第32卷：第11期 2012年11月
光谱学与光谱分析 SpectroscopyandSpectralAnalysis
Vol. 32,No. 11,pp2987-2991
November，2012
蜜瓜品质光谱检测中异常建模样品的综合评判
田海清，王春光，张海军，郁志宏，李建康内蒙古农业大学机电工程学院，内蒙古呼和浩特010018
摘要针对蛋瓜可溶性固形物含量透射光谱检测中，异常建模样品对模型精度的影响及多种可能来源，提出异常样品的综合评判方法。为防止漏判，分别针对不同来源，采用基于预测浓度残差、Chauvenet检验法及杠杆值与学生残差T检验准则对85个建模样品（偏最小二乘法建模)进行初步判别，共判别出9个疑似异常样品。为防止误判，对整似样品逐一回收，考察其对建模与预测精度的影响。先后回收5个样品后，所建校正模型相关系数为0.889，均方根校正偏差RMSEC为0.601Brix，对35个未知样品的均方根预测偏差RMSEP为0.854*Brix，比未删除异常样品前所建模型（r=0.797，RMSEC=0.849°Brix，RMSEP=1.19 Brix)精度明显提高，比别除全部似异常样品所建模型（r=0.892，RMSEC=0.605°Brix，RMSEP=0.862 Brix)更稳定，预测精度更高。
关键词
蜜瓜；异常样品；判别方法；近红外光谱；校正模型
中图分类号：S132
引言
文献标识码：A
DOl: 10. 3964/j. issn. 10000593(2012)11-298705
1
蜜瓜是国内外广泛种植的一种水果，深受消费者喜欢，其品质的无损检测已引起了广泛的关注-5]，已有研究证实了采用可见近红外光谱进行其晶质无损检测的可行性[35] 本工作前期对密瓜可溶性固形物含量(SSC)光谱检测中发现，异常建模样品对校正模型精度有影响。其他农产品品质检测中也遇到过这样的情况，这些样品的存在严重影响建模与预测精度。异常样品有的可直接发现和剔除，但有的却不能直接发现，需借助数学方法进行判别。国内外研究者已注意到异常样品对模型精度的影响，并提出了一些判别算法。基于预测浓度残差删除法Chauvenet检验法，以及杠杆值与学生残差T检验准则等方法67]，但这些判别算法大多只针对某一可能来源设计，不能全部可靠判别出所有异常样品，国内外针对异常样品可能来源，采用多种方法综合判别的论文还很少见。
本工作针对蜜瓜可溶性固形物含量透射光谱检测中，异常建模样品对模型精度的影响及多种可能来源，研究其的综合评判间题。
收稿日期：2011-12-02，修订日期：2012-02-25
实验部分
1.1
样品光谱采集与品质指标测定
试验样品为由水果市场购买的蜜瓜120个，其中85个用于建立校正模型，35个用于预测。所有样品在相同温湿度储凝环境条件下存储24小时后进行透射光谱采集和SSC值检测。光谱采集系统如图1所示，主要包括样品检测室、 USB便携式光纤光谱仪、光源（由6盛50W钨卤灯左右对称布置，总能量300W)、检测器及光纤、样品盛放装置及用于存储光谱信号的计算机。
所有样品分别于花等附近、赤道和渠柄处采集光谐，将三处采集的光谱平均后作为样品光谱。光谱采集后，将样品果肉全部取出榨汁，取过滤后的上清液作为试样，采用 ATAGOPR-101型手持式数字折光仪测定SSC值。图2是 120个蜜瓜的透射光谱，表1是建模样品与预测样品SSC统计资料。
光谱预处理及建模方法
1.2
在对光谱数据进行多元散射校正（MSC）、Savitzky Golay法平滑消噪后，进行数据中心化（Meancenter)处理，以消除干扰信息。偏最小二乘法(PLS)是普遵认可的光谱建
基金项目：国家白然科学基金项目（31160248），中国博士后科学基金项目（20110491551）和2011年博士点基金课题（新教师类）
(20111515120008)资助
作者简介：田海清，1973年生，内蒙古农业大学机电工程学院博士后
e-mail; hqtian@126.com
*通讯联系人
万方数据
e-mail, wcgjdy@yahoo, com, cn