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。

高光谱结合离散二进制粒子群算法对久保桃可溶性固形物含量的检测

可溶性固形物(SSC)是评价久保桃内部品质的重要指标。传统的SSC检测有损、费时、费力;快速、无损检测久保桃的SSC含量对于其品质分级有着重要意义。离散二进制粒子群算法(BPSO)是在标准粒子群算法(PSO)的基础上,更新速度公式得到的,具有精度高,收敛快的特点,多用于离散空间的优化问题。基于高光谱技术结合BPSO算法及BPSO的组合特征波长选择算法对久保桃的SSC含量预测进行研究。首先采集198个久保桃样本的高光谱信息,获取久保桃900~1700nm范围内的光谱信息,计算感兴趣区域的平均光谱作为有效光谱数据,同时测量久保桃的SSC值。采用K-S(Kennard-Stone)算法将样本划分为校正集(147个)和预测集(51个)。使用BPSO特征波长选择算法对久保桃的原始光谱数据进行特征波长提取,并与竞争性自适应重加权算法(CARS)、连续投影法(SPA)、无信息变量选择法(UVE)等特征波长选择算法比较。同时为了避免单一算法建模中的不稳定问题,提出了基于BPSO的一次组合(BPS0+CARS、BPSO+SPA、BPSO+UVE)和二次组合[(BPSO+CARS)-SPA]、[(BPSO+SPA)-SPA]、[(BPSO+UVE)-SPA]特征波长提取方法。基于上述10种特征波长提取方法分别建立支持向量机(LS-SVM)模型和遗传算法(GA)优化的支持向量机模型(GA-SVM)模型。结果表明,基于BPSO算法提取特征波长建立的模型预测性能均高于其他单一特征波长方法,建立的两种模型预测集决定系数R_(p)^(2)均达到0.97以上;基于BPSO的组合算法中,二次组合(BPSO+SPA)-SPA算法建立的LS-SVM在特征波长数量较少的情况下对久保桃SSC含量预测性能最高,校正集和预测集决定系数R_(c)^(2)为0.982,R_(p)^(2)为0.955,均方根误差RMSEC为0.108,RMSEP为0.139。该模型预测性能略低于BPSO算法,但其仅用了22个特征波长进行建模,极大地简化了模型。说明(BPSO+SPA)-SPA是一种有效的特征波长提取方法,为水果SSC含量的无损检测提供了新的检测方法。

基于可见/近红外光谱对葡萄可溶性固形物无损检测研究

葡萄中可溶性固形物是评价葡萄成熟度的重要指标,本文探究了基于可见/近红外光谱技术对多个品种葡萄(红提、巨峰、辽峰)可溶性固形物(Soluble Solid Content,SSC)含量进行定量分析。分别采集了三个葡萄品种在550~960 nm波长范围内的透射光谱数据,采用Savitzky-Golay卷积平滑(S-G)、标准正态变换(Standard Normal Variate,SNV)、小波变换(WT)、一阶求导+S-G卷积平滑组合(1stDer+S-G)预处理方法,对比分析出最适合各个品种的预处理方法;然后在最佳的预处理方法下采用连续投影算法(SPA)、竞争性自适应重加权(CARS)对光谱进行特征波长选择;结合化学计量学方法分别建立多品种与单一品种的偏最小二乘回归(PLSR)、BP神经网络SSC含量无损预测模型。结果表明,基于BP-SPA建立的SSC含量模型最优,多个品种通用SSC含量预测模型的预测集相关系数(Rp 2)为0.85,表明基于可见/近红外光谱技术对多个葡萄品种SSC含量无损检测是可行的。

手持式黄油桃可溶性固形物可见近红外光谱检测设备研制

桃在鲜果市场中占有重要份额。可溶性固形物含量(soluble solid content,SSC)是衡量桃品质的重要参数,是挑选优质桃以及预测最佳采摘时期的重要决策依据。该研究开发了一款基于可见近红外光谱技术的手持式黄油桃SSC无损检测设备。该设备的硬件系统主要由微型光谱仪、卤素灯、OLED显示屏、微控制器以及自主设计的驱动电路组成。为了评估所开发设备的检测性能,采用北京平谷区种植的黄油桃作为样品进行验证。首先,获取校正集样品在680~940 nm范围内的可见近红外光谱,经5点平均平滑和最大值归一化对光谱预处理建立黄油桃SSC偏最小二乘回归模型并用于预测集样本的SSC分析,预测相关系数和均方根误差分别为0.947和0.728%,单果检测时间不超过2 s。为了提高模型精度和稳定性,将校正集和预测集合并后作为新的校正集进行建模,并将重新构建的模型对独立验证集进行预测,SSC预测值与实测值的相关系数为0.906,均方根误差为0.732%。采用分段直接校正算法将主机模型传递到从机。经过模型传递后,从机对独立验证集SSC的预测值与实测值的相关系数和均方根误差分别为0.865和0.919%。该手持式SSC检测设备可将SSC预测数据以蓝牙方式传输到手机客户端,借助手机定位功能,在地图上实现黄油桃SSC空间可视化分布。研究结果表明,该手持式SSC无损检测设备可以实现黄油桃SSC的准确测量,借助模型传递算法实现了模型在不同设备间的有效传递,避免了重复建模,可为该设备批量生产节约大量成本,具有广阔的应用前景。

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。

‘脆蜜金柑’不同批次果实膨大规律及其可溶性固形物含量分析

探讨‘脆蜜金柑’不同批次果实的膨大规律及其可溶性固形物含量动态变化,以广西融安县‘脆蜜金柑’为试验材料,在其不同批次果实的膨大期测定果实横径和纵径,在成熟期测定果实的可溶性固形物含量。结果表明,在‘脆蜜金柑’果实膨大阶段,第1、2批次果实容易形成大果,第3批次果实则较小。在果实成熟初期,第2批次果实可溶性固形物含量最高,中后期以第3批次果实可溶性固形物含量最高。表明第1、2批次果实膨大时间早,持续时间长形成大果,可溶性固形物含量也较高,且市场上售价高,在生产上应采取相应措施保住第1、第2批次果实,达到提高产量、增加效益的目的。

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。

应用特征融合预测富士苹果可溶性固形物含量

针对传统苹果无损检测方法成本高,不利于携带等问题,使用富士苹果RGB图像的不同特征预测其可溶性固形物含量。通过统计方法和卷积神经网络提取苹果图像的颜色特征、纹理特征和局部特征。拼接以上特征,利用融合特征训练回归模型,得到预测结果。结果表明,基于融合特征的模型的预测决定系数Rp2=0.6557,优于基于单一特征的模型。

基于高光谱成像技术对番石榴可溶性固形物的快速测定

目的 研究基于高光谱成像技术对番石榴可溶性固形物(soluble solids content, SSC)的快速测定。方法 通过高光谱成像系统和全自动折光仪获得番石榴的表面反射光谱与SSC信息,选择Savitzky-Golay平滑和标准正态变量变换作为预处理手段,使用主成分分析评估预处理前后光谱的聚类变化。采用区间变量迭代空间收缩法、区间随机蛙跳法、自举软收缩法(bootstrapping soft shrinkage, BOSS)、变量组合集群分析提取特征波长,用于建立比较支持向量回归(supportvectorregression,SVR)和偏最小二乘回归(partialleastsquares regression, PLSR)预测模型。结果 预处理后光谱数据主成分聚类进一步分散, PLSR整体在预测集的回归效果比SVR更好, BOSS-PLSR为最优预测模型,预测集决定系数R_(2)^(p)为0.9216,均方根误差(root mean square error of prediction, RMSEP)为0.2366,剩余预测偏差(residual prediction deviation, RPD)为3.5710。结论 利用高光谱成像技术快速实现番石榴可溶性固形物测量是可行的。

中熟、高产、高可溶性固形物含量的加工番茄新品种“屯河2606”的选育

屯河2606是以自交系11-301为母本,以自交系11-143为父本配制而成的中熟加工番茄一代杂交种。其从定植到85%成熟需105~110 d,生长势强,植株自封顶生长类型,株幅大,侧枝均匀,垄面覆盖好;坐果率高,无果节,着色均匀,成熟果鲜红色,果实卵圆形,果肉紧实,抗裂,耐压;平均可溶性固形物含量5.35%,平均番茄红素含量134.3 mg/kg;田间耐贮性好,适应性强,成熟期集中,适合机械采收;平均单果质量60~65g,平均667m^(2)产量高达12459.68kg。适合我国新疆、甘肃、宁夏、内蒙古等西北部地区保护地栽培。

桃果实单果重及可溶性固形物含量的全基因组选择分析

【背景】桃单果重和可溶性固形物含量(SSC)是育种家关注的两个重要的数量性状,受到多个微效基因的控制,难以通过单个标记进行早期筛选。全基因组选择作为一种新颖的数量性状早期预测工具,在果树上已经有了初步应用,但其在桃上的应用效果以及影响预测准确性的因素仍需要深入探讨。【目的】建立桃单果重和SSC的全基因组选择技术,为桃高效分子育种技术体系的建立奠定基础。【方法】以520株训练自然群体为试材,通过重测序筛选出的48 398个SNP进行分型,在11个全基因组预测模型中分别筛选出两个数量性状适宜的模型,进而在56株自然群体和1 145株杂交群体上进行应用。【结果】3类群体的平均测序数据量在1.95—3.52 Gb,测序深度为5.29—10.79×。训练自然群体经与参考基因组比对,共得到5 065 726个SNP,去除缺失率较高(>20%)、最小等位基因频率过低(<0.05)的位点后,随机挑选基因组上48 398个SNP用于训练群体的全基因组选择模型构建。单果重预测精度最高的模型是BayesA,SSC预测精度最高的模型为randomforest。分别利用两个数量性状最适的模型进行预测,发现在自然群体中,单果重的预测精度为0.4767—0.6141,高于SSC的0.3220—0.4329;而在杂交群体中,单果重的预测精度为0.2319—0.4870,同样高于SSC的0.0200—0.2793;该结果也表明利用训练自然群体构建的预测模型在预测自然群体上应用的精度高于杂交群体。进而以单果重为例,发现当育种目标是大果时,全基因组选择仅需保留17.78%的单株,效率明显高于单标记和双标记筛选。同时探讨了群体离散程度、遗传力和群体结构等对预测精度的影响,发现预测精度可能受到上述因子的综合影响。【结论】本研究筛选出桃果实单果重和SSC适宜全基因组选择模型,表明该方法的选择效率明显高于单标记筛选,研究结果为两个数量性状的高效分子辅助育种奠定了理论和技术支撑。

两种近红外光谱仪的番茄可溶性固形物含量定量模型比较研究

以番茄可溶性固形物含量(SSC)的无损速测为例,分别采用线性渐变分光(LVF)、数字光处理(DLP)近红外光谱仪对大、小番茄采集近红外光谱数据;分别基于两种近红外光谱仪数据计算大、小番茄平均光谱及差谱,并比较两种近红外光谱仪所采集大、小番茄近红外光谱数据的特征;对两种近红外光谱仪的数据分别进行主成分分析(PCA),并比较了大、小番茄前3主成分的得分分布;按SSC梯度对数据进行分级,采用偏最小二乘(PLS)回归结合全交互验证算法分别基于两种近红外光谱仪数据建立番茄SSC定量校正模型。结果表明:(1)大、小番茄LVF近红外光谱的平均光谱及其差谱的光谱特征分别与DLP近红外光谱的平均光谱及其差谱的光谱特征相似。(2)大、小番茄LVF近红外光谱数据PCA前3主成分得分散点分离趋势不明显,而DLP近红外光谱数据PCA前3主成分得分散点基本上不具有分离趋势。(3)基于LVF近红外光谱数据所建各模型的相对预测性能(RPD)皆不低于2.11,其中标准化预处理所建模型具有最佳性能,模型维数(Nf)、校正测定系数(RC2)、校正均方根误差(RMSEC)、交互验证测定系数(R^(2)CV)、交互验证均方根误差(RMSECV)、RPD、预测相关系数(RP)、预测均方根误差(RMSEP)分别为8、0.949 1、0.27、0.899 9、0.38、3.16、0.882 6、0.63;基于DLP近红外光谱数据所建各模型的RPD皆不低于1.60,其中标准化预处理所建模型具有最佳性能,Nf、RC2、RMSEC、R^(2)CV、RMSECV、RPD、RP、RMSEP分别为5、0.823 5、0.49、0.728 6、0.62、1.94、0.788 4、0.80。该研究可为番茄SSC的无损快速测定以及果蔬品质无损快速检测的仪器选择与评价提供一定的参考。

一维卷积神经网络的手持式可见/近红外柑橘可溶性固形物含量无损检测系统

为实现柑橘可溶性固形物含量(SSC)快速无损检测,基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。以宽谱LED光源结合特征窄带微型光谱仪为核心,设计了手持式柑橘可溶性固形物含量无损检测终端。开发了基于物联网技术的水果光谱仪云端数据系统,该系统主要包括用户库、设备库、检测数据库和模型库,通过通讯模块与手持式无损检测终端相连接,可以实现光谱采集参数修改、云端数据上传与下载、云模型的调用等功能。利用该检测系统获取的光谱数据,建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。该网络包含输入层、卷积层、池化层、全连接层和输出层等7层结构。主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型,并用该模型与多种传统回归方法进行对比。1D-CNN模型的预测相关系数和预测均方根误差分别为0.812,0.488,优于偏最小二乘法(PLS),人工神经网络(ANN)和支持向量机(SVM)。采用基于模型的迁移学习方法,基于主机的1D-CNN模型对从机进行模型传递,研究了从机标准样本数量对模型传递的影响。发现使用少量从机光谱样本即可取得较好的效果,从机预测集均方根误差为0.531。研究结果表明,研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、低成本、操作简便等优点,基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。借助迁移学习算法,可以实现1D-CNN模型在不同装置间的有效传递,满足柑橘可溶性固形物含量无损检测的需求。为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。

基于电学参数的苹果可溶性固形物含量预测

为实现苹果可溶性固形物含量的无损检测,该研究提出了一种长短期记忆编解码和多层感知机(LSTMED-MLP,long short-term memory encoder-decoder-multi-layer perceptron)融合的介电特征预测方法。在0.158~3980 kHz频率范围内的9个频率点下,采用介电谱测量仪获取300个富士苹果的电学参数,其中每个频率点对应15项电学参数,即每个苹果对应135项电学特性参数,之后通过苹果基因组学理化分析方法,获取可溶性固形物含量;根据电学参数与可溶性固形物含量,构建苹果关键基因组学参数的回归预测模型。为简化模型输入,提取样本变量特征,使用主成分分析(principal component analysis,PCA)和LSTMED模型,提取每个样本的40项特征值,作为非线性回归模型多层感知机(MLP)和XGBoost的输入,建立可溶性固形物含量预测模型。试验结果表明,LSTMED具有更好的适用性,且LSTMED-MLP模型的预测效果最好,在校正集和预测集上,决定系数分别为0.95和0.90,均方根误差分别为0.77和0.84,且对不同种植模式下苹果样本的变化差异具有更强鲁棒性,LSTMED-XGBoost模型次之。因此,LSTMED可以作为一种有效的非线性特征降维提取方法,应用于农产品品质参数分级和无损检测方面。

基于近红外光谱技术的草莓可溶性固形物与糖度的检测分析

对国内外水果品质检测技术现状及发展趋势进行分析的基础上,以草莓为研究对象,利用近红外检测的基本原理,研究草莓糖度的检测方法,建立了近红外漫反射光谱与草莓内部指标可溶性固形物含量之间的关系,并且评价了近红外漫反射光谱在测量草莓可溶性固形物含量上的应用价值。首先在350~1800 nm范围内采集样品光谱;然后选取建模的最佳谱区,采用主成分分析和偏最小二乘法2种不同的多元校正方法在最佳谱区内建立校正模型,并用于检验集样品可溶性固形物含量的预测效果。

基于可见/近红外光谱技术的玉露香梨可溶性固形物含量检测

为实现玉露香梨的可溶性固形物含量(Soluble solids content,SSC)无损检测,采用可见/近红外光谱技术建立检测模型。采用竞争自适应加权(Competitive Adaptive Reweighted Sampling,CARS)算法和连续投影算法(Successive Projections Algorithm,SPA)提取特征波长,并建立PLSR检测模型。全波段、CARS、CARS-SPA所建PLSR模型均得到好的预测结果,Rp2为0.83~0.86,RMSEP为0.31%~0.34%。CARS-SPA所提取到的变量信息最少,CARS-SPA-PLSR模型得到最优的综合性能,Rp2和RMSEP分别为0.83和0.34%,为实现玉露香梨SSC在线检测提供了基础。

近红外漫反射检测梨可溶性固形物SSC和硬度的研究

采用近红外漫反射光谱检测梨可溶性固形物(SSC)和硬度。采集梨的近红外漫反射光谱,光谱经梨的吸光度原始光谱、一阶微分和二阶微分预处理,分别采用多元线性回归、主成分回归和偏最小二乘法,建立了梨可溶性固形物(SSC)和硬度的定量预测数学模型。结果表明采用一阶微分结合偏最小二乘法的预测效果最好,可溶性固形物(SSC)和硬度定量数学校正模型的相关系数分别为0.9285和0.8478,均方根误差分别为0.4364°Birx和1.227。近红外漫反射光谱作为一种无损的检测方法用于评价梨可溶性固形物(SSC)和硬度是可行的。

融合分数阶微分与PIMP-RF算法的集成学习模型预测成熟期苹果可溶性固形物含量

可溶性固形物含量(SSC)是反映苹果品质和成熟度的重要生理指标,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,以等间隔周期3 d采摘样本,测其380~1100 nm的可见/近红外光谱和SSC,共552个样本。然后融合分数阶微分(FD)及置换重要性-随机森林(PIMP-RF)算法,构建成熟期苹果SSC预测的集成学习模型。结果表明,基于PLS模型优选的分数阶微分阶次为0阶、0.4阶、1.1阶和1.6阶,且通过PIMP-RF算法进行特征重要性和可解释性分析结果显示,利用可见/近红外光谱预测成熟期苹果SSC的关键波长主要为可见光波段,这为今后研发新疆冰糖心红富士苹果的快速无损检测设备提供参考;基于分数阶微分技术和PIMP-RF算法构建的成熟期苹果SSC集成学习模型具有很好的预测能力,其训练集的相关系数r等于0.9892,平均绝对误差MAE等于0.2412,均方根误差RMSE等于0.3091,平均绝对百分误差等于0.0183;测试集的相关系数r等于0.9038,平均绝对误差MAE等于0.5499,均方根误差RMSE等于0.7408,平均绝对百分误差等于0.0434,相比于FD0-PIMP-RF、FD0.4-PIMP-RF、FD1.1-PIMP-RF和FD1.6-PIMP-RF模型,集成学习模型为最优。故而,集成分数阶微分技术与PIMP-RF算法,结合可见近红外光谱技术可有效地实现成熟期苹果的可溶性固形物含量预测。

基于全透射近红外光谱的西瓜不同部位可溶性固形物含量在线检测研究

可溶性固形物含量(SSC)是评价西瓜果肉品质优劣的关键指标。西瓜SSC在线检测模型的建立,可以实现西瓜品质按其SSC进行在线分级,满足不同人群需求,提高市场竞争力。以160个京美2K西瓜为研究对象,通过实验室自主研发的在线检测设备,采集了西瓜两种姿态的可见近红外全透射光谱数据,分别与西瓜不同部位SSC建立偏最小二乘回归(PLSR)预测模型,探究西瓜SSC在线检测的最佳姿态和检测部位。首先,分别定义西瓜不同部位SSC测量值为瓜蒂糖、中心糖、瓜脐糖和整果糖,在线检测的两种姿态分别定义为T1姿态和T2姿态。其次对比西瓜不同部位SSC,探讨西瓜SSC评价标准。然后去除光谱透射强度值较低且频率较高,包含大量噪声和无用信息的光谱数据,最终选取波长范围(671~1116 nm)的光谱进行分析。采用卷积平滑(SGS)算法分别与多元散射校正(MSC)、单位矢量归一化(UVN)和标准正态变量变换(SNV)这3种算法相结合对两种姿态下的光谱数据进行预处理,随后对应西瓜不同部位SSC分别建立预测模型。通过对比不同模型的预测结果发现:使用SGS和MSC组合对T1姿态采集的光谱数据预处理效果最好,而对于T2姿态的光谱数据使用SGS与UVN结合预处理效果最好;T1姿态明显比T2姿态的光谱数据所建模型的预测效果好;对西瓜瓜蒂糖和整果糖的预测结果较好,瓜脐糖次之,中心糖最差。最后采用竞争性自适应重加权算法(CARS)分别对预测瓜蒂糖和整果糖的模型进行优化。其中,共挑选出81个波长点用于建立预测瓜蒂糖模型,106个波长点用于建立预测整果糖模型,两模型的预测集相关系数分别为0.8810和0.8758,均方根误差分别为0.8667%和0.7589%,不仅模型得到了简化,还提高了模型的预测精度。研究结果表明,西瓜不同姿态和对不同部位SSC预测的差异,会影响西瓜SSC在线检测和品质评价分级结果,应根据用户的实际需求进行模型选取和优化;为此,提出了糖度评价指数,为进一步开发西瓜SSC在线检测设备提供了技术支撑。

可溶性固形物含量对玉露香梨冷藏品质及果心褐变的影响

探讨了不同可溶性固形物含量玉露香梨果实冷藏过程中品质变化及果心褐变发生规律,为生产中玉露香梨采收品质的调控提供技术参考。利用无损检测仪分选出3组不同可溶性固形物含量梯度的玉露香梨,分别为处理Ⅰ(SSC 10%~11%)、处理Ⅱ(SSC 11%~13%)、处理Ⅲ(SSC 13%~14%),各处理置于0℃下冷藏,测定果实品质及果心褐变相关生理指标。结果表明:处理Ⅰ果心总酚含量较高,冷藏后期随多酚氧化酶活性的升高,其降幅显著高于其他2个处理,同时其果心组织丙二醛含量累积,脂氧合酶活性较高,膜脂过氧化程度加剧;冷藏240 d,处理Ⅰ果心褐变指数较处理Ⅱ和处理Ⅲ分别高出42.85%和39.54%,处理Ⅱ与处理Ⅲ果心褐变差异不显著;处理Ⅲ果实匀质指数较低,果肉更细腻,果肉脆性高,但果皮强度及韧性均较低,冷藏中后期,代谢较快,果面亮度值L*增加,色度角h°值下降,转黄程度显著高于其他2个处理。综合果实品质变化,中长期冷藏中可溶性固形物含量11%~13%的玉露香梨在果实质构特性及色泽的保持上更具有优势,且果心褐变较轻。