水果內部品質近紅外動態在線檢測研究進展

摘要：近紅外光譜分析技術具有無前處理、無污染、方便快捷、無破壞性、在線檢測、多組分同時檢測，適于現場檢測和在線分析等特點，已經廣泛應用于果蔬內部品質的無損檢測中。主要介紹了水果近紅外光譜在線檢測原理及組成，最近幾年近紅外在線檢測技術在水果品質檢測方面的國內外研究進展，指出了近紅外光譜分析技術尚存在的問題，并對今后的近紅外光譜分析技術進行了展望。

關鍵詞：近紅外光譜；在線檢測；水果；內部品質

中圖分類號：O657.33 文獻標識碼：A 文章編號：0439-8114（2013）10-2242-03

隨著人們生活水平的不斷提高，人們對水果品質的要求越來越高。不僅注重外部品質（大小、色澤等），同時也越來越關注其內部品質（口感、甜度等）。這就使得在線檢測分級尤為重要，近幾年廣闊的市場需求極大地促進了水果內部品質檢測的發展。傳統破損式化學檢測方法制樣繁瑣、檢測時間長、需要專業人員操作，難以滿足大批量水果的在線檢測與分級需求。而近紅外光譜技術具有無損、效率高、快速、重現性好，適于現場檢測和在線分析等特點，已在提高水果生產技術自動化水平和水果質量方面發揮了重要作用[1-7]。

近幾年，隨著近紅外光譜分析技術和化學計量學的不斷發展及研究，近紅外光譜分析技術在水果品質檢測的應用日漸成熟，已經逐漸從實驗階段走向應用階段，從靜態研究向動態在線檢測發展；并且在動態在線檢測方面取得了實質性的進展[8-11]。本文主要介紹了水果近紅外光譜在線檢測原理及組成，并簡述了最近幾年近紅外檢測技術在水果品質檢測方面的國內外發展現狀，指出了近紅外光譜分析技術尚存在的問題，并對今后的近紅外光譜分析技術作了展望。為近紅外光譜在線檢測技術的推廣應用提供參考。

1 近紅外在線檢測原理及組成

1.1 動態在線近紅外檢測原理及方式

在進行水果動態在線檢測時，光譜通過漫反射或透射或漫透射方式進行采集，如圖1所示，透射和漫透射的優缺點是： ①可以測量果實整體；②可以測量厚皮果品；③可以檢測果實內部特征；④只限于易透光物料；⑤需要配置高靈敏度、高動態范圍檢測器。漫透射和透射適宜蘋果內部水心、褐腐病及鴨梨內部褐變等情況。漫反射的優缺點是： ①適合多種果品；②只能獲取一個方向且為果皮附近果肉信息；③不能測量柑橘之類的厚皮果實； ④在選果線上，近紅外線照射位置一定，而果實大小和人工放在輸送裝置上的果實位置，將使測定位置產生偏差，從而影響測定精度。漫反射適宜檢測果皮較薄的桃、梨、蘋果等果實的糖酸度[12-15]。

1.2 近紅外在線檢測分級系統組成及功能

水果近紅外光譜在線檢測裝置一般由機械輸送單元、近紅外光譜檢測單元、信號控制單元、PLC控制單元、分選執行單元等組成，如圖2所示。機械輸送單元：機械輸送裝置輸送水果，進入可見近紅外光譜檢測裝置工位； 近紅外光譜檢測單元：檢測水果的品質，建立水果的品質與近紅外光譜的關系；信號控制單元：在得到水果等級信息時，輸送給PLC控制單元；PLC控制單元：在得到水果等級信號時，控制各分選口的執行元件；分選執行單元：執行分選功能，實現不同等級水果的分選。

2 國外水果品質近紅外在線檢測技術研究現狀

Wedding等[16]在針對“哈斯”鱷梨水果的市場分級商品化研究中，對“哈斯”鱷梨進行了傅立葉變換（FT）的近紅外光譜（NIRS）漫反射檢測，利用近紅外光譜技術對“哈斯”鱷梨品質分級檢測，其建立的偏最小二乘回歸的預測模型DM系數為0.76，均根誤差DM范圍在1.53%之內。這項研究的結果表明，FT-NIRS漫反射模式對于“哈斯”鱷梨品質分級具有很大的潛力。

Tsai等[17]構建了近紅外在線檢測梨果的裝置，分別用GA-PLS和GA-SPA-MLR方法對樣品進行建模，其交叉驗證標準誤差（SECV）=0.622 Brix，結果表明進行梨果的近紅外在線檢測是可行的，不過梨果的放置方式對測試精度影響較大。

Mcglone等[18]對高速運動（0.5 m/s）的完整蘋果的干物質進行透射檢測，并建立了蘋果的干物質預測模型，其結果為LAS（大口徑譜儀）R2=0.87，RMSEP=0.43%；TDIS（時間延遲積分光譜）R2=0.81， RMSEP=0.48%。結果表明，采用直接透射模式是進行高速水果測量一種可行的選擇，速度的選擇對試驗有一定的影響。

Alain等[19]對新鮮番茄果實的整體品質，特別是番茄紅素含量的測定，用VIS-NIR反射光譜進行試驗檢測，其波長范圍在400～1 000 nm，結合化學計量學對番茄的番茄紅素含量進行建模。試驗結果為R2=0.98，RMSECV=3.15 mg/kg。試驗表明，用VIS-NIR反射光譜對番茄紅素含量的測定是可行的，對于番茄的多品質含量的測定準確性有待提高。

Patricia等[20]在針對水果的商業化加工生產線的內在品質分級問題上，構建了近紅外在線檢測李子的裝置。其用近紅外光譜（NIRS）主要評估了可溶性固形物含量（SSC，°糖度）和硬度（N）完整的李子 （共720份李子）。主要用來獲得參考數據和近紅外光譜數據的校正模型，交叉驗證測定系數（R2）及標準誤差（0.77°糖度，0.83），硬度（2.54 N，0.52）。結果表明，近紅外光譜技術針對李子的可溶性固形物含量和硬度兩項指標，可以很好地進行分級處理，提高了商品質量等級的精度和準確性；對于混合多品種的李子的建模效果較差，達不到商業化標準。

3 國內水果品質近紅外在線檢測技術研究現狀

崔豐娟等[21]的試驗采用透射方式采集樣品光譜。光譜儀為德國 M.u.T公司的近紅外光譜儀，波長范圍為 500～1 100 nm，光源為德國歐司朗公司4個型號12 V、100 W的燈，蘋果分別以0、0.3、0.6、0.9 m/s的切線速度運動，用偏最小二乘法（PI S）建立蘋果糖度的模型，得出最好的模型相關系數為0.938 6，校正標準差RMSEC為0.289 4，最佳主因子數為4。研究結果表明，蘋果運行速度對模型的預測結果有影響 ，用每個速度下的大量樣品參與建模，可以有效地提高模型的穩健性，從而減少模型對水果運行速度的敏感性；當速度超過范圍（閾值0.9 m/s）時，模型的穩定性較差。

劉燕德等[22]在試驗中探討了近紅外光譜技術結合發光二極管（LED）組合光源探頭在線檢測水晶梨的可溶性固形物和大小的可行性（圖3）。試驗中采用850、880和940 nm 3盞LED組成組合光源探頭，水晶梨在線速度5個/s，采用漫反射方式。最好模型的可溶性固形物和大小的相關系數分別為0.86和0.90，預測均方根誤差分別為0.58%和1.93 nm。試驗表明，應用近紅外光譜技術結合LED組合光源探頭在線檢測水晶梨可溶性固形物和大小具有可行性。

田海清等[23]為使可見/近紅外漫透射光譜技術用于西瓜品質在線檢測，自行設計加工了運動西瓜光譜采集系統（圖4），并進行了樣品光譜采集。對運動狀態下西瓜品質指標的測定，分別采用最小二乘擬合法、Norris微分濾波等方法進行了光譜的平滑消噪處理，發現Norris微分濾波法更適合該系統采集到的西瓜光譜的平滑消噪處理，建立運動西瓜的可溶性固形物含量模型，校正相關系數為0.895，均方根校正標準偏差RMSEP為0.549，均方根預測標準偏差RMSEP為0.760。

4 近紅外動態在線檢測技術存在的問題及今后的研究方向

雖然近紅外光譜技術的研究持續多年，但大部分還處于試驗階段，只是進行了可行性的研究，沒有進行更深入的探討，而形成產業化、商業化的就更少。主要問題在于：①基礎工作量大，建立模型困難（水果品種差異性），模型適應性比較差。建議建立專門的建模研究機構，這樣就可以更加深入、專業有效地建立模型，也可以進行國際合作、資源共享。②動態在線檢測時，光譜易受周圍環境影響（如溫度、振動、濕度等），導致其測量精度下降。今后的工作針對周圍環境變化實施實時監測，建立反饋系統。③水果的多品質檢測還處于比較不成熟的階段。針對這一問題，今后的工作是在對一種水果的單一品質研究比較完善時，加大其多品質的研究力度。④儀器的性能穩定性不夠（如儀器的噪聲、基線的漂移、波長的準確性等），引起測量誤差。針對這一問題，可以配置穩壓電源、建立恒溫恒濕系統、設置內標等。⑤在在線檢測研究中所應用的模型大多為PLS或是神經網絡模型。今后的研究方向是建立可描述的模型，加大對可描述模型研究的力度。

參考文獻：

[1] 潘圓媛，劉燕德，孫旭東.水果內部品質近紅外動態在線檢測研究進展[J].激光與紅外，2010，40（8）：805-810.

[2] SUN T， LIN H J， XU H R， et al. Effect of fruit moving speed on predicting soluble solids content of cuiguan pear using PLS and LS-SVM regression[J]. Postharvest Biology and Technology，2009，51（1）：86-90.

[3] 孫 通，徐惠榮，應義斌. 近紅外光譜分析技術在農產品/食品品質在線無損檢測中的應用研究進展[J].光譜學與光譜分析，2009，29（1）：122-126.

[4] XU H R， QI B， SUN T， et al. Variable selection in visible and near-infrared spectra： application to on-line determination of sugar content in pears[J]. Journal of Food Engineering，2012，109：142-147.

[5] 孫 通，應義斌，劉魁武，等. 梨可溶性固形物含量的在線近紅外光譜檢測[J]. 光譜學與光譜分析，2008，28（11）：2536-2539.

[6] 王 麗，鄭小林，鄭群雄. 基于近紅外光譜技術的桃品質指標快速檢測方法研究[J]. 中國食品學報，2011，11（3）：205-209.

[7] 孫旭東，郝 勇，高榮杰，等.臍橙糖度近紅外光譜在線檢測數學模型優化研究[J].光譜學與光譜分析，2011，31（5）：1230-1235.

[8] BART M N， KATRIEN B，ELS B， et al. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy： A review [J]. Postharvest Biology and Technology，2007，46：99-118.

[9] 馬海軍. 水果品質近紅外檢測技術研究進展[J].農業科學研究，2011，32（2）：72-76.

[10] 蔣雪萍.近紅外光譜分析儀校準方法的探討[J].化學分析計量，2011，20（1）：80-82.

[11] 姚 勝，武國峰，周舒珂，等.實驗誤差對近紅外模型準確性的影響[J]. 光譜學與光譜分析，2011，31（5）：1216-1219.

[12] 韓東海，王加華.水果內部品質近紅外光譜無損檢測研究進展[J].中國激光，2008，35（8）：1123-1131.

[13] 章海亮，孫旭東，劉燕德，等.近紅外光譜檢測蘋果可溶性固形物[J].農業工程學報，2009，25（2）：340-344.

[14] 陳香維，楊公明. 獼猴桃糖度傅里葉變換近紅外光譜無損檢測[J].西北農業學報，2011，20（7）：143-148.

[15] 李東華，徐亞民，紀淑娟，等. 近紅外光譜分析技術在果蔬品質無損傷檢測方面的應用[J].農業科技與裝備，2008（1）：53-54.

[16] WEDDING B B，WHITE R D GRAUF S.Non-destructive prediction of ‘Hass’ avocado dry matter via FT-NIR spectroscopy[J].Journal of the Science of Food and Agriculture，2011，91（2）：233-238.

[17] TSAI C Y，CHEN H J，HSIEH J F，et al. Fabrication of a near infrared online inspection system for pear fruit[J]. International Agricultural Engineering Journal，2007，16（2）：57-70.

[18] MCGLONE V A，CLARK C J，JORDAN R B. Comp-aring density and VNIR methods for predicting quality parameters of yellow-fleshed kiwifruit[J]. Post harvest Biology and Technology， 2007，46：1-9.

[19] ALAIN C， MARTINE D，MARCIA V J. Agric. food chem. nondestructive measurement of fresh tomato lycopene content and other physicochemical characteristics using visible？NIR spectroscopy[J]. Food and Feed chemistry，2008，56（21）：9813-9818.

[20] PATRICIA P， MARIA T. Nondestructive determination of total soluble solid content and firmness in plums using near-infrared reflectance spectroscopy[J]. Food and Feed Chemistry，2008，56（8）：2565-2570.

[21] 崔豐娟，閘建文.近紅外透射蘋果運動速度模型適用性的研究[J].農機化研究，2010（11）：170-173.

[22] 劉燕德，彭彥穎. 基于LED組合光源的水晶梨可溶性固形物和大小在線檢測[J].農業工程學報，2010，26（11）：338-343.

[23] 田海清，應義斌，徐惠榮，等.運動西瓜可見/近紅外光譜采集系統及品質檢測試驗研究[J].光譜學與光譜分析，2009，29（6）：1536-1540.