柑橘内部品质在线检测软件系统的设计与实现

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

　　本文介绍了柑橘糖酸度实时检测软件系统的设计目标、系统功能和系统的实现。该系统采用C++编程技术，不仅缩短了开发周期，而且提高了软件质量，可以实现：实时光谱的显示、光谱文件的管理、光谱信号的实时处理以及光谱预测模型的选择，基本上可以实现基于试验台的水果糖酸度检测。以柑橘糖度可见/近红外光谱检测为例，阐述了基于试验台的整个实验操作流程、建模过程和结果分析，说明了此技术具有较强的通用型和可扩展性，在科学计算和工程应用中值得推广。

参考文献：

　　[1] 严衍禄. 近红外光谱分析的原理、技术与应用[M]. 北京：中国轻工业出版社，2013.

　　[2] 杰尔·沃克曼，洛伊斯·文依. 近红外光谱解析实用指南[M]. 北京：化学工业出版社，2009.

　　[3] 安泉鑫，陈莉，庞林江，等. 近红外光谱技术在食品中的应用进展[J]. 食品与机械， 2012, 28(5): 239-242.

　　[4] J.M. Andr'es, M.T. Bona. Analysis of coal by diffuse reflectance near-infrared spectroscopy[J]. Analytica Chimica Acta, 2005, 535(1):123-132.

　　[5] 徐彦，李忠海，付湘晋，等. 近红外光谱技术在稻米品质快速检测中的应用[J]. 食品与机械，2011, 27(1): 158-161.

　　[6] 李庆波，阎侯赖，李倩暄，等. 近红外光谱采集与处理软件系统的设计与实现[J]. 实验技术与管理，2010, 27(5):105-110.

　　[7] J.M.Andres, M.T.Bona. Analysis of coal by diffuse reflectance near-infrared spectroscopy[J]. Analytica Chimica Acta, 2005(535):123-132.

　　[8] Roman M. Balabin, Ravilya Z. Safieva, Ekaterina I. Lomakina.Comparison of linear and nonlinear calibration models based on near infrared (NIR) spectroscopy data for gasoline properties prediction [J]. Chemometr Intell Lab, 2007, 88(2):183–188.

　　[9] 虞科，程翼羽. 一种基于最小二乘支持向量机算法的近红外光谱判别分析方法[J].分析化学，2006, 34(4): 561-564.

　　[10] 刘锐宁，梁水，李伟明. Visual C++编程之道[M]. 北京：人民邮电出版社，2011.

　　[11] 赵宏. C++程序设计语言[M]. 天津：南开大学出版社，2012.

　　[12] 孟威，刘慧宁. C++程序设计教程[M]. 北京：机械工业出版社，2009.

　　[13] 王惠文，孟洁. 多元线性回归的预测建模方法[J]. 北京航空航天大学学报，2007, 33(4):500-504.

　　[14] Steffen Schumann, Lutz-P. Nolte, Guoyan Zheng. Comparison of partial least squares regression and principal component regression for pelvic shape prediction[J]. Journal of Biomechanics, 2013, 46:197-199.

　　[15] 王桂增，叶昊编. 主元分析与偏最小二乘法[M]. 北京：清华大学出版社，2012.

本文来源于中国科技期刊《电子产品世界》2016年第6期第70页，欢迎您写论文时引用，并注明出处。