内部品质范文

内部品质范文（精选3篇）

内部品质 第1篇

关键词：近红外光谱,内部品质,在线检测,软件系统,Visual C++

引言

大多数近红外光谱[1,2,3,4,5]仪所带的光谱分析软件功能千差万别,并且这些软件大多只适合静态实验室离线分析使用,没有成熟的在线检测分析控制软件。本文设计的“近红外光谱柑橘内部品质在线检测软件系统[6]基于所设计的检测试验台和在线检测的要求,力图实现在线检测的要求,实现在线检测光谱采集[7]、实时光谱预处理[8]、模型算法[9]选择多样性、内部品质指标预测准确性、软件系统易维护性和用户使用操作方便性等特点,为近红外光谱柑橘内部品质检测提供快速、准确的品质检测手段。

采用面向对象Visual C++[10,11,12]编程技术,向量、矩阵运算的封装技术,结构化存储与复合文档技术等,设计并开发了近红外光谱柑橘内部品质在线检测软件系统。该系统由实时光谱文件管理、实时光谱显示、实时光谱信号处理(预处理)、实时光谱校正模型的选择与管理、未知样品糖酸度预测及等级评价五大功能模块构成。实现多种光谱仪器光谱格式兼容性和光谱分析功能多样性,具有建模算法选择较多、内部品质指标预测较准、软件系统易维护容易、用户使用操作方便等特点,为柑橘内部品质在线检测提供了很好的技术支持。

1 系统目标

基于所设计的试验台建立适合于近红外光谱内部品质在线检测软件系统、实现在线检测光谱采集、实时光谱预处理、模型算法选择多样性、内部品质指标预测准确性、软件系统易维护性和用户使用操作方便性等特点,为近红外光谱柑橘内部品质检测提供快速、准确的品质检测手段。

2 系统功能

根据上述系统目标,近红外光谱柑橘内部品质在线检测软件系统的功能结构包括光谱文件管理、实时信息单元、实时控制单元、数据处理单元、评价决策单元和数据库单元等。如图1所示。

2.1 实时光谱文件管理

该模块主要实现光谱数据、试验台硬件参数数据和检测与评价结果数据的存储和格式转换。为了实现数据共享,系统对多家光谱仪的光谱格式兼容,方便光谱数据的储存和相互转换。

2.2 实时显示

实时显示主要包括光谱数据、在线检测参数和检测评价结果的实时显示。光谱数据既可以通过表格化以数字形式显示,方便查询被测样品某一波长点下的吸光度数值,又可以通过以图形化谱的图形式显示,直观地反映了谱图的变化情况;既可以显示单个样品的谱图,又可以显示多个样品的谱图,便于检查出谱图异常的样品及观察光谱曲线中噪声严重的谱区。在线参数的显示主要反映实时检测速度和光照强度,便于检测中根据样品谱图的情况通过软件调整修改参数,检测评价的结果也要相应地显示出来。

2.3 光谱信号的实时处理

光谱信号处理也称为光谱预处理,是提高校正模型的适应性和稳定性的必要措施,也是提高未测样品糖酸度预测精度的有力保证。软件可以对原始光谱信号进行实时的预处理,其中包括对光谱信号的坐标变换(横轴的波长、波数等单位变换,纵轴的吸光度、透过率、反射率等单位变换)、光谱信号的代数运算(加、减、乘、除常数,如中心化与标准化处理)、光谱信号的平滑、光谱信号的微分(一阶和二阶微分)和高频噪声滤除(平滑去卷积和傅立叶变换)。

2.4 实时光谱预测模型的选择和管理

近红外光谱柑橘糖酸度在线实时检测的一般流程通常分为两部分:模型选择与基于该模型成分预测和预测模型库的维护。在检测开始之前,首先要选取适宜的预测模型来对被测柑橘的成分进行预测。因此,我们筛选出多元线性回归模型MLR[13],主成分回归PCR[14]和偏最小二乘法PLS[15]等多种软件系统,贮存于软件模型库,用户可以针对不同的水果样品和不同的预测成分,根据预备的实验结果选择适宜的模型进行运算预测。另外,模型库内模型的维护和内部模型的不断改进是决定软件对柑橘种类和内部成分种类适应能力的基础。

2.5 未知柑橘样品内部品质的实时预测

未知柑橘样品内部品质在线预测的流程图如图2所示,其包括的主要环节有:软件参数选择、硬件参数选择、实时光谱采集和预处理以及糖酸度预测和显示。

3 系统实现

Visual C++是美国微软(Microsoft)公司推出的Win32可视化C++开发环境,它是面向对象的可视化集成编程系统。它不但具有应用程序框架自动生成、类管理灵活方便、可开发多种程序(如:应用软件、Active X控件及动态连接库等)、代码编写和界面设计集成交互操作等优点,而且通过简单的设置就可使其生成的应用程序框架支持数据库接口和3D控件界面等。目前,它已经成为开发Win32应用程序的主要开发工具。它具有一个功能庞大的MFC类库,该类库封装了许多常用的Windows API函数,是Visual C++程序设计的核心,绝大多数基于Visual C++的应用程序都是在该类库基础上构造的。本检测软件系统就是基于Visual C++6.0开发环境开发完成的。

3.1 C++类的设计

每一个功能模块均建立独立的C++类,并封装为动态链接库(DLL),方便维护与升级。软件系统构成图如图3所示。

3.2 软件界面及功能

在功能上,该近红外动态检测软件实现了与微型光纤光谱仪的通讯、多种图形显示模式、光谱的采集以及以一定的间隔时间(如100ms)自动采集光谱和针对像素点或对应波长下的透射率查询等功能。最终实现的系统主界面图如图4所示,①为当前选择信息窗口、②为波形显示窗口、③为参数调整窗口、④为结果显示窗口、⑤为查询窗口、⑥为主要功能按钮、⑦为硬件控制窗口。

4 结果分析

4.1 实验材料

本次实验选用了产自湖南的芷江舞水牌柑橘,共100个,直接购于太原市水果超市。实验之前,对柑橘进行筛选,保证无表面损伤、无病虫害,然后将筛选后的100个果实表皮清洗干净,并依序进行编号和标记(在每个样品的赤道圈上的正交位置上做好标记)。

4.2 模型建立

该近红外动态检测软件采用事先建立模型,然后编入软件,从而为后期动态检测做好准备;我们随机选取其中60个柑橘,对其进行动态采集近红外光谱数据,然后对其进行实际糖度值的测量,建立柑橘糖度预测模型。图5所示为使用光纤光谱仪静态采集所得的光谱,图6为动态采集所得的光谱。建模方法选用Stepwise multiple linear regression(SMLR),静态的SMLR建模结果如图7所示,动态的SMLR建模结果如图8所示。

4.3 实验结果分析

通过图7和图8的相关性分析可以看出,不管是静态检测还是动态检测,所得的逐步线性回归方程的验证实验的结果都很好,可以快速、方便地检测水果糖酸度含量,说明该软件提高了分析效率,对水果内部品质无损检测技术的应用推广具有重要意义。

5 结论

内部品质 第2篇

解决IAQ恶化的措施

1、控制室内污染源

此处的室内污染源是指室内人员、建筑装饰材料及家具。要控制室内人员和家具显然是不可能的，我们能做到的是选用无污染、低污染的建筑和装修材料、家具，以便降低TVOC的散发量。

2、加强室内空气的净化处理措施

目前，医院的通风空调系统对空气的净化处理大多采用粗效和中效两级过滤的措施，粗中过滤器只能过滤尘埃及附着在其上的微生物，对空气中的有害气体和细菌却无能为力，而有害气体和细菌在室内空气中的的含量较高，正是导致IAQ恶化的重要因素。因此，应加强研制和开发能够处理有害气体和细菌的洁净设备。

近年来静电除尘技术发展迅速，产生了多种形式的静电空气净化设备，从传统的静电除尘设备,发展成为空气净化设备，称为静电过滤器。它有如下3个特点：

(1)滤尘小：可滤去0﹒1～0﹒01μm微粒尘埃;

(2)杀灭细菌：在高压电场作用下，细菌胞囊被分解;

(3)阻力小，能耗低：静电过滤器同普通过滤器联合使用，在提高医院空气品质工作中有广阔景。我公司设计施工的ICU、CCU、和儿科病房空调系统中，曾在中效过滤器后加上静电过滤器，杀灭细菌，有效地防止净化空调机组的二次污染，效果明显。

3、适当增加新风量，提高入室新风质量

影响IAQ的主要因素并非人员产生的CO2和 人体所产生的污染物，室内建筑和装饰材料、办公设备、通风空调设备对室内空气污染的程度数倍甚至数十倍于室内人员的污染。因此医院内的新风量标准必将提 高，新风量的提高也有利于氡的稀释与排出。入口处的新风质量同样不可忽视，我国大气中的尘埃浓度要比发达国家高得多，因此，选择和确定新风入口时要注意其 周围的小环境和微气候质量，尽可能避开污染重的位置，保证入室的新风质量。清晨(4-6点)室外空气比较洁净，温度较低时，应采取对工程内部实行全新风的通风措施，将室内进行全面、彻底地通风换气，不但能够改善室内空气的卫生状况，还能充分利用室外气温低的自然优势来降低室内温度。

4、改进气流组织，提高通风换气的效率

气流组织的设计至关重要，气流组织设计合理，其基本原则就最大限度减少涡流，使射入室内的气流经过最短的流程，不仅可以将新鲜空气按质按量地送到人员活动区(严格地讲应送到人员的呼吸地带)，还可及时将污染物排出。

5、定期维护和清洗风管及其它构件

空 调系统风管内积聚灰尘不但会严重污染室内空气，而且会增加风管的阻力，使空调系统的风量下降。此外风管内空气的温度和湿度非常适宜某些细菌的生长和繁殖，因此空调风管系统本身就可能是一个污染源。实践证明风管清洗不但可以提高室内空气品质，而且可以确保空调系统的高效运行。对通风空调系统的其它构件均应定 期维护保养和清洗消毒(过滤器则应定期更换);对于有凝结水产生的换热器等设备,应在系统停止工作时,保持通风直至凝结水干燥,以免滋生微生物;暖通空调工程师在工程设计时，就应考虑到为今后设备的维护和清洗消毒提供便利的条件和措施。对于空调系统的清洗和消毒，目前来看，并不是困难的事情，所以，建议我国应尽快制定有关通风空调系统清洗消毒的法规，以便有法可依，尽可能地降低通风空调系统本身对IAQ的污染。

内部品质 第3篇

中国是世界上茶科植物分布最广的国家,也是世界上最大的茶籽油生产基地。茶籽油色清味香,是我国传统食用植物油,在国内高端食用油市场上仅次于橄榄油,联合国粮农组织将其列为首推的食用油料作物加以推广[1]。为更好地选育优良品种,提高茶籽油的市场竞争力,迫切需要一种快速、准确、高效分析油茶籽品质的方法。在国外,用近红外进行品质分析研究较早,如O. Galtie等人[2]利用近红外光谱建立了法国轻榨优质橄榄油不同产地的定性模型及其各种脂肪酸的定量 模型。Alessandra Felix Costa Pereira等人[3]建立了70种不同植物油的酸值、折射率的近红外光谱定量模型。国内关于近红外定量分析的研究也比较多,如王伟等[4]研究了冬小麦叶绿素含量高光谱模型,朱西存等[5]研究了苹果花氮素含量在640nm和676nm的高光谱模型,赵杰文等[6]研究了茶树叶片中叶绿素含量的高光谱模型,单佳佳等[7]研究了苹果内外部品质的高光谱模型,李钧、原姣姣等[8,9]研究了油菜籽含油量NIRS模型,张菊华等[10]研究了茶籽油中脂肪酸组成的NIRS模型; 而用高光谱测量油茶籽中脂肪酸成分含量鲜有报道。本研究通过油茶籽油酸、亚油酸、棕榈酸的化学定量计量法比较主成分回归法、偏最小二乘回归和径向基神经网络3种高光谱校正建模的效果,寻求检测油茶籽脂肪酸成分含量的最优建模方法,实现对油茶籽脂肪酸成分含量的快速、可靠、无损检测。

1 实验仪器与方法

分别从湖南、湖北、江西等地采集了30个品种的油茶种子,去壳、编号,将茶籽分为校正集20个,预测集10个用于实验。

1. 1 仪器

植物粉碎机; 索氏提取器; Field Spec HH2光谱仪,美国ASD公司; 气相色谱仪,岛津GCMS - QP2010。

处理软件: ASD公司的后处理软件( View Spec Pro) ;Excel、Origin Pro、Dps、Matlab及Spss等集成软件。

1. 2 方法

1. 2. 1 油茶籽脂肪酸组成含量的化学测定

将油茶籽粉碎后用索氏抽提法获取油样,取油样30mg于10m L试管中,用移液管移取2m L异辛烷溶解试样,再用微量移液管加入4m L氢氧化钾甲醇溶液( 2mol /L) ,盖上玻璃塞剧烈振摇30s后静置至澄清;向溶液中加入少量硫酸氢钠,剧烈振摇,中和氢氧化钾; 待盐沉淀后,将上层甲酯溶液倒入样瓶中,用气相色仪获得油茶籽中油酸、亚油酸、棕榈酸的含量。

1. 2. 2 油茶籽反射光谱采集

高光谱仪Field Spec HH2视场角25°,波段范围为325 ~ 1 075nm,采样间隔1. 4nm,数据间隔1nm,分辨率3nm,重复性优于0. 3% ; 测量是在一个晴朗无风天气中进行的。测量时,传感器垂 直向下,距离样品0. 15m,每个样品测量前、后均用白板校正,每个样本连续采集30次取平均得样本光谱。

2 模型建立方法

实验利用Origin Pro、dps、matlab、spss等光谱处理软件进行光谱预处理、谱区选择和回归统计分析。首先用校正样本集建立校正模型,通过软件得出油茶籽光谱与油茶籽油酸、亚油酸、棕榈酸含量的相关系数,找出最优的光谱范围; 通过逐步回归方法去除光谱中的冗余信息,然后采用主成分回归法( PCR) 、偏最小二乘回归法( PLS) 及径向基神经网络法( RBF) 建立预测模型后对模型进行外部验证。

2. 1 主成分回归法

主成分回归主要包括两个步骤: 一是将所有光谱进行重新线性组合; 二是在新的组合中去掉那些变化小的变量,留下主成分。

将光谱矩阵An×P分解为得分矩阵Tn×f和主成分阵Pf×p,有

其中,En×p为预测光谱残差,n为所用油茶籽的样品数,p为波段数,f为主成分数。

浓度矩阵Cn×m表示为

其中,Bf×m为校正系数,m为组分数。

由此得关联矩阵Bn×m为

2. 2 偏最小二乘回归法

主成分回归只对光谱矩阵进行分解,消除了光谱矩阵中的无关信息。同样,浓度矩阵中也包含了无关信息,也应该进行分解。偏最小二乘回归将光谱矩阵和浓度矩阵全部分解,有

其中,Un×f为浓度矩阵的得分矩阵,Qf×m为浓度矩阵的主成分矩阵。

将Tn×f、Un×f进行线性回归,得

2. 3 径向基神经网络法

首先采用归一化法对光谱反射率值进行处理,得第i个波段处光谱归一化反射率值Xi为

其中,Hi为第i个波段处的光谱反射率值; Hmin为最小值; Hmax为最大值。

用径向基函数,计算中间层的输出Yi( x) ,则

其中,X为N维输入向量; Ci为隐含层第i单元高斯函数中心点; σ2i为第i隐节点的归一化参数。

第j神经元输出的结果为

其中,Wji为隐含层第i神经元到输出层第j神经元的权重系数。

3 结果与分析

3. 1 油茶籽中脂肪酸组成的测定

高光谱仪在其测量临界区有较强的机器噪声,因此分析时截去两端噪声较严重波段,得高光谱如图1所示。其记录了400 ~ 920nm范围内样本的高光谱反射率。

油茶籽脂肪酸的主要成分是油酸、亚油酸、棕榈酸。这些物质中甲基、亚甲基的C - H键在近红外有较强的吸收。从图中可以看出不同品种的油茶籽在同一波长处有不同的反射率,故高光谱可以作为油茶籽脂肪酸含量定量分析的依据。

3. 2 光谱预处理

由于检测到的光谱信号除含样品待测成分信息外,还包括各种仪器噪声,如高频随机噪声、基线漂移、杂散光及一些背景噪声等。因此,在数据分析前,对数据进行一些合理的预处理,减弱甚至消除各种因素对光谱信号的影响,为稳定、可靠地校正模型建立奠定基础。常用的预处理方法包括: 平滑处理消除噪声及多元散射校正( MSC) 消除多重光谱偏差等。

表1所示为预处理前后油茶籽脂肪酸各成分模型的预测相关系数、预测集均方差、校正集均方差值。由表1可以看出,经过平滑和多元散射校正后油酸、亚油酸、棕榈酸的校正集相关系数增大,而校正集均方差、预测集均方差减小。这说明光谱的预处理是有效的。

3. 3 光谱的波段选择

高光谱数据包含大量冗余信息,建模波段过宽会严重影响预测结果。首先,将校正集样本光谱逐个波段与油茶籽油酸、亚油酸、棕榈酸的化学测量值做相关性分析。其次,检测其显著性水平,用逐步回归滤除其中冗余波段,得到16个相关性较强、显著性水平较高的波段,如表2所示。

* 表示在 0. 05 水平上显著,**表示在 0. 01 水平上极显著。

3. 4 模型的建立

将经过预处理、波段选择后的30个光谱样本集,随机地分为校正集( 20个样本) 、预测集( 10个样本) 。校正集样本用于建立油茶籽脂肪酸含量模型,预测集样本用于检验模型的效果。用偏最小二乘回归、主成分回归以及径向基神经网络分别对校正集样本建模。建模时以波段选择后的16个相关性较强波段的反射率值为自变量或输入节点,以油茶籽脂肪酸成分的含量值为因变量或输出节点组建模型。

表3所示为主成分回归、偏最小二乘回归、径向基神经网络所建模型的外部验证值。

3. 5 模型评价

本实验分别对油茶籽油酸、亚油酸、棕榈酸的主成分回归、偏最小二乘回归、径向基神经网络模型( 共9个模型) 进行评价,以交叉验证相关系数 ( R ) 、校正均方根误差( RMSEC) 和预测均方根误差( RMSEP) 为评价指标,评价结果如表4所示。

由表4可知,径向基神经网络的交叉验证相关系数普遍高于偏最小二乘回归和主成分回归,预测均方差普遍低于偏最小二乘回归、主成分回归; 而偏最小二乘回归的交叉验证相关系数普遍高于主成分回归,其预测均方差低于主成分回归。这说明对油茶籽脂肪酸成分的预测中径向基神经网络优于偏最小二乘回归和主成分回归。

4 结论

本实验采用高光谱和化学计量法对油茶籽中脂肪酸的成分进行测定,结果表明利用高光谱可以简单、快捷、无损、可靠、稳定的测量油茶籽中油酸、亚油酸、棕榈酸的含量,为大批量油茶籽脂肪酸含量的快速检测提供便捷技术。

本研究比较了主成分回归、偏最小二乘回归、径向基神经网络3种建模方法对油茶籽中油酸、亚油酸、棕榈酸的预测效果,结果表明径向基神经网络建模的预测效果最好,油酸、亚油酸、棕榈酸相关系数系数分别为0. 940 3、0. 893 5和0. 912 2; 校正均方根误差和预测均方根误差分别为0. 441、0. 174 9、0. 066 4和0. 351 8、0. 184、0. 162。

参考文献

[1]恽卓婷,廖鲜艳,翁新,等.油茶籽油与油茶籽油理化性质及脂肪酸组成比较[J].食品工业科技,2011(6):136-138.

[2]O Galtier,N Dupuy,Y Le Dr’eau,et al.Geographic origins and compositions of virgin olive oils determinated by chemo metric analysis of NIR spectra[J].Analytica Chimica Acta,2007,595:136-144.

[3]Alessandra Felix Costa Pereira,Marcio Jose Coelho Pontes,Francisco Fernandes Gambarra Neto a,et al.NIR spectrometric determination of quality parameters in vegetable oils using i PLS and variable selection[J].Food Research International,2008,41:341-348.

[4]王伟,彭彦昆,马伟,等.冬小麦叶绿素含量高光谱检测技术[J].农业机械学报,2010,41(5):172-177.

[5]朱西存,赵庚星,王凌,等.基于高光谱的苹果花氮素含量预测模型研究[J].光谱学与光谱分析,2010,30(2):416-420.

[6]赵杰文,王开亮,欧阳琴,等.高光谱技术分析茶树叶片中叶绿素含量及分布[J].光谱学与光谱分析,2011,31(2):512-515.

[7]单佳佳,彭彦昆,王伟,等.基于高光谱成像技术的苹果内外品质同时检测[J].农业机械学报,2011,42(3):140-144.

[8]李钧,王宁惠,余青兰,等.傅立叶变换近红外光谱技术分析完整油菜籽含油量数学模型的建立[J].青海大学学报,2006,24(6):28-30.

[9]原姣姣,王成章,陈虹霞,等.近红外漫反射光谱法测定油茶籽含油量的研究[J].林产化学与工业,2011,31(3):30-32.