摘要：可溶性固形物含量(SSC)是决定鲜桃风味和品质的重要成分。高光谱影像的特征提取为无损检测可溶性固形物含量提供了数据基础和方法路径。先前的研究表明,基于多光谱、荧光谱、近红外光谱、电子鼻的水果内部品质评估取得较好的结果。但是,由于缺少多特征融合,从而限制了水果品质的精准估测。为此,提出了一种基于堆栈自动编码器-粒子群优化支持向量回归(SAE-PSO-SVR)模型预测鲜桃可溶性固形物含量。首先,利用高光谱影像提取光谱信息、空间信息及空-谱融合信息。其次,设置普适性堆栈自动编码器(SAE)提取光谱信息、空间信息及空-谱融合信息的深层特征。最后,将深层特征作为粒子群优化支持向量回归(PSO-SVR)模型的输入数据进行鲜桃可溶性固形物含量的预测。其中,对于光谱信息作为输入的SAE模型,设计了453-300-200-100-40, 453-350-250-150-50, 453-350-250-100-60的三个隐含层结构。对于空间信息作为输入的SAE模型,设计了894-700-500-300-50, 894-650-350-200-80, 894-800-700-500-100的三个隐含层结构。对于融合信息作为输入的SAE模型,设计了1347-800-400-200-40, 1347-750-550-400-100, 1347-700-500-360-150的三个隐含层结构。实验结果表明,对于输入数据分别为光谱信息、空间信息及融合信息的SAE模型,结构为453-300-200-100-40, 894-800-700-500-100和1347-750-550-400-100的模型效果较好,而且基于融合信息的模型预测精度明显优于基于光谱信息或者图像信息的模型。为了验证模型的普适性,利用结构为1347-750-550-400-100的SAE模型提取融合信息的深层特征估测不同品种鲜桃的可溶性固形物含量并进行可视化。结果表明,基于结构为1237-650-310-130的SAE-PSO-SVR模型预测效果最好(R2=0.873 3, RMSE=0.645 1)。因此,所提出的SAE-PSO-SVR模型提高了鲜桃可溶性固形物含量的估计精度,为鲜桃的其他成分检测提供了技术支撑。

摘要：为实现柑橘可溶性固形物含量(SSC)快速无损检测,基于可见/近红外技术开发了低功耗手持式柑橘可溶性固形物含量无损检测系统。以宽谱LED光源结合特征窄带微型光谱仪为核心,设计了手持式柑橘可溶性固形物含量无损检测终端。开发了基于物联网技术的水果光谱仪云端数据系统,该系统主要包括用户库、设备库、检测数据库和模型库,通过通讯模块与手持式无损检测终端相连接,可以实现光谱采集参数修改、云端数据上传与下载、云模型的调用等功能。利用该检测系统获取的光谱数据,建立一维卷积神经网络(1D-CNN)模型用于预测柑橘的可溶性固形物含量。该网络包含输入层、卷积层、池化层、全连接层和输出层等7层结构。主机采集柑橘的光谱数据并建立1D-CNN柑橘可溶性固形物含量预测模型,并用该模型与多种传统回归方法进行对比。1D-CNN模型的预测相关系数和预测均方根误差分别为0.812,0.488,优于偏最小二乘法(PLS),人工神经网络(ANN)和支持向量机(SVM)。采用基于模型的迁移学习方法,基于主机的1D-CNN模型对从机进行模型传递,研究了从机标准样本数量对模型传递的影响。发现使用少量从机光谱样本即可取得较好的效果,从机预测集均方根误差为0.531。研究结果表明,研发的柑橘SSC云模型的手持式可见近红外无损检测系统具有检测快速、低成本、操作简便等优点,基于该检测系统的1D-CNN网络可以有效提取柑橘光谱的有效特征并进行回归分析。借助迁移学习算法,可以实现1D-CNN模型在不同装置间的有效传递,满足柑橘可溶性固形物含量无损检测的需求。为手持式水果内部品质无损检测系统的开发与应用提供了借鉴和参考。

摘要：设计的近红外透射式西瓜可溶性固形物含量(SSC)检测系统主要包括光纤光谱仪、光纤透射附件、数据采集卡以及自制光源。对50个麒麟瓜SSC进行了预测试验,采用主成分回归和偏最小二乘回归法分别建立了样品的原始光谱、一阶微分光谱、二阶微分光谱和SSC的预测模型,结果表明偏最小二乘回归法建立的模型具有较高的相关性,相关系数为0.951,均方根校正误差0.347,均方根预测误差0.302,样本真实值与预测值的相关系数为0.910。

摘要：基于近红外光谱技术设计了"蒙阴蜜桃"内部品质在线无损检测分级系统。基于该系统在移动速度5个/s下,建立对黄桃的可溶性固形物含量(solid soluble contents,SSC)和硬度在线检测模型。采用SGS(savitzkygolay smooth)、SG-DER (savitzky-golay derivative)及等多种光谱预处理方法对光谱图进行处理,基于偏最小二乘法(partial least squares,PLS),建立不同区间段黄桃的SSC和硬度模型。结果表明,在600~750 nm和750~900nm下,采用SG-DER预处理方法,建立SSC模型性能最好,其校正集和验证集相关系数分别为0. 919和0. 863,均方根误差分别为0. 735%和0. 764%;采用SGS处理光谱,建立硬度模型性能最好,其校正集和验证集相关系数分别为0. 832和0. 746,方根误差分别为0. 774 N和0. 785 N。后采用遗传算法(genetic algorithm,GA)和连续投影算法(successive projections algorithm,SPA)筛选600~750 nm和750~900 nm特征变量,采用SG-DER处理光谱,建立SSC的预测模型;采用SGS处理光谱,建立硬度预测模型。从建模效果来看,SPA和GA都可以有效减少建模所用变量数、提高黄桃在线SSC和硬度检测模型的预测能力和运算速度,而采用SPA-PLS建立SSC和硬度模型优于GA-PLS,其SSC预测集相关系数和预测均方根误差分别为0. 916、0. 721%,其硬度预测集相关系数和预测均方根误差分别为0. 811、0. 742 N。研究表明,采用近红外漫透射光谱技术能够很好地实现黄桃SSC和硬度的在线无损检测。

摘要：为使可见/近红外漫透射光谱技术用于西瓜品质在线检测,自行设计加工了运动西瓜光谱采集系统,并进行了样品光谱采集。通过运动状态下西瓜光谱与品质指标的建模与预测结果,分析由于运动引起的噪声对光谱的影响,并分别采用最小二乘拟合法、Norris微分滤波等方法进行了光谱的平滑消噪处理,分析这些方法对光谱的平滑消噪效果及对建模与预测结果的影响,发现Norris微分滤波法更适合本系统采集到的西瓜光谱的平滑消噪处理,改善了光谱的平滑性,提高了建模与预测精度;建立了运动西瓜的可溶性固形物含量与可见/近红外光谱的相关关系模型,校正相关系数为0.895,均方根校正标准偏差RMSEC为0.549,均方根预测标准偏差RMSEP为0.760。

摘要：为了实现橙果的内部品质可见/近红外光谱无损检测,采用Trace Pro软件对设计的橙果在线检测传送托盘模型进行光学仿真分析,参考仿真结果中的辉度/照度值,对值较高的托盘模型进行实物加工,结合实际光谱检测平台进行试验验证。仿真结果表明,成果传送托盘的最优外形参数为:外径80 mm、内横径55 mm,内纵径50 mm、厚度20 mm。采用不同材料对托盘进行加工,用于实际橙果可溶性固形物含量(SSC)检测,光谱数据经预处理后,建立偏最小二乘回归法(PLSR)的预测模型,其中亚克力托盘预测结果最优。为进一步优化检测模型,分别用遗传算法(GA)、稳定性竞争自适应重加权采样(SCARS)算法提取光谱特征波段,建立橙果SSC的PLSR的预测模型,其中SCARS算法特征提取方法最佳,预测决定系数Rpre^2为0.9209;预测均方根误差(RMSEP)为0.4683。

摘要：采用Trace pro软件对柚果及配套传送托盘模型进行光学仿真分析,设计一款适用于柚果在线检测的传送托盘。通过结构优化和材料替换等方法,对仿真结果中辉度/照度值较高的托盘模型,进行实物加工。柚果置于不同类托盘上,自主搭建光谱平台分别采集柚果漫透射光谱进行试验对比。以试验结果最优的托盘配合柚果进行光谱采集,光谱经预处理,连续投影算法提取光谱特征波段,建立柚果可溶性固形物含量的偏最小二乘回归法的预测模型,最佳预测决定系数为0.957;预测均方根误差为0.271°Brix。结果表明,模型的预测能力好、预测精度高,传送托盘设计合理。

摘要：以人参果为原料,利用SAS9.2软件进行响应面设计,优化人参果酶法提汁工艺。结果表明,果胶酶起始pH值和其用量的一次项以及起始pH值和酶解温度的交互项均具有极高的显著性(P<0.01)。岭脊分析寻优得到人参果酶法提汁优化工艺为:起始pH 4.1,酶解温度46℃,酶解时间82 min,果胶酶用量0.551 g/kg。在此优化条件下,验证值达7.79,与优化目标值基本相符,重复性试验结果较好。验证试验结果表明,所建立的模型能较好地预测试验结果。

摘要：为提高沾化冬枣的出汁率,采用酶解法对冬枣进行处理,确定复合酶(果胶酶和纤维素酶)的效果优于单一酶,并确定复合酶的质量比为1∶2时效果最好。同时,在单因素试验基础上,采用Box-Behnken响应面设计优化冬枣汁酶法提取工艺,研究酶用量、酶解时间、酶解温度对冬枣出汁率和可溶性固形物含量的影响。试验结果表明,酶用量为0.1%、酶解时间为68 min、酶解温度为50℃,在此条件下出汁率可达到(72.27±0.3)%、可溶性固形物含量为(8.0±0.2)%,与预测结果基本相符。

摘要：嘎拉（Ｇａｌａ）近年来在全世界迅速普及，欧洲、南美、新西兰和美国均己大量栽培．Ｗａｌｓｈ等人曾报道过一些嘎拉系果实的成熟及特性．但没有做详尽的评价．本文研究报道了“Ｋｉｄｄ’ｓ　Ｄ－８”．皇家嘎拉（ＲｏｙｅａｌＧａｌａ）红嘎拉（ＳｃａｒｌｅｔＧａｌａ）、帝国嘎拉（ＩｍｐｅｒｉａｌＧａｌａ）和帝王嘎拉（Ｒｅｇａｌ　Ｇａｌａ）等５个嘎拉品系的生长、开花、果实特征及果实品质．１材料与方法５个嘎拉品系均以Ｍ２６为砧，１９８８年春定植．定植时红嘎拉的树体较小．其它苗木粗度相似．单株小区，重复８次，完全随机区组设计．１９９０年发芽前．在距地面５０ｃｍ处量取干周．花芽露红期．每株选２个大枝量取周长并统计１、２年生枝段上的花序数．在正常采收期９月１４日．每株采１５个系实，称取单果重，并依据嘎拉苹果底色表评定着色（表１）．同时固定果肉硬度和可溶性固形物含量．取１０个果实，从中间切开，以孩溶液染色，用金冠的淀粉卡评定淀勤存留量．落叶后．利量树高、冠径和干周．１９９１年除开花密度外，又增加了坐果率和模控过果清况调查．同时测量每个果实的纵、俄径．计算果形ｆｆｉｋ（Ｌ／Ｄ）．９月１９Ｂ，每品系采收２０ｋｇ果实．于ＯＣ【戳．至１０月１０...