红枣是南疆的特产水果，也是我国主要出口水果之一。

目前，南疆红枣的分级仅停留在大小、形状、外观等外部的品质，红枣的内部品质还未涉及，因此大大影响南疆红枣在国际市场的竞争力。

其实，红枣内在品质比其外部品质更重要，内部品质包括水分、糖度、酸度等。

红枣内在品质如水分用传统的烘干法检测费时费力，糖度的化学检测方法也存在需对红枣进行破坏、测量周期长、耗费大量人力等缺点。

因此研究一种快速、简单、无损的红枣内部品质检测技术很有必要，近红外光谱技术对红枣水分、糖度的检测简单、快速、无损。

本课题选择农一师十团红枣为试验样本，建立红枣水分和糖度模型，探索近红外光谱技术在南疆红枣品质检测的应用与研究。

挑选 200 个红枣作为建立其水分和糖度的校正模型组，另外选取 20 个红枣作为模型验证组。

实验选用精密电子天平称其红枣重量，电热鼓风干燥箱为红枣干燥，阿贝折射仪检测红枣糖度。

红枣的光谱采集及模型的建立选用聚光科技便携式光栅扫描光谱仪。

本课题实验目的：1）建立用近红外光谱预测南疆红枣水分和糖度的校正模型。

2）通过验证组对近红外光谱校正模型预测南疆红枣含水量和糖分的验证。

3）检查方法的适用性，对南疆红枣含水量和糖分的测定。

关键词：近红外光谱；红枣；水分；品质检测；糖度AbstractRed jujube is a specialty of southern xinjiang fruit, is also one of the main export fruit. At present, the xinjiang red jujube grading only stay on external traits, such as size, shape, appearance, red jujube in the internal quality is not involved, thus greatly affect the southern xinjiang red jujube in the international market competitiveness. Actually, red jujube inner quality is more important than its external quality, internal quality including water, sugar, etc. Red jujube inner qualities such as moisture content with the traditional drying method to detect timeconsuming, laborious sugar chemical detection method is required to destroy red jujube, long measurement cycle and cost a lot of human faults. Therefore a rapid, simple, nondestructive jujube research internal quality testing technology is very necessary, near infrared spectroscopy to detect red jujube water, sugar, simple, rapid and nondestructive.This topic choice NongYiShi ten jujube as test sample, red jujube water and sugar model, explore the near infrared hyperspectral technology in southern xinjiang red jujube quality detection system of the application and research.200 red jujube were selected as the correction model group in the establishment of a water and sugar, in addition to select 20 red jujube as model validation group. Experiment choose precision electronic balance according to the red jujube weight, electric drum wind drying oven to dry jujube, jujube sugar abbe refractometer detection. Red spectral acquisition and model selection of condensing portable raster scan spectrograph of science and technology.This topic experimental objective:1) establish predicted using near infrared spectroscopy calibration models of the xinjiang red jujube water and sugar.2) through the validation group for nir calibration models predict validation of southern xinjiang red jujube water and sugar.3) check the applicability of the method, and the determination of sugars in nanjiang red jujube water content.Key words: near infrared spectrum; Red jujube;water; Quality inspection; sugar目录1 前言 (1)1.1 红枣在南疆地区产业发展现状及发展优势分析 (1)1.2 南疆地区红枣产业发展存在的问题 (1)1.3 研究目的和意义 (1)1.4 国内研究现状及分析应用 (2)1.5 国外研究现状及分析 (3)2 近红外光谱分析技术在果品品质检测中的应用 (3)2.1 近红外光谱分析技术概述 (3)2.2 近红外光谱分析技术在果品品质检测中的应用 (4)2.2.1 糖度、酸度、硬度分析 (4)2.2.2 维生素 C 含量分析 (5)2.2.3 病变分析 (5)2.3 近红外光谱分析技术在果品品质检测中的存在问题 (5)3 实验仪器和实验方法 (5)3.1 实验材料与仪器 (5)3.2 实验步骤 (5)3.2.1 对红枣进行选取 (6)3.2.2 红枣光谱采集 (6)3.2.3 用电子天平称取红枣重量 (7)3.2.4 红枣烘干 (7)3.2.5 用化学方法测糖度 (8)3.2.6 建立校正模型 (9)3.2.7 选取最佳波长 (16)3.2.8 模型的验证 (18)4 实验结果与分析 (21)5 结论 (21)总结 (22)致谢 (23)参考文献 (24)附录 (26)1 前言1.1 红枣在南疆地区产业发展现状及发展优势分析近些年，红枣产业发展较快，20世纪 80 年代，自治区规划南疆的疏附、洛浦、泽普三县为红枣基地，90 年代末，巴州若羌县从河南新郑调入 50万株枣苗，进行推广栽培，期间成效显著，到 2006 年为止，已陆续引进骏枣、灰枣、冬枣、赞皇大枣和金丝小枣等 20 多个品种，1300 万多株，栽培面积 8000hm 2，在若羌县的带动下，温宿、沙雅、巴楚、民丰和洛浦等县及生产建设兵团也开始大力发展红枣栽培，目前南疆红枣栽培面积已达 30 万hm 2，是世界最大的红枣生产基地。

典型经济水果近红外漫反射无损检测及其光谱数据分析

典型经济水果近红外漫反射无损检测及其光谱数据分析作者：谭保华肖腾飞刘琼磊李根黄程旭李刚来源：《湖北农业科学》2020年第12期摘要：采用近红外漫反射检测方法，设计了水果含糖量的近红外检测系统，以典型经济水果鲜枣和香蕉为样本，研究了水果整体样本光谱图与切片样本光谱图，分析了光谱图的差异性。

结果表明，近红外漫反射检测方法可以有效实现水果样本的无损检测，反映水果样本的内部含糖量情况信息。

关键词：近红外漫反射;无损检测;光谱差异;水果含糖量中图分类号：S3文献标识码：A文章编号：0439-8114（ 2020）12-0154-05DOI：10.1408 8/j .cnki.issn0439-8114.2020.12.034开放科学（资源服务）标识码（OSID）：中国是水果的生产大国，水果产业已经成为农民增收的重要产业，在国民经济中占有举足轻重的地位[1]。

香蕉和鲜枣是中国具有代表性的重要经济水果。

现代研究结果显示，香蕉富含糖、膳食纤维及多种氨基酸和维生素，同时脂肪和胆固醇含量很低。

枣果营养丰富，含糖量、蛋白质、脂肪、铁、磷、钙等物质含量高，具有很高的营养价值和食疗功能。

香蕉是目前世界上贸易量最大的水果之一;近年来，鲜枣产量增长迅猛，已经成为中国新兴的主要经济水果之一[1，2]。

水果在生长、采摘过程中会受到霉菌、病虫害以及机械损伤，不仅使其本身的品质口感受损，而且对人体产生不利影响[3]。

而在运输中水果的损失率高达20%，严重影响水果产业的经济效益。

因此，无论是在采摘、运输过程中还是在货架期，水果的品质检测也是十分重要的。

水果一般都比較娇嫩，常规的检测手段及方法很容易对其外观或品质产生破坏，导致其外观或品质下降而造成经济损失，因此，对于水果的无损检测技术研究方兴未艾，是水果农业至关重要的技术研究热点问题[4]。

近红外光谱技术作为一种快速、无损、高效的检测方法，可以用于所有与含氢基团相关样品的物理、化学性质方面的分析，也可以快速实现特定成分的定性或定量分析。

基于近红外光谱预测南疆红枣品质的模型建立与参数优化

王亚运 1，陈
2
摘要：南疆地区的自然气候条件极其适合红枣的糖度积聚，再加上光热效果良好，让南疆地区的红枣在销售上广受赞誉。不过也正是因为销售渠道的拓宽，部分地区南疆红枣在入场销售之前需要提供红枣糖度分析报告，传统的检测方式虽然较为细致，但是并不能满足已经实现量产的南疆红枣成批次的完成品质检测，文章就结合实际情况对基于近红外光谱预测南疆红枣品质的模型建立与参数优化进行简析。关键词：近红外光谱南疆红枣品质；参数优化量因素也进行了进一步的优化，在完成光谱采集之后进行光谱测量的过程中同步进行了扩充更新，特别是因为近红外光子对于近红外光谱吸收起到关键性的作用，因此在近红外光源的输出设定上严格按照相关的技术参数做了修正和研判，将近红外的光谱波长严格控制在 780~2526 （波数 12820~3959cm）范围内（如表 1 所示）。表 1 光谱分析仪的主要性能参数实测数据性能参数波长范围波长准确度波长重复性光谱分辨率杂散光吸光度线性斜率波长温漂吸光度噪声仪器尺寸仪器重量电池持续电力 2.1 光谱采集由于是实验室数据分析研究，为了确保南疆红枣品质检测的精准性，以及研判近红外光谱分析方式对于红枣相关品质的排他性，所以其样本进行光谱采集的过程中，基本上要求样本处于稳定状态之后再进行数据分析。光谱采集前，先做好相关的准备工作：一是将 100 枚检测样本放入室内环境中 12h 以上，期间测量室内相对湿度为 40%~50%。采用漫反射方式采集光谱，以仪器内部空气为背景。谱区采集范围： 4000~10000cm-1；光谱分辨率： 4cm-1。由于南疆红枣样本个体
基金项目：国家自然科学基金项目（11464039）。作者简介：王亚运（1990-），男，硕士硕士生，主要研究方向：农产品无损检测。通讯作者：罗华平，主要研究方向：农产品无损检测。

基于近红外光谱在线检测干燥过程脱水量的标定建模方法[发明专利]

专利名称：基于近红外光谱在线检测干燥过程脱水量的标定建模方法
专利类型：发明专利
发明人：刘涛,穆国庆,仲崇权,夏浩,孟庆伟,朱理
申请号：CN202011368412.2
申请日：20201130
公开号：CN112508070A
公开日：
20210316
专利内容由知识产权出版社提供
摘要：本发明属于工业过程检测领域，公开了基于近红外光谱在线检测干燥过程脱水量的标定建模方法。

本发明是利用配有漫反射式探头的近红外光谱分析仪，搭建流化床干燥过程在线监测实验平台，从而实时原位测量流化床干燥过程水分含量的近红外光谱数据。

首先对光谱数据和参考数据进行采集，其次对测量到的近红外光谱数据进行预处理操作，然后利用有标签和无标签的光谱数据建立半监督变分偏最小二乘模型，以此来构建标定模型，并使用变分推断的方法对模型参数进行估计，最后，通过外部实验验证建立模型的有效性，由此实时测量干燥过程的水分含量。

本发明能够达到自动快速检测流化床的水分含量，便于实际工业应用和推广。

申请人：大连理工大学
地址：116024 辽宁省大连市甘井子区凌工路2号
国籍：CN
代理机构：大连理工大学专利中心
代理人：陈玲玉
更多信息请下载全文后查看。

3种不同红枣水分检测方法的比较

3种不同红枣水分检测方法的比较作者：彭云发罗华平王丽詹映胡晓男罗雪宁来源：《江苏农业科学》2016年第01期摘要：针对新疆南疆地区红枣的水分检测，选用烘干减质量法、卤素测定仪法和近红外光谱法对红枣水分进行检测，分析不同方法测定过程中的优缺点，并将进行结果数理统计分析。

结果表明，卤素测定仪法较另外2种方法所测的结果偏低约0.72百分点（5.38%），近红外光谱法与烘干减质量法测定的结果没有显著差异。

关键词：红枣；含水率；近红外光谱中图分类号：S665.101；0657.34 文献标志码：A 文章编号：1002—1302（2016）01—0308—03枣为鼠李科枣属植物，原产于中国，已有4000多年的栽培历史。

红枣不仅味道鲜美、营养丰富，而且具有独特的药用价值。

红枣是新疆南疆地区重要的经济作物，由于其呼吸作用旺盛，且富含多种营养物质和微量元素，贮藏或者加工过程中易发生变质。

在评定红枣品质、选择贮藏条件和加工方式时，水分是必须测量的重要质量指标。

新鲜红枣的含水率因品种、产地和栽培管理的不同有很大的差异，采收后的红枣随贮藏条件和时间的变化表现不同水分的散失率，因此参照固定值作为红枣含水率无法满足生产过程工艺参数的要求，并且红枣的含水率决定其口感，通常认为含水率在20%左右的红枣口感最佳，只有准确测量其含水率，才能合理评定红枣品质，优化选择贮藏条件和加工方式，提高产品质量和经济效益。

目前最常用的红枣水分测定方法是烘干减质量法（包括烘箱法、红外线烘干法）和电子水分仪速测法（包括电阻式、电容式和微波式水分速测仪）。

现在红枣水分检测主要采用传统的烘干法，即对样品进行切片、称量、烘烤、再称量等处理后计算红枣的含水率，新疆南疆地区多数红枣加工厂加工红枣时对其水分测定大多采用卤素水分测定仪法，这些方法需要破坏样品，且检测时间较长，只能实现抽样检测。

研究一种快速无损检测红枣含水率的技术，实现大批量、规模化生产的在线检测，对于减少红枣采后损失，提高产业经济效益具有重要意义。

基于近红外光谱与PLS-DA的红枣品种识别研究

４．南疆农业信息化研究中心，新疆阿拉尔８４３３００）
摘要：新疆红枣品种繁多，采后红枣在加工过程中需要将其他品种的红枣挑选出，本研究应用近红外光谱分析技术
结合偏最小二乘判别分析（ＰＬＳ — ＤＡ）法对新疆红枣品种进行判别。结果表明，采用一阶导数对原始光谱进行预处理，并使用方差分析法选择波长变量结合ＰＬＳ — ＤＡ方法对校正样本建立判别分析模型，其验证集预测结果与实际分类结
３．ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｉｎｒｇ，Ａｌａｒ８４３３００，Ｃｈｉｎａ；
４．ＡｇｒｉｃｕｌｔｕｒａｌＩｎｆｏｒｍａｔｉｏｎＲｅｓｅａｒｃｈＣｅｎｔｅｒｉｎＳｏｕｔｈｅｒｎＲｅｇｉｏｎｏｆＸｉｎｊｉａｎｇ，Ａｌａｒ８４３３００，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：ＴｈｅｒｅａｒｅａｖａｒｉｅｔｙｏｆｊｕｊｕｂｅｓｉｎＸｉ￣ａｎｇ．Ｉｔ ’ Ｓｎｅｃｅｓｓａｒｙｔｏｐｉｃｋｏｕｔｏｔｈｅｒｖａｒｉｅｔｉｅｓｏｆｊ￣ｕｂｅｓｉｎｊｕｊｕｂｅｐｒｏｃｅｓｓｉｎｇ．Ｔｈｉｓｒｅｓｅａｒｃｈｗａｓｃｏｎｄｕｃｔｅｄｔｏａｔｔｅｍｐｔｔｏｄｉｓｃｒｉｍｉｎａｔｅｊｕｊｕｂｅｖａｒｉｅｔｉｅｓｂｙｔｈｅｍｅｔｈｏｄｔｈａｔｎｅａｒ－ｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙｃｏｍｂｉｎｅｄｗｉｔｈｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｄｉｓｃｒｉｍｉｎａｎｔａｎａｌｙｓｉｓ（ＰＬＳ — ＤＡ）ｍｅｔｈｏｄ．Ｔｈｅｄｉｓｃｒｉｍｉｎａｔｏｒｙａｎａｌｙｓｉｓｍｏｄｅｌｓｏｆｊｕｊｕｂｅｖａｒｉｅｔｉｅｓｗａｓ

水果内部品质近红外光谱无损检测研究进展

例如苹果的可溶性固形物质量分数约占１１％～１５％，总糖质量分数约为９％～１４％。苹果的糖而言预测难度增大。苹果的密度为０．８３５～
ｇ／ｃｍ３，轻于水，这有利于光的透射。果品的
生理病害也是果品品质评价的重要指标。例如采集光谱首先要考虑光源种类、透反射方式、波近红外光源布置形式有单光源、多光源之分，常光谱通过漫反射或透射或漫透射方式进行采
对于苹果而言，可通过二种方式消除因成分分布不均产生的影响：１）漫反射光谱与苹果表面糖度。沿赤道分别相隔９０。测量４个点的漫反射光谱和Ｂｒｉｘ值，然后取平均进行建模；２）漫反射光谱与苹果整体糖度；３）透射光谱或漫透射与苹果整体糖度。甜瓜则取果底（花痕）处的漫透射光谱和果肉糖度进行相关分析。桃则常采集与缝合线成９０。部位的反射光谱与糖度值代表桃的整体。４．２水果温度与光谱处理
ｆｒｕｉｔ；ｉｎｔｅｒｉｏｒｑｕａｌｉｔｙ
１引言小型果实向西瓜等厚皮大型果实迈进。通过近红外
自从１９８５年农业部的Ｂｉｒｔｈ课题组用近光谱分析技术实现了品牌经营，提高了果品的竞争红外（ＮＩＲ）光谱分析技术检测果蔬品质以来，经过力和附加值。
２０多年的发展，社会认知程度不断提高，检测技术国内在８６３，科技攻关，科技支撑，国家自然科层出不穷，检测理沦日趋成熟，检测仪器早已从实验学等项目的支持和市场引导下，已有数个高等室走出，实际应用逐步扩大，并由在线检测向便携式院校、科研院所以及部分企业相继开展了相关研发发展，检测目标有从产后管理向产中管理延伸趋势；工作。毕卫红、傅霞萍等ｎ￣３１已就此专题分别撰写检测项目由当初的单一糖度（ＳＳＣ）指标到如今的苹了综述论文，在应义斌、刘燕德等［４’５１无损检测综述果等果实内部褐变、水心、淀粉、浅层损伤，柑橘局部论文中也涵盖了这部分内容，众多学者也进行了专失水、浮皮等多项同时检测；检测品种由桃等薄皮中项研究，近红外技术越来越倍受世人关注。

基于近红外光谱无损检测的水果品质定量分析与预测

基于近红外光谱无损检测的水果品质定量分析与预测马毅;汪西原【摘要】针对近红外光谱原理、检测技术及特点,利用近红外光谱检测漫反射技术在水果品质检测方法上的定量分析进行了深入系统研究.在光谱数据预处理上平滑和导数法最常见.建立模型以偏最小二乘法较常见.以遗传算法结合偏最小二乘法、小波分析结合偏最小二乘法等为代表的建模方法,其测量精度有所提高.模型优劣评价指标主要以相关系数(R)、校正集标准偏差(RMSEC)和预测集标准偏差(RMSEP)等参数决定.最后对相关研究进行展望.【期刊名称】《农业科学研究》【年(卷),期】2010(031)003【总页数】5页(P16-20)【关键词】近红外光谱;无损检测;水果;定量分析;漫反射;偏最小二乘法【作者】马毅;汪西原【作者单位】宁夏大学,物理电气信息学院,宁夏,银川,750021;宁夏大学,物理电气信息学院,宁夏,银川,750021【正文语种】中文【中图分类】O657水果品质检测技术多年来一直是农业工程领域的重要研究课题.随着计算机技术的迅速发展以及化学计量学方法研究的日益深入,近红外光谱技术在农产品品质检测领域得到较快发展.可溶性固形物含量、糖度、酸度和硬度等是评价果蔬品质的常规性状指标,对果蔬的定级和定价有着重要的影响[1].将近红外光谱技术应用于水果内部品质的检测,检测时间仅需数秒钟,而且可以同时检测多种成分,实现水果品质的快速分析,对水果分级、生产、加工质量控制具有十分重要的作用.本文就近红外光谱分析技术原理、特点及在水果定量检测方法上的应用做一些讨论.1 近红外光谱无损检测流程1.1 近红外光谱原理1800年近红外光谱区由 Herschel发现,是人类认识最早的非可见光光谱区[2].近红外光(Near Infrared,NIR)是介于可见光(VIS)和中红外光(MIR)之间的电磁波,按ASTM(美国试验和材料检测协会)定义是指波长为780～2526 nm(波数为12820～3959 cm-1)电磁波,近红外区划分为近红外短波(780～1100 nm)和近红外长波(1100～2526 nm)两个区域[3].由于NIR区的倍频和合频吸收弱,谱带复杂和重叠多,信息无法有效的分离和解析,限制了其应用.随着光学、电子技术、计算机技术和化学计量学的发展,多元信息处理的理论与技术得到发展,可以解决NIR谱区吸收弱和重叠的困难.有机物以及部分无机物分子中化学键结合的各种基团(如C=C,N=C,O=C,O=H,N=H)的运动(伸缩、振动、弯曲等)都有它固定的振动频率.当分子受到红外线照射时,被激发产生共振,同时光的能量一部分被吸收,测量其吸收光,可以得到极为复杂的图谱,这种图谱就表现为被测物质的特征.不同物质在近红外区域有丰富的吸收光谱,每种成分都有特定的吸收特征,这为近红外光谱定量分析提供了基础.1.2 近红外光谱无损检测技术、流程及特点目前常用的水果无损检测技术有:分光法检测技术(紫外光、可见光、近红外光)[4]、机器视觉检测技术、电磁特性检测技术、X线与激光分析法、力学特性检测技术、电子鼻与电子舌检测技术、超声波检测技术[5]、免疫学分析方法[6]等,其中应用最广泛、最成功的检测方法是光学方法.近红外光谱法是利用物质对光的吸收、散射、反射和透射等特性来确定其成分含量的一种非破坏性检测技术.近红外光谱检测水果样品中某种内部成分的具体过程为:①选择一定数量且具有代表性的水果样品(又称标准样品集).②用近红外光谱仪采集水果的近红外光谱.③用常规理化分析方法准确测定各个水果要预测的成分含量,并作为实测值.④应用化学计量学分析软件建立水果近红外光谱和成分分析值之间的数学模型.⑤利用已建立的定量数学模型对未知样品进行预测和精度分析.其流程见图1.图1 近红外光谱检测流程图近红外光谱技术用在水果品质检测上的优势是:①它属于非破坏性检测,可保留农产品完整外表而得其内在品质.②测试简单,无繁琐的前处理和化学反应过程.③测试速度快,大大缩短测试周期.④测试过程无污染,检测成本低.⑤近红外光谱包含了待测农产品的所有成分吸收信息,可同时检测多种内部成分.⑥对测试人员无专业化要求,且单人可完成多个化学指标的测试.⑦随模型中优秀数据的积累,模型不断优化,测试精度不断提高.⑧便于实现在线分析、远程控制.⑨测试范围可不断拓展.近红外光谱技术用在水果品质检测上的缺点和不足是:①近红外光谱容易受到样品温度、样品检测部位、样品状态以及检测参数等因素的影响,导致以系统误差为主的光谱信息存在差异性和光谱数据的不稳定性.因此,减少外界干扰,获得稳定光谱有待于研究.②目前研究中很少考虑水果的个体差异.同一品种水果由于产地、气候、采摘时间和储藏时间等条件不同,内部品质会有差异,这会导致水果对模型的适应性不同,模型对水果的预测度也有所不同.③近红外光谱技术依赖于采用化学计量学方法建立的数学模型,不同的建模方法存在差异.由于受使用条件、仪器稳定性等因素的影响,建立的数学模型的适应性也有所变化,而且每一种模型只能适应一定的时间和空间范围,因此需要不断对模型进行维护.2 近红外光谱水果品质无损检测方法与评价指标2.1 近红外光谱分析检测方法近红外光谱对水果分析可分为定量分析和定性分析,定性分析常用于水果的内部品质判别、浅层损伤、内部缺陷以及水果产地、品种鉴别等.定量分析一般用于评价水果内部成分含量,如糖度、酸度、硬度及维生素含量等.定量分析涉及光谱采集模式、光谱预处理、波段选择方法、建模方法和模型评价等[7].近红外光谱采集模式主要有反射、透射、漫反射等.(刘燕德等,2003)[8]研究了水果光特性检测原理及方法,并对三种不同检测方式进行了对比分析,结果表明,对于水果内部品质检测,最适宜用的方法是近红外漫反射光谱检测法.目前国内外水果光谱采集大多数使用漫反射光谱检测方式.光谱预处理方法有很多种,常见的有平滑、导数、标准归一化、傅立叶变换和小波变换[9]等.在波段选择方法上有相关系数法、遗传算法[10]、偏最小二乘法和独立分量分析法[11]等.建模方法常见的有多元线性回归(MLR)、偏最小二乘法(PLS)、主成分回归(PCR)、人工神经网络(ANN)[12]、支持向量机(SVM)[13]等.2.2 常见模型算法模型建立过程就是将通过预处理后的近红外光谱特征与水果有效含量数据进行关联,建立相关关系,建立模型以偏最小二乘(PLS)法最为常见,偏最小二乘法现已成为化学计量学中最有效的多变量校正方法,在化学测量及有关研究中得到广泛应用,它可以集多元线性回归分析、典型相关分析和主成分分析的基本功能为一体,将建模预测类型的数据分析方法与非模型式的数据认识性分析方法有机地结合起来,即:偏最小二乘回归≈多元线性回归分析十典型相关分析十主成分分析.其模型建立步骤可分为两步[14],具体如下:第一步,做矩阵分解,其模型为其中:T和U分别为X矩阵和Y矩阵的得分矩阵;P和Q分别为X矩阵和Y矩阵的载荷(主成分)矩阵;E和F分别为PLS模型拟合X和Y时所引进的误差.第二步,系数关联,将T和U作线性回归.令B为关联系数矩阵:U=TB,这里B=T′U(T′T)-1在预测时,由未知样品的矩阵X未知和校正得到的P校正求出未知样品X矩阵的T未知.然后得到利用PLS建模的优点是:①可以使用全光谱数据或部分光谱数据.②数据矩阵分解和回归交互结合为一步,得到的特征值向量与被测组分或性质相关,而不是与数据矩阵中变化最大的变量相关.③比较适用于小样本,多元数据分析.④可用于复杂的分析体系.其缺点是:①计算速度相对较慢,计算过程较繁,需要多次迭代.②模型建立过程复杂,较抽象,较难理解.2.3 模型评价指标评价建立后模型优劣指标一般常采用相关系数(R)、校正集标准偏差(RMSEC)和预测集标准偏差(RMSEP)[15].R越大,RMSEC和RMSEP越小,模型性能就越好.计算公式为式中:n为校正集样本数;N为预测集样本数;^yi为第i个样品的预测值;yi为第i个样品的参考值(真值);ym为校正集样本真值的平均值.RMSEC是衡量模型好坏的一个重要指标,RMSEP是衡量校正模型预测效果的重要指标.3 近红外光谱分析技术用于水果品质无损检测的研究3.1 苹果品质检测在对苹果的品质检测分析中,(Lammertyn et al,2001)[16] 、(Tsuyoshi etal,2002)[17] 、(Ying Yibin et al,2004)[18]、(刘燕德等,2005)[19]、(赵杰文等,2005)[20]、(王加华等,2008)[21]等人对苹果的糖酸度进行了近红外光谱检测分析.采用近红外漫反射采集方式采集数据,建立预测模型之前先进行光谱数据预处理,主要有平滑、导数、标准归一化和多元散射校正.平滑是去噪最常用的方法,以Savitzky-Golay卷积平滑法最为常见,但需要注意移动窗口及多项式次数的优化选择.导数可以有效地消除基线和其他背景所造成的干扰,但会引入噪声.建立模型的过程中以PLS算法最为常见,文献[21]中就PCR和PLS分别进行建立的模型进行了比较,结果以PLS所建立的模型最优.3.2 梨品质检测在对梨的品质检测分析中,(Liu Yande et al,2006)[22]、(刘燕德等,2006)[23]、(王加华等,2009)[24]、(潘璐等,2009)[25]等人对梨的糖酸度进行了近红外光谱检测分析.数据处理上大多采用平滑、导数、标准归一化和多元散射校正处理.文献[26]中对光谱进行了遗传算法波段优化,然后建立了遗传算法偏最小二乘法(GA-PLS)模型,建模结果为:R=0.966,RMSEC=0.469,RMSEP=0.797.将遗传算法用于波段选择,能更快达到最优解,有效提高测量精度,减少建模所用变量.3.3 其他水果品质检测除了对苹果和梨的研究之外,还有对橘子[26]、水蜜桃[27]、柑橘[28]、大白桃[29]和鲜枣[30]等水果进行近红外光谱分析检测.数据采集方式以漫反射为常见,对数据的预处理上采用平滑、导数、多元散射校正和小波变换等.多数以PLS建立模型,文献[12]还分别以偏最小二乘法结合遗传算法和人工神经网络(PLS-GA-BP)和偏最小二乘法结合BP神经网络(PLS-BP)建立模型进行相互比较,其结果PLS-GA-BP模型优于PLS-BP模型,其酸度和糖度的预测结果与测量值之间的相关系数和预测标准差分别为R=0.83699,RMSEP=0.109447;R=0.85409,RMSEP=0.60934.4 近红外光谱定量分析与传统测量部分水果品质比较近红外光谱分析技术应用在水果的定性与定量检测上有很明显的比较优势,见表1. 表1 苹果等水果糖度分析比较5 近红外光谱无损检测展望现代近红外光谱分析技术包括了近红外光谱仪、化学计量学软件和应用模型三部分.三者的有机结合才能满足快速分析的技术要求,缺一不可.近红外光谱分析的核心技术之一是光谱信息和组分之间建立函数关系及数学模型.在建立模型之前先要对光谱数据进行预处理,这样是为了去掉噪声等外界因素的干扰,从本文中可见平滑和导数是常见的去噪方法.小波变换由于降噪、消除基线漂移和满足局部性等优点,在数据预处理上有明显的优势,再结合遗传算法优化波段,剔除无用信息,这样建立的模型更优一些.建立模型时,PLS算法比较常见,这是因为PLS可以集多元线性回归、典型相关分析和主成分分析的基本功能为一体,其优点在本文中也提到.但是计算速度相对较慢,过程较繁,模型建立过程复杂、抽象和难理解等.最近也提到利用ANN和SVM算法来进行建模,在一些文章中也出现过,ANN能够很好解决抗干扰、抗噪声能力,ANN和SVM都能很好的解决非线性转换能力,但是学习时间都较长.6 结论本文就近红外光谱原理、检测流程、特点及水果定量检测上的应用进行了分析与探究,并就未来可能发展趋势进行了展望.近红外光谱分析技术具有快速、周期短、非破坏性,检测过程无污染、低成本及同时测定多种成分等特点,在很多领域得到广泛应用,随着算法的完善以及新的算法的提出,建立近红外光谱数据模型将会越来越优,精度也越来越高.从目前国内外研究进展情况来看,由于近红外光谱检测技术自身的许多优点,必将成为水果等无损检测中经济、有效且最具发展前景的分析技术之一. 参考文献:【相关文献】[1] 崔艳莉,冀晓磊,古丽菲娅,等.近红外光谱在果蔬品质无损检测中的研究进展[J].农产品加工:学刊,2007,(7):84-86.[2] 梁高峰,贾宏汝,谷运红,等.近红外光谱分析技术及其在农业研究中的应用[J].安徽农业科学,2007,35(29):9113-9115.[3] 李静,刘斌,岳田利,等.近红外光谱分析技术及其在食品中的应用[J].农产品加工:学刊,2007(3):44-47.[4] 应义斌,韩东海.农产品无损检测技术[M].北京:化学工业出版社,2005.[5] 刘燕德.无损智能检测技术及应用[M].武汉:华中科技大学出版社,2007.[6] 孙通,徐惠荣,应义斌.近红外光谱分析技术在农产品/食品品质在线无损检测中的应用研究进展[J].光谱学与光谱分析,2009,29(1):122-126.[7] 韩东海,王加华.水果内部品质近红外光谱无损检测研究进展[J].中国激光,2008,35(8):1123-1131.[8] 应义斌,刘燕德.水果内部品质光特性无损检测研究及应用[J].浙江大学学报:农业与生命科学版,2003,29(2):125-129.[9] 褚小立,袁洪福,陆婉珍.近红外分析中光谱预处理及波长选择方法进展与应用[J].化学进展,2004,29(4):528-541.[10] 陈斌,王豪,林松,等.基于相关系数法与遗传算法的啤酒酒精度近红外光谱分析[J].农业工程学报,2005,21(7):99-102.[11] 方利民,林敏.近红外光谱数据处理的独立分量分析方法研究[J].中国计量学院学报,2008,19(2):137-145.[12] 虞佳佳,何勇,鲍一丹.基于光谱技术的芒果糖度酸度无损检测方法研究[J].光谱学与光谱分析,2008,28(12):2839-2842.[13] 赵杰文,呼怀平,邹小波.支持向量机在苹果分类的近红外光谱模型中的应用[J].农业工程学报,2007,23(4):149-152.[14] 陆婉珍,袁洪福,徐广通,等.现代近红外光谱分析技术[M].北京:中国石化出版社,2000.[15] 夏俊芳,张战锋,王志山.番茄总糖含量的近红外光谱无损检测方法研究[J].食品科学,2009,6(30):171-174.[16] LAM MERTYN J,NICOLAI B,SM EDT D V,et al.Nonestructive measurement ofpH,soluble solids and firmness of Jonagold apples using NIRpectroscopy[J].Acta Horticulturae,2001(562):167-173.[17] TSUYOSHI T,KENKOH H,FUJITOSHI S.Measuring the Sugar Content of Apples and Apple Juice by Near Infrared Spectroscopy[J].OPTICAL REVIEW,2002,9(2):40-44.[18] YING YIBIN,LIU YANDE,FU XIAPING,et al.Effect of wavelet transform techniques upon the estimation of sugar content in apple with near-infraredspectroscopy[C].Nondestructive sensing for food safety,quality,and natural resources,2004,29-41.[19] 刘燕德,应义斌,傅霞萍.近红外漫反射用于检测苹果糖度及有效酸度的研究[J].光谱学与光谱分析,2005,25(11):51-54.[20] 赵杰文,张海东,刘木华.利用近红外漫反射光谱技术进行苹果糖度无损检测的研究[J].农业工程学报,2005,21(3):162-165.[21] 王加华,韩东海.基于遗传算法的苹果糖度近红外光谱分析[J].光谱学与光谱分析,2008,28(10):2308-2311.[22] LIU YANDE,YING YIBIN.Optical system for measurement ofinternal pearquality using near-infrared spectroscopy[J].Optical engineering,2005,44(7):1-5.[23] 刘燕德,应义斌,傅霞萍,等.一种近红外光谱水果内部品质自动检测系统[J].浙江大学学报:工学版,2006,40(1):53-56.[24] 王加华,潘璐,孙谦,等.遗传算法结合偏最小二乘法无损评价西洋梨糖度[J].光谱学与光谱分析,2009,29(3):678-681.[25] 潘璐,王加华,李鹏飞,等.砂梨糖度近红外光谱波段遗传算法优化[J].光谱学与光谱分析,2009,29(5):1246-1250.[26] SHAO YONGNI,HE YONG,BAO YIDAN.Nearinfrared spectroscopy for classification of oranges and prediction of the sugar content[J].International Journal of Food Properties,2009,12(3):644-658.[27] 刘燕德,应义斌.水蜜桃糖度和有效酸度的近红外光谱测定法[J].营养学报,2004,26(5):400-402.[28] 夏俊芳,李小昱,李培武,等.基于小波消噪柑橘内部品质近红外光谱的无损检测[J].华中农业大学学报,2007,26(1):120-123.[29] 马广,傅霞萍,周莹,等.大白桃糖度的近红外漫反射光谱无损检测试验研究[J].光谱学与光谱分析,2007,27(5):907-910.[30] 张淑娟,王凤花,张海红,等.鲜枣品种和可溶性固形物含量近红外光谱检测[J].农业机械学报,2009,40(4):139-142.[31] 李艳肖,邹小波,董英.用遗传区间偏最小二乘法建立苹果糖度近红外光谱模型[J].光谱学与光谱分析,2007,27(10):2001-2004.[32] 徐惠荣,汪辉君,黄康,等.PLS和 SMLR建模方法在水蜜桃糖度无损检测中的比较研究[J].光谱学与光谱分析,2008,28(11):2523-2526.。

基于光谱和水分补偿方法的鲜枣内部品质检测

基于光谱和水分补偿方法的鲜枣内部品质检测孙海霞;薛建新;张淑娟;刘蒋龙;赵旭婷【摘要】In order to establish a stable and reliable detection model to identify the quality of fresh jujube,the visible/near-infrared reflection spectroscopy techniques and the method of moisture compensation were used to detect the internal quality of fresh jujube.Moisturecontent(MC),soluble solid content(SSC),firmness,soluble proteincontent(PC)and vitamin C content(VC)were used as internal quality index of Huping Jujube,regression coefficient(RC)was applied to select effective wavelengths and least squares-support vector machines(LS-SVM)models were built based on the effective wavelengths,respectively.The results of the five RC-LS-SVM models were obtained with the determination coefficient of every prediction(R2P)of MC,SSC,PC,VC,firmness as 0.8595,0.884 0,0.867 1,0.909 9 and 0.826 1,respectively.The root mean square error of prediction(RMSEP)of MC,SSC,PC,VC,firmness were 1.243 1,1.005 3,3.324 9,0.479 8 and 0.056 7,respectively.Then,wavelengths overlapped with or closed to characteristic wavelengths of moisture content were removed from characteristic wavelengths of SSC,PC,VC andfirmness,respectively.Characteristic wavelengths of moisture content were composed of distinct moisture absorption peak on fresh jujube(960,1 200,1 400,1 780 and 1 900 nm)and characteristic wavelengths selected by RC of PLSR model of moisture content.Characteristic wavelengths after the moisture compensation of each index(SSC,PC,VC,firmness)was used tocarry out data fusion with moisture content of fresh jujube,moisture compensation LS-SVM model of each index(SSC,PC,VC,firmness)was built based on fused data,respectively.The results indicated that the model's accuracy of firmness was improved after moisture compensation,R2P and RMSEP were 0.830 5 and 0.055 3,respectively.The results also revealed that the model accuracy of SSC,VC and PC were reduced respectively after moisture compensation,R2P were 0.804 1,0.878 2 and 0.837 8,respectively and RMSEP were 1.347 3,0.638 0 and 3.503 2 respectively.Finally,the correlation relationship between the quality indexes was analyzed.The results indicated that an significant correlation relationship was revealed between moisture content and firmness in the 0.05 level,an extremely significant correlation relationship was revealed between moisture content and any of the other three indexes(SSC,PC,VC)in the 0.01 level.This research shows that prediction model based on the method of moisture compensation can be effective to realize evaluation of the internal comprehensive quality on Fresh Jujube.What's more,there is an interaction between moisture content and any of the other four indexes.Infact,prediction models based on the other quality indexes are affected by moisture content.This research provides a new method for the decoupling of interaction between the various internal quality indexes in the spectroscopy detection.%为了建立稳定可靠的鲜枣品质检测模型,利用光谱和水分补偿方法进行鲜枣内部品质的检测.首先,针对鲜枣各品质指标(水分含量、可溶性固形物含量、维生素C含量、蛋白质含量、硬度值),采用回归系数法(RC)提取特征波段并建立最小二乘支持向量机(LS-SVM)检测模型,预测集的决定系数(R2P)均在0.8261以上,预测均方根误差(RMSEP)均在3.324 9以下.在提取各项品质指标特征波段的基础上,剔除其他四项单一品质特征波段中与水分特征波段(包含利用RC法所提取到的水分特征波长和鲜枣中具有明显水分特征的吸收峰)重叠或接近的波段,并与鲜枣水分含量值进行数据融合建立了各项指标的水分补偿模型.结果表明,硬度值的水分补偿模型精度有一定提高,R2P和RMSEP分别为0.830 5和0.055 3;可溶性固形物含量、维生素C含量、蛋白质含量的水分补偿模型精度均有所下降,R2P分别为0.804 1,0.878 2和0.837 8,RMSEP分别为1.347 3,0.638 0和3.503 2.然后,分析各品质指标间的相关性,结果表明,水分含量在0.05水平上与硬度值呈现显著的相关性,在0.01的水平上与其余三项品质指标之间存在极显著的相关性,相关性强弱与水分补偿模型的建模结果相互支持.研究表明,水分补偿法所建的预测模型可用于鲜枣内部品质的检测,水分含量与其他四项品质指标之间有相互作用并影响其他品质指标所建立的预测模型.该研究为进一步探讨光谱检测中各内部品质指标间交互作用的解耦提供了新思路.【期刊名称】《光谱学与光谱分析》【年(卷),期】2017(037)008【总页数】6页(P2513-2518)【关键词】近红外光谱;水分补偿;内部品质;无损检测【作者】孙海霞;薛建新;张淑娟;刘蒋龙;赵旭婷【作者单位】山西农业大学工学院,山西太谷 030801;山西农业大学工学院,山西太谷 030801;山西农业大学工学院,山西太谷 030801;山西农业大学工学院,山西太谷 030801;山西农业大学工学院,山西太谷 030801【正文语种】中文【中图分类】S123由于近红外谱带极易受到分子不同物理性质(密度、大小等)和化学性质(温度、糖酸度等)的影响，近红外光谱技术广泛应用于农产品的品质检测中。

哈密大枣发酵特性研究

哈密大枣发酵特性研究
杨清香;葛亮;潘锋;孙来华
【期刊名称】《酿酒科技》
【年(卷),期】2010(000)005
【摘要】采用新疆特产哈密大枣为原料,安琪和丹宝利两种酵母茵作为发酵用菌种.考察发酵温度、初始糖度、菌种接种量、pH和发酵时间对发酵产酒精的影响,结果表明,丹宝利酵母菌效果优于安琪酵母.
【总页数】4页(P23-26)
【作者】杨清香;葛亮;潘锋;孙来华
【作者单位】新疆轻工职业技术学院,新疆乌鲁木齐830021;新疆轻工职业技术学院,新疆乌鲁木齐830021;新疆轻工职业技术学院,新疆乌鲁木齐830021;新疆轻工职业技术学院,新疆乌鲁木齐830021
【正文语种】中文
【中图分类】TS262.7;TS261.4
【相关文献】
1.植物防冻剂在哈密大枣上的应用研究 [J], 胡学林;何海娟;王建春;张伟;吴婷;朱婉婷;曹丽艳
2.新疆哈密大枣中cAMP提取工艺研究 [J], 陈恺;李瑾瑜;宋丹;张少堃;李焕荣
3.不同立地条件下哈密大枣果园营养特征及果实品质的研究 [J], 哈地尔·依沙克;木合塔尔·扎热;马合木提·阿不来提;史彦江;古丽米热·卡克什;吴正保
4.哈密大枣中环磷酸腺苷的分离纯化工艺研究 [J], 于佳佳; 陈恺
5.近红外光谱结合变量优选和GA-ELM模型的干制哈密大枣水分含量研究 [J], 王文霞; 马本学; 罗秀芝; 李小霞; 雷声渊; 李玉洁; 孙静涛
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于近红外光谱技术的干制哈密大枣水分含量无损检测
与模型优化研究
基于近红外光谱技术的干制哈密大枣水分含量无损检测与模型优化研究
近年来，随着农产品质量安全的日益引起人们的关注，食品质量检测技术也得到了广泛的关注与应用。

其中，基于近红外光谱技术的无损检测方法在食品质量检测中具有重要的应用前景。

在干制哈密大枣的生产中，水分含量是影响其品质的关键指标之一。

因此，通过开展本研究，旨在探索基于近红外光谱技术的干制哈密大枣水分含量无损检测与模型优化方法，提高产品的质量控制能力。

一、研究背景
哈密大枣作为具有丰富营养价值的干果之一，受到了广泛的关注。

在大规模生产的背景下，有效地监控产品质量是确保产品市场竞争力的关键因素。

而水分含量是哈密大枣质量的重要指标之一，对其品质和口感具有重要影响。

传统的水分含量检测方法通常依赖于化学分析或重量法，这些方法需要耗费较多的时间和人力，并且对样品进行破坏性操作。

然而，近红外光谱技术作为一种无损分析技术，具有非常好的前景。

近红外光谱技术可以通过测量样品在近红外波段的吸收、透射或反射光强来获取样品的化学信息，从而实现对水分含量的快速、无损检测。

二、研究目标
本研究旨在开展针对干制哈密大枣水分含量的无损检测研究，主要包括以下几个方面：
1. 收集干制哈密大枣样品并进行特征化。

选取不同水分
含量的哈密大枣样品，对其进行特征化分析，包括物理性质、化学成分等。

2. 采用近红外光谱技术对干制哈密大枣样品进行光谱扫描。

通过近红外光谱仪扫描不同水分含量的哈密大枣样品，获取样品在近红外波段的光谱信息。

3. 建立水分含量与近红外光谱之间的定量关系模型。

利
用多元统计分析方法，对近红外光谱数据进行预处理，并与样品真实水分含量值建立模型，从而实现对干制哈密大枣水分含量的无损预测。

4. 优化模型参数与算法。

通过比较不同预处理方法和建
模算法的效果，并利用交叉验证法对模型进行优化，提高预测模型的精确性和鲁棒性。

5. 对所建立的模型进行验证与应用。

在样品保持初步质
量的前提下，对新样本进行模型验证，并在实际生产中应用该模型进行无损检测。

三、研究方法与步骤
1. 样品的收集与特征化。

从不同产地和季节采集充分成
熟的哈密大枣样品，对样品的水分含量、物理性质和化学成分进行测定与特征化。

2. 近红外光谱扫描。

利用近红外光谱仪对哈密大枣样品
进行光谱扫描，获取近红外光谱数据。

3. 光谱数据处理与模型建立。

对所获得的光谱数据进行
预处理，如光谱校正、降噪等，利用多元统计分析方法与水分含量值建立预测模型。

4. 模型优化与验证。

采用不同的预处理方法和建模算法，通过交叉验证法对模型进行优化，并对新样本进行验证。

5. 模型应用与实际生产。

将所建立的预测模型应用于实
际生产中，进行样品的无损检测，提高产品的质量控制能力。

四、研究意义与展望
本研究的主要意义在于探索基于近红外光谱技术的干制哈密大枣水分含量无损检测与模型优化方法，并将其应用于实际生产中。

通过该研究，可以提高哈密大枣的质量控制能力，减少传统检测方法的耗时与成本，并且为其他农产品的无损检测以及质量控制提供参考。

然而，本研究仍然存在一些挑战。

首先，近红外光谱技术在实际应用中受到环境因素和样品变化的影响，需要进一步考虑如温度、湿度等因素对模型的影响。

其次，在模型建立过程中，需要更全面和准确地收集样品信息来建立更可靠性的模型。

未来，可以进一步研究如何进一步优化模型的预测性能，并集成其他传感技术和分析方法，以实现对农产品质量的全面、高效的检测和控制
本研究通过基于近红外光谱技术的干制哈密大枣水分含量无损检测与模型优化方法的探索，将其成功应用于实际生产中。

通过该研究，可以有效提高哈密大枣的质量控制能力，减少传统检测方法的耗时与成本。

同时，本研究的成果对其他农产品的无损检测和质量控制也具有一定的参考价值。

然而，本研究仍然面临一些挑战，如环境因素和样品变化的影响，模型预测性能的进一步优化等。

未来的研究可以进一步完善模型的建立和优化方法，同时整合其他传感技术和分析方法，以实现对农产品质量的全面、高效的检测和控制。