基于近红外光谱的板栗品种检测研究的文献综述
一、研究背景及意义
板栗，又名栗，是原产于我国，广泛分布于东亚地区的一种干果。板栗营养价值与药用价值高，口感软糯香甜，风味独特，富含蛋白质、碳水化合物、脂肪，其中糖与淀粉含量高达70.1%，蛋白质7%，此外还含有维生素A、维生素B1、维生素B2以及钙、磷、铁、钾等多种维他命和矿物质元素，是一种较为理想的食品、药品加工原料，深受广大消费者的喜爱。
我国是盛产板栗的国家，且种植历史悠久，而我国地域辽阔，生态环境差异巨大，因此板栗也形成了众多的品种数量。不同品种的板栗之间大小、品质、口感有着比较明显的差异，同时在价格上也有着显著的不同，因此我们需要对板栗的品种进行区分。随着板栗消费市场的不断扩大，板栗食品处理与加工技术的不断发展，对板栗品种的鉴别也变得越来越重要。在现如今的工业化生产中，我们需要一种快速、准确、低成本的鉴别方式。
现代近红外光谱分析技术,可充分利用全谱段或多波长下的光谱数据进行定性或定量分析，由于近红外光谱分析技术具有速度快、效率高、成本低、测试重现性好、测量方便等特点，已经被越来越多地应用于食品工业、制药工业等领域。已有国内外学者利用近红外光谱技术区别咖啡品种、道地山药、苹果品种、杨梅品种、水稻品种、玉米品种等，以上研究都表明了近红外光谱技术可以用于对农副产品的品种鉴别，然而在板栗品种鉴别上的研究与应用上还未见报道。此次研究使用近红外光谱分析技术采集板栗样本的光谱数据，然后对数据进行数学建模的建立并进行验证，实现对板栗品种的鉴别。
通过此次对课题的研究，充分掌握并应用此前学习的线性代数、传感器与测试技术、机械工程测试技术等课程，并将其运用于实践中。现代近红外光谱分析技术发展迅速，日趋成熟，在机械与农业中的运用也越发广泛。将近红外光谱分析技术与数学建模、人工神经网络等技术相结合，应用于各类分析、检测服务系统，未来必将发挥越来越重要的作用。
二、国内外同类研究状况
用近红外光谱技术快速无损鉴别杨梅品种的新方法[1]。首先用主成分分析法对四个杨梅品种（荸荠梅、下坑梅、临海早大梅、东魁梅）进行聚类分析，获取四个杨梅品种的近红外指纹图谱，再结合人工神经网络技术进行品种鉴别。主成分分析表明，以主成分1和2对样本的得分值做出的得分图，对不同种类杨梅具有较好的聚类作用，可以定性分析杨梅种类。利用主成分分析可以把原始波长变量压缩成能代表原始变量的少数相互正交的主成分，用这些新变量作为神经网络的输入，建立3层 BP人工神经网络模型。四个杨梅品种共100个样本用来建立神经网络品种鉴别模型，对未知的20个样本进行预测，结果表明，品种识别准确率达到 95%。说明综合主成分分析和人工神经网络的方法具有很好的分类 和鉴别作用。
基于近红外光谱分析的水稻品种快速鉴别研究[2]。应用近红外光谱技术与化学计量学相结合的快速、无损鉴别稻谷品种的新方法。收集了5个品种水稻（Ⅱ优46、Ⅱ优63、汕优10、汕优63、中佳粳21）共150个样本作为实验样本，通过近红外光谱仪扫描这些样本获得了从350nm到1075nm波长范围的光谱信息。将样本的光谱信息进行小波分解以消除高频噪声。将去噪声后的光谱数据经主成分分析压缩成数目较少的新变量（主成分），压缩得到的前4个主成分能够解释99. 891%的原始光谱信息。将前4个主成分作为BP神经网络的输入， 不同水稻品种值的二进制代码值作为BP神经网络的输出，建立稻谷品种的模式识别模型。模型的预测误差阈值是0. 2，模型是3层网络结构， 各层的节点分别是4、9和3。150个样本被随机的分成包含100个样本的建模集和50个样本的预测集。结果表明，预测未知的 50个样本的正确率达到 96%，说明该方法具有较高的鉴别准确度。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
