基于近红外高光谱成像技术的酿酒葡萄分类及单宁含量检测.pdfVIP

摘 要 摘 要 酿酒葡萄的品种、产地和化学物质含量是影响葡萄品质的重要指标，对葡萄酒的质量 产生重要影响。酿酒葡萄的质量和酿酒工艺直接影响葡萄酒的品质，不同品种和产地的酿 酒葡萄所包含的化学物质存在显著差异，因此其所酿的葡萄酒也具有独特的风味和营养价 值。近年来，近红外高光谱成像技术已经广泛应用于葡萄品质检测领域。本研究主要采用 近红外高光谱技术，结合化学计量学方法、机器学习及深度学习等方法对成熟时期酿酒葡 萄的品种、产地和单宁含量进行快速检测，从而建立有效的预测模型。本文主要研究内容 及结论如下： （1）运用高光谱成像技术对6 个红葡萄和6 个白葡萄品种建立品种鉴别模型。在对 葡萄品种的鉴别研究中，采用马氏距离法剔除不同品种葡萄样本中的异常光谱数据；通过 比较不同光谱预处理方法的SVM 模型可知，S-G 平滑后的模型性能最佳；最后，用PCA 载荷法选择光谱数据的特征波长，建立不同品种葡萄的分类模型。与随机森林和AdaBoost 算法相比，SVM 建立的模型具有最佳的分类效果。在该模型下，红葡萄品种样本训练集 和测试集的平均分类准确率分别为93.06%和90.01%，白葡萄品种样本平均准确率为83.77% 和81.09%，表明高光谱成像技术在葡萄品种的快速鉴别中具有较大潜力。 （2 ）利用高光谱成像技术和深度学习方法建立了赤霞珠葡萄的产地分类模型。分析 比较了不同预处理方法下的SVM 模型的分类效果，从而确定了最优的光谱预处理方法。 采用二阶导数法选择光谱数据特征波长，重点设计了一维卷积神经网络（Convolution Neural Network, CNN ）和一维残差网络（Residual Network, ResNet ）架构。对比两个卷积 网络和SVM 模型的分类结果，ResNet 模型效果最好，其训练集和测试集全谱分类准确率 分别为99.16%和97.12%，同时，采用t-SNE 对ResNet 最后一层特征数据进行可视化。结 果表明，光谱成像技术结合深度学习方法能够对葡萄产地进行有效鉴别。 （3 ）建立了酿酒葡萄成熟期果皮中单宁含量的检测分析模型。介绍了酿酒葡萄样本 中单宁含量的化学统计结果及光谱预处理结果，提出了一种新的波长选择方法蒙特卡罗频 率法（Monte Carlo Frequency, MCF ），并对MCF与常规波长选择方法SPA和CARS进行对 比，最后通过SVR建立葡萄单宁含量的预测模型。MCF降维后模型预测效果最佳，预测集 2 R 和RMSE分别达到0.82和0.09mg/g 。研究结果表明，酿酒葡萄中单宁含量与高光谱数据具 有高度相关性，提出的MCF算法能够实现对高光谱数据的有效降维。 关键词：高光谱成像技术 ；酿酒葡萄；品种鉴别；单宁含量检测；预测模型 I 目 录 目 录 摘 要 I ABSTRACT III 第一章 绪论 1 1.1 研究目的和意义 1 1.2 国内外研究进展 2 1.2.1 高光谱成像技术检测单宁含量的理化基础 2 1.2.2 光谱技术在葡萄分类检测中的应用 3 1.2.3 光谱技术在葡萄品质检测中的应用 4 1.3 研究内容与技术路线 4 1.3.1 研究内容 4 1.3.2 技术路线 5 1.4 本章小结 6 第二章 高光谱数据处理与建模方法 7 2.1 光谱数据采集与处理 7 2.1.1 实验设备 7 2.1.2 高光谱图像采集 8 2.1.3 感兴趣区域提取 9 2.2 建模相关方法11 2.2.1 异常光谱去除方法11