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進展

蘇東林，李高陽，何建新，張菊華，劉 偉，朱向榮，單 楊，*

(1.湖南省農業科學院，湖南省農產品加工研究所，湖南長沙410125; 2.湖南省食品測試分析中心，湖南長沙410125)

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進展

蘇東林1，2，李高陽2，何建新1，張菊華2，劉 偉2，朱向榮2，單 楊1，*

(1.湖南省農業科學院，湖南省農產品加工研究所，湖南長沙410125; 2.湖南省食品測試分析中心，湖南長沙410125)

近紅外光譜分析技術因具有分析時間短、無需樣品預處理、非破壞性、無污染以及成本低等特點，已成為20世紀90年代以來發展最快、最引人注目的現代定量分析技術，廣泛應用于農產品、食品的品質檢測。本文概述了近幾年來國內在近紅外光譜技術應用于大宗水果內部品質檢測的最新研究進展;指出其存在的問題并對其發展進行展望;提出了近紅外光譜分析技術將會與網絡技術相結合，實現模型的在線更新與升級;同時，光譜成像技術將成為21世紀近紅外光譜分析技術的發展趨勢;以期對我國相關研究人員的工作提供參考。

近紅外光譜，大宗水果，無損檢測，研究進展，展望

我國是世界水果生產大國，根據《中國統計年鑒》:2008年，水果總產量19220.2萬t(包括瓜果類，其中蘋果2984.6萬t、柑橘2331.2萬t、梨1353.8萬t)，約占世界總產量的16%，產值超過4000億元，占農業總產值的11%左右，自1995年以來一直居世界首位;但水果出口量不到總產量的 3%，遠低于9%～10%的世界平均水平［1］。近年來，國際水果市場競爭日益加劇，消費者更加注重水果的內部質量;造成我國水果出口難的主要原因之一就是未能嚴格按照出口標準對水果品質進行分級［2］。傳統的水果內部品質檢測主要依靠破壞性(化學分析)檢驗方法，耗時、費力、成本高，難以滿足快速分級分選的實際要求;隨著科技的進步，無損(非破壞)檢測技術逐漸應用到水果檢測中。近紅外光譜技術(Near Infrared Spectroscopy Technology)是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非破壞性檢測技術，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［3］。應用近紅外光譜技術對水果品質進行無損檢測已成為近年來的研究熱點，國外許多學者相繼開展了對柑橘、蘋果、梨、桃品質進行無損檢測的研究工作并卓有成效［4-9］。本文將著重介紹國內在最近5～6年中，利用近紅外光譜技術在大宗水果品質無損、快速、在線檢測等方面的研究應用進展。

1 柑橘

1.1 可溶性固形物

劉燕德等確定贛南臍橙可溶性固形物(SSC)無損檢測偏最小二乘法(PLS)數學校正模型的相關系數rc=0.929、校正標準偏差RMSEC=0.517、預測標準偏差 RMSEP=0.592、預測值與實測值的 r= 0.791［10］;建立南豐蜜桔的可見/近紅外PLS模型，完整果和果肉的校正模型rc、預測集rp、RMSEP分別為0.963和0.970、0.825和0.893、0.899和0.749［11］。陸輝山等采用近紅外漫透射結合PLS評價柑橘SSC含量，RMSEP=0.538%、r2=0.896［12］。

1.2 糖度

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［13］。周文超等建立贛南臍橙內部糖度的近紅外透射PLS模型，r=0.9032、RMSEP=0.2421［14］。

1.3 維生素

夏俊芳等采用偏最小二乘法交叉驗證法(PLC-CV)建立臍橙VC含量數學模型，預測值與真實值的r=0.9574、內部交叉驗證均方差RMSECV= 3.9mg/100g、主成分數PC=8［15］。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［16］。

1.4 多成分檢測

袁雷等建立柑橘中總酸、總糖和維生素PLS預測模型并進行優化，化學值與預測值的相關決定系數r2分別為0.959、0.970和0.973［17］。鄧烈等利用近紅外反射光譜檢測分析哈姆林甜橙成熟果實的SSC、檸檬酸、VC和固酸比，結果表明:SSC、固酸比和VC均與波長988nm光譜呈極顯著或顯著正相關，r分別為0.387、0.440和0.309;可見光429nm光譜二階倒數與可溶性固形物和VC呈顯著和極顯著正相關，r分別為0.351和0.387;波長944nm光譜倒數對數與固酸比呈顯著正相關，r=0.304［18］。

1.5 色澤及貨架期

文建萍等建立贛南臍橙顏色指標L、a、b的近紅外漫反射 PLS校正模型，r分別為 0.933、0.970、0.893，RMSEP分別為1.330、1.524、2.676，完全交互驗證相關系數rcross分別達0.926、0.967、0.875［19］。

劉輝軍等利用SNV+detrend和PCA方法對柑橘不同貨架期的近紅外光譜進行處理，選用的12個主成分累計貢獻率達99.03%;模型鑒別準確率超過90%［20］。

2 蘋果

2.1 糖度

劉燕德等采用近紅外漫反射結合MATLAB6.1和PCA建立蘋果糖度預測模型，rmax=-0.621、rmin= -0.365［21］;建立紅富士蘋果糖度的近紅外漫反射主成分回歸(PCR)多元校正模型，r=0.844、標準校正誤差SEC=0.729、標準預測誤差SEP=0.864、偏差Bias=0.318［22］。傅霞萍等建立蘋果糖度的近紅外光譜漫反射多元線性回歸(MLR)模型，得到最佳波長的4個校正方程［23］。張海東等采用正交信號校正法(OSC)并結合 PLS建立蘋果糖度模型，校正 r2= 0.92644、SEC=0.40250，預測SEP=0.50229［24］;利用近紅外光譜結合混合線性分析法的一種變形算法(HLA/XS)建立蘋果糖度校正模型，r2=0.87611、SEP =0.48480［25］。趙杰文等利用近紅外漫反射光譜結合PCR和PLS研究蘋果糖度無損檢測，所得PLS模型更優［26］。應義斌等利用小波變換濾波技術并結合重構光譜信號對蘋果糖度進行逐步線性回歸(SLR)建立校正模型，預測集決定系數R提高到0.85、SEP降為6%、線性r提高到0.919［27］。鄒小波等利用多尺度小波去噪法結合改進后的間隔偏最小二乘法(iPLS)建立蘋果糖度預測模型，校正rc=0.9635、RMSEC=0.3026，預測rp=0.9214、RMSEP=0.4113，PC=5［28］;利用獨立分量分析法(ICA)建立蘋果糖度的PLS模型，校正rc=0.9549、SEC=0.3361，預測rp= 0.9071、SEP=0.4355［29］。李艷肖等用遺傳區間間隔偏最小二乘法(GA-iPLS)建立蘋果糖度數學模型，校正rc=0.962、RMSECV=0.3346，預測rp=0.932、RMSEP=0.3842［30］。王加華等建立蘋果糖度一階導數光譜的遺傳算法結合偏最小二乘(GA-PLS)模型，Rc=0.966、RMSEC=0.469，Rp=0.954、RMSEP =0.797［31］。

2.2 硬度

李桂峰等建立蘋果硬度的多元散射校正法結合偏最小二乘法(PLS-MSC)預測模型，RMSEP= 0.226kg/cm2、R2=96.52%［32］;以傅里葉變換近紅外光譜(FT-NIRS)結合多元散射校正(MSC)+PLS化學計量學法建立蘋果硬度檢測模型，R2=0.9908、RMSEP=0.0147kg/cm2［33］。范國強等應用光纖漫反射近紅外光譜建立蘋果硬度PLS模型，r=0.95452、RMSEC=0.594［34］。杜冉等建立蘋果硬度的近紅外透射 PLS模型，校正集最佳 PC=3，r=0.9644、RMSEC=0.3529［35］。史波林等通過PLS并采用遺傳算法結合直接正交信號校正法(GA-DOSC)建立蘋果硬度的近紅外模型，r=0.805、預測相對誤差RSDP =12.89%［36］。屠振華等利用FT-NIRS結合遺傳算法和間隔偏最小二乘法(GA-iPLS)測定蘋果硬度，降低模型復雜度并提高預測精度［37］。

2.3 酸度

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［38］。劉燕德等應用近紅外漫反射光譜結合光纖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［39］。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［40］。

2.4 可溶性固形物

慶兆坤等利用可見/近紅外激光漫反射光譜建立蘋果SSC含量的象素強度頻率PLSR模型，RMSEP =0.84°Brix［41］。周麗萍等采用可見/近紅外漫反射光譜結合PCA和BP神經網絡技術，建立蘋果SSC含量預測模型，98%以上預測樣本的預測相對誤差低于5%［42］。

2.5 褐變

韓東海等采用可見/近紅外連續透射光譜研究蘋果內部褐變，正確判別率達95.65%［43］。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［44］。

2.6 模式識別

何勇等結合主成分分析和神經網絡法(PCAANN)建立蘋果品種鑒別模型，預測識別率達100%［45］。趙杰文等采用支持向量機(SVM)建立不同品種、產地蘋果分類模型，回判識別率分別為100%和87%，預測識別率均達到100%(精度比傳統的判別分析法提高5%左右)［46］。

3 梨

3.1 單成分檢測

劉燕德等建立雪青梨總酸的近紅外漫反射結合多元校正算法PLS預測模型，最佳PC=7個，預測集r=0.79、RMSEP=0.0186［47］;應用近紅外漫反射光譜結合一階微分預處理法并采用PLS獲得SSC模型，預測集r=0.8517，RMSEP=0.8793［48］。張楠等采用近紅外透射光譜結合PLS建立水晶梨的糖度模型，r=0.9766、SEC=0.1977、SEP=0.4638、Bias= -0.0015［49］。孫通等建立梨的SSC近紅外透射PLS預測模型，r=0.9488、RMSEC=0.236、RMSEP=0.5［50］。王加華等將遺傳算法用于偏最小二乘法建立西洋梨糖度近紅外光譜校正模型(GA-PLS)前的數據優化篩選，提高測量精度、減少建模變量［51］。

3.2 多成分檢測

紀淑娟等采用多測點180°轉動正反兩面各掃描2次的方式，建立南果梨SSC、pH近紅外透射模型，r均達到0.9以上、校正集RMSEC都低于0.3［52］;分別建立南果梨SSC、還原糖含量RSC、總酸度含量TA和有效酸度pH的近紅外定標模型，確定SSC和TA是適宜的定標參數［53］。

3.3 堅實度

傅霞萍等應用傅里葉漫反射近紅外光譜結合PLS建立雪青梨堅實度模型，校正集樣本rc=0.869、RMSEC=3.88N，預測集樣本 rp=0.840、RMSEP= 4.26N［54］;建立雪青梨堅實度的近紅外漫反射預測模型，線性建模以原始光譜的偏PLSR結果較好、組合算法以PLSR的結果最優［55］。曾一凡等建立梨堅實度的可見/近紅外光譜 PLSR數學模型，校正 r= 0.8779、預測r=0.8087，RMSEC=1.0804N、RMSEP= 1.4455N［56］。

3.4 模式識別

馮世杰等建立正常/褐變鴨梨的SVM分類識別模型，準確率達95%［57］。馬本學等采用近紅外漫反射光譜分析技術結合判別分析法(DA)建立庫爾勒香梨脫萼果/宿萼果類別定性判別模型，校正集、預測集正確分類率分別為100%和95%［58］。潘璐等采用遺傳算法(GA)建立多品種砂梨混合模型，RMSEC =0.627、RMSEP=0.641［59］。

3.5 色澤及單果重

李鑫等建立蘋果梨單果重的近紅外透射PLSR模型，SEP=18.01、Rc=0.70、RMSEC=18.68、PC= 5［60］。劉燕德等應用可見/近紅外漫反射光譜結合PLSR建立梨表面色澤的校正模型，指標L※、a※、b※的RMSEP分別為1.4251、0.4569和0.9497，相對預測偏差RSD分別為3.7404%、3.3571%和2.5877%［61］。

4 當前存在的問題及發展趨勢［2，62－65］

4.1 近紅外光譜分析技術存在的問題

雖然近紅外光譜分析技術在在線檢測水果品質上的研究已將近持續了10年，但大多數還只停留在實驗室階段，極少形成真正的商業化產品。目前，水果品質的在線檢測研究主要還存在著以下幾個方面的問題。

4.1.1 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。

4.1.2 近紅外光譜很容易受到各個因素的影響(如樣品的溫度、檢測部位以及裝樣條件等)，由于使用條件、樣本的復雜性、儀器的穩定性等因素的影響，數學模型的適應性變差;因此，在利用NIRS對水果品質進行檢測的過程中，建立數學模型是最困難的。應用不同的數學建模方法，建立的光譜與被測水果成分的相關系數也不同。而對于在線檢測來說，樣品是運動的，因而近紅外光譜更容易受到影響，如何獲得較穩定的光譜仍是一個問題。

4.1.3 在線檢測研究中所應用的模型大多為PLS或是ANN模型，而這些模型都是抽象的，不可描述的;對可描述模型的研究以及可描述模型在在線檢測中的應用研究仍有所欠缺。

4.1.4 國內利用近紅外光譜技術檢測的水果品種比較少，主要集中在柑橘、蘋果和梨;在實際生產生活中使用的便攜式水果品質無損檢測儀器則非常罕見。

4.2 近紅外光譜分析技術展望

經過40多年的發展，近紅外光譜分析技術已逐漸成為一種快速的現代分析技術。由于近紅外光譜法的快速、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，必將成為水果無損檢測經濟、有效且最具發展前景的分析技術之一。從目前的發展趨勢來看，未來將會向以下四個主要方面發展。

4.2.1 由于傳統化學方法分析耗時、費力、成本高，許多現代化的儀器又由于體積重量大，不便移動、實時性差;因而能同時測量水果各項品質的便攜式水果品質檢測儀將是農業部門和質檢部門進行水果抽樣檢查迫切需要的設備，以便可以對水果進行實時質量監測和控制。因此，基于近紅外技術的便攜式水果在線檢測儀器具有很大的發展前景。

4.2.2 由于建立穩定的近紅外分析數學模型是相當復雜的過程，必須要先進的分析軟件、有經驗的專業技術人員和一批樣品資源以進行大量困難與復雜的開發工作。因此，編制專用的定標模型校正軟件，使定標工作模式化，易于掌握;實現模型庫共享和校正模型的可移植轉換將是今后幾年亟待解決的問題。

4.2.3 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漸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應用的不斷深入，近紅外光譜分析技術必然將與網絡技術結合，實現近紅外分析模型的在線更新與升級。

4.2.4 成像光譜學將是近紅外未來的發展方向，二維陣列檢測器的開發，使測量成分和成分分布成為可能;光譜成像技術將成為21世紀近紅外光譜分析技術的發展趨勢。

［1］中華人民共和國國家統計局.中國統計年鑒［M］.2008.

［2］馬本學，應義斌，饒秀勤，等.高光譜成像在水果內部品質無損檢測中的研究進展［J］.光譜學與光譜分析，2009，29(6): 1611-1615.

［3］陸婉珍.現代近紅外光譜分析技術［M］.第一版.北京:中國石化出版社，2000.

［4］Antihus Hemandez Gomez，Yong He，Annia Garcia Pereira. Non-destructive measurement of acidity，soluble solids and firmness of satsuma mandarin using Vis/NIR-spectroscopy techniques［J］.Journal of Food Engineering，2006，77:313-319.

［5］Ann Peirs，Ann Schenk，Bart M Nicolai.Effect of natural variability among apples on the accuracy of VIS-NIR calibration models for optimal harvest date predictions［J］.Postharvest Biology and Technology，2005，35:1-13.

［6］Manuela Zude，Bernd Herold，Jean-Michel Roger，et al.Nondestructive tests on the prediction of apple fruit flesh firmness and soluble solids content on tree and in shelf life［J］.Journal of Food Engineering，2006，77:254-260.

［7］Emira Mehinagic，Gaelle Royer，Dominique Bertrand，et al. Relationship between sensory analysis，penetrometry and visible-NIR spectroscopy of apples belonging to different cultivars［J］. Food Quality and Preference，2003(14):473-484.

［8］Panmanas Sirisomboon，Munehiro Tanaka，Shuji Fujita，et al. Evaluation of pectin constituents of Japanese pear by near infrared spectroscopy［J］.Journal of Food Engineering，2007，78: 701-707.

［9］G Carlomagno，L Capozzo，G Attolico，et al.Non-destructive grading of peaches by near-infrared spectrometry［J］.Infrared Physics and Technology，2004，46:23-29.

［10］劉燕德，歐陽愛國，羅吉，等.近紅外漫反射光譜檢測贛南臍橙可溶性固形物的研究［J］.光譜學與光譜分析，2007，27 (11):2190-2192.

［11］劉燕德，羅吉，陳興苗.可見/近紅外光譜的南豐蜜桔可溶性固形物含量定量分析［J］.紅外與毫米波學報，2008，27 (2):119-122.

［12］陸輝山，傅霞萍，謝麗娟，等.可見/近紅外光估測完整柑橘水果可溶性固形物含量的研究［J］.光譜學與光譜分析，2007，27(9):1727-1730.

［13］劉春生，周華茂，孫旭東，等.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.

［14］周文超，孫旭東，陳興苗，等.近紅外透射光譜無損檢測贛南臍橙糖度的研究［J］.農機化研究，2009(5):161-163.

［15］夏俊芳，李小昱，李培武，等.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.

［16］劉燕德，陳興苗，孫旭東.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.

［17］袁雷，劉輝軍，余桂英，等.柑橘品質的近紅外光譜無損檢測［J］.光譜實驗室，2006，23(4):820-822.

［18］鄧烈，何紹蘭，易時來，等.與哈姆林甜橙果實內在品質主要參數同步相關的特征光譜研究［J］.光譜學與光譜分析，2010，30(4):1049-1052.

［19］文建萍，陳興苗，孫旭東，等.可見近紅外漫反射光譜法測定贛南臍橙的表面色澤［J］.安徽農業科學，2007，35(36): 11805-11806.

［20］劉輝軍，李文軍，呂進，等.近紅外光譜柑橘貨架期的快速鑒別模型［J］.農機化研究，2009(5):174-176，179.

［21］劉燕德，應義斌.基于MATLAB語言的蘋果糖度近紅外光譜定量分析［J］.浙江大學學報:工學版，2004，38(10):1371 -1374.

［22］劉燕德，應義斌.蘋果糖分含量的近紅外漫反射檢測研究［J］.農業工程學報，2004，20(1):189-192.

［23］傅霞萍，應義斌，劉燕德.蘋果糖度近紅外光譜檢測的初步實驗研究［J］.中國食品學報，2005，5(2):103-107.

［24］張海東，趙杰文，劉木華.基于正交信號校正和偏最小二乘(OSC/PLS)的蘋果糖度近紅外檢測［J］.食品科學，2005，26 (6):189-192.

［25］張海東，趙杰文，劉木華.基于混合線性分析的蘋果糖度近紅外光譜檢測［J］.農業機械學報，2006，37(4):149-151，163.

［26］趙杰文，張海東，劉木華.利用近紅外漫反射光譜技術進行蘋果糖度無損檢測的研究［J］.農業工程學報，2005，21(3): 162-165.

［27］應義斌，劉燕德，傅霞萍.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.

［28］鄒小波，趙杰文，夏蓉，等.蘋果糖度近紅外光譜小波去噪和iPLS建模［J］.農業機械學報，2006，37(6):79-82.

［29］鄒小波，趙杰文.獨立分量分析預處理法提高蘋果糖度模型預測精度研究［J］.分析化學，2006，34(9):1291-1294.

［30］李艷肖，鄒小波，董英.用遺傳區間偏最小二乘法建立蘋果糖度近紅外光譜模型［J］.光譜學與光譜分析，2007，27 (10):2001-2004.

［31］王加華，韓東海.基于遺傳算法的蘋果糖度近紅外光譜分析［J］.光譜學與光譜分析，2008，28(10):2308-2311.

［32］李桂峰，趙國建，王向東，等.蘋果質地品質近紅外無損檢測和指紋分析［J］.農業工程學報，2008，24(6):169-173.

［33］李桂峰，趙國建，劉興華，等.蘋果硬度的傅里葉變換近紅外光譜無損檢測［J］.農業機械學報，2009，40(1):120-123.

［34］范國強，閘建文.運用近紅外漫反射技術檢測蘋果內部品質［J］.農業裝備與車輛工程，2006(11):33-35.

［35］杜冉，閘建文，付家庭，等.運用近紅外透射光譜技術檢測蘋果內部品質［J］.農機化研究，2008，(9):139-141.

［36］史波林，慶兆坤，籍保平，等.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):665-670.

［37］屠振華，籍保平，孟超英，等.基于遺傳算法和間隔偏最小二乘的蘋果硬度特征波長分析研究［J］.光譜學與光譜分析，2009，29(10):2760-2764.

［38］應義斌，劉燕德，傅霞萍.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.

［39］劉燕德，應義斌，傅霞萍.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.

［40］董一威，籍保平，史波林，等.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.

［41］慶兆坤，籍保平，史波林，等.蘋果品質檢測的可見-近紅外激光漫反射光譜圖像法的方法研究［J］.光譜學與光譜分析，2008，28(6):1273-1277.

［42］周麗萍，胡耀華，陳達，等.蘋果可溶性固形物含量的檢測方法［J］.農機化研究，2009(4):104-106，203.

［43］韓東海，劉新鑫，魯超，等.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.

［44］王加華，孫旭東，潘璐，等.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.

［45］何勇，李曉麗，邵詠妮.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.

［46］趙杰文，呼懷平，鄒小波.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.

［47］劉燕德，應義斌.傅里葉近紅外光譜的雪青梨酸度偏最小二乘法定量分析［J］.光譜學與光譜分析，2006，26(8):1454 -1456.

［48］劉燕德，孫旭東，陳興苗.近紅外漫反射光譜檢測梨內部指標可溶性固性物的研究［J］.光譜學與光譜分析，2008，28 (4):797-800.

［49］張楠，程玉來，李東華，等.近紅外透射光譜測定水晶梨糖度的初步研究［J］.食品工業科技，2007，28(3):215-217.

［50］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.

［51］王加華，潘璐，孫謙，等.遺傳算法結合偏最小二乘法無損評價西洋梨糖度［J］.光譜學與光譜分析，2009，29(3): 678-681.

［52］紀淑娟，李東華，柏蘭，等.掃描方式對南果梨近紅外光譜無損檢測模型建立的影響研究［J］.食品科學，2008，29(6): 383-386.

［53］紀淑娟，李東華，重藤和明.南果梨糖、酸度近紅外光譜無損檢測模型建立定標參數的確定［J］.食品科學，2008，29 (10):512-516.

［54］傅霞萍，應義斌，劉燕德，等.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.

［55］傅霞萍，應義斌，陸輝山，等.應用多種近紅外建模方法分析梨的堅實度［J］.光譜學與光譜分析，2007，27(5): 911-915.

［56］曾一凡，劉春生，孫旭東，等.可見/近紅外光譜技術無損檢測果實堅實度的研究［J］.農業工程學報，2008，24(5): 250-252.

［57］馮世杰，戴小鵬，王艷平.基于NIR-SVM對鴨梨褐變病果的識別［J］.農業網絡信息，2008(3):133-135.

［58］馬本學，饒秀勤，應義斌，等.基于近紅外漫反射光譜的香梨類別定性分析［J］.光譜學與光譜分析，2009，29(12): 3288-3290.

［59］潘璐，王加華，李鵬飛，等.砂梨糖度近紅外光譜波段遺傳算法優化［J］.光譜學與光譜分析，2009，29(5):1246-1250.

［60］李鑫，金蘭淑，林國林，等.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.

［61］劉燕德，陳興苗，歐陽愛國.梨表面色澤的可見/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.

［62］楊磊，陳坤杰.近紅外光譜在水果內部品質檢測中的研究進展［J］.江西農業學報，2008，20(1):76-78.

［63］付興虎，付廣偉，畢衛紅.近紅外光譜技術在水果品質無損檢測中應用的研究與現狀［J］.紅外，2006，27(2): 33-37，48.

［64］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.

［65］王加華，韓東海.蘋果內部品質進紅外光譜分析檢測技術［J］.中外食品，2006(2):50-53.

Progress in application of near infrared spectroscopy to nondestructive detection of big yield fruits’quality in China

SU Dong-lin1，2，LI Gao-yang2，HE Jian-xin1，ZHANG Ju-hua2，LIU Wei2，ZHU Xiang-rong2，SHAN Yang1，*
(1.Hunan Agricultural Product Processing Institute，Hunan Academy of Agricultural Sciences，Changsha 410125，China; 2.Hunan Food Test and Analysis Center，Changsha 410125，China)

The near infrared spectroscopy(NIRS)technique has found wide application in products and food quality detection since 1990’s because of its characteristics such as very high speed，no sample preparation，nondestruction，no pollution，low cost etc.Many research works have been done on fruit quality detection using NIRS technique both home and abroad，from static laboratory investigations to online investigations.In the present paper，many latest studies and analysis process focused on NIRS to determine the big yield fruits’quality in China in recent years were summarized briefly.At the same time，the existing problems of NIRS were pointed out and the prospect of NIRS technique was discussed.Finally，NIRS technique would combine with network technique to realize on-line update and upgrade of NIR models in the future.And spectral imaging technique will be the development trend of NIRS technique in the 21st century，which would provide reference for Chinese researchers. Key words:near infrared spectroscopy;big yield fruits;nondestructive detection;research progress;prospect

TS207.3

A

1002-0306(2012)06-0460-05

2011-07-26 *通訊聯系人

蘇東林(1979-)，男，工學碩士，助理研究員，研究方向:食品生物技術及農產品精深加工。

公益性行業(農業)科研專項(200903043-04-01)。