详情

原文传递水果货架期及新鲜程度的无损快速预测方法及装置

专利名称：	水果货架期及新鲜程度的无损快速预测方法及装置
摘要：	本发明提供一种水果货架期及新鲜程度的无损快速预测方法及装置。该方法包括获取不同储存时间水果的光谱数据并记录水果储存时间和环境数据；采用回归算法建立水果储存时间模型，基于所建模型预测值结合样本数计算加权修正预测值并计算判别阈值从而判断水果新鲜程度，并提出了根据水果关键变化期数据制定水果货架期的方法。基于上述方法，研制出水果新鲜程度分析仪，包含光路系统、电路系统、控制系统、数据存储与处理系统；可采集水果光谱数据并调用模型预测水果新鲜程度。本方法明显提高了水果新鲜程度和货架期预测的精准度，能够实现水果新鲜程度和货架期的无损、快速、精准预测，为水果新鲜程度快速分析仪的研制提供了技术参考。
专利类型：	发明专利
国家地区组织代码：	北京;11
申请人：	北京农业质量标准与检测技术研究中心
发明人：	王冬;韩平;马智宏;王卉;贾文珅;刘庆菊;王世芳
专利状态：	有效
申请日期：	2019-08-28T00:00:00+0800
发布日期：	2019-11-05T00:00:00+0800
申请号：	CN201910803691.1
公开号：	CN110411957A
代理机构：	北京路浩知识产权代理有限公司
代理人：	黄爽
分类号：	G01N21/25(2006.01);G;G01;G01N;G01N21
申请人地址：	100097 北京市海淀区曙光花园中路9号北京市农林科学院种质楼1011室
主权项：	1.水果货架期及新鲜程度的无损快速预测方法，其特征在于，包括以下步骤： A、获取水果样品光谱数据并记录水果储存时间和环境数据；剔除异常值后，根据水果样品的实际情况和实际储存时间，将样品初步划分为“新鲜”、“不新鲜”和“临界期”三类，并采用SPXY算法对新鲜样品和不新鲜样品的光谱数据进行分集，分为校正集和外部验证集，所述校正集用于数学模型的建立，所述外部验证集用于对所建数学模型进行盲样验证； B、以光谱数据为自变量，以储存时间为因变量建立水果储存时间的数学模型，利用所建模型分别获得新鲜样品和不新鲜样品的储存时间预测值，根据新鲜样品的储存时间预测值和新鲜样品数量计算新鲜样品的加权修正预测值，根据不新鲜样品的储存时间预测值和不新鲜样品数量计算不新鲜样品的加权修正预测值，并根据新鲜样品的加权修正预测值的平均值和新鲜样品数量、不新鲜样品的加权修正预测值的平均值和不新鲜样品数量以及修正系数计算判别阈值，用以判断水果样品的新鲜程度；当水果样品校正集或外部验证集的加权修正预测值小于判别阈值时，判定该样品为新鲜样品；当水果样品校正集、外部验证集的加权修正预测值大于或等于判别阈值时，判定该样品为不新鲜样品；根据水果样品校正集和外部验证集中新鲜样品和不新鲜样品的判别准确率情况，对所建模型进行评价，判定模型的有效性； C、在相同实验条件下，采集待测水果样本的光谱数据，利用步骤B的有效数学模型，获得待测水果样本的储存时间预测值，并与“新鲜”、“不新鲜”和“临界期”水果相应的实际储存时间进行比较，从而判定待测水果样本的新鲜程度； D、利用步骤B的有效数学模型获得临界期样品的储存时间预测值，并根据临界期样品的储存时间预测值、新鲜样品数量、不新鲜样品数量和校正集样品总数计算临界期样品的加权修正预测值；当临界期样品的加权修正预测值出现“不新鲜”的预测结果超过当天观测样品数量的一半时记为原货架期，将原货架期乘以校正系数，即为水果货架期；步骤C中所述的待测水果样本与步骤A、B和D中所述的水果样品为同一种类的水果且储存环境相同。 2.根据权利要求1所述的方法，其特征在于，所述光谱数据选自紫外、可见、近红外、中红外、荧光或太赫兹光谱数据，光谱数据的表现形式为吸收谱、吸收系数谱、透射谱或反射谱；优选地，所述光谱数据为近红外吸收光谱数据；和/或所述数学模型采用回归算法结合交互验证算法建立，所述回归算法选自多元线性回归、主成分回归、偏最小二乘回归、神经网络回归、支持向量机回归；优选偏最小二乘回归；和/或所述环境数据包括水果储存环境的温度和相对湿度数据；和/或所述水果包括苹果，优选富士苹果或王林苹果；优选地，当所述水果为苹果时，苹果储存环境的温度范围为19.7℃～23.2℃，优选21.8℃；环境的相对湿度范围为10％～28％，优选16％。 3.根据权利要求1所述的方法，其特征在于，步骤A中所述校正集和外部验证集的样本容量比为7:1～2.5:1；和/或所述校正集中，新鲜样品数量nF和不新鲜样品数量nR之比满足以下条件：0.892≤nF/nR≤1.125，且0.892≤nR/nF≤1.125。 4.根据权利要求1所述的方法，其特征在于，当所述水果为苹果时，以采摘当天记为第0天，根据苹果实际情况和实际存储时间，初步将第0天～第14天的样品划分为新鲜样品，初步将第15天～第21天的样品划分为临界期样品，初步将第22天及以上的样品划分为不新鲜样品。 5.根据权利要求1所述的方法，其特征在于，步骤A中所述获取水果样品光谱数据的方法包括：自水果采摘当天计算时间，采摘后25～32天内数据采集次数不少于25次，且每天最多采集一次光谱数据；和/或当所述光谱数据为近红外吸收光谱数据时，数据采集方法包括：利用近红外光谱仪，以聚四氟乙烯白板为背景；单次积分时间50ms；累加50次取平均值；波长范围为901.841nm～1700.930nm，光谱中心分辨率为8.00nm～12.00nm，优选9.36nm；光谱变量数128个，光谱变量间隔4.882nm～7.883nm，优选6.292nm。 6.根据权利要求1所述的方法，其特征在于，步骤A中所述剔除异常值包括：采用数据中心化预处理结合偏最小二乘回归算法，以光谱数据为自变量，以储存时间为因变量进行预建模，计算预建模残差，即预建模预测值与实际值之差，根据所述预建模残差确定异常值的预建模残差判定阈值；优选地，所述异常值的预建模残差判定阈值设定为47.0～53.0，更优选49.5～50.4；当所述水果为富士苹果时，异常值的预建模残差判定阈值最优选为50.0，当所述水果为王林苹果时，异常值的预建模残差判定阈值最优选为50.2；预建模残差大于或等于所设定的异常值的预建模残差判定阈值的样品被视为异常值，应予以剔除。 7.根据权利要求1所述的方法，其特征在于，步骤B中所述新鲜样品的加权修正预测值的计算方法如式(1)所示：式(1)中，yFRCi为第i个新鲜样品的加权修正预测值，yFi为模型对第i个新鲜样品的储存时间预测值，nF是校正集中新鲜样品数量，nT为校正集样品总数；所述不新鲜样品的加权修正预测值的计算方法如式(2)所示：式(2)中，yRRCj为第j个不新鲜样品的加权修正预测值，yRj为模型对第j个不新鲜样品的储存时间预测值，nR是校正集中不新鲜样品数量，nT为校正集样品总数；所述判别阈值的计算方法如式(3)所示：式(3)中，Eps为判别阈值，yFRCm为新鲜样品加权修正预测值的平均值，yRRCm为不新鲜样品加权修正预测值的平均值，a为修正系数；优选地，当所述水果为苹果时，所述修正系数a的取值范围为1.0～2.0；当所述水果为富士苹果时，所述修正系数a的取值范围为1.4～1.7，更优选1.5～1.6，最优选1.55；当所述水果为王林苹果时，所述修正系数a的取值范围为1.0～1.3，更优选1.1～1.2，最优选1.16；和/或优选地，当所述水果为富士苹果时，Eps＝7.8517；和/或优选地，当所述水果为王林苹果时，Eps＝8.8297。 8.根据权利要求1所述的方法，其特征在于，步骤C中所述临界期样品的加权修正预测值的计算方法如式(4)所示：式(4)中，yRCCk为第k个临界期样品的加权修正预测值，yk为模型对第k个临界期样品的储存时间预测值，nF是校正集中新鲜样品数量，nR是校正集中不新鲜样品数量，nT为校正集样品总数；所述水果货架期的计算方法如式(5)所示： T＝floor(T0×H) 式(5) 式(5)中，T为水果货架期，T0为原货架期，H为校正系数，floor为向下取整运算符；优选地，当所述水果为苹果时，H的取值范围为0.70～1.00；当所述水果为富士苹果时，H的取值范围为0.78～0.92，优选0.80～0.90，更优选0.82；当所述水果为王林苹果时，H的取值范围为0.75～0.95，优选0.79～0.89，更优选0.81。 9.用于实现权利要求1-8任一项所述方法的装置，其特征在于，所述装置包括光学系统、控制系统、电路系统以及数据存储与处理系统；所述光学系统用于对样品光谱数据的采集；所述电路系统用于对装置进行稳定供电；所述控制系统用于对装置的工作过程进行控制；所述数据存储与处理系统用于数据存储、数学模型调用、结果预测、存储与输出。 10.权利要求1-8任一项所述方法或权利要求9所述装置在水果新鲜程度和/或货架期预测中的应用。
所属类别：	发明专利