以桂花样品为研究对象，建立了基于近红外光谱的水果质地定量分析模型。过与不同光谱预处理方法的比较，确定了桂花果实纹理的偏最小二乘定量回归，范围为780×2，500，920×2，500，1，100×2，500 nm。模型基于相关系数和预测标准偏差（RMSEP）的分析，提供了最优模型。

　　果表明，在780 2500 nm波段预测效果最好：膏体平均硬度的相关系数为0.761，RMSEP为0.173。离力的预测组的相关系数为0.809，RMSEP的相关系数为0.820。0.803，RMSEP = 0.831;剥离强度预测值的相关系数为0.764，RMSEP = 0.427;预测集的相关系数大于0.760，RMSEP小于0.850，模型效果更好。果表明，对桂花果实质地的近红外无损检测是可行的，果实质地与近红外漫反射光谱显着相关。键词：桂花;水果质地;近红外光谱;定量分析模型编号CLC：X836; O657.33文档代码：的DOI：10.16693 / j.cnki.1671-9646（X）.2017.02.005介绍桂花（土默特部），俗称番茄，具有较高的食用值[1]和药用价值[2 ]。储存和运输过程中，桂花有严格的用水要求。很容易受到机械损伤，冷，病原体等的损害，冷库安装导致重大损失，影响产品的保质期[3]和产品的运动。
　　实是果实成熟和品质的重要指标之一，影响果实的保质期，口感和风味。花的质地由美国FTC公司生产的TMS-PRO食品性质分析仪测定，测量结果准确度高，操作复杂耗时;因此有必要研究一种快速的无损检测技术[4-7]来获得桂花其实在线检测。红外光谱具有快速，无损，多组分同时检测的优点，已广泛应用于食品质量检测领域。于果实质地的检测，潘炳炎等。[8]使用近红外光谱技术非破坏性地测试胡椒果实的质地。

　　锋等[9]在红外线中采用漫反射技术定量分析樱桃果实的质地等[10]采用近红外光谱法进行无损检测，检测果实质地结果表明，近红外光谱对果实质地是可行的，果实质地与近红外漫反射光谱显着相关。用近红外光谱技术检测桂花果实的质地，为桂花果实纹理的在线检测提供理论依据。料和方法使用的材料70个桂花大小均匀的水果没有昆虫或机械损坏，被收集在邻近收获山西农业University.Les桂花温室中在室温下放置6小时和10随机选择水果进行光谱检测。
　　且对应于果实质地的确定。贮藏的第5天，第10天，第15天和第20天，随机选择15个果实，对果实进行光谱检测和果实质地检测。用来自美国ASD的Handheld FieldSpec 3光谱仪在350至2500nm的测量范围内进行光谱测量。室温下获取光谱数据以避免外部因素的影响，但也在暗室中收集光谱并将它们放置在12.5cm皿的中心。径和使它们漫反射。转120°，获得3次光谱。登等。[11]和钱曼等人。
　　[12]使用近红外光谱来说明近红外光谱预测模型。
　　究了检测模型的精确度，发现西瓜的脐部是检测西瓜内部品质的最佳收集点。此，已选择桂花的脐部作为光谱收集位置。谱数据处理软件是ViewSpecPro，绘图软件是MATLAB2010b。花部分在图1中表示，光谱采集装置在图2中表示。本上，使用TMS型食品性质分析仪进行果实质地的测量。-PRO由美国FTC公司制造。孔测试使用P / 2n针头探针（直径2 mm），预测速度为2 mm / s，测试速度为2 mm / s，测试后速度为10 mm / s和最小检测力为5克。将穿孔深度调整到6毫米，穿过皮肤而不会渗透到肉体中。孔试验使用完整的水果作为待测对象，并在穿孔部位选择脐带（见图1）。圆上相隔120°的三个点处测量5mm的半径，以确保穿孔点的位置与光谱收集的位置一致。个水果穿刺装置如图3所示，穿刺曲线如图4所示。
　　理包括果皮和果肉质地，果皮被分为破碎力剥离，裂缝深度，皮肤脆性和皮肤硬度，以及纸浆质地是纸浆的平均硬度。图4中的穿孔曲线的分析，曲线的第一峰值的力值（锚2的位置）是皮肤的断裂力（g）和第一个峰的运行距离是皮肤的深度（mm），以确定皮肤的脆弱性。于计算剥离强度的公式如下：脆性剥离（克/秒）=第一峰值的力（克）操作/长度（S），剥离强度（g /秒）=值的值第一峰值的力（g）×操作时间（s）：1秒后的第一峰值（锚3的位置）与锚4的位置之间的平均力值是硬度平均面团（g）。量分析模型是使用偏最小二乘回归（PLSR）的定量建模分析，并且使用Unscrambler软件进行建模分析。果与分析冷藏期间，在寒冷的桂花附近可见光谱存储过程中，两个果实被分解，测量了68朵桂花的初始近红外光谱。始谱示于图5。此，从图5看出，存在邻近的频带980，1203，1450，1780和1931纳米的五个不同的吸收峰，和峰在980，1450和1931nm处的吸收特别明显。980nm是可见光和近红外光谱之间的过渡区域;通过桂花水分子之间的OH键吸收形成1450nm处的吸收峰，其中吸收峰与桂花的含水量和峰值呈正相关。收在1，931 nm。
　　主要是由于在拉伸振动和CH 2和CH键含有可溶性固形物，酸性物质，VC和其他含有可表明吸收峰官能团氨基酸樨的弯曲和这些芳香桂花中的物质。容是相关的。果表明，桂花的质量变化和近红外光谱反映的信息有一定的稳定趋势。均硬度，剥离强度，剥离脆性和剥离硬度是y变量，光谱值是变量x。

　　3：1的比例拍摄68个桂花样品样品，分成51个校正组和17个预测组。系列样品按表1所示进行划分。谱预处理从原始光谱数据来看，散射发生在可见光区（350~780 nm），明显的特征峰位于近区红外线，可让您选择近红外区域（780-2500）。
　　Nm）用于建模预测。如实施例肉体的平均硬度，初始光谱是基线校正，一阶导数，二阶导数，多重散射校正变量归一化和正交校正信号，则初始频谱和频谱预处理使用预处理的光谱。发了最小二乘定量回归模型。谱预处理方法的选择是在表2中，第二阶微分建模呈现，变量和正交信号校正标准化提出过一个适应的现象：的相关系数校正集大于0.9，而预测集的相关系数仅为0.1，表中未显示。2显示基线校正结果优于其他光谱预处理方法，这就是使用基线校正光谱预测浆料平均硬度的原因。
　　线的校正光谱如图6所示。图6中可以看出，校正的基线光谱消除了基线偏移现象，可能更好地反映基线的特征信息。花香气宜人。用相同的方法选择剥离强度，皮肤脆性和皮肤韧性的光谱预处理方法。果表明，原始光谱建模是最好的。

　　材和平均硬度纸浆建模分析PLSR的选择可以从2.3看到比生面团的平均硬度得到改善后的基材校正光谱建模，包括980nm的位于短的长度的区域中波（780-1100nm），1320，1450，1780，1931nm位于长波光谱区（1100~2500nm）。据实际情况，建模的光谱区域是优选的：光谱区域是近红外（780×2500nm），近红外（1100×2500nm）和780和920nm（920）。于在780至920 nm波段内没有明显的特征信息，因此2500 nm的模型分析是基于对杠杆率修正的定量分析以及最小的部分回归广场。3中给出了纸浆平均硬度的建模和分析结果。模效果的质量不仅与相关系数有关，而且差异也有差异。准类型和预测标准偏差很小。3显示1100×2500nm和920~2 500nm波段的相关系数和校准标准偏差更好，并且与780-2500波段预测相比预测效果也更好。
　　nm，虽然780~2500 nm的建模效果不是很好，但校准集和预测游戏的标准偏差仅为0.030，这就是最好的。此，该实验选择780至2500nm的波段来建立模型。组校正的相关系数是0.865，并且该组预测的相关系数是0.761。质土模型分析使用原始光谱，杠杆比率，结合偏最小二乘回归分析来模拟涂层断裂强度，剥离脆性和硬度。
　　离。4中给出了剥离强度的建模和分析结果。5中给出了剥离脆性的建模和分析结果。模结果表4中显示了剥离韧性分析。4至表6显示了1 100×2 500 nm和920~1的带修正系数的相关系数和校准标准偏差。2500nm越好，预测效果也越好，预测范围为780 2500 nm。而，尽管780至2500nm波段的建模效果稍差，但预测集的相关系数大于0.760，剥离强度校正集为不同于0.054的预测集的标准，并且皮肤脆弱性校正集和预测集的标准偏差是0.061。离强度校正组和预测组的标准偏差为0.005，这是最好的。此，实验选择780-2 500nm的波段来建立模型。论建立了基于近红外光谱的桂花果实定量分析模型。用SPXY随机方法对样品系列进行划分，选择最佳光谱预处理方法，选择最佳建模范围，结果表明纸浆的平均硬度由基线校正，通过剥离剥离破损，脆性和韧性。始光谱建模效果最佳：最佳建模带宽为780至2500 nm。合杠杆和偏最小二乘回归建立了果实质地的定量分析模型：平均果肉硬度相关系数为0.761，整体标准差为校正和预测值为0.030，皮肤骨折预测的相关系数为0.809。测集的标准差之差为0.054;皮肤脆性预测的相关系数为0.803，校正集和预测集的标准差为0.061;皮肤的坚固性预测的相关系数是0.764，校正和预测组的标准偏差是0.005;当该值大于0.760时，图案效果更好。果表明，近红外光谱法可以非破坏性地检测桂花果实的质地。考文献：钟力。花的食用价值与高效高效培养技术[J]。代农村科技，2011（17）：20。伟。花的药用价值[J]。学山西，2011 40（11）：1 104-1 106韦包东，秉江风徽学水果的保质期及其影响因素中的硬度变化桂花[J.]食品科学，2005，26（3）：249-252，王瑞卿，徐西宁，冯建华，等。损害果实品质检测研究进展[J。果树学报，2012，29（4）：683-689。晓D，应庚，永永N，等。
　　种新的近红外光谱法快速番茄红素，总酸，糖，酚和抗氧化分析的脱水番茄样品[J]。动光谱学，2016年，82（1）：T 1-9.Irina多洛雷斯PM，何塞玛丽亚莫-DH，并使用近红外光谱技术的Raf西红柿的其他快速和准确的评估从质量[J]生物学及技术交收获2015，107（9）：9-15，E·马丁，波莱纳B，莉迪亚T.等快速表型番茄果实模型，微汤姆与便携式质谱仪VIS-NIR [J.]生理学蔬菜和生物化学，2013年，70（9）：159至163潘丙炎，路潇湘，章硼，由近红外光谱[J]等人，非破坏性检测胡椒果实质地的..食品加工和发酵，2015（11）。43至147.罗砜，路潇湘，张Peng等人，在近红外漫反射技术来检测樱桃果实[J]的质地。品科学与技术，2015年，36（15）：293-297，王丹，鲁潇湘，张鹏等人，在纹理和甜柿[品质的近红外无损检测。
　　[J]。食品工业科技，2013，34（24）：53-56。Dengfei杰陈萌，谢丽娟和西瓜检测位点近红外光谱预测模型的其他改良的准确性[J]。业工程，2014年中国工程学报，30（9）： 229-234。曼，黄文谦，王庆艳等西瓜探测点差异对近红外光谱可溶性固形物预测模型的影响[J]。谱学和光谱分析，2016，36（6）：1，700-1，705。
　　本文转载自
　　冷库安装www.iceage-china.com