基于Trace Pro仿真的橙果品質光譜檢測托盤參數設計與試驗

張倩倩 徐 賽 陸華忠

(1. 華南農業大學工程學院，廣東 廣州 516042；2. 廣東省農業科學院農產品公共監測中心，廣東 廣州 516042；3. 廣東省農業科學院，廣東 廣州 516042)

近年來，隨著人工智能技術的進步和發展，水果外部品質智能識別已得到了較好解決，但內部品質檢測精度仍不夠理想。可見/近紅外光譜無損檢測技術是目前應用較廣泛的水果內部品質無損檢測技術，已在蘋果[1-4]、西瓜[5-7]、梨[8]、桃[9]等水果上得到應用。已有的可見/近紅外光譜無損檢測裝備主要由可見/近紅外光譜無損檢測以及配套傳送裝置共同組成，采用透射光[10]的檢測結構獲取水果內部信息，采用托盤承載進行傳送，智能運算無損得出檢測結果。但課題組前期研究發現，傳送托盤在承載、固定和傳輸水果的同時，對光譜信號的采集會造成一定遮蔽影響，這是阻礙檢測精度提高的重要原因之一，需要進行多因素考慮與優化。

目前已有的無損檢測研究較多集中在檢測模型與光路參數上，對實際應用中存在的干擾因素研究較少。傳統的無損檢測傳送托盤參數通常只通過粗略的水果尺寸進行設計，較難接近托盤參數的最優化[11]。課題組[12]前期研究對柚果托盤進行參數設計與光學仿真，但不同水果的果形、大小、內部結構有所差異，需要有針對性的設計。但目前并未見對橙果的托盤進行參數設計、仿真分析等深入研究的報道。

研究擬從橙果的形態特征入手，通過光學仿真和光譜采集試驗相結合的方法，選擇仿真結果最佳的托盤進行加工并采集橙果的透射光譜，運用遺傳GA算法[13]、穩定性競爭自適應重加權采樣(SCARS)算法[14]進行光譜特征選取，建立橙果可溶性固形物(SSC)的偏最小二乘法回歸(PLSR)[15]預測模型，進行橙果無損檢測，以期為厚皮類水果的品質流水線無損檢測提供參考。

1 材料與方法

1.1 材料與儀器

1.1.1 試驗材料

橙果：美國新奇士橙，市售。隨機取果，去除有外表損傷、傷疤或不規則的樣品后保留120個，用濕毛巾將橙果擦凈，于室溫(24～26 ℃)下放 1 h自然晾干。120個橙果的外形參數如表1所示。

表1 120個橙果的形態特征

1.1.2 主要儀器

光譜儀：QE-Pro型，測量波長范圍400～1 100 nm，美國海洋光學公司；

光譜儀：NIR-QUEST型，測量波長范圍900～1 700 nm，美國海洋光學公司；

糖度儀：PAL-Grape Must(Brix)型，ATAGO(愛拓)中國分公司；

天平：HTP312型，上海花潮電器有限公司。

1.2 橙果傳送托盤初步設計

參考橙果的外形尺寸對托盤厚度、內橫徑、內縱徑參數進行確定與梯度試驗，初步確定，托盤外徑D為80 mm，橙果橫徑平均值為80.45 mm；厚度不低于橙子橫徑縱徑平均值的1/4，即20 mm，因此設計試驗梯度為20，25，30，35 mm；孔徑以橫徑平均值的1/2取值，一次增加5 mm(見圖1)，進行如上的梯度設計，最大孔徑取值為縱徑最大值的0.6倍，這是為了保證橙果放置在托盤上不會掉在傳送帶上，導致托盤功能失效，設定托盤內徑(D1，D2)(其中D1為內橫徑，D2為內縱徑)的試驗梯度設置為(40，40)，(45，40)，(50，50)，(55，50)，(55，55)；此外，根據實際生產應用托盤分別選擇亞克力、ABS樹脂、PC塑料、橡膠4種材料。

圖1 托盤三視圖

1.3 橙果托盤光學仿真平臺的建立

1.3.1 建立光源模型 SolidWorks軟件采用參數化設計，在相似零件的結構設計和零件尺寸修改方面具有很大的技術優勢。工具欄中的命令具有設計相關性，使得零件的設計修改更加可靠、準確和快速[16]。因此，采用Solidworks軟件設計光源的外部結構。

在Solidworks軟件中畫出自主搭建光譜實驗平臺頂燈的三維模型，頂燈照明機構(見圖2)使用100 W石英鹵素燈(共13組)的光源，其中包括環形光源12盞石英鹵素燈，入射角均為45°；中間光源1盞石英鹵素燈，垂直照射。

圖2 頂燈照明機構示意圖

1.3.2 設置模型參數 Trace Pro是一款具有強大光學分析功能及數據轉換能力的實體模型光學分析軟件，廣泛應用于照明系統、輻射分析、光學分析和光度分析[17]。

模型中，設定燈泡表面光源發射形式為光源特性，總光線數為200，光源在軟件中的名稱C460TR2432。

經試驗初步探索發現，橙果果皮較薄，如果打開全部光源，容易造成光譜數據過飽和。本著盡可能保證仿真設定與實際試驗一致原則，正式仿真前先對比探究燈泡數量/光能對仿真結果的影響，對比梯度設置為：1盞燈(100 W，圖2中的1號燈泡)，7盞燈(700 W，圖2中的2、4、6、8、10、12號燈泡)，13盞燈(1 300 W)，并設定所有燈泡的發光表面參數一致。圖3是光學仿真模型及效果圖。

圖3 光學仿真模型及效果

1.4 托盤的光譜驗證

1.4.1 獲取光譜數據 啟動光譜儀器并預熱15 min，使設備達到穩定的工作狀態，積分時間、平均次數等參數可采用Spectra Suite(Ocean Optics Ins.,USA)軟件設置。將優選出的托盤置于光譜平臺上，分別采用標準黑板和標準白板緊貼積分球以校正光譜儀，光譜儀校正后將橙果放置在托盤上，進行橙果樣本的光譜數據采集。檢測橙果的內部品質是基于透射光譜，因此選擇光譜的透射率作為光譜信息的研究參數。在光譜平臺內，使用試驗結果最優的傳送托盤，進行120個橙果樣本在400～1 700 nm 波長下的透射光譜數據的采集。

1.4.2 可溶性固形物含量測定 采用糖度儀對橙果的可溶性固形物含量(SSC)進行測量。取每個樣本全部果肉，用手動壓榨機擠出果汁，并用3層紗布過濾將果汁滴于糖度儀鏡面，記錄數據，每個橙果樣本測量3次并取平均值，其中可溶性固形物測量結果如表2所示。

表2 橙果可溶性固形物含量統計

1.5 建模方法

偏最小二乘法(PLSR)是集主成分分析，普通多元線性回歸和典型相關分析于一體的回歸分析方法。在光譜分析中應用廣泛。利用Matlab軟件建立可溶性固形物含量Y與光譜矩陣X之間的相關模型，PLSR將Y引入X矩陣分解過程，并對X和Y同時進行分解，使X、Y兩者最大程度相關，為提取有效信息，并考慮兩者間的相關性，其中自變量矩陣方差盡可能大，從而獲得最佳校正模型。其中隨機選擇80個樣本作為校正集用于建立模型，剩余40個樣本則作為預測集進行模型驗證。

PLSR模型以校正均方根誤差(RMSEC)、決定系數(R2)及預測均方根誤差(RMSEP)作為評價指標。R2值越接近1，表明模型的回歸或預測結果越好；RMSEP越小，表明模型的預測能力越強。

2 結果與分析

2.1 托盤參數的仿真結果

2.1.1 托盤尺寸參數的優化 從表3可以看出，只打開1號燈泡輻照度平均值較小，13盞燈泡全部打開輻照度值較大，但前期摸索試驗中打開全部燈會造成橙果被照射部位表皮燙傷(如圖4)，因此仿真試驗選擇打開1、2、4、6、8、10、12號燈泡。

圖4 試驗損傷橙果

表3 頂燈數量與輝度/照度的關系

從表4可以看出，輻照度最小值雖然小有差異，由于數量級太小，不足以判別托盤優劣，最大輻照度以內橫徑55 mm，內縱徑50 mm最高。從表5可以看出，4種厚度輻照度最大值均相同，輻照度平均值以厚度20 mm為最高。因此托盤的尺寸參數確定為：內橫徑55 mm，內縱徑50 mm，厚度為20 mm。

表4 托盤內徑與輝度/照度的關系

表5 托盤厚度與輝度/照度的關系

2.1.2 托盤的材質優化 從表6可以看出，亞克力材料的托盤，輻照度最大值、平均值均為最大，表明亞克力材料優于其他3種材料。因此選擇加工厚度為20 mm、內橫徑為55 mm，內縱徑為50 mm的亞克力托盤進行后續試驗。

表6 托盤材料與輝度/照度的關系

同種材料下，尺寸上的變化對光強影響可以通過Trace Pro仿真較好的表達。但材料的變化在實際應用中會因為加工工藝、材料純度等影響與仿真結果存在一定差異。為了驗證此仿真結果，將4種材料托盤進行加工，分別進行光譜試驗。對比光譜數據(見圖5)，托盤波形沒有太大差別。因此對ABS樹脂、橡膠、PC塑料、亞克力4種托盤分別進行橙果的光譜數據采集試驗。

圖5 4種不同材料托盤的光譜圖

2.2 建模結果及分析

2.2.1 光譜預處理及建模 受環境、儀器穩定性等因素影響，橙果可見/近紅外光譜不可避免地含有一定噪聲。樣品的可見/近紅外透射光譜在低于560 nm和高于940 nm 的波段信號微弱且含有大量噪聲，因此選取560～940 nm波長范圍的光譜數據進行預處理。圖6為120個橙果在該波長范圍內的原始光譜。

圖6 120 顆橙果的可見/近紅外透射原始光譜

多元散射校正法(MSC)可消除因樣品表面的不均勻性產生散射引起的光譜差異。采用多元散射校正(MSC)方法對光譜進行預處理。光譜預處理后，建立偏最小二乘回歸模型，建模結果如表7所示。

表7 基于不同托盤的PLSR建模及預測結果

2.2.2 優化預測模型 由于原始光譜特征中既包含分類識別的有效信息(SSC差異特征)，又包含分類識別的干擾信息(非SSC差異特征)，這些干擾信息可以通過特征提取去除。在遺傳(GA)算法中，將光譜分成102個區域，前101個區域包含5個波段，最后一個包含4個波段，算法中群體數目、交叉概率、變異概率、迭代次數分別為：50、0.5、0.1、100；優選預處理后的560～940 nm光譜數據。GA遺傳算法最終優選出共計140個波長變量：560.342～562.639，571.818～574.112，587.094～600.816，606.146～612.233，617.556～619.835，632.742～635.017，640.324～642.597，647.898～650.169，655.465～657.734，666.801～669.067，681.890～691.682，708.223～710.476，730.721～732.967，738.205～747.923，749.417～751.657，753.151～759.120，771.790～777.744，790.381～792.609，820.028～822.247，834.806～837.020，864.269～870.146，886.285～888.483，919.178～930.108，930.836～932.292 nm。

穩定性競爭自適應加權采樣(SCARS)算法可以有效去除非信息變量，有效壓縮共線變量，達到提高模型穩健性的目的。由圖7(a)可知，隨著抽樣次數的增加，波長變量數由高到低呈遞減趨勢。由圖7(b)可知，隨著抽樣次數的增加，交叉驗證均方根誤差(RMSECV)值減少，這是由于受儀器影響且較敏感的波長變量被剔除；RMSECV最小時，此時為最佳抽樣次數。圖7(c)為波長變量穩定度軌跡圖，即隨采樣次數的增加，每個波長的回歸系數變化趨勢，可以得到RMSECV的最優變量子集，最優變量子集為第54個變量子集，最優變量子集中包括20個波長變量，即：562.639，577.932，606.908，625.152，632.742，696.949，704.467，731.470，732.967，734.464，735.961，747.176，748.670，753.151，753.897，754.643，755.390，760.612，837.020，846.606 nm。

圖7 SCARS 算法選擇特征變量

圖8 基于GA算法特征提取方法的橙果SSC檢測結果

3 結論

采用Trace Pro仿真，結合實際可見/近紅外光譜平臺實驗驗證的手段，確定了橙果內部品質光譜無損在線檢測托盤的最優參數為：外徑80 mm、內橫徑55 mm、內縱徑50 mm、厚度20 mm、材料采用亞克力。實際檢測算法對光譜進行MSC預處理，選用SCARS-PLSR進行建模。其中檢測結果的決定系數為0.920 9；預測均方根誤差為0.468 3，預測精度最佳。但研究只是以美國新奇士甜橙為研究對象，為了提高托盤與模型的適用性還需要對不同品種的橙果進行進一步研究，通過微調參數，研發可適應多品種橙果光譜無損檢測的托盤。

圖9 基于SCARS算法特征提取方法的橙果