TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol.12, No.7, July 201 4, pp . 5414 ~ 54 1 9   DOI: 10.115 9 1 /telkomni ka. v 12i7.537 1          5414     Re cei v ed  De cem ber 1 2 , 2013; Re vi sed  F ebruary 23,  2014; Accept ed March 1 5 , 2014   The Navel Orange Sugar and Acidity Quantitative  Prediction Model Optimization Research by Second  Generation Wavelet Transform      Zhao Ke*, Yang Han, Wan g  Zhong, Wa ng Qi  Coll eg e of Information En gi ne erin g, Nanch a n g  Han g ko ng U n iversit y , Jia n g  xi, Na n Cha n g ,  China   *Corres p o n id n g  author, em ail :  zhaoke6 80 5 @ 12 6.com       A b st r a ct  T he auth o r res earch es the i m pact of the sec ond  ge nerati o n  w a velet transf o rm s pectro m e t er dat a   prepr ocessi ng  nave l  or an ge s ugar  conte n t a nd  acid ity Pa rti a l L east S q u a r e s (PLS)  qu ant itative  accurac y  o f   the pr edicti o n  mod e l. T h is   pap er a l so c o llects th e sp e c tral d a te of  one  hu ndr ed  nave l  or an ges  b y   visibl e/ne ar-infr a red  diffuse r e flectanc e d e tection  tec h n o l ogy a nd  esta blish e s the  na vel or ang e su ga r   content a nd ac idity PLS pr edi ction  mo d e l us i ng the sixty n a v el ora n g e s as  the establ ishi n g  sa mpl e s. T h e   author  co ntrasts cha n g e s of   nave l  or an ge   sugar  co nt ent  and  aci d ity P L S pre d ictio n   mode l b e ca use  th e   spectral  date  of nave l  or an ges ar e pr oce ssed by  the  secon d  g ener ation w a v e let  transform, F i n a l l y   concl u sio n : the  secon d  g e n e r a tion w a v e let t r ansfor m  pr oce ssing  nav el  orang e sp ectral  data c an i m pro v e   the pred ictive a b ility of the  su g a r content a nd  acidity PLS  q u antitative a n a l y s is mo de ls.    Ke y w ords :  near  infrar ed   spectru m , sec ond  g ener atio n w a ve l e t  tran sform, partia l  least  s q u a re, nave l   oran ge, aci d ity, sugar conte n t     Copy right  ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Navel  ora n g e  taste s   goo d, full of jui c e with out se ed,  go od qu ality,  bright color,  a nd  contai ns all kinds of nutri e n ts,whi ch a r e  human  nee d .  In addition to focusi ng o n  the external  quality of navel ora nge, for example si ze , color  a nd  sh ape, co nsum ers  pay more  attention to the  sug a r, a c idity ,  vitamin cont ent and  taste ,  which  a r e t he inte rnal  q uality indicators . Suga r a nd  acidity is an  important in dicato r of na vel orang e, sug a r an d a c idity largely  depen ds on  the   amount  and   types of fruit su gar an d o r gani c  aci d s, etc. So the  rese arch  of th e navel  oran ge  sug a r a nd a c i d ity by the internal  quality of rapi d, a c cu rate an d non -destructive d e tection m e th od  has far-rea chi ng sig n ifica n ce.  With the developme n t of comp uter an d el ectroni c sci en ce and  techn o logy a nd the  physi cal a nd  chemi c al  met r ology, n ear-i nfrared  spe c t r osco py tech nology d e vel opment i s  ra pid   in re ce nt  y e a r s,  it  ha s m o re a d v ant ag e s ,  s u ch  a s :  q u ic k an aly s i s  spe ed  qui ckl y ,  less  sam p le  pretreatment,  gree n pollu tion-fre e  and  non-de stru ctive, so it has be co me  a hot re sea r ch.  Dome stic an d  foreig n rese arche r s  have  done  a lot of  resea r ch work in th e a nalyzed i n ternal fruit  quality indi cat o rs. M oghi mi  (201 0) [1] u s ed ne ar-i nfra red spe c tro scopy fore ca st the SSC a nd  PH   of ki wi, analy z ed  the e s tab lish m odel  predictio n's  effe ct by u s ing  dif f erent p r etrea t ment metho d s ;  He Yong (20 06) [2] use d  325nm -1 075 nm near-infra r ed spe c tro s copy to predict  the quality of the  different bay berry base on method s  of prin ci pal  comp one nt analysi s  and  neural netwo rk.  Niep eng  Ch eng, Yang   Yan (2 010 )  [3] used  pri n cip a l comp onent a nalysis an d comb ines  Bayesian li ne ar di scrimin a n t and ne cta r  forwa r d  neu ral network predictio n mod e l, comp arative   analysi s  of th e accu ra cy of  pre d iction  m odel s, t he co nclu sio n  is  u s ing vi sible  a nd ne ar i n fra r e d   techn o logy fo r h oney fa st  cla ssifi cation   is fea s ibl e ; Li u Yan de  (20 12) [4] u s ed   reverse  inte rval  partial l e a s t  squ a re s met hod, g eneti c   algorith m   a n d  continu o u s  proje c tion  al gorithm,  built  th e   near-infrared  spe c tro s copy  partial lea s t squ a re s regression mo del  of apple sol u ble soli ds.    The expe rim ental coll ect  spe c tral  data  of the navel oran ge thro ugh diffuse reflectan c e  near-infrared  spe c tro s copy  detection te chnolo g y, bec ause the out put sign al of spe c tral d a ta  in   the colle ction  terminal is  affected by h a rmo n ics or  each harmon i c, voltage waveform will  be  mixed with m o re inte rfere n c e an d noise, it will  appear glitche s  spi k e, it's phase also  will have  a   larger m o vement, in order to i m prove the  ac curacy and  reli ability  of prediction models,  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     The Na vel O r ange Sug a r a nd Acidity  Qu antitative Pre d iction Mo del  Optim i zation… (Zha o Ke)  5415 comp re hen si vely analysi s  of dom esti c and  fore i g n  schol ars o n  fruit spe c tra l  pre p rocessi n g   method s. Thi s  de sign u s es the seco nd gen erat io n wavelet transfo rm for t he sp ectral data   prep ro ce ssin g of navel orange, an d then create  o r ange’ s suga r and aci d ity conte n t of pa rtial  least squ a res  (PLS) qua ntitative  predi cti on  mo del  [5 -7], and  com p arative a naly s is the  cha n g e s   of perfo rman ce b e twe en  before  and  a fter the PLS  predi ction  m odel u s in g seco nd g ene ration   wavelet algorithm .      2. Materials  and Method s of Mea s ure m ent  2.1. Material's Selection a nd Classi fic a tion   Experimental  sam p le s co ntained  100  Gan z ho u na vel ora nge  were p u rcha sed f r o m   sup e rm arket i n  Na nchang,  then culled th e sam p le s, which  ero ded  b y  pests, d a m aged  or  sha p e d   oddly. After collecte d  nave l  oran ge sam p les,tu rned th em numb e r  randomly, an d  then pla c ed  in   a co nsta nt te mperature  ch ambe r with  2 5 Ԩ  in 1 2  h o urs, th e day  that the exp e rime ntal data   measured m u st b e   same  with th e d a y  of navel  o r ang e colle ct ed.  Spe c ific requi rem ents  of  c l as s i fic a tion  c a tegories  as s h own in the following table:      Table 1. Mea s uri ng Cl assif i cation of Sa mples    group1 calibratio n  set  group 2 suga r pr ediction set   group 3 acidit y  p r ediction  set  sample selection   method   number 1 - 60   number 61 -80   number 81 -100   number of sampl e s  60  20  20  collected spectra   equatorial parts  of uniform thr ee- point  equatorial parts  of uniform  three-p o int  equatorial parts  of uniform  three-p o int  detection navel  orange   sugar and acidit y througho ut the  navel orange   sugar of the  whole orange    acidity  of th e  w h ole orange        2.2. Selectio n of Spectro meter Expe riment  and the Method of  Spectral Acquisition   Experiment s used LS -1  type tung st en h a loge n  light sou r ce, TCD13 0 4 AP linear  detecto rs, po rtable sp ectrometer USB 4000  to   coll e c t the  spe c tral data of  na vel ora nge s,  the   oran ge  spe c t r um' s  data  a nalyse d  thro ugh t he  ove r ture  software to and  se t the scanni ng  con d ition s  of sampl e s: inte gration time i s  50m s,  sm o o th width i s  two pixel s , the band  sele cte d  in  the ra nge  o f  400-140 0n m. By near-infra red  sp e c tro s copy dif f use  refle c ta nce  dete c tio n   techni que, co llected 1 0  poi nts sp ectral data fr om the  three mea s u r eme n t point s on equ atori a l  parts for the   study of  100   oran ge ,  an d  then ave r ag e d  30  the  spe c tral  data  of t he  sam p les,  the   each numb e r  is the ea ch n a vel oran ge' s spe c tral data .       2.3. Sugar and Acidit y  Ph y s icochemical Metho d s  of Mea s ure m ent  Usi ng a h and held glu c o s e  meter  WYT-4  type in acco rdan ce  with t he nation a l st anda rd   GB1229 5-90  to measu r e t he su gar of g r oup 1 a nd g r oup 3 sample s. Usi ng ha n dheld PH m e te r   PHSJ-4A type according t o  the national  standa rd  GB /T 5009 1-20 03 GB/T 124 56-9 0  to mea s ure  the acidity of orang e from  group 1 a n d  grou p 3 sample s. Sug a r and a c idit y measu r em ent  requi rem ents for continuo us mea s u r e m ent 6 times as a wh ol e averag ed sug a r an d acidity   values.     2.4. Spectral  Data Pre p ro cessing M e thods   Becau s e  in  a ddition to th e  origi nal  spe c trum  sign al containe d info rmation  relate d to the  chemi c al  structure of th e materi al, b u t also  cont ained  sig nal  noise g ene rated from  m any  confo undi ng factors, the  wavelet tran sfo r m can  sh o w   the nature of  non-stat ion a ry signal s in ti me   domain  and  freque ncy d o m ain bette r, thus removin g  the the s e i n terferen ce o f  signal s u s e d   wavelet tran sform. Con s tru c tor  of secon d  gen er ation  wavelet tran sform al gorith m  enh an ce s t h e   gene ration of  wavelet tran sform, the sp eed of wavel e t algorithm  enabl es fa ste r . The ba sic i dea  of the method is con s truct ed by  the co nventional wavelet filter, decom po sed t he basi c  buil d ing  blocks, com p leted the wa velet transfo rmation  by st eppin g  se qu entially, it can be summa rized  as: re solutio n ,  predictio n a nd upd ating.   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5414 – 54 19   5416 (1) Decomp o s ition ca n be inert wavel e t transfo rm, the origin al sig nal  () Xn  decom po sed   into odd an d even numb e r,  the sample  were set a s  follows:       a n= 2 n , XX n Z                                                                                                            (1)        b n= 2 n + 1 , XX n Z                                                                                                                     (2)    (2) F o recast:  there i s  a  certain co rrelatio n  between th e origi nal  sa mples  of ea ch sig nal,  the coeffici en t  a n X used to pred ict  b n X  ,the predi ction op erato r  P generate d   n c n d + + + + + +  b n X  n X  a n X  b n X  n X  a n X , namely:        nb a d= n n XP X                                                                                                                          (3)    (3) Up date: In  ord e r to  re du ce the  alia sin g  effect s of th e wavel e t tra n sform an d p r eserve   the origin al a n X  chara c te risti c s of certain freque nci e s, u s ed a n  ope rator set A to produ ce  better data  n c ， it can be expressed a s :     na n c= n + d XA                                                                                                                     (4)    Secon d  gen eration  wav e let recon s truction p r o c e ss i s  the reverse pro c ess of  decompo sitio n , that is a n ti-upd ate a nd predi ction  and d e com positio n. Re constructio n  a nd  decompo sitio n  of expressi on is th e sa me, just  n e e d  to ch ang e  the sig n  an d  orde r. As  sh own  belo w  schem atic blo ck di a g ram of de co mpositio n an d recon s tru c ti on:        Figure 1. Second Ge neration Wavel e t Reco nstruc tio n  and Sche ma tic Diag ram o f  the Principle   of Decompo s i t ion      2.5. Predictiv e  Modeling and Ev aluation of Param e ter   By using  st oichi o metry  softwa r e  un scra mble r8.0  and m a tlab2 007 tool s fo r data   pro c e ssi ng, t he expe rime nt usin g a li near mod e l  of partial l e a s t squa re s (PLS) metho d  to  establi s h a q uantitative predictio n mod e l for the su g a r and  acidity   of navel ora nge. Rei n stit uted   the PLS qua ntitative pred iction m odel  of sug a r  and  acidity cont ent of orang e usi ng  se co nd   gene ration  wavelet transfo rm pre p ro ce ssing spe c tr o s copy data, Compa r ative analysi s  usin g the  se con d  gen eration wavel e t transfo rm of  spe c tr al  data  prep ro ce ssin g before and  after the nav el  oran ge  su ga r an d a c idit y PLS quan titative predi ction m odel  perfo rma n ce chang es.  The   perfo rman ce   of the m odel   evaluated  by  mod e ling  th e correlatio n  coeffici ent, m odelin g the  root  mean  squa re  erro r ， mod e l  predi ction  correlation  co efficient a n d  ro ot mea n   squ a re  e rro r of  model p r edi ction. The hig her  co rrel a tio n  co e fficient  model, mod e ling the smal ler root mea n   squ a re e r ror  and the ro ot mean squa re  predi ction e r ro r, the stro ng er the ability to predi ct mod e l.       Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     The Na vel O r ange Sug a r a nd Acidity  Qu antitative Pre d iction Mo del  Optim i zation… (Zha o Ke)  5417 3. Experimental Re sults  and An aly s is  3.1. The Effe ct o f  Nav e l  Orang e  Sug a r PLS Mode l b y  Second  Gener a tion  Wav e let Spe c tral  Data Prepro cessing    Acco rdi ng to the method  mentione d in  sectio n 1.2 acq u isitio n correctio n  and  2 set of  predi ction  sets of n a vel o r ange  sp ect r a l  data,  in  se ction 1.3  stan dard  phy sical  and  ch emical  measurement  method for d e termini ng co rre ction an d  2 set of predi ction set s  act ual sug a r val ue  of  the navel oran ge,  e s ta blish   a  qua ntitative pre d icti on m odel  PL S of the  su g a r  co ntent of  the  oran ge, then  use d  the pre d iction m odel  to predi ct  20  navel ora nge 's suga r of 2 grou p; usin g the  se con d  ge ne ration  wavele t transfo rm f o r n a vel o r a nge  spe c tral  data p r ep ro cessing, to  bu ild   navel ora nge  suga r PLS q uantitative predictio n mod e l, then use d  20 navel ora nge' s of 2 group  to pre d ict the  sug a r. As  sh own i n  Figu re  2, Figure  3, i t  is the di scre te points  dist ribution of  sug a r  navel o r an ge  perce ntage  of p r edi cted  and  a c tual  before  an d  after the  second  gen erati o n   wavelet transform:   Analysis two cha r ts sho w s that the origi nal ora nge b r ix PLS model and optimiza t ion of  se con d  ge ne ration  wavele t correlatio n  coeffi ci ent orange  brix PL S model, sta ndard deviati on  corre c tion  of  the mo del, th e p r edi ction   model  of  roo t  mean  squa re  error valu es  as  sho w n  in   table:            Figure 2. The  Brix PLS Model of Origin a l   Navel Orang e  Figure 3. The  Brix PLS Model of Navel  Oran ge  after  Seco nd Gene ration Wavelet  Pretreatm ent                                                                           Analysis two cha r ts sho w s that the origi nal ora nge b r ix PLS model and optimiza t ion of  se con d  ge ne ration  wavele t correlatio n  coeffi ci ent orange  brix PL S model, sta ndard deviati on  corre c tion  of  the mo del, th e p r edi ction   model  of  roo t  mean  squa re  error valu es  as  sho w n  in   table:      Table 2. The  Analysis  Re sults of the Ori g inal an d Sse c on d Gen e rat i on Wavel e t Optimizatio n   Navel Orang e Brix Partial Lea st  Square s  (PLS) Mm ethod Mod e l    Number   The  corr elation  coefficient  of  model  Correc t i on   standard    deviation of model  Standard deviati on of prediction  model  PLS model  of ori g inal Brix  20  90.34   0.763   0.806   PLS model  of op timization  Brix  20 94.56   0.696   0.725       It can  be  se en that  the  spectral  data  with n a vel o r ange  after th e second  ge neratio n  wavelet tran sform pre p ro cessing suga r partial  lea s t squares (P LS) ,quantitative  analysi s  mod e l  of the correlat ion coefficie n t increa se d, the st an da rd d e v iation is  red u ce d some what, the seco nd  gene ration  wavelet tran sfo r m of  spe c tra l  data p r etrea t ment ca n im prove th e p r e d iction  ability of  navel ora nge s su gar PLS  model.     Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 7, July 201 4:  5414 – 54 19   5418 3.2. The Se cond G e ner a tion  Wav e let Spec tra  Data Pre t rea t ment E ffe cts on th e Na v e l  Orange Acidit y  PLS Mod e l  Acco rdi ng to the method  mentioned i n  se ct ion 1.2, collecte d  the spe c tral  data of  predi ction  n a vel orange  in collectio n group  3, usin g sta n dard  phy sical and  ch e m ical   measurement  method of section 1. 3 for determinin g  corre c tion an d grou p 3 predictio n sets  the   actual  a c idity of the  navel  orang e, nav el o r an ge  aci d ity PLS qu a n titative pre d i c tion  mod e l i s   establi s h ed, then u s e p r e d iction m odel  to predi ct  the acidity of the 20 n a vel oran ge in thi r d   grou p; used  the se co n d  gen eratio n  wavele t tra n sform for  navel orang e sp ectral  data  prep ro ce ssin g, build the navel ora nge  acid ity PLS quantitative predi ction m odel, then u s ing   model s to pre d ict 3 grou ps  that the acidity of  the  20 navel oran ge. In Figure 4, Fi gure 5, it is the   se con d  gene ration wavele t transform fo r navel or a n g e  spe c tral da ta preprocessing befo r e a n d   after the a c id ity of discret e  points di strib u tion  of the p e rcentag e of predi cted val ue and  actu a l   value:   Analysis th e two  cha r ts  sh ows that, the or igin al navel  oran ge a c idit y PLS model and the   se con d  ge ne ration  wavele t correlatio n  coeffici ent of  the optimize d  navel o r an ge a c idity PLS  model, the st anda rd deviat i on of a calib ration model , t he predictio n  model of ro ot mean squa re   error value s  a s  sh own in table:  By this table, it can been  see n  that take  the se con d  generation  wavelet tran sform of  navel orang e  wa s foun de d after the  spectra d a ta   pretreatment  acidity pa rti a l lea s t sq ua res  (PLS) q uantit ative analysi s  model  of   the correl ation co efficient  in cre a se d, the  sta ndard d e viation   is lo we r a littl e, With th e seco nd g ene ration  wavelet  tran sform  of  sp ectral d a ta prep rocessi ng  navel ora nge  acidity PLS model imp r ove d  accuracy a nd relia bility.            Figure 4. The  Acidity PLS  Model of Ori g inal  Navel Orang e  Figure 5. The  Acidity PLS  Model of Nav e l  Oran ge after  Secon d  Gen e r ation  Wavele t  Pretreatm ent       Table 3. The  Analysis  Re sults of the Ori g i nal an d Second Ge neration Wavel e t Optimization  Navel Orang e Acidity Partial Lea st Ssqu are s  (PLS) M e thod Mod e l    Number  of  samples   The corr elation  coefficient model  Correc t i on mod e l   standard deviation  Standard deviati on  prediction model  PLS model of  original Brix  20 89.78   0.842   0.863     PLS model of  optimization Brix  20 92.18   0.691   0.738          4. Conclusio n   In this study, use d  a po rta b le sp ect r um  in stru ment, u s ed n ear i n frared  diffuse reflection  spe c tru m  det ection te chno logy to acquired the nav el oran ge spe c tral data, elab orated the ba si c  prin ciple  of the second g eneration  wa velet tr ansfo rm, using th e  se con d  gen eration  wavel e t  transfo rm of  spe c tral  data  prep ro ce ssi ng, com par ative analysi s  it is con c lud e d that after the  se con d  g ene ration  wavelet  sp ect r al d a ta prep ro ce ssi ng  sug a r  and  aci d ity of na vel ora nge  P L S  model predi ctive ability is improve d . The opt imized mo de l effectively eliminates the   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     The Na vel O r ange Sug a r a nd Acidity  Qu antitative Pre d iction Mo del  Optim i zation… (Zha o Ke)  5419 instru mentati on, mea s u r e m ent conditio n , the influ e n c e of  sa mple status  for sp e c tral acqui sition,  and by usi ng  optimizatio n model is  esta blish ed in  na vel orang e su gar a nd a c idit y of partial least  squ a re s a nal ysis mo del.E xperime n ts  show th at the optimized  se con d  gen e r ation  wavel e t  transfo rm na vel orang e sugar a nd aci d ity analysis   model ha s g ood predi ctio n ability, For navel   oran ge suga r and aci d ity accurately fore ca st prov ide s  a means of f a st non de stru ctive detectio n .      Ackn o w l e dg ements   This wo rk i s  Suppo rted   by the Prog ram  of  Natu ral Scie nce F ound ation  of Jia ngxi  ProvinceNo.20122BAB201026      Referen ces   [1]  Mogh imi A, Aghkh ani M H . Vis-NIR Spectr oscop y   and  C hemo Metric f o r the Pre d icti on of So lub l e   Soli ds Conte n t and Aci d it y  (P H) of Ki w i fr uit.  Bio-system  Engineering.  20 1 0 ; 106(3): 2 95- 302.   [2]  He  Y ong, Li Xi ao   Li. Near  Infrared  S pect r oscop y   w i th  ba yb err y   var i e t ies.  Infrared  and   Mill i m eter   Waves . 2006;  25(3): 19 2-1 9 4 .   [3]  Z hao K e ,  Xio n g  Ya n. T he res earch  of n ear  i n frar ed  spectro scop y   base d  o n  n a vel  ora n g e  of rap i d  no n- destructive test ing tech no log y .   Laser an d infr ared.  20 11; 41( 6): 649-6 52.   [4]  Liu Ya nde, Su n Xu do ng, Z hang Ha ili an g etal. Non des tr uctive meas urement of inter nal q ual it y  o f   Nanfe n g  man dari n  fruit  b y  char ge c o u p l ed  dev ice  ne ar i n frared  sp ectroscop y .  N ear Infrar e d   Spectrosco py . 201 0; 71(1): 10 -14.  [5]  Ke Z hao. T he  Rese arch of G r a y   Alg o rithm  and In f o rmatio n   Entrop y in R oute  Pl an nin g  Optimizatio n .   T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2012; 1 0 (8):  2027- 203 3   [6]  Che ng-C h a ng  Lie n , Chi ng- H ua T i ng.    Sligh t  free falli ng  i m p a ct test for assessi ng  gu ava  matur i ty.   Procee din g s of 2013 Spr i ng I n ternati o n a l C onfere n ce  o n  Agricult ure an d  F ood Engi nee ring (AF E -S).   201 3.  [7]  Bobe l y n E, Ser ban AS, N i cu  M. Post harves t  qual it y   of app l e  Pred icted b y   NI R-spectrosc o p y : Stud y o f   the  effect of biol og ical   vari abil i t y  o n  s p e c tra an d Mo d e l P e rformanc e.  Post h a rve s t Biol ogy  an d   T e chno logy.  2 010; 55( 3): 133 -143.    [8]  Liu Y u a n she n g . Rese arch  o n  the K e y T e chni que  of SP C Exc h a n g e  E qui pment B a s ed o n  F P GA.  T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri n g .  2013; 1 1 (7): 3 809- 382 0.             Evaluation Warning : The document was created with Spire.PDF for Python.