文献类型：期刊文章

作　　者：孟庆龙[1,2] 尚静[1,2] 黄人帅[1,2] 陈露涛[1] 张艳[2]

MENG Qinglong;SHANG Jing;HUANG Renshuai;CHEN Lutao;ZHANG Yan(Food and Pharmaceutical Engineering Institute,Guiyang University,Guiyang 550005,China;Research Center of Nondestructive Testing for Agricultural Products,Guiyang University,Guiyang 550005,China)

机构地区：[1]贵阳学院食品与制药工程学院,贵州贵阳550005 [2]贵阳学院农产品无损检测工程研究中心,贵州贵阳550005

出　　处：《食品与发酵工业》

基　　金：贵州省科技计划项目(黔科合基础[2020]1Y270);贵州省普通高等学校工程研究中心项目(黔教合KY字[2016]017);贵阳学院科研资金(GYU-KY-[2020]);大学生创新创业训练计划项目(20195201361)。

年　　份：2020

卷　　号：46

期　　号：19

起止页码：205-209

语　　种：中文

收录情况：BDHX、BDHX2017、CAB、CAS、CSCD、CSCD2019_2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：利用可见/近红外光谱对苹果可溶性固形物含量进行检测,并建立了最优预测模型。通过400~1 000 nm高光谱成像系统采集了120个"富士"苹果图像,分析比较了二阶导数(second derivative,SD)、标准正态变换(standard normal variation,SNV)以及多元散射校正(multi-scatter calibration,MSC) 3种光谱预处理方法对预测模型的检测效果;分别应用连续投影算法(successive proiection algorithm,SPA)和竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)对光谱数据进行降维,进而建立基于特征光谱的误差反向传播(error back propagation,BP)网络和多元线性回归(multiple linear regression,MLR)预测模型。结果表明,二阶导数预处理后的BP网络模型优于原始光谱及其他预处理方法;通过提取特征波长建立的SPA-BP网络模型的预测性能最优,其预测集相关系数rp和均方根误差(root mean square error of prediction set,RMSEP)分别为0.87和0.52。这表明基于可见/近红外光谱检测苹果可溶性固形物含量是可行的。

关 键 词：可见/近红外光谱  苹果 可溶性固形物含量 BP网络 数据降维 无损检测

分 类 号：TS255.7] O657.33[食品科学与工程类]