水果糖度近红外动态在线检测模型建立及优化

《水果糖度近红外动态在线检测模型建立及优化》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

分类号______________________________密级______________________________ＵＤＣ______________________________编号______________________________硕士学位论文水果糖度近红外动态在线检测模型建立及优化学位申请人：谢小强学科专业：机械电子工程指导教师：欧阳爱国教授答辩日期：万方数据 华 东 交 通 大 学届 硕 士 学 位 论 文水 果 糖 度 近 红 外 动 态 在 线 检 测 模 型 建 立 及 优 化机 电 工 程 学 院谢 小 强万方数据 独创性声明本人郑重声明：所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表和撰写的研究成果，也不包含为获得华东交通大学或其他教育机构的学位或证书所使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人签名_______________日期____________关于论文使用授权的说明本人完全了解华东交通大学有关保留、使用学位论文的规定，即：学校有权保留送交论文的复印件，允许论文被查阅和借阅。学校可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。保密的论文在解密后遵守此规定，本论文无保密内容。本人签名____________导师签名__________日期万方数据 摘要水果糖度近红外动态在线检测模型建立及优化摘要本研究以赣南脐橙作为实验对象，主要是对其单一的内部品质糖度作为检测指标。由样品光谱采集、光谱数据分析和理化指标测定着手，研究了不同在线检测装置检测效果，不同预处理方法的对比分析，不同变量筛选方法的比较，运用不同的建模方法进行建模，建立简单、稳定的校正模型。结论如下：1.本实验以赣南脐橙糖度为检测指标，对同一品种的赣南脐橙分别采用了漫反射和漫透射两种不同检测方式的近红外在线检测设备，收集糖度的近红外数据。对比了漫反射光谱和漫透射光谱所构建的脐橙糖度校正模型，分别用未参与建模的实验样品进行模型效果验证，研究结果阐明，采用漫透射检测方式的近红外在线检测装置所建模型优于漫反射方式，检测效果更好。2.为消除动态在线采集的光谱信息含有其他无用的干扰信息的影响，分别对漫反射和漫透射两种检测方式采集到的光谱进行预处理。对比分析了标准正态变量变换（SNV）、S-G一阶导数和多元散射校正（MSC）三种预处理方法对光谱信息处理的效果，结果表明，无论是漫反射，还是漫透射，所采集的光谱都是选择MSC预处理方法对光谱数据处理效果要好，其预测相关系数，漫反射和漫透射为0.67和0.87，预测均方根误差，漫反射和漫透射为0.85oBrix和0.40oBrix。3.对比分析了反向间隔偏最小二乘（BiPLS）、移动窗口偏最小二乘（MWPLS）、遗传算法（GA）、反向间隔偏最小二乘-遗传算法（BiPLS-GA）和移动窗口偏最小二乘-遗传算法（MW-GA）五种变量筛选方法，都可以很好地剔除光谱中的多余信息。其中BiPLS-GA的组合变量筛选方法最佳，是所有筛选方法中预测效果最好的一个。其筛选的变量数为194个，只占原光谱的16.4%，大大地减少了建模变量数，同时也很有效地提高了PLS校正模型的预测能力。其相关系数Rc和Rp分别为0.93和0.90，均方根误差RMSEC和RMSEP分别为0.30oBrix和0.36oBrix。4.为选择出最佳的建模方法，对比主成分回归（PCR）、偏最小二乘（PLS）和最小二乘-支持向量机（LS-SVM）建模效果，从实验结果，可以得出用PLS建模结合BiPLS-GA变量选取方法，构建的校正模型预测性能最好。关键词：近红外光谱，赣南脐橙，糖度，无损检测，在线，变量筛选I万方数据 AbstractFRUITSUGARCONTENTNEARINFRAREDONLINEDETECTIONMODELESTABLISHMENTANDOPTIMIZATIONABSTRACTInthisstudy,Gannannavelorangeasexperimentalsubjects,mainlysugarcontentofitssingleinternalqualityasanindicator.Bysamplespectrum,spectraldataanalysisandthedeterminationtothephysicalandchemicalindicators,on-linedetectiondevicedetectioneffectwasstudied,differentpretreatmentmethodsofcomparativeanalysis,thecomparisonofdifferentvariableselectionmethod,usingdifferentmodelingmethodsformodelingandsimple,thestabilityofthecalibrationmodelissetup.Conclusionsareasfollows:1.Inthisexperiment,orangesugarcontentforthedetectionoftargets,thenavelofthesamespecieswereuseddiffusereflectanceanddiffusetransmissionintwodifferentwaysofdetectingnear-infrareddetectiondeviceonline,near-infraredspectraldataacquisitionorangesugarcontent.Comparedthediffusereflectionanddiffusetransmissionspectroscopynavelorangeyourhydrometercorrectionmodelissetup,respectivelywasnotinvolvedinthemodelingeffectofexperimentalsamplesmodelvalidation,theresearchresultsshowthatusingdiffusetransmissiondetectionwaysofnearinfraredonlinedetectiondevicebuiltmodelissuperiortothediffusereflectionmode,detectioneffectisbetter.2.Toeliminatedynamiconlinecollectionofspectralinformationcontainstheinfluenceoftheinterferenceofotheruselessinformation,diffuseanddiffusetransmissionoftwokindsofdetectionmethodscollectedspectralpreprocessing.Contrastanalysisofthestandardnormalvariablestransform(SNV),aderivativeoftheS-Gandmultiplescattercorrection(MSC)threepretreatmentmethodsontheeffectofspectralinformationprocessing,theresultsshowedthatbothdiffuse,ordiffusetransmissionspectrawerecollectedtochooseMSC pretreatmentmethodforspectraldataprocessingeffectisbetter,thepredictioncorrelation coefficient,diffusereflectionanddiffusetransmissionwere0.67and0.87,predictrootmean squareerror,diffusereflectionanddiffusetransmission0.85oBrixand0.40oBrix respectively.3.Comparativeanalysisofthereverseintervalpartialleastsquares(BiPLS),moving windowpartialleastsquares(MWPLS),geneticalgorithms(GA),thereverseintervalpartial leastsquares-geneticalgorithms(BiPLS-GA)andmovethewindowpartialLeastSquares- geneticalgorithms(MW-GA)fivevariableselectionmethods,canbeagoodspectrumof redundantinformationremoved.WhichcombinationofvariablesBiPLS-GAoptimal screeningmethodisthebestoneofallscreeningmethodstopredictresults.ThenumberofII万方数据 Abstractvariablefilter194,only16.4%oftheoriginalspectrum,greatlyreducingthenumberofvariablesinthemodeling,butalsoveryeffectiveinimprovingtheabilitytopredictthePLScalibrationmodel.ThecorrelationcoefficientRcandRp0.93and0.90,respectively,andtherootmeansquareerrorRMSECRMSEPwere0.30oBrixand0.36oBrix.4.Tochoosethebestmodelingmethod,comparativeanalysisoftheprincipalcomponentregression(PCR),partialleastsquares(PLS)andleastsquaressupportvectormachine(LS-SVM)modelingapproachtopredicttheeffect,fromtheexperimentaltheresultscanbedrawnfromacombinationBiPLS-GAPLSmodelingmethodforscreeningvariablestoestablishcalibrationmodeltopredictthebestperformance.KeyWords:nearinfraredspectroscopy,Gannannavelorange,sugarcontent,nondestructivedetecting,online,variableselectionIII万方数据 目录目录主要符号说明..............................................................I第一章绪论...............................................................11.1课题研究的背景及意义...........................................................................................11.1.1课题背景分析................................................................................................11.1.2课题研究意义................................................................................................21.2国内外近红外光谱技术在水果内部品质检测的研究进展...................................31.2.1国外研究进展................................................................................................31.2.2国内研究进展................................................................................................51.3近红外在线检测技术存在的问题...........................................................................71.4本课题的研究内容及技术路线...............................................................................71.4.1研究内容........................................................................................................71.4.2技术路线........................................................................................................81.5本章小节...................................................................................................................9第二章近红外在线检测技术的基本原理及实验装置............................102.1近红外在线检测技术基本理论.............................................................................102.1.1近红外检测原理..........................................................................................102.1.2水果近红外在线检测方式...........................................................................112.1.3水果近红外在线检测分析步骤和方法......................................................122.2近红外漫反射在线检测装置.................................................................................132.2.1输送部件......................................................................................................142.2.2光源系统......................................................................................................142.2.3光谱采集部件..............................................................................................152.3近红外漫透射在线检测装置.................................................................................162.3.1输送部件......................................................................................................162.3.2光源系统......................................................................................................172.3.3光谱采集部件..............................................................................................182.4本章小节.................................................................................................................18第三章不同检测方式对糖度在线检测精度的影响研究..........................193.1近红外漫反射方式在线检测装置的建模效果研究.............................................193.1.1实验材料和方法..........................................................................................193.1.2样品数据获取..............................................................................................19IV万方数据 目录1.不同预处理方法对比分析..........................................................................201.1.1近红外漫透射方式在线检测装置的建模效果研究.............................................241.2.1实验材料和方法..........................................................................................241.2.2样品数据获取..............................................................................................251.2.3不同预处理方法对比分析..........................................................................261.1.2本章小节.................................................................................................................30第四章近红外在线检测模型的建立及优化....................................311.4.1光谱变量选择的重要性和方法.............................................................................311.4.2特征变量选择方法比较.........................................................................................322.1BiPLS............................................................................................................332.2MWPLS............................................................................................................352.3GA-PLS..........................................................................................................362.4BiPLS-GA-PLS..............................................................................................382.5MW-GA-PLS....................................................................................................402.6模型性能对比..............................................................................................421.4.3不同建模方法比较.................................................................................................432.1.1PCR................................................................................................................432.1.2LS-SVM..........................................................................................................441.4.4本章小结.................................................................................................................45第五章结论与展望.......................................................462.2.1结论.........................................................................................................................462.2.2展望.........................................................................................................................47参考文献.................................................................48个人简历在研期间发表的学术论文.........................................51致谢.....................................................................52V万方数据 主要符号说明主要符号说明SNV标准正态变量变换；S-G一阶导数Savitzky-Golay卷积一阶导数；MSC多元散射校正；BiPLS反向间隔偏最小二乘；MWPLS移动窗口偏最小二乘；GA遗传算法；BiPLS-GA反向间隔偏最小二乘-遗传算法；MW-GA移动窗口偏最小二乘-遗传算法；PCR主成分回归；PLS偏最小二乘；LS-SVM最小二乘-支持向量机；Rc校正相关系数；Rp预测相关系数；RMSEC校正均方根误差；RMSEP预测均方根误差；I万方数据 第一章绪论第一章绪论1.课题研究的背景及意义1.1.1课题背景分析中国自古以来就是水果王国，不仅栽培历史悠久，更是品类繁多，水果及干果类就多达50余种。水果这一产业已经成为在我国除粮食、蔬菜之后的第三大种植业，在农村经济发展和农民增收中起到十分重要的作用，甚至在很大一部分地区已经成为其农村经济的支柱性产业。从1993年，成为世界第一鲜果出产国以来，在良好的种植环境、政府政策和市场需要不断扩大多方面原因。我国水果产业稳步发展，一直保持着第一水果生产大国的地位。由农业部，公布最新报告称：2013年，全球苹果、梨等主要鲜果产量继续保持增长势头，而中国，仍是第一大鲜果出产国。如苹果，2013年预计产量为6790万吨，同比增长2%。其中中国，将达到3800万吨，欧盟为1130万吨和美国为420万吨。而梨，2013年将达到2190万吨。其中中国，产量占世界比例为75%，达到1650万吨，欧盟为210万吨和阿根廷为82万吨。目前，果品产业群将会迎接到一个全新的发展时代，对于本国果品产业群来说是机遇，更是挑战。虽然在这几年我国加大了农产品技术的发展，尤其是对果品产业的生产及产后处理技术的改进，使鲜果品质有一定程度的提高，但是在国际市场上，与发达国家对比，不论是在鲜果的外观还是品质上，还是有不小的差距。这样严重影响到本国果品在市场上的竞争，牵制着本国果品产业群的发展。在鲜果上市前，处理方面，一方面是科技利用率低，二是采后商品化环节不足。很大一部分鲜果甚至都没有采后清理，以自然的形式、不封装、不分等次直接上市，直接影响到鲜果外观，严重影响着果品销售和价格。更严重的是，直接影响到我国水果在国际市场的竞争力，使得我国水果出口量低。就最新报道称，今年我国鲜果出口量仅占世界的3%左右，这与我国的第一鲜果大国极不相称。再加上采后的贮藏、运输设备的不够合理，以及鲜果的冷链商品流通技术不够完善，导致我国每年有将近四分之一的鲜果腐烂变质，以致不可挽回的损失。随着国际市场的开放，中国的水果产业也迎来了新的机遇；同时随着人们的生活水平的提高，人们的消费水平提高，中国的水果产业也迎来了新的挑战。消费者对于水果的选购不仅仅只是重视水果的外观，同时也越来越关注水果的内在品质，所以当下时代必将促进水果商品化在线分级的快速发展。1万方数据 第一章绪论1.课题研究意义目前的鲜果市场来说，随着物质需求的提高，消费者除了看重鲜果的外部质量（颜色、大小和外观形状等），同时也越来越重视鲜果的内中质量（酸度、糖度、微量元素等）。鲜果的采后处理，可以有效地提高果品的外部质量及内部质量。提高水果的商品价值，增强市场竞争力，有效地提高水果出口量。水果的采后商品化处理，是水果由数量型转向质量型、粗糙型转向精细型的需要。在水果的采后处理过程中，水果的内部品质分级是其中最为关键的一环，对水果的品质分级，可以更加有效的安排合适的运输方式同时也可以延长水果的贮藏时间，更重要的是能够提高水果市场竞争力，提高其商品价值。近年来，随着国际市场对高品质水果的需求量增加，水果采后分选，已经由传统的手工分选向智能分选转变，由外部品质分选向内外兼顾全品质分选转变。国外的水果产业大国更是形成了自己的品牌水果，如日本、美国等水果大国都有代表性的品牌水果，其不仅保证了水果的大小、外观的上好品质外，同时也兼顾了水果的优质营养价值。就当前来说，在国内对鲜果质量的监测，采用的办法是有损的化学方法和无损伤光谱检测方法。不过其中的光谱无损检测方法，在国内主要还是停留在静态下检测，实时在线检测还无法实现。因此为满足现在水果市场的迫切需求，急需解决水果产后商品化快速分级的技术难题。在众多的无损检测技术中，其中近红外光谱无损检测作为一种新型的、快速无损伤的检测技术，国外已经将这一技术作为果品快速分级的关键技术，对这一技术快速检测鲜果品质做了大量的研究探讨。随着国外学者对近红外无损检测的深入研究，同时市场的迫切需求，国内也不断地开展近红外快速无损检测技术的研究，实现我国水果的快速分级，提升我国水果在国际市场的竞争力同时打造我国自主品牌水果。增加果农收入，促进我国果品行业发展。目前的国际市场上，如：美国[1]、新西兰[2-3]、日 本[4]等，将这一技术已经用于鲜果质量无损检测中，同时也开发出了相关的检测设备。就目前来说，我国在近红外无损检测的研究中，起步比国外晚，主要是靠引进国外的一 些精密实验仪器做一些实验性研究。不仅花费时间长、成本高，同时也满足不了我国的 水果检测需求。所以研究开发一款拥有自主产权的水果品质在线分级的检测设备，是目 前我国水果行业非常重要而又迫切解决的技术难题。根据目前近红外无损在线检测研究所存在的问题，以及现在在我国投入到商业化生 产的现况。本研究主要选择水果的重要内部品质中的糖度指标来进行实验分析，以近红 外光谱仪、分级运输线和试验台等硬件构成在线装置，用不同的检测方式，对水果的内 部品质在线检测模型建立的研究。解决现如今动态在线分级系统数学模型不稳定、预测 精度不高和预测模型不稳定等技术难题，为提高预测模型适应性能力提供有力的理论依 据和数据支撑。2万方数据 第一章绪论1.国内外近红外光谱技术在水果内部品质检测的研究进展1.1.1国外研究进展近年来，随着化学计量学方法的发展应用，近红外光谱技术在农业领域的应用开始引起人们的注意。尤其是其在检测水果品质中的快速、无损等特点，在这几年里，成为了热点研究领域。Dull等(1989年)以“Staicoy,'洋香瓜果肉为检测对象，用近红外光谱对其可溶性固形物含量(SSC)进行检测。研究发现近红外光谱可以用于洋香瓜SSC的检测，相关系数(r)为0.60，标准校正误差(SEC)为1.67[5]。Slaughter(1995年)探讨了以可见/近红外光谱技术为依托的无损检测方法，对油桃和桃的内部质量（可溶性固体容量、糖容量、山梨醇容量等）进行检测的研究[6]。McGlone等（1998）以猕猴桃为检测对象，用近红外光谱对其干物质含量和糖度的检测研究，同时建立多元变量预测模型。其干物质含量相关系数为0.90，糖度相关系数为0.90[7]。Lammertyn等（2000）以苹果糖度为检测指标，用三种不同探头进行检测，对近红外光谱检测中的反射特性进行了探讨研究，实验结果表明波长在880-1650nm范围内，其光纤交叉组合式探头的检测效果最佳，相关系数为0.90[8]。Kim等（2000）以猕猴桃为实验对象，进行近红外无损伤测量，探讨猕猴桃成熟度与生长环境及储藏时间的相关关系，建立非线性和线性的相关模型。研究发现非线性数学模型更优[9]。Greensill等（2001）利用近红外光谱对柑桔成熟度预测分等次准确性的探究，对比分析了三种散射部件光谱检测仪器对柑橘成熟度分等次的实验效果，结果表明，双棱镜部件的检测仪器更可靠、更快捷[10]。C.J.Clark等(2001年)以“Braeburn”苹果的内部褐变含量，为检测指标，采用近红外透射方式进行检测，研究发现波段为700-900nm时，探测器与光源夹角为90°，建立的PLS模型，预测精度最高[11]。Peirs等（2002）以苹果为实验对象，对比分析了几种近红外光谱仪对苹果品质（糖酸度、硬度）的检测能力，实验结果证明傅立叶光谱仪比其他的光谱仪预测精度更好。同时也对鲜果种植地及收获时间的变化对模型的稳定性反应的探讨，最好说明综合性模型预测精度更稳定[12-13]。McGlone等（2002）对‘RoyalGala’苹果糖度进行无损检测，主要是对比分析其采摘前后所建立的预测模型的稳定性影响，结果显示，波长为500-1100nm建立的预测模型，采摘后的比采摘前的预测性能要好[14]。McGlone等人（2002年）利用短波光谱仪（500-1100nm）对‘皇家嘎拉’苹果的糖度进行检测，探讨了苹果在储藏前后所建立的模型预测精度的好坏，其结果储藏后的模型3万方数据 第一章绪论精度高，其RMSEP值为0.50oBrix[15]。Clark等（2003）建立近红外透射在线分选装置，对‘Braeburn’苹果的“褐心”病进行在线分选的研究，研究表明，此方法可以有效地去除患有“褐心”病的苹果，提高苹果商业品质[16]。Chiba等（2003）开发了一种果蔬糖度的实时无损检测设备，由运输线将样品运送到相应的位置，在每个特定位置照射不同光强、不同波长范围的光谱，检测果蔬，从而实现各种水果和蔬菜的糖度的快速无损检测[17]。Lee等（2004）通过对柑橘的糖度的近红外无损检测的研究，结合化学计量学方法建立数学模型。对比分析了不同的预处理方法，结果表明一阶微分的预处理方法去噪效果明显，建立的预测模型，相关系数为0.897，标准偏差为0.42[18]。Miller等（2004）利用近红外在线设备柑橘糖度进行无损检测，其中检测速度5.5个/s。并建立校正模型，同时也利用神经网络算法建立了物理、颜色和糖度的混合性模型。糖度的正确分类率80％～90％[3]。Kim等（2004）自行设计了一款针对柑橘成熟度和缺陷的近红外透射式在线检测装置，光源采用卤钨灯。成熟度的检测主要是看光谱的谱峰位置，从而判断其成熟度。建立MLR预测模型，进行成熟度预测，预测精度为91%；同时对柑橘缺陷进行检测，并建立PLS预测模型，其预测准确度为97%[19]。Golic等（2006）对桃、李子和油桃总可溶性固形物含量进行近红外在线检测，建立了桃和油桃的混合模型及李子的单独模型对桃、油桃和李子的总可溶性固形物含量的预测，预测效果明显[20]。Subedi等人（2007年）通过可见-近红外光谱仪对芒果成熟度进行检测，其检测结果为相关系数R2为0.92，SEP为0.67oBrix[21]。Walsh等(2007)为了同时检测橙子、桃子和李子的重量和糖度，研制了一款集重量检测和近红外无损检测为一体的在线检测装置。实验结果表明，其中糖度的检测精度<0.8%，重量<0.5g[22]。Patricia等（2008）为了找出李子的硬度值和糖度的分级标准，对李子品质（糖度和硬度）进行了近红外定量检测。实验结果显示，对糖度的预测其结果r=0.83，SECV=0.77oBrix，硬度的预测结果r=0.52,SECV=2.54N[23]。Nicoletta等（2008）以草莓为实验对象，用近红外和中红外同时对其糖度和酸度进行检测。实验结果显示，二者检测效果都比较理想。其中近红外检测结果：预测糖度RMSEP为0.65%，预测酸度RMSEP为0.18mg；中红外检测结果：糖度，RMSEP为0.36%，酸度，RMSEP为0.25mg[24]。Pérez-Marín等（2009）以油桃采后的硬度和糖度为检测指标，对比分析了基于MEMS技术便携式近红外光谱仪和PertenDA-7000近红外在线检测装置的性能。实验结果显示两种仪器的检测效果都比较好。硬度和糖度SEP值为11.6-12.7N和0.75-0.81°Brix，相4万方数据 第一章绪论关系数r为低于0.84和低于0.89[25]。Els等（2010）以苹果糖度为检测指标，主要是针对这一指标探讨了样品产地差异性对所建立的模型预测精度影响研究。研究表明样品差异确实对模型的建立有所影响，所建立模型的样品多样化可以有效地提高模型的稳定性[26]。1.国内研究进展近年来随着近红外无损检测成为热点研究领域，我国学者也开始研究近红外在水果无损检测中的应用。虽然研究起步较晚，仍处于实验阶段，不过也出了不少的公开报道。金同铭等（1995）为确定苹果糖度含量在近红外的哪些波段区，对完整苹果用近红外漫反射方式测定，发现在波长为910nm周围有明显的差异性。选定经610nm、884nm、843nm、991nm几个波长进行线性分析，其相关系数0.98，标准误差为0.36[27]。陈世铭等（1998）以水蜜桃果汁的糖度含量为检测对象，通过近红外光谱对其检测。探讨了三种不一的建模办法（MLR、PLS和ANN）在不同光谱预处理(原始光谱、一次导数光谱、二次导数光谱)下所建模型的预测效果。结果显示MLR结合二次微分光谱得到最佳结果，PLS在原始光谱下效果最佳，ANN结合一次微分光谱预测效果较好[28]。何东健等（2001）为研究几种近红外检测方式（反射光测定法、不完整遮挡式透射测定法和完整遮挡式透射测定法）在检测中的效果，利用水果分级装置，对苹果进行糖度和酸度的检测。结果表明，完整遮挡式透射测定法效果最佳，糖度的相关系数在0.95以上，酸度的相关系数大于0.85[29]。赵丽丽（2003）为同时测量苹果的硬度值和糖度，分别选取近红外波段650nm-850nm作为糖度的分析谱区，挑选波段为650nm-800nm作为硬度的分析谱区，结合一阶导数平滑预处理，建立模型。糖度的校正集，相关系数为0.81，预测集，相关系数为0.92；硬度的校正相关系数为0.88，预测相关系数为0.88[30]。刘燕德等（2004）在利用近红外漫反射检测苹果糖度的实验中，为研究光纤距离对检测效果的影响，讨论了在不同距离（0,2,4和6mm）下检测苹果糖度对模型预测能力的影响。实验表明，距离对检测有影响，并且在距离为0mm时预测效果最佳[31]。陆辉山等（2006）为了实现对水果糖度的在线检测，构建了一套拥有自带软件的水果在线检测装置，并进行过水果的糖酸度的在线检测研究[32]。刘燕德等（2006）为解决水果实时动态测量的需要，自主搭建了近红外动态测量装备，并对雪青梨糖度和酸度进行测量实验[33]。孙通等(2008)通过自主开发的近红外透射在线检测设备对梨的可溶性固形物进行监测，速度为0.5m/s，光源强度300W，以半透射方式检测。对比分析PLS和PCR所建立预测模型的优劣[34]。田海清等(2009)为了降低自主设计的近红外在线检测系统对西瓜品质检测时噪声的影响，对比分析了Norris微分滤波方法和最小二乘拟合法消噪效果结果发现Norris微分滤波法消噪效果较好[35]。5万方数据 第一章绪论孙通等(2009)在用近红外在线检测装置对梨的可溶性固形物检测是，为建立最佳的预测模型。对比了不同速度（0.3m/s、0.5m/s、0.7m/s）下对检测的影响，同时也探讨了预处理方法对模型建立的影响，最后建立PLS和LS-SVM数学模型。结果阐明：速度在0.5m/s时，原始光谱建立的PLS模型，预测最好[36]。崔丰娟等（2010）,利用近红外透射检测装置对苹果糖度进行检测，并研究了检测速度对检测效果的影响。结果表明，检测速度对模型的预测结果有影响，可以建立混合速度模型这样可以提高模型的适应性能力37]。洪涯等（2010）为提高近红外检测砂糖橘总酸的精确度，结合连续投影变量筛选方法，并且建立预测模型，提高了预测效果[38]。石吉勇等（2011）为了降低模型的复杂度，提高模型预测精度。结合变量筛选特征波长，MLR模型建立，预测均方根误差，由0.55oBrix减到0.43oBrix[39]。孙通等（2012）利用近红外仪器对橙子可溶性固形物进行监测，对比分析了几种变量筛选方法（CARS、无信息变量消除(UVE)和连续投影算法(SPA)）的优劣比较。研究发现,CARS更有效地筛选出重要波长变量，建立的PLS模型,其预测相关系数0.917,均方根误差0.394%[40]。代芬等（2012）为了验证近红外在荔枝可溶性固形物的检测中也是可行的，对比分析了两种检测方式（漫反射法和漫透射法）的实验。经过实验，结果表明近红外漫透射式，对荔枝可溶性固形物的测量是可行的[41]。zhikuquan20150721韩东海等（2013）为了更好地检测小型西瓜的可溶性固形物含量和组织含水率，利用近红外检测技术对其多个部位进行检测。经过实验对比发现，在瓜的赤道部位和顶部的中层区（距果皮2-3cm）有较好的检测效果[42]。郭文川等（2013）为了快速准确地对猕猴桃的损害性进行判别，采用近红外漫反射对几种常见损伤（碰损伤、压损伤、无害）的猕猴桃进行检测。结合化学计量学方法建立了几种数学模型，对比分析了连续投影算法、全光谱波长和主成分分析的变量筛选方法。结果表明，连续投影算法结合支持向量机所建模型预测效果最好[43]。王伟明等（2013）利用近红外光谱技术对梨果的品质糖度进行检测，实验主要讨论了原始光谱与几种预处理方法建模效果的对比分析。建立的PLS数学模型，可以看出平滑预处理方法优于原始光谱的建模效果，其相关系数0.99，预测偏差0.019[44]。牛晓颖等（2013）在对草莓的内部品质（可滴定酸和固酸比）进行定量分析时，采用近红外对其进行内部品质检测并建立数学模型。为得到更稳定、预测更准确的数学模型，对比分析了PLS和LS-SVM建模，试验结果阐明，LS-SVM建模方法，可以很有效地改进近红外对草莓的内部品质（可滴定酸和固酸比）建模的效果[45]。孙通等（2013）利用近红外半透射式动态检测设备，对赣南橙子进行动态测量，其内部品质（可溶性固形物），在运输速度0.3m.s-1下进行光谱采集，并结合对比了原始光谱和CARS选取变量，所构建的PLS模型的预测能力。结果表明，结合CARS变量选6万方数据 第一章绪论取方法，构建的预测模型，效果更好[46]。1.近红外在线检测技术存在的问题随着国内学者对近红外光谱检测技术，研究的逐渐深入，发现了一些共性问题。尤其是在近红外光谱技术，应用于果品内部质量在线生产中时，结合化学计量学方法，建立了相关的模型。随着这些方法在实时检测中的不断应用，不难发现近红外动态检测技术应用到实际生产中，还存在不少的问题：(l)首先，对于水果样品检测时，合理地选择检测方式。在近红外光谱对水果的检测中，光谱主要是只能收集到水果表面5mm之内的有效信息。那么基于这个，为了能更准确地检测水果品质，那么就必须在针对不同种类水果合理地选择光源系统以及合理的检测方式，这也将是近红外在线检测技术在未来的实际应用中的一个关键所在；(2)近红外光谱所包含的信息比较丰富，其不仅含有样品信息，同时还包含了各种噪声和无关的信息。尤其是在动态采集光谱的过程中，在线装置在一定的检测速度下对样品的扫描时，由于速度的不稳定、装置的震动等原因，更是会引起光谱的变化，从而使得光谱包含着各种干扰信息。如何有效地剔除干扰信息，提高光谱所包含样品有效信息，更有效地反应水果内部品质也是当前急需解决的技术难题；(3)近红外检测水果品质，主要是通过对光谱数据的分析建立光谱信息与样品品质zhikuquan20150721信息的相关性，这一方法主要是数学模型的建立过程。建立的模型的精确性、稳定性在很大程度上受到建模时波长选择的影响。在模型的建立过程中，可以通过优化光谱数据、变量筛选特征波长等，既可以模型简单化，又可以减少无用信息对所建模型稳定性的影响，所以非常有必要研究一些特征波长选择方法在近红外检测水果品质中对模型建立的影响；(4)当前的近红外在线检测水果品质，主要是还处在实验研究阶段，多数报道还只是停留在可行性研究中。毕竟商业化实时在线检测与实验研究还存在较大区别，所以研究高稳定性、高精度性的检测条件及建模方法是将近红外在线检测水果内部品质应用到实际生产中去的关键所在。2.本课题的研究内容及技术路线1.1.1研究内容结合目前国内外近红外在线检测水果品质的研究现状，本研究以赣南脐橙作为实验对象，主要是针对赣南脐橙的单一内部指标糖度作为检测指标。具体研究内容包括：（1）不同在线检测装置对水果内部品质在线检测效果的对比分析7万方数据 第一章绪论近红外光谱对水果内部品质的检测中，光谱所能检测到的水果内部信息主要是在水果表皮5mm之内的信息。所以为尽可能地将光谱信息完全表征水果内部品质，必须选择合适的在线装置。对比分析不同在线装置对水果的内部品质检测效果，为实际生产设计一款合适的近红外在线检测设备。（2）不同预处理方法处理近红外光谱信息对于模型建立的影响近红外光谱包含的信息比较丰富，其中往往包括一些样品品质无关的信息，比如样品表皮、杂散光和在线装置震动所引起的干扰信息，导致光谱基线漂移或谱峰变形等，所以必须适当得对近红外光谱做些预处理。（3）对比分析不同变量筛选方法对近红外光谱变量的筛选研究在对水果品质在线检测的过程中，由于受到一些外在的干扰，或者仪器本身的不稳定，在光谱采集中混入噪声信息，并且对于一个水果来说其内含有多种成分，每种成分所对应的近红外波段的相应程度也不一样。所以，在对所采集的光谱数据分析时，非常有必要对光谱波段进行筛选。优化出所要研究的特征变量进行模型的建立。（4）对比不同建模方法及模型的建立和验证为了能建立更稳定的数学模型，提高预测精度。对比辨析不同的建模方法，构建预测模型，并进行验证。1.技术路线zhikuquan20150721综合上述的研究内容，本课题以赣南脐橙作为实验对象，主要是对其单一的内部品质糖度作为检测指标。由样品光谱采集、光谱数据分析和理化指标测定着手，研究了不同在线检测装置检测效果，不同预处理方法的对比分析，不同变量筛选方法的比较，运用不同的建模方法进行建模，建立简单、稳定、精度高的预测模型。技术路线，图1-1所示：8万方数据 第一章绪论查阅文献资料总体实验方案的设计近红外漫反射在线检测装置近红外漫透射在线检测装置样品光谱采集光谱数据分析不同检测方式对比分析不同预处理方法研究不同变量筛选方法研究不同建模方法对比研究zhikuquan20150721导出最佳数学模型图1-1具体技术路线图Fig.1-1Thespecifictechnologyroadmap1.本章小节本章结合国内外近红外光谱技术应用于鲜果品质检测的发展现状及应用前景，阐明了本课题研究的背景及意义。概述了近几年国内外对于近红外技术，在鲜果品质检测中应用的最新进展。综合性地分析了近红外技术在鲜果品质检测中所遇到的困难，以及关键技术问题，最后提出本课题的相关内容和技术路线。9万方数据 第二章近红外在线检测技术的基本原理及实验装置第二章近红外在线检测技术的基本原理及实验装置1.近红外在线检测技术基本理论1.1.1近红外检测原理近红外(NearInfrared,NIR)是一种在于可见和中红外间的电磁波，其波长在780～2526nm内，是人类最早认识的非可见光。近红外光谱(NearInfraredSpectrum,NIRS)在电磁波谱中的位置如图2-1所示。紫外线可见光红外线微波380nm近红外中红外远红外25000nm1000000nmzhikuquan20150721短波近红外长波近红外780nm1100nm2526nm图2-1近红外在波谱所在位置的示意图Fig.2-1Locationofthenearinfraredinthespectrumdiagram近红外光谱检测技术，主要是近红外光照射到水果表面时，水果内部成分引起光的吸收、反射和散射等现象，从而确定水果组成成分的一种技术手段。其具有快速检测、成本低、无需预处理、无损测量等突出特点，所以在水果品质检测应用越来越广泛。近红外光谱分析技术，其基本原理主要是样品在某些谱区光的吸收强度与吸光粒子数之间存在的关系，同时通过衡量样品中所吸收的光粒子数与通过样品中的总光粒子的关系来定量分析的。这个定量分析，是遵循比尔定律的。比尔定律又称之为物质对光的吸收定律（简称吸光定律）。表达式如下：A=-lgIIo=ebc式中：A为吸光度；I为穿过溶液之后的光束强度；e为摩尔吸光系数；I为初始的010万方数据 第二章近红外在线检测技术的基本原理及实验装置入射光强；c为待测组分浓度；b为光程。从量子力学中，物质对光的接收是有选取性的，质的这一特性主要是有构成质的分子结构所决定的。分子只能吸收与其振动频率相一致的光子，并且被激发到更高的能量级。每一种物质都有自己独特的接收特性，是物质本身的分子或原子所具备的特性，对于某一原子的基频吸收的位置基本是固定的，一些基团的倍频、合频吸收带的位置，如表2-1。近红外光谱检测鲜果内部质量的技术，正是因为鲜果内部组成成分具有较丰富的吸收频谱在近红外光谱区域，所以可以利用近红外光谱手段来检测鲜果的内部质量。表2-1重要基团倍频、合频的吸收带单位cm-1nm基团O-HN-HH2OC-HO-HN-HH2OC-H合频50004650515542502000215019402350二倍频70006670694058001430150014401720三倍频10500952010420650095010509601180四倍频13500125001330011100740800750900五倍频133007501.水果近红外在线检测方式zhikuquan20150721近红外光谱对鲜果的动态检测中，其主要的检测方式。大体分为两大类：透射和漫反射，透射又分为漫透射和全透射两类。其中漫反射检测方式中光源和探头检测器在同一侧，相比较下所采用光源的功率相对小点，所采集光谱反应的只是水果局部信息，大多用来检测果皮薄一点的水果品质。全透射光源与检测器在水果样品的两侧，所采集的是完全穿透水果后的光谱信息，基本上反应水果内部品质信息。漫透射检测方式主要是由多个光源组合成光源系统对水果不同位置进行照射，检测器可以接受到水果大部分品质信息，可以很有效地检测水果内部品质。三种近红外检测方式如图2-2所示。III IIIIIIIIIIVVVII IVIII漫反射透射漫透射(Ⅰ)光源;(Ⅱ样品;(Ⅲ)检测器;(Ⅳ)挡光板;(Ⅴ)承载台图2-2近红外动态在线光谱采集的三种方式Fig.2-2Threemethodsofdynamicon-linenearinfraredspectroscopyacquisition11 万方数据 第二章近红外在线检测技术的基本原理及实验装置1.水果近红外在线检测分析步骤和方法近红外在线检测水果品质实际上是一种间接性检测技术，主要的检测过程大体分为两大步骤：校正模型的建立和未知样品的验证，其流程如图2-3所示。首先确定近红外检测水果品质的实验方案、选定实验检测设备，购买实验样品选择代表性样品；对样品进行动态在线采集光谱数据，测定实验样品所要检测品质的真实值；构建模型，对未知样品验证。实验方案选择代表性样品在线采集光谱测定水果内部品 质划分校正集和预测集建立校正模型zhikuquan20150721对未知样品进行验证输出校正模型模型的验证图2-3近红外检测鲜果内部质量分析流程图Fig.2-3Nearinfrareddetectionfreshfruitinternalqualityanalysisflowchart通常建立数学模型的方法有很多种，在近红外检测水果品质中，通常一般用多元校正方法建立校正模型。多元校正主要分为线性校正方法和非线性校正方法两种，其中线性校正方法：多元线性回归(MLR)、主成分回归(PCR)和偏最小二乘法(PLS)等，非线性校正方法：局部权重回归(LWR)、人工神经网络(ANN)和支持向量机方法(SVM)等。其中，在线性校正方法这类中偏最小二乘法比较广泛地用于近红外检测水果品质的模型建立；另外，在非线性校正方法中支持向量机方法也越来越多地应用于近红外检测的模型建立。对所建模型的评价，一般用相关系数R、校正均方根误差(RMSEC)以及预测均方根误差(RMSEP)，对模型的精确性进行评价。相关系数越大，校正均方根误差和预测均方根误差越小、两者越接近，一般情况下RMSEC等于（1±0.3）RMSEP[47]，表明所建立模型预测效果越好。R、RMSEC和RMSEP计算公式如下：12万方数据 第二章近红外在线检测技术的基本原理及实验装置R=n^å(yii=1å(yi--yi^yi)2)21n^RMSEC=åc(yn11-i=ic-yi)2RMSEP=nåpi=1(y-inp^yi)2其中：n---样品总数nc---校正集样品个数n---预测集样品个数py---校正集i第i个样品的真实值^y---预测集第i个样品的预测值i1.近红外漫反射在线检测装置zhikuquan20150721实验中用来检测样品的近红外漫反射在线实验装置主要由三大部分组成：运输部件、光源系统和光谱采集部件。其中运输部件包括果盘组成的运输带、变频器和电动机等，光源系统主要包括稳压器、光源和光源固定架等，光谱采集部件主要包括光谱仪、光纤和探头等，装置示意图如图2-4所示。光谱仪计算机 光纤卤钨灯探头A/D传感器 PLC图2-4近红外漫反射在线检测装置示意图Fig.2-4Nearinfrareddiffusereflectionon-linedetectiondevice13万方数据 第二章近红外在线检测技术的基本原理及实验装置1.输送部件检测装置中输送部件的主要作用是确保实验所检测的样品能够以某一速度平稳、准确地到达检测位置，其中主要包括果盘组成的运输带、调速器和电动机等部件。电动机主要是为运送样品提供足够的动力，驱动运输带运动，保证样品以一定的速度在运输带上运动。调速器主要是改变输送带运动速度，使在线检测装置能有多种检测速度的选择。果盘组成的运输带主要是用来盛放样品使其能以一定的放置方式运送到指定检测位置，如图2-5所示。图2-5输送带Fig.2-5Conveyorbelt2.光源系统检测装置中光源系统的主要作用是为检测水果样品提供稳定、充足的近红外光源，使得检测装置可以采集到有效的光谱信息，主要包括稳压器、光源和光源固定架等。稳压器主要是稳定通过光源的电压电流，提高光源光强稳定性，因为光源的稳定性直接会影响到所采集到的光谱信息的信噪比，从而影响到检测装置的检测效果。光源固定架，是为了固定和调节光源位置，使光源能够更有效的照射到检测样品上，达到最佳的照射效果。在实验室中，主要是采集光谱区在300-1100nm的光谱信息，所用选用卤钨灯作为实验所用光源。卤钨灯所拥有的谱区在380-2500nm波段范围完全能够满足实验要求，而且卤钨灯具有稳定性好、强度高和寿命长等优点，完全能够满足实验要求。为了使实验装置能够检测多品种水果，无论是皮薄的苹果、梨等，还是皮厚的脐橙、柑橘等，采用4个100w的卤钨灯作为漫反射在线检测装置的光源，其布置结构如图2-6所示。14万方数据 第二章近红外在线检测技术的基本原理及实验装置探头光源 挡板图2-6光源系统Fig.2-6Thelightsourcesystem1.光谱采集部件光谱采集部件主要包括光谱仪、探头、光纤等（图2-7），主要作用是实现样品动态检测过程中的光谱信息采集。检测装置中所采用的光谱仪是美国海洋公司的QE65000光谱仪，其所覆盖的光谱范围在：200-1100nm，具有高灵敏度、低噪声、稳定性好等优点，完全满足实验检测要求。光谱采集部件中的探头采用的是前端有自带的集光器的探头，可以很好地将照射到水果样品表面的反射光聚焦到探头末端，能够更有效地收集到整个水果光谱信息，从而通过光纤输送到光谱仪中。光谱仪光纤探头图2-7光谱采集部件Fig.2-7Spectracollectedparts15万方数据 第二章近红外在线检测技术的基本原理及实验装置1.近红外漫透射在线检测装置实验中用来检测样品的近红外漫透射在线实验装置主要由三大部分组成：运输部件、光源系统和光谱采集部件。其中运输部件包括果盘组成的运输带、变频器和电动机等，光源系统主要包括稳压器、光源和光源固定架等，光谱采集部件主要包括光谱仪、光纤和探头等，装置示意图如图2-8所示。光谱仪计算机卤素灯 光纤A/D探头传感器PLC图2-8近红外漫透射在线检测装置示意图Fig.2-8Nearinfrareddiffusetransmissionschematicon-linedetectiondevice1.1.1输送部件检测装置中输送部件的主要作用是确保实验所检测的样品能够以某一速度平稳、准确地到达检测位置，其中主要包括果盘组成的运输带、调速器和电动机等部件。电动机主要是为运送样品提供足够的动力，驱动运输带运动，保证样品以一定的速度在运输带上运动。调速器主要是改变输送带运动速度，使在线检测装置能有多种检测速度的选择。果盘组成的运输带主要是用来盛放样品使其能以一定的放置方式运送到指定检测位置，果盘主要由两层构成，底层主要是其支撑、固定和运输的功能，上表面这一层主要是由软橡胶组成，起遮挡杂散光的作用，如图2-9所示。16万方数据 第二章近红外在线检测技术的基本原理及实验装置图2-9果盘Fig.2-9Fruittray1.光源系统检测装置中光源系统的主要作用是为检测水果样品提供稳定、充足的近红外光源，使得检测装置可以采集到有效的光谱信息，主要包括稳压器、光源和光源固定架等。稳压器主要是稳定通过光源的电压电流，提高光源光强稳定性，因为光源的稳定性直接会影响到所采集到的光谱信息的信噪比，从而影响到检测装置的检测效果。光源固定架，是为了固定和调节光源位置，使光源能够更有效的照射到检测样品上，达到最佳的照射效果。在实验室中，主要是采集光谱区在300-1100nm的光谱信息，所用选用卤钨灯作为实验所用光源。卤钨灯所拥有的谱区在380-2500nm波段范围完全能够满足实验要求，而且卤钨灯具有稳定性好、强度高和寿命长等优点，完全能够满足实验要求。为了使实验装置能够检测多品种水果，无论是皮薄的苹果、梨等，还是皮厚的脐橙、柑橘等，同时考虑到采用的是漫透射检测方式，对于光的强度要求很高，所以采用10个100w的卤钨灯作为漫透射在线检测装置的光源，其布置结构如图2-10所示。光源探头图2-10光源系统Fig.2-10Thelightsourcesystem17万方数据 第二章近红外在线检测技术的基本原理及实验装置1.光谱采集部件光谱采集部件主要包括光谱仪、探头、光纤等（图2-11），主要作用是实现样品动态检测过程中的光谱信息采集。检测装置中所采用的光谱仪是美国海洋公司的USB2000+光谱仪，其所覆盖的光谱范围在：200-1100nm，具有低成本、稳定性好等优点，完全满足实验检测要求。光谱采集部件中的探头采用的是一种前端有集光效果的一类探头，可以很好地将照射到水果样品表面的反射光聚焦到探头末端，能够更有效地收集到整个水果光谱信息，从而通过光纤输送到光谱仪中。光谱仪探头光纤图2-11光谱采集部件Fig.2-11Spectracollectedparts1.1.1本章小节本章主要介绍了近红外基本原理和检测方式，同时也简略地概述了近红外技术在水果品质检测中的分析方法及步骤。最后比较系统地描述了近红外漫反射在线检测装置和近红外漫透射在线检测装置的组成部分，详细地介绍了装置各个部分的构造和作用。18万方数据 第三章不同检测方式对糖度在线检测精度的影响研究第三章不同检测方式对糖度在线检测精度的影响研究1.近红外漫反射方式在线检测装置的建模效果研究1.1.1实验材料和方法实验所用到的实验样品是从赣南脐橙基地采摘回来的，从所有的样品中筛选出形状较规则、无病害及损伤的脐橙170个，对脐橙样品进行编号及去除灰尘等处理。从赤道部位每间隔120°选取1个点作为光谱采集和糖度测试点。将170个脐橙样品排列放于实验室中，待其温度达到室温时再进行数据采集。1.1.2样品数据获取脐橙样品置于实验室24小时后，进行光谱采集，动态在线采集装置为近红外漫反射检测装置（图2-4）。装置各个参数设置：速度为4个/s，光谱仪的积分时间为70ms，在进行脐橙样品光谱采集前，装置先预热半个小时，再进行脐橙样品光谱采集。对脐橙样品的赤道部位采集完光谱信息后，进行脐橙样品糖度的真实值测量。所采用的测量仪器为日本的PR-101α型折射仪，在糖度测量前，必须用蒸馏水对仪器进行校零。分别将脐橙样品的3个测试部位的果肉切下，挤压榨汁滴于仪器测试处进行检测，三个部位糖度的平均值作为脐橙样品的糖度真实值，其分布如3-1图。图3-1脐橙糖度分布Fig.3-1Navelorangesugardistribution19万方数据 第三章不同检测方式对糖度在线检测精度的影响研究从图3-1可以看出，实验样品糖度分布比较广泛，很有代表性，可以用来作为建立数学模型。将170脐橙样品分为校正集和预测集，由K-S[48]方法可知，预测集的浓度必须在校正集浓度范围内，并且以大概3:1的比例来划分比较合理。所以选择130个脐橙作为校正集，40个脐橙作为预测集，其糖度真实值统计如表3-1所示。表3-1脐橙糖度真实值统计结果(oBrix)样品集个数范围平均值总样品17010.6~17.213.61校正集13010.6~17.213.66预测集4011.4~16.5713.441.不同预处理方法对比分析在近红外在线检测过程中，所采集到的光谱数据除了含有样品本身化学信息之外，同时也或多或少地携带着其他的无用信息及噪声，例如，杂散光、装置振动和样品背景等。所以在对这些光谱信息进行数据分析的过程中，必须对光谱进行必要的预处理，目的在于减少或者消除无关信息对光谱样品信息的干扰，建立更可靠的数学模型[49]。常见的光谱处理方法,例如：平滑、多元散射校正、导数、小波变换、标准正态变量变换等，下面就几种常用的处理方法对所采集到的光谱数据进行对比分析，以便选择出合适的预处理方法[50]。标准正态变量变换标准正态变量变换（英文简写：SNV）这种算法，主要用在消除因样品的个体大小、表面颜色和样品内部结构引起的光谱强度、基线的上下波动对光谱信息的影响，可以很好地消除光谱散射，减少光谱由于散射引起的误差。其计算式如下：xSNV=x-xmå(x-x)kk=1(m-1)其中，xmåxk=1，m为波长点，k=1,2,....,mk=m通过漫反射在线装置采集到的样品反射光谱，如图3-2所示，原始光谱上下波动比较大，对原始光谱进行SNV处理，消除光谱散射的影响。处理后的光谱如图3-3所示， 20万方数据 第三章不同检测方式对糖度在线检测精度的影响研究从图可以看出，经过SNV处理后在很大程度上消除了光谱散射，突显出了光谱的谱峰。图3-2漫反射原始光谱Fig.3-2Diffusetheoriginalspectrum图3-3SNV处理后的漫反射光谱Fig.3-3SNVaftertreatmentofdiffusereflectionspectrum多元散射校正多元散射校正（MSC），其作用与SNV算法差不多，都是为了消除样品个体大小不均产生的散射影响，在近红外检测中运用比较广外。图3-4所示，为经过MSC处理后的漫反射光谱，可以看出经过MSC预处理后其效果与SNV的效果稍微好一点，至少光谱稍微聚集一点，不会那么散乱。21万方数据 第三章不同检测方式对糖度在线检测精度的影响研究图3-4MSC处理后的漫反射光谱Fig.3-4MSCaftertreatmentofdiffusereflectionspectrum导数Savitzky-Golay一阶导数（缩写为S-G-1stD），其主要是可以有效消除光谱基线偏移，排除背景干扰提高光谱的分辨率。不过其由于选择的多项式阶次和移动窗口点数不一样，所以有多种导数模式，所达到的效果也不一样。移动窗口点数太大，可能导致平滑过渡，而丢失大量的细节光谱信息；移动窗口点数太小，可能噪声会很大，影响模型的预测效果；选择合适的多项式次及移动窗口尤为重要。下面依次对二次、三次、四次多项式，并取不同移动窗口点数,对脐橙的漫反射光谱进行处理，并建立PLS模型进行评价，选出较好的Savitzky-Golay一阶导数的参数。图3-5为二次、三次、四次多项式，不同移动窗口点数与RMSECV的对应图。1.二次多项式三次多项式四次多项式1.1.11.2.11.4.10102030移动窗口点数图3-5不同S-G-1stD的模型评价Fig.3-5DifferentS-G-1stDmodelevaluation22万方数据 第三章不同检测方式对糖度在线检测精度的影响研究从图3-5可以看出，在三次多项式时，移动窗口点数为19，RMSECV最小，模型效果更好。因此，实验选用三次多项式，移动窗口点数为19个的S-G一阶导数处理脐橙漫反射原始光谱，处理结果如图3-6所示。图3-6S-G-1stD处理后的漫反射光谱Fig.3-6TheS-G-1stDaftertreatmentofdiffusereflectionspectrum为了对比上述三种预处理方法对光谱信息的处理效果优劣，采用比较常用的偏最小二乘法（PLS）建立校正模型，得到SNV-PLS、MSC-PLS、S-G-1stD-PLS三种数学模型，将这些模型与原始光谱建立的PLS模型进行比较，其结果如表3-2所示。从表中可以看出，采用不同的光谱预处理方法，所建立的校正模型预测效果也不尽相同，有的效果好点，有的效果差点。由表3-2可知，预处理方法SNV和MSC，构建的校正模型，其预测效果差不多，比原始光谱，构建的模型预测效果要好。其中S-G一阶导数的预测效果反而比原始光谱的预测效果要差，可能是在对光谱进行处理的过程中，反而引进了噪声信息或者忽略了光谱的细节信息，所以反而降低了其预测能力。从表中数据得出，预处理方法MSC，预测相关系数（Rp）0.67，预测均方根误差（RMSEP）0.85oBrix，是所有模型中，预测效果最好的。表3-2不同预处理建模效果评价建模方法主因子数RCRMSECRPRMSEPPLS60.710.800.640.88SNV-PLS60.710.790.660.85MSC-PLS60.710.800.670.85S-G-1stD-PLS40.630.890.570.9323万方数据 第三章不同检测方式对糖度在线检测精度的影响研究将上面所建立的几种校正模型，对未介入建模的40个脐橙进行验证，其验证的糖度真实值与预测值散点图，图3-7所示。16y=0.59x+5.5Rp=0.6416y=0.58x+5.6Rp=0.66 15141413 1212111010121416实测值/oBrix11121314151617实测值/oBrix(a)PLS(b)SNV-PLS16y=0.59x+5.616Rp=0.67 Rp=0.57y=0.41x+7.914 1412 1210121416实测值/oBrix10121416实测值/oBrixoBrix(c)MSC-PLS(d)S-G-1stD-PLS图3-7不同预处理后所建立的PLS预测模型Fig.3-7AfterdifferentpretreatmentPLSforecastmodelissetup1.近红外漫透射方式在线检测装置的建模效果研究1.1.1实验材料和方法实验所用到的实验样品是从赣南脐橙基地采摘回来的，从所有的样品中筛选出形状较规则、无病害及损伤的脐橙150个，对脐橙样品进行编号及去除灰尘等处理。从赤道部位每间隔120°选取1个点作为光谱采集和糖度测试点。将脐橙排列放于实验室中，待 其温度达到室温时再进行数据采集。24万方数据 第三章不同检测方式对糖度在线检测精度的影响研究1.样品数据获取脐橙样品置于实验室24小时后，进行光谱采集，动态在线采集装置为近红外漫透射检测装置（图2-8）。装置各个参数设置：速度为5个/s，光谱仪的积分时间为80ms，在进行脐橙样品光谱采集前，装置先预热半个小时，再进行脐橙样品光谱采集。对脐橙样品的赤道部位采集完光谱信息后，进行脐橙样品糖度的真实值测量。所采用的测量仪器为日本的PR-101α型折射仪，在糖度测量前，必须用蒸馏水对仪器进行校零。分别将脐橙样品的3个测试部位的果肉切下，挤压榨汁滴于仪器测试处进行检测，三个部位糖度的平均值作为脐橙样品的糖度真实值，其分布如3-8图。图3-8脐橙糖度分布Fig.3-8Navelorangesugardistribution从图3-8可以看出，实验样品糖度分布比较广泛，很有代表性，可以用来作为建立数学模型。将150脐橙样品分为校正集和预测集，由K-S[48]方法可知，预测集的浓度必须在校正集浓度范围内，并且以大概3:1的比例来划分比较合理。所以选择110个脐橙作为校正集，40个脐橙作为预测集，其糖度真实值统计如表3-3所示。表3-3脐橙糖度真实值统计结果(oBrix)样品集个数范围平均值总样品15010.6~16.9313.34校正集11010.6~16.9313.49预测集4011.6~15.113.2925万方数据 第三章不同检测方式对糖度在线检测精度的影响研究1.不同预处理方法对比分析在近红外在线检测过程中，所采集到的光谱数据除了含有样品本身化学信息之外，同时也或多或少地携带着其他的无用信息及噪声，例如，杂散光、装置振动和样品背景等。所以在对这些光谱信息进行数据分析的过程中，必须对光谱进行必要的预处理，目的在于减少或者消除无关信息对光谱样品信息的干扰，建立更可靠的数学模型[49]。常见的光谱处理方法,例如：平滑、多元散射校正、导数、小波变换、标准正态变量变换等，下面就几种常用的处理方法对所采集到的光谱数据进行对比分析，以便选择出合适的预处理方法[50]。标准正态变量变换由近红外漫透射在线装置采集到的样品透射光谱，如图3-9所示，原始光谱上下波动比较大，波峰位置不突出，对原始光谱进行SNV处理，消除光谱散射的影响。处理后的光谱，图3-10所示，从图可以说明，由SNV处理后，在很大程度上消除了光谱散射，突显出了光谱的谱峰。图3-9漫透射原始光谱Fig.3-9Diffusetransmissionoftheoriginalspectrum26万方数据 第三章不同检测方式对糖度在线检测精度的影响研究图3-10SNV处理后的漫透射光谱Fig.3-10SNVaftertreatmentofdiffusetransmissionspectrum多元散射校正将近红外漫透射原始光谱用MSC方法处理，其结果如图3-11所示，从图可以看出经过MSC预处理后光谱稍微聚集一点，在很大程度上消除了散射的影响。图3-11MSC处理后的漫透射光谱Fig.3-11MSCaftertreatmentofdiffusetransmissionspectrum导数下面依次对二次、三次、四次多项式，并取不同移动窗口点数,对脐橙的漫透射光谱进行处理，并建立PLS模型进行评价，选出较好的Savitzky-Golay一阶导数的参数。图3-5为二次、三次、四次多项式，不同移动窗口点数与RMSECV的对应图。27万方数据 第三章不同检测方式对糖度在线检测精度的影响研究1.二次多项式三次多项式四次多项式1.1.11.2.11.4.10102030移动窗口点数图3-12不同S-G-1stD的模型评价Fig.3-12DifferentS-G-1stDmodelevaluation从图3-12可以看出，在二次多项式时，移动窗口点数为17，RMSECV最小，模型效果更好。因此，实验选用二次多项式，移动窗口点数为17个的S-G一阶导数处理脐橙漫反射原始光谱，处理结果如图3-13所示。图3-13S-G-1stD处理后的漫透射光谱Fig.3-13TheS-G-1stDaftertreatmentofdiffusetransmissionspectrum为了对比上述三种预处理方法对光谱信息的处理效果优劣，采用比较常用的偏最小二乘法（PLS）建立校正模型，得到SNV-PLS、MSC-PLS、S-G-1stD-PLS三种数学模型，将这些模型与原始光谱建立的PLS模型进行比较，其结果如表3-4所示。从表中可以看出，采用不同的光谱预处理方法，所建立的校正模型预测效果也不尽相同，有的效果好点，有的效果差点。由表3-4可知，SNV和MSC方法，构建的校正模型，其预测效果差不多，比原始光谱，构建的模型预测效果要好。其中S-G一阶导数的预测效果反而比原始光谱的预测效果要差，可能是在对光谱进行处理的过程中，反而引进了噪声信息或28万方数据 第三章不同检测方式对糖度在线检测精度的影响研究者忽略了光谱的细节信息，所以反而降低了其预测能力。从表中数据得出，预处理方法MSC，预测相关系数（Rp）为0.87，预测均方根误差（RMSEP）为0.40oBrix，是所有模型中，预测效果最好的。表3-4不同预处理建模效果评价建模方法主因子数RCRMSECRPRMSEPPLS80.870.300.820.48SNV-PLS80.890.260.860.42MSC-PLS80.900.280.870.40S-G-1stD-PLS60.810.300.750.56将上面所构建的几种校正模型，对未介入建模的40个脐橙进行验证，其验证的糖度真实值与预测值散点图，图3-14所示。y=0.7x+0.6615y=0.69x+4.114Rp=0.82 Rp=0.861412 131210121416实测值/oBrixoBrix121416实测值/oBrix(a)PLS(b)SNV-PLS1514y=0.72x+3.6Rp=0.8714y=0.65x+4.6Rp=0.7513121210121416121416实测值/oBrix实测值/oBrix(c)MSC-PLS(d)S-G-1stD-PLS图3-14不同预处理后所建立的PLS预测模型Fig.3-14AfterdifferentpretreatmentPLSforecastmodelissetup29 万方数据 第三章不同检测方式对糖度在线检测精度的影响研究1.本章小节本章主要探讨了在不同检测方式下对脐橙糖度动态检测的影响研究，对比分析了漫反射和漫透射两种方式下的检测效果，同时对动态采集到的光谱信息进行了多种预处理方法的对比分析，为光谱预处理方法选择提供了参考依据。探讨结论如下：1.1.1本实验以赣南橙子糖度为检测指标，对同一品种的橙子分别采用了漫反射和漫透射两种不同检测方式的近红外动态测量设备，收集脐橙糖度的近红外光谱数据。对比了漫反射光谱和漫透射光谱所建立脐橙糖度校正模型，分别用未参与建模的实验样品进行模型效果验证，研究结果表明，采用漫透射检测方式的近红外在线检测装置所建模型优于漫反射方式，检测效果更好。1.1.2为消除动态在线采集的光谱信息含有其他无用的干扰信息的影响，分别对漫反射和漫透射两种检测方式采集到的光谱进行预处理。对比分析了SNV、S-G一阶导数和MSC三种预处理方法对光谱信息处理的效果，结果阐明，无论是漫反射式，还是漫透射式，所收集的光谱都是选择MSC预处理方法对光谱数据处理效果要好，所建模型的预测相关系数，漫反射式为0.67和漫透射式为0.87，预测均方根误差，漫反射式为1.2.1oBrix和漫透射式为0.40oBrix。30万方数据 第四章近红外在线检测模型的建立及优化第四章近红外在线检测模型的建立及优化1.光谱变量选择的重要性和方法随着对近红外检测技术的应用研究不断深入，在近红外数据的处理过程中发现了一些问题。虽然近红外技术有快速、无损等众多优点，但是同样的近红外光谱由于信息量丰富，数据量大，为数据处理分析带来一定的难度。光谱信息中不仅是含有被测样品的成分信息，同时也会携带着其他的无用信息（比如：杂散光、样品背景、噪声等），使得光谱中含有大量的冗余信息。还有光谱信息自身的信息就比较复杂，存在波峰重叠和多重相关，严重影响了模型的预测能力。同时光谱的波长点数较多，数据量大，使得计算量加大，导致所建立的模型复杂。因此，为建立一个简单、稳定、预测性能优异的近红外校正模型，如何将信息丰富的光谱数据剔除多余的无关信息，提取出与检测样品组分相关的信息，就显得尤为重要。近年来，为了解决这一问题，已经有不少的研究人员对光谱变量的筛选进行了相关的研究。王加华等（2008）在对苹果糖度的近红外检测过程中，为了建立简单、精确度高的校正模型，对苹果糖度光谱数据应用遗传算法选取波长，建立了PLS模型[51]。邹小波等（2007）在近红外检测苹果糖度的研究中，为了快速地提取苹果糖度的特征光谱，采用了遗传算法进行特征波长的选取，研究结果，发现遗传算法可以有效地减少建模数据量[52]。成忠等（2010）在建立小麦的近红外模型过程中，考虑到用全谱建模，计算量大，模型比较复杂，研究了连续投影，对小麦近红外光谱的变量选取，建立PLS模型，模型得到简化，同时模型预测性能得到很好的改善[53]。从上述研究可以看出，通过一些变量选取方法对近红外数据进行变量提取，可以从繁杂的近红外光谱数据中，提取与样品组分相关的光谱信息，同时也降低了光谱建模的计算量，简化模型；剔除无关信息，提高校正模型的预测能力。因此，通过一些特定的数据筛选方法从这些复杂的近红外光谱中提取有用信息，选择特征谱区和波长是一项有必要的研究。为此，本研究就一些在近红外数据分析中比较常用的几个变量筛选方法进行研究讨论。一般近红外数据所含有的检测样品组分有效信息主要集中在某个特征区段或者是某几段谱区，当然在这些特征区段的相邻光谱数据也较大程度上含有样品组分信息，即表明光谱数据存在连续性。就这一光谱数据特点，为了减少计算量，将近红外全谱分为若干谱段，本文应用移动窗口偏最小二乘（MWPLS）、反向区间偏最小二乘（BiPLS）和遗传算法（GA）进行脐橙糖度的近红外特征变量筛选研究。31万方数据 第四章近红外在线检测模型的建立及优化1.特征变量选择方法比较为了选出有效的变量筛选方法，本研究对BiPLS、MWPLS、GA三种方法，以及BiPLS组合GA算法和MWPLS组合GA算法，进行变量筛选研究，并建立了相关的PLS模型，对比分析这五种方法的变量筛选优劣，选出合适的变量筛选方法，为建立简单、稳定、预测精度高的数学模型提供可靠的理论依据。实验所用的光谱数据为近红外漫透射在线实验装置所采集的，采用第三章的漫透射采集的光谱数据，其预测集、校正集分类如表3-3所示。由第三章的光谱预处理方法对比分析可知，采用MSC预处理方法可以有效地去除近红外光谱中的冗余信息，减少无关信息或噪声对样品组分光谱信息的干扰，建立稳定的PLS模型。因此本研究所采用的光谱信息为经过MSC处理后的光谱数据，选择波段550.18-950.05nm，其光谱如图4-1所示。图4-1MSC处理后的漫透射光谱Fig.4-1MSCaftertreatmentofdiffusetransmissionspectrum为了有效地对比变量筛选方法的有效性，对只经过MSC预处理的漫透射原始光谱（波段为550.18-950.05nm），建立PLS模型，其所建立的脐橙糖度模型结果如图4-2所示。32万方数据 第四章近红外在线检测模型的建立及优化y=0.70x+3.9y=0.92x+1.0515Rp=0.85 Rc=0.9015 1413 12129121518121416oBrix实测值/oBrix实测值/校正集预测集图4-2变量筛选前脐橙糖度的PLS模型Fig.4-2PLSmodelofvariablescreeningbeforethenavelorangesugar1.BiPLSBiPLS是在iPLS(间隔偏最小二乘法)的理论上改进而来的，是一个“只出不进”的算法，其基本计算步骤如下：(1)首先将整个原始光谱进行分割，将整个波段分为k个子区间；(2)在计算过程中，每次筛选掉1个子区间，将剩下的k-1个区间构建PLS模型，共建立n个模型，以RMSECV作为模型精密度的度量基准，筛选出RMSECV最小的组合区间作为下一次建模的n-1个子区间，从而去除建模最差的一个子区间；(3)不断重复步骤（2）的计算，一直筛选到只有一个子区间为止；(4)从这些计算中，直接筛选RMSECV值最小的组合区间，为最终所筛选的特征子区间，即为最后所选的最佳组合区间。BiPLS在Matlab环境下运行，对经过MSC预处理的漫透射原始光谱（波段为1.1.1-950.05nm）进行特征变量筛选，共有1184个变量，将其划分成20个子区间；其筛选结果如表4-1所示。如表4-1所示，可以看到经过BiPLS运算最先是将第16个子区间剔除掉，经过反复的运算，不断筛选直到最后一个区间，最终优选出最佳的组合波段。从表中可以得到，当RMSECV为0.5059是为最小值，最终确定一共11个子区间为最优的组合建模区间。这十一个子区间为[56789101113141517]，一共649个变量。图4-3为BiPLS运算所选择的各个区间所对应的波长范围，从图4-3可以看出，所筛选出的649个变量，所对应的波段范围为635.78-777.42nm、797.48-855.52nm、1.2.1-893.75nm。33 万方数据 第四章近红外在线检测模型的建立及优化表4-1BiPLS运算结果区间总数入选区间RMSE入选波点数20160.5209118419180.517711251830.517810661720.5178100616120.51359461510.510688714200.50998271340.509876812190.508170811170.505964910130.50625909150.50815318140.5105472770.5106413660.53643545110.5450295480.54982363100.5544177290.7327118150.788259图4-3BiPLS运算所选最佳子区间[56789101113141517]Fig.4-3BiPLSselectedtheoptimumsubinterval[56789101113141517]34万方数据 第四章近红外在线检测模型的建立及优化经BiPLS筛选的11个子区间，共计649个变量，建立PLS校正和预测模型，如图4-4所示。所建立的PLS模型，最佳因子数7，其校正集和预测集的相关系数，分别为1.和0.87，均方根误差分别为0.31oBrix和0.42oBrix。15y=0.90x+1.38Rc=0.9015y=0.75x+3.39Rp=0.87141213129121518121416实测值/实测值/oBrixoBrix校正集预测集图4-4BiPLS变量筛选后脐橙糖度的PLS模型Fig.4-4PLSmodelofnavelorangeBiPLSvariablescreeningforsugar1.1.1MWPLSMWPLS与BiPLS一样，也是在iPLS的基础上发展而来的，它的基本思想主要是选定一个固定窗口，然后沿着光谱轴作连续移动，窗口每次移动了一个波长点，就作全交互式建立以PLS模型，从而得到一系列的波长点与RMSECV的关系图，最后选择出信息量丰富的组合区间作为所筛选的最佳变量。MWPLS在Matlab环境下运行，对经过MSC预处理的漫透射原始光谱（波段为1.2.1-950.05nm）进行特征变量筛选。根据相关文献报道，MWPLS相关的参数设定：窗口宽度31，主因子数15，经过反复的运算，不断筛选直到最后一个波长点，最终优选出最佳的组合波段，运算如图4-5所示。从图中可以看出，曲线中那些比较剧烈的倒立峰，是一些信息比较丰富的信息间隔，其所对应的RMSECV，也是相对其他的信息间隔要小得多，所以这些间隔，对构建PLS模型是最有效的。从图4-5可看出所筛选的波长点为40~351、366~85、425~438、470~530、584~675和760~798，这些波长点对应的谱段范围为564.24~674.25nm、679.46~686.05nm、699.87~704.34nm、715.34~735.84nm、1.4.1~784.79nm和813.1~825.67nm，一共538个波长点，将这新筛选出的538个特征波长作为新的光谱数据建立PLS模型。35万方数据 第四章近红外在线检测模型的建立及优化图4-5MWPLS运算筛选结果Fig.4-5MWPLSoperationfilteringresult经MWPLS方法选择出的538个特征波长，建立PLS校正和预测模型，如图4-6所示。所建立的PLS模型，最佳因子数7，其校正集和预测集的相关系数，分别为0.90和0.84，均方根误差分别为0.28oBrix和0.45oBrix。16y=0.91x+1.23y=0.70x+4.0616Rc=0.90Rp=0.8414 14121210121518121416实测值/实测值/oBrixoBrix校正集预测集图4-6MWPLS变量筛选后脐橙糖度的PLS模型Fig.4-6PLSmodelofnavelorangeMWPLSvariablescreeningforsugar1.GA-PLS遗传算法（GA）是一种根据生物界优胜劣汰、自然选择规律的，随机优选方法,主要是，通过适应度函数作为依据；利用对群体中的个体，对其作选择、变换和变异等，算子操作；实现总群体中，各个个体优化组合的目的。在运用GA对光谱变量的优选过程中，GA各个参数设置尤为重要。通过大量的文献阅读及对这一算法的多次运用，本36万方数据 第四章近红外在线检测模型的建立及优化研究中，其参数设置：初始群体30，变异率为1%，交叉率为50%，迭代次数一共为100。以RMSECV值作为适应度函数,运行100次后终止迭代。对原始光谱进行GA变量筛选，在GA运算过程中主要是以RMSECV为标准，筛选出波长点在迭代计算过程中出现频次较多的为优化波长点。经GA运行100次后，其运算结果，如图4-7所示。从图中可知，GA筛选结果为，在运算过程中频次高于3波长点为所选到的变量数。图4-8所示为GA所选择变量与RMSECV关系图，从图中可知，当变量数为103个时，RMSECV最小，所以GA最后优选的变量数为103个。图4-7GA运算后各变量频次图Fig.4-7ThevariablefrequencygraphafterGAoperations1.01.1.11.2.11.4.1080160变量数图4-8GA迭代过程中所选变量与RMSECV对应图Fig.4-8GAiterationtheselectedvariablesandRMSECVcorrespondingfigure37万方数据 第四章近红外在线检测模型的建立及优化经遗传算法选择出的103个特征波长，建立PLS校正和预测模型，如图4-9所示。所构建的PLS模型，最佳因子数6，其相关系数，校正集为0.91和预测集为0.76；；均方根误差，校正集为0.39oBrix和预测集为0.42oBrix。16y=0.73x+3.53 y=0.83x+2.3216Rp=0.76 Rc=0.9114 14121210121518121416实测值/实测值/oBrixoBrix校正集预测集图4-9GA变量筛选后脐橙糖度的PLS模型Fig.4-9PLSmodelofnavelorangeGAvariablescreeningforsugar1.BiPLS-GA-PLSBiPLS这种方法是针对光谱的区间进行筛选的一种方法，而GA是一种针对光谱全局性搜索的变量筛选方法，这二种方法各有优缺点。BiPLS主要是针对每个子区间性的组合建模，优选出最佳组合区间，搜索筛选便捷，不过这种方法不能很好地对每个区间内部的波长点进行优化组合。GA它是一种全局性筛选，是针对每一个波长点进行优化筛选，不过这种方法也是存在一定的弊端，主要是全局性筛选计算比较复杂，同时这种筛选方法也不能兼顾到波长之间的相关性，有可能会将一些有用的波长点给剔除。因此，提出BiPLS和GA组合的一种新的变量筛选方法，希望能更好地筛选光谱变量。将BiPLS筛选后的649个变量作为GA的原始数据，用GA对其进行变量筛选，其参数设置：初始群体30，变异率为1%，交叉率为50%，迭代次数一共为100。以RMSECV值作为适应度函数,运行100次后终止迭代。经GA运行100次后，其运算结果，如图4-10所示。从图中可知，GA筛选结果为，在运算过程中频次高于4波长点为所选到的变量数。图4-11所示为GA所选择变量与RMSECV关系图，从图中可知，当变量数为194个时，RMSECV最小，所以经BiPLS-GA方法最后优选的变量数为194个。38 万方数据 第四章近红外在线检测模型的建立及优化图4-10BiPLS-GA运算后各变量频次图Fig.4-10ThevariablefrequencygraphafterBiPLS-GAoperations1.01.1.11.2.11.4.10100200变量数图4-11BiPLS-GA迭代过程中所选变量与RMSECV对应图Fig.4-11BiPLS-GAiterationtheselectedvariablesandRMSECVcorrespondingfigure经BiPLS-GA方法选择出的194个特征波长，建立PLS校正和预测模型，如图4-12所示。所建立的PLS模型，最佳因子数7，其校正集和预测集的相关系数，分别为0.93和0.90，均方根误差分别为0.30oBrix和0.36oBrix。39万方数据 第四章近红外在线检测模型的建立及优化16y=0.81x+2.5416y=0.89x+1.42Rc=0.93Rp=0.9014 14121210121518121416实测值/实测值/oBrixoBrix校正集预测集图4-12BiPLS-GA变量筛选后脐橙糖度的PLS模型Fig.4-12PLSmodelofnavelorangeBiPLS-GAvariablescreeningforsugar1.MW-GA-PLSMWPLS这种方法是选择一个固定窗口随着光谱区间的每一个波长点筛选的一种方法，而GA是一种针对光谱全局性搜索的变量筛选方法，这二种方法各有优缺点。MWPLS主要是按照固定窗口进行波长点的组合优化，优选出最佳组合区间，搜索筛选便捷，不过这种方法由于是选定一个固定窗口进行筛选，因而受窗口大小影响。GA它是一种全局性筛选，是针对每一个波长点进行优化筛选，不过这种方法也是存在一定的弊端，主要是全局性筛选计算比较复杂，同时这种筛选方法也不能兼顾到波长之间的相关性，有可能会将一些有用的波长点给剔除。因此，提出MWPLS和GA组合的一种新的变量筛选方法，希望能更好地筛选光谱变量。将MWPLS筛选后的538个变量作为GA的原始数据，用GA对其进行变量筛选，其参数设置：初始群体30，变异率为1%，交叉率为50%，迭代次数一共为100。以RMSECV值作为适应度函数,运行100次后终止迭代。经GA运行100次后，其运算结果，如图4-13所示。从图中可知，GA筛选结果为，在运算过程中频次高于3波长点为所选到的变量数。图4-14所示为GA所选择变量与RMSECV关系图，从图中可知，当变量数为60个时，RMSECV最小，所以经MW-GA方法最后优选的变量数为60个。40 万方数据 第四章近红外在线检测模型的建立及优化图4-13MW-GA运算后各变量频次图Fig.4-13ThevariablefrequencygraphafterMW-GAoperations1.01.1.11.2.11.4.1070140变量数图4-14MW-GA迭代过程中所选变量与RMSECV对应图Fig.4-14MW-GAiterationtheselectedvariablesandRMSECVcorrespondingfigure经MW-GA方法选择出的60个特征波长，建立PLS校正和预测模型，如图4-15所示。所建立的PLS模型，最佳因子数5，其相关系数，校正集为0.89和预测集为0.87，均方根误差，校正集为0.37oBrix和预测集为0.42oBrix。41万方数据 第四章近红外在线检测模型的建立及优化1615y=0.78x+2.89y=0.79x+2.7Rc=0.89 Rp=0.8714 141312121011121518121416实测值/实测值/oBrixoBrix校正集预测集图4-15MW-GA变量筛选后脐橙糖度的PLS模型Fig.4-15PLSmodelofnavelorangeMW-GAvariablescreeningforsugar1.模型性能对比各个变量筛选方法筛选出的特征波长建立PLS模型与不经过变量筛选的光谱建立PLS模型作比较，为验证各个模型的优劣，用没有参与建模的预测集中的40个脐橙样品进行验证，各个结果，如表4-2所示。表4-2各个PLS模型性能比较建模方法变量数主因子数RCRMSECRPRMSEPPLS118470.900.360.850.46BiPLS64970.900.310.870.42MWPLS53870.900.280.840.45GA-PLS10360.910.390.760.42Bi-GA-PLS19470.930.300.900.36MW-GA-PLS6050.890.370.870.42在对各个变量选取方法构建PLS校正模型时，对于构建PLS回归模型，其中选择主因子数就显得尤为重要，主因子数的挑选，必然影响到所构建的校正模型预测性能的优劣。比如说，主因子数过小，可能导致光谱所涵盖的有效信息少，引起校正模型的预测性能下降，这种现象称之为“欠拟合”现象。假如说主因子数选取过多，那么有可能使得光谱中的干扰信息被涵盖进去，使得校正模型不稳定，加大预测误差，这种现象称之为“过拟合”现象。图4-16为各个模型主成份因子数与RMSECV对应关系，如Bi-GA-PLS模型为例，当主因子数不断增加时，RMSECV值不断减小，主因子数为7的时候，RMSECV为最小值，随着主因子数的不断加大，RMSECV逐渐增加，导致出现“过拟合”42 万方数据 第四章近红外在线检测模型的建立及优化现象。由图4-16可以看出，PLS、BiPLS、MWPLS、GA-PLS、Bi-GA-PLS和MW-GA-PLS的最佳因子数，分别为7、7、7、6、7和5。1.PLSBiPLSMWPLSGA-PLSBi-GA-PLSMW-GA-PLS1.1.11.2.101020主成分因子数图4-16各个模型主成份因子数与RMSECV对应图Fig.4-16TheprincipalcomponentfactorforeachmodelandtheRMSECVcorrespondingfigure通过对表4-2的对比分析，可以发现在这些所建立的模型中，绝大部分变量筛选方法都很有效地减少了建模变量数，同时也提高了校正模型的预测精度。其中原光谱段所建立的PLS模型，其预测效果不是太好，同时所建模型变量数也比较多，光谱中可能含有其他无关信息影响了所建模型的预测效果。所以在用近红外光谱建立PLS模型时，一般都会进行变量筛选，剔除一些无关信息，建立简单、稳定的PLS模型。从表中可以看出，其中MWPLS与GA组合的变量筛选方法，虽然很有效的减少了建模变量数，不过其所建立的校正模型，预测效果确是所以模型中最差的一个。其中可能是在用这个方法筛选变量时，将光谱中的有关样品相关信息给剔除了，导致所建立模型还没有全谱模型预测效果好。而其它的变量筛选方法都能够有效地筛选特征变量，并且所建立模型都优于原光谱模型。其中BiPLS和GA的组合变量筛选方法，是所有筛选方法中预测效果最好的一个。其筛选的变量数为194个，只占原光谱的16.4%，大大地减少了建模变量数，同时也很有效地提高了PLS校正模型的预测能力。其相关系数Rc和Rp各自为0.93和1.4.1，均方根误差RMSEC和RMSEP各自为0.30oBrix和0.36oBrix。2.1不同建模方法比较2.1.1PCR为了对近红外在线检测的脐橙糖度模型的建立优化，应用主成分回归（PCR）建模方法，建立校正模型，并对模型进行预测。采用上一节中经过Bi-GA方法，选取所得的194个变量，应用PCR建模，其所构建的脐橙糖度模型，图4-17所示。其校正模型，43万方数据 第四章近红外在线检测模型的建立及优化相关系数Rc为0.86，预测模型，相关系数Rp为0.86。16y=0.74x+3.515Rc=0.8615y=0.70x+0.98Rp=0.8614 1413 1312 1211111011121314151617121416实测值/实测值/oBrixoBrix校正集预测集图4-17BiPLS-GA变量筛选后脐橙糖度的PCR模型Fig.4-17PCRmodelofnavelorangeBiPLS-GAvariablescreeningforsugar1.LS-SVM前面所用到的建模方法，无论是偏最小二乘（PLS）方法，还是主成分回归（PCR）方法，两者都是一种线性回归方法。为了更好地，研究模型优化问题，用最小二乘-支持向量机（LS-SVM）方法构建脐橙糖度的非线性校正模型。LS-SVM运算中，参数（s2，g）设定为（3338.5，268.8）。将194个近红外光谱变量，用LS-SVM建模方法建模，其所建立的脐橙糖度模型如图4-18所示。其校正模型，相关系数Rc为0.93，预测模型，相关系数Rp为0.83。1614y=0.79x+2.86Rc=0.931514y=0.63x+4.8Rp=0.831312 12 1011121518121416实测值/实测值/oBrixoBrix校正集预测集图4-18BiPLS-GA变量筛选后脐橙糖度的LS-SVM模型Fig.4-18LS-SVMmodelofnavelorangeBiPLS-GAvariablescreeningforsugar44万方数据 第四章近红外在线检测模型的建立及优化将PCR和LS-SVM方法建立的校正模型与PLS方法所建立的模型作比较，为验证各个模型的优劣，用没有参与建模的预测集中的40个脐橙样品进行验证，各个结果，如表4-3所示。从表中可以看出，用PCR建立的校正模型预测性能是三种建模方法中效果最不好的，而LS-SVM建立的模型虽然比PCR预测效果要好，不过还是比PLS建立的模型预测性能差。PLS模型的预测能力，是三者中最好的；其相关系数，Rc和Rp各自为0.93和0.90，均方根误差，RMSEC和RMSEP各自为0.30oBrix和0.36oBrix。表4-3各个模型性能比较建模方法主因子数RCRMSECRPRMSEPBi-GA-PCR70.860.480.860.43Bi-GA-PLS70.930.300.900.36Bi-GA-LS-SVM*0.930.510.830.601.本章小结本章主要提出了BiPLS、MWPLS、GA、BiPLS-GA和MW-GA五种变量筛选方法，同时建立了校正模型，与全谱所建立的校正模型进行对比分析。同时对未参与建模的预测集进行预测，对比分析各个模型的预测性能，比较各变量筛选方法的优劣。具体分析结论如下：1.1.1本章主要是对比分析了BiPLS、MWPLS、GA、BiPLS-GA和MW-GA五种变量筛选方法，都可以很好地剔除光谱中的多余信息，其中MWPLS，虽然能够减少建模变量数，不过其所建立的PLS校正模型的预测能力比原光谱所建立的PLS模型略差，所选择的变量数为538个。GA筛选方法所建立的校正模型预测性能是所有模型中最差的一个，在本实验中GA方法不适用于此次变量筛选。1.1.2在这五种变量筛选方法中，其中BiPLS-GA的组合变量筛选方法最佳，是所有筛选方法中预测效果最好的一个。其筛选的变量数为194个，只占原光谱的16.4%，大大地减少了建模变量数，同时也很有效地提高了PLS校正模型的预测能力。其相关系数，Rc和Rp各自为0.93和0.90，均方根误差，RMSEC和RMSEP各自为0.30oBrix和1.2.1oBrix。1.1.3为确定出最佳的建模方法，对比了PCR、PLS和LS-SVM建模效果，从实验结果，可以得出用PLS建模结合BiPLS-GA变量选取方法，构建的校正模型预测性能最好。45万方数据 第五章结论与展望第五章结论与展望1.结论本课题以赣南脐橙作为实验对象，主要是对其单一的内部品质糖度作为检测指标。由样品光谱采集、光谱数据分析和理化指标测定着手，研究了不同在线检测装置检测效果，不同预处理方法的对比分析，不同变量筛选方法的比较，运用不同的建模方法进行建模，建立简单、稳定的校正模型。结论如下：1.1.1本实验以赣南橙子糖度为检测指标，对同一品种的橙子分别采用了漫反射和漫透射两种不同检测方式的近红外在线检测装备，收集橙子糖度的近红外光谱数据。对比了漫反射光谱和漫透射光谱所建立脐橙糖度校正模型，分别用未参与建模的实验样品进行模型效果验证，研究结果表明，采用漫透射检测方式的近红外在线检测装置所建模型优于漫反射方式，检测效果更好。1.1.2为消除动态在线采集的光谱信息含有其他无用的干扰信息的影响，分别对漫反射和漫透射两种检测方式采集到的光谱进行预处理。对比分析了SNV、S-G一阶导数和MSC三种预处理方法对光谱信息处理的效果，结果表明，无论是漫反射在线装置，还是漫透射在线装置，所采集的光谱信息都是选择MSC预处理方法对光谱信息处理效果要好，所建模型的预测相关系数，漫反射检测装置和漫透射检测装置各自为0.67和0.87，预测均方根误差，漫反射检测装置和漫透射检测装置各自为0.85oBrix和0.40oBrix。1.1.3对比分析了BiPLS、MWPLS、GA、BiPLS-GA和MW-GA五种变量筛选方法，都可以很好地剔除光谱中的多余信息，其中MWPLS，虽然能够减少建模变量数，不过其所建立的PLS校正模型的预测能力比原光谱所建立的PLS模型略差，所选择的变量数为538个。GA筛选方法所建立的校正模型预测性能是所有模型中最差的一个，在本实验中GA方法不适用于此次变量筛选。1.1.4在这五种变量筛选方法中，其中BiPLS-GA的组合变量筛选方法最佳，是所有筛选方法中预测效果最好的一个。其筛选的变量数为194个，只占原光谱的16.4%，大大地减少了建模变量数，同时也很有效地提高了PLS校正模型的预测能力。其相关系数Rc和Rp各自为0.93和0.90，均方根误差RMSEC和RMSEP各自为0.30oBrix和0.36oBrix。1.1.5为确定出最佳的建模方法，对比了PCR、PLS和LS-SVM建模方法的预测效果，从实验结果，可以得出用PLS建模结合BiPLS-GA变量选取方法，构建的校正模型预测性能最好。46万方数据 第五章结论与展望1.展望本文主要是探讨了以脐橙糖度为检测指标的近红外在线检测模型优化的基础研究，考虑到自身的知识面和时间的有限；结合本文在研究探讨的过程中，发现了一些问题及不足。在近红外在线检测方面，以下几个问题有待解决：1.1.1本文主要是集中于对赣南脐橙的单一品质糖度进行了较系统的研究，而对于水果来说，其内在品质是有很多种的，如：维生素、酸度和其它微量元素等。同时，消费者也越来越多地关心着水果除糖度外的其它营养物质。所以，在同样的检测环境下，可以更多地检测赣南脐橙的其它品质，同时也可以探讨这些组分之间在检测过程中的相互关系。1.1.2在实验过程中，发现装置中光源的选取尤其重要。虽然卤钨灯的光源基本能够满足检测要求，不过在实验过程中可以发现，所采取的大功率卤钨灯很容易伤害样品表皮，同时也发现虽然卤钨灯的使用寿命很长，但是使用久了容易出现光衰。所以在今后的研究中可以探讨如何选择一个即能满足检测光强需求，又能不灼伤样品表皮的光源的实验。1.1.3针对光谱数据处理方面，本文虽然对一些处理方法做了一些基本的研究探讨，不过由于时间的关系没有进一步的深究。在计量学中，也还有很多方法没有进行研究，所以为了能更好的优化光谱数据，更好地优化模型，可以继续探讨其他计量学方法在光谱数据中的应用。1.1.4近红外作为一种间接性检测手段，其关键的一步就是模型的建立和模型的通用性。而模型的建立是一个比较繁重的一项技术活，所以在建立的每一个模型都是花费了大量的人力、物力的。但是往往所建立的模型又不具备通用性，所以模型之间相互传递、通用这一问题有待解决。47万方数据 参考文献参考文献[1]MillerW.M.&Zude-SasseM.,NIR-basedsensingtomeasuresolublesolidscontentofFloridaCitrus[J].AppliedEngineeringinAgriculture,2004,Vol.20(3):321-327.[2]McGloneV.A.&MartinsenP.,Transmissionmeasurementsonintactapplesmovingathighspeed[J].JournalofNearInfraredSpectroscopy,2004,Vol.12(1):37-43.[3]McGloneV.A.,MartinsenP.&ClarkC.J.,On-linedetectionofbrownheartinBraeburnapplesusingnearinfraredtransmissionmeasurements[J].PostharvestBiologyandTechnology,2005,Vol.37(2):142-151.[4]Kawano,S.,FujiwaraT.&IwamotoM.,Nondestructivedeterminationofsugarcontentinsatsumamandarinusingnearinfrared(NIR)transmittance[J].JournaloftheJapaneseSocietyforHorticulturalScience,1993,Vol.62(2):465-470.[5]GeraldG.Dull,GeraldS.Birth,Doylea.smittle,etal.NearInfraredAnalysisofsolublesolidsinIntactCantaloupe[J].JournalofFoodScienee,1989,54(2):393-395.[6]D.C.Slaughter,NondestructiveDeterminationofInternalQualityinPeachesansNectarines[J],TransactionsoftheASAE,1995,38(2):617-623.[7]McGloneV.A.&Kawano,S.,Firmness,dry-matterandsoluble-solidsassessmentofpostharvestkiwifruitbyNIR-spectroscopy[J].PostharvestBiologyandTechnology,1998,Vol.13:131–141.[8]LammertynJ.,PeirsA.,BaerdemaekerD.J.&Nicolaï,B.M.,LightpenetrationpropertiesofNIRradiationinfruitwithrespecttonon-destructivequalityassessment[J].PostharvestBiologyandTechnology,2000,Vol.18:121–132.[9]KimJ.,MowatA.,PooleP.&Casabas,N.,Linearandnon-linearpatternrecognitionmodelsforclassificationoffruitfromvisible-nearinfraredspectra[J].ChemometricsandIntelligentLaborarySystems,2000,Vol.51:201–216.[10]GreensillC.V.,AnExperimentalComparisonofSimpleNIRSpectrometersforFruitGradingApplications[J].AppliedEngineeringinAgriculture,2001,Vol.17(1):69.[11]C.J.Clark,V.A.McGlone,R.B.Jordan.DetectionofBrownheartin`Braeburn'applebytransmissionNIRspectroscopy[J].PostharvestBiologyandTechnology,2003,28:87-96.[12]PeirsA.,ScheerlinckN.,TouchantK.&Nicolaï,B.M.,ComparisonofFouriertransformanddispersivenearinfraredreflectancespectroscopyforapplequalitymeasurements[J].JournalofAgriculturalEngineeringResearch,2002,Vol.81(3):305–311.[13]PeirsA.,TirryJ.,VerlindenB.,DariusP.&Nicolaï,B.M.,b.EffectofbiologicalvariabilityontherobustnessofNIR-modelsforsolublesolidscontentofapples[J].PostharvestBiologyandTechnology,2002,Vol.28:269–280.[14]McGloneV.A.,Jordan,R.B.&Martinsen,P.J.,Vis/NIRestimationatharvestofpre-andpost-storagequalityindicesfor‘RoyalGala’apple[J].PostharvestBiologyandTechnology,2002,Vol.25:135–144.[15]McGloneV.A.,JordanR.B.&MartinsenP.J.,Vis/NIRestimationatharvestofpre-andpost-storagequalityindicesforRoyalGalaapple[J].PostharvestBiologyandTechnology,2002,Vol.25:135–144.[16]ClarkC.J.,McGloneV.A.&JordanR.B.,DetectionofBrownheartin‘Braeburn’applebytransmissionNIRspectroscopy[J].PostharvestBiologyandTechnology,2003,Vol.28:48万方数据 参考文献87–96.[17]Chiba,J.L.,Nondestructivesugarcontentmeasuringapparatus[P].UnitedStatesPatent,US,2003,6504154B2,Jan.7.[18]LeeK.,KimG.,KangS.,SonJ.,ChoiD.&Choi,K.,Measurementofsugarcontentincitrususingnearinfraredtransmittance[J].KeyEngineeringMaterials,2004,Vol.270–273:1014–1019.[19]KimG.,LeeK.&ChoiK.,DefectandripenessinspectionofcitrususingNIRtransmissionspectrum[J].KeyEngineeringMaterials,2004,Vol.270-273:1008-1013.[20]GolicM.&WalshK.B.,Robustnessofcalibrationmodelsbasedonnearinfraredspectroscopyforthein-linegradingofstonefruitfortotalsolublesolidscontent[J].AnalyticaChimicaActa,2006,Vol.555:286–291.[21]SubediP.P.,WalshK.B.&OwensG.,Predictionofmangoeatingqualityatharvestusingshort-wavenearinfraredspectrometry[J].PostharvestBiologyandTechnology,2007,Vol.43,326–334.[22]WalshK.B.,LongR.L.&MiddeltonS.G.,Useofnearinfra-redspectroscopyinevaluationofsource-sinkmanipulationtoincreasethesolublesugarcontentofstonefruit.J.Hortic.Sci.Biotechnol,2007,Vol.82,316–322.[23]PatriciaP.,MarÍa-TeresaS.&DoloresP.NondestructiveDeterminationofTotalSolubleSolidContentandFirmnessinPlumsUsingNear-InfraredReflectanceSpectroscopy[J].JournalofAgriculturalandFoodChemistry,2008,Vol.56:2565–2570.[24]NicolettaS.,AnnaS.,ValentinaD.E.,IlariaM.&ErnestinaC.,Evaluationofqualityandnutraceuticalcontentofblueberriesbynearandmid-infraredspectroscopy[J].PostharvestBiologyandTechnology,2008,Vol.50:31–36.[25]DoloresP.,María-TeresaS.,PatriciaP.,María-AuxiliadoraS.,José-EmilioG.&AnaG..Non-destructivedeterminationofqualityparametersinnectarinesduringon-treeripeningandpostharveststorage[J].PostharvestBiologyandTechnology,2009,Vol.52:180-188.[26]ElsB.,Anca-SabinaS.,MihaiN.,JeroenL.,NicolaïB.M.&WouterS.,PostharvestqualityofapplepredictedbyNIR-spectroscopy:Studyoftheeffectofbiologicalvariabilityonspectraandmodelperformance[J].PostharvestBiologyandTechnology,2010,Vol.55:133–143.[27]金同铭,崔洪昌,河野澄夫.近红外(NIR)光谱法测定完整苹果糖的含量[J].华北农学报,1995,110(2):87-90.[28]陈世铭,张文宏,谢广文.果汁糖度检测模式之研究[J].农业机械学刊,1998,7(3):4l-60.[29]HeD.,TakaakiM.&HiroshiM.,Detectingdeviceforon-linedetectionofinternalqualityoffruitsusingnear-infraredspectroscopyandtherelatedexperiments[J].TransactionsoftheCSAE,2001,Vol.l7(1):l46-148.[30]赵丽丽.果品类糖度和酸度近红外无损检测技术的研究[D].硕士论文,北京:中国农业大学,2003[31]刘燕德,应义斌.苹果糖分含量的近红外漫反射检测研究[J].农业工程学报,2004,Vol.20(1):189-191.[32]陆辉山.水果内部品质可见/近红外光谱实时无损检测关键技术研究[D]:[博士学位论文].杭州:浙江大学,2006.[33]刘燕德,应义斌,傅霞萍,陆辉山.一种近红外光谱水果内部品质自动检测系统[J].浙江大学学报,2006,Vol.40(1):53-56.[34]孙通,应义斌,刘魁武,胡雷秀.梨可溶性固形物含量的在线近红外光谱[J].光谱学与49万方数据 参考文献光谱分析,2008,Vol.28(11):2536-2539.[35]田海清,应义斌,徐惠荣,陆辉山,谢丽娟.运动西瓜可见／近红外光谱采集系统及品质检测试验研究[J].光谱学与光谱分析,2009,Vol.29(6):1536-1540.[36]SunT.,LinH.,XuH.&YingY.,Effectoffruitmovingspeedonpredictingsolublesolidscontentof‘Cuiguan’pearsusingPLSandLS-SVMregression[J].PostharvestBiologyandTechnology,2009,Vol.51:86-90.[37]崔丰娟,闸建文.近红外透射苹果运动速度模型适用性的研究[J].农机化研究,2010,11:170-173[38]洪涯,洪添胜,代芬,等.连续投影算法在砂糖橘总酸无损检测中的应用[J].农业工程学报,2010,26(2):380-384.[39]石吉勇,邹小波,赵杰文,等.BiPLS结合模拟退火算法的近红外光谱特征波长选择研究[J].红外与毫米波学报,2011,30(5):458-462.[40]孙通,许文丽,林金龙,等.可见／近红外漫透射光谱结合CARS变量优选预测脐橙可溶性固形物[J].光谱学与光谱分析,2012,32(12)：3229－3233.[41]代芬,蔡博昆,洪添胜,等.漫透射法无损检测荔枝可溶性固形物[J].农业工程学报,2012,28(15)：287－292.[42]韩东海,常冬,宋曙辉,等.小型西瓜品质近红外无损检测的光谱信息采集[J].农业机械学报,2013,44(7):174-178.[43]郭文川,王铭海,岳绒.基于近红外漫反射光谱的损伤猕猴桃早期识别[J].农业机械学报,2013,44(2):142-146.[44]王伟明,董大明,郑文刚.梨果糖浓度近红外漫反射光谱检测的预处理方法研究[J].光谱学与光谱分析,2013,Vol.33(2):359-362.[45]牛晓颖,周玉宏,邵利敏.基于LS-SVM的草莓固酸比和可滴定酸近红外光谱定量模型[J].农业工程学报,2013,29(增刊1):270-274.[46]孙通,林金龙,许文丽,等.可见/近红外半透射结合CARS方法在线检测脐橙SSC[J].江苏大学学报,2013,34(6):663-668.[47]褚小立.化学计量学方法与分子光谱分析技术[M].北京:化学工业出版社,2011.[48]李华,王菊香,刑志娜,等.改进的K/S算法对近红外光谱模型传递影响的研究[J].光谱学与光谱分析,2011，31(2)：362－365.[49]刘蓉.近红外光谱分析中模型优化方法的初步研究[硕士学位论文].天津,天津大学,2003.[50]李民赞.光谱分析技术及其应用[M].北京:科学出版社,2006.[51]王加华,韩东海.基于遗传算法的苹果糖度近红外光谱分析[J].光谱学与光谱分析,2008,28(10):2308-2311.[52]邹小波,赵杰文.用遗传算法快速提取近红外光谱特征区域和特征波长[J].光学学报,2007,27(7):1316-1321.[53]成忠,张立庆,刘赫扬,等.连续投影算法及其在小麦近红外光谱波长选择中的应用[J].光谱学与光谱分析,2010,30(4):949-952.50万方数据 个人简历在研期间发表的学术论文个人简历在研期间发表的学术论文个人简历：谢小强，男，1988.06，中共党员1.-2011.07华东交通大学理工学院本科机械设计制造及其自动化1.1.1入学华东交通大学硕士研究生机械电子工程代表性论文：[1]欧阳爱国,谢小强,周延睿,刘燕德.苹果可溶性固形物近红外光谱检测的偏最小二乘回归变量筛选研究[J].光谱学与光谱分析,2012,32(10):2680-2684.(SCI收录)[2]欧阳思怡,谢小强,刘燕德.水果内部品质近红外动态在线检测研究进展[J].湖北农业科学,2013,52(10):2242-2245.[3]欧阳爱国,谢小强,刘燕德.苹果可溶性固形物近红外在线光谱变量优选[J].农业机械学报,2014.(EI收录)51万方数据 致谢致谢首先，我要感谢我的导师欧阳爱国教授和刘燕德教授，如果没有欧阳老师和刘老师的悉心指导，我也不会顺利完成我的论文。在从论文选题开始，以及之后的实验技术方案，数据处理等方面，导师都给予了我莫大的帮助，让我不仅完成自己的毕业论文，更是学到了一种严格的治学态度，使我终生受益。在整整三年的读研期间，欧阳老师和刘老师在生活上和科研上都给了我非常多的帮助，帮我在读研期间克服许多生活及科研上的困难，在让我的能力提升的同时也让我的心变得更加坚强，让我更加勇敢的面对以后进入社会中的各种挑战。再次感谢欧阳老师和刘老师这几年对我帮助。另外，衷心感谢郝勇老师、孙旭东老师、吴至境老师和陈洞滨老师在科研、学习和论文写作方面对我指导和帮助。同时感谢实验室所有同学对我的帮助，在我的研究生期间能遇上你们是我的荣幸。感谢我的父母和亲人，没有你们的帮助我不可能顺利的完成学业。是你们的无私的爱才让我有今天的成绩，我会将它记在心底，用我以后的时间去报答你们。最后衷心祝愿：所有的老师、同学、朋友、亲人，心想事成、健康幸福！52万方数据