近紅外光譜技術在水果無損檢測中的最新研究進展

李敏

（樂山師范學院 物理與電子工程學院，四川 樂山 614000）

1 引言

我國雖然是水果生產大國，但自1993年以來水果儲藏能力只有10% ，爛果率高達25%，出口總量不到總產量的3%，遠低于9%～10%的世界平均水平[1～3]。以上原因造成果農賣果難，增收難。要解決這些問題，必須發展水果深加工，擴大鮮果出口。阻礙我國鮮果出口的一個重要因素是果品分選、檢測能力弱，檢測速度慢，檢測人員的素質低，果品篩選達不到國際上水果進出口市場的要求。國內早期的水果內部品質檢測方法主要是化學分析法，該方法不僅可靠性和穩定性較差，而且在測試時還必須破壞水果，測試過程繁瑣，只能通過少量樣本的測定，來評價整批次水果的品質。鑒于以上原因，無損檢測技術應運而生。無損檢測技術具有無損、快速、準確性高和實時性強等特征。目前的無損檢測技術主要有針對水果光學特性、電學特性、聲學特性、力學振動特性等眾多性質進行的各種檢測，且大多還處于試驗研究階段[2]。

近紅外光譜技術（Near Infrared Spectroscopy Technology，NIST）是一種利用物質對光的吸收、散射、反射和透射等特性來確定其成分含量的一種無損檢測技術，具有快速、非破壞性、無試劑分析、安全、高效、低成本及同時測定多種組分等特點[4]。隨著現代光譜技術的發展，且憑借其快速、方便、準確和無損傷等特點，應用近紅外光譜分析技術對水果品質進行無損檢測已成為近年來的研究熱點。本文主要介紹2000年后，近紅外光譜分析在果實成熟期檢測和品質檢測兩方面的研究進展。

2 近紅外光譜技術在水果成熟期監測中的應用研究

近紅外與可見光結合的無損檢測技術具有適應性強、靈敏度高、對人體無害、成本低和容易實現等優點，被廣泛用于水果成熟度的無損檢測。2002年，McGlone等利用VIS／NIR技術，依據果實成熟過程中葉綠素減少的趨勢，深入探測了“Royal Gala”蘋果在采摘前和儲藏后各品質指標，光譜圖如圖1所示，在蘋果早采收、適中采收、晚采收的典型吸光度光譜對比中，發現在680nm波長處，葉綠素吸光度有明顯的變化，早采收果實的吸光度明顯高于適中采收和晚采收果實，因此認為該波長可用于區別蘋果的成熟度[5]。Lur等人用近紅外光譜檢測蘋果的硬度和含糖量，通過有損與無損相結合的方式建立了預測蘋果內部品質的數學模型[6]。

圖1 蘋果不同時期的近紅外吸光度光譜

2005年，Ann Peirs等人在前人研究的基礎上研究了蘋果自然特性對可見近紅外模型預測采摘期成熟度精確性的影響。研究表明，近紅外光譜與成熟度有一定相關關系，其Rr＞0.94，RMSEP＜7.7。研究表明蘋果成熟度不只與果皮顏色相關，而且還受到內部品質的綜合影響[7]。

2007年，Yongni Shao等人用可見光與近紅外檢測技術結合硬度、糖度和酸度等指標檢測番茄的成熟度，得到了各自的相關系數，分別為0.83、0.81和0.83，表明可見光與近紅外技術無損檢測水果成熟度的方法是可行而且實用的[8]。

3 近紅外光譜技術在水果品質檢測中的應用研究

利用近紅外光譜（NIR）檢測水果品質早已成為國際研究熱點之一。2003年，Clark等利用700～900nm的透射光檢測了褐心貝賓（Braeburn）蘋果，探討了投射測量時蘋果的最佳位置[9]。國內的相關研究也如雨后春筍般涌現出來，研究的水果有柑橘、蘋果、梨、桃、枇杷等，檢測的品質涉及糖度、酸度、可溶性固形物、維生素、堅實度、色澤及單果重量、褐變、模式識別等。

3.1 糖度檢測

2006年，應義斌等利用小波變換結合近紅外光譜技術檢測水果糖度，小波變換濾波技術能有效地消除蘋果近紅外光譜中的噪聲，在采用小波變換尺度為3時WT－SMLR法建立的校正模型精度明顯優于采用SMLR法建立的模型[10]。周文超等建立贛南臍橙內部糖度的近紅外投射PLS模型，r＝0.9032，RMSEP＝0.2421[11]。劉春生等利用可見／近紅外漫反射光譜結合PLS建立南豐蜜桔糖度校正模型，預測集r＝0.9133，RMSEP ＝0.5577，平均預測偏差為－0.0656[12]。

3.2 酸度檢測

應義斌等建立蘋果有效酸度的近紅外漫反射PLS模型，最佳 PC＝3，r＝0.959，SEC＝0.076，SEP＝0.525，Bias＝0.073[13]。劉燕德等應用近紅外漫反射光譜結合光線傳感技術建立蘋果有效酸度模型，預測值和真實值r＝0.906，SEC＝0.0562、SEP＝0.0562，Bias＝0.0115[14]。董一威等采用CCD近紅外光譜系統結合偏最小二乘回歸（PLSR）建立蘋果酸度預測模型，r＝0.8151，SEC＝0.0120，SEP＝0.0204[15]。

3.3 可溶性固形物檢測

2006年，李建平等應用近紅外漫反射光譜定量分析技術對2個產地3個品種枇杷的可溶性固形物進行無損檢測研究，發現在波長1400～1500nm和1900～2000nm兩段范圍，樣品的可溶性固形物與光譜吸光度之間的相關系數較高，最終建立的可溶性固形物含量預測模型的校正集和預測集相關系數分別為0.96和0.95[16]。

2008年，劉燕德等應用近紅外光譜（350～1800nm）及偏最小二乘法回歸、主成分回歸和多元線性回歸對梨的可溶性固形物及逆行定量分析；在采用偏最小二乘法回歸算法之前先用一階微分對光譜數據進行預處理，研究表明果實中間部位的預測結果較為理想；近紅外漫反射光譜可以作為一種準確、可靠和無損的檢測方法用于評價梨果實內部指標可溶性固形物[17]。

2009年，周麗萍等采用可見光與近紅外光結合技術對蘋果的可溶性固形物含量的檢測進行了研究，他們結合主成分分析（PCA）和BP神經網絡技術，建立蘋果SSC預測模型；采用DPS數據處理系統對蘋果樣本的漫反射光譜（345～1039nm波段），進行主成分分析，獲得累計可信度大于95%的5個新主成分；建立一個3層BP神經網絡模型，并將這5個新的主成分作為BP神經網絡模型的輸入量，其結果是98%以上預測樣本的預測相對誤差在5%以下[18]。

3.4 堅實度檢測

2006年，傅霞萍等采用傅里葉漫反射近紅外光譜技術研究了水果堅實度的無損檢測方法，他們對不同預處理方法和不同波段建模對模型的預測性能進行分析對比，建立了利用偏最小二乘法進行水果堅實度與漫反射光譜的無損檢測數學模型，同時結果表明應用近紅外漫反射光譜檢測水果堅實度是可行的，為今后快速無損評價水果成熟度提供了理論依據[19]。

2009年，史波林等采用近紅外光譜技術結合遺傳算法分別對去皮前后蘋果堅實度無損檢測進行研究，他們采用光譜附加散射校正（MSC）、微分處理（Derivative）、直接正交信號校正（DOSC）等預處理方法和基于遺傳算法（GA）的有效波段選擇方法來消除果皮對模型精度的影響，結果表明，蘋果果皮對近紅外光譜分析模型的預測能力有很大影響，但僅通過常規的光譜預處理方法（MSC、Derivative）很難有效消除。他們提出的遺傳算法結合直接正交信號校正（GA－DOSC）方法能有效消除果皮的影響，不但使所建模型的波長點和最佳主因子數分別由1480和5降到36和1，相關系數r由0.753提高到0.805，更重要的是模型的預測相對誤差RSDp從16.71%顯著下降到12.89%，并接近采用蘋果果肉建模的預測性能（12.36%），達到對蘋果硬度的近紅外無損檢測要求[20]。

3.5 色澤及單果重量檢測

2008年，劉燕德等采用可見／近紅外漫反射光譜對梨表面色澤進行無損檢測研究，采用多元線性回歸（MLR）、主成分回歸（PCR）和偏最小二乘法回歸（PLSR）三種數學校正算法，在350～1800nm光譜區間，結合梨的原始吸收光譜和標準化光譜進行了定量對比分析。原始吸收光譜應用PLSR建立的定標模型對24個未知樣品的預測結果是：L＊、a＊、b＊均方差分別為1.4251、0.4569 和 0.9497，相對預測偏差分別為3.7404%、3.3571%和2.5877%，表明可見／近紅外光譜技術對梨表面色澤的無損檢測具有可行性[21]。李鑫等采用偏最小二乘法（PLSR）建立單果的數學模型。蘋果梨透射光譜如圖2所示，光譜經歸一化處理后建立的模型穩定性最好，相關參數為：SEP＝18.01，Rc＝0.70，RMSEC＝18.68，PC＝5[22]。

圖2 蘋果梨投射光譜（產地吉林，奇異樣本號100，111）

3.6 水心、褐腐檢測

韓東海等采用可見／近紅外連續投射光譜研究蘋果內部褐變，正確判別率達95.65%[23].王加華等直接采用可見／近紅外能量光譜對蘋果褐腐病和水心進行鑒別，建立的偏最小二乘判別法（PLSDA）模型總判別率達98.1%，RMSEC＝0.449、RMSEP＝0.392；圖3為水心蘋果、褐腐蘋果和正常蘋果的絕對能量平均光譜圖[24]。

圖3 水心、正常、褐腐蘋果絕對能量平均光譜

3.7 維生素檢測

夏俊芳等采用偏最小二乘法交叉驗證法（PLCCV）建立臍橙VC含量數學模型，預測值與真實值的r＝0.9575、內部交叉驗證均方差 RMSECV＝3.9mg／100g，主成分數PC＝8[25]。

劉燕德等建立南豐蜜桔VC含量的可見／近紅外漫反射主成分分析（PCA）定標模型，預測r＝0.813，RMSEP＝2.112mg／100g，預測偏差PE＝－0.810mg／100g[26]。

3.8 品種鑒別

趙杰文等采用支持向量機（SVM）建立蘋果不同品種、不同產地的分類模型，預測識別率精度比傳統的判別分析法提高5%左右，均達到100%；回判識別率分別為100%和87%[27]。何勇等提出了一種用近紅外光譜技術快速鑒別蘋果品種的新方法，該方法應用主成分分析結合人工神經網絡建立了蘋果品種鑒別的模型，該模型的預測效果很好，識別率達到100%[28]。

4 存在的問題

近紅外光譜技術具有檢測速度快速、檢測方法簡便、檢測準確性高及同時可測定多種成分的優點，使它在果品在線分選檢測中有較好的應用前景。雖然近紅外光譜技術在水果成熟期預測和內部品質檢測方面的研究已有10年的時光，有些檢測技術已趨于成熟，但目前來看該技術仍存在一些問題，比如怎樣找出不同水果光譜的特性波段，怎樣實現果品快速在線檢測和分選，怎樣實現對水果的成熟度、硬度、糖度和內部缺陷等同時檢測，具體來說近紅外光譜技術在水果品質或成熟期檢測研究中主要存在以下幾方面問題。

4.1 水果成熟期預測中存在的問題

（1）近紅外光譜技術在水果成熟期預測中，光譜波段的選擇尤為重要；建立預測模型時有必要對光譜波段進行優選和組合[29]。

（2）利用近紅外光譜預測果實成熟期時，既要保證預測模型的精確度，還需考慮模型的通用性，即還需進一步研究水果果實的不同光學特性與果實成熟期的相關性，提高預測的效率和準確性。

4.2 水果品質檢測中存在的問題

（1）在水果品質的光譜檢測中，光譜儀自身的信噪比等性能會極大地影響預測模型的精確度。可見，在光譜預處理方面，選擇合適的消噪方法將成為今后近紅外光譜技術在水果內部品質及成熟期預測中的另一個研究重點[30]。

（2）在利用NIST對水果品質進行檢測的過程中，建立數學模型是最困難的，因為近紅外光譜很容易受到果品樣本個體因素如溫度、檢測部位不同等因素的影響；同時由于檢測環境條件、儀器的精度和穩定性等復雜因素的影響，使得數學模型適應性差。在線檢測過程中，樣品是運動的，近紅外光譜受到很大的影響，如何在果品運動的狀態下獲得較穩定的近紅外光譜仍是一個很大的難題。

（3）建立用于水果品質光譜分析的校正模型與開發用于水果品質檢測的軟件系統是近紅外光譜技術能否用于水果品質檢測的最關鍵問題，但當前大部分研究只是進行可行性探索，沒有進行深入研究；在實際生產生活中使用的便攜式水果品質無損檢測儀器非常罕見。

5 發展趨勢

目前水果市場，或者水果生產者在田間分析水果品質都需要一種小型便捷的、可移動式的近紅外光譜分析儀器。同時這些儀器還需要操作簡單，對普通常見的水果都具有適用性。因此，便攜式的、能夠和電腦隨時連接的類USB或PDA的近紅外水果分析儀將會成為市場新寵。

當今水果加工過程中非常需要一種能夠根據水果品質指標（如可溶性固形物、酸度、硬度等）進行快速在線分級.光纖技術與近紅外技術結合必然使近紅外在線檢測技術廣泛應用于水果以及其他各個領域，并在今后的發展中逐步形成成熟的在線檢測裝備投放于市場。隨著近紅外光譜分析技術的不斷推廣和深入應用，未來它將與網絡技術結合，更方便快捷地實現分析模型的在線更新與升級。

目前，水果的近紅外光譜無損檢測中還存在檢測指標單一、實時性差、檢測效率低等問題。為了解決上述問題，開展高效并行圖像處理算法和多指標綜合檢測技術的研究非常必要，并將成為研究熱點。為了更快速、更準確地得到測量結果，結合近紅外光譜分析技術、高光譜成像技術，及紫外、紅外光技術，從多信息融合技術的不同層次：數據層、特征層和決策層選擇最優的融合方法，在水果成熟期和品質檢測領域將有廣闊的研究前景。近紅外光譜技術將會在更多領域更廣泛范圍為人類帶來便利。

[1]蘇東林，近紅外光譜分析技術在我國大宗水果品質無損檢測中的應用研究[J].食品工業科技，2012，6（33）：460～464.

[2]賀艷楠，水果成熟度無損檢測技術研究進展[J].北方園藝，2010（3）：208～212.

[3]莫潤陽，無損檢測技術在水果品質評價中的應用[J].物理學和高新技術，2004，33（11）：848～851.

[4]毛莎莎，曾 明，何紹蘭，等，近紅外光譜技術在水果成熟期預測中的應用（綜述）[J].亞熱帶植物科學，2010，39（1）：82～89.

[5]McGlone V A，et al.VIS／NIR estimation at harvest of pre－and post－storage quality indices for ‘Royal Gala’apple [J].Postharvest Biology and Technology，2002，25：135～144.

[6]Lu R，et al.A Near－infeared sensing technique for measuring internal quality of apple fruit[J].Trans of the ASAE，2002，18（5）：585～590.

[7]Ann Peirs，et al.Effect of natural variability among apples on the accuracy of VIS－NIR calibration model for optimal harvest date prediction[J].Postharvest Biology and technology，2005，35：1～13.

[8]Yongni Shao，et al.Visible／near infrared spectrometric technique for nondestructive assessment of tomato quality characteristics[J].Journal of Food Engineering，2007，81：672～678.

[9]Clark C J，McGlone V A，Jordan R B，et al.Detection of brown－heart in‘braeburn’apple by transmission NIR spectroscopy[J].Post－harvest Biology and Technology，2003（28）：87～96.

[10]應義斌，基于小波變換的水果糖度近紅外光譜檢測研究[J].光譜學與光譜分析，2006，26（1）：63～66.

[11]周文超.近紅外投射光譜無損檢測贛南臍橙糖度的研究[J].農業化研究，2009（5）：161～163.

[12]劉春生.偏最小二乘法——可見／近紅外光譜測定南豐蜜桔糖度的研究[J].河北師范大學學報：自然科學版，2008，32（6）：788～790，797.

[13]應義斌.蘋果有效酸度的近紅外漫反射無損檢測[J].農業機械學報，2004，35（6）：124～126，141.

[14]劉燕德.近紅外漫反射用于檢測蘋果糖度及有效酸度的研究[J].光譜學與光譜分析，2005，25（11）：1793～1796.

[15]董一威.蘋果中糖酸度的CCD近紅外光譜分析[J].食品科學，2007，28（8）：376～380.

[16]李建平，傅霞萍，周 瑩.近紅外光譜定量分析技術在枇杷可溶性固形物無損檢測中的應用[J].光譜學與光譜分析，2006，26（9）：1606～1609.

[17]劉燕德.近紅外漫反射光譜檢測梨內部指標可溶性固形物的研究[J].光譜學與光譜分析，2008，28（4）：797～800.

[18]周麗萍.蘋果可溶性固形物含量的檢測方法[J].農業化研究，2009，4（4）：104～106.

[19]傅霞萍.水果堅實度的近紅外光譜檢測分析實驗研究[J].光譜學與光譜分析，2006，26（6）：1038～1041.

[20]史波林.應用GA－DOSC算法消除果皮影響近紅外漫反射光譜分析蘋果硬度的研究[J].光譜學與光譜分析，2009，29（3）：665～675.

[21]劉燕德.梨子表面色澤的可見／近紅外漫反射光譜無損檢測研究[J].紅外與毫米波學報，2008，27（4）：266～268.

[22]李 鑫.蘋果梨單果重的近紅外無損檢測研究[J].安徽農業科學，2008，36（4）：1297～1298.

[23]韓東海.蘋果內部褐變的光學無損傷檢測研究[J].農業機械學報，2006，37（6）：86～88，93.

[24]王加華.基于可見／近紅外能量光譜的蘋果褐腐病和水心鑒別[J].光譜學與光譜分析，2008，28（9）：2098～2102.

[25]夏俊芳.基于小波變換的柑橘維生素C含量近紅外光譜無損檢測方法[J].農業工程學報，2007，23（6）：170～174.

[26]劉燕德.可見／近紅外漫反射光譜無損檢測南豐蜜桔維生素C的研究[J].光譜學與光譜分析，2008，28（10）：2310～2320.

[27]趙杰文.支持向量機在蘋果分類的近紅外光譜模型中的應用[J].農業工程學報，2007，23（4）：149～152.

[28]何 勇.基于主成分分析和神經網絡的近紅外光譜蘋果品種鑒別方法研究[J].光譜學與光譜分析，2006，26（5）：850～853.

[29]鄭麗敏.近紅外光譜波段優化選擇在驢奶成分分析中的應用[J].光譜學與光譜分析，2007，27（11）：2224～2227.

[30]夏俊芳.基于小波消噪柑橘內部品質近紅外光譜的無損檢測[J].華中農業大學學報，2007，26（1）：120～123.