本申請涉及水蜜桃成熟度的快速無損檢測領(lǐng)域，特別是一種基于近紅外光譜的水蜜桃成熟度識別方法。

背景技術(shù)：

1、水蜜桃是薔薇科桃屬核果類植物，原產(chǎn)于中國，并在世界各地均有栽植。水蜜桃因漿汁豐富，果肉柔軟，甘甜香郁而深受消費者喜愛。一般在7月中下旬成熟，其采收期的成熟度直接決定了果實貯藏時間和最終食用品質(zhì)，過早或過晚采收，均導(dǎo)致水果損失率高、品質(zhì)差。精準(zhǔn)選擇果實最佳采收時間，是降低水果損失和提高水果品質(zhì)的關(guān)鍵。

2、果實內(nèi)部品質(zhì)是果實品質(zhì)評價的重要組成部分，其中可溶性固體含量(solublesolids?content，ssc)是影響水果口感的主要因素，與果實成熟程度密切相關(guān)，但采集ssc多以破壞性檢測為主，田間應(yīng)用性不強(qiáng)。目前水蜜桃在采收期判定仍以人為外觀判斷為主，受主觀性影響較大，且不能夠適應(yīng)智慧化果園發(fā)展方向。此外，由于聲學(xué)特性檢測技術(shù)、電學(xué)特性檢測技術(shù)以及電子鼻技術(shù)等對應(yīng)用環(huán)境要求高、成本大，多用于密閉條件下的水果采后分級，無法實現(xiàn)水蜜桃田間快速成熟度檢測。

3、近紅外光譜技術(shù)具有多種成分同時檢測、采集速度快、成本低、準(zhǔn)確率高、無前處理、無破壞性和無污染等特點，其原理是近紅外光照射水果后，光譜特性與果實的結(jié)構(gòu)、質(zhì)地和成分有關(guān)，可用于水果化學(xué)和物理品質(zhì)的定量和定性分析。其中漫反射可以檢測果皮較薄的桃、梨、蘋果等果實的糖酸度。

4、近年來，國內(nèi)許多專家利用近紅外光譜技術(shù)對梨、西瓜、水蜜桃的糖度進(jìn)行了分析，如傅霞萍等用近紅外光譜檢測了不同成熟期的“雪青”梨堅實度，預(yù)測均方根誤差為4.23n，證實了利用近紅外技術(shù)進(jìn)行水果堅實度檢測的可行性；韓東海等對小型京秀西瓜生長過程中的品質(zhì)采用近紅外進(jìn)行了快速無損檢測，由pls建模結(jié)果可知，無論是組織含水率還是可溶性固形物含量，在瓜頂部位和赤道部位處都可獲得較好的效果；潘磊慶等人利用傅里葉近紅外光譜技術(shù)，采用多元散射校正、一階導(dǎo)數(shù)和卷積平滑處理方法對樣品原始光譜進(jìn)行預(yù)處理，結(jié)合偏最小二乘法建立數(shù)學(xué)模型，對貨架期水蜜桃糖度進(jìn)行了預(yù)測，得到了比較好的預(yù)測效果。

5、但目前已有的研究大多集中在果實內(nèi)部成分檢測上，通過對成分檢測再驗證成熟度，或者水果采后貨架期的預(yù)測上，關(guān)于不同水蜜桃采收成熟度判別研究相對較少。如carlomagn等(2004)根據(jù)桃果實的糖度和硬度來判別成熟度，采用了730～900nm區(qū)域的近紅外透射光譜，利用基于包小波變換的降噪方法對光譜進(jìn)行了預(yù)處理，再用最小距離分類器預(yù)估每個實驗數(shù)據(jù)的分級，該方法對桃子的識別正確率僅達(dá)到82.5％，因此難以滿足市場需求。

技術(shù)實現(xiàn)思路

1、針對上述問題，本申請一種基于近紅外光譜的水蜜桃成熟度判別方法，利用近紅外光譜技術(shù)，采用4000～10000cm-1波數(shù)范圍對不同采收程度的水蜜桃進(jìn)行檢測，為桃果實采收程度的判別提供依據(jù)。

2、具體而言，本申請是通過以下技術(shù)方案實現(xiàn)的：

3、一種基于近紅外光譜的水蜜桃成熟度識別方法，其具體步驟如下：

4、1)使用thermo?antaris?ii傅里葉變換近紅外分析儀漫反射方式收集不同成熟度水蜜桃近紅外光譜；

5、1.1)設(shè)置近紅外分析儀的參數(shù)，采用漫反射方式；

6、1.2)以儀器內(nèi)部空氣為背景，光譜掃描波數(shù)10000～4000cm-1，掃描間隔3.856cm-1，每條光譜有1557個點，掃描次數(shù)32次，增益4x；

7、1.3)以儀器內(nèi)部空氣為背景，采集水蜜桃樣品近紅外光譜；

8、2)對得到的光譜數(shù)據(jù)做預(yù)處理。

9、2.1)建立不同成熟度水蜜桃近紅外光譜圖庫；

10、2.2)采用snv法對近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理，采用pca對樣本數(shù)據(jù)進(jìn)行預(yù)處理，達(dá)到消除數(shù)據(jù)的相關(guān)性和噪聲的目的；

11、2.3)對得到的光譜數(shù)據(jù)作組成分分析,將主成分分析后的得分作為特征參量；

12、3)利用result-integration軟件，采用徑向基函數(shù)作為支持向量機(jī)的核函數(shù)，建立不同成熟度水蜜桃的預(yù)測模型：

13、3.1)所述徑向基函數(shù)的具體表達(dá)式為:

14、k(x；,xj)＝exp(-γ?||x；-xj||)2；?(1)

15、其中γ＝1/2σ2,為一自由參數(shù)；

16、3.2)通過交叉驗證和網(wǎng)格搜索方法確定懲罰系數(shù)cost和核函數(shù)系數(shù)gamma的最優(yōu)參數(shù)組合，建立基于近紅外光譜的水蜜桃成熟度判別模型；

17、3.3)在最優(yōu)參數(shù)下使用該模型進(jìn)行預(yù)測，建立水蜜桃成熟度判別模型計算模型的準(zhǔn)確率。

18、進(jìn)一步的，在上述步驟2.2)中，對近紅外光譜進(jìn)行標(biāo)準(zhǔn)正態(tài)變量轉(zhuǎn)換(snv)，snv能夠降低誤差產(chǎn)生的影響。在所有光譜中，各個波長點的吸光度值需具有一定的覆蓋范圍，通過對光譜進(jìn)行預(yù)外理，用原光譜減去該光譜的平均值n后，除以該光譜數(shù)據(jù)的標(biāo)準(zhǔn)

19、差γ，以期得到?jīng)]有誤差效應(yīng)的光譜數(shù)據(jù)，公式為：

20、

21、本申請通過收集來自不同成熟度的水蜜桃樣品，使用近紅外分析儀采集水蜜桃的光譜，對光譜進(jìn)行snv預(yù)處理，采用pca對樣本數(shù)據(jù)進(jìn)行預(yù)處理，達(dá)到消除數(shù)據(jù)的相關(guān)性和噪聲的目的，并提取包含樣本數(shù)據(jù)信息的主元，對樣本空間進(jìn)行降維，再利用svm對樣本進(jìn)行訓(xùn)練，得到最優(yōu)超平面來劃分樣本。然后將預(yù)處理后的光譜數(shù)據(jù)作為svm算法的輸入，采用確定懲罰系數(shù)cost和核函數(shù)系數(shù)gamma的最優(yōu)組合，建立水蜜桃成熟度判別模型，最后使用該模型進(jìn)行預(yù)測，計算模型準(zhǔn)確率。該方法可以通過近紅外光譜技術(shù)結(jié)合svm算法實現(xiàn)對水蜜桃成熟度的快速無損檢測，為水蜜桃智慧化精準(zhǔn)采摘提供依據(jù)。

技術(shù)特征：

1.一種基于近紅外光譜的水蜜桃成熟度識別方法，其特征在于，具體步驟如下：

2.根據(jù)權(quán)利要求1所述基于近紅外光譜的水蜜桃成熟度識別方法，其特征在于，所述步驟2.2)中，采用snv法對近紅外光譜數(shù)據(jù)進(jìn)行預(yù)處理是指：在所有光譜中，用原光譜減去該光譜的平均值n后，除以該光譜數(shù)據(jù)的標(biāo)準(zhǔn)差γ，以得到?jīng)]有誤差效應(yīng)的光譜數(shù)據(jù)，公式為：

3.根據(jù)權(quán)利要求1所述基于近紅外光譜的水蜜桃成熟度識別方法，其特征在于，步驟1)所述收集不同成熟度水蜜桃近紅外光譜是指：

技術(shù)總結(jié)
本申請涉及種基于近紅外光譜的水蜜桃成熟度判別方法，屬于快速無損檢測領(lǐng)域；該方法通過近紅外光譜以及SVM算法，對水蜜桃成熟度，首先，設(shè)置近紅外分析儀的參數(shù)；其次，采集水蜜桃的光譜，對光譜進(jìn)行預(yù)處理；最后，將預(yù)處理后的數(shù)據(jù)作為SVM算法的輸入，通過交叉驗證和網(wǎng)格搜索方法確定懲罰系數(shù)cost和核函數(shù)系數(shù)gamma的最優(yōu)參數(shù)組合，建立水蜜桃成熟度識別模型。

技術(shù)研發(fā)人員：陳小龍,程金金,萬群,宋立曉,王塔娜,張佳輝,余向陽
受保護(hù)的技術(shù)使用者：江蘇省農(nóng)業(yè)科學(xué)院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/2