基于高光谱技术的水果品质无损检测研究

论文摘要

随着农业技术的发展以及人民生活水平的提高,市场上水果的品种越来越丰富,消费者对水果质量的要求也越来越高,然而人眼无法直观判断水果所属品种及其内部质量,这就需要借助一些检测方法。对水果品质进行检测的传统方法具有许多弊端,如破坏水果完整性、耗时较长,难以批量检测等,因此,亟需一种新的无损高效的检测方法对水果品质进行检测。高光谱技术通过对光谱信息的测量可在一定程度上反映被测样品内部的物理结构和化学成分的差异,具有波段范围宽、光谱分辨率高等优势,且不会对被测对象造成破坏、操作简单、分析成本低。本论文的研究对象为红枣和圣女果,它们都具有丰富的营养成分,受到广大消费者的喜爱。本论文的主要研究工作包括两个方面,分别利用高光谱技术对红枣品种进行鉴别和对圣女果可溶性固形物含量进行预测。主要研究内容及成果如下:（1）基于高光谱技术对金丝大枣、骏枣和滩枣三种新疆红枣的品种进行鉴别。首先,分别采集三种红枣样本的高光谱数据,利用随机抽样法（RS）、Kennard-Stone法（KS）、光谱-理化值共生距离法（SPXY）三种样本集划分方法来划分校正集和预测集,并建立基于支持向量机（SVM）的红枣品种鉴别模型,结果显示基于SPXY划分方法所划分的校正集更具有代表性。其次,研究多种预处理方法对建模的影响,分别对原始光谱利用多元散射校正（MSC）、标准正态变量变换（SNV）、一阶导（FD）、Savitzky-Golay（SG）平滑等多种数据预处理方法进行预处理,并采用SPXY样本划分方法划分校正集和预测集后,基于预处理后的全波段利用线性判别分析（LDA）、K-最近邻分类算法（KNN）、SVM等算法建立红枣品种鉴别模型,结果显示在多种预处理方法中一阶导的处理效果最好,基于一阶导预处理,得到LDA模型准确率为76.32%,KNN和SVM模型准确率可以达到100%。此外,若将SNV和FD两种预处理方法相结合应用于LDA模型,其准确率可提高至84.21%。然后,结合主成分分析（PCA）、连续投影算法（SPA）、竞争性自适应重加权算法（CARS）三种特征提取方法对全波段光谱提取特征波段,提取的特征波段数分别为10、13、275;再基于特征波段建立红枣品种鉴别模型,并与全波段所建模型进行比较分析,发现基于全波段所建模型的准确率要高于基于特征波段所建模型,在几种特征提取方法中CARS方法可以取得较好的效果,使得LDA模型、KNN模型和SVM模型的准确率分别为89.91%、98.68%和98.25%。最后,以SVM模型为例对建模运行时间进行了比较,基于全波段建立SVM模型所需时间为1.497 s,远大于基于特征波长建模所用时间（PCA、SPA、CARS分别为0.026 s、0.032 s、0.167 s）。（2）基于高光谱技术对圣女果可溶性固形物含量进行检测。首先,采集圣女果样本的高光谱数据并测量对应的可溶性固形物含量,利用RS、KS、SPXY三种样本划分方法划分校正集和预测集并根据偏最小二乘回归（PLSR）法建模结果分析,最终确定利用SPXY划分方法对样本集进行划分。其次,对多种预处理方法对建模的影响进行了研究,分别对原始光谱利用多种数据预处理方法（MSC、SNV、FD、SG平滑）进行预处理,采用SPXY样本划分方法对样本集进行划分,基于全波段利用主成分回归法（PCR）、PLSR、支持向量机回归法（SVR）等算法建立圣女果可溶性固形物含量预测模型,结果显示在PCR和PLSR模型中MSC具有较好的效果,在SVR模型中SNV效果最佳。最后,结合PCA、SPA、CARS对全波段光谱提取特征波段,基于特征波段建立圣女果可溶性固形物含量预测模型,并与全波段所建模型进行比较分析,结果显示在PCR模型中,PCA提取的特征波段所建立的PCR预测模型的性能最佳,PLSR和SVR模型中基于CARS提取的特征波段建立的预测模型效果最佳。

论文目录

文章来源

类型: 硕士论文

作者: 李梦珠

导师: 刘立新

关键词: 高光谱技术,水果品质,无损检测,品种,可溶性固形物含量

来源: 西安电子科技大学

年度: 2019

分类: 基础科学,农业科技

专业: 物理学,园艺

单位: 西安电子科技大学

基金: 光电子器件与系统教育部,广东省重点实验室开放课题

分类号: S66;O433.5

DOI: 10.27389/d.cnki.gxadu.2019.001251

总页数: 76

文件大小: 10337K

下载量: 263

相关论文文献

• [1].高光谱技术——生态学领域研究的新方法[J]. 植物科学学报 2015(05)
• [2].带你探秘高光谱技术世界[J]. 农家书屋 2017(04)
• [3].热红外高光谱技术在地质找矿中的应用综述[J]. 地质学报 2020(08)
• [4].高光谱技术在农业遥感中的应用研究进展[J]. 农业工程学报 2008(07)
• [5].高光谱技术在血迹分类识别中的应用[J]. 太赫兹科学与电子信息学报 2019(03)
• [6].基于高光谱技术的土壤水分无损检测[J]. 科学技术创新 2019(35)
• [7].近红外和高光谱技术用于小麦籽粒蛋白含量预测探索[J]. 传感器与微系统 2013(02)
• [8].高光谱技术在烟草中的应用研究进展[J]. 作物研究 2015(01)
• [9].第五届高光谱技术及其应用研讨会[J]. 太赫兹科学与电子信息学报 2020(04)
• [10].基于高光谱技术检测全蛋粉掺假的研究[J]. 光谱学与光谱分析 2018(01)
• [11].基于可见光/近红外高光谱技术的窖泥总酸的分布[J]. 食品与发酵工业 2020(08)
• [12].基于高光谱技术的基质含水率快速测定方法[J]. 灌溉排水学报 2017(10)
• [13].高光谱技术在农作物冠层中的应用进展[J]. 绿色科技 2015(06)
• [14].基于高光谱技术的苹果损伤检测装置设计[J]. 种子科技 2018(03)
• [15].基于高光谱技术的籼稻霉变程度鉴别模型构建与优化[J]. 中国粮油学报 2017(11)
• [16].基于高光谱技术的牛肉-猪肉掺假检测[J]. 海南师范大学学报(自然科学版) 2015(03)
• [17].高光谱技术在茶叶品种检测中的应用[J]. 科技创新导报 2017(09)
• [18].基于高光谱技术对一幅清代画信息提取研究[J]. 文物保护与考古科学 2017(04)
• [19].高光谱技术在农业遥感中的应用[J]. 农业工程 2018(10)
• [20].高光谱技术在作物叶绿素含量检测中的应用研究进展[J]. 广东农业科学 2013(22)
• [21].高光谱技术在农业遥感中的应用研究进展[J]. 南方农机 2017(22)
• [22].基于高光谱技术的农作物常见病害监测研究[J]. 光谱学与光谱分析 2018(07)
• [23].高光谱技术结合CARS算法预测土壤水分含量[J]. 农业工程学报 2016(22)
• [24].基于高光谱技术和改进型区间随机蛙跳算法的番茄硬度检测[J]. 农业工程学报 2019(13)
• [25].高光谱技术检测农产品成熟度研究进展[J]. 湖北农业科学 2020(12)
• [26].高光谱技术在腊肉亚硝酸盐含量检测的应用[J]. 科技通报 2016(04)
• [27].基于高光谱技术的铁观音茶叶等级判别[J]. 食品科学 2014(22)
• [28].基于高光谱技术的烤烟成熟度判别研究[J]. 延边大学农学学报 2015(04)
• [29].基于高光谱技术反演大豆生理信息的特征波长提取方法研究[J]. 光谱学与光谱分析 2020(11)
• [30].基于冠层高光谱信息的水稻生长监测应用研究进展[J]. 江苏农业科学 2018(12)

标签：高光谱技术论文;  水果品质论文;  无损检测论文;  品种论文;  可溶性固形物含量论文;