加入VIP
  • 专属下载特权
  • 现金文档折扣购买
  • VIP免费专区
  • 千万文档免费下载

上传资料

关闭

关闭

关闭

封号提示

内容

首页 水果内部品质可见近红外光谱无损检测方法的实验研究

水果内部品质可见近红外光谱无损检测方法的实验研究.pdf

水果内部品质可见近红外光谱无损检测方法的实验研究

提拉米苏
2014-02-20 0人阅读 举报 0 0 暂无简介

简介:本文档为《水果内部品质可见近红外光谱无损检测方法的实验研究pdf》,可适用于人文社科领域

浙江大学生物系统工程与食品科学学院博士学位论文水果内部品质可见近红外光谱无损检测方法的实验研究姓名:傅霞萍申请学位级别:博士专业:生物系统工程指导教师:应义斌浙江大学博士学位论文摘要ml,,I皇!蔓曼量曼曼曼曼蔓!曼曼皇曼曼曼曼曼皇曼曼!曼曼曼皇曼皇皇曼蔓量!曼皇摘要水果是人类饮食结构的基本组成部分为人体提供了丰富的营养物质。我国是水果生产大国但并不是水果生产强国产后加工和处理水平低是导致我国水果品质差、国际市场竞争力弱的主要原因之一因而实现水果外观和内部品质的快速无损检测及分级已经成为我国水果产业化的必要前提.本研究是对本课题组前期研究(基于机器视觉技术的水果外观品质检测和基于近红外(nearinfraredNIR)光谱技术的水果糖、酸度检测)的进一步深入和拓展目的是为实现水果品质的多指标综合评价.本课题以梨和猕猴桃为研究对象利用可见/近红外光谱分析技术、光纤传感技术和化学计量学分析方法结合理化分析、水果生理和病理知识开展水果内部品质主要包括坚实度、维生素C含量的检测研究并在此基础上建立各品质指标的近红外光谱定量预测模型。本文还利用可见/近红外光谱分析技术结合模式识别方法对水果内部缺陷、水果品种进行鉴别研究并建立相应的定性判别或分类模型.本研究的主要内容结果和结论为:()探索了光谱采集参数对分析结果的影响.解释了Nexus智能型傅立叶变换(FouriertransformFT)光谱仪在光谱采集时增益、动镜速度和光圈大小等参数的设定依据并分析了扫描次数和分辨率对光谱和建模结果的影响结果显示:模型性能随分辨率增加而提高但扫描时间也随之增加而扫描次数为次的时候模型的性能相对较好分析了用USB便携式微型光纤光谱仪采集光谱时积分时间和平均次数等参数的设置依据()分析了原始光谱及经预处理后的光谱(包括微分光谱和平滑光谱)的谱线特征结果显示水果的漫反射原始光谱特征吸收主要在nm、lnm、nm、nm和nm附近与O.H和C.H基团的振动和倍频吸收相关水果的原始透射光谱在.nm、nm附近的透过率变化比较显著具有内部褐变缺陷的梨在柄.蒂垂直放置采集的光谱低于nm时比完好的梨具有更强的吸收而在高于nm时吸收变弱在柄.蒂水平放置采集的光谱的特性与柄.蒂垂直放置时的光谱的特性基本一致只是这一分界点移到了nm左右.对平滑光谱的平均吸光度和均方根噪声的方差分析结果显示:不同点数平滑处理对两台光谱仪器所采集的光谱的特征信息的影响不显著.()分析了水果不同检测部位的光谱信息的差异对同一水果三个纬度和三个浙江大学博士学位论文摘要经度的光谱平均吸光度和均方根噪声的方差分析结果显示:水果不同纬度上的光谱差异较大而不同经度上的差异较小.()基于Chauvenet检验方法对各组样本中的光谱异常样本进行分析在剔除光谱异常样本后进行梨内部缺陷判别和梨品种分类的定性建模分析基于杠杆值和学生残差T检验方法对各组样本中的浓度异常样本进行分析将杠杆值和学生残差值较大的样本暂定为异常样本通过比较逐一回收后的模型性能确定最终剔除的浓度异常样本定量分析所用样本同时基于光谱异样本剔除结果和浓度异常样本剔除结果。()研究了梨内部缺陷的定性判别分析:比较不同仪器和检测方式的判别结果显示用USB微型光纤光谱仪采集的透射光谱建立的模型的判别正确率要高于用FTNIR光谱仪采集的漫反射光谱建立的模型由此可以认为用透射光谱进行梨内部缺陷判别的效果要优于漫反射光谱比较判别分析(DiscriminantanalysisDA)、簇类的独立软模式分类法(SoRindependentmodelingofclassanalogySIMCA)、判别偏最小二乘法(DiscriminantpartialleastsquaresDPLS)及概率神经网络(ProbobilisticneuralnetworkPNN)四种判别方法对梨内部缺陷的判别结果显示DPLS模型和PNN模型不适合用于梨内部缺陷的判别分析SIMCA模型的判别结果略优于DA模型对两种水果放置方式(柄.蒂垂直和桶.蒂水平)的比较结果显示在水果柄.蒂水平放置时所采集的透射光谱对缺陷的判别效果更优比较多种光谱预处理方法和不同建模波段对梨内部缺陷判别结果的影响显示对储藏期的雪青梨较优的模型是基于水果水平放置时获得的.nm经平滑处理后的透射光谱所建的SIMCA模型校正集和预测集的判别正确率分别为.%和.%对储藏期的翠冠梨较优的模型是基于水果水平放置时获得的nm经多元散射校正(MultiplicativescattercorrectionMSC)处理后的透射光谱所建的SIMCA模型校正集和预测集的判别正确率分别为.%和.%.()研究了不同品种梨的定性分类分析:比较不同仪器和检测方式的分类结果显示漫反射光谱的分类效果要优于透射光谱由USB光纤光谱仪获得的漫反射光谱的校正模型的分类效果要优于由傅立叶变换光谱仪获得的漫反射光谱的校正模型但其预测效果不如InGaAs检测器所获得的漫反射光谱模型的预测效果综合考虑校正集和预测集的分类正确率用InGaAs检测器获得的.nm的近红外IV浙江大学博士学位论文摘要漫反射光谱的分类效果最优比较DASIMCA、DPLS及PNN四种方法对不同品种梨的分类结果显示DA和SIMCA两者的分类结果比较接近的且明显优于DPLS模型分类结果PNN校正模型的分类效果与DA或SIMCA分类模型的分类效果相近但PNN预测模型的预测性能不及DA和SIMCA模型的预测性能综合考虑校正集和预测集的分类正确率DA模型的性能最优比较多种光谱预处理方法和不同建模波段对不同品种梨分类结果的影响显示基于.llm的漫反射光谱经点平滑后所建立的DA综合模型的分类效果最好校正集和预测集的分类正确率分别为.%和%.()研究了梨坚实度的定量分析:比较偏最小Z乘回归(Partialleastsquaresregressi’onPLSR)、主成分回归(PrincipalcomponentsregressionPCR)多元线性回归(MultilinearregressionMLR)及最小二乘支持向量机(Leastsquare.supportvectormachineLS.SVM)四种定量校正方法对梨坚实度的检测结果显示PCR模型和MLR模型的性能总体上不如PLSR模型基于PCA的LS.SVM模型在包含个主成分时的模型性能与PSLR原始光谱全波段模型性能相近年西子绿梨的LS.SVM模型的校正集和预测集相关系数分别为.、.SEC和SEP分别为.N、.N年翠冠梨的LS.SVM模型的校正集和预测集相关系数分别为..SEC和SEP分别为.N、.N年雪青梨的LS.SVM模型的校正集和预测集相关系数分别为o.、.SEC和SEP分别为.N、.N比较多种光谱预处理方法和不同建模波段对梨坚实度检测结果的影响显示年西子绿梨的光谱经点平滑处理后在.nm和.nm所建PLSR模型的性能较优校正和交互验证的相关系数分别为O.和.SEC、SEP和SECV分别为.N、.N和.N年翠冠梨的光谱经SNV校正处理后在.am、.am和nm所建PLSR模型的性能较优校正和交互验证的相关系数分别为.和O.SEC、SEP和SECV分别为.N、.N和.N年雪青梨的光谱经点平滑处理后在.am所建PLSR模型的性能较优校正和交互验证的相关系数分别为.和O.SEC、SEP和SECV分别为.N、.N和.】N.()研究了梨坚实度的定量模型修正:用斜率/截距法对年采收期梨坚实度模型的修正结果显示对于无预处理模型和经平滑、微分和散射校正处理后的模型经修正后的模型预测结果均有明显改善预测误差SEP比未修正之前明显减小修V浙江大学博士学位论文摘要正后坚实度实际值与预测值的差值分布比修正前更接近于零线.(研究了猕猴桃维生素C含量的定量分析:比较PLSR、PCR、MLR及LSSVM四种定量校正方法以及多种光谱预处理方法和不同建模波段对猕猴桃维生素c含量的检测结果显示用猕猴桃原始光谱在全波段范围建立的PLSR模型对维生素c含量的预测性能较优校正集和预测集的相关系数分别为.、.SEC、SEP和SECV分别为.mg/、.mg/和.mg/PCR模型的性能总体上不如PLSR模型用个波长的光谱信息建立MLR模型的校正集相关系数达到.以上基本接近PLSR模型的校正性能交互验证的性能则明显优于PLSR模型不过预测性能比较差基于PCA的LS.SVM模型随着所含主成分数的增加性能不断地改善但总体性能不如PLSR模型用PLS因子权重替代主成分建立的LS.SVM模型的性能也随着模型所含因子数的增加而不断地改善与PLSR较优模型使用相同因子数时校正集和预测集的相关系数分别为.和.SEC和SEP分别为.mg/和.mg/虽然校正性能略微变差但预测性能明显提高.关键词:水果内部品质近红外光谱分析无损检测Vl浙江大学博士学位论文AbstraetAbstractFruitisoneofthemaincomponentsofhumandiet.Itprovidesabundantnutritionalelementsforhumanbody.Chinaisabigfruitproducer,butnotpowerful.Oneoftheimportantreasonsisthelowfruitqualityandweakcompetitivenessinworldmarketcausedbylowcommercializationtreatmentabilityforpostharvestfruit.Thereforerapidandnondestructivedetectionandclassificationoffruitexternalandinternalqualitiesbecomesnecessaryforfruitindustrializationofourcountry.Thisstudyisafurtherextensionoftheformerresearchprojectsdonebyourgroupmembers一f砘itexternalqualitydetectionusingmachinevisiontechniqueandfruitsugarcontentandaciditydetectionusingnearinfraredfNIR)spectroscopy,inordertOevaluatethefruitqualitywithmultiplequalityindices.Theresearchobjectsarepearsandkiwifruits.DetectionofpearfirmnessandkiwifruitvitaminCcontentwerestudiedusingvisible/NIRspectroscopy,opticfibersensorandchemometricstechniquescombinedwithphysicalchemicalanalysisandfruitphysiologicalandpathologicalknowledge.Quantitativemodelswereestablishedbasedonvisible/NIRspectraforfruitfirmnessandvitaminCcontentdetermination.Inthisdissertationpearinternaldefectdiscriminantandpearvarietyclassificationwerealsostudiedusingvisible/NIRspectroscopytechniqueandpanernrecognitionmethods.QualitativemodelswereestablishedforpearinternaldefectdiscriminantandvarietycIassification.Themainresultsandconclusionswere:i.Theinfluenceofspectraacquisitionparametersonspectraandmodelingresultswel'eanalyzed.ForFTNIRspectrometer,thesettingprincipalofgainmovingmirrorvelocityandapertureparameterswereexplained.Theinfluenceofscannumberandresolutiononspectraandmodelingresultswereanalyzed.Theresultsindicatedthat:modelperformancewasimprovedwithresolutionincreasingbutthetimecostforscanningalsoincreased.Modelswererelativelybetterwhenthescannumberwas.ForUSB/miniatureopticfiberspectrometer,thesettingprincipalofintegraltimeandaveragetimewerealsoexplained.V¨浙江大学博:学位论文Abstract.heCurvecharacteristicsoffruitoriginalspectraandspectraafterderivativeandsmoothingpretreatmentswereanalyzed.MainabsorptionpropertiesonfruitdiffusereflectancespectrawerearoundnmlnmnmamandnmwhichwererelatedtoOHandCHfunctionalgroups.netransmittancechangesontransmissionspectraweremuchobviousaroundnmandnm.Withfruitstemcalyxverticalspectraofpearswithinternaldefecthaveabsorbedmorelightthansoundpearsbelownmandabsorbedlesslightthansoundpearsabovenm.Withfruitstemcalyxhorizontalthecharacteristicsofdefectpearandsoundpearwerenearlythesamebutthethresholdmovedtonm.neresultsofvariationanalysis(ANOVA)ofaverageabsorbanceandrootmeansquarenoisefororiginalspectraandsmoothedspectrashowedthatthespectracharacteristicswerenotinfluencedbysmoothingpretreatrnentswithdifferentpointsforbothFTNIRandUSB/spectrometers..Thedifferenceofspectraacquiredfromdifferentfruitlocationswasanalyzed.TheresultsofANOVAofaverageabsorbanceandrootmeansquarenoiseforspectraacquiredfromthreelatitudesandthreelongitudes(ninepoints)Oneachfruitshownthatthedifferenceofspectrafromdifferentlatitudesweremuchmorethanthedifferenceofspectrafromdifferentlongitudes.Spectraoutliersineachsample.setwereanalyzedbyChauvenettestingmethod.Qualitativemodelsforpearinternaldefectdiscriminantandpearvarietyclassificationwereestablishedaftereliminatingspectraoutliers.Concentrationoutliersineachsamplesetwereanalyzedbyleverageandstudentresidualtestingmethod.Sampleswithrelativelylargerleveragevalueorstudentresidualvaluewereconsideredasoutlierandremovedfromthesamplesetfirstly.AndthentheywerereclaimedtOthemodelonebyonetoseewhethertheyprovidedanyusefulinformationornot.QuantitativemodelsforpearfirmnessandkiwifruitvitaminCcontentdetectionwereestablishedbasedonbothspectraoutliereliminationandconcentrationoutlierelimination.VIII浙江大学博士学位论文Abstraet.Qualitativeanalysisofpearinternaldefect:Comparisonresultsofdifferentspectrometers(ordetectors)anddetectionmodesindicatedthatdiscriminantaccuracyofmodelsbasedontransmissionspectrausingUSBminiatureopticfiberspectrometerweremuchbetterthantheaccuracyofmodelsbasedondiffusereflectancespectrausingFTNIRspectrometer,whichcanbeconcludedthattransmissionspectraweremoresuitableforpearinternaldefectdiscriminant.Comparisonresultsofdifferentpatternrecognitionmethodsofdiscriminantanalysis(DA)softindependentmodelingofclassanalogy(SIMCA)discriminantpartialleastsquares(DPLS)andprobabilisticneuralnetworks(州indicatedthatDPLSandPNNmodelswerenotsuitableforpearinternaldefectdiscriminantandthediscriminantresultsofSICMAmodelwereabitbetterthanthoseofDAmodel.Comparisonresultsoftwofruitplacingmodes(stemcalyxverticalandstemcalyxhorizontal)indicatedthatdiscriminantaccuracyofthemodelusingspectraacquiredwithfruitstemcalyxhorizontalwasmuchbetter.Comparisonresultsofdifferentspectrapretreatmentsanddifferentwavebandsshowedthat:ForXueqingpearsafterstoragetheSIMCAmodelbasedonspectraacquiredwithfruitstemcalyxhorizontalinamaftersmoothingpretreatmentwasmuchbetter.Thediscriminantaccuracyofcalibrationandvalidationwere.%and.%respectively.ForCuiguanpearsafterstoragetheSIMCAmodelbasedonspectraacquiredwithfruitstem··calyxhorizontalin·amandusingmultiplicativesignalcorrection(MSC)pretreatmentwasmuchbetter.Thediscriminantaccuracyofcalibrationandvalidationwere.%and.%respectively..Qualitativeanalysisofpearvariety:Comparisonresultsofdifferentspectrometers(ordetectors)anddetectionmodesindicatedthatclassification’correctnessofmodelsbasedondiffusereflectancespectraweremuchbetterthanthatofmodelsbasedontransmissionspectra.AccordingtothecorrectnessofbothcalibrationandvalidationthebestmodelwasbasedondiffusereflectancespectraacquiredbyInGaAsdetectorintherangeofnm.ComparisonresultsofmodelsusingDASIMCADPLSandPNNmethodsindicatedIX浙江大学博士学位论文Abstract曼!!曼曼!曼曼I一一.一一一一一。.一一=二I皇曼曼曼曼皇菖曼尝thattheclassificationcorrectnessofDAandSIMCAmodelswereverycloseandweremuchbetterthanthatofDPLSmodel.ThecalibrationresultsofPNNmodelwereclosetOthoseofDAandSIMCAmodelsbutthepredictionresultsweremuchworse.AccordingtOthecorrectnessofbothcalibrationandvalidationtheperformanceofDAmodelwasthebest.Comparisonresultsofdifferentspectrapretreatmentsanddifferentwavebandsshowedthat:DAmodelusingdiffusereflectancespectrainlnmandafterpointssmoothingpretreatmentsturnedoutthebestresultswithclassificationcorrectnessof.%and%forcalibrationandvalidationrespectively..Quantitativeanalysisofpearfirmness:Comparisonresultsofdifferentcalibrationmethodsofpartialleastsquareregression(PLSR)principalcomponentsregression(PCR)multilinearregression(MLR)andleastsquaresupportvectormachines(LSSVIⅥ)showedthattheperformanceofPLSRmodelwasbenerthanPCRmodelandMLRmodel.TheperformanceofLSSVMmodelusingtenprincipalcomponentswasclosetOthatofPLSRmodel.ForXizilvpears()thecorrelationcoefficientsofcalibrationandvalidationwere.and.respectivelystandarderrorofcalibration(SEe)andstandarderrorofprediction(SEP)were.Nand.Nrespectively.ForCuiguanpears()thecorrelmioncoefficientsofcalibrationandvalidationwere.and.respectivelySECandSEPwere.Nand.N.respectively.ForXueqingpears()thecorrelationcoefficientsofcalibrationandvalidationwere.andO.respectivelySEeandSEPwere.Nand.Nrespectively.Comparisonresultsofdifferentspectrapretreatmentsanddifferentwavebandsshowedthat:ForXizilvpears()theperformanceofPLSRmodelestablishedinamandnmafterpointssmoothingpretreatmentswasmuchbeRerthecorrelationcoefficientsofcalibrationandvalidationwere.and.respectivelySECSEPandstandarderrorofcrossvalidation(SECⅥwere.N.Nand.Nrespectively.ForCuiguanpears()theperformanceofPLSRmodelestablishedin·nm.·amandnmafterstandardnormalvariate(sNv)correctionwasmuchbeRerthecorrelationcoefficientsofX浙江大学博士学位论文Abstractcalibrationandvalidationwere.and.respectivelySECSEPandSECVwere.N.Nand.Nrespectively.ForXueqingpears()theperformanceofPLSRmodelestablishedinnmafterpointssmoothingpretreatmentswasmuchbeaer'thecorrelationcoefficientsofcalibrationandvalidationwereO.and.respectivelySECSEPandSECVwere.N.Nand.Nrespectively..Quantitativemodelmodificationforpearfirmnessprediction:emodificationresultsofpearfirmnessmodelsusingslope/inceptmethodindicatedthatthepredictiveperformanceofmodelsaftermodificationwasimprovedobviouslycomparedtothatofmodelsbeforemodificationnotonlyforspectrawithoutpretreatmentsbutalsoforspectrawithsmoothingderivativeorscaReringcorrectionpretreatments.Aftermodification.SEPdecreaseddistinctively,andthedifferencedistributionofactualandpredictedfirmnessbecomeclosertozeroline.jQuantitativeanalysisofkiwifruitvitaminCcontent:ComparisonresultsofdifferentcalibrationmethodsofPLSR,PCR,MLRanddifferentspectrapretreatmentsanddifferentwavebandsshowedthattheperformanceofPLSRmodelusingoriginalspectrainnnlwasmuchbenerthecorrelationcoefficientsofcalibrationandvalidationwere.andO.respectivelySECSEPandSECVwere.m∥lOOg.me,/and.mg/lOOgrespectively.PCRmodelperformedworsethanPLSRmodel.ThecorrelationcoefficientofMLRcalibrationusingelevenwavelengthswasabove.whichisclosetoPLSRcalibrationperformanceandthecrossvalidationperformancewasbeaerthanPSLRmodelhowever’thepredictionperformancewasmuchworse.TheperformanceofLSSVMmodelbasedonprincipalcomponentanalysis(PCA)wasimprovedwithmoreprincipalcomponentsincludedbutitwasalsoworsethanPLSRmodel.UsingPLSfactorloadingsinsteadofprincipalcomponentSCOreStheperformanceofLS·SVMmodelcanbeimprovedandalsoincreasedwithmorefactorsincluded.WhenLSSVMusingthesamefactorsasPLSRmodelthecorrelationcoefficientsofcalibrationandvalidationwere.and.respectivelySECandSEPwere.mg/and.mg/respectively.AlthoughthecalibrationperformancewasabitworsethanPLSRmodelthepredictionperformancewasimproveddistinctively.XI浙江大学博士学位论文AbstractKeywords:fruitinternalquality,visible/nearinfraredspectralanalysisnondestructivedetection浙江大学博士学位论文符号列表曼鼍曼曼曼曼曼曼曼曼!!曼!皇曼!曼!量曼舅舅一!.!.,一m.m.mnn.nn。innn皇符号列表缩写全称中文含义ANNArtificialNeuralNetwork人工神经网络ASTMBPANNC)ACLSCVDADMDPLSDSEPOFIRFTGAICAILSKNNAmericanSocietyofMaterialsTe‘ing美国材料检测协会BackPropagationArtificiaINeural误差反向传播前馈式神经Network网络CanonicaIDiscriminantAnaIysiS典型判别分析ClassicaILeastSquareerosSValidationDiscriminantAnalysiSDryMatter经典最小二乘法交互验证.判别分析:干物质.DiscriminantPartialLeastSquares判别偏最小二乘法DirectStandardizationExternaOrthogonalizationFiniteImpulseRespondFourierTransformGeneticAlgorithmParameterIndependenceComponentAnalysiSInverseLeaStSquareKNearestNeighbor直接校正算法外部参数正交化有限脉冲响应傅立叶变换遗传算法独立分量分析反向最小二乘K近邻.LSSVMLeastSquareSupportVectorMachines最小二乘支持向量机MDMLRMPLSMSCMahalanobiSDiStanceMultiLinearRegressionMultiplePartialLeastSquaresMultiplictiveSeatterCorrection马氏距离多元线性回归多向偏最小二乘法多元散射校正NIRNearInfrared近红外淅江大学博士学位论文符号列表缩写全称中文含义NMROSCPCPCAPCRPDSPLSPLSDAPLSRPNNPRESSQDArRMSECVRMSEPRMSSRSCSDSECSECVSEPSIMCAXⅪVYucIearMagneticResonance核磁共振OrthogonalSignaCorrectionPrincipalComponentPrincipaIComponentAnalysisPrincipalComponentRegresSionPiecewisoDiTCCtStandardizationPartiaiLeastSquares正交信号校正主成分主成分分析主成分回归分段直接校正算法偏最小二乘法Par‘ialLeas‘squaresDicrimina叭偏最小二乘判别分析AnalysisPartialLeastSquaresRegression偏最小二乘回归ProbabiisticNeuralNetwork概率神经网络PrediCtiweResidualErrorSumof预测残差平方和SquaresQuadraticDiscriminantAnalysis二次判别分析CorrelationCoeffiCient相关系数R‘MeansquareE”。r。fcr。交互验证均方根误差ValidationRootMeanSquareErrorofPrediction预测均方根误差R‘Meansquares‘andardizeQ标准残差均方根ReSidualSugarContentStandardDeviation糖度标准偏差StandardErrorofCaIibration校正标准误差StandardErrorofCrossValidation交互验证标准误差StandardErrorofPrediction预测标准误差法类分式模软立独的类簇SSa●lot.gn●l●IedOMCnednepednyIgt●l乞.IaOnSA浙江大学博士学位论文符号列表缩写全称中文含义XXV浙江大学博士学位论文插图清单插图清单编号插图标题页码图年中国水果产量和种植面积趋势图光在水果中的传播图近红外光谱分析技术的应用领域图主要的NIR吸收带和相关吸收位置图NIR漫反射光谱图(illn)(水果、茶叶、谷物)图NIR光谱化学和物理特性的变化图I可见/近红外光谱技术用于水果内部品质分析的工作流程图图本课题研究的技术路线图图Nexus智能型傅立叶变换近红外光谱仪外观图.Nexus智能型傅立叶变换近红外光谱仪内部结构图Nexus智能型傅立叶变换近红外光谱仪检测示意图图USB/微型光纤光谱仪图USB光纤光谱仪检测示意图图OMNICv.I软件界面图IBase软件界面图TOAnalystv软件界面图水果漫反射和透射检测方式示意图图输入变量矩阵和输出变量矩阵之间的关系示意图图概率神经网络结构图万能试验仪图水果缺陷检测剖面图图I三个品种梨的外观图图年三个品种梨样品的坚实度分布图图年三个品种梨样品的坚实度分布图图年三个品种梨样品的坚实度分布图图具有不同缺陷等级的梨样本的切面示意图●OO●淅江大学博士学位论文插图清单编号插图标题页码XIV浙江大学博士学位论文插图清单曼皇鼍!皇曼詈。IIIIIIIIIIIII詈詈皇编号插图标题页码浙江大学博士学位论文插图清单编号插图标题页码XⅥ浙江大学博士学位论文插图清单编号插图标题页码舢浙江大学博士学位论文表格清单皇!曼曼曼量皇曼曼曼量曼曼曼曼曼皇曼曼IIIIIII量篁鼍!曼蔓皇曼曼曼!曼皇曼曼曼曼曼曼曼皇曼曼曼曼曼曼!!曼!曼曼菖表格清单淅江大学博士学位论文表格清单编号表格标题页码浙江大学博士学位论文表格清单编号表格标题页码分析表表年翠冠梨浓度异常样本逐一回收分析的模型性能对比分析表表年雪青梨浓度异常样本逐一回收分析的模型性能对比分析表表各组样本中校正集和预测集样本数量及坚实度平均值和标准偏差表一基于不同光谱预处理的年西子绿梨PLSR模型的分析结果表建模波段对年西子绿梨PLSR建模结果的影响表基于不同光谱预处理的年翠冠梨PLSR模型的分析结果表建模波段对年翠冠梨PLSR建模结果的影响表基于不同光谱预处理的年雪青梨PLSR模型的分析结果表建模波段对年雪青梨PLSR建模结果的影响表基于不同光谱预处理的年三个品种梨PCR模型的分析结果表基于不同光谱预处理的年西子绿梨MLR模型的分析结果’(波长)表基于不同波长数的年西子绿梨MLR模型的分析结果表基于不同光谱预处理的年翠冠梨MLR模型的分析结果(波长)表基于不同波长数的年翠冠梨MLR模型的分析结果表基于不同光谱预处理的年雪青梨MLR模型的分析结果(波长)表基于不同波长数的年雪青梨MLR模型的分析结果表基于PCA的年西子绿梨的LSSVM模型的分析结果表基于PeA的年翠冠梨的LSSVM模型的分析结果表基于PCA的年雪青梨的LSSVM模型的分析结果淅江大学博士学位论文表格清单III编号表格标题页码XXU独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据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或撰写过的研究成果也不包含为获得逝鋈太茔或其他教育机构的学位或证书而使用过的材料。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谢意。学位论文作者签名:骷萍签字日莫|j:上酩年名月硒日学位论文版权使用授权书本学位论文作者完全了解逝姿盘鲎有关保留、使用学位论文的规定有权保留并向国家有关部门或机构送交论文的复印件和磁盘允许论文被查阅和借阅。本人授权逝j丘盘堂可以将学位论文的全部或部分内容编入有关数据库进行检索可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。i屎密乙j学&色爻在解密石运厕本授板书j学位论文作者签名:循霞年糯缶御别签字日期:内扩年名月必日签字日期:夕一辟∥月浙江大学博士学位论文致谢致谢岁月如梭而过往的点滴依然如此清晰地了然于心片片回忆如蒙太奇般在眼前闪过画面中一张张熟悉的脸庞是曾给过我关爱、教诲、帮助的老师、朋友和亲人们有太多的感激存于心间此时此刻最想对你们说的是“谢谢”:谢谢导师应义斌教授感谢您对我的学习和课题研究的悉心教导感谢您在我受挫时给予的安慰和鼓励!您的勤奋让我明白天道酬勤要坚持始终您的博学让我明白学海无涯仍需努力您教诲我们治学要严谨务实您提醒我们做学问要耐得住寂寞您也不断地对我们强调团队协作的重要性所有这些对我的影响都是巨大而深刻的在日积月累点滴汇聚中助我逐渐形成了正确、成熟的人生观、价值观这是我一生的幸事!谢谢本团队的王剑平老师、成芳老师、徐惠荣老师、饶秀勤老师、蒋焕煜老师及其他各位老师感谢你们在我学习期间给予的诸多教诲你们丰富的实践经验使我受益良多因为有了你们的支持才使我的学业得以顺利完成在此谨向各位老师表示真挚的谢意!谢谢本团队的兄弟姐妹们感谢你们在实验和论文撰写过程中给予我的大力协助以及在平时生活中给予我的关照让我这一路走来倍感温暖!谢谢学院的老师们给予我的帮助!谢谢我的朋友们陪我一起走过这段难忘的岁月!最后要特别谢谢我的亲人感谢你们对我的无私付出你们的疼爱伴着我经历人生的路途平坦或是坎坷总在我身后默默地关注和守护着!谨以此文献给你们!傅霞萍年月日于华家池淅江大学博士学位论文绪论篇浙江大学博士学位论文第l章绪论皇曼皇!量曼曼曼鼍!曼曼!鼍=IIil·。III曼曼曼曼曼蔓曼鼍曼皇曼!曼第章绪论【提要】本章分析了我国水果产业的发展及现状指出了我国水果业加大产后商品化处理力度、提高水果国际市场竞争力的必要性本章还分析了水果品质无损检测技术的发展及现状并介绍了近红外光谱分析技术的原理、基础及发展过程最后对近红外光谱分析的技术流程作了简要描述..我国水果产业的发展及现状《黄帝内经》中曾记载“五谷为养五果为助五畜为益五菜为充”由此可见果蔬自古以来就是人们日常生活中的重要食物是人类饮食结构的基本组成部分占所有食物构成的.%以上【l】.水果不仅可以为人体提供丰富的蛋白质、碳水化

用户评价(0)

关闭

新课改视野下建构高中语文教学实验成果报告(32KB)

抱歉,积分不足下载失败,请稍后再试!

提示

试读已结束,如需要继续阅读或者下载,敬请购买!

文档小程序码

使用微信“扫一扫”扫码寻找文档

1

打开微信

2

扫描小程序码

3

发布寻找信息

4

等待寻找结果

我知道了
评分:

/43

水果内部品质可见近红外光谱无损检测方法的实验研究

仅供在线阅读

VIP

在线
客服

免费
邮箱

爱问共享资料服务号

扫描关注领取更多福利