近红外光谱结合小波神经网络鉴别苹果种类.pdfVIP

第29卷，第6期 光 谱 实验 室 V01．29。No．6 201 Chinese 2年』11月 Journal of SpectroscopyLaboratory 近红外光谱结合小波神经网络鉴别苹果种类① 李宪霞② 陈飞 张晶晶 中国计量学院计量测试工程学院杭州市下沙高救园区学源街258号310018) 摘要将近红外光谱与小波神经网络技术结合，实现对不同种类苹果鉴别。将80个样本随机分为 建模样本集和预测样本集。其中建模样本集包含60个样本，预测样本集包含20个样本。应用小波变换与 主成分分析对样品数据进行预处理与特征提取。建立一个10一45—2的三层小波神经网络，实现对未知样品 预测。实验结果表明，该方法对苹果的种类鉴别率达到100％，说明这种方法有很好的鉴别作用，对苹果种 类的准确、无损检测具有积极的实用性。 关键词近红外光谱；小波神经网络；苹果；鉴别率 中图分类号：0657，33文献标识码：A 文章编号：1004—8138(2012)06—3529—03 1 引言 苹果是世界四大水果之一，栽培面积和产量仅次于香蕉和柑橘，居世界第三位，我国第一 位[1’2]。苹果的产后处理、品质判断及检测一直是农产品加工研究的重要课题，但是其中针对苹果种 类鉴别的研究还做得很少[3]。本文采用近红外光谱与小波神经网络技术对不同种类苹果进行鉴别， 该方法具有准确、简单、快速等优点，为无损鉴别苹果种类提供了一种新的方法。 Neural 小波神经网络(Wavelet IRLSA的ZhangQ 础，把小波基函数作为隐含层节点的传递函数，信号前向传播的同时误差反向传播的神经网络‘引。 它是集小波分析与人工神经网络优点于一身，既使网络收敛速度加快、避免陷入局部最优，又有时 频局部分析的特点[5]。 2 实验方法 2．1 样品来源 将20个产地为山东和20个产地为陕西的红富士苹果作为样品在相隔一周的时间同时分别测 前测定得到的，2类和4类样品光谱分别为山东和陕西一周后测定得到的。作为样品的苹果果实饱 满，色泽和大小相近，因而在测量光谱过程中避免了因样品个体不均而产生大的误差。 2．2仪器设备及光谱采集 实验使用美国ThermoNicolet公司生产的，带有用于漫反射Smart 870 ①国家863计划(2007AANZ216)；浙江省科技计划(20091070016)项目 ②联系人．手机：(oE—mail：xueshuzhuanyong@yeah．net 作者简介：李宪霞(1986一)，女，黑龙江省双鸭山市人，在读硕士，主要从事应用Labriew实现光谱仪功能方面的研究。 收稿日期：2012—02—13；接受El期：8012一04一04 万方数据 光谱实验室 第29卷 型傅里叶近红外光谱仪。实验中谱区采集范围： 12000--5400cm_(833--1850nm)，光谱分辨 力：4cm～，实验均在室温下进行，湿度控制在 ()7 65±2％。为避免杂散光的干扰，采集光谱时使 用了开口直径为5ram、厚度为1．5ram的垫片遮避0．5 光。实验中对每个样品沿赤道按30。均匀分布进警 行12次不同位置的扫描，使用BaSO。片作为参 比样品，取其平均光谱，画出如图1所示的样品 光谱图。 11()0 140() 2000 3 结果与讨论 波数V／cm。 3．1光谱数据预处理 图1苹果样品的近红外光谱 明前10个主成分已经代表了原始光谱