[发明专利]一种香榧过氧化值的快速无损检测方法

权利要求书

1.一种香榧过氧化值的快速无损检测方法，其特征在于该方法的步骤如下：

步骤1：过氧化值光谱相似表达式构造；

步骤1.1，收集当年采收、且大小形状基本一致的香榧样本n个，将n个香榧样本分成10份，分别在100℃烘箱中加速氧化0、6、12、18、24、30、36、42、48、54小时，以获得有过氧化值区分度的香榧样本；

步骤1.2，然后利用近红外光谱技术采集上述香榧样本的透射光谱，以香榧样本加速氧化时间为Y值，计算香榧样本光谱的每一个波长与Y值的相关性；

步骤1.3，选取相关性最高的前5个波长作为香榧过氧化值的特征波长，记为λ₁,λ₂,λ₃,λ₄,λ₅，上述5个特征波长与Y值的相关系数分别记为a₁,a₂,a₃,a₄,a₅；

步骤1.4，对于特征波长λ₁，分别计算不同加速氧化时间下所有香榧样本在特征波长λ₁下的平均光谱能量，分别记为

步骤1.5，当加速氧化时间在0～6小时之间时，认为香榧样本在特征波长λ₁下的平均光谱能量随加速氧化时间线性变化，其单位时间变化量为记为当加速氧化时间在6～12小时之间时，按上述方式处理，其单位时间变化量为记为其它加速氧化时间范围(12～18、18～24、24～30、30～36、36～42、42～48、48～54小时)，同样按上述方式处理，平均光谱能量的单位时间变化量分别记为

步骤1.6，构造特征波长λ₁的光谱相似表达式为其中为某一香榧样本光谱在特征波长λ₁下的光谱能量值，a₁为步骤1.3计算的相关系数，为加速氧化时间，取值为0,6,12,…,48，为一定加速氧化时间下上述香榧样本特征波长λ₁的平均光谱能量，取值分别为为平均光谱能量的单位时间变化量，取值分别为当值处于和之间时，取值为0，取值为取值为当值处于和之间时，取值为6，取值为取值为其它情况以此类推；

步骤1.7，对于特征波长λ₂,λ₃,λ₄,λ₅，按照步骤1.4的方法计算相应波长的平均光谱能量，分别记为按照步骤1.5方法计算相应的平均光谱能量的单位时间变化量，分别记为按照步骤1.6构造相应特征波长的光谱相似表达式，分别为

步骤1.8，构造香榧的过氧化值光谱相似表达式在香榧大小形状基本一致的情况下，香榧的C值越接近，则其过氧化值光谱越相似；采用C值来筛选过氧化值光谱相似的香榧样本，以达到多个香榧可以看作是一个香榧的目的；

步骤2：过氧化值预测模型建立；

步骤2.1，收集不同储藏时间的香榧样本，先按照香榧大小形状相似程度分成10组，每组样本为k个；

步骤2.2，对于第1组k个样本，采集k个香榧样本的近红外透射光谱，按照香榧的过氧化值光谱相似表达式计算每一个香榧样本的C值，并根据C值的接近程度进行匹配，每8个C值相近的香榧样本被作为一个新样本，可获得j₁个新样本，j₁(k/8)；将新样本中8个样本的近红外光谱取平均作为新样本的光谱，测定8个样本的直径并取平均作为新样本的直径，然后将8个样本破碎取其果仁，采用石油醚提取油脂，再按照国标方法GB/T5009.37-2003测定新样本的过氧化值；新样本光谱、直径和过氧化值分别记为和

步骤2.3，为消除香榧直径对光谱的影响，将第1组的新样本光谱除以对应新样本的直径校正后的光谱记为

步骤2.4，对于第2～10组香榧样本，按照步骤2.2采集样本光谱和计算C值，分别可获得j₂,j₃,j₄,…,j₁₀个新样本；按照步骤2.2计算新样本的光谱，测定新样本的直径、过氧化值；第2组新样本的光谱、直径和过氧化值分别记为和第3组新样本的光谱、直径和过氧化值分别记为和第4～10组新样本光谱、直径和过氧化值的标记以此类推；

步骤2.5，对于第2～10组新样本光谱，按照步骤2.3进行直径校正，校正后的光谱分别记为

步骤2.6，为建立香榧高精度的过氧化值预测模型，采用3种方法筛选特征波长，并建立相应的3个预测模型，作为第一层预测模型；然后，以3个预测模型对新样本的预测结果作为人工神经网络的输入，新样本过氧化值的真实值作为输出，建立人工神经网络模型，作为第二层预测模型；通过两层预测模型来提高香榧过氧化值的预测精度；

步骤2.7，对于上述校正后的光谱，分别提取过氧化值特征波长λ₁,λ₂,λ₃,λ₄,λ₅下的光谱能量值，并利用多元线性回归方法将香榧新样本的5个特征波长的光谱能量值与对应的过氧化值进行关联，建立线性回归模型，记为Model_F1；

步骤2.8，采用遗传算法对上述校正后的光谱进行特征波长筛选，获取f₁个特征波长，分别提取f₁个特征波长下的光谱能量值，采用PLS方法将香榧新样本f₁个特征波长下的光谱能量值与对应的过氧化值进行关联，建立PLS预测模型，记为Model_F2；

步骤2.9，采用竞争自适应重加权采样方法对上述校正后的光谱进行特征波长筛选，获取f₂个特征波长，分别提取f₂个特征波长下的光谱能量值，采用LSSVM方法将香榧新样本f₂个特征波长下的光谱能量值与对应的过氧化值进行关联，建立LSSVM预测模型，记为Model_F3；Model_F1、Model_F2及Model_F3作为香榧过氧化值预测的第一层模型；

步骤2.10，分别采用Model_F1、Model_F2及Model_F3对新样本校正后的光谱进行预测，获得三组新样本的过氧化值预测结果；将三组过氧化值预测结果作为人工神经网络的输入，新样本真实的过氧化值作为输出，建立人工神经网络模型，记为Model_S，该模型作为香榧过氧化值的第二层模型；通过两层模型可有效提高香榧过氧化值的预测精度；

步骤3：单个香榧过氧化值预测；

步骤3.1，获取待检测的香榧样本一个，采集香榧样本的近红外光谱，测定香榧样本的直径，分别记为R_p和d_p；

步骤3.2，按照步骤2.3进行直径校正，校正后的光谱记为R'_p；

步骤3.3，对于R'_p，提取特征波长λ₁,λ₂,λ₃,λ₄,λ₅下的光谱能量值，代入Model_F1中，获得过氧化值预测结果V_p1；

步骤3.4，对于R'_p，提取遗传算法筛选的f₁个特征波长的光谱能量值，代入Model_F2中，获得过氧化值预测结果V_p2；

步骤3.5，对于R'_p，提取竞争自适应重加权采样方法筛选的f₂个特征波长的光谱能量值，代入Model_F3中，获得过氧化值预测结果V_p3；

步骤3.6，将香榧样本过氧化值的三组预测结果V_p1、V_p2及V_p3输入Model_S中，获得香榧样本的最终过氧化值预测结果，记为V_p，从而实现单个香榧过氧化值的快速无损高精度检测。