专利名称: |
一种基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法 |
摘要: |
本发明提供了一种基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法,属于双孢蘑菇中可溶性固形物含量测定技术领域。本发明首先将双孢蘑菇在渗透液中进行不同时间的超声渗透处理,得到实验组样品和对照组样品;采用高光谱采集高光谱图像、提取其原始光谱;采用数显折光仪测定对照组和实验组中双孢蘑菇样品的可溶性固形物值;然后对原始光谱进行预处理并提取特征波长,最后通过偏最小二乘回归建立特征光谱矩阵与可溶性固形物含量值矩阵的线性回归模型,实现对待测双孢蘑菇样品可溶性固形物含量的预测。本发明避免了传统的破坏式检测农产品可溶性固形物的方法,可实现无损、快速、准确的检测评估。 |
专利类型: |
发明专利 |
国家地区组织代码: |
江苏;32 |
申请人: |
南京财经大学 |
发明人: |
裴斐;肖坤鹏;胡秋辉;沈飞;杨文建;方勇;马宁 |
专利状态: |
有效 |
申请日期: |
2019-07-22T00:00:00+0800 |
发布日期: |
2019-09-17T00:00:00+0800 |
申请号: |
CN201910660467.1 |
公开号: |
CN110243748A |
代理机构: |
北京高沃律师事务所 |
代理人: |
赵晓琳 |
分类号: |
G01N15/08(2006.01);G;G01;G01N;G01N15 |
申请人地址: |
210046 江苏省南京市栖霞区文苑路3号 |
主权项: |
1.一种基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法,其特征在于,包括以下步骤: 将双孢蘑菇分为对照组和实验组;将所述实验组中的双孢蘑菇样品置于渗透液中进行不同时间的超声渗透处理,得到对照组样品和实验组样品,所述对照组样品为未进行超声处理的样品,所述实验组样品为进行超声渗透处理的样品;所述渗透液为质量浓度为40~60%的蔗糖水溶液;所述超声渗透处理的条件包括:超声频率为30~50kHz,功率为150~250W,温度25~40℃,固液比为1:8~12; 对所述对照组样品和实验组样品进行高光谱扫描,得到样品高光谱图像; 选取所述对照组样品与实验组样品除边缘外全部区域作为感兴趣区域,从所述样品高光谱图像中提取平均光谱,得到原始光谱; 使用正交信号校正对所述原始光谱预处理,得到预处理光谱;采用竞争性自适应重加权算法提取所述原始光谱的特征波长,形成特征光谱; 对所述对照组样品和实验组样品榨出的定量双孢蘑菇汁液中的可溶性固形物含量进行测定,获得样品可溶性固形物含量值; 利用偏最小二乘回归算法分析特征光谱矩阵与可溶性固形物含量值矩阵,建立特征光谱矩阵与可溶性固形物含量值矩阵的线性回归模型; 采集待测超声处理的双孢蘑菇样品高光谱图像,提取待测特征光谱,将待测特征光谱矩阵输入所述线性回归模型,得到待测超声处理的双孢蘑菇样品的可溶性固形物含量预测值。 2.根据权利要求1所述的基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法,其特征在于,所述实验组双孢蘑菇在渗透液中进行超声渗透处理的时间分别为10min、20min、30min、40min和50min。 3.根据权利要求1所述的基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法,其特征在于,所述高光谱扫描的光谱范围为884~1729nm;所述高光谱扫描的参数包括:光谱分辨率最小为0.6nm,曝光时间为19ms,移动台前进速度为2cm/s,镜头与样本距离为39cm。 4.根据权利要求1所述的基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法,其特征在于,采用竞争性自适应重加权算法提取所述原始光谱的特征波长的个数为67个。 5.根据权利要求1或4所述的基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法,其特征在于,采用竞争性自适应重加权算法提取所述原始光谱的特征波长的步骤如下: (1)蒙特卡罗采样,每次波长变量采样从建模样本集随机抽取80~90%的样本,建立偏最小二乘回归模型; (2)基于指数衰减函数去除不符合要求的波长变量; (3)基于自适应重加权采样算法对保留的波长变量进行竞争性筛选; (4)N次蒙特卡罗采样后得到N个波长变量子集,比较每次蒙特卡罗采样产生的波长变量子集的交叉验证均方根误差,误差值最小的变量子集为最优波长变量子集。 6.根据权利要求1所述的基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法,其特征在于,所述线性回归模型的建立方式如下: 利用偏最小二乘算法将因子分析和回归分析相结合,对特征光谱矩阵和可溶性固形物含量值矩阵同时进行主成分分解,求取潜在变量,并采用留一法交叉验证计算预测残差平方和;再根据所述潜在变量的累计贡献率和所述预测残差平方和,寻找所需潜在变量个数,将特征光谱矩阵和可溶性固形物含量值矩阵关联,建立特征光谱矩阵和可溶性固形物含量值矩阵的线性回归模型。 7.根据权利要求1或6所述的基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法,其特征在于,所述线性回归模型建立的具体步骤如下: (1)将特征光谱矩阵X和可溶性固形物含量值矩阵Y按式(1)、(2)同时分解: X=TP+E 式(1); Y=UQ+F 式(2); 式中,T和P分别为特征光谱矩阵X的得分矩阵和载荷矩阵,U和Q分别为可溶性固形物含量值矩阵Y的得分矩阵和载荷矩阵,E和F分别为模型拟合特征光谱矩阵X和可溶性固形物含量值矩阵Y时引进的误差矩阵; (2)利用式(3),建立T和U线性回归关系: U=TB 式(3); 式中,B是回归系数矩阵; (3)利用式(4)对未知待测样本XP的待测可溶性固形物含量值YP进行预测: YP=TPBQ+F 式(4); 式中,TP为根据P矩阵求出的未知待测样本XP的得分矩阵。 8.根据权利要求1所述的基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法,其特征在于,建立线性回归模型后,还包括对所述线性回归模型进行校正并预测评估。 9.根据权利要求8所述的基于高光谱的双孢蘑菇超声渗透过程可溶性固形物含量预测方法,其特征在于,对所述线性回归模型进行校正并预测评估的步骤如下: 依据Ken-Stone算法先选取3/4样品的特征光谱值与可溶性固形物含量值数据输入线性回归模型进行模型校正;然后把其余样品的特征光谱值与可溶性固形物含量值输入校正后模型进行预测,根据预测结果评估线性回归模型。 |
所属类别: |
发明专利 |