论文部分内容阅读
新鲜的红不软桃富含维生素C、蛋白质,有机酸等营养物质,还具有药用价值,是夏季人们常吃的水果。现阶段,人们的生活经济水平得到了很大的提高,对其口感,外形,内部品质也有了很高的要求。本文通过高光谱成像技术对红不软桃进行快速无损检测,并基于高光谱技术建立了红不软桃产地判别和SSC含量检测模型,为开发红不软桃的便携式装备提供了理论基础。得出主要研究结果:(1)利用SNV、MSC、SG一阶3点平滑、一阶导数、二阶导数、SG二阶三点平滑和Baseline等预处理方法对300个红不软桃样本的光谱信息进行预处理。结果表明一阶导数处理结果方法最佳,Rc~2和Rp~2分别为0.9383和0.9321达到最高,Rc2和Rp2的差距最小,标准偏差RMSEC和RMSEP最低分别为0.2148和0.2262。(2)在红不软桃的产地判别中,建立了全波段光谱PLS模型、全波段光谱LS-SVM模型、全波段光谱ELM模型、PCA-PLS模型、PCA-LS-SVM模型、PCA-ELM模型、和MC-UVE-PLS模型、MC-UVE-LS-SVM模型、MC-UVE-ELM模型,并比较了9个模型的判别准确率。结果表明:基于主成分(PCA)的ELM模型对样本产地的判别准确率达到98.7%,其准确率最高,可以实现对不同红不软桃产地的正确判别。(3)在红不软桃的SSC定量检测研究中,首先利用蒙特卡罗抽样将偏离整体均值和方差的8个异常样本剔除,剩余104个光谱数据将用于SSC的定量检测。然后,利用不同预处理方法对104个红不软桃样本数据进行修正。发现基于MSC结合二阶导数(2Der)的模型预测性能最优。最后,通过SPA提取特征波长,PCA提取主成分。并建立了全波段数据的PLS模型、全波段数据的LS-SVM模型、SPA-PLS模型、SPA-LS-SVM模型、PCA-PLS模型、PCA-LS-SVM定量检测模型。结果表明:基于SPA提取的特征波长所建PLS模型的预测精度最高,SSC模型的预测集相关系数和均方根误差分别为0.8921和0.6451;且模型输入量仅为8个变量,大大提高了模型运算速度。