苹果品种使用近红外光谱鉴定

文摘

苹果近红外(NIR)光谱样本提交摘要,主成分分析(PCA)和连续投影算法(SPA)进行变量选择。三种模式识别方法、反向传播神经网络(摘要),支持向量机(SVM)和极端学习机(ELM),应用于建立模型区分不同品种和地理起源的苹果。实验结果表明,榆树模型表现更好识别苹果品种和地理起源。尤其是SPA-ELM模型识别精度可达到98.33%校正集和96.67%的预测集。这项研究表明,它是可行的识别苹果品种和栽培地区使用近红外光谱。

1。介绍

中国是世界上主要的并且开春,fruit-consuming国家。近年来,水果种植面积和产量的水果不断增加。自苹果公司的优势高营养价值、高存储,和供应周期短,它已成为世界四大水果之一。2014年,苹果在中国种植面积和产量达到22724公里²和4093万吨,分别根据联合国粮农组织(FAO)的报告。苹果可以由外部的总体质量属性(如大小,颜色,纹理)和内部属性(如可溶性固形物(SSC),总酸含量(TAC)和维生素)。这些属性是极大地影响苹果的品种和种植地区。不同的苹果有特定的坚定,清新,多汁,味道。苹果公司的水果,脆,多汁,和有品味更受消费者欢迎1]。此外,苹果的不同种类或地理起源可以很容易地混合在收获和营销。因此,有效的和可靠的技术能够识别苹果品种和地理起源由卖家和消费者要求迫切。

确定各种水果,许多方法已经被探索,如脱氧核糖核酸(DNA)分析2,3),气相色谱(GC)分析(4),和氨基酸组成5]。然而,这些方法总是包含大量的时间,手工工作,样品制备(6]。

近红外光谱快速无损检测方法,已经被证明是有效的在确定内部各种农产品和食品的质量属性(7- - - - - -11]。与传统的化学和物理分析技术相比,近红外光谱光谱具有操作简单,检测速度快,无损测量。近红外光谱数据信息关于碳氢键的相对比例,h, s带地的主要结构成分有机分子(12,13]。许多研究探讨了应用近红外光谱的SSC测量水果,比如苹果(14,15),猕猴桃16),和葡萄17]。

本研究的主要目的是探索的可行性应用近红外光谱区分苹果品种和地理起源。6种苹果的近红外漫反射光谱(从山东富士苹果,从陕西富士苹果,红星苹果从山东、陕西红星苹果,联欢晚会苹果从山东、和联欢晚会从陕西苹果)被收集。两个变量选择算法被使用,和三种建模方法建立模型区分不同种类的苹果和地理起源。不同模型的功能来识别苹果品种和栽培地区也被调查。

2。材料和方法

2.1。样品制备

100年富士苹果从山东,从陕西50(50),100年红星苹果从山东,从陕西50(50),和100年春晚苹果(50来自山东和50陕西)从两个主要的购买当地市场(表1)。零售商保证苹果的品种和种植地区,这些样本的皮肤光滑和完美。在测量之前,所有样本被放置在密封的聚乙烯袋和存储在一个冰箱保持在寒冷的温度下(4±1°C)为2天。存储后,苹果被带离冰箱,洗,用清水洗净,擦干,并保持在室温下(24±2°C)大约3个小时,然后他们被用于测量。

在这项研究中,40富士苹果从山东20从陕西(20),40红星苹果从山东20从陕西(20),和40联欢晚会苹果(20来自山东和20陕西)选择随机预测集,剩下的180个苹果被用作校准设置。校准集是用于建立模型,预测集是用来评估建立模型的性能。

2.2。光谱采集

漫反射率的近红外光谱采集方式使用海洋光学USB2000-VIS-NIR-ES光谱仪(美国海洋光学),配备了hl - 2000卤钨光源(美国海洋光学)和光纤反射探头(美国海洋光学QR600-7-VIS-NIR)。近红外漫反射光谱收集400至1021海里的内部约0.33 nm,导致1888年为每个光谱变量。美国海洋软件视图(海洋光学)被用来收集和转换光谱。所有的测量都是在室温下进行(24±2°C)。

测量光谱,光谱仪被打开之前至少1小时热身。在测量光谱、近红外光谱光纤探针一直接近苹果的表面,以避免空气表面反射和干涉。对于每一个完整的苹果样本,漫反射光谱得到15个不同的点,沿着赤道,随机选择和每个位置扫描光谱测量的10倍。因此,总共150扫描平均代表光谱数据为一个苹果然后用于进一步的数据分析。

2.3。主成分分析

主成分分析是一种非常有效的数据挖掘技术,已被广泛用于处理光谱数据(18]。PCA的原则是减少数据维度和使正交化的原始多维数据获得一组线性不相关的变量的值来减少过度拟合的机会,提高速度的训练过程。这组值叫做主成分(pc)。对于小数据集的大小,同时电脑计算从一个矩阵分解。第一个电脑占尽可能多的原始数据的变化,和每个后续组件降低方差可能比前一个。主成分分析可以将高维数据转换成低维数据不丢失原始信息(19]。在大多数情况下,电脑有很多较小的变量数据,但仍然提供信息,可以描述最原始数据的方差。

2.4。连续投影算法

温泉是一个向前变量选择方法,它的目的是选择波长的信息是最小冗余20.]。水疗中心的过程中,第一个变量光谱数据作为初始变量然后在每个迭代中包含了一个新的,直到到达预置数N。在下一次迭代,光谱数据的第二个变量被选中作为初始变量 ,直到所有的变量被用作最初的一个。水疗中心已成功应用于光谱中选择变量(21,22]。

对于一个分类问题,提取可以确定波长的数量值(验证成本)(23]: 在哪里验证样本的数目,定义如下: 在分子Mahalanobis距离的平方(一个向量的SPA)和样本选择的波长(Ii-th品种苹果在每个波长的均值)。这个分子代表平方之间的距离和最近的错误。应尽可能小,这意味着什么接近它真正的多样性和遥远的其他品种。

2.5。反向传播神经网络

摘要利用模型被认为是最广泛使用的一种人工神经网络(ANN)模型(24]。摘要向前传播的特性的信号和误差的反向传播。摘要一般结构的三层:输入层、隐藏层和输出层(图1)。体系结构中的权重和阈值可以自动根据误差反向传播调整。

2.6。支持向量机

的SVM Vapnik和他的同事提出的,是一种统计方法基于Vapnik-Chervonenkis (VC)维理论和结构风险最小化(SRM)原则(25- - - - - -27]。支持向量机的目标是获取最好的妥协模型的复杂性和学习能力之间基于有限的样本信息。支持向量机已经应用在大量的研究在近红外光谱学歧视方法(28- - - - - -30.]。在这个实验中,激进的基函数(RBF)作为支持向量机的核函数模型介绍了RBF可以减少因为训练过程的计算复杂度。成本参数,它决定了训练误差最小化之间的权衡和最小化模型的复杂性,和γ参数,而隐式地定义了非线性从输入空间映射到高维空间,是RBF核函数的两个主要参数。建立支持向量机模型的处理,最重要的一步是优化这两个参数(28]。

2.7。极端的学习机器

榆树,黄提出的31日),是一个单隐层前馈神经网络(SLFNs)。榆树泛化性能和较高的学习优势迅速克服困难,在基于传统的梯度学习算法都很常见。榆树的总体结构由三层组成:一个输入层、隐藏层和输出层。重要的是要选择隐层神经元的数目为建立可靠的ELM-based模型由于隐层神经元的数量影响的鲁棒性和性能大大榆树模型。榆树随机选择和曲调输入层和隐层之间的权值使用连续概率密度函数和集隐藏层和输出层之间的权值分析。

2.8。数据处理

在这项研究中,所有的计算都是在Matlab R2014b(美国Mathworks Inc .) Windows 7和3.6 GHz CPU和4 GB内存。在多变量分析之前,原始光谱数据被转换为吸光度值吗 。减少噪音,Savitzky-Golay平滑方法,段大小被设置为5。然后多元散射校正(MSC),修改了加法和乘法效应(32),对去噪数据应用。PCA和水疗中心实施分别从整个光谱区域提取重要信息,然后运用较少的变量作为构建模型的输入。三种不同的算法被用来建立模型来识别苹果品种和地理起源。摘要利用这三种方法,支持向量机和榆树。图2显示了这个程序的流程图。

在这个实验中,模型的性能是通过识别精度评估的。识别精度定义为 在哪里表明真阳性,代表一种积极的样本划分为一个积极的例子;表明真阴性代表负样本分类作为一个负面的例子;表明假阳性,代表负样本划分为一个积极的例子;和表明假阴性,代表一种积极的样本分为一个负面的例子。分类精度越高,获得的更好的性能模型。

3所示。结果与讨论

3.1。苹果的NIR光谱样本

图3显示了原始的漫反射光谱实验苹果样品在400到1021纳米之间。其中有许多跨界车和似曾相识的样本。300年苹果光谱的总体趋势是相似的。所有苹果样品的吸光度光谱相似,并没有明显的光谱差异光谱的不同品种和地理起源。因此,很难区分品种和地理起源直接根据原始漫反射光谱。有必要建立一些模型识别苹果品种和地理起源。

3.2。特征波长选择

大量的因素在输入向量可能涉及一些无关的信息和恶化的性能模型。在这项研究中,我们需要使用变量选择算法的光谱数据被Savitzky-Golay平滑预处理方法和MSC。主成分分析,表2列出了贡献率和累计贡献率的8个人电脑。这表明第一电脑提供最贡献(87.47%)和第二个人电脑导致了7.14%。前两个电脑可以代表超过94%的原始光谱数据。在这个实验中,由于更多的变量,包括构建模型的过程中可能会减缓计算速度,第一个6个人电脑,其累积贡献率达到99.27%,被选为输入为增量开发模型基于标准的解释方差低于0.25% (33]。

水疗中心,图4介绍了G值波长的数量的变化。G值减少的总体趋势与波长的增加。最好的波长数量能够达到当G值的下降率低于5%,而减少小于0.01 (34]。在这个实验中,最好的波长数量是10。选定的波长分别为530.36,547.81,564.45,587.67,606.53,624.58,652.45,665.77,677.99,和996.84 nm,分别。

3.3。分类模型

摘要利用模型,最优隐层神经元的数量计算通过使用分析交叉验证的范围从10至50(大量的隐层神经元没有性能改善的实验)。表3列出了最优摘要隐层神经元的数量模型。结果对苹果品种和地理起源摘要模型给出了鉴定表4。很明显,平均性能较差。只识别SPA-BPNN模型校准精度超过50%。

对支持向量机模型,最优成本和γ的值通过分析参数选择交叉验证方法。表5列出了最优成本和γ的值参数的支持向量机模型。表6给出了识别精度为苹果品种和地理起源利用支持向量机模型。可以看出PCA-SVM模型优于SPA-SVM模型校正集平均准确率98.89%和85.83%的预测集。

利用主成分分析法(PCA)提取的变量和SPA用作榆树的输入模型,最好的隐层神经元的数量列在表中7。榆树模型的识别结果如表所示8。它显示所有榆树模型可以有效区分苹果品种和地理起源的校正集和预测集精度超过90%。特别是,SPA-ELM模型的识别精度可以达到95%以上的校正集和预测集。

当所有已建立的模型比较,可以发现,榆树模型有更好的性能比摘要模型和支持向量机模型。它建议合适的智能算法可以改善预测性能。PCA-SVM模型识别红星苹果从山东、联欢晚会苹果从山东有100%的准确度,而SPA-ELM模型识别的能力从山东富士苹果,从陕西富士苹果,红星苹果从山东准确率达到了100%。

4所示。结论

在这项研究中,实验结果表明,可以开发一种非破坏性技术区别苹果品种和栽培地区使用近红外光谱。PCA和水疗进行变量选择的光谱。摘要利用、支持向量机和榆树被用来建立模型区分苹果品种利用近红外漫反射光谱和地理起源。实验的结果表明,它是可行的识别苹果品种和地理起源之间使用近红外光谱范围内400和1021海里,和技术是无损。榆树模型能给比摘要模型和支持向量机模型更好的识别精度。榆树模型、主成分分析和温泉都提供良好的性能。特别是SPA-ELM可以提供98.33%的准确率的校正集和预测精度96.67%。因此,这种模式将是合适的、有效的品种和地理起源苹果果实的识别。

数据可用性

光谱数据用于支持本研究的结果中包括补充材料。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由赛尔创新项目(批准号NGII20150603),佛山市科技创新项目,中国(批准号2015 it100095),中央大学的基础研究基金(批准号lzujbky - 2016 br03),广东省科技计划项目,中国(批准号2016 b010108002)。

补充材料

我们使用的辅料包含光谱数据来支持我们的手稿的发现。在数据文件中,列给苹果品种,列B给样本ID,另一列显示光谱数据。第一行了波长值。(补充材料)

引用

1. f·r·哈克·e·m·Kupferman a·b·马林f·安妮·Gunson和c m .组织“吃苹果质量标准基于消费者的偏好,“采后生物学和技术,50卷,不。1,第78 - 70页,2008。视图:出版商的网站|谷歌学术搜索
2. e . Sheikha法拉克,a . Condur d·d·勒阮g . Loiseau和d . Montet”决心的水果起源用26 s rDNA指纹的酵母社区PCR-DGGE:初步应用酸浆属水果从埃及,”酵母,26卷,不。10日,567 - 573年,2009页。视图:谷歌学术搜索
3. A . f . El Sheikha i Metayer, d . Montet”确定的地理起源生物条形码水果用28 s rDNA指纹的真菌群落PCR-DGGE:应用程序从埃及、酸浆属水果”食品生物技术,25卷,不。2、115 - 129年,2011页。视图:出版商的网站|谷歌学术搜索
4. s . Nojima c·林恩和w .鲁洛夫•识别主机从开花山茱萸果实挥发物(山茱萸佛罗里达)吸引dogwood-originRhagoletis pomonella苍蝇。”化学生态学杂志卷,29号10日,2347 - 2357年,2003页。视图:出版商的网站|谷歌学术搜索
5. f . Licciardello g . Muratore c·达沃et al .,“地理起源的评估橙果汁相比之下自由氨基酸的分布”学报II柑橘生物技术国际研讨会卷,892年,页389 - 394,卡塔尼亚,意大利,2009年12月。视图:谷歌学术搜索
6. b . m .尼科莱k . Beullens大肠Bobelyn et al .,“无损测量水果和蔬菜质量通过近红外光谱学:复习一下,”采后生物学和技术,46卷,不。2、99 - 118年,2007页。视图:出版商的网站|谷歌学术搜索
7. k . g . Adamopoulos和a . m . Goula”应用近红外反射光谱技术在taramosalata主要组件的决心,“《食品工程,卷63,不。2、199 - 207年,2004页。视图:出版商的网站|谷歌学术搜索
8. l .Čurda和o . Kukačkova NIR光谱:一个有用的工具,用于快速监测加工奶酪制造、”《食品工程,卷61,不。4、557 - 560年,2004页。视图:出版商的网站|谷歌学术搜索
9. h .岑,保y, y他,d . w .太阳,“可见和近红外光谱快速检测柠檬酸和酒石酸的橙汁,”《食品工程,卷82,不。2、253 - 260年,2007页。视图:出版商的网站|谷歌学术搜索
10. l . j . Janik d . Cozzolino r . Dambergs w . Cynkar m·基什,“总花青素浓度预测的莱茵高匀浆使用可见近红外光谱法和人工神经网络,”分析Chimica学报,卷594,不。1,第118 - 107页,2007。视图:出版商的网站|谷歌学术搜索
11. Kavdir, r·卢·d·阿,m . Ngouajio”可见光和近红外光谱无损质量评估的酸洗黄瓜,“采后生物学和技术,44卷,不。2、165 - 174年,2007页。视图:出版商的网站|谷歌学术搜索
12. d . Cozzolino m . j . Kwiatkowski m·帕克et al。”预测红酒发酵中酚类化合物的可见光和近红外光谱,”分析Chimica学报,卷513,不。1,第80 - 73页,2004。视图:出版商的网站|谷歌学术搜索
13. x l .谢你们,刘,y,“量化的葡萄糖、果糖和蔗糖在月桂树的果实汁通过近红外光谱和请,”食品化学,卷114,不。3、1135 - 1140年,2009页。视图:出版商的网站|谷歌学术搜索
14. l . y . Wu, l·刘,刘y,“无损测量的内部质量属性的苹果果实通过使用近红外光谱,”多媒体工具和应用程序,1卷,2017页。视图:出版商的网站|谷歌学术搜索
15. e·伯顿a . Venturello r . Leardi, f . Geobaldo”预测的最佳收获时间“红色”苹果使用DR-UV-Vis和近红外光谱,”采后生物学和技术卷。69年,15 - 23,2012页。视图:出版商的网站|谷歌学术搜索
16. k . s . Lee, s . c . Kim c . Seong y . c, c . h . Kim和s·k·李,“质量预测基于近红外光谱的猕猴桃,”韩国园艺科学与技术杂志》上,30卷,不。6,709 - 717年,2012页。视图:出版商的网站|谷歌学术搜索
17. 诉Gonzalez-Caballero, d . Perez-Marin洛佩兹,和m·t·桑切斯”优化的近红外光谱数据管理的质量控制在在葡萄藤成熟葡萄串,“传感器,11卷,不。6,6109 - 6124年,2011页。视图:出版商的网站|谷歌学术搜索
18. g .詹姆斯d·威滕t Hastie et al .,介绍了统计学习美国纽约,施普林格,2013年。
19. p . Oliveri m . c . Casolino m·萨莱l . Medini f .母马和s . Lanteri“光谱传输过程为单个类模型应用光谱记录下不同近红外光谱仪进行身份验证的橄榄在盐水中,“分析Chimica学报卷。761年,46 - 52点,2013页。视图:出版商的网站|谷歌学术搜索
20. m . c .美国Araujo t . c . b .沙尔丹哈,r·k·h·Galvao et al .,“连续投影算法在光谱变量选择多组分分析,“化学计量学和智能实验室系统卷,57号2、65 - 73年,2001页。视图:出版商的网站|谷歌学术搜索
21. 刘和w·郭”猕猴桃的识别处理外源植物生长调节剂使用近红外高光谱反射成像,”食品分析方法,8卷,不。1,第172 - 164页,2015。视图:出版商的网站|谷歌学术搜索
22. 张,美国球迷,j .李et al。”检测早期腐烂的苹果利用高光谱成像与光谱分析和图像处理相结合,“食品分析方法,8卷,不。8,2075 - 2086年,2015页。视图:出版商的网站|谷歌学术搜索
23. m . j . c .连接部分,r·k·h·Galvao m . c .美国Araujo et al .,“光谱变量的连续投影算法选择分类问题,“化学计量学和智能实验室系统,卷78,不。1 - 2日,11到18门,2005页。视图:出版商的网站|谷歌学术搜索
24. a . m . Mouazen旷,j . De Baerdemaeker h·拉蒙,“主成分之间比较,偏最小二乘和反向传播神经网络分析的测量精度选择土壤特性与可见光和近红外光谱,”Geoderma,卷158,不。1 - 2,23-31,2010页。视图:出版商的网站|谷歌学术搜索
25. Belousov, s . a . Verzakov和j·冯·Frese“支持向量机的应用方面,化学计量学杂志》,16卷,不。8 - 10,482 - 489年,2002页。视图:出版商的网站|谷歌学术搜索
26. Thissen, m·佩珀b . Ustun w . j . Melssen和l . m . c . Buydens”比较支持向量机为谱回归应用程序,请”化学计量学和智能实验室系统,卷73,不。2、169 - 179年,2004页。视图:出版商的网站|谷歌学术搜索
27. 诉Vapnik,统计学习理论的本质施普林格科学与商业媒体,柏林,德国,2013年。
28. f . Chauchard r . Cogdill s Roussel j·m·罗杰,诉Bellon-Maurel”回归模型非线性现象在近红外光谱分析中的应用:开发一个健壮的和便携式传感器葡萄的酸度预测,“化学计量学和智能实验室系统,卷71,不。2、141 - 150年,2004页。视图:出版商的网站|谷歌学术搜索
29. t .太阳、林h, h . Xu和y,”效应的水果移动速度预测含糖量”Cuiguan“梨(Pomaceae pyrifoliaNakai简历。Cuiguan)使用请和回归模型的回归,“采后生物学和技术,51卷,不。1,第90 - 86页,2009。视图:出版商的网站|谷歌学术搜索
30. f·刘,y, l . Wang和g .太阳”检测有机酸和pH值的水果醋使用近红外光谱和多变量校正”食品和生物处理技术,4卷,不。8,1331 - 1340年,2011页。视图:出版商的网站|谷歌学术搜索
31. g . b .黄、朱问:y和c·k·萧,“极端的学习机器:理论和应用程序”,Neurocomputing,卷70,不。1 - 3、489 - 501年,2006页。视图:出版商的网站|谷歌学术搜索
32. p . Geladi d MacDougall, h . Martens“线性化和scatter-correction近红外反射光谱的肉,”应用光谱学,39卷,不。3、491 - 500年,1985页。视图:出版商的网站|谷歌学术搜索
33. m . Urbano-Cuadrado m·l·德卡斯特罗p . m . Perez-Juan j . Garcia-Olmo和m . a . Gomez-Nieto“近红外反射光谱和多变量分析在葡萄酒酿造学:决心或筛选15参数在不同类型的葡萄酒,”分析Chimica学报,卷527,不。1,第88 - 81页,2004。视图:出版商的网站|谷歌学术搜索
34. w·郭j .顾,刘和l .商“桃品种识别使用近红外漫反射光谱,”计算机和电子产品在农业卷,123年,第303 - 297页,2016年。视图:出版商的网站|谷歌学术搜索

版权

版权©2018彩虹李et al。这是一个开放的访问分布在条知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。