微型近紅外光譜儀檢測水果可溶性固形物

郅建軍　陳　通　孫武堅　王春峰　郭　麗　陳　斌

(1.江蘇大學食品與生物工程學院，鎮江 212013；2.江蘇大學機械工程學院，鎮江 212013)

?

微型近紅外光譜儀檢測水果可溶性固形物

郅建軍1陳通1孫武堅2王春峰1郭麗1陳斌1

(1.江蘇大學食品與生物工程學院，鎮江 212013；2.江蘇大學機械工程學院，鎮江 212013)

摘要：以濱松公司生產的C11708MA微型光譜儀為基礎，在自行搭建的兩套光譜采集平臺上檢測水蜜桃、梨子的可溶性固形物含量。采用了多種光譜預處理方法，結合PLS和LS-SVM建立水蜜桃、梨子可溶性固形物模型。實驗結果表明，水蜜桃光譜經過標準化預處理，建立的LS-SVM模型效果最好，校正相關系數(Rp)和均方根誤差(RMSEP)分別為0.8902和0.7703。梨子光譜經過CARS篩選得到46個變量，建立的PLS模型效果最好，Rp和RMSEP分別為0.7597和0.5783。驗證了該光譜儀在水果可溶性固形物含量檢測方面的應用的可行性，為進一步構建便攜式水果可溶性固形物檢測設備奠定了基礎。

關鍵詞：微型近紅外光譜儀水果可溶性固形物回歸模型

水蜜桃和梨子都是我國主要的水果品種，可溶性固形物含量是評價水果內部品質的一個重要指標。方便快捷地檢測水果可溶性固形物含量，對于水果生產、加工和流通環節中把握其質量，保證果品品質具有重要意義。與傳統破壞式檢測相比，近紅外光譜檢測以其快速、無損等優點[1]廣泛應用于水果內部品質檢測。

由于價格昂貴、操作的專業性、儀器穩定性等因素影響，近紅外光譜儀在我國的食品工業、農業和農產品加工部門并沒有得到真正意義上的應用，其中價格成為主要制約因素。沒有出現能符合國情的低成本、使用極為方便的小型化、手提式近紅外水果品質檢測儀[2]。

本研究嘗試以濱松公司生產的C11708MA微型光譜儀為基礎，自行搭建兩套可溶性固形物光譜采集系統。以微型光譜儀結合自行設計的光纖探頭檢測水蜜桃可溶性固形物含量，以微型光譜儀嵌式平臺檢測梨子可溶性固形物含量，并用另一種商品化的微型光譜儀JDSU 公司生產的MicroNIR-1700做對比。多種預處理方法結合PLS和LS-SVM建立水蜜桃可溶性固形物模型，多種波長優選方法結PLS建立多品種梨子可溶性固形物模型，優化水果可溶性固形物的檢測模型，提高預測精度。

1試驗部分

1.1材料

水蜜桃品種為日川白鳳，采自鎮江市句容某果園。梨子有多個品種，包括晚生新水、祝水、喜水、明水、早生新水，采自鎮江市農科院試驗田。依次編號標記，每個樣品用記號筆圈三點，分別是向陽面、背面和側面，每個點代表一個試驗樣品。

1.2儀器與光譜采集

1.2.1微型光譜儀

圖3　 C11708MA微型光譜儀結構原理示意圖

C11708MA微型光譜儀(濱松公司生產)，該光譜儀外形如圖1所示，圖2是測試用驅動電路板外形。該光譜儀結構緊湊，尺寸只有拇指大小，重量為9g。光譜響應范圍為640 nm~1 050 nm。該光譜儀探頭采用帶光接收狹縫的CMOS圖像傳感器，整合了MEMS和圖像傳感器技術。內部光學系統包含了一個凸透鏡，光柵通過納米壓印技術制作在透鏡表面。具體結構原理如圖3所示，用作對比的微型光譜MicroNIR-1700(JDSU 公司JDSU 公司)如圖4所示。

圖4　 MicroNIR-1700光譜儀

1.2.2微型光譜儀結合光纖的檢測平臺

在微型光譜儀結合自行設計的光纖系統上完成對水蜜桃光譜的采集，光源發出的光，經出射光纖照射到樣品上，發生漫反射，返回的光經入射光纖傳輸到檢測器，如圖5所示[3]，兩臺光譜儀采集到的光譜如圖6、圖7。

圖5　微型光譜儀結合光纖的檢測平臺示意圖

圖6　結合光纖的檢測平臺采集到的水蜜桃光譜圖

圖7　MicroNIR-1700采集到的水蜜桃光譜圖

1.2.3微型光譜儀嵌入式檢測平臺

微型光譜儀和電路板封裝在盒子中，在微型光譜儀兩側放置兩個鹵鎢燈，上方放置樣品支架，維持樣品穩定并防止漏光。將梨子置于樣品支架上，鹵鎢燈發出的光照射到梨子上發生漫反射，返回的光進入檢測器，具體結構如圖8。兩臺光譜儀采集到的光譜如圖9和圖10。

圖8　微型光譜儀嵌入式檢測平臺示意圖

圖9　嵌入式檢測平臺采集到的梨子光譜圖

圖10　MicroNIR-1700采集到的梨子光譜圖

1.3可溶性固形物測定

樣品光譜測量完成后，按照NY/T2637-2014標準，用阿貝折射儀測定可溶性固形物含量[4]。可溶性固形物含量的實際測量結果見表1和表2，校正集和預測集用K-S 法劃分，從表中可以看到校正集的可溶性固形物分布范圍大于預測集的分布范圍，這有利于構建更加穩健的預測模型。

1.4模型建立及評價

利用 MATLAB2009b軟件完成數據整理及波長優選，用江蘇大學近紅外課題組自行編寫的NIRSA4.3 進行光譜預處理和模型建立。建立水果的校正模型，選擇校正均方根誤差RMSEC 預測均方根誤差RMSEP和校正相關系數Rp、預測相關系數Rc作為模型的評價標準。一個好的模型應該有較高的較低RMSEC和 RMSEP，Rp越高且RMSEP 越小，模型的預測能力越強RMSEC和RMSEP越接近模型的穩定性越好[5]。

表1　水蜜桃可溶性固形物含量分布情況

表2　梨子可溶性固形物含量分布情況

2結果與討論

2.1水蜜桃可溶性固形物

對光譜數據進行預處理可以消除因樣品狀態、測量條件和雜散光等因素引起的基線平移及旋轉等噪聲，提高光譜數據的信噪比,在建立模型前對原始光譜信息進行適當的預處理是必要的[6]。表3、表4分別是C11708MA、NIR-1700采集到的水蜜桃近紅外光譜，經過不同方法預處理之后采用PLS和LS-SVM建模及預測結果。

表3　不同預處理方法C11708MA水蜜桃所建模型校正和預測結果

表4　不同預處理方法MicroNIR-1700水蜜桃所建模型校正和預測結果

2.1多品種梨子可溶性固形物

應用特定的方法篩選波段可以得到更好的模型,波長優選一方面可以簡化模型,更主要的是可以剔除無關或非線性變量,從而得到預測能力強、穩健性好的校正模型[7]不同方法篩選前后的建模結果如表5、表6。

表5　不同波長優選方法C11708MA梨子所建PLS模型校正和預測結果

表6　不同波長優選方法MicroNIR-1700梨子所建PLS模型校正和預測結果

3結 論

以濱松公司生產的微型光譜儀為基礎，搭建了兩套水果可溶性固形物檢測系統。分別采取不同的預處理方法，建立PLS和LS-SVM模型，比較了兩套系統與JDSU公司MicroNIR-1700微型光譜儀的建模和預測結果。

水蜜桃的建模結果，MicroNIR-1700光譜經過MAF平滑預處理建立的LS-SVM模型結果最佳，其Rp與RMSEP分別為0.9269和0.5390。C11708MA光譜經過標準化預處理的LS-SVM模型結果最佳，其Rp與RMSEP分別為0.8902和0.7703。

對梨子的光譜進行波長優選，MicroNIR-1700光譜經CARS優選，46個變量建模結果最佳，其PLS模型Rp與RMSEP分別為0.8476和0.5354。C11708MA梨子光譜經CARS優選，19個變量結果最佳，其PLS模型Rp與RMSEP分別為0.7583和0.5783。

綜合來看，濱松C11708MA微型光譜儀的建模效果略差于MicroNIR-1700。究其原因，可能是其波段主要集中在短波區，范圍窄，但完全可以滿足農產品檢測需求。前者造價低，更適合用于農業上的推廣。以后的工作中，對檢測平臺稍加改進，模型效果會更好。本實驗驗證了濱松C11708MA微型近紅外光譜儀可以實現水果可溶性固形物的快速檢測，搭建的兩套檢測平臺為進一步構建水果可溶性固形物便攜式檢測設備奠定基礎。

參考文獻

[1] 陸婉珍，袁洪福，褚小立.近紅外光譜儀器[M].北京：化學工業出版社，2010：162-163.

[2] 馮幫，陳斌，顏輝.便攜式近紅外光譜檢測系統的開發[J] .研制開發，2014,20(2)：12-16.

[3] 畢衛紅，許峰，呂超.水果含糖量近紅外檢測系統及實驗[J].紅外技術，2007,(11):678-680.

[4] 秦善知，陳 斌，陸道禮.基于便攜式近紅外光譜儀檢測梨可溶性固形物[J].江蘇農業科學，2014，42(8)：284-286.

[5] 樊書祥，黃文倩，李江波，郭志明，趙春江.特征變量優選在蘋果可溶性固形物近紅外便攜式檢測中的應用 [J]. 光譜學與光譜分析，2014,34(10):2707-2712.

[6] 傅霞萍，應義斌，劉燕德. 近紅外光譜技術在水果內部品質無損檢測中的應用[J] .農機化研究，2004(2) :201- 203.

[7] 劉燕德，陳興苗，歐陽愛國.可見近紅外光譜法無損檢測贛南臍橙可溶性固形物[J]光學學報，2008,8(1)：140-144.

Detection of the soluble solids content(SSC) in fruit using miniature NIR spectrometry .ZhiJianjun1,ChenTong1,SunWujian2,WangChunfeng1,GuoLi1，ChenBin1

(1.SchoolofFoodandBiologicalEngineering,JiangsuUniversity,Zhenjiang212013,China;2.SchoolofMechanicalEngineering,JiangsuUniversity,Zhenjiang212013,China)

Abstract:Two sets of spectral acquisition platform based on miniature NIR spectrometry C11708MA were builded.Different spectral pretreatment methods were developed to establish PLS and LS-SVM regression model of SSC in peaches and pears.The Rp and RMSEP were 0.8902 and 0.7703 for peaches.The Rp and RMSEP were 0.7597 and 0.5783 for pears.The above results demonstrate that the method is feasible, and the data are useful for the further applications of miniature NIR spectrometry .

Key words:miniature NIR spectrometry;fruit;SSC; regression model

收稿日期：2015-11-09

DOI:10.3936/j.issn.1001-232x.2016.01.015

作者簡介：郅建軍，男，1990年出生，碩士研究生，研究方向：近紅外光譜技術在食品、農產品中的應用。通訊作者：陳斌，男，江蘇大學食品與生物工程學院，教授，博導，E-mail:ncp@ujs.edu.cn。

基金項目：陣列式半導體激光器件的食品原料品質近紅外快速檢測方法的研究，國家自然基金項目(31171697)