基于可见/近红外光谱和函数型线性回归模型的成熟期苹果可溶性固形物含量预测

可溶性固形物含量(SSC)是反映苹果品质和成熟度的重要指标,能够用于苹果品质分析和成熟度预测。以新疆阿克苏冰糖心红富士苹果为研究对象,从果实膨大定形期至完熟期,以3d等间隔周期采摘样本,采集其380~1110nm的可见/近红外光谱,测定其SSC,共552个样品。然后,利用基函数平滑方法将采集的可见/近红外光谱离散数据转化为光谱曲线,即函数型数据,并以可见/近红外光谱曲线、一阶导曲线、二阶导曲线为函数型解释变量,SSC为标量响应变量,分别建立函数型线性回归模型。为了验证和分析模型的性能,根据原始光谱离散数据,经过移动平滑、一阶导和二阶导预处理后,分别建立偏最小二乘回归(PLSR)、核支持向量机(KSVM)、随机森林(RF)、梯度提升树(GBM)和深度神经网络(DeepNN)。结果表明,在建立的18个模型中,针对训练集,PLSR-dNIR模型、KSVM-dNIR模型、RF-dNIR模型、GBM-dNIR模型和Deep NN-d2NIR模型都优于FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型,且Deep NN-dNIR模型最优(r_(c)=0.9996,R_(c)^(2)=0.9986,RMSEC=0.0740,RPDC=27.4366);针对测试集,FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型均优于其他所有模型,且FunLR-NIR模型最优(r_(v)=0.9534,R_(v)^(2)=0.9077,RMSEV=0.5856,RPDV=3.3017)。综合训练集和测试集的结果来看,核支持向量机模型、随机森林模型、梯度提升树模型和深度神经网络模型容易过拟合,而函数型线性回归模型具有更好的普适性。此外,从三个函数型线性回归模型(FunLR-NIR模型、FunLR-dNIR模型、FunLR-d2NIR模型)的预测效果看,模型均具有良好的鲁棒性和较高的预测精度。试验结果表明,结合可见/近红外光谱技术与函数型数据分析构建的函数型线性回归模型,可成功、有效地实现成熟期苹果的可溶性固形物含量预测。

基于近红外高光谱技术的杧果可溶性固形物含量无损检测

【目的】近红外高光谱成像技术(NIR-HSI)在水果内部品质的无损检测方面具有快速、准确和无损的特点。旨在利用NIR-HSI技术分析不同品种杧果的可溶性固形物含量,并探讨400~1000nm波段范围内的光谱差异和可溶性固形物含量的响应。【方法】选择贵妃杧果和台农1号杧果作为研究对象,使用NIR-HSI技术获取杧果样本的光谱数据。采用CARS-PLS模型分析可溶性固形物含量与各波段光谱反射率的相关系数。为了验证模型的性能,计算了建模R^(2)、斜率Slope、截距和RMSE等指标。【结果】得到CARS-PLS模型的性能指标:建模R^(2)为0.8806,斜率为0.8515,截距为12.208,RMSE为0.6366。这些指标表明该模型具有较高的建模拟合度和预测精度。【结论】应用NIR-HSI技术对杧果可溶性固形物含量进行检测具有可行性。为进一步研究不同水果可溶性固形物含量的高精度模型奠定了基础。通过NIR-HSI技术的应用,可以提供一种非破坏性且高效准确的方法,用于水果品质评估和检测。这对农产品质量控制和市场营销具有重要的意义。

基于反向传播神经网络和高光谱成像的芒果可溶性固形物含量检测

目的比较反向传播神经网络(backpropagation algorithm neural network,BPNN)模型与偏最小二乘回归(partial least squares regression,PLSR)模型在预测芒果可溶性固形物含量(soluble solids content,SSC)方面的性能。方法使用高光谱成像仪和全自动折光仪采集芒果的近红外高光谱及SSC数据,建立两种预测模型,采用多元散射校正(multiplicative scatter correction,MSC)进行光谱预处理,利用遗传算法(genetic algorithm,GA)、区间变量迭代空间收缩算法(interval variable iterative space shrinkage algorithms,IVISSA)和变量组合群体分析算法(variable combination population analysis,VCPA)提取特征波长变量,通过比较不同特征波长提取方法进一步优化对比预测模型。结果与PLSR模型相比,BPNN模型在预测SSC方面更为有效。而在IVISSA特征波长变量提取后优化的BPNN模型预测能力最佳,预测集判定系数R_(p)^(2)、均方根误差(root mean square error of prediction,RMSEP)、残差预测偏差(residual prediction deviation,RPD)分别为0.8641、0.3924和2.7127。结论该模型可快速、准确地检测芒果的SSC,并证明可见光-近红外高光谱成像与反向传播神经网络模型相结合有望预测芒果的SSC,为开发在线芒果SSC无损检测系统奠定基础。

不同可溶性固形物含量玉露香梨冷藏期抗氧化能力的变化

基于不同可溶性固形物含量(soluble solid content,SSC)玉露香梨冷藏过程中果心酚类物质含量及抗氧性的变化,探讨玉露香梨中长期贮藏品质的控制方法。利用近红外水果无损检测仪构建的模型分选出3组不同SSC的玉露香梨,置于0℃下贮藏,分析果实品质、果心酚类物质及抗氧化能力等相关指标的变化。结果表明:Ⅰ组(SSC<11.0%)的玉露香梨采后果心绿原酸、熊果苷含量较其他2组高,冷藏后期抗氧化能力较低,果心褐变指数较Ⅱ组(SSC:11.0%~13.0%)和Ⅲ组(SSC>13.0%)的玉露香梨高。冷藏240 d,Ⅱ组的玉露香梨果实硬度、可滴定酸含量较高,可延缓过氧化物酶活性的下降及过氧化氢酶活性峰值的出现;DPPH自由基清除率及铁离子还原能力较高,可延缓氧化的过程。综上,可溶性固形物含量为11.0%~13.0%的玉露香梨在冷藏中保持较好的果实品质及抗氧化性,果心褐变程度低,可作为中长期冷藏玉露香梨参考的采收品质指标之一。

西瓜可溶性固形物含量近红外透射检测技术

设计的近红外透射式西瓜可溶性固形物含量(SSC)检测系统主要包括光纤光谱仪、光纤透射附件、数据采集卡以及自制光源。对50个麒麟瓜SSC进行了预测试验,采用主成分回归和偏最小二乘回归法分别建立了样品的原始光谱、一阶微分光谱、二阶微分光谱和SSC的预测模型,结果表明偏最小二乘回归法建立的模型具有较高的相关性,相关系数为0.951,均方根校正误差0.347,均方根预测误差0.302,样本真实值与预测值的相关系数为0.910。

果品蔬菜冰点同可溶性固形物含量关系的研究

果实可溶性固形物含量测定方法简单 ,冰点测定方法复杂 ,将果实可溶性固形物含量同冰点的关系建立起回归模型 ,可以根据可溶性固形物含量快速估算出冰点 ,对于果品蔬菜的冷藏和冷冻加工具有重要意义。利用T型热电偶、HP34970A数据采集仪和计算机联用 ,测定了 2 4个品种果品蔬菜活组织的冰点温度以及鸭梨汁、葡萄汁和番茄汁的冰点温度 ,利用PR - 10 1型折光仪测定了果实可溶性固形物的含量。结果表明 ,果实可溶性固形物含量和冰点温度呈高度相关 ,其回归方程为Y =- 0 .16 7X - 0 .5 6 6。 2 4个品种果品蔬菜活组织均有典型的冰点曲线。马奶葡萄比马奶葡萄汁的冰点温度低 1.2℃。

基于介电频谱的采后苹果可溶性固形物含量无损检测

根据10-4 500 MHz间采后21周贮藏期间无损富士苹果介电参数的频谱特性,建立了苹果可溶性固形物含量的支持向量回归(SVR)预测模型和BP网络预测模型;并综合比较了采用原始频谱(FF)、主成分分析(PCA)和连续投影算法(SPA)优选频率对模型预测效果的影响。研究结果表明,PCA-SVR建模效果最好,其预测相关系数为0.883,均方根误差为0.552,PCA-BP的建模效果较PCA-SVR稍差。并且发现经SPA处理后的数据建立的模型,均方根误差普遍较小;经PCA处理后的数据建立的模型,预测相关系数普遍较高。

可见/近红外光谱的南丰蜜桔可溶性固形物含量定量分析

基于可见／近红外漫反射光谱定量分析技术对南丰蜜桔的可溶性固形物含量进行实验研究，采用偏最小二乘法对南丰蜜桔完整果和果肉的可见／近红外光谱进行了分析，并且比较和讨论了不同光谱预处理的建模结果，实验结果表明：在波长范围350—1800nm，一阶微分光谱所建模型效果最佳．其中完整果所建校正模型的预测相关系数为0．825和预测均方根偏差为0．899；果肉所建校正模型的预测相关系数为0．893，预测均方根偏差为0．749。

梨可溶性固形物含量NIR与变量筛选无损检测

为提高利用近红外光谱技术快速检测梨可溶性固形物含量的精度和稳定性,结合区间偏最小二乘和遗传算法(iPLS-GA)来筛选校正模型中的特征光谱区和变量,通过交互验证法确定模型中的主成分因子数和筛选的变量,并以预测均方根误差(RMSEP)和相关系数(Rp)作为模型评价标准。试验结果显示:iPLS-GA最优模型包含5个光谱区、50个变量和10个主成分因子。最佳预测模型相关系数(Rp)和RMSEP分别为0.939 8和0.325 0,研究结果表明近红外光谱结合iPLS-GA算法可以准确、无损检测梨的可溶性固形物含量。

以高光谱数据有效预测苹果可溶性固形物含量

从高光谱数据中选取能够有效进行内部品质检测的特征波长,是利用高光谱成像技术进行水果品质定量分析的关键。本文采用遗传算法(GA)、连续投影算法(SPA)和GA-SPA算法分别从400～1 000nm的苹果高光谱图像中提取特征波长,利用偏最小二乘法(PLS)、最小二乘支撑向量机(LS-SVM)和多元线性回归(MLR)建模进行苹果可溶性固形物含量(SSC)的定量分析并进行了综合比较。160个样品中,120个用于建模,40个用于预测。比较发现SPA-MLR模型获得了最好的结果,R2p,RMSEP和RPD分别为0.950 1,0.308 7和4.476 6。结果表明:SPA能够有效地用于高光谱数据的变量选择,利用SPA-MLR可建立稳健的苹果SSC预测模型,较少的有效变量和MLR模型的易解释性表明该模型在在线检测和便携式仪器开发中具有较大的应用潜力。

基于回归分析法预测湖景蜜露桃果实可溶性固形物含量

目的:建立一种科学预测桃果实可溶性固形物含量的方法。方法:以湖景蜜露水蜜桃为实验材料,利用多元回归、线性回归和二次多项式回归分析研究果皮色差、单果质量、带皮硬度、去皮硬度与可溶性固形物含量的关系。结果:1)以原始基础数据为依据,较难建立稳定的预测可溶性固形物含量的多元回归方程。2)通过将数据进行分组,以红色饱和度(a*)、色调角(h)、红色饱和度/黄色饱和度(a*/b*)不能建立稳定的回归方程;单果质量与可溶性固形物含量具有极显著的线性回归关系,但二者所建立的二次多项式预测可溶性固形物含量效果差;带皮硬度、去皮硬度与可溶性固形物含量的线性回归方程预测性差,而建立的二次多项式R2都较高,回归关系均达极显著水平,方程:可溶性固形物含量=-0.128 2×带皮硬度2+1.403 5×带皮硬度+11.418 0和可溶性固形物含量=-0.481 8×去皮硬度2+1.975 0×去皮硬度+13.290 0预测湖景蜜露果实可溶性固形物含量效果较好。结论:采用二次多项式回归法研究带皮硬度、去皮硬度与可溶性固形物含量的关系进而进行桃果实成熟度预测是可行的。

近红外光谱检测蜂蜜中可溶性固形物含量和水分的应用研究

提出了一种利用近红外光谱技术定量分析蜂蜜中可溶性固形物含量(SSC)的新方法,同时对蜂蜜中的水分也进行了研究。在不同光谱范围内,通过对原始光谱的不同预处理,用偏最小二乘法分别建立了SSC和水分的近红外透反射光谱校正模型,所有模型都有高的的预测精度和水分的最优模型都为在全谱范围内,光谱预处理采用Norris平滑+一阶微分+多元信号校正,SSC模型的交互验证决定系数(R2CV)、交互验证误差均方根(RMSECV)、验证集决定系数(R2p)、验证误差均方根(RMSEP)SSC模型分别为0.998 6,0.190,0.998 5和0.127,水分模型分别为0.998 4,0.187,0.998 6和0.125。近红外光谱能实现蜂蜜中SSC和水分的准确测定。水分模型预测结果略好于相关文献的报道。

番茄果实可溶性固形物含量与果实指标的相关性研究

为探究影响可溶性固形物含量(SSC)的密切关系因子,及为高固形物品种的选育和番茄采后加工出高质量的番茄酱产品提供依据,对6个番茄品种果实发育、成熟后贮藏过程中SSC的动态变化及其与其果实指标的相关性进行了分析。结果表明:在影响番茄SSC的各种指标中,品种间差异较大,品种TD41×TD13(X2)SSC最低,品种HT16-①-①-①(X6)SSC最高;在番茄的不同成熟期,SSC先是增加,增加到一定含量时就略有下降,但品种HT16-①-①-①(X6)却是先下降后直线上升,这可能与品种的早熟有关,与田间观察一致。TD13(X3)和HT16-①-①-①(X6)两个番茄品种,在采摘后放置过程中,SSC先降后升,第4d时达到了最高,后基本保持不变,到第9d时SSC又开始下降。番茄SSC与可溶性糖含量呈显著相关,相关系数为0.840;与有机酸含量呈极显著相关,相关系数为0.946;与Vc含量呈极显著相关,相关系数为0.952;与番茄红素含量呈中度正相关,相关系数为0.545;与单果重呈轻度负线性相关,相关性系数为-0.140;与果型指数也呈轻度负线性相关,相关性系数仅为-0.077。

基于聚类和主成分分析的不同可溶性固形物含量桃的耐贮性和风味差异性比较

【目的】利用计算机R技术区分不同贮藏期桃果实的质地和风味,对不同可溶性固形物含量(soluble solids content,SSC)的桃果实的耐贮性及风味进行评价。【方法】以湖景蜜露水蜜桃为试材,基于SSC将果实分为高、中、低SSC组,利用质构仪、高效液相色谱仪、电子舌等对贮藏和货架期间果实质构、风味及挥发性物质进行测定和感官评分,并进行聚类和主成分分析。【结果】基于贮藏时间,湖景蜜露水蜜桃果实带皮硬度、果肉组织硬度、咀嚼性与果肉脆性呈显著相关;果糖含量与葡萄糖含量呈显著相关;电子鼻传感器S6(甲烷)和S7(硫化氢)与传感器S8(乙醇)、传感器S9(芳香成分与有机硫化物)处于3个独立的空间。基于品质和传感器响应值,贮藏时间可划分为与感官评价相似的分类群。冷藏期间,高、中SSC组果实保持较高的果肉组织硬度、果肉紧实度、SSC、果糖含量和葡萄糖含量,S6响应值显著低于低SSC组。货架期间,高、中SSC组果实带皮硬度、果肉组织硬度、咀嚼性、紧实度、SSC、果糖含量和葡萄糖含量及S2、S7、S8、S9响应值均显著高于低SSC组,S6响应值显著低于低SSC组。【结论】提高果实SSC可延长果实的安全贮藏期,较好地保持果实固有风味;0~7 d为高、中SSC组果实的优质贮藏期,14~28 d为安全贮藏期,不建议SSC低于12%的果实长期冷藏。

基于介电频谱的灵武长枣可溶性固形物含量的预测模型

为了探寻利用介电频谱预测灵武长枣可溶性固形物含量的可行性,并建立最优模型,该文采用网络分析仪在200 MHz^18 GHz的频率范围内,选取101个频率点,测定分析了300个灵武长枣的介电损耗因子ε″和介电常数ε'频谱,利用长枣的介电损耗因子ε″和介电常数ε'进行了可溶性固形物含量的预测模型研究。通过遗传算法(genetic algorithm,GA)和相关系数法(correlation coefficient,CC)提取了介电频谱的有效信息,并分别采用偏最小二乘(partial least squares,PLS)、主成分回归(principal component regression,PCR)和支持向量机(support vector machines,SVM)法比较建立了可溶性固形物含量的预测模型。研究结果表明:用GA与CC方法提取频谱有效信息的建模效果要优于原始频谱的建模效果;PCR法的建模效果要优于PLS与SVM法的建模效果。以介电损耗因子ε″、介电常数ε'频谱建立的可溶性固形物含量的最优预测模型分别为GA-PCR和CC-PCR。以介电损耗因子ε″建立的GA-PCR模型优于介电常数ε'的CC-PCR模型,其校正集和预测集的相关系数分别为0.933和0.925,均方根误差分别为0.661%和0.702%。结果表明,利用介电频谱预测灵武长枣的可溶性固形物含量是可行的。

基于近红外光谱漫透射技术的苹果可溶性固形物含量在线检测

为研究苹果的内部品质,提高检测的速度和稳定性,将近红外光谱漫透射技术应用于在线检测研究,并采取偏最小二乘回归(PLSR)算法结合不同光谱预处理方法建立苹果内部的可溶性固形物含量(SSC)的定量模型。结果表明:采用一阶微分结合多元散射校正(MSC)预处理后的模型最稳定,校正集和预测集的标准差分别为0.17和0.39,校正集的相关系数也达到0.988 3。试验结果说明近红外光谱漫透射技术能够快速、无损地检测出苹果的可溶性固形物含量。

草莓果实成熟过程中Vc和可溶性固形物含量的变化

[目的]探索草莓的最佳采收期。[方法]以盆栽草莓果实为试验材料,研究草莓成熟过程中果肉硬度、维生素C含量和可溶性固形物含量的变化规律。[结果]随着草莓果实的成熟,果肉硬度逐渐下降,维生素C含量逐渐上升,可溶性固形物含量呈先上升后下降的趋势。[结论]随着草莓果实的成熟,果肉硬度下降,内在品质提高。

采后猕猴桃可溶性固形物含量的高光谱无损检测

为探讨基于高光谱成像技术无损检测采后猕猴桃可溶性固形物含量（soluble solids content,SSC）的可行性,基于猕猴桃900~1 700 nm波长范围的反射高光谱,建立了预测SSC的偏最小二乘、支持向量机及误差反向传播（error back propagation,BP）网络模型,并综合比较了分别以全光谱的226个波长,利用连续投影算法提取的12个有效波长和采用无信息变量消除法提取的128个有效波长作为模型的输入变量对各模型预测效果的影响。结果表明,连续投影算法能有效地提取有效波长,其在简化模型方面优势明显;BP网络与连续投影算法相结合具有最好的预测性能（预测相关系数为0.924,预测均方根误差为0.766）。研究表明,高光谱成像技术可无损检测猕猴桃的SSC,该技术将使猕猴桃内部品质的工业化分级成为可能。

不同环境条件下西瓜果实可溶性固形物含量的QTL分析

利用西瓜栽培品种97103和野生品种PI296341-FR为亲本构建了由117个稳定株系组成的F2S8代重组自交系永久群体。利用RAPD、SSR、AFLP和SCAR等203个标记,构建了该RIL群体的高密度分子遗传连锁图谱,覆盖基因组总长度1383.8cM,平均图距6.8cM。在新疆和北京2个地点的3个年份对果实可溶性固形物含量进行QTL比较分析。累计检测到18个QTL,分布在第1、2、3、5、14、15和19连锁群上。其中3种环境中能重复检出的QTL2个,贡献率为14.2%￣22.9%。两种环境中能重复检出的QTL6个,其贡献率为12.4%￣20.3%。仅能在单一环境下检测到的QTL10个,其贡献率为14.4%￣22.6%。根据不同环境条件下的QTL比较分析结果,认为第1连锁群上的qSSC-1a和qSSC-1b可能是控制可溶性固形物含量性状表达的主效QTL位点,这2个QTL位点的峰值分别落在标记N02_800a和Z03_250a上,这对西瓜可溶性固形物含量的标记辅助选择是非常有利的。

成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测

【目的】研究成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测技术,为及时、准确地掌握成熟期梨果实的内部品质特性及田间管理、适时采收、合理储藏提供依据。【方法】基于近红外漫反射光谱检测技术分别建立了成熟期砀山酥梨可溶性固形物含量的偏最小二乘(PLS)、广义回归神经网络(GRNN)和偏最小二乘支持向量机动态预测模型(LSSVM),并综合评价了无信息变量消除法(UVE)优选有效特征波数对于简化模型、提高预测性能的影响。【结果】UVE算法能够很好地提高建模效率、有效改善GRNN和LSSVM模型预测精度,而对PLS分析模型效果不明显。3种模型中,LSSVM模型比GRNN和PLS模型具有明显优势,其中UVE-LSSVM模型具有最佳预测精度和适用性,其校正相关系数(Rc)为0.988,校正均方根误差(RMSEC)为0.074,预测相关系数(Rp)为0.922,预测均方根误差(RMSEP)为0.162。【结论】基于近红外光谱技术的UVE-LSSVM模型可用于成熟期梨可溶性固形物含量的无损检测。