一种农产品品质综合评价方法
【技术领域】
[0001] 本发明涉及农产品质量安全领域，具体地说，涉及一种农产品品质综合评价方法。
【背景技术】
[0002] 农产品是人们赖以生存的食物来源之一，农产品品质分级是提高农产品附加值的 重要手段。
[0003] 目前国内的农产品经销企业的分级现状是，或不按品质分级而仅按重量或体积分 选，或采用破坏性检测方法进行品质分级。重量或体积分选存在的主要问题是不能保证分 选结果和农产品品质的相互关联性;而采用传统的破坏性检测方法所进行的分级主要存在 抽检覆盖不全面、检测代表性受限等问题，而且造成严重的农产品浪费。亦即，目前国内的 农产品经销企业的分级现状是，不仅检测方法落后，而且饱受果农和收购人员的争议和抱 怨，严重影响高端农产品的出口贸易。
[0004] 目前国外的农产品经销企业的分级现状是，发达国家，如日本、美国等，其包括水 果在内的农产品采用荧光探伤、近红外品质分级等先进技术，在农产品分级方面有较多的 应用。以日本为例，农产品分级基本上以品质为基础，在提高农产品附加值、满足消费者需 要、解决果农收购纠纷等方面起到了积极有效的作用。
[0005] 然而目前，即使发达国家，对农产品品质仍采用其最主要的单一指标进行分级。该 分级方法操作简单，但结果往往片面，难以对农产品多个指标进行综合评价。对于农产品品 质，评价指标往往不止一个，综合多指标数据对农产品品质进行评价尚未见报道。
[0006] 另一方面，目前发达国家采用的振动光谱（如:近红外光谱)模型对农产品品质进 行预测，其工作量较传统方法大幅降低，并大幅减少了因传统检测方法损失的农产品数量； 但是，采用模型对农产品各指标的预测值的准确程度在农产品分级时一般不予深入考虑， 亦即，各指标模型的预测精度即使没有可比性，在现有分级手段中亦不予评价。上述评价往 往导致对农产品品质评价片面且不客观。
[0007] 以农产品中常见的苹果、梨、桃为例，一般针对上述农产品采用果实可溶性固形物 含量(糖度）、果实可滴定酸含量(酸度）、果实成熟度(硬度）、果实糖酸比，4项指标对其品质 进行评价。目前，即使发达国家，也只采用糖度作为水果分级的唯一评价指标，评价结果片 面。
【发明内容】
[0008] 本发明针对农产品品质多指标综合评价的难题，提供一种基于归一化预测值、模 型系数、权重系数的农产品品质综合评价方法，其目的是对农产品品质进行多指标综合评 价。
[0009] 具体而言，本发明提供了一种农产品品质的综合评价方法，所述方法的流程图如 图1所示。
[0010]本发明所述方法包括以下步骤：
[0011] (1)确定η项评价指标，并设定各项评价指标的权重系数Ki，其中，i = l，2, . . .，n-1，n，n项评价指标的权重系数之和等于1，即K1+K2+. . .+Κη-ι+Κη=1;
[0012] ⑵选择与待测样品具有相同种植环境的相同品种的典型农产品样品作为训练集 样本，以训练集样本的振动光谱数据为自变量、各项评价指标的评价值为因变量，进行回归 运算，建立各项评价指标的振动光谱定量预测模型;所述回归算法优选采用偏最小二乘回 归算法；
[0013] 第i项评价指标的振动光谱定量预测模型如公式I所示：
[0014] Cj,i = (Xj-XM)XBi+YM I；
[0015] 所述公式I中，Cy为第j个待测样品的预测值，X伪第j个待测样品的近红外光谱 值，Xm为训练集样本的近红外吸收光谱数据的平均值，为模型的回归系数，Y M>1为训练集样 本评价指标参考值的平均值；
[0016] (3)按照公式II计算各个振动光谱定量预测模型的第i项评价指标的模型系数Μ1;
[0017]
II；
[0018] 所述公式II中，表模型的测定系数，SDl代表训练集样本的样本标准差， RMSECVi代表模型交互验证均方根误差；
[0019] (4)采集每个待测样品的振动光谱数据，分别代入各个振动光谱定量预测模型获 得预测值，并对所述预测值进行归一化处理；
[0020] 对于第i项评价指标的振动光谱定量预测模型而言，第j个待测样品的归一化预测 值Cj〇,i按照公式III计算：
[0021]
III；
[0022] 所述公式III中，Cu为第j个待测样品的预测值，C_;1为第i项评价指标的全部待 测样品中的最小预测值，C max, i为第i项评价指标的全部待测样品中的最大预测值；
[0023] (5)按照公式IV计算第j个待测样品的综合评价值&，根据综合评价值的大小对全 部待测样宗合评价值越大，则待测样品的级别越高；
[0024] IV。
[0025] 本发明所述的待测样品是指用于综合评价的农产品集合，该集合中的全部待测样 品的种植环境和采集条件相同。
[0026] 本发明步骤（1)所述评价指标根据农产品的固有特性确定;各项评价指标的权重 系数根据市场对所述固有特性的需求程度设定。
[0027] 本发明步骤(2)选择的训练集样本是与待测样品具有相同种植环境的同种类农产 品，且与待测样品的采集条件相同，应客观反映全部待测样品的特性，即：所述方法应在待 测样品的种植区域内，采集客观反映待测样品总体特性的典型样本作为训练集样本。为了 准确、客观地实现对待测农产品的综合评价，同时兼顾程序和操作的简便性，所述训练集样 本数量优选为待测样品总数的〇. 1~5%。
[0028] 本发明所述方法中，所述训练集样本优选采用棋盘格法确定。所述棋盘格法具体 为:将待测样品的种植区域均匀划分成形如棋盘方格的区域单元，在每个区域单元内随机 采集一个样本作为训练集样本;所述区域单元的个数与训练集样本容量相等。对于本发明 所涉及的农作物而言，采用棋盘格采样的方法可以满足各种品质农产品正态分布的采样规 贝1J，使得最终的评价结果更为客观。
[0029] 本发明所述振动光谱包括近红外光谱、中红外光谱、拉曼光谱、太赫兹光谱;所述 振动光谱的数据表现形式包括吸收谱、吸收系数谱、透过率谱、时域谱、折射率谱;所述振动 光谱优选为近红外吸收光谱。
[0030] 所述农产品优选为水果，进一步优选为苹果、梨、桃。
[0031] 对于水果而言，本发明所述评价指标可以包括:果实可溶性固形物含量(可用"果 实含糖量"代表，简称"糖度"）、果实可滴定酸含量(可用"果实含酸量"代表，简称"酸度"）、 果实成熟度(可用"果实硬度"代表，简称"硬度"）和果实糖酸比（简称"糖酸比"）。
[0032] 作为一种优选方案，本发明提供了一种苹果品质的综合评价方法，包括以下具体 步骤：
[0033] (1)确定评价指标为糖度、酸度、硬度以及糖酸比，设定各项评价指标的权重系数 分别为 K|it=〇 · 6，K酿=0 · 3，K廠=0 · 07，Κ|*?=0 · 03;
[0034] (2)采用棋盘格法选择与待测样品具有相同种植环境的相同品种的典型苹果样品 作为训练集样本，训练集样本占待测样品的数量百分比为0.1~5%;以训练集样本的近红 外吸收光谱数据为自变量、各项评价指标的评价值为因变量，采用偏最小二乘回归算法进 行回归运算，建立各项评价指标的近红外吸收光谱定量预测模型，分别为：
[0035] ^,?Μ=(^-ΧΜ)Χ^Μ+ΥΜ,?Μ 1-1;
[0036] Cj,酿=(Xj-XM) X BsU+Ym,酿 I~2 ；
[0037] Cj，廠 =(Xj-XM) ΧΒ?Ι+Υμ，廠 1-3;
[0038] (Xj-Xm) xEteftt+YM.iWt 1-4；
[0039] 所述模型1-1~1-4中，Cj为第j个待测样品的相应评价指标的预测值，X」为第j个待 测样品的近红外吸收光谱数据值，Xm为训练集样本的近红外吸收光谱数据的平均值，B为相 应评价指标的模型的回归系数，Ym为训练集样本相应评价指标参考值的平均值；
[0040] (3)按照以下公式分别计算4个定量预测模型的模型系数；
[0045] 所述公式II-1~II-4中，Μ代表相应评价指标的模型系数，R2代表相应评价指标的 模型的测定系数，S D代表相应评价指标的训练集样本的样本标准差，RMSECV代表相应评价
[0041]
[0042]
[0043]
[0044] 指标的模型交互验证均方根误差；
[0046] (4)采集每个待测样品的近红外吸收光谱数据，分别代入各个定量预测模型获得 预测值，并按照以下公式对所述预测值进行归一化处理；
[0047]
[0048]
[0049]
[0050]
[0051] 所述公式III-1~III-4中，Cmin为相应评价指标的全部待测样品中的最小预测值， Cmax为相应评价指标的全部待测样品中的最大预测值，(^为第j个待测样品相应评价指标的 预测值，为第j个待测样品相应评价指标的归一化预测值；
[0052] (5)按照公式IV计算每个待测样品的综合评价值ZJ:
[nn5i!l
[0054] 根据所述综合评价值的大小对全部待测样品进行分级：当1 2 0.8时，待测样品为 一级苹果;当0.4 < Zj<0.8时，待测样品为二级苹果；当Zj<0.4时，待测样品为三级苹果。
[0055] 在上述苹果品质的综合评价方法中，所述糖度、酸度、硬度和糖酸比的权重系数以 及步骤(5)中的分级标准，是在大量实验和实践经验的基础上根据市场需要确定;在实际应 用过程中，可根据市场需求的变化和客观情况进行微调。
[0056] 作为一种优选方案，本发明提供了一种梨品质的综合评价方法，包括以下具体步 骤：
[0057] (1)确定评价指标为糖度、酸度、硬度以及糖酸比，设定各项评价指标的权重系数 分别为 K|艘=〇·5，Κ_=0·3，Κ廠=0· 1，Κ|*?=0· 1;
[0058] (2)采用棋盘格法选择与待测样品具有相同种植环境的相同品种的典型梨样品作 为训练集样本，训练集样本占待测样品的数量百分比为0.1~5%;以训练集样本的近红外 吸收光谱数据为自变量、各项评价指标的评价值为因变量，采用偏最小二乘回归算法进行 回归运算，建立各项评价指标的近红外吸收光谱定量预测模型，分别为：