摘要
红枣中含有非常高的维生素，深受人们的喜爱。鲜枣营养丰富，风味独特，但极易腐烂，保存期短。通过采用干枣贮藏技术，可以延长枣的供应期和运输距离，从而提升枣的价值，确保枣农的收入。干枣在贮藏过程中，水分、总酸和总糖量等品质对贮藏期大枣的口感、风味有重要的影响，这极大地影响了枣农的经济利益。通过高光谱成像技术，可以快速准确地检测农产品的质量，研究干枣在贮藏期间的水分、总酸和总糖等生理变化，以此来确定适宜的水分含量，从而延缓产品质量降低，为农业生产提出重要的依据。本文的研究重点包括: (1)基于高光谱成像技术的干枣不同贮藏期进行鉴别 首先，我们采集了三个不同贮藏期的干枣样本的高光谱数据，并采用随机抽样法将其分类为训练集、验证集和测试集。接着，我们光谱数据进行黑白校正，并使用Savitzky-Golay和标准正态变量来对光谱数据进行预处理。结合主成分分析(PCA)初步探究样本之间的潜在关系。再基于预处理后的全波段数据，利用随机森林(RF)、逻辑回归(LR)、支持向量机(SVM)卷积神经网络LeNet和ResNet建立红枣的不同贮藏期鉴别模型。再通过SPA、t-SNE和PCA方法，构建基于特征波段的红枣贮藏期分类模型。结果表明，基于Vis-NIR的分类结果相对NIR更好;且SPA方法在分类模型中准确率更高，但t-SNE降至3维后的分类表现相对PCA更好;深度学习模型相比传统机器学习更稳定;整体建模方法表现基本达到红枣贮藏期分类鉴别需求。 (2)基于高光谱成像技术结合机器学习对干枣的水分、含糖和含酸量的预测 对干枣样本的水分、总糖和总酸进行测量后，使用蒙特卡洛算法去除奇异值后采用含量梯度法划分训练集，验证集和测试集，并对光谱数据分析使用SG和SNV预处理，从而构建偏最小二乘回归(PLSR)、支持向量返回(SVR)、RF、LeNet和ResNet模型，基于单贮藏期建立对水分、总酸和总糖的红枣内部品质属性预测模型。结果表明整体预测模型表现较好，平均决定系数大于0.70,平均RPD大于1.4。但基于NIR的预测模型结果优于Vis-NIR,最后根据NIR数据，建立多贮藏期下预测模型，结果表明多贮藏期下的表现效果优于单贮藏期，且深度学习表现出稳定和优异的结果。 (3)干制红枣品质检测的系统开发与设计 基于干制红枣的不同贮藏期的鉴别，和含水、总酸和总糖量的检测需求，设计了红枣内部品质属性的检测系统。系统的设计的主要功能模块为:用户的注册和登录，红枣贮藏期鉴别，红枣内部水分，含糖和含酸的预测。该系统为红枣企业加工厂操作人员对品质的检测提供了便利。
NETL