基于可見/近紅外光譜無損檢測蘋果可溶性固形物的光照優化

馮尚坤，徐海菊

（臺州科技職業學院，浙江臨海318020）

近年來，可見/近紅外光譜分析技術已廣泛應用于水果內部品質無損檢測研究[1-2]，并在逐步走向在線檢測[3-4]。國內外學者先后采用近紅外光譜技術反射法或漫反射法對水果內在品質進行檢測，如：蘋果[5-6]、梨[7]、柑橘[8-9]、番茄[10]等水果的可溶性固形物含量（SSC）、總酸度（TA）、干物質（DM）等指標。但水果的表面顏色及各位置品質指標的不一致性，使生產實踐中采用基于單點反射或漫反射光譜采集方式來檢測水果的內部品質存在較大誤差。自McGlone等[11-12]成功應用近紅外光譜透射法檢測水果內部品質，以及商業化的便攜式光纖光譜儀的發展極大方便了現場檢測[13]，并使成本降低[14]，透射光譜采集模式逐漸成為檢測水果內部品質的主要方法。但水果的擺放位置以及檢測部位始終受到限制，使得模型的魯棒性大大降低。Fan[15]比較了不同檢測位置透射光譜信號的影響，認為赤道部位檢測效果最好，但并未將其模型對其他位置采集的光譜進行預測。特別是在實際生產中，生產線上水果檢測位置存在隨機性，都會影響光譜的檢測精度。此外，由于透射光譜信號弱，極容易受到外界光線的干擾，所以選擇適合的光照強度和可靠的聚光系統就顯得尤為重要。本實驗是針對水果擺放位置的隨機性，尋找最適光源分布，克服當前實際操作中水果的擺放位置不一致，以便提高模型的魯棒性能，滿足生產需要。

1 材料與方法

1.1 材料與儀器

紅富士蘋果 產自山東煙臺。挑選94個蘋果，外形端正，蘋果的橫徑分布在為70～85mm左右，用濕布擦凈蘋果表面并水筆編號，于12℃的恒溫室室內放置24h。

USB2000+微型便攜式光譜儀 Ocean Optics Ltd，USA；WAY-2S型數字阿貝折射儀 上海精密科學儀器有限公司；JYZ-B550型榨汁機 九陽；MR16鹵素燈 飛利浦，12V 150W。

1.2 光譜數據采集

USB2000+微型光譜儀的檢測波長為340～1025nm，分辨率為0.3nm，共計2048個波數點。采集參數經優化后設置為積分時間100ms，平均采集4次，箱車平滑窗口6。光譜采集前，樣本先在（20±2）℃的空調室內放置12h。在如圖1所示的實驗平臺上，分別在如圖2所示四種光照方式下采集透射光譜信號。其中鹵素燈規格為12V 150W，距離托盤中心30cm；在托盤下方安裝一個凸透鏡，收集透射光信號，經下方的準直透鏡，匯聚到光纖傳至檢測器；托盤表面附一質地柔軟材料物，以防漏光。蘋果隨機擺放，檢測點為赤道附近部位，每個樣本采集3次，取其平均值作為樣本的透射光譜曲線。采集的透射光譜數據分別記作L1、L2、L3、L4。

圖1 透射光譜采集方式Fig.1 Sampling spectrum data by Transmission system

四種光照方式說明如下：

L1：兩只光源對稱放置在托盤上方的兩側，光源與檢測探頭的夾角均為120°；

L2：兩只光源對稱放置在托盤的兩側，光源略高于托盤，即光源與檢測探頭的夾角均為100°；

L3：在L2的光照基礎上增加兩只光源，對稱放置在托盤的上方，與檢測探頭的夾角為160°；

L4：在L2的光照基礎上增加兩只光源，四只均勻放置在托盤的四周；

圖2 四種不同鹵素燈擺放形式Fig.2 Four type of the halogen light placed in differentmode

1.3 可溶性固形物的檢測

采用國標方法檢測蘋果的可溶性固形物含量（SSC）。在結束光譜采集后，立即取蘋果的可食用部分（約100～150g），利用榨汁機進行榨汁，濾紙過濾一次后的果汁用阿貝折射儀檢測SSC，分別測定三次取平均值作為該樣本SSC。每次使用榨汁機、阿貝折射儀前都需擦洗干凈。

1.4 光譜數據處理

采用Chauvenet檢測各光譜與平均光譜之間的距離關系，若樣本光譜不在平均光譜標準偏差的95%置信區間內，則判定該樣本為光譜異常樣本，予以剔除。異常樣本剔除后，將樣本的光譜數據與SSC指標一一對應，按比例2∶1分為訓練集與預測集，建立偏最小二乘（PLS）回歸模型。在建模過程中采用訓練集內部20%樣本交互驗證方法、以交互驗證均方根誤差（RMSECV）最小為原則來確定最佳主成分因子數。由于透射光譜較弱，易受噪聲干擾[16]，采用5點平滑（5-smooth）、一階微分（1st diff）、多元散射校正（MSC）和標準歸一化（SNV）等幾種預處理改善模型的預測性能。所有數據于Matlab（The MathWorks Inc.，version 2008a）軟件中處理。

2 結果與分析

2.1 理化指標

圖3為實驗樣本的可溶性固形物含量（SSC）頻數圖。SSC的單位以錘度（°Brix）表示，數值越大，表示水果越甜。樣本SSC的平均值為11.59，分布范圍為9.1～ 14.8。從頻數圖可見其含量服從正態分布，說明選擇的樣本具有一定代表性。

圖3 蘋果可溶性固形物含量分布頻數圖Fig.3 Distributions of apples’SSC

2.2 光譜曲線

圖4為光照方式L4下的透射光譜，與其他三種光照方式下的透射光譜曲線走勢基本相同，分別在710、815nm處存在明顯的波峰，在675、750nm處存在明顯的波谷；在透射光譜曲線的兩端（350～520、920～ 1035nm）噪聲大，信噪比（RSN）差，不能用于光譜分析；結合700～900nm為近紅外評判水果內部品質指標的“診斷窗口”[17]，截取RSN相對較高的570～880nm，共計933個波數點作為光譜分析區域。而后進行異常樣本檢測，剔除的異常樣本數參見表1。經比較發現異常樣本多為透射率高的光譜樣本，可能是受托盤漏光的影響。

圖4 光照方式L4下透射光譜曲線Fig.4 Transmitted spectra of light-illumination L4

2.3 PLS模型建立

表1為各種光照方式下原始透射光譜以及最佳預處理方法對PLS模型預測的統計結果。從無預處理的預測結果看，L1、L2光照下處理結果較差，L3、L4光照方式較好。通過多種光譜預處理后，PLS模型的預測性能均得到了改善，其中L2的模型預測性能最差，L4的模型預測性能最好，即經MSC預處理后，PLS模型采用6個主成分因子時的性能最佳，模型的交互驗證結果為rcv=0.816、RMSECV=0.655，預測結果為rp= 0.804、RMSEP=0.635，圖5為L4光照方式下的模型預測散點圖。

圖5 光照方式L4下的PLS模型預測散點圖Fig.5 Scatter plotof PLSmodel based on the fourth arrangements

2.4 光照分析

L1、L2的模型較差，L3、L4的模型相對較好，說明增加光照可較好地反映水果內部品質信息，提高模型的預測性能。當光源較少，使水果的光照不充分，不能克服水果位置變化帶來的光譜差異；由于光照L3下的透射光譜含有果核相關信息，而果核并不能反映蘋果SSC，致使L3模型稍差于L4；高角度的光照可能會存在漏光，增加光譜透射率，模型預測受到影響。與L2相比，L4光照分布在托盤周圍，可減小蘋果非規則擺放產生的影響，提高了模型的魯棒性。Fan等[15]只以L1方式來檢測蘋果糖度與硬度，許等[18]僅以L2光照方式來檢測臍橙SSC，卻未考慮L4光照方式，而且高角度的光照極容易產生漏光。同時上述均采用固定式的水果擺放，這必將影響今后水果檢測的實用性，相比之下L4具有更小的空間體積，便于布置光源，為便攜裝置、在線檢測光照系統的設計提供借鑒。

3 結論

采用便攜式USB2000+光譜儀采集透射光譜信號時，低角度光照、多光源組合L4光照可減少水果不同位置帶來透射光譜的差異，同時也避免與水果果核組織作用，可較好地反映水果內部品質信息。但模型的預測還有待進一步提高，主要原因可能是：使用的光譜儀檢測器靈敏度不高，暗電流較大，特別是在700～1000nm之間，存在較大噪聲，使模型受到嚴重影響；水果尺寸、擺放位置、光譜采集點等不定因素對透射光譜信號影響甚大；光源功率較大，極易灼傷水果表皮；輻射角偏大，應該選擇輻射角較小的燈杯。

[1]Nicolai B M，Beullens K，Bobelyn E，et al.Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy：A review[J].Postharvest Biology and Technology，2007，46（2）：99-118.

[2]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，2008，28（2）：285-290.