[發(fā)明專利]一種香榧過氧化值的快速無損檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210558828.3
• 申請(qǐng)日: 2022-05-21
• 公開（公告）號(hào): CN114897082A
• 公開（公告）日: 2022-08-12
• 發(fā)明（設(shè)計(jì)）人: 孫通;吳家勝;宋麗麗;翁定康;俞儲(chǔ)澤
• 申請(qǐng)（專利權(quán)）人: 浙江農(nóng)林大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/12;G01N21/359
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種香榧過氧化值的快速無損檢測(cè)方法，其特征在于該方法的步驟如下：

步驟1：過氧化值光譜相似表達(dá)式構(gòu)造；

步驟1.1，收集當(dāng)年采收、且大小形狀基本一致的香榧樣本n個(gè)，將n個(gè)香榧樣本分成10份，分別在100℃烘箱中加速氧化0、6、12、18、24、30、36、42、48、54小時(shí)，以獲得有過氧化值區(qū)分度的香榧樣本；

步驟1.2，然后利用近紅外光譜技術(shù)采集上述香榧樣本的透射光譜，以香榧樣本加速氧化時(shí)間為Y值，計(jì)算香榧樣本光譜的每一個(gè)波長與Y值的相關(guān)性；

步驟1.3，選取相關(guān)性最高的前5個(gè)波長作為香榧過氧化值的特征波長，記為λ₁,λ₂,λ₃,λ₄,λ₅，上述5個(gè)特征波長與Y值的相關(guān)系數(shù)分別記為a₁,a₂,a₃,a₄,a₅；

步驟1.4，對(duì)于特征波長λ₁，分別計(jì)算不同加速氧化時(shí)間下所有香榧樣本在特征波長λ₁下的平均光譜能量，分別記為

步驟1.5，當(dāng)加速氧化時(shí)間在0～6小時(shí)之間時(shí)，認(rèn)為香榧樣本在特征波長λ₁下的平均光譜能量隨加速氧化時(shí)間線性變化，其單位時(shí)間變化量為記為當(dāng)加速氧化時(shí)間在6～12小時(shí)之間時(shí)，按上述方式處理，其單位時(shí)間變化量為記為其它加速氧化時(shí)間范圍(12～18、18～24、24～30、30～36、36～42、42～48、48～54小時(shí))，同樣按上述方式處理，平均光譜能量的單位時(shí)間變化量分別記為

步驟1.6，構(gòu)造特征波長λ₁的光譜相似表達(dá)式為其中為某一香榧樣本光譜在特征波長λ₁下的光譜能量值，a₁為步驟1.3計(jì)算的相關(guān)系數(shù)，為加速氧化時(shí)間，取值為0,6,12,…,48，為一定加速氧化時(shí)間下上述香榧樣本特征波長λ₁的平均光譜能量，取值分別為為平均光譜能量的單位時(shí)間變化量，取值分別為當(dāng)值處于和之間時(shí)，取值為0，取值為取值為當(dāng)值處于和之間時(shí)，取值為6，取值為取值為其它情況以此類推；

步驟1.7，對(duì)于特征波長λ₂,λ₃,λ₄,λ₅，按照步驟1.4的方法計(jì)算相應(yīng)波長的平均光譜能量，分別記為按照步驟1.5方法計(jì)算相應(yīng)的平均光譜能量的單位時(shí)間變化量，分別記為按照步驟1.6構(gòu)造相應(yīng)特征波長的光譜相似表達(dá)式，分別為

步驟1.8，構(gòu)造香榧的過氧化值光譜相似表達(dá)式在香榧大小形狀基本一致的情況下，香榧的C值越接近，則其過氧化值光譜越相似；采用C值來篩選過氧化值光譜相似的香榧樣本，以達(dá)到多個(gè)香榧可以看作是一個(gè)香榧的目的；

步驟2：過氧化值預(yù)測(cè)模型建立；

步驟2.1，收集不同儲(chǔ)藏時(shí)間的香榧樣本，先按照香榧大小形狀相似程度分成10組，每組樣本為k個(gè)；

步驟2.2，對(duì)于第1組k個(gè)樣本，采集k個(gè)香榧樣本的近紅外透射光譜，按照香榧的過氧化值光譜相似表達(dá)式計(jì)算每一個(gè)香榧樣本的C值，并根據(jù)C值的接近程度進(jìn)行匹配，每8個(gè)C值相近的香榧樣本被作為一個(gè)新樣本，可獲得j₁個(gè)新樣本，j₁(k/8)；將新樣本中8個(gè)樣本的近紅外光譜取平均作為新樣本的光譜，測(cè)定8個(gè)樣本的直徑并取平均作為新樣本的直徑，然后將8個(gè)樣本破碎取其果仁，采用石油醚提取油脂，再按照國標(biāo)方法GB/T5009.37-2003測(cè)定新樣本的過氧化值；新樣本光譜、直徑和過氧化值分別記為和

步驟2.3，為消除香榧直徑對(duì)光譜的影響，將第1組的新樣本光譜除以對(duì)應(yīng)新樣本的直徑校正后的光譜記為

步驟2.4，對(duì)于第2～10組香榧樣本，按照步驟2.2采集樣本光譜和計(jì)算C值，分別可獲得j₂,j₃,j₄,…,j₁₀個(gè)新樣本；按照步驟2.2計(jì)算新樣本的光譜，測(cè)定新樣本的直徑、過氧化值；第2組新樣本的光譜、直徑和過氧化值分別記為和第3組新樣本的光譜、直徑和過氧化值分別記為和第4～10組新樣本光譜、直徑和過氧化值的標(biāo)記以此類推；

步驟2.5，對(duì)于第2～10組新樣本光譜，按照步驟2.3進(jìn)行直徑校正，校正后的光譜分別記為

步驟2.6，為建立香榧高精度的過氧化值預(yù)測(cè)模型，采用3種方法篩選特征波長，并建立相應(yīng)的3個(gè)預(yù)測(cè)模型，作為第一層預(yù)測(cè)模型；然后，以3個(gè)預(yù)測(cè)模型對(duì)新樣本的預(yù)測(cè)結(jié)果作為人工神經(jīng)網(wǎng)絡(luò)的輸入，新樣本過氧化值的真實(shí)值作為輸出，建立人工神經(jīng)網(wǎng)絡(luò)模型，作為第二層預(yù)測(cè)模型；通過兩層預(yù)測(cè)模型來提高香榧過氧化值的預(yù)測(cè)精度；

步驟2.7，對(duì)于上述校正后的光譜，分別提取過氧化值特征波長λ₁,λ₂,λ₃,λ₄,λ₅下的光譜能量值，并利用多元線性回歸方法將香榧新樣本的5個(gè)特征波長的光譜能量值與對(duì)應(yīng)的過氧化值進(jìn)行關(guān)聯(lián)，建立線性回歸模型，記為Model_F1；

步驟2.8，采用遺傳算法對(duì)上述校正后的光譜進(jìn)行特征波長篩選，獲取f₁個(gè)特征波長，分別提取f₁個(gè)特征波長下的光譜能量值，采用PLS方法將香榧新樣本f₁個(gè)特征波長下的光譜能量值與對(duì)應(yīng)的過氧化值進(jìn)行關(guān)聯(lián)，建立PLS預(yù)測(cè)模型，記為Model_F2；

步驟2.9，采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣方法對(duì)上述校正后的光譜進(jìn)行特征波長篩選，獲取f₂個(gè)特征波長，分別提取f₂個(gè)特征波長下的光譜能量值，采用LSSVM方法將香榧新樣本f₂個(gè)特征波長下的光譜能量值與對(duì)應(yīng)的過氧化值進(jìn)行關(guān)聯(lián)，建立LSSVM預(yù)測(cè)模型，記為Model_F3；Model_F1、Model_F2及Model_F3作為香榧過氧化值預(yù)測(cè)的第一層模型；

步驟2.10，分別采用Model_F1、Model_F2及Model_F3對(duì)新樣本校正后的光譜進(jìn)行預(yù)測(cè)，獲得三組新樣本的過氧化值預(yù)測(cè)結(jié)果；將三組過氧化值預(yù)測(cè)結(jié)果作為人工神經(jīng)網(wǎng)絡(luò)的輸入，新樣本真實(shí)的過氧化值作為輸出，建立人工神經(jīng)網(wǎng)絡(luò)模型，記為Model_S，該模型作為香榧過氧化值的第二層模型；通過兩層模型可有效提高香榧過氧化值的預(yù)測(cè)精度；

步驟3：?jiǎn)蝹€(gè)香榧過氧化值預(yù)測(cè)；

步驟3.1，獲取待檢測(cè)的香榧樣本一個(gè)，采集香榧樣本的近紅外光譜，測(cè)定香榧樣本的直徑，分別記為R_p和d_p；

步驟3.2，按照步驟2.3進(jìn)行直徑校正，校正后的光譜記為R'_p；

步驟3.3，對(duì)于R'_p，提取特征波長λ₁,λ₂,λ₃,λ₄,λ₅下的光譜能量值，代入Model_F1中，獲得過氧化值預(yù)測(cè)結(jié)果V_p1；

步驟3.4，對(duì)于R'_p，提取遺傳算法篩選的f₁個(gè)特征波長的光譜能量值，代入Model_F2中，獲得過氧化值預(yù)測(cè)結(jié)果V_p2；

步驟3.5，對(duì)于R'_p，提取競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣方法篩選的f₂個(gè)特征波長的光譜能量值，代入Model_F3中，獲得過氧化值預(yù)測(cè)結(jié)果V_p3；

步驟3.6，將香榧樣本過氧化值的三組預(yù)測(cè)結(jié)果V_p1、V_p2及V_p3輸入Model_S中，獲得香榧樣本的最終過氧化值預(yù)測(cè)結(jié)果，記為V_p，從而實(shí)現(xiàn)單個(gè)香榧過氧化值的快速無損高精度檢測(cè)。