[发明专利]基于BP人工神经网络的近红外光谱糖度检测方法及系统

说明书

本公开提供了一种基于BP人工神经网络的近红外光谱糖度检测方法及系统，选取一定的同种类的水果，组成样本集，选取建模样本，将样本集随机分为校正集和预测集；采集所有校正集和预测集样本的原始近红外光谱，对光谱进行等区间划分，对各区间吸光度分别求和；利用化学分析法测定样本中糖度的含量；建立近红外光谱定量分析模型，使用BP神经网络构建校正集样本糖度含量与近红外特征光谱之间的定量校正模型；近红外定量分析模型测定预测集样本的糖度含量，将预测集样品的近红外光谱信息数据输入所述校正模型，得到预测集样本的糖度含量。

技术领域

本公开涉及一种基于BP人工神经网络的近红外光谱糖度检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着人们生活水平的不断提高，消费者对于鲜食水果不仅局限于注重大小、颜色、外型等外部品质，更加注重的是如糖度等相关的内部品质。因此，在新形势下，提升水果产业市场竞争力势在必行。生产者在大力推广优良品种和采用优质高产高效栽培技术的同时更应注重产后商品化处理，建立健全苹果质量全程控制体系，全面提高苹果品质、安全水平和商品档次。

在目前的形势下，增加水果附加值和提升市场竞争力与快速的果品品质检测密切相关。利用苹果品质近红外在线无损检测技术不仅能提高苹果产后商品化水平和市场竞争力，同时还能储备掌握近红外无损快速检测关键技术的人才，为其他地方优势农产品产后检测分级奠定人才基础。

近红外光谱检测过程具有省时简单、不用破坏和浪费样品、分析速度快、成本低、结果重现性好等特点，是一种快速、方便和无损坏的检测方法；但也存在着难以实现定量的分析、检测信噪比低等缺点。该技术需要与化学计量学结合，其中常用的化学计量学技术主要有多元线性回归、主成分回归、偏最小二乘回归和神经网络等。

发明内容

本公开为了解决上述问题，提出了一种基于BP人工神经网络的近红外光谱糖度检测方法及系统，本公开能够对水果的内部品质理化指标，糖度进行检测。

根据一些实施例，本公开采用如下技术方案：

一种基于BP人工神经网络的近红外光谱糖度检测方法，包括以下步骤：

(1)选取一定的同种类的水果，组成样本集，选取建模样本，将样本集随机分为校正集和预测集；

(2)采集所有校正集和预测集样本的原始近红外光谱，对光谱进行等区间划分，对各区间吸光度分别求和；

(3)利用化学分析法测定样本中糖度的含量；

(4)建立近红外光谱定量分析模型，使用BP神经网络构建校正集样本糖度含量与近红外特征光谱之间的定量校正模型；

(5)近红外定量分析模型测定预测集样本的糖度含量，将预测集样品的近红外光谱信息数据输入所述校正模型，得到预测集样本的糖度含量。

作为进一步的限定，所述步骤(2)中，利用近红外光谱仪进行近红外光谱的采集，测定范围4000-10000cm^-1，分年率8cm^-1，扫描多次取平均，使用InGaAs检测器，以内置背景为参照。

作为进一步的限定，所述步骤(2)中，待样品放置至室温后，利用积分球漫反射系统，将样品置于光谱仪的样品池光孔处进行扫描，每个样品采集赤道均匀分布的n个部位，n为大于等于1的整数，且该部位需要避免明显的表面缺陷，n条光谱的平均值作为样品原始光谱。

作为进一步的限定，所述步骤(2)中，对样品原始光谱利用基线校正、平滑方法、一阶微分、二阶微分、多元散射校正方法或标准正态变换方法进行预处理。

作为进一步的限定，所述步骤(3)中，将光谱测量时做标记的部位用刀剜下，挤出果汁，利用糖度折光仪测量糖度。