本文選題：近紅外光譜 + 蕎麥�。� 參考：《昆明理工大學(xué)》2013年碩士論文

【摘要】：隨著人民生活水平的日益提高,人們不再滿足于食品的充足供應(yīng),越來越注重食物的功能性。不但在日常飲食過程中獲得營(yíng)養(yǎng),又要達(dá)到以日常飲食養(yǎng)生、祛病的目的。蕎麥應(yīng)時(shí)而生,現(xiàn)階段,蕎麥品質(zhì)優(yōu)劣主要通過主觀意識(shí)判別,缺乏科學(xué)高效的品質(zhì)檢測(cè)和分級(jí)技術(shù),所以難以快速客觀地鑒別蕎麥品質(zhì)和級(jí)別,導(dǎo)致各種蕎麥制品的品質(zhì)良莠不齊,難以打出優(yōu)質(zhì)蕎麥品牌。常規(guī)蕎麥品質(zhì)檢測(cè)方法快捷高效,但易受個(gè)人主觀因素影響,很難標(biāo)準(zhǔn)化。因此在日常生活中,需要快速、簡(jiǎn)單、準(zhǔn)確又易操作的蕎麥品質(zhì)檢測(cè)方法來改變蕎麥品質(zhì)檢測(cè)的落后情況。近紅外光譜技術(shù)(Near Infared Spectroscopy, NIR)具有分析速度快、多組分同時(shí)測(cè)定、無需預(yù)處理、非破壞性分析、遠(yuǎn)距測(cè)定、實(shí)時(shí)分析,低分析成本和操作簡(jiǎn)單等優(yōu)點(diǎn)。在農(nóng)產(chǎn)品品質(zhì)檢測(cè)中正快速替代常規(guī)檢測(cè)方法。采用近紅外光譜技術(shù)采集蕎麥光譜信息,研究蕎麥內(nèi)部化學(xué)特性與蕎麥品質(zhì)的相關(guān)關(guān)系,建立快速、準(zhǔn)確、簡(jiǎn)便和穩(wěn)定的蕎麥品質(zhì)評(píng)定方法,具有很好的理論研究意義和實(shí)際應(yīng)用價(jià)值。本論文開展了基于近紅外光譜技術(shù)蕎麥無損檢測(cè)方法研究。首先,使用近紅外光譜技術(shù)結(jié)合最小二乘法分別進(jìn)行蕎麥蛋白質(zhì)、淀粉和總黃酮含量預(yù)測(cè),基于MATLAB平臺(tái)下采用主成分分析和BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行蕎麥蛋白質(zhì)、淀粉和總黃酮含量預(yù)測(cè)；然后,采用近紅外光譜技術(shù)結(jié)合支持向量機(jī)算法對(duì)蕎麥光譜信息進(jìn)行品種鑒別；最后,基于中紅外光譜技術(shù)結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行蕎麥蛋白質(zhì)、淀粉和總黃酮含量預(yù)測(cè)。本論文的主要內(nèi)容和結(jié)論如下： (1)采用FieldSpec3光譜儀采集蕎麥光譜信息,使用平滑和多元散射校正兩種方法對(duì)光譜信息進(jìn)行預(yù)處理,采用近紅外光譜技術(shù)分別建立了蕎麥蛋白質(zhì)、淀粉和總黃酮含量線性和非線性預(yù)測(cè)模型。首先采用近紅外光譜技術(shù)結(jié)合最小二乘法分別建立蕎麥蛋白質(zhì)、淀粉和總黃酮含量預(yù)測(cè)模型,但預(yù)測(cè)集蕎麥蛋白質(zhì)、淀粉和總黃酮含量相關(guān)度均較低。然后,基于主成分分析進(jìn)行主成分?jǐn)?shù)提取,將提取主成分?jǐn)?shù)與蕎麥蛋白質(zhì)、淀粉和總黃酮含量作為BP神經(jīng)網(wǎng)絡(luò)的輸入和輸出變量分別建立蕎麥蛋白質(zhì)、淀粉和總黃酮含量預(yù)測(cè)模型并進(jìn)行預(yù)測(cè),得出蕎麥蛋白質(zhì)、淀粉和總黃酮含量相關(guān)度為0.718、0.761和0.911,相對(duì)誤差分別為7.82%、4.35%和8.26%。結(jié)論表明：采用近紅外光譜技術(shù)結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡(luò)分別建立蕎麥蛋白質(zhì)、淀粉和總黃酮含量預(yù)測(cè)模型,其中總黃酮相關(guān)度較高,能夠達(dá)到蕎麥總黃酮含量預(yù)測(cè)的目的,采用最小二乘法進(jìn)行蕎麥蛋白質(zhì)、淀粉和總黃酮含量預(yù)測(cè)是不可行的。 (2)采用近紅外光譜技術(shù)結(jié)合支持向量機(jī)算法對(duì)蕎麥光譜信息進(jìn)行品種鑒別中,在MATLAB平臺(tái)下采用LIBSVM軟件包對(duì)蕎麥光譜進(jìn)行品種鑒別,訓(xùn)練了7個(gè)支持向量機(jī),對(duì)8類不同產(chǎn)地蕎麥預(yù)測(cè)率平均達(dá)到92.5%。結(jié)論表明：采用近紅外光譜技術(shù)結(jié)合支持向量機(jī)算法對(duì)蕎麥光譜進(jìn)行品種鑒別是可行的。 (3)采用中紅外光譜技術(shù)結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡(luò)分別建立蕎麥蛋白質(zhì)、淀粉和總黃酮含量預(yù)測(cè)模型,結(jié)果表明：蕎麥蛋白質(zhì)、淀粉和總黃酮含量預(yù)測(cè)相關(guān)度分別是0.769、0.848和0.938,相對(duì)誤差分別是9.31%、4.53%和8.53%,其中淀粉和總黃酮預(yù)測(cè)率較高,能夠達(dá)到蕎麥淀粉和總黃酮含量預(yù)測(cè)的目的。相對(duì)于近紅外光譜技術(shù),中紅外光譜技術(shù)預(yù)測(cè)精度高于近紅外光譜技術(shù)預(yù)測(cè)精度,但中紅外光譜技術(shù)屬于有損檢測(cè),不利于實(shí)現(xiàn)農(nóng)產(chǎn)品快速檢測(cè)。 綜上所述,本論文系統(tǒng)討論了基于近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量法進(jìn)行蕎麥組分預(yù)測(cè)和品種鑒別。在蕎麥組分預(yù)測(cè)中,采用近紅外光譜技術(shù)結(jié)合最小二乘法和BP神經(jīng)網(wǎng)絡(luò)分別對(duì)蕎麥蛋白質(zhì)、淀粉和總黃酮含量進(jìn)行預(yù)測(cè)。在蕎麥品種鑒別中,采用近紅外光譜技術(shù)結(jié)合支持向量機(jī)算法對(duì)蕎麥光譜信息進(jìn)行品種鑒別,采用中紅外光譜技術(shù)結(jié)合主成分分析和BP神經(jīng)網(wǎng)絡(luò)分別對(duì)蕎麥蛋白質(zhì)、淀粉和總黃酮含量進(jìn)行預(yù)測(cè),旨在完善蕎麥近紅外光譜檢測(cè)方法,本項(xiàng)研究成果能為擁有自主知識(shí)產(chǎn)權(quán)蕎麥及其他產(chǎn)品內(nèi)在品質(zhì)檢測(cè)方法提供了基礎(chǔ)理論和方法借鑒,具有很好的理論研究意義和實(shí)際應(yīng)用價(jià)值。
[Abstract]:In order to improve the quality and quality of buckwheat , it is difficult to quickly and objectively identify the quality and grade of buckwheat , and it is difficult to standardize the quality and quality of buckwheat .
Then , using near - infrared spectroscopy combined with support vector machine algorithm to identify buckwheat spectral information ;
Finally , the content of buckwheat protein , starch and total flavonoids was predicted based on mid - infrared spectroscopy combined with principal component analysis and BP neural network . The main contents and conclusions of this thesis are as follows :

The content of buckwheat protein , starch and total flavone in buckwheat protein , starch and total flavonoids was predicted by near - infrared spectroscopy combined with the principal component analysis and BP neural network . The results showed that the correlation between the total flavonoids and total flavonoids was 0.718 , 0.761 and 0.911 , respectively . The relative error of buckwheat protein , starch and total flavonoids was 7.82 % , 4.35 % and 8.26 % respectively .

( 2 ) Using the near - infrared spectroscopy combined with the support vector machine algorithm to identify the buckwheat spectral information , using the LIBSVM software package to identify the buckwheat spectra under the MATLAB platform , seven support vector machines were trained , and the prediction rate of buckwheat in different regions of the eight categories reached 92.5 % . The conclusion shows that the identification of the buckwheat spectra by the near infrared spectroscopy combined with the support vector machine is feasible .

( 3 ) The prediction model of buckwheat protein , starch and total flavonoids was established by mid - infrared spectroscopy combined with principal component analysis and BP neural network . The results showed that the predictive correlation of buckwheat protein , starch and total flavonoids was 0 . 769 , 0 . 848 and 0 . 938 , respectively . The relative error was 9.31 % , 4.53 % and 8.53 % , respectively .

In conclusion , the content of buckwheat protein , starch and total flavone is predicted by near - infrared spectroscopy combined with least square method and BP neural network . In the identification of buckwheat variety , the content of buckwheat protein , starch and total flavone is predicted by using near infrared spectroscopy combined with support vector machine algorithm .

【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：S517

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周健;成浩;王麗鴛;;近紅外技術(shù)在茶葉上的研究進(jìn)展[J];茶葉科學(xué);2008年04期

2 向賢毅;溫志渝;;用于近紅外光譜儀的平場(chǎng)全息凹面光柵的模擬與設(shè)計(jì)[J];光譜學(xué)與光譜分析;2008年07期

3 侯卓成;楊寧;李俊英;徐桂云;;傅里葉變換近紅外反射用于雞蛋蛋品質(zhì)的研究[J];光譜學(xué)與光譜分析;2009年08期

4 蘇謙;鄔文錦;王紅武;王庫(kù);安冬;;基于近紅外光譜和仿生模式識(shí)別玉米品種快速鑒別方法[J];光譜學(xué)與光譜分析;2009年09期

5 馬冬紅;王錫昌;劉利平;劉源;;近紅外光譜技術(shù)在食品產(chǎn)地溯源中的研究進(jìn)展[J];光譜學(xué)與光譜分析;2011年04期

6 陳叢;盧啟鵬;彭忠琦;;基于NLMS自適應(yīng)濾波的近紅外光譜去噪處理方法研究[J];光學(xué)學(xué)報(bào);2012年05期

7 于占海;侯艷芳;;谷物干燥品質(zhì)的研究[J];干燥技術(shù)與設(shè)備;2009年01期

8 趙春暉;張q，

本文編號(hào)：1769539