、成熟度、蟲害葡萄的區(qū)分和鑒定，用一個定量模型即 可完成葡萄主要內(nèi)含物含量的測定，大大降低了建模成本及模型維護(hù)成本。
[0042] 2、測定準(zhǔn)確率高
[0043] 本發(fā)明選擇了特定的波數(shù)范圍，使得整個檢測方法的檢測結(jié)果準(zhǔn)確率高，分析效 果良好。
[0044] 3、模型實用性強(qiáng)
[0045] 建模過程中，使用一階導(dǎo)數(shù)消除了樣品積分時間的影響，模型在實際使用時可用 不同的積分時間進(jìn)行檢測；極大的降低了模型的復(fù)雜程度，大大提高了模型的實用性，滿足 實際應(yīng)用需求，近紅外通用模型能夠運(yùn)用于簡易的近紅外儀器上。
【附圖說明】
[0046] 圖1A-1B示出了"夏黑"葡萄果實混合指標(biāo)模型建立的特征波長范圍
[0047] 圖2A-2B示出了 ："夏黑"葡萄果實混合指標(biāo)模型中可溶性固形物的預(yù)測結(jié)果
[0048] 圖3A-3D示出了"夏黑"葡萄果實混合指標(biāo)模型中總酚、總糖、果糖、蔗糖的預(yù)測結(jié) 果
【具體實施方式】
[0049] 下面結(jié)合具體的實施方式對本發(fā)明作進(jìn)一步說明。
[0050] 實施例1
[0051] (1)定量分析
[0052] 以"夏黑"葡萄果實混合指標(biāo)模型為例，圖1A-1B為"夏黑"葡萄果實樣本集的特 征波長，從圖1A-1B可以看出，光譜曲線兩端噪聲較大，由TQ軟件輔助自動選取的光譜范 圍有兩段，分別為 9842. 89 ~8018. 56cm 1 (圖 1A)和 8014. 71 ~4088. 35cm 1 (圖 1B)。通 過對常用光譜預(yù)處理方法的模型校正效果分析，選取多元散射校正（MSC)+-階導(dǎo)數(shù)（1st derivative)+Norris平滑為"夏黑"葡萄果實模型的最佳預(yù)處理方式，建模結(jié)果的評價包括 相關(guān)系數(shù)、均方根誤差、絕對誤差三部分。
[0053] 相關(guān)系數(shù)分為建模集（Calibration)相關(guān)系數(shù)和驗證集（Validation)相關(guān)系數(shù)。 建模集相關(guān)系數(shù)是考察建模集樣品的模型預(yù)測值與參考值的相關(guān)性。相關(guān)系數(shù)越高（數(shù)值 越接近1)，則相關(guān)性越高。驗證集相關(guān)系數(shù)是考察驗證集樣品的模型預(yù)測值與參考值的相 關(guān)性，是反映模型預(yù)測性能的重要參數(shù)之一；但驗證集不參與建模，只參與驗證模型。建模 集誤差均方根（RMSEC)表示建模集樣品的預(yù)測結(jié)果與實際結(jié)果之間差值的均方根（RMSE)， 為預(yù)測誤差的統(tǒng)計顯示，結(jié)果越接近〇越好。驗證集誤差均方根（RMSEP)表示驗證集樣品 的預(yù)測結(jié)果與實際結(jié)果之間差值的均方根，為預(yù)測誤差的統(tǒng)計顯示，結(jié)果越接近〇越好，是 反映模型預(yù)測性能的重要參數(shù)之一。
[0054] 圖2A-2B顯示的是"夏黑"葡萄果實混合指標(biāo)模型中可溶性固形物指標(biāo)的預(yù)測結(jié) 果，圖2A顯示的是相關(guān)系數(shù)和誤差均方根，圖2B為絕對誤差圖，總酚、總糖、果糖、蔗糖指標(biāo) 相關(guān)系數(shù)如圖3A-3D所示。"夏黑"葡萄果實總酚、總糖、果糖、蔗糖和可溶性固形物的實測 值與NIRS預(yù)測值之間的相關(guān)系數(shù)和誤差均方根如表1所示。在建模集中，總酚的相關(guān)系數(shù) 較低，為〇. 77,其余均在0. 92以上，建模集均方根誤差（RMSEC)在0. 022~0. 265之間，表 征模型預(yù)測結(jié)果良好；在驗證集中，蔗糖和總糖的相關(guān)系數(shù)較低，分別為0. 78和0. 82,其余 均在0. 91以上，驗證集均方根誤差（RMSEP)在0. 081~0. 981之間，模型總體水平高；盡管 某些指標(biāo)的相關(guān)系數(shù)較低，但由于混合模型適用性廣，所以本結(jié)果可滿足在線檢測的需要。
[0055] 表1 "夏黑"葡萄果實總酚、總量、果糖、蔗糖、可溶性固形物的PLS混合指標(biāo)模型 統(tǒng)計結(jié)果
[0057] 用同樣的方法建立"溫克"葡萄果實總酚、總糖、果糖、蔗糖和可溶性固形 物5個指標(biāo)的最佳預(yù)測模型，其預(yù)處理方法為多元散射校正（MSC)+-階導(dǎo)數(shù)（1st derivative)+Norris平滑。各組分預(yù)測結(jié)果如表2所示，模型預(yù)測結(jié)果良好。
[0058] 表2 "溫克"葡萄果實總酚、總量、果糖、蔗糖、可溶性固形物的PLS混合指標(biāo)模型 統(tǒng)計結(jié)果
[0060] TQ模型建好后，即可使用模型對未知樣品進(jìn)行定量分析，預(yù)測單個樣品以"溫克" 葡萄果實為例，采用外部驗證的方式對隨機(jī)選取的"溫克"葡萄果實光譜為未知樣品，將未 知樣品光譜導(dǎo)入"溫克"葡萄果實五個成分含量的混合模型進(jìn)行預(yù)測。預(yù)測結(jié)果見表3。得 到 "溫克"葡萄果實總酚、果糖、蔗糖、可溶性固形物、總糖五個內(nèi)含成分的預(yù)測值及誤差值， 預(yù)測結(jié)果理想。
[0061] 表3 "溫克"葡萄果實未知樣品的組分含量預(yù)測結(jié)果
[0063] (二）定性分析
[0064] 為了鑒別不同葡萄品種，利用TQ Analyst 9軟件中定性分析中的判別分析（DA) 方法，對夏黑、巨玫瑰、醉金香、藤稔、比昂扣、京亞、紅富士、金手指、巨峰、溫克10個不同品 種共計114個葡萄樣品建立定性品種識別模型。
[0065] 模型經(jīng)多次優(yōu)化，得到最佳效果。評價參數(shù)如下：TQ Analyst 9軟件自動選取的 波數(shù)范圍為4119. 20~9881. 46cm \以SNV+ -階導(dǎo)數(shù)+Norris平滑為建模的最佳預(yù)處理 方法建立定型分析模型，模型的正確識別率為92. 11 %。
【主權(quán)項】
1. 一種基于近紅外光譜技術(shù)對葡萄果實進(jìn)行無損檢測的方法，其特征在于，包括如下 步驟： (1) 物料準(zhǔn)備，選取不同品種葡萄果實，每個品種選取至少10個樣品組成樣品集； (2) 選取建模樣品，按照3:1的比例，將每個樣本集隨機(jī)分為建模集和驗證集； (3) 采集所有建模集和驗證集樣品的近紅外光譜原始數(shù)據(jù)； (4) 利用化學(xué)分析法測定樣品中內(nèi)含物指標(biāo)值； (5) 對步驟（3)中采集到的近紅外光譜進(jìn)行預(yù)處理； (6) 在TQ Analyst9軟件中，使用Suggest向?qū)Чぞ咦詣舆x擇合適的波數(shù)范圍； (7) 建立近紅外光譜定量分析模型，將步驟（6)得到的波數(shù)范圍作為建模波數(shù)范圍，步 驟（4)中的內(nèi)含物指標(biāo)值作為標(biāo)準(zhǔn)值，利用步驟（5)預(yù)處理后的近紅外光譜建立近紅外定 量分析模型； (8) 近紅外定量分析模型準(zhǔn)確度的檢驗，分別將驗證集樣品的近紅外光譜及其實際內(nèi) 含物指標(biāo)值代入近紅外定量模型，對近紅外定量模型準(zhǔn)確度進(jìn)行檢驗；根據(jù)預(yù)測值計算預(yù) 測標(biāo)準(zhǔn)差（RMSEP)，若其值滿足實驗要求，則代表模型可行，否則，重復(fù)步驟（5)-(7)，直至 滿足； (9) 利用近紅外定量分析模型測定待測樣品的內(nèi)含物指標(biāo)值。2. 根據(jù)權(quán)利要求1所述的檢測方法，其中步驟（1)中的葡萄品種選自金手指、比昂扣、 醉金香、藤稔、巨峰、溫克、夏黑、巨玫瑰、京亞、紅富士。3. 根據(jù)權(quán)利要求1所述的檢測方法，步驟⑴中包括選擇未成熟、轉(zhuǎn)色期、成熟期三個 時期果實以及有蟲害的果實組成樣品集。4. 根據(jù)權(quán)利要求1所述的檢測方法，其中步驟（3)中近紅外光譜采集的具體方法為： 采用Thermo Fisher公司生產(chǎn)的Antaris II近紅外光譜儀，由于葡萄的體積較小，配備精 密定位附件，采用高靈敏度InGaAs檢測器，待樣品放置至室溫后，在每個樣品赤道線上選 取均勻分布的4個采樣區(qū)域上進(jìn)行光譜采集，每次掃描，光譜自動重復(fù)32次，取平均值。5. 根據(jù)權(quán)利要求1所述的檢測方法，其中步驟（4)中所述的內(nèi)含物指標(biāo)為可溶性固形 物指標(biāo)、糖度指標(biāo)、總酚指標(biāo)；其中糖度指標(biāo)包括總糖、果糖、蔗糖指標(biāo)。6. 根據(jù)權(quán)利要求4所述的檢測方法，其中可溶性固形物指標(biāo)的測定方法為在葡萄果實 去皮和籽后，取葡萄果肉擠汁，采用折光儀測定可溶性固形物的含量。7. 根據(jù)權(quán)利要求1所述的檢測方法，其中步驟（5)中使用化學(xué)計量學(xué)軟件對所有光譜 依次進(jìn)行多元信號修正（MSC)、一階導(dǎo)數(shù)微分處理以及Norris平滑處理。8. 根據(jù)權(quán)利要求1所述的檢測方法，其中步驟（6)中波數(shù)范圍為9842. 89~ 8018. 56cm \ 和 8014. 71 ~4088. 35cm 1C39. 根據(jù)權(quán)利要求1所述的檢測方法，其中還包括利用定性分析方法對各樣本集的近紅 外光譜進(jìn)行分類鑒定，建立各樣本集定性分類模型的步驟。10. 根據(jù)權(quán)利要求9所述的檢測方法，包括在每個樣本集中選取9~21個樣品，采集其 原始近紅外光譜，使用化學(xué)計量學(xué)軟件（如TQ9.0軟件）建立不同葡萄品種、成熟度、蟲害 的DA定性分類模型；采用該軟件對之前選定的標(biāo)準(zhǔn)光譜進(jìn)行主成分分析，根據(jù)標(biāo)準(zhǔn)光譜的 主成分分析結(jié)果，計算出每個樣品光譜到各標(biāo)準(zhǔn)光譜的馬氏距離，對各葡萄樣品進(jìn)行分類 鑒定。
【專利摘要】本發(fā)明公開了一種基于近紅外光譜技術(shù)對葡萄果實進(jìn)行無損檢測的方法，具體涉及一種基于近紅外光譜技術(shù)分析的鮮食葡萄不同品種、成熟度及蟲害果實的鑒別方法，該方法綜合采用光譜預(yù)處理方法和化學(xué)計量學(xué)建模方法，建立以葡萄內(nèi)含物為檢測指標(biāo)的不同品種、成熟度及蟲害果實的定量分析預(yù)測模型。本發(fā)明通過采用近紅外光譜技術(shù)，對不同葡萄供試樣品的內(nèi)在品質(zhì)進(jìn)行鑒別，具有檢測速度快、效率高、成本低的優(yōu)點(diǎn)，適用于農(nóng)產(chǎn)品品質(zhì)與安全的無損檢測，可有效鑒別不同品種、成熟度及蟲害的葡萄果實。經(jīng)過一系列研究證實，近紅外光譜技術(shù)結(jié)合化學(xué)計量學(xué)方法在葡萄內(nèi)含物的快速預(yù)測和品種識別領(lǐng)域有著巨大的潛力和發(fā)展前景。
【IPC分類】G01N21/359, G01N21/3563
【公開號】CN105044024
【申請?zhí)枴緾N201510546694
【發(fā)明人】方從兵, 蔡雪珍, 楊軍, 章林忠, 寧井銘, 江海洋, 丁玲玲
【申請人】安徽農(nóng)業(yè)大學(xué)
【公開日】2015年11月11日
【申請日】2015年8月31日