基于可见光/近红外光谱技术的黄桃糖度在线检测研究

李宏丽

(苏州市职业大学 计算机工程学院，江苏 苏州 215104)

基于可见光/近红外光谱技术的黄桃糖度在线检测研究

李宏丽

(苏州市职业大学 计算机工程学院，江苏 苏州 215104)

应用可见光/近红外光谱分析技术，采用多元线性回归(MLR)模型方法，研究近红外光谱技术预测黄桃糖度的方法.采集60个不同成熟度的黄桃样品，利用ASD野外光谱仪测定黄桃光谱，反射光谱预处理后转换成吸收光谱，通过分析黄桃的吸收光谱特征、以及黄桃糖度与吸收光谱的一阶导数的相关性，找出对黄桃糖度的敏感波段.采用多元线性回归对黄桃糖度的敏感波段建模.结果表明：在350～2 500 nm波长范围内，黄桃吸收光谱的一阶导数模型模拟效果较好.黄桃糖度能较好地利用多元线性模型模拟，模型的相关系数大于0.61，并且均方根误差是0.44%.

近红外；光谱；糖度；无损检测

中国作为黄桃的发源地，种植黄桃已经有3 000年的历史.黄桃营养丰富，富含抗氧化剂、膳食纤维以及微量元素(硒、锌)等，对人体的健康非常有益.近年来，随着人们生活水平的提高，越来越多的人关注水果内在品质，比如口感、甜度和营养成分等，开发能够快速高效地完成对果品检测的技术[1]非常必要.

与传统的化学分析方法相比，近红外光谱分析技术是一种可靠、快速、无损的技术，需要的时间更少并且适用于连续的水果质量检测.近红外光谱区与有机分子中含氢基团(OH、NH、CH)振动的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息.光谱技术早已作为一种有效的方法，对水果进行可溶性固形物含量、总糖含量以及干物质含量的检测，如苹果、梨、葡萄、芒果、猕猴桃、橙子、杏仁、红枣、柑橘、草莓、桑葚[2-13].还有很多基于近红外光谱技术的有关水蜜桃的研究.比如，在刘燕德等[14]的研究中，采用偏最小二乘法，建立糖度有效酸度与水蜜桃光谱吸光度的相关数学模型，其最佳模型的相关系数为0.96、0.95，标准误差分别为0.534、0.124，偏差分别为 0.052，0.018.2007年，马广等[15]应用近红外反射光谱结合偏最小二乘法对金华大白桃的糖度进行了检测试验研究.研究结果表明，主成分分析是进行有效波段选择的有效方法，光谱技术结合最小二乘法支持向量能够成功对桃子进行可溶性固形物和PH值的准确测定.到目前为止，针对黄桃内部质量无损检测的研究还很少.基于近红外光谱分析技术，本研究根据黄桃的光谱特性，结合多元线性回归法分析黄桃中的糖度与吸收光谱的一阶导数进行分析建模，从而实现对黄桃糖度的快速无损检测.

1 材料与方法

1.1 样品准备

选择60只黄桃作为进行反射光谱测定的样本，在苏州镇湖黄桃园采摘不同成熟度的黄桃，并且在进行光谱测定之前对每个样本进行清理后按顺序进行编号、标记，在赤道部位做好采集三个点位的标记.

1.2 近红外光谱采集

近红外光谱的测量采用美国ASD公司生产的FieldSpec 3便携式光谱仪进行测量.光源是与光谱仪配套的卤钨灯.试验在恒温的室内进行.在对黄桃进行实际测量之前，仪器要用标准白板进行校准[16].测量时，探测针大概距离黄桃表面10 mm.在黄桃的赤道位置选取三个点位，在每个点位进行10次扫描，最后求得30次扫描的平均值作为该黄桃的光谱.该仪器的波段范围从350～2 500 nm.在350～1 000 nm区域，光谱采样间隔为1.4 nm和3 nm的波长宽度；而在1 000～2 500 nm范围，光谱采样间隔为2 nm和7 nm的波长宽度.利用ViewSpec Pro软件算出平均值，并将黄桃的反射率转换成吸收度光谱，用于黄桃多元线性回归模型的建立.

1.3 糖度的测定

在对黄桃样本进行光谱测定后，立即对黄桃的糖度进行化学测定.黄桃样品经过研磨、滤汁，通过Abbebenchtop折射计(型号：way-2s，上海精密科学仪器有限公司)进行测量.折射率的精度为±0.000 2.同样对每个样品取3个采样点的糖度平均值作为每个样品的糖度.

1.4 数据的预处理方法

预处理采用“viewspec Pro”软件(ASD，美国).本研究利用光谱数据的两个指标，即反射率倒数的对数变换(log(1/R))以及对反射率倒数的对数变换再求一阶导数(dlog(1/R)).采用黄桃光谱吸收度的一阶导数变换，可以消除数据的基线漂移或平缓背景干扰的影响，提高信噪比.

式中：λi，λi+1分别是波段；R(λi)，R(λi+1)分别是λi，λi+1对应的反射率.

采用SPSS 19.0和Microsoft Excel软件对光谱数据进行分析和表示.质量参数与反射率指标之间的相关系数用来判断波段的有效性.

1.5 数据建模方法

本研究采用多元线性回归(MLR)方法[17].MLR是一种较为常用的校准算法，然而，当变量大于样本数量时，容易受到共线性的影响.在本研究中，近红外光谱变量远远大于样本数量，因此，无法直接建立MLR模型.在建立MLR模型之前必须进行有效变量的选择，选择不共线的变量有助于建立MLR模型.最佳波段组合通过求预测残差平方和误差最小确定.模型预测的好坏主要通过相关系数(R)和均方根误差(RMSE)来体现.最好的模型应该是RMSE最小和R最大.

2 结果与讨论

黄桃的近红外典型光谱如图1所示.尽管吸收峰的位置和振幅不同，但吸收曲线的模式跟其他水果类似(如橘子).特别需要说明的是，本试验没有使用350～400 nm以及2 350-2 500 nm区域的数据作进一步的分析，因为这些区域的噪声会扭曲反射信号.在可见光区域(400～700 nm)可观测到吸收度的连续减少，并且在603 nm处达到最小.在676 nm处可观测到一个吸收峰表示红色素的吸收，特别是赋予水果代表性绿色的绿色素.这个峰值后面，由于光谱进入近红外光谱区域，吸收度会有一个大幅度下降.在720 ～910 nm区域，吸收光谱保持相对的平稳，直到在978 nm附近出现一个突出的吸收峰.这个吸收峰很可能是水分和糖类所致，因为在970 nm附近吸收强烈.

图1 黄桃的典型吸收光谱曲线

实验室数据分析结果：糖度范围在9.1～12.9°Brix(%)，平均值为11.36%，变异系数为0.715%.从数据结果可以看出，黄桃的糖度因成熟度不同呈现较大差异.

应用MLR模型对糖度的预测情况如图2所示.基于相关系数得到能够反映黄桃质量参数的敏感光谱波段，在质量参数与反射率之间对相关系数进行排序后，首选相关系数最佳的波段，通过敏感波段分析依次选择其他波段.此外，选择只有一个峰值且具有较好的相关系数的波段以克服共线性的问题，并能顺利进行多元回归建模.根据现有的经验规则，多元回归分析中样本数量与变量的比值应大于或等于5.因而，在60个样本的建模中变量的数量不能超过12.一般情况下，在预测水果的质量参数方面，光谱倒数的对数变换的一阶导数要优于单纯的倒数的对数变换.选择经过对光谱反射率倒数的对数变化的一阶导数预处理的12个变量，敏感波段选择的结果为408，723，1 017， 1 112， 1 420， 1 445，1 705， 1 812， 1 933，2 064， 2 199， 2 251 nm.在SPSS19.0 中，将选用的敏感波段作为多元线性回归的输入变量，方法选择“逐步”的方法，基于“逐步”的方法，最先进入回归方程的敏感波段跟黄桃糖度的关系最为密切，贡献最大.结果显示，共有10个敏感波段被选入，r=0.85，RMSE=0.44%，也就是说根据模型预测的糖度与实测值密切相关.

图2 应用MLR模型对糖度的预测情况

3 结论

通过光谱数据的两个指标(log(1/R)和dlog(1/R))进行相关分析发现，黄桃糖度与光谱反射率倒数的对数变换之间没有特别显著的关系.然而，黄桃糖度跟光谱反射率对数变换的一阶导数在一些波段具有较强的关系，选择具有较强关系的波段作为多元线性回归分析的输入参数.在每个采样点使用MLR模型对黄桃糖度进行预测，利用ASD近红外光谱分析(350～2 500 nm)对黄桃糖度测定是成功的.此外，在本研究中，样本的质量参数涵盖了大量的不同成熟度的黄桃(SSC：9.1～12.9°Brix (%))，表明可见光与近红外光谱可以较好地对黄桃的内部质量进行快速、无损检测.

参考文献：

[1]Cen H Y，He Y.Theory and application of near infraredrefectance spectroscopy in determination of food quality[J].Trends in Food Science & Technology，2007，18(2)：72-83.

[2]Cayuela J A.Vis/NIR soluble solids prediction in intact oranges (Citrussinensis L.)cv.valencia late by refectance[J].Postharvest Biology and Technology，2008，47：75-80.

[3]Chen J Y，Zhang H，Matsunaga R.Rapid determination of the mainorganic acid composition of raw Japanese apricot fruit juices using nearinfraredspectroscopy[J].Journal of Agricultural and Food Chemistry，2006，54：9652-9657.

[4]Cozzolino D，Cynkar W U，Dambergs R G，et al.Measurement of condensed tannins and dry matter in red grape homogenatesusing near infrared spectroscopy and partial least squares[J].Journal of Agriculturaland Food Chemistry，2008，56：7631-7636.

[5]Cozzolino D，Cynkar W U，Shah N，et al.Multivariate data analysis applied to spectroscopy：Potential application to juiceand fruit quality[J]. Food Research International，2011，44：1888-1896.

[6]Elmasry G，Wang N，ElSayed A，et al.Hyperspectral imaging fornondestructive determination of some quality attributes for strawberry[J].Journal of Food Engineering，2007，81：98-107.

[7]Gómez A H，He Y，Pereira A G.Non-destructive measurementof acidity，soluble solids and firmness of Satsumamandarin using Vis/NIR-spectroscopy techniques[J].Journal of Food Engineering，2006，77(2)：313-319.

[8]Harker F R，Kupferman E M，Marin A B，et al.Eating quality standards for apples based on consumer preferences[J].Postharvest Biology and Technology，2008，50：70-78.

[9]Hong Y，Hong T S，Dai F，et al.Successive projections algorithm for variable selection innondestructive measurement of citrus total acidity[J]. Transactions of the Chinese Society of Agricultural Engineering，2010，26(Suppl.2)：380-384.

[10]Huang L，Wu D，Jin H，et al.Internal quality determination of fruit with bumpysurface using visible and near infrared spectroscopyand chemometrics：A case study with mulberry fruit[J].Biosystems Engineering，2011，109：377-384.

[11]Jha S N，Chopra S，Kingsly A R P.Determination of sweetness of intactmango using visual spectral analysis[J].Biosystems Engineering，2005，91：157-161.

[12]Liu Y，Ying Y.Study on predicting sugar contentand valid acidity o f apples by near infrared diffuse refectancetechnique[J].Spectroscopy and Spectral Analysis，2005，25(11)：1793-1796.

[13]刘燕德，欧阳爱国，罗吉，等. 近红外漫反射光谱检测赣南脐橙可溶性固形物的研究[J]. 光谱学与光谱分析，2007，27(11)：2190-2192.

[14]刘燕德，应义斌. 水蜜桃糖度和有效酸度的近红外光谱测定法[J]. 营养学报，2004，26(5)：400-402.

[15]马广，傅霞萍，周莹，等. 大白桃糖度的近红外漫反射光谱无损检测试验研究[J]. 光谱学与光谱分析，2007，2( 5)：907-911.

[16]曹霞，周学成，范品良. 基于近红外漫反射光谱技术的芒果糖度无损检测方法研究[J]. 农机化研究，2013，1(1)：177-180.

[17]孙旭东，郝勇，蔡丽君，等. 南丰蜜桔可溶性固形物近红外检测的多元线性回归变量筛选[J]. 生物物理学报，2011，27(8)：727-734.

(责任编辑：李 华)

Study on Predicting Sugar Content of Yellow Peaches by Visible and Near-infrared Spectroscopy

LI Hong-li
(School of Computer Engineering，Suzhou Vocational University，Suzhou 215104，China)

In this study，visible/near infrared spectroscopy analysis and multiple linear regression (MLR)model are adopted to predict sugar content of Yellow Peaches. Therefore，collecting 60 peaches with different degrees of maturity as samples and their spectra are determinded with ASD feld spectrometer. And then refection spectra are converted into absorption spectrum. It goes further to analyze the relationship between the Yellow Peach sugar content and absorption spectra and the frst derivative of absorption spectra of yellow peaches to fnd out the sensitive bands of yellow peach sugar degree. Multiple linear regression is used to make model of the sensitive band of peach sugar degree. The experimental results show that in the wavelength range of 350～2 500 mm a derivative model of yellow peach absorption spectra simulated works well. Yellow Peach sugar content can be predicted with the help of multivariate linear model，and the correlation coeffcient of this model is larger than 0.61，and the root mean square error is 0.44%.

near-infrared；spectroscopy；sugar content；predict

TP79

A

1008-5475(2014)03-0007-04

2014-06-05；

2014-06-25

江苏省自然科学基金资助项目(BK2012164)

李宏丽(1980-)，女，山东邹城人，讲师，硕士，主要从事遥感与计算机模拟技术.