一种基于近红外技术的苹果品质快速无损检测方法与流程

本发明属于苹果品质技术领域，具体涉及一种基于近红外技术的苹果品质快速无损检测方法。

背景技术：

国内早期的水果品质检测方法主要是人工检测和化学试剂检测，人工检测仅局限于水果外观，且检测标准不明确，会受个人主观因素的影响，检测效率低，不能满足水果生产的商品化需求，化学试剂检测是一种过程繁琐的破坏性检测方式，可靠性和稳定性较差。鉴于以上原因，具有准确度高、实时性强、快速便捷特点的无损检测技术越来越受关注。

技术实现要素：

为解决现有的问题；本发明的目的在于提供一种基于近红外技术的苹果品质快速无损检测方法。

本发明的一种基于近红外技术的苹果品质快速无损检测方法，它的检测方法如下：

步骤一：对光谱采集：

采用光谱检测方式为漫反射；采集完整水果的漫反射光谱时，将水果置于支架上，入射光线对水果进行照射之后在果肉中发生漫反射，出射光由接收光纤送回至检测器；光谱采集时要注意避开表面缺陷部位伤疤等，测量结果取平均，以此作为该样品的漫反射光谱；

采集到的光谱需经过一定的预处理之后才能进行建模分析，而光谱经适当的预处理后有助于提高光谱的质量和建模的效果；所采用的光谱预处理方法有以下几种：

1.1、平均：对每个样本都在不同位置采集了多条光谱，因此需先对每个样本的多条光谱进行平均，用平均光谱代表该样本的光谱属性；

1.2、平滑：光谱平滑可以消除高频随机误差，提高信噪比，本研究所用的是用最小二乘拟合系数作为数字滤波响应函数来对原始光谱进行卷积平滑处理的方法；

1.3、微分：微分光谱既可以消除基线漂移或平缓背景干扰的影响，也可以提供比原光谱更高的分辨率和更清晰的光谱轮廓变化；

1.4、多元散射校正：多元散射校正通过数学方法将光谱中的散射光信号与化学吸收信息进行分离，可以在一定程度上消除光散射的影响；

1.5、标准归一化处理：光谱的标准归一化处理与多元散射校正的作用类似，也可用来校正样品间因散射而引起的光谱的误差；

步骤二：对光谱进行建模并比对：

采用多元线性回归法和偏最小二乘法来对苹果糖度进行建模；通过苹果的近红外漫反射相对光强度光谱，从中找到光谱波段的相对光强与苹果糖度的相关系数来确定最佳特征波长，以此用不同的方法进行建模，来确定最佳的预测结果：

2.1、苹果样品的信息收集，选择具有代表性的苹果样品，在准备苹果样品时要让样本能够涵盖待测指标的所有范围且分布均匀，使获得可靠数据，建立合理的模型；

2.2、选择合适的样本，采集苹果样品的漫反射近红外光信号数据，同时要保证让校正集和未知样品集采集光谱的方式、方法相同，避免产生不确定误差；

2.3、采集苹果的近红外漫反射光信号，然后与实际测定苹果样品的糖度指标进行相关联，建立预测模型，用所建的模型对一组已知实际糖度值的苹果样品即校正集进行预测，将预测结果和实际的测定值进行比较，判断预测模型是否合理；

2.4、对未知的苹果样品进行近红外的漫反射光信号采集，将信号输入到所建立的预测模型中，进而得出苹果样品中糖度的含量；

步骤三：对苹果分级：

基于近红外技术来实现对苹果糖度和农药残留的同时在线检测，首先要建立农药残留的苹果与正常果的判别模型，使用最小二乘法判别分析(plsda)的方法建立判别模型，把最优的plsda模型以及最优的苹果糖度模型导入计算机软件中，做为计算的依据，模型的主要参数有模型的回归系数、截距b以及判定阈值t；把待测样品放到检测工位，采集一条光谱，代入plsda模型中计算，若计算结果小于阈值t时，则判定为有农药残留，不参与后期苹果糖度模型计算，直接被推入预测的有农药残留的果分级口；若大于阈值t则判定为正常果，则通过苹果的糖度模型进行糖度预测，再根据糖度的差异，分别推入对应的糖度分级口，最终实现苹果农药残留与糖度同时在线检测与分级。

与现有技术相比，本发明的有益效果为：

一、实现对苹果糖度和农药残留的同时在线检测，并且在检测时能够提高准确度；

二、能够实现无损检测，使用方便，操作简便。

附图说明

为了易于说明，本发明由下述的具体实施及附图作以详细描述。

图1为本发明的系统框体；

图2为本发明中预测模型建立的框图；

图3为本发明中检测分类框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

如图2、图3所示，本具体实施方式采用以下技术方案：

步骤一：对光谱采集：

采用的光谱检测方式是漫反射；采集完整水果的漫反射光谱时，将水果置于支架上，入射光线对水果进行照射之后在果肉中发生漫反射，出射光由接收光纤送回至检测器；光谱采集时要注意避开表面缺陷部位伤疤等，测量结果取平均，以此作为该样品的漫反射光谱。

采集到的光谱需经过一定的预处理之后才能进行建模分析，而光谱经适当的预处理后有助于提高光谱的质量和建模的效果；所采用的光谱预处理方法有以下几种：

1.1、平均：对每个样本都在不同位置采集了多条光谱，因此需先对每个样本的多条光谱进行平均，用平均光谱代表该样本的光谱属性。

1.2、平滑：光谱平滑可以消除高频随机误差，提高信噪比，本研究所用的是用最小二乘拟合系数作为数字滤波响应函数来对原始光谱进行卷积平滑处理的方法。

1.3、微分：微分光谱既可以消除基线漂移或平缓背景干扰的影响，也可以提供比原光谱更高的分辨率和更清晰的光谱轮廓变化。

1.4、多元散射校正：多元散射校正通过数学方法将光谱中的散射光信号与化学吸收信息进行分离，可以在一定程度上消除光散射的影响。

1.5、标准归一化处理：光谱的标准归一化处理与多元散射校正的作用类似，也可用来校正样品间因散射而引起的光谱的误差。

步骤二：对光谱进行建模并比对：

现在常用的建模的方法有：多元线性回归法、主成份回归法、偏最小二乘法、人工神经网络方法等，采用的是多元线性回归法和偏最小二乘法来对苹果糖度进行建模。建立预测模型的前提是找到最佳的近红外苹果糖度特征波长，特征波长关系到苹果糖度预测的准确度。不同糖度的苹果，采集的近红外光谱是不同的，与苹果糖度密切相关的特征波长处的光强度也不同。通过苹果的近红外漫反射相对光强度光谱，从中找到光谱波段的相对光强与苹果糖度的相关系数来确定最佳特征波长，以此用不同的方法进行建模，来确定最佳的预测结果。

2.1.苹果样品的信息收集，选择具有代表性的苹果样品，在准备苹果样品时要让样本能够涵盖待测指标的所有范围且分布均匀，使获得可靠数据，建立合理的模型。

2.2.选择合适的样本，采集苹果样品的漫反射近红外光信号数据，同时要保证让校正集和未知样品集采集光谱的方式、方法相同，避免产生不确定误差。

2.3.采集苹果的近红外漫反射光信号，然后与实际测定苹果样品的糖度指标进行相关联，建立预测模型，用所建的模型对一组已知实际糖度值的苹果样品即校正集进行预测，将预测结果和实际的测定值进行比较，判断预测模型是否合理。

2.4.对未知的苹果样品进行近红外的漫反射光信号采集，将信号输入到所建立的预测模型中，进而得出苹果样品中糖度的含量。

步骤三：对苹果分级：

基于近红外技术来实现对苹果糖度和农药残留的同时在线检测，首先要建立农药残留的苹果与正常果的判别模型，根究查阅资料可知，使用最小二乘法判别分析(plsda)的方法建立判别模型，可以达到很好的效果，把最优的plsda模型以及最优的苹果糖度模型导入计算机软件中，做为计算的依据，模型的主要参数有模型的回归系数、截距b以及判定阈值t。把待测样品放到检测工位，采集一条光谱，代入plsda模型中计算，若计算结果小于阈值t时，则判定为有农药残留，不参与后期苹果糖度模型计算，直接被推入预测的有农药残留的果分级口；若大于阈值t则判定为正常果，则通过苹果的糖度模型进行糖度预测，再根据糖度的差异，分别推入对应的糖度分级口，最终实现苹果农药残留与糖度同时在线检测与分级。其检测框图如图2所示。

如图1所示，本具体实施方式主要是以苹果为研究对象，利用可见近红外光谱分析技术、对苹果的内部品质进行快速无损检测，并将其进行分级处理。近红外光谱分析一般包括样品收集、光谱采集、理化分析、光谱预处理、光谱建模和模型验证等几个主要步骤。依据这一过程，制定了可见近红外光谱技术用于水果内部品质分析检测的工作框图，如图1所示。结合当前苹果商业化的基础上，对苹果的糖度和农药残留进行分析与研究，再结合近红外技术，从而实现对苹果糖度和农药残留的同时在线检测。主要研究内容如下：

一．对光谱采集和预处理的研究；

二．对光谱进行建模并比对；

三．对苹果分级的研究。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。