我國(guó)的蘋果產(chǎn)量居于世界前列,但在世界蘋果出口格局中卻遠(yuǎn)低于歐美發(fā)達(dá)國(guó)家的地位。究其原因,我國(guó)蘋果產(chǎn)業(yè)的商品化程度低,商用處理模式落后。為了提升我國(guó)蘋果產(chǎn)業(yè)在世界上的市場(chǎng)競(jìng)爭(zhēng)力,滿足市場(chǎng)需求,我國(guó)蘋果產(chǎn)業(yè)的采后處理技術(shù)亟待提高。而采后處理的首要關(guān)注點(diǎn)在于產(chǎn)品的品質(zhì)檢測(cè),特別是可溶性固形物含量（SSC）又是產(chǎn)品品質(zhì)體系中的重點(diǎn)。近紅外光譜檢測(cè)技術(shù)是目前國(guó)際上最為主流的檢測(cè)方案之一,其優(yōu)勢(shì)在于檢測(cè)結(jié)果準(zhǔn)確穩(wěn)定、速度快、損耗低。因此,本文基于近紅外光譜技術(shù),研究蘋果SSC的預(yù)測(cè)方法。本文將采集到的蘋果近紅外光譜作為數(shù)據(jù)樣本。首先,需要對(duì)采集的樣本進(jìn)行數(shù)據(jù)處理:采用主成分分析—馬氏距離法（PCA-MD）根據(jù)閾值剔除數(shù)據(jù)中的異常樣本;采用Savitzky-Golay卷積平滑法對(duì)信號(hào)進(jìn)行濾波,去除光譜中噪聲;采用多元散射校正（MSC）對(duì)蘋果樣品光譜進(jìn)行基線校正處理。然后,為了提高預(yù)測(cè)模型的準(zhǔn)確率,需要對(duì)預(yù)處理后的光譜信息剔除無(wú)效波長(zhǎng)信息。本文分別采用連續(xù)投影算法（SPA）和遺傳算法（GA）實(shí)現(xiàn)波長(zhǎng)特征的篩選,提高模型預(yù)測(cè)精度和穩(wěn)定性,提取結(jié)果評(píng)價(jià)是基于相關(guān)系數(shù)和均方根誤差兩項(xiàng)指標(biāo)進(jìn)行衡量。經(jīng)分析發(fā)現(xiàn)... 

【文章來(lái)源】：濟(jì)南大學(xué)山東省

【文章頁(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

近紅外光譜檢測(cè)儀目前的檢測(cè)方式是依據(jù)其被檢測(cè)物的基礎(chǔ)物理特征進(jìn)行模塊的選擇和測(cè)量方式的選

糖度計(jì)

濟(jì)南大學(xué)碩士學(xué)位論文92.1.3蘋果近紅外光譜的定量分析近紅外光譜定量分析是對(duì)攜帶有物體內(nèi)部信息的紅外線進(jìn)行光譜分析，將其中的各項(xiàng)參數(shù)信息通過(guò)計(jì)算公式進(jìn)行解析和重組。再將經(jīng)過(guò)初步處理的數(shù)據(jù)利用合理的數(shù)學(xué)建模方式對(duì)樣品成分模型進(jìn)行設(shè)計(jì)。最后結(jié)合大量的實(shí)驗(yàn)數(shù)據(jù)對(duì)完成初步建模的數(shù)學(xué)模型進(jìn)行后期的更新和優(yōu)化，得到準(zhǔn)確率相對(duì)較高的參數(shù)預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)樣本組成成分的測(cè)量。本次實(shí)驗(yàn)的SSC值的測(cè)量預(yù)測(cè)就是選用近紅外光譜分析實(shí)現(xiàn)的。要保證近紅外定量分析結(jié)果的有效穩(wěn)定，就需要選擇合適的數(shù)學(xué)計(jì)量手段，校正模型是否有效，能否起到應(yīng)有的作用，決定了最后的測(cè)試結(jié)果。樣品品質(zhì)分析的實(shí)際操作過(guò)程就是依據(jù)檢測(cè)出的樣本光頻譜數(shù)據(jù)以及其其他相關(guān)參數(shù)進(jìn)行模型建立，最后實(shí)現(xiàn)數(shù)據(jù)預(yù)測(cè)的。具體方式如下：首先選擇大范圍的具有相當(dāng)程度代表性的樣本數(shù)據(jù)進(jìn)行分析，這樣得出的理論模型具有較好的泛化性。其次，測(cè)量方式要依據(jù)其樣本的類型和相關(guān)參數(shù)進(jìn)行選擇，并得出有效的樣本參數(shù)組合。通常我們測(cè)出的數(shù)據(jù)是包含有大量的多余信息的，因此，需要先進(jìn)行數(shù)據(jù)的預(yù)處理。我們一般采用平滑濾波或高低通濾波的手段實(shí)現(xiàn)信息的處理。將處理后的數(shù)據(jù)結(jié)合其他參數(shù)利用預(yù)先選擇好的數(shù)學(xué)建模方式進(jìn)行模型的建立。最后利用校正樣本進(jìn)行調(diào)整和完善，得出符合設(shè)計(jì)要求的數(shù)據(jù)模型。得出的穩(wěn)定模型具有很好的預(yù)測(cè)能力。常規(guī)的近紅外光譜分析技術(shù)流程如圖2-4所示。圖2-4近紅外光譜技術(shù)流程圖

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)遺傳算法的區(qū)間光譜特征波長(zhǎng)變量選擇方法[J]. 劉鑫,冒智康,張小鳴,李紹穩(wěn),金秀.  江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020(03)
[2]融合極端學(xué)習(xí)機(jī)的判別性分析字典學(xué)習(xí)算法[J]. 王軍浩,閆德勤,劉德山,邢鈺佳.  計(jì)算機(jī)科學(xué). 2020(05)
[3]土壤有機(jī)質(zhì)含量預(yù)測(cè)精度對(duì)光譜預(yù)處理和特征波段的響應(yīng)[J]. 徐麗華,謝德體.  江蘇農(nóng)業(yè)學(xué)報(bào). 2019(06)
[4]基于近紅外光譜技術(shù)和優(yōu)化預(yù)處理方法的不同品牌燕麥無(wú)損鑒別分析[J]. 李尚科,李跑,杜國(guó)榮,丁勝華,蔣立文,劉霞.  食品安全質(zhì)量檢測(cè)學(xué)報(bào). 2019(24)
[5]蘋果分級(jí)的研究現(xiàn)狀及進(jìn)展[J]. 孟祥寧,張紫涵,李揚(yáng),任龍龍,宋月鵬.  落葉果樹(shù). 2019(06)
[6]基于連續(xù)投影算法的小麥蛋白質(zhì)含量近紅外光譜預(yù)測(cè)分析[J]. 張津源,張德賢,張苗.  江蘇農(nóng)業(yè)學(xué)報(bào). 2019(04)
[7]蘋果無(wú)損檢測(cè)和品質(zhì)分級(jí)技術(shù)研究進(jìn)展及展望[J]. 曹玉棟,祁偉彥,李嫻,李哲敏.  智慧農(nóng)業(yè). 2019(03)
[8]我國(guó)蘋果出口現(xiàn)狀及未來(lái)趨勢(shì)[J]. 姚心省,楊杰.  中國(guó)果樹(shù). 2019(03)
[9]蘋果近紅外無(wú)損檢測(cè)實(shí)驗(yàn)研究[J]. 劉瓊磊,譚保華.  湖北工業(yè)大學(xué)學(xué)報(bào). 2017(04)
[10]采用二次連續(xù)投影法和BP人工神經(jīng)網(wǎng)絡(luò)的寒富蘋果病害高光譜圖像無(wú)損檢測(cè)[J]. 劉思伽,田有文,張芳,馮迪.  食品科學(xué). 2017(08)

博士論文
[1]基于高光譜成像蘋果外觀與內(nèi)部多指標(biāo)檢測(cè)研究[D]. 馮迪.沈陽(yáng)農(nóng)業(yè)大學(xué) 2017
[2]基于光譜和高光譜成像技術(shù)的海水魚品質(zhì)快速無(wú)損檢測(cè)[D]. 朱逢樂(lè).浙江大學(xué) 2014

碩士論文
[1]面向蘋果檢測(cè)的近紅外光譜信息處理技術(shù)研究[D]. 張寧.濟(jì)南大學(xué) 2019
[2]基于近紅外的蘋果可溶性固形物含量建模研究[D]. 李曉旭.濟(jì)南大學(xué) 2019
[3]應(yīng)用不同預(yù)處理方法建模測(cè)定土壤有機(jī)質(zhì)和總氮含量[D]. 焦德曉.山東大學(xué) 2019
[4]基于近紅外光譜的梨的可溶性固形物含量的無(wú)損檢測(cè)[D]. 路敏.蘭州大學(xué) 2019
[5]光譜預(yù)處理方法及其集成研究[D]. 第五鵬瑤.天津工業(yè)大學(xué) 2019
[6]極限學(xué)習(xí)機(jī)算法與應(yīng)用研究[D]. 王照錫.天津理工大學(xué) 2019
[7]基于D-S融合理論的高速列車轉(zhuǎn)向架故障診斷方法研究[D]. 朱菲.西南交通大學(xué) 2018
[8]基于紅外光譜的蘋果糖度檢測(cè)設(shè)計(jì)與實(shí)現(xiàn)[D]. 張猛.黑龍江大學(xué) 2017
[9]基于DS證據(jù)理論的多傳感器數(shù)據(jù)融合算法研究與應(yīng)用[D]. 王力.太原理工大學(xué) 2015
[10]基于可見(jiàn)/近紅外光譜的江西特色柑橘可溶性固形物檢測(cè)研究[D]. 許文麗.江西農(nóng)業(yè)大學(xué) 2014



本文編號(hào)：3472403