摘要：[目的]针对雾滴在叶背面覆盖密度低的问题,设计了一种风送静电喷头。[方法]根据感应充电模型,同时进行理论计算,从而设计出电极及电极帽的尺寸。电极设计成锥形电极,开角为80°,高10 mm,厚2 mm,材料为铜,具有高导电性;电极帽设计成仿锥形,防止电极被药液腐蚀,材料选用环氧树脂制作,可提高介电常数,增大感应充电电场电荷。并对喷头进行了3个方面的性能试验,包括荷质比测量、静电雾滴覆盖密度对比试验和田间验证试验。[结果]荷质比测量表明:雾滴在喷头处的最大荷质比为1.167 m C·kg-1,并且距离喷头1 m处的雾滴仍然带电。雾滴覆盖密度对比试验表明:静电及喷雾距离对正、背面覆盖密度影响显著,在喷雾距离1～2 m内,背面覆盖密度相对增幅可达70%以上。田间验证试验证明:静电作用同时作用了叶片正、背沉积;风机转速对荷质比的影响与对叶片正、背沉积量的影响结果一致。[结论]研究证明该静电喷头具有明显的静电喷雾效果,可为果园风送静电喷头的设计与效果检验提供参考。

摘要：以拉曼光谱技术结合化学计量学方法实现两类不同成熟度的双孢菇菌盖硬度的建模预测分析。将菌盖直径平均值2~3 cm的样品划为Ⅰ类成熟度,3~5 cm为Ⅱ类。对两类样品分别取65个进行光谱采集并测量硬度,分别采用标准正态变量变换、基线校正、一阶导数、二阶导数4种方法预处理,建立偏最小二乘模型（PLS）。比较模型效果得出最佳预处理方法均为一阶导,但Ⅰ类建模的预测相关系数（R_p）和均方根误差（RMSEP）分别为0.887和0.444,Ⅱ类的R_p和RMSEP分别为0.896和0.435。结果表明Ⅱ类成熟度蘑菇的硬度预测比Ⅰ类更为准确,在同等条件下,Ⅱ类蘑菇硬度的变化更可准确预测,其贮藏保鲜更有规律可循。

摘要：采用可见/近红外光谱技术在线检测水果糖度,每个水果品种要单独建模,模型升级维护耗时费力。探讨建立苹果、梨等薄皮水果可溶性固形物(SSC)在线检测通用数学模型的可行性。利用自行设计的可见/近红外漫透射光谱在线检测系统,在积分时间80ms、单线速度5个/s的条件下,采集新梨7号、砀山酥梨、玉露香梨和富士苹果四种水果的可见/近红外漫透射光谱。分析了四种水果的可见/近红外漫透射光谱响应特性,采用变异系数法和连续投影算法,筛选通用数学模型建模用光谱变量,并建立了偏最小二乘和最小二乘支持向量机梨与苹果梨通用数学模型。采用新样品评价模型的预测能力,变异系数法筛选光谱波段建立的偏最小二乘通用数学模型预测精度最高,通用模型预测梨和苹果梨模型预测均方根误差分别为0.49%和0.55%,通用模型预测相关系数分别为0.88和0.93;独立模型预测新梨7号、玉露香梨、砀山酥梨和富士苹果的预测相关系数分别为0.93,0.91,0.88和0.95,预测均方根误差分别为0.40%,0.42%,0.41%和0.46%。通用数学模型的预测精度略低于每个品种的独立数学模型,但是通用模型的通用性高于单一模型。实验结果说明采用变异系数法结合偏最小二乘法建立薄皮水果在线检测通用数学模型,实现四种水果糖度在线检测是可行的。

摘要：水果新鲜度是反映水果是否新鲜、饱满的重要品质指标,为了探讨水果不同货架期的预测和判别方法,以酥梨为研究对象,利用高光谱成像技术,结合偏最小二乘判别法(PLS-DA)和偏最小二乘支持向量机(LS-SVM)算法对酥梨货架期进行判别。由光源、成像光谱仪、电控位移平台和计算机等构成的高光谱成像装置采集样品光谱,装置光源采用额定功率为200 W四个溴钨灯泡成梯形结构设计,光谱范围为 1 000 ~2 500 nm,分别率为10 nm。选取优质酥梨30个,货架期设置为1, 5和10 d,对30个样品完成3次光谱图像的采集,并矫正原始图像。实验结果表明:基于图像的酥梨货架期定性分析时,对不同货架期样品的原始图像进行PCA压缩,得到三种不同货架期的权重系数数据, PC1图像提取特征波长点为 1 280 , 1 390 , 1 800 , 1 880和2 300 nm,以特征图像的平均灰度值作为自变量且以货架期作为因变量建立定性判别模型,建模集68个,预测集22个。最小二乘支持向量机以RBF为核函数时,预测集中样品的误判个数为1,误判率为4.5%。而当采用lin核函数时,样品的误判个数为0,误判率为0。 PLS-DA定性分析时RMSEC为1.24, R c为0.93。 RMSEP为1, R p为0.96,预测集误判率为0。特征图像对酥梨货架期判别LS-SVM中的lin核函数所建立的模型结果较好,优于RBF核函数的建模效果,也优于PLS-DA判别模型。 ENVI软件提取实验样品光谱后建立LS-SVM和PLS-DA判别模型, LS-SVM利用RBF和lin核函数误判率分别为4.5%和0。与RBF核函数相比, lin核函数所建立的模型预测酥梨货架期的效果更好。 PLS-DA方法主成分因子数为12, RMSEC和RMSEP分别为0.48和0.78, R c和 R p分别为0.99和0.97,建模集与预测集的误判率均为零。 LS-SVM中的lin核函数所建立的模型结果较好,依然优于PLS所建立的检测模型。酥梨的光谱信息结合LS-SVM可以实现对酥梨货架期的检测和判别。基于图像建立酥梨的货架期预测模型与光谱相比,都实现了酥梨货架期的判别,而特征图像法,选择区域较少流失部分信息,计算量小,建模结果相对略差。酥梨货架期的高光谱成像检测模型研究为消费者正确评价水果新鲜度提供了理论指导,也为后期果水果货架期检测仪器的开发提供了技术支持。

摘要：黄桃在线分级时,表面损伤和可溶性固形物同时在线检测。损伤和可溶性固形物是评价黄桃品质好坏的重要指标。采用高光谱成像技术,尝试对黄桃损伤和可溶性固形物进行同时检测。利用主成分分析法,首先对高光谱图像进行主成分分析得到最佳PC(principal component)图像,其次根据PC图像中各波长对其贡献率的大小确定最佳特征波长(550和720nm)并结合二值化,图像掩膜和阈值分割以及相关的图像处理技术对最佳光谱图像进行定性判别。其准确率最高达到94.6%,同时建立偏最小二乘定量回归模型对正常样品SSC(soluble solid content)含量进行预测,通过对模型的不断优化,实现了基于高光谱成像技术对黄桃碰伤和可溶性固形物同时检测。可溶性固形物分选准确率为79.2%。实验结果表明,利用高光谱成像技术可以实现对黄桃碰伤和可溶性固形物同时检测,该研究可以为实际在线分选提供理论依据和参考。

摘要：甲醇汽油是一种清洁能源,甲醇汽油中甲醇的含量决定了汽油的性能。通过中红外光谱对甲醇汽油中甲醇含量进行定量检测和分析。首先,对采集的甲醇汽油原始中红外光谱进行平滑处理(smoothing)、多元散射校正(MSC)、基线校正(baseline)、归一化(normalization)等预处理,再建立PLS模型,对比选择最佳预处理方法,结果表明:在多元散射校正(MSC)处理后建立的PLS模型效果最好,模型的预测集相关系数r为0.918,预测均方根误差RMSEP为2.107。为进一步简化模型,提高预测精度,采用无信息变量消除(uninformative variable elimination,UVE)方法对波长进行筛选,将UVE波段筛选之后的作为模型的输入变量,采用偏最小二乘法(partial least squares,PLS)、主成分回归(principal components regression,PCR)和最小二乘支持向量机(least square support vector machine,LSSVM)三种方法分别建立甲醇汽油中甲醇含量的定量预测模型,并比较不同模型的预测效果和结果。结果表明,使用无信息变量消除可以较好提高数据的运算速度,其中,UVE-PLS模型建模效果最好,r和RMSEP分别为0.923和2.075。该实验表明中红外光谱检测甲醇汽油中甲醇含量是可行的并可以得到较好的效果;UVE是一种对甲醇汽油的中红外光谱非常有效的波段筛选方法,该模型的建立对石油化工领域具有较为重要的意义。

摘要：明矾是一种可以改良粉条粉丝易断粗糙特性的违法添加剂,明矾的含量过高进入人体后会直接影响身体健康。结合太赫兹光谱技术探索红薯淀粉中明矾含量快速检测方法。采用太赫兹时域光谱系统(Terahertz time domain spectroscopy, THz-TDS)于常温下获取0.5~7 THz范围内红薯淀粉、明矾及其混合物的光谱数据。因0~0.5 THz测得的频谱均为噪声,高频段区域的吸收系数大、信噪比低,故选取0.5~2 THz波段的吸收系数谱和折射率谱进行分析。发现明矾在该波段存在明显的特征吸收峰,可作为指纹特征用于物质识别。分别采用Savitzky-Golay卷积平滑(SG Smoothing,SG平滑)、基线校正(Baseline)、归一化(Normalization)等方法进行光谱预处理,再结合偏最小二乘(partial least squares, PLS)对红薯淀粉中明矾含量建立预测模型。结果表明,采用原始光谱、 SG平滑、 Baseline、 Normalization等光谱数据建立PLS模型的最佳因子数(principal component factors)分别为3, 3, 3和2;校正集相关系数(r_c)分别为0.982, 0.980, 0.982和0.984;预测集相关系数(r_p)分别为0.982, 0.979, 0.982和0.987;校正集均方根误差(root mean square error of calibration, RMSEC)分别为0.011, 0.012, 0.012和0.011;预测集均方根误差(root mean square error of prediction, RMSEP)分别为0.013, 0.014, 0.013和0.012;可知归一化预处理后建立PLS模型效果最佳。为对比分析线性(PLS)与非线性(LS-SVM)两种定量模型方法的预测精度,采用相同预处理方法后的红薯淀粉中明矾含量光谱数据建立最小二乘支持向量机(least squares support vector machine, LS-SVM)预测模型,选用径向基函数(RBF)作为核函数。结果表明,归一化预处理后建立LS-SVM模型效果最佳,其预测集均方根误差(RMSEP)为0.0047,预测集相关系数(r_p)为0.997 2。发现对红薯淀粉中明矾含量建立LS-SVM预测模型的稳定性更好、精确度更高。采用太赫兹时域光谱结合LS-SVM和PLS对红薯淀粉中明矾含量进行定量分析。结果表明,采用归一化预处理后的LS-SVM比PLS模型的预测效果更优,可能是红薯淀粉与明矾混合物中含有更多的非线性信息。研究表明,太赫兹时域光谱结合化学计量学方法可为红薯淀粉中明矾含量的定量分析提供快速精确的分析方法。

摘要：紫米是生活中常见的食材,具有丰富的营养价值。由于紫米价格较高导致染色紫米大量流入市场。本文使用太赫兹时域光谱技术结合化学计量学方法探索紫米掺假的快速检测方法。采用太赫兹时域光谱技术(THz-TDS)采集0~7 THz范围内紫米掺假的光谱数据,并选择0.5~2.5 THz波段的吸收系数谱和折射率谱进行分析并采用化学计量学方法对光谱数据进行建模分析。分别采用Savitzky-Golay卷积平滑(SG Smoothing,SG平滑)、基线校正(Baseline)、归一化(Normalization)、多元散射校正(MSC)等方法进行光谱预处理,结合偏最小二乘判别分析(PLS-DA)对紫米、紫米掺染色大米和紫米掺染色黑米进行定性分析。定性分析结果显示,通过主成分分析(PCA)的三种样品平面分布存在明显差异;经过基线校正的光谱数据建立的PLS-DA模型效果最佳,误判率为0。接着使用偏最小二乘法(PLS)结合SG平滑、 Baseline、 Normalization、 MSC等预处理方法分别对紫米中掺染色大米和紫米中掺染色黑米的光谱数据建立PLS定量模型。结果显示,采用基线校正预处理方法的PLS建模效果最佳,紫米掺染色大米的预测集相关系数为0.936,预测集均方根误差(RMSEP)为0.095。紫米掺染色黑米的预测集相关系数为0.914,预测集均方根误差为0.096。为对比分析线性(PLS)与非线性(LS-SVM)两种定量模型方法的预测精度,采用相同预处理方法后的紫米掺假含量光谱数据建立最小二乘支持向量机(LS-SVM)预测模型,选用径向基函数(RBF)作为核函数。结果表明采用基线校正处理后LS-SVM模型效果最佳,紫米中掺染色大米的预测集均方根误差(RMSEP)为0.092,预测集相关系数(Rp)为0.979;紫米中掺染色黑米的预测集均方根误差(RMSEP)为0.093,预测集相关系数(Rp)为0.948。对比发现对紫米掺假的含量建立LS-SVM预测模型较PLS模型的稳定性更好、精确度更高。研究表明,太赫兹时域光谱结合化学计量学方法可为紫米掺假的定性定量分析提供快速精确的分析方法。

摘要：使用太赫兹时域光谱技术(THz-TDS)对葛粉中苯甲酸含量进行了定量分析。检测样品为有塑料包装袋的葛粉。对原始数据进行多元散射校正、基线校正、一阶导数、二阶导数等预处理,利用偏最小二乘(PLS)法对葛粉中苯甲酸的含量建立预测模型。检测结果显示:无塑料包装袋样品的模型决定因子为0.975,预测集的均方根误差(RMSEP)为1.126%;有塑料包装袋样品的模型决定因子为0.976,RMSEP为1.356%。

摘要：可溶性固形物和碰伤是影响番茄品质的两个主要因素。研究的目的是探索可见近红外漫透射光谱同时在线检测番茄碰伤和可溶性固形物的可行性。在单通道送果速度5个每秒条件下,采集番茄近红外漫透射光谱。对比分析碰伤与正常番茄样品的近红外漫透射光谱特性,结果表明,碰伤与正常番茄样品的近红外漫透射光谱在光强上存在明显差异,碰伤果光强要强于正常果,其原因可能是碰伤后果肉变软,透光性变强;在650和675 nm处碰伤果比正常果要多两个吸收峰,可能是碰伤后,番茄表皮颜色发生变化所致。选取贡献率占比最多的前三个主成数,对正常果与碰伤果近红外漫透射光谱主成分定性分析,正常果与碰伤果不能有效聚类,故近红外漫透射光谱主成分定性分析效果不明显,需选择建立高维近红外漫透射光谱定性判别模型。故建立了碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型,误判率为0%,能正确判别碰伤果,故选用碰伤番茄样品的近红外漫透射光谱偏最小二乘定性判别模型作为番茄碰伤果在线剔除分选模型。通过对未参与建模的样品进行验证,能正确识别出碰伤果。经近红外漫透射光谱偏最小二乘定性判别模型剔除碰伤果后,按照可溶性固形物指标进行分级。分别使用全部波段和606~850 nm的波段进行建模预处理,且对全部波段和606~850 nm波段光谱进行2阶导数预处理,前后平滑设为9,利用连续投影算法与遗传算法优选可溶性固形物的光谱建模变量,对比发现,利用未经算法筛选过的606~850 nm波段光谱变量进行建模,效果最好,建立了可溶性固形物在线检测模型,预测集均方根误差为0.43 Brix°。采用未参与建模的样品进行碰伤和可溶性固形物同时在线检测验证,碰伤样品的分选准确率达96%,可溶性固形物样品的分选准确率达91%。表明:番茄碰伤和可溶性固形物近红外漫透射光谱同时在线检测是可行的。