[發明專利]番荔枝儲存時間的檢測方法

無效

• 申請號: 201310369916.X
• 申請日: 2013-08-22
• 公開（公告）號: CN103424524A
• 公開（公告）日: 2013-12-04
• 發明（設計）人: 惠國華;鄭海霞;王敏敏;陳靜;周于人;李晨迪;姜燕;沈鳳;王綠野;尹芳緣
• 申請（專利權）人: 浙江工商大學
• 主分類號: G01N33/02
• 分類號: G01N33/02;G01N35/00;G01N1/42
• 代理公司: 杭州杭誠專利事務所有限公司 33109
• 代理人: 尉偉敏

1.一種番荔枝儲存時間的檢測方法，其特征是，包括如下步驟：

(1-1)選擇n個剛采摘的番荔枝樣品，將番荔枝樣品放在冷藏箱內儲存，對番荔枝樣品進行如下檢測：

(1-1-1)設定檢測天數為m₁，儲存時間的序號為Time₁，Time₁的初始值為1；使用聲表面波檢測裝置檢測番荔枝的頻率響應，并得到番荔枝儲存時間第一預測公式：

所述聲表面波檢測裝置包括計數器(1)，屏蔽箱(2)，設于屏蔽箱內的振蕩器(3)和聲表面波諧振器(4)；振蕩器和聲表面波諧振器構成振蕩回路，計數器與振蕩回路電連接，計數器上設有用于與計算機(9)無線連接的無線發射器(19)，聲表面波諧振器上設有兩個電極；

步驟a，在n個番荔枝樣品中任選1個番荔枝樣品，并將番荔枝樣品放入屏蔽箱中，使聲表面波諧振器的兩個電極分別與番荔枝(17)樣品的相對側面相接觸；

步驟b，聲表面波檢測裝置工作45至55分鐘后，計數器采集振蕩回路的頻率響應曲線，在頻率響應曲線上采集若干個頻率值，將各個頻率值構成頻率信號Input(t)；

計算機中預設有第一隨機共振系統模型其中，V(x)為非線性對稱勢函數，ξ(t)為高斯白噪聲，A是輸入信號強度，f₀是調制信號頻率，D是噪聲強度，t是布朗運動粒子運動時間，x是粒子運動的坐標；

將頻率信號Input(t)輸入第一隨機共振系統模型中，使第一隨機共振系統模型發生共振；

計算機利用公式SNR=2[limΔω→0∫Ω-ΔωΩ+ΔωS(ω)dω]/SN(Ω)]]>計算輸出信噪比SNR；其中，ω是信號頻率，Ω為角頻率，S(ω)是信號頻譜密度，S_N(Ω)是信號頻率范圍內的噪聲強度；

計算機畫出第一隨機共振系統模型中的輸出信噪比曲線，得到信噪比曲線的兩個峰值，將兩個峰值的差值的絕對值作為信噪比特征值F；并將信噪比特征值F儲存在計算機中；

步驟c，當Time₁＜m₁，使Time₁值增加1，將被檢測番荔枝樣品放回冷藏箱中儲存，24小時后，重復步驟a和步驟b；

得到m₁個與Time₁相關聯的F，將F和Time₁構成點(F，Time₁)，根據m₁個點(F，Time₁)進行線性擬合，得到番荔枝儲存時間第一預測公式：Time₁＝f(F)；

(1-1-2)設定檢測天數為m₂，儲存時間的序號為Time₂，Time₂的初始值為1；使用氣體檢測裝置檢測番荔枝揮發的氣味，并得到番荔枝儲存時間第二預測公式：

所述氣體檢測裝置包括氣室(10)、設于氣室內的傳感器陣列(11)和模數轉換器(12)；所述氣室上設有采樣探頭(13)和清洗探頭(14)，采樣探頭上設有采樣氣泵(15)，清洗探頭上設有清洗氣泵(16)；傳感器陣列與模數轉換器電連接，模數轉換器、采樣氣泵和清洗氣泵上均設有用于計算機電連接的數據接口；所述傳感器陣列包括若干個氣體傳感器；

步驟d，計算機控制清洗氣泵工作，潔凈空氣通入氣室中對各個氣體傳感器進行清洗，當各個氣體傳感器的響應穩定至基線時，關閉清洗氣泵；

步驟e，在n個番荔枝樣品中任選1個番荔枝樣品，將番荔枝樣品置入樣品瓶中，將樣品瓶密封靜置30至40分鐘，將采樣探頭和氣壓平衡器同時插進樣品瓶中，計算機控制采樣探頭采集樣品產生的揮發性氣體；在采集揮發性氣體的同時，氣壓平衡器將經過活性炭過濾的空氣導入樣品瓶中，實現氣壓平衡；

步驟f，揮發性氣體與各個傳感器接觸，各個傳感器分別產生模擬響應信號；模數轉換器將各個模擬響應信號分別轉換為數字響應信號，計算機對數字響應信號取平均，得到傳感器陣列數字響應信號I(t)：

計算機中預設有第二隨機共振模型其中，ξ(t)為高斯白噪聲，t是布朗運動粒子運動時間，x是粒子運動的坐標，f₀是信號頻率，a，b和A為常數，D是噪聲強度；

步驟g，將I(t)輸入第二隨機共振模型中，使第二隨機共振系統模型產生隨機共振；

計算機利用公式SNR=2[limΔω→0∫Ω-ΔωΩ+ΔωS(ω)dω]/SN(Ω)]]>計算輸出信噪比SNR；其中，ω是信號頻率，Ω為角頻率，S(ω)是信號頻譜密度，S_N(Ω)是信號頻率范圍內的噪聲強度；

步驟h，計算機畫出第二隨機共振系統模型的輸出信噪比曲線，在信噪比曲線中選取信噪比曲線的信噪比最大值為特征值SNR_max，并將SNR_max儲存到計算機中；

步驟i，當Time₂＜m₂，使Time₂值增加1，將被檢測番荔枝樣品放回冷藏箱中儲存，24小時后，重復步驟d至步驟h；

得到m₂個與Time₂相關聯的SNR_max，將SNR_max和Time₂構成點(SNR_max，Time₂)，根據m個點(SNR_max，Time₂)進行非線性Boltzmann擬合，得到番荔枝儲存時間第二預測公式Time₂＝f(SNR_max)；

(1-2)建立番荔枝儲存時間綜合預測模型：Time(F，SNR_max)＝P₁×f(F)+P₂×f(SNR_max)，P₁和P₂為待定系數；將兩組番荔枝儲存時間、與所述儲存時間相對應的信噪比特征值F及與所述儲存時間相對應的SNR_max代入番荔枝儲存時間綜合預測模型，從而得到P₁和P₂；

(1-3)檢測與所述番荔枝樣品相同儲存條件下的待檢測番荔枝樣品W，得到番荔枝樣品W的信噪比最大值SNR_max和信噪比特征值F；將SNR_max和頻率F代入番荔枝儲存時間綜合預測模型中，計算番荔枝樣品W的儲存時間Time_預測。