皮脆性的动力学模型的存储Cucumis瓜基于可见/近红外光谱

文摘

动力学模型基于可见/近红外光谱的皮脆性“执行- 125”Cucumis瓜,研究对象,建立了存储在室温下,为了实现实时监控Cucumis甜瓜皮脆性的和预测的存储时间。的近红外光谱和皮脆瓜存储1、4、7天收集和测量。SG被确认是最好的预处理通过对比请与4预处理模型建立方法,并预测的差异决定系数均方根分别为0.818和23.755,分别。汽车和水疗中心采用提取特征波长和建立的皮脆性请预测模型。模型的预测精度为0.919,预测均方根为25.413,表明近红外光谱能够实现预测Cucumis西瓜的皮脆性。因此,NIR-based皮脆性动力学模型被创建。的回归模型的价值低于0.001,模型的相关系数为0.8503,表明极端重要性和精度高的模型。零级反应方程overfitted根据存储的平均皮脆瓜的变化趋势。模型的相关系数为0.981,标准误差为4.624,存储时间和近红外光谱之间的线性关系建立的基础。研究证明了NIR-based技术能够实现快速和无损耗检测西瓜的皮脆性和预测的存储期。

1。介绍

Cucumis瓜(“甜瓜”),也被称为甜瓜,是葫芦科的一年一度的藤草。脆,甜,多汁,以及丰富的营养。是十大水果之一,在国际市场上可用的(1]。不同于其他水果,瓜很容易失去最好的口味挑选后在室温下时间由于其高含水量、高糖含量、强烈的生理代谢,存储周期短,严酷的储存条件(2]。如何确保消费者能买到又甜又脆瓜的重要性。皮脆性是影响甜瓜风味和质量的一个重要指标。在室温下储存,水分丢失由于甜瓜的呼吸作用和蒸腾作用。果胶和纤维素不断消耗,减少由于水解,和水果不断软化,因为细胞溶解和细胞壁代谢。这些指标的变化不仅决定了果皮易碎性,也影响其吸收峰的光谱。在这个帐户,可见/近红外光谱之间的关系模型(可见光及近红外光谱)和甜瓜皮酥脆存储研究期间,为了找到一个方法,可以快速、无损确定与薄皮甜瓜的贮藏期。

NIR光谱产生的分子从基态振动跃迁到更高的能级的帮助下振动nonresonance。这主要反映了倍频和组合的伸缩振动吸收hydrogen-containing组(3]。已收到研究者的关注,因为它独特的快速、高效、无污染、无损等优点。Peirs et al。4)使用vi /近红外光谱来研究苹果成熟。结果表明,在苹果成熟的预测模型R价值和9月值分别为0.90和7.4 d,分别,请修正模型成立。Ignat et al。5]使用vi /近红外光谱检测苹果的内部质量参数选择和存储。结果表明,该方法能更好地预测苹果的内部质量的变化在存储。李等人。6)使用可见光及近红外光谱来确定不同梨品种的SSC含量。结果表明,非线性回归模型预测的SSC含量梨由于线性PLS模型。他等。7]使用vi /近红外光谱成像预测Lingwu长枣的VC含量。结果表明,基于汽车请模型有最好的效果。Munera et al。8]利用光谱和空间信息建立分类模型与不同的成熟度和柿子涩味水平和预测等多元分析技术成熟度和收敛的线性和二次判别分析(LDA和QDA)和支持向量机(SVM)的正确分类率超过95%。阿卜杜拉·m·Alhamdan等人用可见光及近红外光谱来研究之间的关系的五个成熟度级别Barhi日期和近红外。研究发现,质量参数之间的相关系数(R2) Barhi日期和TSS(总可溶性固体)0.97;相关系数为0.94;的相关系数颜色是0.64。此外,许多学者研究了检测方法的分类、质量、和常见的水果,如葡萄的成熟度9,10),柑橘类(11),橄榄12,番茄13),芒果14),并与厚皮甜瓜(15)利用近红外光谱结合可溶性固体的参数内容或水果的图像信息。然而,很少有研究近红外光谱检测的保质期与薄皮甜瓜。在先前的研究中发现,它将在表达式简单、准确使用PCA,汽车,和水疗方法提取特征波长,然后请方法建立回归模型。因此,以西瓜为主题,根据变化的易碎性皮在存储期间,建立了动力学模型的甜瓜皮在存储本文预测甜瓜贮藏期的长度,为消费者提供理论支持快速、无损测定甜瓜的新鲜度。

2。实验材料和方法

2.1。实验材料

“执行- 125“西瓜收获Cucumis瓜展正在县,山西省,是用作测试对象。preexperiment显示成熟的样品被收集并存储在室温(20°C),西瓜软化了7^th一天,皮脆性下降明显,表明食用质量的损失,所以测试存储周期是7天。样本送到实验室后收获;255个样本甚至纹理选择站两个小时后,显示没有昆虫的攻击,被数和标记。样品被分成3组,每组包含85个西瓜。所有样品的光谱信息收集的第一天,第一组的皮脆性测定。然后,光谱信息和皮脆性的第二和第三组收集和测量在第四和第七天。Kennard-Stone [16- - - - - -18)是用来将样本划分为一个校正集和预测集的比例3:1,即每组64校正集和预测集。

2.2。光谱数据的收集

现场规范3光谱仪(分析光谱装置,美国)被用来收集样本的可见/近红外光谱数据。光谱分辨率为3.5 nm@700和10 nm@1400 nm和2100 nm,光谱带的范围是350∼2500海里,每个波段数据收集的时间间隔是1纳米。为了减少光谱采集位置的影响,每个样本扫描的最大横向直径为3次。如图1点1,2,3,甜瓜是光谱采集地点和视图规范Pro是用来计算平均谱值。实验收集设备如图1。

2.3。测量皮脆性

TA-XT-plus纹理指数32(稳定的微系统,英国)是用来测量样品的皮脆性。2 P / n针状探针,直径2毫米,是用来穿透西瓜,穿刺点对应的光谱数据收集。探头穿刺前的下降速度是3毫米/秒,和穿刺率为1.5毫米/秒。回报率是10 mm / s穿刺结束后,和穿刺距离是5毫米触发力5克。西瓜的皮脆性的数据存储为不同天如表所示1。表显示一个明显的减少削脆性的西瓜在存储。

2.4。数据处理和分析软件

软件包括视图规范职业(美国分析光谱设备),Matlab R2012a (MathWorks纳蒂克,美国)的辨音器X10.1(照片背面ASA,特隆赫姆,挪威),SAS (SAS研究所有限公司、美国),和Origin8.5(美国起源实验室)是用于研究和分析数据的过程。

3所示。数据分析与模型建立

3.1。光谱分析的西瓜在不同存储时间

的光谱数据与450∼2400海里以来被用于分析信噪比在350∼450 nm和2400∼2500海里是噪音低,高在350∼2500纳米波段。近红外光谱的平均光谱曲线西瓜在不同存储时间图所示2。

图2表明,西瓜的光谱曲线在不同的存储期表现出显著的沉没的吸收峰值接近977海里,1201 nm、1479 nm、1793 nm和1933 nm。这项研究由Polesello et al。19]表明,水的吸收峰出现的位置当波乐队970年,1190年,1450年,1780和1940海里。其中,综合地吸收峰出现波段1190 nm和1450 nm时是总公司一级翻倍地的伸缩振动的频率,和1940海里是二级翻倍地伸缩振动的频率。它可以从图中找到27,^th天,降低率反射率的主要吸收峰面积的水明显大于非水溶剂的吸收峰面积。可以这样判断,水在很大程度上失去了甜瓜在7天内存储。

3.2。建立近红外光谱Cucumis甜瓜皮脆性的动力学模型

3.2.1之上。光谱预处理

很多无关的冗余信息存在于原始的完整的光谱波段,这可能影响精度和建立模型的预测效果20.]。不同的预处理方法导致不同的建立模型的精度。本文选择以下常见和有效的预处理方法:(1)Savitzky-Golay (SG)平滑。最小二乘拟合系数相对应的数字滤波函数中使用这个方法,它本质上是一个加权平均法与卷积平滑通过消除噪声。(2)基线校正。它主要是用来消除基线漂移的影响等其他因素造成的样本不均匀性和仪器背景。修正后的光谱是通过寻找每个样本的最小波长的光谱值和使用它作为基线,然后减去基线值从所有波长的光谱值。(3)标准归一化变量(SNV)算法。它执行标准归一化光谱的波长的吸光度值符合正态分布,然后纠正实验样品的光谱数据在此基础上。(4)乘法散射校正(MSC)。它主要用于消除反射光谱散射效应和扩散投影。光谱吸收信号相关成分含量是提高。的平均频谱校正集作为近似理想的光谱。每个样品的吸光度值在任何波长点大约是理想的线性与相应的吸光度。直线的截距和斜率可以通过光谱线性和递减计算纠正每个光谱。

请模型建立了通过预处理数据比较模型的准确性和选择最优预处理方法。表2显示的结果请模型建立了不同的预处理方法。结果显示在表中2SG预处理后,模型的准确性是最好的和确认最好的预处理。模型的决定系数的校正集和预测集和分别是0.884和0.818,均方根误差和分别是22.205和23.775。

3.2.2。提取的特征波长

算法时间不仅增加了模型的预测精度是削弱,因为原始光谱数据样本的数量是巨大的,大量的信息与测量无关的群体中包括光谱分析(21]。因此,应优化原始光谱数据,有效波长应提取的变量。

汽车(22,23)采用交叉验证(CV)挑出最低的转租RMSECV值。蒙特卡罗抽样的频率设置为50,和运行结果如图3。模型的RMSECV倾向于减少采样频率时24岁,并提取特征波长在这个时候是481,483,484,485,486,492,530,531,533,537,563,571,828,829,830,840,841,1089,1090,1091,1092,1094,1095,1096,1097,1098,1103,1104,1105,1106,1302,1305,1307,1308,1309,1310,1311,1340,1341,1345,1358,1360,1361,1362,1363,1509,1510,1910,1911,1912,1913,1914,1915,1916,1917,1918,1919,1920,1921,1926,1933,1937,2126,2127,2128,2131,2132,2134,2135,2138,2140,2155,2158,2159,2160,2161,和2168海里,共有77。显然,提取的特征波长的数量仍然很大,这并没有帮助建立削脆性的动力学模型。因此,再次提取特征波长。

连续投影算法(SPA) (24- - - - - -26)是能够找到最低的变量组限制从光谱数据的冗余数据,从而减少变量之间的共线性。结果如图4。最好的特征参数的总数量是9,内部确认的简历均方根误差的校正集,1106,841,1340,1917,530,1933,1302,2159,和480海里,降临在这个秩序的重要性水平。

3.2.3。建立动力学模型的皮脆性

9 CARS-SPA提取的特征波长的选择建立请Cucumis西瓜的皮脆性预测模型,如图5。模型的预测精度R_p0.919,预测RMSEP为25.413,表明NIR-based技术能够检测西瓜的皮脆性。

上面9特征波长选择,NIR皮脆性Cucumis甜瓜的动力学模型建立了基于SAS多元回归分析。模型表达式显示为方程(1),而在回归方差分析表所示3。的回归模型的价值低于0.001,决定系数为0.8503,这意味着极端重要性和高精度的模型是: 在哪里是皮脆值,而显示每个特性对应波长的吸光度水平。

3.3。建立动力学模型存储Cucumis西瓜的皮脆性

在处理和储存食物,大多数质量变化与食品质量观察零级( )或一阶(n= 1)模式(27]。反应公式如下: 在哪里质量指标,是质量指标的初始值,存储时间,是反应速率常数。

的平均变化曲线存储西瓜的皮脆性是图所示6。脆性明显下降,这是符合零级反应的倾向。基于皮脆性预测模型和光谱数据的第一天收集的所有样本,样本的皮脆性的初始值可以预测第一天。结合实际测量的皮脆性和储存时间,建立了零级反应存储西瓜的公式如下: 在哪里一个_t是存储皮脆值,一个₀是皮脆性的初始值,然后呢t存储时间。模型的相关系数为0.981,标准误差是4.624。

3.4。建立存储时间预测模型

根据公式(零级反应3)的存储Cucumis瓜,方程的表达式的存储时间

结合近红外光谱表达式的皮的脆性Cucumis西瓜(1),存储时间之间的关系和近红外光谱吸光度水平可以获得,如下所示: 在哪里X_1t−X_9t显示相对应的吸光度的水平所有9特征波长在贮藏期 。

4所示。结论

基于可见/近红外光谱,研究建立了一个动态存储Cucumis甜瓜皮脆性模型和预测存储时间。研究结果如下:(1)西瓜的近红外光谱和皮脆性值存储为1,4,7天收集和测量,对原始光谱进行预处理。结果表明,模型的可靠性使用SG是最好的。校正集和预测集的相关系数和分别是0.884和0.818,RMSEC RMSEP,分别为22.205和23.775。(2)CARS-SPA采用波长从原始光谱中提取特征,最后9中提取的特征波长,1106,841,1340,1917,530,1933,1302,2159,和480海里,重要性水平下降在这个秩序。特征波长用于建立果皮脆性请模型,预测的准确性R_p是0.919和RMSEP是25.413。与这些9特征波长,NIR皮脆性动力学模型建立了Cucumis甜瓜和决定系数为0.8503,实现了实时检测西瓜的皮脆性。(3)零级反应公式是根据创建存储西瓜的皮脆性变化,模型的相关系数为0.981,标准误差是4.624。西瓜的存储时间之间的线性关系和近红外光谱吸光度级可以获得基于近红外光谱的皮脆性动力学模型和零级反应公式,从而实现存储西瓜的无损检测。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由山西大学科技创新项目,中国(项目没有。2019 l0402),山西农业大学博士研究项目(项目号2018 yj43),优秀的医生山西省晋工作奖励基金研究项目(项目号SXYBKY2018030)。

引用

1. r .问:元,l .钱w . j . Yun et al .,“Cucurbitacins提取Cucumis梅洛l . (CuEC)通过调节血管张力,产生一种低血压的作用”高血压的研究,42卷,不。8,2019。视图:出版商的网站|谷歌学术搜索
2. x, z . Wang和z陈,“优化新疆伽师甜瓜的存储技术响应面方法,”食品行业,39卷,不。4、70 - 73年,2018页。视图:谷歌学术搜索
3. l·d·c·路易斯·m·j . v . Bell r . a•罗查n . l . Leal和v·德·卡瓦略dos Anjos,”兽医牛奶中抗生素残留的检测通过近红外吸收光谱,”《光谱学卷,2018篇文章ID 5152832, 6页,2018。视图:出版商的网站|谷歌学术搜索
4. a . Peirs a . Schenk和b . m . Nicolaı̈,“自然变化的影响在苹果上可见的准确性校准模型最优收获日期预测,“采后生物学和技术,35卷,不。1,1-13,2005页。视图:出版商的网站|谷歌学术搜索
5. t . Ignat s Lurie j . Nyasordzi et al .,“预测苹果公司的内部质量指标在获取和存储的可见光谱,”食品和生物处理技术,7卷,不。10日,2951 - 2961年,2014页。视图:出版商的网站|谷歌学术搜索
6. w . j . Li黄、赵c和b .张”的比较研究的定量测定可溶性固体含量、pH值和坚定的梨vis /近红外光谱,”《食品工程,卷116,不。2、324 - 332年,2013页。视图:出版商的网站|谷歌学术搜索
7. j .他C·乔·d·李et al .,“维生素C含量的无损检测”Lingwu Changzao“枣子(Zizyphus jujuba轧机。简历Lingwu Changzao)使用可见近红外高光谱成像,”食品科学,39卷,不。6,194 - 199年,2018页。视图:谷歌学术搜索
8. s . Munera c Besada: Aleixos et al .,“无损评估的内部质量完好的柿子使用色彩和活力/近红外高光谱成像,”轻型卷,77年,第248 - 241页,2017年。视图:出版商的网站|谷歌学术搜索
9. m·h·肖,a . Li Li et al .,“质量评估和歧视完整的白色和红葡萄葡萄l通过可见光和近红外光谱在五成熟阶段,“Scientia Horticulturae卷,233年,第107 - 99页,2018年。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. 周y, y, y,“在线定量分析脐橙的可溶性固形物含量使用可见近红外光谱学和变量选择方法,”创新的光学健康科学杂志》上,7卷,不。6、文章ID 1350065, 2014。视图:出版商的网站|谷歌学术搜索
12. m . Cirilli a . Bellincontro s Urbani et al .,“球场上的水果成熟演化和质量监测参数使用便携式NIR-AOTF装置橄榄突变体,“食品化学,卷199,不。0308 - 8146,96 - 104年,2015页。视图:谷歌学术搜索
13. a·萨阿德Jha、p•贾斯瓦尔n .斯利瓦斯塔瓦和l . Helyes“无损质量监控存储使用可见光光谱可见光西红柿,”工程在农业、环境和食物,9卷,不。2、158 - 164年,2016页。视图:出版商的网站|谷歌学术搜索
14. m·瓦伦特r . Leardi g .自我,g .卢西亚诺和j.p.疼痛,“多元校正的芒果坚定使用vi /近红外光谱学和声学脉冲方法,”《食品工程,卷94,不。1、7 - 13,2009页。视图:出版商的网站|谷歌学术搜索
15. x z冬艳,w . Qingyan et al .,“最优地方健壮的模型选择和可溶性固体含量的快速评估与厚皮甜瓜和大尺寸的可见光谱,”食品分析方法,12卷,不。1,第147 - 136页,2018。视图:谷歌学术搜索
16. j·a·夏y, h·曹,汉族,d .通用电气和w·张,“可见近红外谱分类的苹果冷害在云计算平台上,“计算机和电子产品在农业卷。145年,27-34,2018页。视图:出版商的网站|谷歌学术搜索
17. l . m . Kandpal s Lohumi金m . s . js。康,B.-K。曹”,近红外高光谱成像系统加上多元方法来预测可行性和甜瓜种子活力,”传感器和执行器B:化学卷,229年,第544 - 534页,2016年。视图:出版商的网站|谷歌学术搜索
18. 李x x曹,h . Ren, et al .,“歧视冬季枣成熟利用高光谱技术结合的特征波长和光谱指数,”光谱和光谱分析,38卷,不。7,189 - 196年,2018页。视图:谷歌学术搜索
19. a . Polesello r . Giangiacomo, g . g .乏味”的应用近红外分光光度法的无损分析食物:实验结果的审查,”C R C食品科学与营养的关键评论,18卷,不。3、203 - 230年,1983页。视图:出版商的网站|谷歌学术搜索
20. 张x赵,s, j·l·刘et al。”研究的油桃品种歧视高光谱技术结合CARS-ELM算法,”现代食品科学和技术,33卷,不。10日,281 - 287年,2017页。视图:谷歌学术搜索
21. m .太阳,d, l·刘,z . Wang”如何预测西瓜的糖质和硬度:近红外光谱成像方法,”食品化学卷,218年,第421 - 413页,2017年。视图:出版商的网站|谷歌学术搜索
22. 薛j . h, s . Zhang et al .,“建立和分析内部综合素质谱评价指标对新鲜枣,”中国农业机械学会的事务,48卷,不。9日,第329 - 324页,2017年。视图:谷歌学术搜索
23. p . Maniwara k . Nakano d .那翁大桥,m . Hiroi和t . Tohyama”使用可见光和近红外光谱评价百香果采后品质,”《食品工程,卷143,不。2,33-43,2014页。视图:出版商的网站|谷歌学术搜索
24. l .锅问:张先生,w·张,y太阳,p . Hu和k图,“检测桃子的冷伤害高光谱反射成像和人工神经网络,”食品化学卷,192年,第141 - 134页,2016年。视图:出版商的网站|谷歌学术搜索
25. j .一位j .阳光、z鑫h .毛,吴x,和李问:“可视化桑叶的农药残留分配使用近红外光谱成像,”食物的过程工程》杂志上,40卷,不。4、2016。视图:出版商的网站|谷歌学术搜索
26. 张,z . Wang x邹et al .,“茶疾病的分类识别基于高光谱图像和遗传优化神经网络,”中国农业工程学会的事务33卷,2017年。视图:谷歌学术搜索
27. 凌,j . Tang f .香港、e . j . Mitcham和王,“食品质量变化热动力学处理:复习一下,”食品和生物处理技术,8卷,不。2、343 - 358年,2015页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020削弱徐等。这是一个开放分布式下文章知识共享归属许可,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。