一、提高红富士品质的几个关键技术(论文文献综述)
常汉[1](2021)在《水心病苹果水心程度与可溶性固形物含量在线无损检测方法与分级装备研究》文中指出研究和应用水果内部品质在线检测技术及装备对提高果品附加值、减少损耗、促进产业健康可持续发展具有重要意义。然而由于水果内部信息获取难度高、信噪比低等问题,水果内部品质尤其是深层内部病害检测技术及装备研发难度大。苹果作为我国主要种植的水果品种之一,在我国的种植面积和产量均位居园林水果的前列。然而由于气候、营养元素等因素的影响,水心病作为一种发生于苹果维管束和果核周围的内部生理性病害,在苹果的主产区陕西和新疆等地均有发生,对苹果的仓储和商品化流通产生了较大的影响。水心病苹果因其独特的口感受到消费者的追捧,商业上又被称为冰糖心苹果。本研究针对苹果水心病的内源性、无明显光谱特征、在线检测受苹果大小和姿态影响大及水心病苹果可溶性固形物含量(Soluble Solids Content,SSC)检测难度大等问题开展试验,探究可见/近红外(Visible/Near Infrared,Vis/NIR)光谱技术在线检测苹果水心程度(Watercore Severity Index,WSI)及水心病苹果SSC的可行性并进行检测技术和分级装备开发。本研究的目的在于提出一种水心病苹果WSI和SSC在线精确检测方法,并设计开发一种新的适合于苹果内部品质和内部病害检测的输送系统与检测机构,为推进水果产后商品化处理提供理论基础和装备支撑。本文的主要研究内容和结果如下:(1)针对苹果水心病及SSC在线检测需求,研究了水心病苹果的光学特性,利用浙江大学智能生物产业装备创新研发团队(IBE团队)开发的自由托盘式水果分选设备,并采用双光源对射式光源布局的半透射检测系统,开展了苹果水心病无损检测研究。结果显示:同样大小的水心病苹果的透射光强谱峰值高于正常苹果,且随着WSI的增大,光强峰值逐渐增大。随机分布的不同大小和形状的水心组织改变了苹果的光透性,使苹果光谱产生了明显地随WSI变化而变化的趋势。这可能是导致水心病苹果不同检测位置的光谱产生差异的原因,同时也导致SSC预测效果变差。在水心病苹果和正常苹果的二分类判别中,k最近邻算法(k-Nearest Neighbor,k NN)、反向传播神经网络(Back Propagation Neural Network,BPNN)、支持向量机(Support Vector Machine,SVM)、一维卷积神经网络(One-Dimensional Convolutional Neural Network,1D-CNN)四种算法识别准确率均在95%以上,该结果表明利用Vis/NIR光谱技术对水心病苹果和正常苹果进行无损检测分类是可行的。在不同程度水心病苹果和正常苹果的k NN二分类判别中,轻微水心苹果和正常苹果的判别准确率较差(68%),而中等或严重水心苹果与正常苹果的判别准确率较高(91%、100%)。WSI和SSC的预测结果也反映出水心组织对水心病苹果内部品质无损检测的影响。(2)针对上述研究中苹果不同大小和分布的水心组织对WSI和SSC检测影响大的问题,本研究基于光学仿真研究和实验研究建立了四光源仿环形光源布局的苹果水心病和SSC无损检测方法并分析了苹果大小对检测的影响。结果显示:由使用Light Tools软件进行的光学仿真研究结果可知在四光源仿环形光源布局下获取到的苹果光谱能够携带更多的苹果内部信息。样本为同样大小的苹果采用平均光谱建立的模型性能优异。同样大小苹果的SSC的偏最小二乘回归(Partial Least Squares Regression,PLSR)预测模型中,较优的建模集均方根误差(Root Mean Square Error of Calibration,RMSEC)和预测集均方根误差(Root Mean Square Error of Prediction,RMSEP)分别为0.34?Brix和0.37?Brix,相对分析误差(Residual Predictive Deviation,RPD)达到3.78。采用PLSR算法进行WSI预测的模型的较优RMSEC、RMSEP和RPD分别为2.00%、1.82%和1.69。在双光源对射式和四光源仿环形两种光源布局下,不同大小苹果的SSC和WSI预测中,四光源仿环形光源布局的检测效果要优于双光源对射式光源布局的检测效果,尤其是SSC的预测,其在四光源仿环形光源布局下采用PLSR算法的较优RMSEC和RMSEP分别能够达到0.35?Brix和0.43?Brix,RPD值为3.58。该试验结果验证了光学仿真的结论,提出了四光源仿环形较优光源布局,评估了不同大小苹果对检测的影响。(3)针对苹果大小对苹果水心病在线检测的影响,开发了以多功能果杯和自适应光源调整机构为核心的苹果水心病和SSC在线检测样机。针对自由托盘分选线中托盘定位难、装备复杂,而传统滚子输送式分选线中双锥式滚子不利于进行全透射或半透射模式检测等问题,开发了采用链传动的多功能果杯,能够满足水果全透射或半透射模式光谱检测需求,并具备准球形水果输送、称重、侧翻分级以及果杯自复位等功能。针对水果大小对光谱检测的影响,在光源布局优化基础上开发了基于水果大小自适应的光源调整机构,能够实现不同大小水果光谱的有效获取。在开发多功能果杯和自适应光源调整机构的基础上,进行了整机结构设计与研发。使用可编程逻辑控制器(Programmable Logic Controller,PLC)作为控制中心,以表指令为核心开发了样机的控制系统,并在电路系统中设计了强电动力电路和弱电控制电路,建立了强弱电隔离、PLC负载隔离、光谱仪触发信号隔离的稳定电路系统总成,实现了样机的正常运行以及水果光谱检测和分级功能。使用苹果和参比对样机静态和动态条件下的性能进行了测试,分析了不同速度下测试对象的光谱特性,确定了样机进行水果内部品质在线检测分级的可行性。(4)在完成苹果分选装备样机研制的基础上,研究了苹果姿态对苹果水心病和SSC在线检测的影响。在样机上综合考虑了三种可能的苹果检测姿态(姿态一:果梗朝上,姿态二:果梗-果萼轴线与输送方向平行,姿态三:果梗-果萼轴线与输送方向垂直),并开展了对比试验研究。结果显示,与姿态二和姿态三相比,在姿态一情况下使用PLSR建模算法对SSC的预测可以获取较好的预测效果(RMSEC 0.45?Brix、RMSEP 0.49?Brix和RPD 2.91),能够满足苹果SSC在线检测要求。而在水心病有无判别中,在姿态一放置条件下,SVM方法和姿态二的偏最小二乘判别分析(Partial Least Squares-Discrimination Analysis,PLS-DA)判别准确率一致,均为96%,但SVM方法敏感性和特异性(98%、83%)更加均衡,反映出SVM模型对水心病苹果和正常苹果均有较好的识别效果。研究结果表明,果梗朝上(姿态一)的输送方式在样机上对苹果水心病和SSC的检测均具备一定的优势。(5)针对不同大小的苹果在固定光源下受光区域相对位置不一致而影响检测精度的问题,提出了基于自适应光源调整机构的不同大小苹果的光谱修正方法,并对比分析了修正前后的模型效果。将不同大小苹果分成4组,在光谱检测中自适应光源调整机构根据苹果大小按组调整高度,保证光源照射到苹果上的相对高度一致,从而获取相对光程基本一致的光谱并进行光谱修正方法研究。结果显示:结合自适应光源调整机构和相对光程长度的修正光谱模型中,使用PLSR算法能够获取到较优SSC预测模型,其RMSEC、RMSEP和RPD分别为0.44?Brix、0.47?Brix和2.19。对比修正前的光谱,该模型能够获得更低的RMSEP和相对接近的RPD值。经过大小修正的光谱在PLS-DA算法下不同大小苹果的水心病判别准确率为81%,尽管模型判别准确率要低于同样大小苹果的水心病判别结果,然而对比未进行光源高度调整以及未进行光谱修正的模型,具有更加均衡的敏感性和特异性以及更高的水心病判别准确率。
李疆[2](2021)在《基于机器学习的阿克苏红富士品种鉴别方法研究》文中提出阿克苏红富士由于其甜爽的口感以及独特的“糖心”成为阿克苏地区特产,随着阿克苏红富士品牌影响力的增加,市场也逐渐出现售卖假冒产品的现象。为提升阿克苏红富士品牌效应,使阿克苏红富士享誉全国,本文基于机器学习方法研究阿克苏红富士品种鉴别,利用高光谱成像技术,提供苹果品种快速鉴别方法,为了提高分类模型准确率,使用化学计量法采集理化数据,与光谱数据模型融合,减少建立模型所需样本数量。本文研究内容及结果如下:(1)本文使用了9种预处理方法(一阶导数、标准正态变换、多元散射校正、主成分分析法、基于核函数的主成分分析法、线性判别分析、局部线性嵌入、因子分析、多维尺度分析),一阶导数和多元散射处理光谱噪声与主成分分析和因子分析选取特征变量的分类方法准确率较高。(2)用化学计量法采集苹果理化含量数据,包含可溶性固形物、硬度、p H值、水分、重量和体积,通过建模过程中不断控制数据变量,最终确定与苹果分类有较大相关性的理化成分有:可溶性固形物、硬度、p H值。根据上述9种方法构造分类器,实验结果为随机森林、K近邻与朴素贝叶斯方法较好,分类准确率均在0.77以上,多层感知机较差仅有0.547。(3)对降噪后的光谱数据使用PCA、FCA、MDS等算法提取光谱特征,精简模型输入变量,其中PCA降维至5个特征向量相关系数之和占97%。分别采用KNN、朴素贝叶斯算法、二次判别分析等9种方法组合,共建立162种苹果分类模型,实验结果为QDA-D1-PCA模型的分类效果最佳,其准确率是0.862。(4)成功建立苹果光谱数据与理化数据分类模型,为提升其准确率,采用模型融合方法将苹果高光谱数据模型与理化含量数据模型相融合,从而提升模型平均准确率。本文融合模型采用投票法,选择5个准确率较高的高光谱数据模型与理化含量数据模型进行融合,通过不断的探索,最终采用5:2的融合方式将融合模型分类准确率提升为90.5%,阿克苏红富士鉴别率为93.8%。
杨文悦,高美娜,尹宝颖,梁博文,李中勇,徐继忠[3](2021)在《不套袋栽培对红富士苹果果实品质的影响》文中认为以六年生‘天红2号’/SH40/八棱海棠为试材,采用高效液相色谱法(HPLC)、酸碱中和滴定法和蒽酮比色法,研究了果实发育过程中有机酸主要组分与含量、可滴定酸含量和可溶性总糖含量的变化,以及果实生长指标的动态分析,以期明确不套袋对红富士苹果果实品质的影响。结果表明:不套袋果实单果质量高于套袋果实。果实发育期间,套袋与不套袋处理果实的可溶性糖含量、可溶性固形物含量均呈上升趋势;至果实成熟期,不套袋果实的可溶性固形物、可溶性糖含量均高于套袋果实。不套袋果实的可滴定酸、苹果酸、富马酸、柠檬酸、琥珀酸含量均低于套袋果实;盛花后150 d,套袋与不套袋果实内的可滴定酸含量分别为0.40%和0.36%,存在显着性差异。果实成熟期,套袋果实的表皮着色程度较高,表面较光洁;不套袋果实裂纹指数显着低于套袋果实、表皮蜡质总量显着高于套袋果实。
陈绍民[4](2021)在《水肥一体化水氮用量对苹果园氮素利用的影响及其供应决策》文中进行了进一步梳理我国苹果种植面积居世界首位,黄土高原是世界公认的苹果优势产区之一。目前该区域苹果种植过程中化肥过量使用、养分投入时间与树体需求不匹配,提高水氮资源的利用效率对于提高苹果品质和优果率、降低环境污染风险等有重要意义。本研究以矮砧密植(株行距2 m×4 m)苹果树为研究对象,采用具有显着节水、节肥、增效特征的水肥一体化方式供应水氮,于2017年10月至2020年10月在陕西洛川开展了苹果树水氮用量的田间试验。试验设置2个灌水上限(W1:80%θf、W2:100%θf)和4个施氮量水平(N1:0 kg?hm-2;N2:120 kg?hm-2;N3:240 kg?hm-2;N4:360 kg?hm-2)的完全组合处理,共8个处理。动态监测苹果树各生育期冠层尺度高光谱反射率、叶片氮含量、冠层生长特征(春梢长度、叶面积指数)及产量、品质(外观品质、内在品质)和土壤硝态氮分布与残留状况等指标,研究了水肥一体化水氮用量对苹果树氮素营养、冠层生长特征及产量品质的影响,分析了不同水氮用量下苹果园土壤硝态氮分布及残留特征,并采用组合评价方法进行了基于苹果树生长-氮素营养动态-产量品质-土壤硝态氮残留的苹果园水肥一体化水氮用量优选;探索了基于高光谱遥感估测苹果树叶片氮含量的方法,在此基础上,构建了基于高光谱遥感的苹果树冠层叶片氮含量反演模型和水氮供应决策模型。取得了如下主要结论:(1)探明了水肥一体化水氮用量对苹果树叶片氮含量及冠层生长动态的影响规律。相同施氮量条件下,提高灌水上限可以提高苹果树叶片氮含量,但差异不显着(P>0.05)。相对于不施氮肥处理,施氮可以显着增加苹果树冠层叶片氮含量(P<0.05);N4对叶片氮含量的增加具有显着作用,N2和N3之间没有显着差异(P>0.05),二者显着高于不施氮处理。受苹果树体储藏氮素的影响,苹果园改化肥土施为水肥一体化方式,实施第1年(2018年)N2对新梢生长有利,第2年(2019年)N3有益于新梢的延长。春梢生长规律符合Logistic曲线特性,模型模拟表明,更高的灌水上限或施氮处理均能够延迟最大春梢生长速率的出现,同时延长春梢生长时间。提高灌水上限有利于叶面积指数的增加,但增加不显着(P>0.05)。试验年苹果树生育前期叶面积指数相对大小关系与春梢生长相关,2018年N2、2019年N3更有利于叶面积指数的形成;N4更有利于果实采摘后苹果树叶片脱落时间的延迟。(2)揭示了水肥一体化水氮用量对苹果树产量、品质及水氮利用效率的影响规律。苹果产量受灌水上限、施氮量单因素影响极显着(P<0.01)。施氮处理能够显着优化产量构成要素(单果重、单株果数)(P<0.05),显着提高苹果产量(P<0.05),最高产量(34277 kg·hm-2)在N3水平获得,N4造成苹果小幅度减产。苹果产量与施氮量成二次抛物线关系(P<0.05),理论最佳施氮量在230~240 kg?hm-2范围。合理的氮肥用量能够显着提高苹果的纵径和横径(P<0.05),苹果的果形指数受水氮用量的影响不显着(P>0.05)。提高灌水上限会降低苹果果肉硬度、可溶性固形物、可溶性糖以及糖酸比和固酸比,增加可滴定酸和维生素C含量,但这些影响未达0.05显着水平。施用氮肥会显着降低苹果果肉硬度和可滴定酸含量(P<0.05),显着增加可溶性固形物、可溶性糖、维生素C、糖酸比和固酸比(P<0.05)。苹果内在品质指标之间存在显着的相关关系。任一施氮水平下,与W1灌水上限相比,W2能够提高水分利用效率和氮肥农学利用率。增施氮肥则显着降低氮肥农学利用率(P<0.05),灌水上限W2、施氮量N2处理获得了最高的氮肥农学利用率(75.49 kg?kg-1)。灌水上限W2、施氮量N3处理对于维持苹果产量、提高品质、获得更高的水分利用效率有显着作用。(3)明确了水肥一体化水氮用量对采收后苹果园土壤硝态氮分布、残留量及其年际变化的影响。N2、N3、N4处理,0-80 cm土层土壤硝态氮含量随深度增加而增加;80-160 cm土层土壤硝态氮出现聚集现象;160-200 cm土层土壤硝态氮含量逐渐降低,硝态氮在主要根系分布层(0-80 cm)以外出现了聚集现象;水平方向最大土壤硝态氮含量出现在距树行0 cm处(滴灌管下方)。不施氮处理(N1)土壤硝态氮随水分向下层土壤运移,较高土壤硝态氮含量(108 mg?kg-1)处于180 cm深度土层附近;水平方向0-80 cm土层土壤硝态氮含量最大值(52 mg?kg-1)在距树行100 cm处,土壤硝态氮含量与距树行距离成正比。土壤硝态氮含量的时间(逐年)分布特征主要受施氮量水平的影响。2017~2020年,N1和N2处理根层(0-200 cm)土壤硝态氮含量逐年下降,最大下降比例达78.56%;N3土壤硝态氮含量无显着变化;N4土壤硝态氮含量增加,最大可达197.30%。果实采收后苹果园土壤硝态氮残留量受施氮量影响极显着(P<0.01)。水肥一体化实施后,2018年各处理土壤硝态氮残留量无显着差异(P>0.05);2019年表现为,施氮处理显着高于不施氮处理;2020年,4个施氮水平间差异显着(P<0.05)。施氮量0、120 kg?hm-2处理土壤硝态氮残留量逐年降低,N1降低幅度显着高于N2(P<0.05);N3土壤硝态氮残留量3年变化幅度在10%左右,差异不显着(P>0.05);N4土壤硝态氮残留量显着增加,最大增幅为81.05%(P<0.05)。(4)提出了黄土高原矮砧密植苹果园综合效应最佳的水肥一体化水氮用量。基于无气象灾害年份(2019年)试验数据,以冠层生长、氮素营养、产量品质、土壤硝态氮、水/氮利用效率等为评价指标,采用主成分分析法、近似理想解法(TOPSIS)、灰色关联法和隶属函数分析法对苹果园水肥一体化水氮用量的效应进行综合评价,结果具有非一致性特征。进而建立基于4种单一评价方法评价结果的模糊Borda组合评价模型,结果表明W2N3是黄土高原矮砧密植苹果园最适水氮用量。(5)探索了基于苹果树冠层尺度高光谱反射率的叶片氮含量估测方法。不同光谱预处理方法对于光谱曲线的去噪能力表现不同,整体而言,一阶导数(FD)处理能够提高光谱信噪比,而二阶导数光谱造成信噪比出现下降的现象。竞争性自适应重加权算法(CARS)、连续投影算法(SPA)、随机蛙跳算法(Rfrog)、偏最小二乘法(PLS)等特征变量提取方法均大幅减少了用于建模的因子数量,提取的波长变量广泛分布于可见光/近红外区域。相同数据集所建立的非线性模型估测精度明显优于线性模型。采用标准正态变换(SNV)结合FD光谱预处理、Rfrog提取波长变量和极限学习机(ELM)建模的系统方法(SNV-FD-Rfrog-ELM)或Savitzky-Golay卷积平滑(SG)结合FD光谱预处理、PLS提取主成分(LVs)和ELM建模的系统方法(SG-FD-PLS(LVs)-ELM)估测黄土高原苹果树(富士)冠层尺度氮含量具有较好的精度。(6)建立了基于高光谱遥感的苹果树水肥一体化水氮供应决策模型。采用叠加集成(SE)模型,以苹果树冠层尺度高光谱反射率为模型输入,分别基于极限学习机(ELM)、差分进化算法优化的ELM(DE_ELM)和自适应差分进化算法优化的ELM(Sa DE_ELM)作为子模型的建模方法,在子模型融合过程中分别采用基于子模型RMSE的权重策略和偏最小二乘法(PLS)权重策略。PLS加权策略能够在集成若干子模型的过程中提供最佳的权重,改善基于RMSE策略权重预测结果偏低的问题。模型总体精度表现为:SE-Sa DE_ELM>SE-DE_ELM>SE-ELM。SE-Sa DE_ELM模型和PLS策略的叠加集成模型能够实现对异常值影响的抵抗,且估测精度极好,RP2,RMSEP和RRMSE分别为0.843,1.747 mg?g-1和8.019%。推荐使用Sa DE_ELM作为子模型和PLS策略的叠加集成模型进行苹果树叶片氮含量状况的监测。幼果期和果实膨大初期是苹果树供氮关键期。构建幼果期和果实膨大初期追施氮量-灌水上限-叶片氮含量回归模型和追施氮量-灌水上限-单果重的回归模型,并根据这些模型,通过目标单果重得到目标施氮量和灌水上限,以光谱诊断苹果树叶片氮含量为参考,估算苹果树已施氮量,最终求得最佳水、氮供应量。模型验证表明:幼果期和果实膨大期水、氮供应决策理论值与实际值差异较小,氮肥追施量相对误差介于1.67~9.92%(除幼果期一样本树为44.92%以外),模型整体上取得了良好的效果。
曹梦柯[5](2021)在《六个品种苹果采后品质变化表征因子及低温货架期预测模型研究》文中认为本研究以陕西省广泛种植的中熟苹果“乔纳金”,“澳洲青苹”,“金冠”,和晚熟苹果“富士”,“瑞阳”和“秦冠”为研究对象,采集其在低温货架期的理化品质变化数据,以及不同阶段出库于室温货架(25℃)下存放的“乔纳金”和“富士”苹果的品质变化数据。分析比较不同品种间各品质变量变化趋势与变化速率的差异性;利用相关分析,主成分分析和聚类分析来选择品质变化表征因子;采用递归特征消除,特征选择Relief F和稀疏主成分分析对品质指标进行排序,分别建立品质指标组合,品质表征因子与低温贮藏不同品种苹果货架期之间的误差反向传播-人工神经网络(BP-ANN)货架期预测模型,以模型预测值和实验值的平均相对误差,均方根误差和决定系数作为模型准确性的评价标准,并从中选取准确性高的模型来构建软件,主要研究结果如下:(1)六个品种苹果“澳洲青苹”,“金冠”,“乔纳金”,“富士”,“瑞阳”和“秦冠”,其在0~1℃,85%~90%的相对湿度条件下贮藏,以感官打分法评定货架寿命终点,6者的最大货架期分别为120,180,180,270,270和270d,晚熟苹果的最大货架寿命均高于中熟品种苹果。(2)低温贮藏的6个品种苹果,其由失重率,硬度,可滴定酸,C值和淀粉含量建立的随货架时间变化的一元线性拟合方程,拟合优度均显着。淀粉含量的变化速率(斜率)在3个晚熟品种苹果(“富士,“瑞阳”,“秦冠”)之间无显着差异,共同显着低于中熟品种“乔纳金”和“金冠”,后两者又显着低于“澳洲青苹”。其它各品质变量的变化速率(斜率)均呈现4-6个级别的显着差异。(3)中熟品种(“澳洲青苹”,“金冠”,“乔纳金”)内部的失重率(约4%)可以作为其低温货架寿命终点的评判标准。主成分分析和聚类分析得出,固酸比,a*值,L*值和C值这4个指标可以作为低温贮藏6个品种苹果(“澳洲青苹”,“金冠”,“乔纳金”,“富士”,“瑞阳”和“秦冠”)的共同品质表征因子。(4)“乔纳金”,“富士”苹果分别在0~1℃,85%~90%的相对湿度条件下贮藏0、40、80;0、170、270 d后置于货架温度25℃下贮藏,其最大货架寿命分别为48,48,42;54、42和7 d。苹果的出库时间越晚,其货架寿命越短。(5)不同时间出库的“乔纳金”和“富士”苹果在25℃货架期,其各理化品质变量的变化速率受出库时间的影响均不相同,不同时间出库的“乔纳金”苹果,呈现出库越晚,a*值的变化速率(斜率的绝对值)越大,可滴定酸,C值和△E值的变化速率(斜率的绝对值)越小的规律。不同出库时间的“富士”苹果,其△E值,固酸比呈现出库越晚,变化速率(斜率)越大的规律。其余指标未表现出库时间的规律性影响。(6)不同出库时间的“乔纳金”苹果在货架期间品质表征因子可选用失重率或可滴定酸或淀粉或硬度,固酸比,L*值,a*值或b*值和△E值这5个指标,或者固酸比,失重率或可滴定酸或淀粉或硬度,a*值或b*值,△E值和C值这5个指标。不同出库时间的“富士”苹果的品质表征因子可选用失重率或可滴定酸或淀粉或硬度或△E值,固酸比,a*值或b*值这3个指标,或者固酸比,L*值,a*值或b*值,失重率或可滴定酸或淀粉或硬度或△E值这4个指标。(7)采用稀疏主成分分析对品质指标进行排序,所得到的部分品质指标组合作为BP-ANN的输入变量所构建的6个品种苹果(“澳洲青苹”,“金冠”,“乔纳金”,“富士”,“瑞阳”和“秦冠”)的货架期预测模型,其验证集准确率高于90%,这些指标组合分别是1.(a*值,淀粉,L*值,失重率,硬度,可溶性固形物)、2.(a*值,淀粉,L*值,失重率,硬度,可溶性固形物,可滴定酸)、3.(a*值,淀粉,L*值,失重率,硬度,可溶性固形物,可滴定酸,b*值)、4.(a*值,淀粉,L*值,失重率,硬度,可溶性固形物,可滴定酸,b*值,固酸比,△E值,C值)。(8)为了方便模型的后续使用,将预测准确性高的模型内嵌在APP中,共4种模型,用户可自行选择,由于本研究仅是1年的数据,为了使其预测准确性更高,后续如果条件允许还应采用多年的数据进一步对模型的内部参数进行调整。
徐海[6](2020)在《苹果糖度可见/近红外漫透射光谱在线检测通用模型研究》文中研究说明随着我国经济的发展与人们生活水平的提高,人们对水果的购买力大大提升。我国作为水果生产大国,但在国际水果市场上缺乏竞争力,究其根本,主要原因是我国水果商品化处理程度低,导致水果品质参差不齐。而水果内部品质检测分级是水果商品化处理的重要环节,近年来,由于快速、无损、易于实现等优点,可见/近红外(Visible/Near Infrared,Vis/NIR)光谱技术在测量水果的内部品质参数方面得到了广泛应用。然而,因为产地、品种与收获年份等的影响,水果的物化性质会发生改变。这种生物变异性会对利用Vis/NIR技术分析水果可溶性固形物含量(Soluble Solids Content,SSC)时产生较大影响,使得基于某一产地、品种或年份数据建立的模型无法准确预测其他产地、品种或收获年份水果的SSC。因此,本研究基于团队自主研发的水果内部品质智能化在线检测装备,以苹果为研究对象,开展了苹果糖度可见/近红外漫透射光谱在线检测通用模型的研究,主要研究内容与结论如下:(1)研究了产地对苹果糖度在线检测模型的影响。以产自山东栖霞,陕西洛川以及甘肃会宁的红富士苹果为研究对象,首先对三个产地的样本分别建立偏最小二乘回归(Partial Least Squares Regression,PLSR)模型,其残留预测偏差(Residual Prediction Deviation,RPD)分别为3.02,2.62与2.29,可见局部产地模型内部预测结果较好。其次,以栖霞产地为例,采用K-S算法从洛川与会宁样本集中挑选10,20,30与40个具有代表性的样本添加到栖霞模型中,更新后模型对洛川与会宁样本的预测均方根误差(Root Mean Square Error of Prediction,RMSEP)分别由从原来的0.82°Brix与1.24°Brix降低至0.69°Brix与0.86°Brix,可见添加其他产地的部分样本可以在一定程度上提升局部产地模型对其他产地样本的预测能力。最后,混合三个产地的校正集样本建立全局产地模型,对三个产地样本的RMSEP分别为0.62°Brix,0.64°Brix与0.65°Brix,预测效果相比局部模型更新有了进一步提升。在此基础上,采用无信息变量消除(Uninformative Variable Elimination,UVE)对样本的建模波长进行筛选,除了会宁样本外,所建模型对栖霞与洛川样本的RMSEP分别减小到0.50°Brix与0.63°Brix,并且在总体预测精度不变的同时,建模变量与潜变量个数分别由400与12降低为58与8。通过60个测试样本对模型实际性能进行测试,其RPD为2.33。结果表明,对苹果进行SSC在线检测时,应充分考虑产地因素,通过建立全局通用模型能够扩大不同产地之间糖度在线检测模型的预测范围,模型通用性与稳健性得到了提升,而采用适合的波长选择方法能够简化模型。(2)研究了品种对苹果糖度在线检测模型的影响。以来自洛川县某商业果园的冰糖心,普通红富士与水晶富士三种苹果为研究对象,首先对三种样本分别建立PLSR模型,其RPD分别为2.98,2.80与2.10,可见局部品种模型的内部预测结果较好。其次,以冰糖心品种为例,采用K-S算法从红富士与水晶富士样本集中挑选10,20,30与40个具有代表性的样本添加到冰糖心模型中,更新后模型对红富士与水晶富士样本的RMSEP分别由从原来的1.25°Brix与2.73°Brix降低至0.98°Brix与0.80°Brix,可见添加其他品种的部分样本可以在一定程度上提升局部品种模型对其他品种样本的预测能力。最后,混合三个品种的校正集样本建立全局品种模型,对三种样本的RMSEP分别为0.59°Brix,0.64°Brix与0.63°Brix,预测效果相比局部模型更新有了进一步提升。在此基础上,采用UVE对建模波长进行筛选,除了普通红富士样本外,所建模型对冰糖心与水晶富士的RMSEP分别减小到0.54°Brix与0.61°Brix,并且在总体预测精度不变的同时,建模变量与潜变量个数分别由398与12降低为144与10。通过68个测试样本对模型实际性能进行测试,模型的RPD为1.70。结果表明,对苹果SSC进行在线检测时,应充分考虑品种因素,通过建立全局通用模型能够扩大不同品种之间糖度在线检测模型的预测范围,模型的通用性与稳健性得到了提升,而采用适合的波长选择方法能够简化模型。(3)研究了不同年份苹果糖度在线检测模型的维护方法。以20172019年的洛川冰糖心苹果为研究对象,首先对2017年样本建立基础校正模型,对2017年,2018年以及2019年样本的RMSEP分别为0.64°Brix,0.94°Brix与1.38°Brix,表明初始年份建立的SSC在线检测模型对新年份样本的预测能力大大降低。其次,通过K-S法从2018年与2019年的校正集样本中挑选了5,10与20个代表性样本加入到基础模型中,更新后的模型对2018年与2019年样本的RMSEP分别减小为0.70°Brix与0.92°Brix,结果表明,通过向基础模型中添加收获年份的少量新样本可以对模型进行维护。最后,分别从2018年与2019年的校正集中随机选择540个样本作为标准样本集,采用斜率/截距算法(Slope/Bias,S/B)对模型进行维护。对于每个标准样本数,都进行10次选择,将10次选择计算得出的平均RMSEP作为该标准样本数下对应的最终结果。对于2018年的预测样本,当选择标准样本个数为5时,维护效果更佳,RMSEP为0.65°Brix。而对于2019年的预测样本,当选择的标准样本个数为10时,维护效果更佳,RMSEP为0.61°Brix。结果表明,采用S/B算法能够快速方便地对苹果糖度在线检测模型进行维护,对于实际生产,不仅节约了大量的成本,并且过程操作简单,无需专业化软件以及专业人员,对于生产要求不高的应用场合更加具有现实意义。
聂茂勇[7](2020)在《红富士苹果的外部品质检测方法研究》文中进行了进一步梳理苹果在我国水果的生产中占有重要地位,我国苹果产量和种植面积均占全球一半以上。但是我国苹果的商品化分级技术仍以人工分级和机械分级为主,分级标准不统一,难以保证分级质量,在国际市场上缺乏竞争力。因此,提高苹果的分级质量是增强我国苹果国际市场竞争力的关键。本文以红富士苹果为对象,研究了苹果的外部品质检测方法,主要研究内容如下:(1)针对采集的苹果图像,选用了RGB和HSI颜色模型对苹果图像进行处理,并针对样本图像的背景特点,采用了双峰阈值分割法,以R分量与B分量的差值直方图来进行背景分割。此外,分别计算了均值滤波、高斯滤波以及中值滤波的峰值信噪比(PSNR)和结构相似性(SSIM),结果显示中值滤波的效果优于其余两种滤波算法,结合人眼主观判断,选择了中值滤波算法对图像进行去噪处理。(2)在提取苹果外部品质特征时,分别提取了颜色、果形、果径、缺陷等外部特征。在提取颜色特征部分,分别计算了色泽和颜色分布两种参数,通过计算红色和近红色的H值在苹果图像中的比值来代表色泽指数,通过Fisher系数法筛选出了R、G、B三个分量的方差作为苹果的颜色分布参数。在提取果形特征部分,通过Canny算法得到了苹果的最小外接矩形,进而计算出了果形指数。在提取果径特征部分,通过求取图像的最小外接圆形得到了苹果的像素直径,并基于像素当量实现了像素果径与实际果径的转换。在提取缺陷特征部分,依据缺陷区域与正常区域灰度级的不同,引入形态学操作以及孔洞填充完整分割出了缺陷区域,以缺陷面积占苹果面积的比值作为缺陷特征。(3)在分级方法研究中,分别研究了基于遗传算法优化的BP神经网络分级方法和基于粒子群算法优化的支持向量机分级方法。首先,给出了本文采用的红富士苹果分级标准以及300个苹果样本数据库的构成。在BP神经网络分级研究中,通过实验确定了BP神经网络结构中隐含层个数为1,输入层神经元个数为7,输出层神经元个数为4,隐含层神经元个数为15,隐含层激励函数为sigmoid,输出层函数为purelin,学习率为0.2。此外,具体阐述了遗传算法优化BP神经网络的实现过程,分别利用传统的BP神经网络与遗传算法优化的BP神经网络进行了分级研究,结果表明,优化后的BP神经网络分级正确率为94%,明显高于传统BP神经网络。在SVM分级研究中,通过实验确定了径向基函数作为核函数,并针对样本特点选用一对一方法构建分类器。此外,分析了粒子群优化支持向量机的实现过程,得到了最佳惩罚因子c为0.61622和核函数参数g为2.3041,并分别利用传统的支持向量机与粒子群优化的支持向量机进行了分级研究,结果表明,优化后的支持向量机分级正确率为95%,明显高于传统支持向量机。实验结果表明,本文采用的检测和分级方法具有较好的效果。
全蕊[8](2020)在《丁氟螨酯对苹果品质的影响及机制研究》文中研究说明农药作为一种有效减少病、虫、草等有害生物的技术手段,给农产品带来增产增收的同时,也因过量或不合理使用造成了质量安全及环境污染等问题,同时对农产品的品质产生影响,导致其营养成分、香气味感、颜色质地等发生改变。丁氟螨酯是一种新型的杀螨剂,其作用机制新颖,防治红蜘蛛效果明显,主要应用作物为柑橘和苹果,具有较好的应用前景。本课题以丁氟螨酯为研究对象,苹果为研究媒介,利用现代检测分析技术和组学技术,来研究丁氟螨酯对苹果品质的影响,以期为丁氟螨酯的科学使用提供合理依据,为改善和提升苹果品质提供理论参考。研究的主要成果如下:1.利用电子鼻技术进行风味差异分析,结果发现,经不同浓度丁氟螨酯处理后的苹果样品,其整体风味有明显差异,且5倍施药组与对照组之间的风味组分差异最大。利用气相色谱离子迁移谱技术(GC-IMS)、顶空微萃取-气相色谱串联质谱技术(SPME-GC-MS)对差异风味组分进行定性与相对定量分析,结果表明,施用丁氟螨酯后苹果中挥发性风味物质的组成和含量存在明显差异。丁氟螨酯会降低苹果中酯类和醇类化合物的含量,且随施药浓度的增大,变化趋势越来越明显,而烃类总量略有增加,醛类和酮类等物质的含量未发生明显的变化。2.利用多种检测方法对苹果中典型的营养指标进行靶向定量,来评价不同浓度的丁氟螨酯对苹果营养物质的影响。结果发现,施用丁氟螨酯对苹果中总糖、可溶性固形物、总酚以及钙元素的含量没有明显影响,但使葡萄糖、总蛋白、钾和镁元素的含量下降;与对照组相比,1.5倍施药组中果糖、苹果酸、乳酸和维生素E的含量有所升高,山梨醇和维生素C的含量下降,而高浓度时这种现象并不明显;施用丁氟螨酯后大多数氨基酸的含量均发生了不同程度的变化,氨基酸作为香气物质的合成前体,其变化可能涉及复杂的机制效应。3.利用超高效液相色谱串联质谱技术(UPLC-MS/MS)结合正交偏最小二乘判别分析(OPLS-DA)及KEGG代谢通路的分析,对丁氟螨酯处理后的苹果进行非靶向代谢组学的研究。结果发现,1.5倍施药组与空白组间共鉴定出39个代谢物的水平发生变化,5倍施药组与空白组间共鉴定出34个,1.5倍施药组与5倍施药组间共鉴定出25个差异代谢物。苹果中受丁氟螨酯干预的代谢通路主要有氨基酸代谢、有机酸代谢、多酚代谢和脂质代谢。丁氟螨酯对苹果品质的影响是系统而复杂的,苹果中风味组分及营养物质的产生是由多条代谢通路所构成,丁氟螨酯可能通过影响这些代谢通路中关键酶的活性来同时调控苹果中风味和营养的变化。
闫兴伟[9](2020)在《红富士苹果的可溶性固形物含量检测方法研究》文中研究指明我国的苹果产量居于世界前列,但在世界苹果出口格局中却远低于欧美发达国家的地位。究其原因,我国苹果产业的商品化程度低,商用处理模式落后。为了提升我国苹果产业在世界上的市场竞争力,满足市场需求,我国苹果产业的采后处理技术亟待提高。而采后处理的首要关注点在于产品的品质检测,特别是可溶性固形物含量(SSC)又是产品品质体系中的重点。近红外光谱检测技术是目前国际上最为主流的检测方案之一,其优势在于检测结果准确稳定、速度快、损耗低。因此,本文基于近红外光谱技术,研究苹果SSC的预测方法。本文将采集到的苹果近红外光谱作为数据样本。首先,需要对采集的样本进行数据处理:采用主成分分析—马氏距离法(PCA-MD)根据阈值剔除数据中的异常样本;采用Savitzky-Golay卷积平滑法对信号进行滤波,去除光谱中噪声;采用多元散射校正(MSC)对苹果样品光谱进行基线校正处理。然后,为了提高预测模型的准确率,需要对预处理后的光谱信息剔除无效波长信息。本文分别采用连续投影算法(SPA)和遗传算法(GA)实现波长特征的筛选,提高模型预测精度和稳定性,提取结果评价是基于相关系数和均方根误差两项指标进行衡量。经分析发现GA筛选结果比SPA筛选结果更有优势的结论。筛选波长后,本文分别采用极限学习机(ELM)以及偏最小二乘回归(PLS)两种算法对苹果可溶性固形物含量进行检测。ELM算法创建网络后,采用训练集样本验证网络分类结果,之后对测试集样本进行预测,经过测试两种建模方法都能符合预期的检测。最后,为实现精准定位,克服传统的苹果分类模型对原始数值精确性的要求,需要解决训练样本类标的精确度问题。本文在分类问题中引入了不确定性,即基于DS证据理论苹果分类等级融合算法,把ELM可溶性固形物含量预测模型与PLS可溶性固形物含量预测模型进行DS证据理论的融合,运用DS融合后的分类准确率达到94.697%,研究发现,使用DS融合后的分类准确度较使用单一方法分类得到了较大提高,解决了硬分割导致的分类正确率下降问题。
刘旻昊[10](2020)在《冷破碎苹果浆发酵酒的工艺、品质及澄清技术研究》文中研究表明苹果是一种口感新鲜、营养价值较高、价格相对便宜,深受国民的喜爱的大众水果之一,具有广阔的市场前景。几年来,随着国民们保健意识的增强,果酒受到越来越多的关注,这给苹果多元化加工提供了新的思路与发展方向。我国的苹果酿酒业本就起步比较晚,相比较于国外而言,我国国内没有一种苹果品种专门用于酿酒,也没有专用于苹果酒发酵的酵母菌种以及成熟工艺。所以苹果酒的酿造作为我国酿造产业中的新兴产业,苹果酒虽然近几年发展迅速,但其工艺、发酵菌种等还需要深入探索。与传统的苹果清汁发酵不同,本试验以陕西红富士、澳洲青苹果为原料,用冷破碎苹果浆进行发酵开展相关试验,对苹果浆发酵酒的酵母菌株选择、工艺参数、两种果浆共发酵的配比、品质分析、澄清工艺等方面进行了研究,主要结果如下:1、根据对不同酵母发酵周期的糖度、酒精度、pH和总酸的检测与指标分析,通过单因素与响应面试验得到的红富士冷破碎苹果浆发酵酒的最佳条件为:SY酵母发酵的初始糖度为18%、酵母接种量为0.1 g/L、发酵温度20℃;与苹果清汁发酵酒相比,果浆发酵酒的残糖(7.5±0.46 g/L,果汁发酵酒7.3±0.31 g/L)和酒精度(7.8±0.1%,果汁发酵酒8.0±0.1%)差异不显着;但苹果浆发酵酒的总酚(74.99±1.23 g/L,果汁发酵酒 47.50±2.20 g/L)和有机酸(5.33±0.01 mg/mL,果汁发酵酒5.01±0.03 mg/mL)等营养成分含量高于果汁发酵酒。2、不同比例的澳洲青苹与红富士苹果冷破碎果浆(体积比1:1、1:2、1:3、1:4)混合发酵,其残糖与酒精度与单种果浆发酵均无显着性变化,澳洲青苹果浆的加入对发酵速率无显着影响,SY酵母的稳定性高;通过对该调酸发酵酒的营养成分与香气分析可知,酸度(100%)随澳洲青苹添加比例增多而提高(66±0.31>58±0.23>44±0.11>39±0.18>33±0.33),总酚含量(87.3±0.11>83.7±0.30>79.7±0.24>75.7±0.61>68.5±0.43 mg/100mL)随澳洲青苹占比的增大而增大,同时果酒的抗氧化活性随澳洲青苹添加比例提高而增大,其色值(EBC)也随之减小,不易发生褐变;有机酸随着澳洲青苹添加比例的增大而增加(8.28±0.03>6.99±0.10>6.23±0.06>5.62±0.03>5.33±0.01 mg/mL(0:1)),其中苹果酸变化最大,其次为酒石酸与乳酸,丁二酸的含量基本不变;混合发酵酒的香气检测中共有42种呈香物质,其中19种酯类物质、11种醇类物质、9种低级脂肪酸及3种醛酮类,不同比例调酸发酵酒的呈香物质主要区别在酯类,而醛酮类、低级脂肪酸及醇类基本无显着差异,该混合发酵果酒的主呈香物质酯类为月桂酸乙酯;醇类物质为异丁醇与异戊醇;低级脂肪酸为乙酸。综合上述指标,混合发酵最佳比例为澳洲青苹与红富士苹果冷破碎果浆的体积比1:1。3、分别选用硅藻土、皂土、明胶、壳聚糖为澄清剂进行单因素试验,确定了最佳澄清剂皂土对果酒的澄清效果最好,其果酒透光率可以达到78.1%;响应面试验得到最佳的澄清条件为:皂土的添加量6 g/L、澄清时间6t、温度4℃,澄清前后果酒营养成分无显着性变化,果酒澄清前后通过电子鼻辨别无显着差异,澄清条件可用。4、参照相关国家标准对果浆发酵酒进行分析,得此试验得到的果浆发酵酒产品质量基本符合标准要求,都为干型果酒。
二、提高红富士品质的几个关键技术(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、提高红富士品质的几个关键技术(论文提纲范文)
(1)水心病苹果水心程度与可溶性固形物含量在线无损检测方法与分级装备研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
符号及缩略词清单 |
第一章 绪论 |
1.1 苹果产业概述 |
1.1.1 苹果产业现状 |
1.1.2 苹果品质检测指标及检测技术 |
1.2 苹果水心病 |
1.2.1 苹果水心病简介 |
1.2.2 苹果水心病的发生机理及影响因素 |
1.2.3 苹果水心病的危害 |
1.2.4 苹果水心病的检测方法 |
1.3 苹果内部品质Vis/NIR光谱检测技术研究现状 |
1.3.1 技术原理及特点 |
1.3.2 光谱采集方式 |
1.3.3 检测影响因素 |
1.3.4 在水果内部品质检测中的应用 |
1.3.5 存在的问题 |
1.4 苹果内部品质Vis/NIR光谱检测装备研究现状 |
1.4.1 苹果内部品质检测装备产业现状 |
1.4.2 苹果内部品质检测输送分级装备研究现状 |
1.4.3 存在的问题 |
1.5 研究内容及技术路线图 |
1.5.1 研究内容 |
1.5.2 技术路线图 |
1.6 本章小结 |
第二章 实验仪器、材料和方法 |
2.1 引言 |
2.2 主要实验仪器 |
2.2.1 QE65PRO微型光谱仪 |
2.2.2 PR-201α数字折光仪 |
2.2.3 图像采集系统 |
2.3 实验材料 |
2.4 软件介绍 |
2.4.1 光谱采集软件 |
2.4.2 数据处理分析软件 |
2.4.3 机、电、控制及结构仿真软件 |
2.4.4 光学仿真软件 |
2.5 数据统计分析方法 |
2.5.1 光谱预处理方法 |
2.5.2 样本集划分方法 |
2.5.3 数据建模方法 |
2.5.4 模型评价方法 |
2.6 本章小结 |
第三章 苹果水心病Vis/NIR光谱特性及无损检测可行性研究 |
3.1 引言 |
3.2 材料与方法 |
3.2.1 苹果样本 |
3.2.2 Vis/NIR光谱采集系统 |
3.2.3 水心程度测量 |
3.2.4 不同组织光透性测试 |
3.2.5 SSC测量中的取样方法研究 |
3.3 结果和讨论 |
3.3.1 SSC分布和取样方法分析 |
3.3.2 样本特征分析 |
3.3.3 水心苹果Vis/NIR光谱特性 |
3.3.4 水心病苹果SSC预测研究 |
3.3.5 苹果水心病检测研究 |
3.4 本章小结 |
第四章 光源布局及苹果大小对苹果水心病检测的影响研究 |
4.1 引言 |
4.2 材料与方法 |
4.2.1 苹果样本 |
4.2.2 LightTools光源系统仿真设置 |
4.2.3 不同光源布局无损检测系统 |
4.2.4 苹果尺寸、SSC和 WSI测量 |
4.3 结果与讨论 |
4.3.1 样本特征分析 |
4.3.2 LightTools仿真结果分析 |
4.3.3 光谱特征分析 |
4.3.4 双光源系统建模研究 |
4.3.5 不同光源布局建模研究 |
4.3.6 特征波长挑选 |
4.4 本章小结 |
第五章 基于Vis/NIR光谱技术的苹果水心病在线检测装备研发 |
5.1 引言 |
5.2 多功能果杯的设计研发 |
5.2.1 多功能果杯结构设计 |
5.2.2 果杯功能仿真验证 |
5.3 自适应光源系统的设计研发 |
5.3.1 自适应光源调整机构结构设计 |
5.3.2 自适应光源调整机构仿真验证 |
5.4 输送分级系统设计研发 |
5.4.1 输送分级系统各组件设计 |
5.4.2 输送分级防损伤设计 |
5.5 电路及控制系统设计 |
5.5.1 控制系统及程序设计 |
5.5.2 电路系统设计 |
5.6 整机工作流程 |
5.7 在线检测装备光谱检测性能验证 |
5.7.1 测试样本 |
5.7.2 测试条件 |
5.7.3 在线检测装备静态性能测试 |
5.7.4 在线检测装备动态性能测试 |
5.8 本章小结 |
第六章 苹果姿态对苹果水心病在线检测的影响研究 |
6.1 引言 |
6.2 材料与方法 |
6.2.1 苹果样本 |
6.2.2 光谱检测设备简介 |
6.2.3 苹果尺寸、SSC和 WSI测量 |
6.3 结果与讨论 |
6.3.1 样本特征分析 |
6.3.2 不同姿态下苹果光谱特征分析 |
6.3.3 不同姿态下SSC和WSI预测模型研究 |
6.3.4 水心病判别分析 |
6.4 本章小结 |
第七章 基于自适应光源系统的不同大小苹果光谱修正方法研究 |
7.1 引言 |
7.2 材料与方法 |
7.2.1 苹果样本 |
7.2.2 光谱检测设备简介 |
7.2.3 苹果大小、SSC和WSI测量 |
7.2.4 大小修正方法研究 |
7.3 结果与讨论 |
7.3.1 样本特征分析 |
7.3.2 不同大小苹果光谱特征分析 |
7.3.3 基于大小修正的SSC预测模型研究 |
7.3.4 水心判别分析 |
7.4 本章小结 |
第八章 结论、创新点与展望 |
8.1 主要研究结论 |
8.2 主要创新点 |
8.3 后期研究展望 |
参考文献 |
作者简历 |
(2)基于机器学习的阿克苏红富士品种鉴别方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 高光谱成像技术 |
1.3 机器学习 |
1.4 基于机器学习算法与高光谱技术结合的作物分类研究现状 |
1.5 模型融合及研究现状 |
1.6 研究方法及技术路线 |
1.6.1 研究方法 |
1.6.2 技术路线 |
第二章 实验设备及方法介绍 |
2.1 实验设备 |
2.1.1 高光谱成像系统结构 |
2.1.2 采集理化值实验器械 |
2.2 提取光谱数据 |
2.2.1 光谱图像校正 |
2.2.2 选择感兴趣区域 |
2.3 光谱数据预处理方法 |
2.3.1 一阶导数 |
2.3.2 标准正态变换 |
2.3.3 多元散射校正 |
2.3.4 归一化 |
2.4 数据降维方法 |
2.4.1 主成分分析法 |
2.4.2 基于核函数的主成分分析 |
2.4.3 线性判别分析 |
2.4.4 局部线性嵌入 |
2.4.5 因子分析 |
2.4.6 多维尺度分析 |
2.5 机器学习分类方法介绍 |
2.5.1 k最近邻节点算法 |
2.5.2 支持向量机 |
2.5.3 朴素贝叶斯算法 |
2.5.4 二次判别分析 |
2.5.5 多层感知机 |
2.5.6 决策树 |
2.5.7 集成算法Bagging |
2.5.8 集成算法随机森林 |
2.5.9 集成算法GBDT |
2.6 模型融合 |
2.7 模型精确度评判标准 |
2.8 本章小结 |
第三章 苹果数据采集及实验步骤 |
3.1 实验样本 |
3.2 采集和处理苹果样本光谱数据 |
3.2.1 调节参数 |
3.2.2 系统检查 |
3.2.3 采集高光谱数据 |
3.2.4 黑白校正 |
3.2.5 选取ROI |
3.2.6 光谱数据预处理 |
3.3 采集苹果理化含量数据 |
3.4 构造分类模型 |
3.4.1 划分训练集与测试集 |
3.4.2 构造分类器 |
3.4.3 交叉验证 |
3.4.4 模型融合 |
第四章 数据建模结果 |
4.1 数据预处理 |
4.1.1 高光谱数据预处理 |
4.1.2 高光谱数据归一化处理 |
4.2 不同降维方法划分苹果品种类别 |
4.3 高光谱数据与机器学习算法结合实现苹果品种分类 |
4.4 苹果理化性质数据与机器学习算法结合实现苹果品种分类 |
4.5 模型融合实现苹果品种分类 |
4.5.1 模型融合原理 |
4.5.2 模型融合结果分析 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 研究结论与成果 |
5.2 展望 |
参考文献 |
致谢 |
作者简介 |
(3)不套袋栽培对红富士苹果果实品质的影响(论文提纲范文)
1 材料与方法 |
1.1 试验材料 |
1.2 试验方法 |
1.3 项目测定 |
1.3.1 果实生长发育指标和果皮色泽参数的测定 |
1.3.2 果实内在品质的测定 |
1.3.3 果实裂纹指数的调查 |
1.3.4 果实表皮蜡质总量的测定 |
1.4 数据分析 |
2 结果与分析 |
2.1 苹果果实单果质量的变化 |
2.2 苹果果实可滴定酸含量的变化 |
2.3 苹果果实可溶性糖含量的变化 |
2.4 苹果果实有机酸含量的变化 |
2.4.1 苹果酸含量的变化 |
2.4.2 柠檬酸含量的变化 |
2.4.3 琥珀酸含量的变化 |
2.4.4 富马酸含量的变化 |
2.5 成熟期果实品质比较 |
2.6 果实表皮蜡质总量的变化 |
3 讨论与结论 |
(4)水肥一体化水氮用量对苹果园氮素利用的影响及其供应决策(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 研究目的及意义 |
1.3 国内外研究现状 |
1.3.1 水氮相互作用 |
1.3.2 水氮供应对苹果生产的影响 |
1.3.3 苹果园土壤硝态氮残留研究进展 |
1.3.4 高光谱氮素诊断 |
1.3.5 氮肥供应决策研究进展 |
1.4 有待进一步研究的问题 |
1.5 研究内容 |
1.6 技术路线 |
第二章 研究方案与方法 |
2.1 试验果园概况 |
2.2 试验设计 |
2.3 测定指标与方法 |
2.4 数据处理及统计分析 |
2.4.1 指标计算方法 |
2.4.2 综合评价方法 |
2.4.3 光谱数据分析方法 |
2.4.4 数据统计分析 |
第三章 水氮用量对苹果树叶片氮素状况及冠层生长的影响 |
3.1 水氮用量对苹果树叶片氮含量的影响 |
3.2 水氮用量对苹果树生长状况的影响 |
3.2.1 苹果树春梢生长 |
3.2.2 苹果树叶面积指数 |
3.3 讨论 |
3.4 小结 |
第四章 水氮用量对苹果产量品质及水氮利用的影响 |
4.1 水氮用量对苹果产量及其构成要素的影响 |
4.2 水氮用量对苹果品质的影响 |
4.2.1 外观品质 |
4.2.2 内在品质 |
4.2.3 苹果内在品质指标之间的相关性 |
4.3 水氮用量对苹果园水氮利用的影响 |
4.3.1 水分利用效率 |
4.3.2 氮肥农学利用率 |
4.4 讨论 |
4.5 小结 |
第五章 水氮用量对苹果园土壤硝态氮分布及残留的影响 |
5.1 水氮用量对土壤硝态氮分布的影响 |
5.1.1 土壤硝态氮的空间分布特征 |
5.1.2 土壤硝态氮的时间分布特征 |
5.2 水氮用量对土壤硝态氮残留的影响 |
5.3 讨论 |
5.4 小结 |
第六章 基于组合评价的苹果园水氮用量优选 |
6.1 基于单一评价模型的综合评价 |
6.1.1 主成分分析法 |
6.1.2 TOPSIS法 |
6.1.3 灰色关联法 |
6.1.4 隶属函数分析法 |
6.2 基于模糊Borda方法的组合评价 |
6.3 讨论 |
6.4 小结 |
第七章 基于高光谱遥感的苹果树冠层叶片氮含量估测初探 |
7.1 冠层叶片氮含量与冠层反射光谱相关性分析 |
7.2 基于高光谱反射率估测苹果树叶片氮含量的多元校正方法比较 |
7.2.1 蒙特卡洛方法剔除异常值 |
7.2.2 光谱数据预处理 |
7.2.3 特征变量筛选 |
7.2.4 基于特征变量的模型建立与评价 |
7.3 基于高光谱反射率和偏最小二乘辅助极限学习机的苹果树叶片氮含量估测 |
7.3.1 蒙特卡洛二次检测法剔除异常值 |
7.3.2 样本集划分 |
7.3.3 光谱数据预处理 |
7.3.4 变量提取 |
7.3.5 模型建立及评价 |
7.4 讨论 |
7.4.1 光谱数据预处理 |
7.4.2 变量筛选 |
7.4.3 模型建立与选择 |
7.5 小结 |
第八章 基于叠加集成模型的苹果树叶片氮素诊断与供应决策 |
8.1 样本集划分 |
8.2 叠加集成模型建立与评价 |
8.2.1 叠加集成模型 |
8.2.2 极限学习机及其优化 |
8.2.3 子模型的融合 |
8.2.4 叠加集成模型关键参数选择 |
8.2.5 叠加集成模型预测结果 |
8.3 苹果树叶片氮素诊断关键时期 |
8.4 苹果树水氮供应模型的建立 |
8.4.1 模型结构 |
8.4.2 模型验证 |
8.5 讨论 |
8.5.1 基于叠加集成模型估测苹果树冠层叶片氮含量 |
8.5.2 苹果树水氮供应决策 |
8.6 小结 |
第九章 结论与建议 |
9.1 主要结论 |
9.2 创新点 |
9.3 不足与建议 |
参考文献 |
致谢 |
作者简介 |
(5)六个品种苹果采后品质变化表征因子及低温货架期预测模型研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 文献综述 |
1.1 苹果品质评价研究进展 |
1.1.1 苹果品质指标 |
1.1.2 果蔬关键品质表征因子选择方法研究进展 |
1.1.3 出库时间对苹果货架期品质变化的影响 |
1.2 苹果贮藏/货架期研究进展 |
1.2.1 研究货架期的重要性及货架期终点的确定方法 |
1.2.2 采后苹果货架期预测的品质指标(变量)体系 |
1.2.3 关键品质指标提取研究进展 |
1.2.4 货架期预测模型研究进展 |
1.3 立题依据和研究内容 |
1.3.1 立题依据 |
1.3.2 研究内容 |
第二章 六个品种苹果低温货架期间品质变化的差异性及其品质表征因子筛选 |
2.1 材料与方法 |
2.1.1 材料 |
2.1.2 试剂 |
2.1.3 果实处理 |
2.1.4 取样方法和设计思路 |
2.1.5 苹果货架寿命终点的确定 |
2.1.6 测定指标和方法 |
2.1.7 数据分析 |
2.2 结果与分析 |
2.2.1 六种品种苹果低温货架期终点的差异性 |
2.2.2 低温货架期间6 种品种苹果理化指标变化 |
2.2.3 低温货架期间6 种品种苹果颜色指标变化 |
2.3 0℃货架期间6 个品种苹果理化品质变化表征因子的筛选 |
2.3.1 六个品种苹果与0℃货架期呈现显着相关的品质因子差异性韦恩分析 |
2.3.2 六个品种苹果0℃货架期间品质变化主成分因子的选择 |
2.3.3 六个品种苹果0℃货架期间理化品质变量的聚类分析 |
2.4 讨论 |
2.4.1 低温贮藏6 种品种苹果最大货架期的差异性 |
2.4.2 各理化品质与货架期相关差异性及其对品种响应的规律性分析 |
2.4.3 不同品种苹果理化品质变量终值的差异性和一致性 |
2.4.4 六个品种苹果理化品质变化表征因子的选择方法与合理性分析 |
2.5 小结 |
第三章 出库时间对苹果货架品质变化的影响及品质表征因子选取——以“乔纳金”和“富士”为例 |
3.1 材料与处理 |
3.1.1 材料 |
3.1.2 试剂 |
3.1.3 果实处理 |
3.1.4 取样方法和设计思路 |
3.1.5 测定指标和方法 |
3.2 结果与分析 |
3.2.1 0 d出库的“乔纳金”苹果的叶绿素荧光参数 |
3.2.2 不同出库时间的“乔纳金”和“富士”苹果理化品质变化 |
3.2.3 不同出库时间的“乔纳金”和“富士”苹果颜色指标变化 |
3.3 不同出库时间的“乔纳金”和“富士”苹果品质变化表征因子选择 |
3.3.1 不同出库时间苹果与0℃货架期呈现显着相关的品质因子差异性韦恩分析 |
3.3.2 不同出库时间的“乔纳金”和“富士”苹果货架期间品质变化主成分因子的选择 |
3.3.3 不同出库时间的“乔纳金”和“富士”苹果货架期间品质指标的聚类分析 |
3.4 讨论 |
3.4.1 不同出库时间对“乔纳金”和“富士”苹果货架期及品质指标的影响分析 |
3.4.2 不同出库时间的“乔纳金”苹果品质表征因子分析 |
3.4.3 不同出库时间的“富士”苹果品质表征因子分析 |
3.5 小结 |
第四章 低温下6 个品种苹果货架期预测模型构建 |
4.1 数据分析方法 |
4.1.1 数据来源 |
4.1.2 货架期预测模型构建 |
4.1.3 软件设计 |
4.2 结果与分析 |
4.2.1 六个品种苹果理化品质变量的初值和终值 |
4.2.2 三种不同特征选择方法所得到的品质指标排序结果 |
4.2.3 不同方法构建低温货架期预测模型的准确性比较 |
4.2.4 六个品种苹果低温货架期预测软件的构建 |
4.3 讨论 |
4.4 小结 |
第五章 结论与创新点 |
5.1 结论 |
5.2 创新点 |
参考文献 |
致谢 |
个人简历 |
(6)苹果糖度可见/近红外漫透射光谱在线检测通用模型研究(论文提纲范文)
摘要 |
abstract |
主要符号说明 |
第一章 绪论 |
1.1 研究背景与意义 |
1.1.1 我国水果产业发展现状 |
1.1.2 水果内部品质无损检测的重要意义 |
1.2 可见/近红外光谱检测技术及通用模型的研究现状 |
1.2.1 近红外光的简介 |
1.2.2 Vis/NIR检测技术用于水果内部品质检测的研究现状 |
1.2.3 水果内部品质检测通用模型的研究现状 |
1.3 研究目标与内容 |
1.3.1 主要研究内容 |
1.3.2 技术路线 |
1.4 本章小结 |
第二章 实验设备、材料与方法 |
2.1 水果内部品质智能化在线检测装备 |
2.1.1 QE65Pro型光谱仪 |
2.1.2 输送系统 |
2.1.3 光照系统 |
2.1.4 光谱触发采集系统 |
2.2 光谱采集及数据分析软件 |
2.2.1 光谱采集软件 |
2.2.2 数据分析软件 |
2.2.3 水果内部品质分选软件 |
2.3 理化测量仪器 |
2.4 实验材料 |
2.5 可见/近红外光谱检测的基本原理与建模方法 |
2.5.1 Vis/NIR检测的基本原理与流程 |
2.5.2 光谱预处理方法 |
2.5.3 偏最小二乘回归建模 |
2.5.4 模型评价指标 |
2.6 本章小结 |
第三章 产地对苹果糖度在线检测模型的影响研究 |
3.1 引言 |
3.2 理化测定结果与样本集划分 |
3.3 样本光谱的特性分析 |
3.4 局部产地模型的建立与更新 |
3.4.1 局部产地模型的建立 |
3.4.2 局部产地模型的更新 |
3.5 全局产地模型的建立与优化 |
3.5.1 全局产地模型的建立 |
3.5.2 全局产地模型的优化 |
3.5.3 模型评价及外部验证结果 |
3.6 本章小结 |
第四章 品种对苹果糖度在线检测模型的影响研究 |
4.1 引言 |
4.2 理化测定结果与样本集划分 |
4.3 样本光谱的特性分析 |
4.3.1 样本光谱 |
4.3.2 光谱的差异性分析及预处理 |
4.4 局部品种模型的建立与更新 |
4.4.1 局部品种模型的建立 |
4.4.2 局部品种模型的更新 |
4.5 全局品种模型的建立与优化 |
4.5.1 全局品种模型的建立 |
4.5.2 全局品种模型的优化 |
4.5.3 模型评价及外部验证结果 |
4.6 本章小结 |
第五章 不同年份苹果糖度在线检测模型的维护研究 |
5.1 引言 |
5.2 实验数据采集与样本光谱 |
5.3 基础校正模型的建立 |
5.4 基于模型更新的模型维护 |
5.5 基于斜率/截距算法的模型维护 |
5.5.1 斜率/截距算法的基本原理 |
5.5.2 标准样本数量的选取 |
5.5.3 模型维护结果及评价 |
5.6 本章小结 |
第六章 总结与展望 |
6.1 主要研究结论 |
6.2 进一步研究展望 |
参考文献 |
个人简历 在读期间发表的学术论文 |
致谢 |
(7)红富士苹果的外部品质检测方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 论文研究背景 |
1.2 论文研究目的与意义 |
1.3 国内外研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 论文研究内容 |
1.5 论文组织结构 |
第二章 图像预处理 |
2.1 颜色空间模型 |
2.1.1 RGB颜色模型 |
2.1.2 HSI颜色模型 |
2.1.3 颜色模型的转化 |
2.2 图像背景分割 |
2.3 图像滤波去噪 |
2.3.1 均值滤波 |
2.3.2 高斯滤波 |
2.3.3 中值滤波 |
2.3.4 滤波结果分析 |
2.4 本章小结 |
第三章 外部品质特征提取 |
3.1 颜色特征提取 |
3.2 果形特征提取 |
3.2.1 边缘检测 |
3.2.2 边缘检测效果分析 |
3.2.3 最小外接矩形 |
3.3 果径特征提取 |
3.4 缺陷特征提取 |
3.5 本章小结 |
第四章 遗传算法优化的BP神经网络分级研究 |
4.1 样本数据库 |
4.2 BP神经网络 |
4.2.1 BP神经网络原理 |
4.2.2 BP神经网络参数设计 |
4.3 遗传算法优化BP神经网络的实现 |
4.3.1 遗传算法简介 |
4.3.2 优化实现过程 |
4.4 分级结果分析 |
4.5 本章小结 |
第五章 粒子群算法优化的支持向量机分级研究 |
5.1 支持向量机 |
5.1.1 支持向量机原理 |
5.1.2 核函数 |
5.1.3 支持向量机参数优化方法 |
5.1.4 支持向量机多分类方法 |
5.2 粒子群优化支持向量机的实现 |
5.2.1 粒子群算法原理 |
5.2.2 优化实现过程 |
5.3 分级结果分析 |
5.4 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
致谢 |
附录 |
(8)丁氟螨酯对苹果品质的影响及机制研究(论文提纲范文)
摘要 |
abstract |
主要符号对照表 |
第一章 绪论 |
1.1 苹果的概述 |
1.1.1 苹果 |
1.1.2 苹果品质 |
1.2 丁氟螨酯的研究进展 |
1.2.1 丁氟螨酯的理化指标 |
1.2.2 丁氟螨酯的研究现状 |
1.3 农药对农产品品质影响的研究 |
1.3.1 农药对农产品风味影响的研究进展 |
1.3.2 农药对农产品营养影响的研究进展 |
1.4 农产品品质评价技术 |
1.4.1 风味评价检测技术 |
1.4.2 营养理化指标检测方法 |
1.5 本研究的目的意义及主要研究内容 |
1.5.1 目的意义 |
1.5.2 主要研究内容 |
1.5.3 技术路线图 |
第二章 丁氟螨酯对苹果挥发性风味物质的影响 |
2.1 前言 |
2.2 田间试验 |
2.3 试验方法 |
2.3.1 丁氟螨酯原始沉积量的测定 |
2.3.2 快速气相电子鼻分析 |
2.3.3 气相离子迁移谱分析 |
2.3.4 顶空微萃取-气相色谱串联质谱分析 |
2.4 结果与讨论 |
2.4.1 苹果中丁氟螨酯的原始沉积量 |
2.4.2 基于快速气相电子鼻技术进行丁氟螨酯对苹果风味影响的感官评价 |
2.4.3 基于GC-IMS技术研究丁氟螨酯对苹果风味物质的影响 |
2.4.4 基于SPME-GC-MS技术研究丁氟螨酯对苹果风味物质的影响 |
2.5 本章小结 |
第三章 丁氟螨酯对苹果营养物质的影响 |
3.1 前言 |
3.2 田间试验 |
3.3 试验方法 |
3.3.1 糖类的测定 |
3.3.2 酸类的测定 |
3.3.3 氨基酸的测定 |
3.3.4 矿物质的测定 |
3.3.5 维生素的测定 |
3.3.6 总酚的测定 |
3.3.7 总蛋白的测定 |
3.4 结果与讨论 |
3.4.1 丁氟螨酯对苹果糖类的影响 |
3.4.2 丁氟螨酯对苹果酸类的影响 |
3.4.3 丁氟螨酯对苹果氨基酸的影响 |
3.4.4 丁氟螨酯对苹果矿物质的影响 |
3.4.5 丁氟螨酯对苹果维生素的影响 |
3.4.6 丁氟螨酯对苹果总酚的影响 |
3.4.7 丁氟螨酯对苹果总蛋白的影响 |
3.5 本章小结 |
第四章 丁氟螨酯对苹果品质影响机制的研究 |
4.1 前言 |
4.2 非靶向代谢组学的试验方法 |
4.2.1 试验材料 |
4.2.2 仪器参数 |
4.2.3 样品提取流程 |
4.3 结果与讨论 |
4.3.1 代谢物定性定量分析 |
4.3.2 样本质控分析 |
4.3.3 正交偏最小二乘判别分析(OPLS-DA) |
4.3.4 差异代谢物的筛选 |
4.3.5 差异代谢物KEGG富集分析 |
4.4 本章小结 |
第五章 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
作者简历 |
(9)红富士苹果的可溶性固形物含量检测方法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 水果内部品质检测技术研究现状 |
1.2.2 近红外光谱技术研究现状 |
1.2.3 证据理论方法研究现状 |
1.3 本文主要研究内容 |
第二章 苹果近红外光谱采集及预处理技术 |
2.1 苹果近红外光谱采集 |
2.1.1 实验材料 |
2.1.2 仪器设备 |
2.1.3 苹果近红外光谱的定量分析 |
2.1.4 苹果近红外光谱的采集流程 |
2.2 苹果近红外光谱预处理技术 |
2.2.1 异常样本剔除 |
2.2.2 光谱去噪 |
2.2.3 基线校正 |
2.3 本章小结 |
第三章 苹果近红外光谱特征波长筛选 |
3.1 基于SPA的近红外光谱特征波长筛选 |
3.1.1 SPA算法简介 |
3.1.2 SPA算法流程 |
3.1.3 基于SPA的近红外光谱特征波长筛选实现 |
3.2 基于GA的近红外光谱特征波长筛选 |
3.2.1 GA算法简介 |
3.2.2 GA算法基本要素 |
3.2.3 GA算法特点 |
3.3 基于GA的近红外光谱特征波长筛选实现 |
3.4 本章小结 |
第四章 苹果可溶性固形物含量检测 |
4.1 基于ELM的苹果可溶性固形物含量检测 |
4.1.1 极限学习机原理 |
4.1.2 极限学习机方法特点 |
4.1.3 极限学习机特征优势 |
4.1.4 基于ELM的苹果可溶性固形物含量检测实现 |
4.2 基于偏最小二乘回归(PLS)的苹果可溶性固形物含量检测 |
4.2.1 PLS的提出和发展 |
4.2.2 PLS简介 |
4.2.3 PLS基本算法及原理 |
4.2.4 基于PLS的苹果可溶性固形物含量检测实现 |
4.3 本章小结 |
第五章 基于DS证据理论苹果等级分类融合 |
5.1 DS证据理论及其优势 |
5.2 DS证据理论的基本概念 |
5.2.1 DS证据理论的识别框架 |
5.2.2 基本概率赋值 |
5.2.3 信任函数 |
5.2.4 似然函数 |
5.2.5 证据折扣 |
5.3 DS证据理论的组合规则 |
5.4 基于DS证据理论的苹果等级分类的实现 |
5.4.1 实验方法设计 |
5.4.2 实验结果分析 |
5.5 本章小结 |
第六章 结论与展望 |
6.1 论文总结 |
6.2 研究展望 |
参考文献 |
致谢 |
附录A |
附录B |
(10)冷破碎苹果浆发酵酒的工艺、品质及澄清技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 苹果与冷破碎技术概述 |
1.1.1 苹果简介 |
1.1.2 红富士苹果与澳洲青苹 |
1.1.3 冷破碎技术 |
1.2 苹果酒概况 |
1.2.1 世界苹果酒的发展概况 |
1.2.2 中国苹果酒现状 |
1.3 苹果酒酿造工艺与果酒分类 |
1.3.1 苹果酒酿造工艺 |
1.3.2 苹果酒分类 |
1.4 香气成分的研究 |
1.4.1 水果香气成分研究进展 |
1.4.2 香气物质研究方法 |
1.5 本课题立题背景及意义、研究内容 |
1.5.1 本课题立题背景及意义 |
1.5.2 本课题研究内容 |
1.5.3 课题总体技术路线 |
第2章 红富士苹果浆发酵酒工艺研究 |
2.1 前言 |
2.2 材料与试剂 |
2.3 仪器与设备 |
2.4 试验方法 |
2.4.1 苹果酒的制备流程 |
2.4.2 酵母筛选实验 |
2.4.3 苹果酒发酵条件优化 |
2.4.4 与红富士苹果汁发酵酒的对比试验 |
2.4.5 果酒品质检测方法 |
2.5 数据统计分析方法 |
2.6 结果与讨论 |
2.6.1 酵母筛选结果分析 |
2.6.2 果酒发酵条件试验结果 |
2.6.3 与红富士苹果汁发酵酒对比试验结果 |
2.7 本章小结 |
第3章 澳洲青苹红富士混合果浆发酵酒品质研究 |
3.1 前言 |
3.2 材料与试剂 |
3.3 仪器与设备 |
3.4 试验方法 |
3.4.1 调酸发酵果浆的配制 |
3.4.2 主要理化指标的测定方法 |
3.4.3 主要营养指标的测定方法 |
3.4.5 抗氧化活性的测定方法 |
3.4.6 香气成分测定方法 |
3.5 数据统计分析方法 |
3.6 结果与讨论 |
3.6.1 不同比例调酸发酵酒品质指标对比结果 |
3.6.2 不同比例调酸发酵酒的香气成分对比结果 |
3.7 本章小结 |
第4章 苹果浆发酵酒澄清工艺研究与产品质量分析 |
4.1 前言 |
4.2 材料与试剂 |
4.3 仪器与设备 |
4.4 试验方法 |
4.4.1 苹果浆发酵酒的酿造 |
4.4.2 澄清剂配制 |
4.4.3 最佳澄清工艺参数的确定 |
4.4.4 果酒品质测定方法 |
4.5 数据处理 |
4.6 结果与分析 |
4.6.1 澄清剂的选择试验结果 |
4.6.2 澄清工艺优化 |
4.6.3 澄清前后果酒营养成分对比试验结果 |
4.6.4 果酒产品质量分析试验结果 |
4.7 本章小结 |
第5章 结论与展望 |
5.1 研究结论 |
5.1.1 红富士冷破碎苹果浆发酵酒工艺研究 |
5.1.2 澳洲青苹与红富士苹果混合浆发酵酒品质研究 |
5.1.3 苹果浆发酵酒澄清工艺研究与产品质量 |
5.2 展望 |
参考文献 |
致谢 |
攻读学位期间的成果 |
四、提高红富士品质的几个关键技术(论文参考文献)
- [1]水心病苹果水心程度与可溶性固形物含量在线无损检测方法与分级装备研究[D]. 常汉. 浙江大学, 2021(01)
- [2]基于机器学习的阿克苏红富士品种鉴别方法研究[D]. 李疆. 塔里木大学, 2021
- [3]不套袋栽培对红富士苹果果实品质的影响[J]. 杨文悦,高美娜,尹宝颖,梁博文,李中勇,徐继忠. 北方园艺, 2021(10)
- [4]水肥一体化水氮用量对苹果园氮素利用的影响及其供应决策[D]. 陈绍民. 西北农林科技大学, 2021(01)
- [5]六个品种苹果采后品质变化表征因子及低温货架期预测模型研究[D]. 曹梦柯. 西北农林科技大学, 2021
- [6]苹果糖度可见/近红外漫透射光谱在线检测通用模型研究[D]. 徐海. 华东交通大学, 2020(01)
- [7]红富士苹果的外部品质检测方法研究[D]. 聂茂勇. 济南大学, 2020(01)
- [8]丁氟螨酯对苹果品质的影响及机制研究[D]. 全蕊. 中国农业科学院, 2020(01)
- [9]红富士苹果的可溶性固形物含量检测方法研究[D]. 闫兴伟. 济南大学, 2020(01)
- [10]冷破碎苹果浆发酵酒的工艺、品质及澄清技术研究[D]. 刘旻昊. 陕西师范大学, 2020