麒麟瓜內(nèi)部品質(zhì)在線無(wú)損檢測(cè)技術(shù)的實(shí)驗(yàn)研究.pdf

1、中國(guó)是世界水果生產(chǎn)和消費(fèi)大國(guó)，西瓜的產(chǎn)量居世界之冠，但是出口量卻非常少，分析其主要原因是由于中國(guó)水果商品化水平比較低，水果檢測(cè)技術(shù)和檢測(cè)水平比較落后。水果商品化水平對(duì)水果的內(nèi)部品質(zhì)要求較高，對(duì)西瓜生產(chǎn)過(guò)程中內(nèi)部品質(zhì)的檢測(cè)是西瓜出口供應(yīng)的一個(gè)必需環(huán)節(jié)。國(guó)內(nèi)外對(duì)西瓜內(nèi)部品質(zhì)在線無(wú)損檢測(cè)的研究報(bào)道還較少，現(xiàn)有的在線無(wú)損檢測(cè)技術(shù)和檢測(cè)方法還不是很成熟，只有國(guó)外少數(shù)國(guó)家擁有西瓜等大型厚皮類水果的無(wú)損檢測(cè)生產(chǎn)設(shè)備，而國(guó)內(nèi)水果無(wú)損檢測(cè)裝備制造企業(yè)設(shè)計(jì)

2、生產(chǎn)的檢測(cè)設(shè)備分選能力相對(duì)較弱，目前，國(guó)內(nèi)還沒(méi)有西瓜內(nèi)部品質(zhì)在線無(wú)損檢測(cè)設(shè)備。因此，國(guó)內(nèi)大型水果生產(chǎn)企業(yè)每年要花費(fèi)大量的資金購(gòu)買和維護(hù)國(guó)外的水果無(wú)損檢測(cè)設(shè)備。
　　本課題研究的最終目標(biāo)是研制開(kāi)發(fā)西瓜內(nèi)部品質(zhì)在線無(wú)損檢測(cè)系統(tǒng)，以增強(qiáng)中國(guó)水果品質(zhì)檢測(cè)裝備制造業(yè)的技術(shù)實(shí)力和技術(shù)水平，提高國(guó)內(nèi)水果生產(chǎn)加工企業(yè)的效益和水果的品質(zhì)質(zhì)量。
　　本研究選擇厚皮類瓜果麒麟瓜為研究對(duì)象，對(duì)麒麟瓜的可溶性固形物(Soluble solids co

3、ntent，SSC)和總酸(Total acidity，TA)指標(biāo)進(jìn)行了理化分析和測(cè)定，對(duì)麒麟瓜內(nèi)部品質(zhì)在線無(wú)損檢測(cè)過(guò)程中的關(guān)鍵技術(shù)問(wèn)題進(jìn)行了研究，初步設(shè)計(jì)完成了麒麟瓜內(nèi)部品質(zhì)在線無(wú)損檢測(cè)試驗(yàn)臺(tái)。該檢測(cè)系統(tǒng)是結(jié)合光學(xué)、機(jī)械學(xué)、電學(xué)、生物物料學(xué)和化學(xué)計(jì)量學(xué)于一體的光機(jī)電控在線無(wú)損檢測(cè)系統(tǒng)，其主要涉及光譜分析、信息融合、自動(dòng)控制等相關(guān)學(xué)科知識(shí)。本課題針對(duì)麒麟瓜內(nèi)部品質(zhì)在線無(wú)損檢測(cè)系統(tǒng)的關(guān)鍵技術(shù)主要進(jìn)行了如下幾個(gè)方面的研究:
　　(1)

4、針對(duì)麒麟瓜體積大以及皮厚的特點(diǎn)，設(shè)計(jì)了麒麟瓜內(nèi)部品質(zhì)在線無(wú)損檢測(cè)系統(tǒng)的總體結(jié)構(gòu)，包括輸送裝置、光譜采集、控制單元以及光譜分析模型算法等。研制開(kāi)發(fā)了基于近紅外光譜（Near infrared spectroscopy，NIRS）技術(shù)麒麟瓜內(nèi)部品質(zhì)在線無(wú)損檢測(cè)系統(tǒng)，初步解決了麒麟瓜體積大、皮厚難以檢測(cè)內(nèi)部品質(zhì)的難點(diǎn)問(wèn)題，以滿足其內(nèi)部品質(zhì)快速在線無(wú)損檢測(cè)要求;
　　(2)該檢測(cè)系統(tǒng)初步解決了麒麟瓜內(nèi)部品質(zhì)快速在線無(wú)損檢測(cè)模型的關(guān)鍵問(wèn)題。

5、本研究主要對(duì)可溶性固形物和總酸兩個(gè)指標(biāo)進(jìn)行了建模研究。并通過(guò)不同光譜預(yù)處理方法優(yōu)化預(yù)測(cè)模型，應(yīng)用遺傳算法（Genetic algorithm，GA）、蒙特卡羅-無(wú)信息變量消除（Monte-Carlo uninformative variable elimination，MC-UVE）、蒙特卡羅-無(wú)信息變量消除結(jié)合遺傳算法(MC-UVE-GA)等變量?jī)?yōu)選方法提取特征變量，剔除無(wú)關(guān)信息變量，減少了變量數(shù)目，初步建立了適用于該檢測(cè)系統(tǒng)的偏最小

6、二乘回歸(Partial least squares regression，PLSR)預(yù)測(cè)模型;
　　(3)研究了麒麟瓜瓜臍、瓜梗、赤道和接地端四種檢測(cè)部位和0.1m/s、0.3m/s、0.5m/s和0.8m/s四種輸送速度對(duì)檢測(cè)精度的影響。采用美國(guó)海洋光學(xué)公司QE65000光譜儀，光譜采集采用漫透射方式，入射角度為120°（檢測(cè)透鏡和光源相對(duì)水果的角度），12盞150W的鹵鎢燈，光源功率可調(diào)。研究結(jié)果顯示，預(yù)處理結(jié)合變量?jī)?yōu)選方法

7、進(jìn)行模型簡(jiǎn)化處理之后，在本研究采用的四種傳輸速度中，以0.8m/s輸送速度在瓜臍處檢測(cè)對(duì)可溶性固形物的結(jié)果較其余三種好，采用14個(gè)波長(zhǎng)，它們分別為800.8、801.5、802.3、806.7、806.0、800.0、807.5、788.8、829.1、775.3、788.1、820.9、781.3和787.3nm，所建PLSR預(yù)測(cè)模型的校正集相關(guān)系數(shù)（Correlation coefficient of calibration，rca

8、l）為0.847，校正均方根誤差(Root mean square error of calibration，RMSEC)為0.550％，預(yù)測(cè)集相關(guān)系數(shù)（Correlation coefficient of prediction，rpre）為0.836，預(yù)測(cè)均方根誤差(Root mean square error of prediction，RMSEP)為0.500％;以0.5m/s輸送速度在赤道部位檢測(cè)對(duì)總酸有較優(yōu)的預(yù)測(cè)結(jié)果，采用8個(gè)

9、波長(zhǎng)，它們分別為792.5、757.3、791.8、793.3、774.6、758.1、775.3和756.6nm，所建PLSR預(yù)測(cè)模型的rcal為0.785，RMSEC為0.01076％，rpre為0.763，RMSEP為0.01106％;通過(guò)對(duì)四種檢測(cè)條件下的模型研究證明，不同檢測(cè)速度和檢測(cè)部位都會(huì)對(duì)檢測(cè)模型精度造成影響。同時(shí)，該檢測(cè)系統(tǒng)檢測(cè)精度還有待進(jìn)一步提高，距離實(shí)際生產(chǎn)應(yīng)用還有一定差距;
　　(4)研究了麒麟瓜成熟度的定

10、性判別分析:采用美國(guó)海洋光學(xué)公司QE65000微型光纖光譜儀采集的漫透射光譜建立定性判別模型;創(chuàng)新性地提出了光譜波峰比值法(Ratio of peak1 to peak2，RPP)，并與其他常見(jiàn)的化學(xué)計(jì)量學(xué)判別方法進(jìn)行了比較，包括線性比較判別分析(Linear discriminant analysis，LDA)、簇類的獨(dú)立軟模式分類法(Soft independent modeling of class analogy，SIMCA)和

11、最小二乘-支持向量機(jī)(Least squares support vector machines，LS-SVM)分類法。光譜波峰比值法利用720-740nm和803-805nm處光譜峰值進(jìn)行麒麟瓜成熟度鑒別，成功地將麒麟瓜成熟度歸納為四類:不成熟，半成熟，成熟和過(guò)成熟。具體劃分方法為，當(dāng)RPP在0.4和0.69之間時(shí)為過(guò)成熟麒麟瓜;當(dāng)RPP在0.7和0.96之間為成熟麒麟瓜;當(dāng)樣本的RPP位于0.97到1.23之間為半成熟麒麟瓜;而當(dāng)樣