梅林 水果 水蜜 桃的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列訂位、菜單、價格優惠和問答集

水果品質檢測模式之研究

為了解決梅林 水果 水蜜 桃的問題，作者張文宏 這樣論述：

本研究分外部品質及內部品質兩部分，來探討水果品質之檢測模式，第一部份探討水果外部品質之檢測模式，以檸檬作為實驗樣本；第二部份則針對水果內部品質之檢測模式進行研究，水果樣本包括：水蜜桃、洋香瓜、蘋果、葡萄、甘蔗、柳橙、鳳梨、木瓜、葡萄柚、水梨等共有十種。 首先成功地應用倒傳遞類神經網路（ANN）模式及模糊理論於水果外部品質之判定，証明非線性類神經網路模式可以輸出與人工選別接近的結果，模糊類神經網路大幅提升網路之訓練速率，並使選別結果更具強健性。類神經網路進一步被用來探討儀器量測特徵值與水果品質評估指標之關係，分別建立顏色指標、大小指標、外觀指標及硬度指標四個品質指標

網路，同時將這四個網路組合成「模組化網路」。以顏色指標網路為例，網路之輸出值與品評員評估顏色指標之相關係數可達0.9625。「模組化網路」可以表現各品質指標網路間的特性，以儀器量測的特徵值作為輸入，來判定水果之整體品質，網路預測值與品評員評估之指標具高度線性相關(rc=0.941, SEC=5.644)。 水果內部品質之研究，主要探討內部總含糖量之檢測模式，由水果之果汁、果肉及果皮逐步探討。首先進行水果內部之果汁糖度之探討，採用多重線性迴歸（MLR）模式來分析二次微分光譜，經由純糖溶液、市售果汁及新鮮果之逐步驗証，找到最重要的糖度吸收波峰為2270 nm，其次為20

80 nm。據以建立單、雙波長之泛用型糖度檢測方程式，對七種水果果汁具有極佳校正及預測結果(rc = 0.9925, SEC = 0.478；rp =0.9862, SEP=0.606)。對未經過校正之其他種類果汁，如洋香瓜、木瓜、水蜜桃三種果汁也有很好的預測結果(以水蜜桃為例，rp = 0.9755, SEP = 0.544, bias = 0.091)，說明泛用型糖度檢測方程式具有應用至其他果汁之可行性。水果果肉之糖度檢測，以洋香瓜為實驗對象，仍然採用MLR模式，除了二次微分光譜外，也討論原始光譜對糖度檢測之影響。洋香瓜果肉反射光譜之原始光譜與糖度值之相關性很差，不具應用價值，但是二次微分

光譜之單波長(1688 nm)檢測方程式之相關係數rc可達0.862，五個波長組合(1688、2321、1401、2000及1106 nm)之檢測方程式的校正結果為rc = 0.917, SEC = 0.728，對於預測結果亦有不錯的表現。水蜜桃果皮之反射光譜於糖度檢測之研究，採用非線性類神經網路模式，得知原始光譜之校正結果不佳，二次微分光譜在輸入光譜間距為10 nm時，有較佳校正結果(rc = 0.9918, SEC = 0.227)，預測結果不甚理想。 最後以水蜜桃果汁透射光譜為例，有系統地應用MLR、PLSR（部份最小平方迴歸）及ANN三種檢測模式，探討不同光

譜處理(原始光譜、一次微分光譜及二次微分光譜)對糖度檢測之影響。結果顯示MLR模式以二次微分光譜在校正及預測的表現最好。PLSR模式較複雜但校正結果(SEC值介於0.104~0.231之間)明顯地比MLR模式來得好。ANN模式以非線性模式來探討光譜與糖度值的關係，對光譜處理的差異並不明顯，實際應用時因為原始光譜可以簡化光譜處理的步驟，且檢測準確(rc = 0.9915, SEC = 0.229)，具較高的應用價值。 綜上，本研究於水果外部品質之判定，成功地應用類神經網路模式建立顏色指標、大小指標、外觀指標及硬度指標四個品質指標網路，並建立模組化網路。內部品質之糖度檢

測，建立泛用型糖度檢測方程式，並分別探討洋香瓜果肉及水蜜桃果皮之糖度檢測模式，也探討不同檢測模式及不同光譜處理對糖度檢測之影響。 關鍵字：水果、品質檢測、糖度、類神經網路、近紅外光