亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        可見-近紅外高光譜成像技術(shù)對靈武長棗VC含量的無損檢測方法

        2018-03-20 08:37:06何嘉琳喬春燕李冬冬張海紅單啟梅
        食品科學(xué) 2018年6期
        關(guān)鍵詞:靈武波點(diǎn)校正

        何嘉琳,喬春燕,李冬冬,張海紅*,鄧 鴻,單啟梅,高 坤,馬 瑞

        (寧夏大學(xué)農(nóng)學(xué)院,寧夏 銀川 750021)

        靈武長棗(Zizphus jujuba Mill cv. Lingwu Changzao)為鼠李科棗屬植物,是寧夏特色優(yōu)勢果品,其果實(shí)色艷、肉質(zhì)脆實(shí)、酸甜適口,富含糖、酸、VC、粗纖維及礦物元素等多種營養(yǎng)元素,其中尤以VC含量最為豐富,素有“VC之王”的美譽(yù)[1]。因此,常將VC含量作為評價(jià)靈武長棗品質(zhì)的首選指標(biāo)。

        果品VC含量常用的檢測方法為2,6-二氯靛酚滴定法[2],該法雖然檢測精度高,但在樣品前處理、檢測速度、檢測成本等方面存在其固有缺陷,而檢測后的樣品因其組織遭到嚴(yán)重破壞,已無食用和銷售價(jià)值。因此,尋找一種快速、便捷、高效的VC含量檢測方法對指導(dǎo)長棗生產(chǎn)加工、商品化推廣具有重要意義。

        高光譜無損檢測技術(shù)是近年來國內(nèi)外最新發(fā)展的一種新型的品質(zhì)檢測技術(shù),該法具有操作方便、原理簡單、適應(yīng)性強(qiáng)和非破壞等優(yōu)點(diǎn),受到國內(nèi)外學(xué)者的廣泛關(guān)注[3]。目前,在農(nóng)產(chǎn)品無損檢測研究方面,研究人員利用高光譜成像技術(shù)不僅實(shí)現(xiàn)了表面缺陷[4-8]、損傷識別[9-11]、品質(zhì)安全[12-13]等檢測,亦實(shí)現(xiàn)了糖含量、可溶性固形物、硬度、含水量[14-16]等品質(zhì)指標(biāo)的檢測。近年來,眾多學(xué)者利用高光譜、近紅外技術(shù)檢測櫻桃、蜜橘、柑橘[17-19]等果品的VC含量并取得了較好的研究成果,但有關(guān)基于高光譜成像技術(shù)預(yù)測靈武長棗VC含量的研究卻鮮有報(bào)道。

        本實(shí)驗(yàn)擬以靈武長棗為研究對象,利用高光譜成像技術(shù)采集400~1 000 nm可見光區(qū)域長棗光譜數(shù)據(jù),通過SG平滑(Savitzky-Golay smoothing,SGS)、基線校準(zhǔn)、標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate,SNV)、多元散射校正(multiplicative scateer correction,MSC)、面積歸一化法、最大歸一化法、單位歸一化法、距離歸一化法、平均歸一化法等方法對原始光譜進(jìn)行預(yù)處理,優(yōu)選最佳光譜預(yù)處理方法。后采用遺傳算法(genetic algorithm,GA)、連續(xù)投影算法(successie projection algorithm,SPA)及競爭性正自適應(yīng)加權(quán)(competitive adaptive reweighted sampling,CARS)算法對預(yù)處理光譜提取有效信息并建立長棗VC含量偏最小二乘(partial least squares,PLS)和最小二乘支持向量機(jī)(least squares support vector machine,LSSVM)預(yù)測模型,通過比較模型效果,確定基于高光譜檢測靈武長棗VC含量的最佳方法,優(yōu)選基于高光譜成像技術(shù)預(yù)測靈武長棗VC含量的預(yù)測模型。

        1 材料與方法

        1.1 材料與試劑

        供試靈武長棗采摘于寧夏回族自治區(qū)靈武市永寧長棗生產(chǎn)基地;挑選果形完好,平均單果質(zhì)量約(15±2)g,縱徑(4.2±0.5)cm,橫徑(2.5±0.5)cm,大小均勻、無蟲害損傷的棗果100 個(gè),常溫(20±3)℃條件下擦凈、貯藏、備用。

        抗壞血酸(分析純) 天津博迪化工股份有限公司;2,6-二氯靛酚(分析純) 生工生物工程(上海)股份有限公司;草酸(分析純) 天津市光復(fù)精細(xì)化工研究所;碘酸鉀(分析純) 江蘇強(qiáng)盛功能化學(xué)股份有限公司;碘化鉀(分析純) 西隴化工股份有限公司。

        1.2 儀器與設(shè)備

        V10E-QE型高光譜成像光譜儀 芬蘭Spectral Imaging公司;C8484-05G型CCD相機(jī) 日本Hamamatsu公司;DCR III型光纖鹵素?zé)簦?50 W) 美國Schott公司;SC300-1A型電控位移平臺 北京Zolix公司。

        1.3 方法

        1.3.1 光譜信息的采集

        高光譜圖像采集系統(tǒng)條件:CCD相機(jī)曝光時(shí)間為30 ms,電控位移平臺速率為0.42 mm/s[20]。同時(shí),為消除各波段條件下光源強(qiáng)度分布不均及攝像頭中暗電流對成像造成的不良影響,光譜信息采集前對其進(jìn)行黑白校正[21],以消除噪聲影響。校正后的漫反射光譜圖像R按下式計(jì)算:

        式中:R0為樣本原始的漫反射光譜圖像;D為暗圖像;W為白板的漫反射圖像。

        樣本高光譜圖像采集后,利用ENVI 4.6軟件校正光譜并選取感興趣區(qū)域(region of interest,ROI)??紤]到長棗個(gè)體形狀差異,分別從每張棗光譜圖像中的長棗赤道部位提?。?0×30)像素的ROI,計(jì)算得出每張ROI的平均反射光譜,并將其作為該長棗的最終反射光譜。

        1.3.2 長棗VC含量的測定

        采用2,6-二氯靛酚法[22]測定。樣本總量為100 個(gè),測定周期為10 d,每天從總樣中隨機(jī)選取10 個(gè)樣本進(jìn)行測定;為避免偶然性誤差,各樣本均測3 次取平均值作為最終測定結(jié)果。

        1.3.3 光譜有效信息提取

        本實(shí)驗(yàn)采用GA、SPA及CARS算法對最優(yōu)預(yù)處理后的光譜提取特征波長,分析不同提取特征波長方法對長棗VC含量預(yù)測模型的影響。

        GA[23]使用選擇、交叉和變異三類遺傳算子把復(fù)雜的現(xiàn)象用繁殖機(jī)制結(jié)合簡單的編碼技術(shù)來表現(xiàn),通過隨機(jī)搜索算法得出復(fù)雜問題相對較好的解;從初始群體到根據(jù)變異、選擇和交叉等算子的作用而不斷迭代來進(jìn)行優(yōu)勝劣汰,通過這樣的搜索過程來不斷逼近最優(yōu)解。

        SPA[24]是一種前向循環(huán)的變量選擇方法,選定一個(gè)初始頻點(diǎn),然后在每一次迭代時(shí)加入新的頻點(diǎn),直到達(dá)到指定的頻點(diǎn)數(shù),該法目的是解決信息重疊,選擇最小冗余信息量的頻點(diǎn)組合,解決共線性問題。

        CARS算法是一種基于蒙特卡羅采樣法對模型取樣的新型變量選擇理論[25],通過指數(shù)衰減函數(shù)及自適應(yīng)重加權(quán)采樣技術(shù)計(jì)算并比較每次產(chǎn)生的新變量子集的交互驗(yàn)證均方根誤差(root mean square error of cross validation,RMSECV),RMSECV最小的變量子集作為最優(yōu)變量子集。

        1.3.4 模型建立

        PLS是一種經(jīng)典的線性擬合方法,該法可以通過最小化偏差平方和實(shí)現(xiàn)對曲線的擬合[26]。

        LSSVM是由Suyken等[27]提出的用于解決模式分類和函數(shù)估計(jì)問題的支持向量機(jī),它采用最小二乘線性系統(tǒng)作為損失函數(shù),有效地簡化了計(jì)算的復(fù)雜性,提高了運(yùn)算速度。

        1.3.5 模型評價(jià)

        模型性能以校正相關(guān)系數(shù)(Rc)和校正均方根誤差(root mean square eroor of calibration,RMSEC)及預(yù)測相關(guān)系數(shù)(Rp)和預(yù)測均方根誤差(root mean square eroor of prediction,RMSEP)為評價(jià)指標(biāo);評價(jià)原則一般認(rèn)為Rc和Rp越接近1,RMSEC、RMSEP越接近0,模型效果越好。

        2 結(jié)果與分析

        2.1 光譜預(yù)處理

        在光譜采集中,由于儀器噪音、暗電流等影響因素,易導(dǎo)致光譜曲線產(chǎn)生不重復(fù)和基線漂移等現(xiàn)象[28-29],故有必要在模型建立前對原始光譜進(jìn)行預(yù)處理。本實(shí)驗(yàn)分別采用SGS、基線校準(zhǔn)、SNV、MSC、面積歸一化法、最大歸一化法、單位歸一化法、距離歸一化法、平均歸一化法等方法對原始光譜進(jìn)行預(yù)處理,結(jié)果見表1。

        由表1可知,比較原始光譜及預(yù)處理后所得PLS校正模型,僅SGS、基線校準(zhǔn)、SNV、滑動平均法、去趨勢算法對光譜處理后所得模型的Rcv均大于0.8且大于原始光譜模型Rcv(0.708 2),表明經(jīng)光譜預(yù)處理后所建PLS模型效果有所提升;比較上述6 種較佳預(yù)處理方法可知,SNV法不僅Rcv最大,為0.839 5且RMSECV最小,僅為16.248 2。表明SNV法處理原始光譜后,可有效降低光譜曲線不重復(fù)和基線漂移等誤差因素的影響,顯著提升建模效果,故本實(shí)驗(yàn)選定SNV法為最佳光譜預(yù)處理方法。SNV法預(yù)處理得到的優(yōu)化圖譜及原始光譜見圖1。

        表1 不同預(yù)處理方法的長棗VC含量PLS校正模型Table 1 PLS calibration models for predicting VC content in jujubes with different pretreatment methods

        圖1 原始反射光譜(A)和SNV處理后反射光譜(B)Fig. 1 Original reflection spectra (A) and SNV-processed spectra (B)

        2.2 樣本集的劃分

        為了提高模型的預(yù)測精度,本實(shí)驗(yàn)采用Kennard-Stone(K-S)[30]法從測試完畢的100 個(gè)棗果樣本中隨機(jī)選取20 個(gè)用于檢驗(yàn)?zāi)P偷倪m用性,以3∶1的比例對剩余80 個(gè)樣本進(jìn)行樣本集和驗(yàn)證集劃分,最終選擇校正集樣本60 個(gè),驗(yàn)證集樣本20 個(gè)。樣本統(tǒng)計(jì)結(jié)果見表2。

        表2 校正集與預(yù)測集樣本VC的統(tǒng)計(jì)結(jié)果Table 2 Statistical results of VC contents in calibration set and predication set

        由表2可見,校正集和預(yù)測集的樣本范圍分別為344.42~435.11 mg/100 g和360.58~421.89 mg/100 g,校正集較好的涵蓋了預(yù)測集,表明樣本劃分合理。

        2.3 有效信息提取

        2.3.1 GA提取有效信息

        圖2 長棗光譜的GA篩選圖Fig. 2 GA screening for feature wavelengths

        如圖2所示,不同波點(diǎn)被篩選的頻次越高表示該點(diǎn)適應(yīng)性越強(qiáng)[31],與長棗VC相關(guān)性越高。GA運(yùn)算過程中,設(shè)定遺傳代數(shù)為100,以最小的RMSECV和最高的R2組合作為篩選標(biāo)準(zhǔn);經(jīng)過20 次隨機(jī)搜索后,最終選定特征波點(diǎn)12 個(gè),占原始光譜信息的9.6%。

        2.3.2 SPA提取有效信息

        圖3 長棗介電譜的SPA篩選圖(A)和光譜被選中波點(diǎn)(B)Fig. 3 SPA screening of dielectric spectra (A) and selected wavelength points (B)

        應(yīng)用SPA對頻譜數(shù)據(jù)進(jìn)行有效信息提取,結(jié)果如圖3所示。SPA運(yùn)算過程中,設(shè)定變量數(shù)選擇范圍為1~10,步長為1,根據(jù)RMSEC隨變量個(gè)數(shù)的變化確定最佳特征變量數(shù);如圖3A所示,當(dāng)變量個(gè)數(shù)為5時(shí),RMSEC最小為24.25;變量個(gè)數(shù)大于5時(shí),其RMSEC不再減小,最終選定特征波點(diǎn)5 個(gè),占原始光譜信息的4%。

        2.3.3 CARS算法提取有效信息

        圖4 長棗光譜的CARS算法篩選圖Fig. 4 CARS screening of spectra

        如圖4所示,本研究設(shè)定蒙特卡羅采樣50 次,采用5折交叉驗(yàn)證法計(jì)算,因每次運(yùn)行CARS結(jié)果具有隨機(jī)性,故在每個(gè)設(shè)定的蒙特卡洛抽樣次數(shù)條件下運(yùn)行20 次,取20 次所建立的PLS模型中最小RMSECV作為結(jié)果篩選標(biāo)準(zhǔn)。由圖4可知,在1 次CARS算法中,由于衰減指數(shù)函數(shù)的作用,隨著采樣次數(shù)的增加,在采樣前期變量數(shù)快速減少,隨著采樣次數(shù)的增加,變量減少的速度減慢,表明算法“粗選”和“精選”的過程。并且,隨著采樣次數(shù)的增加,單個(gè)PLS模型的5折交叉驗(yàn)證RMSECV呈現(xiàn)由大到小再到大的變化,采樣次數(shù)為11 次時(shí)RMSECV最小為25.01。最終從125 個(gè)波點(diǎn)中選定26 個(gè)波點(diǎn)作為特征波譜組合,占原始光譜信息的20.8%。經(jīng)各算法提取的特征波點(diǎn)見表3。

        表3 特征波點(diǎn)列表Table 3 List of characteristic wavelengths

        2.4 模型建立

        2.4.1 長棗VC預(yù)測模型的建立

        將各算法提取的特征波點(diǎn)作為輸入量,長棗VC含量作為應(yīng)變量,建立PLS和LSSVM模型,如表4所示。

        表4 基于長棗特征波點(diǎn)建立的VC含量預(yù)測模型Table 4 Prediction models for VC content based on characteristic wavelengths

        由表4可知,比較PLS模型效果,原始光譜-PLS模型Rc和Rp分別為0.785 1和0.796 3,R均小于0.8,代表模型效果稍差;而經(jīng)GA、SPA、CARS處理后的模型中,僅SPA-PLS模型Rc為0.756 2,小于原始光譜-PLS模型Rc;原因可能為SPA最終僅從125 個(gè)全光譜波點(diǎn)中挑選出5 個(gè)有效波點(diǎn),雖然大大減少了冗余信息對模型效果的干擾,但同時(shí)亦剔除了部分有效信息,致使模型效果低于原始光譜。GA-PLS和CARS-PLS模型Rc、Rp分別為0.823 5、0.815 3和0.896 2、0.889 2,CARS-PLS模型校正能力明顯優(yōu)于GA-PLS模型,對比RMSEC值和RMSEP,CARSPLS模型分別為10.746 2%和12.145 3%,明顯低于GAPLS模型的17.335 4%和18.463 7%,表明CARS-PLS模型預(yù)測精度高于GA-PLS模型,雖然CARS處理原始光譜后得到的有效波點(diǎn)數(shù)稍高于GA法,但該法卻能在降低光譜信息共線性影響的同時(shí),極大程度的保留原始光譜中的有效信息,故選定CARS-PLS模型為最優(yōu)PLS模型。

        比較LSSVM模型效果,原始光譜-LSSVM模型Rc和Rp分別為0.746 7和0.732 1,R均小于0.8,代表模型效果稍差;而經(jīng)GA、SPA、CARS處理后的模型中,僅GALSSVM和CARS-LSSVM模型效果有所提升,Rc分別上升到0.755 9和0.832 1;而CARS-LSSVM模型在模型校正及預(yù)測能力方面又明顯優(yōu)于GA-LSSVM模型,故選定CARS-LSSVM模型為最優(yōu)LSSVM模型。

        比較CARS-PLS和CARS-LSSVM模型可知,前者Rc和Rp分別為0.896 2和0.889 2,兩者較為接近且均大于后者的0.832 1和0.791 5,且CARS-PLS模型的RMSEC和RMSEP均小于CARS-LSSVM模型的16.202 8和22.580 1,充分說明CARS-PLS在模型校正精度、預(yù)測精度、模型穩(wěn)定性方面均優(yōu)于CARS-LSSVM模型。綜上可知,CARSPLS模型為最優(yōu)長棗VC含量預(yù)測模型。

        2.4.2 模型驗(yàn)證結(jié)果

        圖5 CARS-PLS模型驗(yàn)證Fig. 5 Validation of CARS-PLS model

        將隨機(jī)選出的20 個(gè)未參與建模的樣本作為獨(dú)立預(yù)測集,驗(yàn)證CARS-PLS模型的適用性,結(jié)果如圖5所示。實(shí)測值與預(yù)測值點(diǎn)呈對角線分布且以小幅度在對角線上下波動;t檢驗(yàn)表明,各項(xiàng)指標(biāo)預(yù)測值與實(shí)測值無顯著差異。

        3 結(jié) 論

        本實(shí)驗(yàn)以鮮摘靈武長棗為研究對象,在400~1 000 nm波長范圍內(nèi),優(yōu)選出SNV法為最優(yōu)原始光譜預(yù)處理方法,其所建PLS模型Rcv和RMSECV分別為0.839 5和16.248 2;對經(jīng)SNV法處理后的原始光譜通過GA、SPA、CARS法提取有效信息,分別獲得僅占原始光譜9.6%、4%、20.8%的特征波點(diǎn);對上述各法建立PLS和LSSVM模型并比較其效果可發(fā)現(xiàn),CARS法不僅能對原始光譜有效降維且可獲得最優(yōu)PLS模型效果,CARSPLS模型Rc、Rp和RMSEC、RMSEP分別為0.896 2、0.889 2和10.746 2%、12.145 3%。模型驗(yàn)證后發(fā)現(xiàn),長棗VC實(shí)測值與預(yù)測值無顯著差異,表明基于高光譜成像技術(shù)對靈武長棗VC含量的無損檢測是可行的。

        [1] 任玉鋒, 任賢, 雷茜. 靈武長棗采后生理及貯藏保鮮技術(shù)研究進(jìn)展[J]. 河北農(nóng)業(yè)科學(xué), 2009, 13(1): 13-15. DOI:10.16318/j.cnki.hbnykx.2009.01.027.

        [2] 李書靜, 李可, 姚新建, 等. 2,6-二氯靛酚鈉法測定果汁飲料中的維生素C[J]. 光譜實(shí)驗(yàn)室, 2011, 28(5): 2391-2394. DOI:10.3969/j.issn.1004-8138.2011.05.058.

        [3] 羅陽, 何建國, 賀曉光, 等. 農(nóng)產(chǎn)品無損檢測中高光譜成像技術(shù)的應(yīng)用研究[J]. 農(nóng)機(jī)化研究, 2013, 6(6): 1-6. DOI:10.13427/j.cnki.njyi.2013.06.011.

        [4] YU K Q, ZHAO Y R, LIU Z Y, et al. Application of visible and nearinfrared hyperspectral imaging for detection of defective features in loquat[J]. Food and Bioprocess Technology, 2014, 7(11): 3077-3087.DOI:10.1007/s11947-014-1357-z.

        [5] ARIANA D P, LU R. Hyperspectral waveband selection for internal defect detection of pickling cucumbers and whole pickles[J].Computers and Electronics in Agriculture, 2010, 74(1): 137-144.DOI:10.1016/j.compag.2010.07.008.

        [6] 周竹, 李小昱, 陶海龍, 等. 基于高光譜成像技術(shù)的馬鈴薯外部缺陷檢測[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(21): 221-228. DOI:10.3969/j.issn.1002-6819.2012.21.031.

        [7] 黃文倩, 陳立平, 李江波, 等. 基于高光譜成像的蘋果輕微損傷檢測有效波長選取[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(1): 272-277.DOI:10.3969/j.issn.1002-6819.2013.01.036.

        [8] LI J B, RAO X Q, YING Y B. Detection of common defects on oranges using hyperspectral reflectance imaging[J]. Computers and Electronics in Agriculture, 2011, 78(1): 38-48. DOI:10.1016/j.compag.2011.05.010.

        [9] EL MASRYA G, WANG N, CLéMENT V, et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology, 2008, 41(2): 337-345.DOI:10.1016/j.lwt.2007.02.022.

        [10] 張保華, 黃文倩, 李江波, 等. 基于高光譜成像技術(shù)和MNF檢測蘋果的輕微損傷[J]. 光譜學(xué)與光譜分析, 2014, 34(5): 1367-1372.DOI:10.3964/j.issn.1000-0593(2014)05-1367-06.

        [11] PIOTR B, WOJCIECH M, JOANNA W. Detection of early bruises in apples using hyperspectral data and thermal imaging[J]. Journal of Food Engineering, 2012, 110(3): 345-355. DOI:10.1016/j.jfoodeng.2011.12.038.

        [12] QIN J W, CHAO K L, KIM M S, et al. Hyperspectral and multispectral imaging for evaluating food safety and quality[J].Journal of Food Engineering, 2013, 118(2): 157-171. DOI:10.1016/j.jfoodeng.2013.04.001.

        [13] LORENTE D, ALEIXOS N, GóMEZ-SANCHIS J, et al. Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment[J]. Food and Bioprocess Technology,2012, 5(4): 1121-1142. DOI:10.1007/s11947-011-0725-1.

        [14] 高俊峰, 張初, 謝傳奇, 等. 應(yīng)用近紅外高光譜成像技術(shù)預(yù)測甘蔗可溶性固形物含量[J]. 光譜學(xué)與光譜分析, 2015, 35(8): 2154-2158.DOI:10.3964/j.issn.1000-0593(2015)08-215-05.

        [15] 張若宇. 番茄可溶性固形物和硬度的高光譜成像檢測[D]. 杭州:浙江大學(xué), 2014. DOI:10.3964/J.ISSN.1000-0593(2015)08-2154-05.

        [16] 吳龍國, 何建國, 劉貴珊, 等. 基于近紅外高光譜成像技術(shù)的長棗含水量無損檢測[J]. 光電子: 激光, 2014(1): 135-140. DOI:10.16136/j.joel.2014.01.011.

        [17] CRISTINA M, SILVIA G, EMANUEL J N M, et al. Vitamin C distribution in acerola fruit by nearinfraredectral maging[J]. Journal of Spectral Imaging, 2016, 12(6): 1-4. DOI:10.1255/jsi.2016.a6.

        [18] 劉燕德, 陳興苗, 孫旭東. 可見/近紅外漫反射光譜無損檢測南豐蜜桔維生素C的研究[J]. 光譜學(xué)與光譜分析, 2008, 28(10): 2318-2319.DOI:103964/jissn.1000-0593(2008)10-2318-03.

        [19] 夏俊芳, 李小昱, 李培武. 基于小波變換的柑橘維生素C含量近紅外光譜無損檢測方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2007, 23(6): 170-173.DOI:10.3321/j.issn:1002-6819.2007.06.033.

        [20] 徐爽, 何建國, 易東, 等. 基于高光譜圖像技術(shù)的長棗糖度無損檢測[J]. 食品與機(jī)械, 2012, 28(6): 168-170. DOI:10.3969/j.issn.1003-5788.20122.06.041.

        [21] 丁佳興, 吳龍國, 何建國, 等. 高光譜成像技術(shù)對靈武長棗果皮強(qiáng)度的無損檢測[J]. 食品工業(yè)科技, 2016, 37(24): 58-62. DOI:10.13386/j.issn1002-0306.2016.24.003.

        [22] 趙曉梅, 江英, 吳玉鵬. 果蔬中VC含量測定方法的研究[J]. 食品科學(xué),2006, 27(3): 197-198. DOI:10.3321/j.issn:1002-6630.2006.03.046.

        [23] 蔣雪松, 周宏平. 基于遺傳算法的農(nóng)產(chǎn)品品質(zhì)無損檢測研究進(jìn)展[J]. 江蘇農(nóng)業(yè)科學(xué), 2013, 41(12): 17-19. DOI:10.15889/j.issn.1002-1302.2013.12.038.

        [24] YE S F, WANG D, MIN S G. Successive projections algorithm combined with uninformative variable elimination for spectral variable selection[J]. Chemometrics and Intelligent Laboratory Systems, 2008,91(2): 194-199. DOI:10.1016/j.chemolab.2007.11.005.

        [25] 李江波, 彭彥昆, 陳立平, 等. 近紅外高光譜圖像結(jié)合CARS算法對鴨梨SSC含量定量測定[J]. 光譜學(xué)與光譜分析, 2014, 35(5): 1264-1269. DOI:10.3964/J.ISSN.1000-0593(2014)05-1264-06.

        [26] WOLD S, RUHE A, WOLD H, et al. The collinearity problem in linear regression. The partial least squares (PLS) approach to generalized inverses[J]. SIAM Journal on Scientific and Statistical Computing,2006, 5(3): 735-743. DOI:10.1137/0905052.

        [27] SUYKENS J A K, VANDEWALLE J. Least squares support vector machine classifiers[J]. Neural Processing Letters, 1999, 9(3): 293-300.DOI:10.1023/A:1018628609742.

        [28] 劉燕德, 周延睿, 彭彥穎. 基于近紅外漫反射光譜檢測雞蛋品質(zhì)[J].光學(xué)精密工程, 2013(1): 40-45. DOI:10.3788/OPE.20132101.0040.

        [29] 蔣蘋, 羅亞輝, 胡文武, 等. 基于高光譜的油茶籽內(nèi)部品質(zhì)檢測最優(yōu)預(yù)測模型研究[J]. 農(nóng)機(jī)化研究, 2015(7): 56-60. DOI:10.13427/j.cnki.njyi.2015.07.013.

        [30] 潘國鋒. 基于K-S算法的水質(zhì)硝酸鹽含量光譜檢測方法研究[J]. 光譜實(shí)驗(yàn)室, 2011, 28(5): 2700-2704. DOI:10.3969/j.issn.1004-8138.2011.05.132.

        [31] 熊瓊, 葛蓁, 劉志剛. 基于遺傳算法和EDA技術(shù)的果蔬采摘機(jī)器人設(shè)計(jì)[J]. 農(nóng)機(jī)化研究, 2016, 38(8): 214-217. DOI:10.3969/j.issn.1003-188X.2016.08.045.

        猜你喜歡
        靈武波點(diǎn)校正
        早熟靈武長棗果實(shí)糖代謝酶與早熟的相關(guān)性
        劉光第《南旋記》校正
        國學(xué)(2020年1期)2020-06-29 15:15:30
        讓注意力到你身上來 波點(diǎn)的世界怎能錯(cuò)過
        波點(diǎn)之美
        一類具有校正隔離率隨機(jī)SIQS模型的絕滅性與分布
        機(jī)內(nèi)校正
        波點(diǎn)女孩
        頑趣波點(diǎn)
        Coco薇(2016年3期)2016-04-06 02:40:48
        殼聚糖對靈武長棗保鮮效果研究
        中國果菜(2015年2期)2015-03-11 20:01:01
        一種基于eNode B的主動式頻偏校正算法
        日本道精品一区二区三区| 99热婷婷一区二区三区| 免费看av网站在线亚洲| 人妻少妇偷人精品久久性色av| 中文字幕一区日韩精品| 亚洲av中文无码乱人伦在线r▽| 精品少妇爆乳无码aⅴ区| 国产香蕉一区二区三区| 日本免费大片一区二区三区| 久久久久久久久无码精品亚洲日韩 | 久久一区二区视频在线观看| 亚洲成人av一二三四区| 人妻哺乳奶头奶水| 丰满爆乳无码一区二区三区| 无遮高潮国产免费观看韩国 | 亚洲白嫩少妇在线喷水| 国产精品久久久久久久久久红粉| 亚洲av中文无码乱人伦在线播放| 国产又黄又大又粗视频| 亚洲乱精品中文字字幕| 乳乱中文字幕熟女熟妇| 亚洲va久久久噜噜噜久久天堂| 人妻少妇精品视频无码专区| 天天躁日日操狠狠操欧美老妇| 国产人成在线免费视频| 婷婷久久av综合一区二区三区| 国产办公室秘书无码精品99| 久青草久青草视频在线观看| 亚洲成av人片在线观看www| 伊人久久亚洲综合av影院| 日韩av综合色区人妻| 亚洲欧美日韩精品高清| 中文字幕日韩精品亚洲精品| 亚洲高清在线天堂精品| 无码国产福利av私拍| 亚洲AV秘 无码一区二区三区臀| 魔鬼身材极品女神在线| 亚洲av高清天堂网站在线观看| 久久只精品99品免费久23| 蜜臀av一区二区| 一本久道久久综合狠狠操|