柑橘浮皮果與可溶性固形物光譜同時在線檢測

劉燕德

吳明明

孫旭東

朱丹寧

(華東交通大學光機電技術及應用研究所，江西 南昌 330013)

?

柑橘浮皮果與可溶性固形物光譜同時在線檢測

劉燕德

吳明明

孫旭東

朱丹寧

(華東交通大學光機電技術及應用研究所，江西 南昌 330013)

柑橘浮皮果和可溶性固形物是評價柑橘品質的重要指標，在運動速度5個/s、積分時間100 ms條件下，采集350～1 150 nm范圍內的柑橘光譜，探討在同一條生產線上同時在線檢測浮皮果與可溶性固形物的可行性，同時探索柑橘正常果，輕度、重度浮皮果的光譜響應特征，建立柑橘浮皮果與正常果的定性判別模型，并對比分析兩種判別模型，同時還建立柑橘可溶性固形物的定量檢測模型，最終實現了柑橘浮皮果與可溶性固形物同時在線檢測。采用未參與建模的35個樣品對模型在線分選的準確性進行評價，其中柑橘浮皮果都被正確的推入預設的浮皮果出口，正確判別率為100%，而可溶性固形物正確分級率為97%。研究可為柑橘在線分選提供分選策略與理論依據。

浮皮果；漫透射；可溶性固形物；同時檢測

柑橘因其口味清甜可口、無渣、營養豐富且口感細膩，深受消費者喜愛。但柑橘存在浮皮果這種生理病害，嚴重影響柑橘的出口。浮皮果是指果實在成熟過程中，果皮與果肉之間產生空隙分離，造成果皮鼓起的現象，易發生在薄皮柑橘類水果中。傳統的柑橘浮皮果分選往往只能依靠人工進行分選，不僅耗時費力，且不能按照糖度的等級進行分選。因此急需研究一種能夠將浮皮果與可溶性固形物同時在線檢測的方法，對于增加果農收益、提高果品品質具有重大意義。

目前有較多柑橘類水果近紅外檢測的相關研究報道，但大多數都是針對柑橘類水果的糖酸度及尺寸等指標進行定量檢測[1-3]，且多為靜態檢測[4-6]，動態實時在線檢測的報道較少。也有對柑橘類水果成熟度及病害進行檢測[7-10]，但研究的指標較為單一，且目前沒有在一條生產線上實現檢測浮皮果與可溶性固形物快速分選的研究報道。本試驗擬以柑橘為研究對象，采集浮皮果與正常果的光譜信息，建立浮皮果與正常果的判別模型，提出浮皮果與可溶性固形物同時在線檢測的分選策略，并探討浮皮果對可溶性固形物檢測模型精度的影響，最終實現柑橘浮皮果及可溶性固形物同時在線檢測，研究可為柑橘類水果在線分選提供分選策略及理論依據。

1 材料與方法

1.1 試驗材料

試驗樣品選用成熟期的寬皮柑橘，采摘自湖北省宜昌市，樣品運抵試驗室后，置于實驗室室溫20 ℃，相對濕度40%～60%的條件下。試驗前剔除果形畸形，表面碰傷刮擦、局部潰瘍病等異常樣品。所有樣品均用濕抹布清理干凈，自然晾干后，每個柑橘沿赤道部位間隔120°進行標號。標號后在實驗室室溫20 ℃，相對濕度40%～60%的條件下存放24 h，隔天采集光譜。試驗所用樣品的可溶性固形物含量統計結果見表1。為消除尺寸大小對浮皮果檢測的影響，采用游標卡尺量取果橫徑65～72 mm的柑橘作為試驗對象，共157個，其中正常果117個，浮皮果40個。采用K-S(Kennard-Stone)方法對樣品進行劃分，選用122個果作為校正集，其中正常柑橘92個，浮皮果柑橘30個，剩余35個柑橘作為預測集用于評價模型的穩定性和準確性。

1.2 在線檢測裝置與光譜采集

試驗所采用的動態在線光譜采集裝置見圖1，包括三大系統，分別是近紅外光譜檢測系統、分選控制系統以及機械輸送系統。該裝置采用漫透射檢測方式，光源四周照射，檢測器與探頭布置在樣品兩側。光通過樣品，最后被探頭接收，并在樣品底部形成一個5～10 mm的光斑，所以采集的光譜中包含了幾乎整個樣品的光譜信息，能夠更好的反映樣品內部的物理化學特征。試驗采用Ocean Optics公司的QE65Pro型光譜儀，光源采用10個12 V、100 W的歐司朗鹵鎢燈，試驗條件為：積分時間100 ms，運動速度5個/s，波長范圍350～1 150 nm。

表1 柑橘可溶性固形物統計結果?Table 1 The statistical results of soluble solids content of citrus

? *表示為浮皮果樣品。

1. 霍爾傳感器 2. 編碼盤 3. 鏈輪 4. 傳送鏈 5. 探頭 6. 光照箱 7. 光源系統 8. 水果 9. 計算機 10. PLC 11. 果盤 12. 旋轉電磁鐵 13. 分選口 14. 電動機 15. 減速器 16. 驅動鏈輪

圖1 近紅外漫透射在線檢測裝置

Figure 1 The device of NIR diffuse transmittance detection

在光譜采集前需要預熱，每次開機預熱30 min后，用白色特氟龍球作參比，校正可見近紅外漫透射光譜在線檢測裝置，在光譜查看界面觀察能量譜強度標準差變化，當變化范圍在±1%時，電壓穩定，可以開始光譜采集。每個柑橘沿赤道標號部位采集3條光譜，共157個樣品。將樣品依次進行編號，每個樣品沿著赤道部位等間弧度的標記3個點，間隔約120°；試驗時采用人工上果，將柑橘赤道部位放置到果杯凹槽內，保證柑橘果頂與果柄連線方向與傳送帶運動方向一致。傳送鏈帶動果杯移動，經過探頭位置，通過硬件觸發使光譜儀觸發，采用自主開發的光譜采集軟件采集并保存一條光譜。硬件觸發過程：在線檢測設備見圖2，鏈輪與編碼盤都安裝在主軸上，鏈輪每4個齒對應編碼盤1個齒，且鏈輪4個齒位置安裝1個果杯。霍爾傳感器位于編碼盤下方2 mm處，編碼盤每轉1齒，使得鏈輪傳動1個果杯的行程，并觸發傳感器發出一個高電位信號，觸發光譜儀采集一條光譜，并在相應的軟件中保存光譜。

1. 鏈輪 2. 編碼盤 3. 光電開關 4. 果杯 5. 傳動鏈條圖2 檢測設備觸發原理Figure 2 The trigger theory of detection devices

1.3 樣品化學值測定

可溶性固形物含量采用折射式數字糖度計(Atago, Co., Tokyo, Japan)進行測定，試驗中所測定的可溶性固形物含量均為糖度計標定后測得，每個樣品測量3次，取多次測量結果一致的為可溶性固形物含量真值。

浮皮果判別采用剖面觀察法，將柑橘皮剝開，觀擦柑橘囊衣與果皮評價浮皮果與否及浮皮果程度。健康柑橘囊衣與果皮，果皮與囊瓣兒膜之間無空隙癥狀；輕微浮皮果一般在果柄處發生囊衣與果皮，果皮與囊瓣兒膜分離，但未擴散到整個果肉；重度浮皮果囊衣與果皮，果皮與囊瓣兒膜完全分離，浮皮果和健康果的對照見圖3。

1.4 數據處理

試驗過程中光譜采集采用美國海洋公司的SpectraSuite軟件，待光譜與可溶性固形物真值被采集后，將數據導入Unscrambler軟件中進行數據處理與分析。偏最小二乘法常用濃度與光譜矩陣之間的關系，將矩陣分解及回歸并為一步[11-13]。判別偏最小二乘法則是將定量的偏最小二乘法用于判別分析的一種策略。偏最小二乘法及判別偏最小二乘法預測原理見式(1)：

圖3 浮皮果與健康果Figure 3 Puffy fruit and healthy fruit

(1)

式中：

Y——模型預測值；

i——第i個波長點；

βi——第i個波長點對應的回歸系數值；

λi——第i個波長點對應的光譜能量值；

n——波長點的個數；

B——模型的截距。

將所建立最優模型的參數導入分選軟件中，實現浮皮果與可溶性固形物同時在線檢測，其中浮皮果的判別模型采用正確判別率對模型進行評價，可溶性固形物定量檢測模型采用相關系數及預測集均方根誤差評價模型優劣。

2 結果與討論

2.1 浮皮果與健康果光譜對比

柑橘全波段能量譜范圍為350～1 150 nm，考慮到雜散光和電噪聲等的影響，光譜分析使用信噪比較高的波段，選擇波段范圍580～900 nm，共320個光譜變量進行浮皮果研究。圖4給出了柑橘健康果、輕度浮皮果、重度浮皮果的光譜，通過吸收峰和光譜能量進行判別。

新鮮上市的柑橘，浮皮果和健康果差異不是很明顯，但由于其在果皮與囊瓣兒間存在空隙，因此浮皮果和健康果在能量譜上存在較為明顯的差異。健康果和浮皮果在光譜波長720 nm和780 nm附近均有兩個明顯的吸收峰，浮皮果的

圖4 柑橘三類樣品能量譜圖Figure 4 The spectrum of citrus

光譜能量值在兩個吸收峰處均強于健康果，且在580～900 nm時光譜能量值始終高于健康果。浮皮果由于果肉的囊瓣兒膜和果皮間失水剝離，二者之間的間隙充滿空氣，而空氣吸收和漫反射可見/近紅外光的能力相對較弱，光纖探頭接收到的透射光比健康果多；健康果的果肉囊衣與果皮緊密結合，而近紅外光譜吸收主要是由于含氫基團振動的倍頻和合頻帶吸收位置吸收產生的，果肉細胞對可見/近紅外光的吸收能力相對較強，探頭接收到的正常柑橘的有效信息較少，所以呈現出圖4中正常柑橘采集的能量譜比浮皮果柑橘低。

2.2 主成分分析

主成分分析采用線性正交的基來表示樣品數據空間的特征，采用幾個少量新變量的組合，同時保證新變量能盡可能少的丟失全譜變量的信息[14-15]，提取盡量多的數據特征。來達到數據降維且不損失有效特征的目的。經過主成分分析處理后得到的新變量不具有相關性且相互正交，這樣就消除了全譜變量混合在一起的信息共存部分，即消除原來變量之間可能存在的多重共線性。采用主成分分析前，首先對580～900 nm波長范圍內進行預處理，采用標準歸一化和多元散射校正來消除光譜中的噪聲信息干擾，提高光譜的信噪比。前3個主成分得分散點圖見圖5，其貢獻率分別97%，1%，1%。由圖5可知，存在一定的聚類現象，但也存在較多重疊的部分，健康果與浮皮果依靠前3個主成分因子的散點圖難以區分開來。因此需要一種高維度的能夠將健康果與浮皮果區分的方法。

圖5 主成分得分散點圖Figure 5 Scores plots of principal component

2.3 最小二乘支持向量機

最小二乘支持向量機是一種遵循結構風險最小化原則的核函數機器學習方法，在高維度空間將優化問題轉化為等式約束條件問題[16-18]。分別選擇580～900 nm波長范圍和20個主成分得分作為模型的輸入變量，并討論線性核函數(Lin_kernel)與徑向基核函數(RBF_kernel)兩種不同的核函數對模型誤判率的影響，其中建模集122個，包含浮皮果30個，健康果92個，用于訓練機器學習模型。預測集35個用于預測模型，包含浮皮果10個，正常果25個。其結果見表2。

表2 不同核函數對LS-SVM模型預測結果的影響?Table 2 Effect of different core function on prediction in LS-SVM model

?xi表示樣本點，xj表示核函數中心，γ表示分布參數，σ2表示內核參數。

在表2中，非線性模型的RBF核函數所涉及的兩個主要參數為γ和σ2，而Lin核函數所涉及的主要參數為γ，作為樣品誤判程度的評判參數，用來對預測樣品類別的準確程度進行評判。在選用特征波段為輸入的模型中，其中采用徑向基核函數模型預測效果較好，在γ=0.050 197、σ2=0.625 64條件下，誤判率為2.9%，將浮皮果誤判為正常果，而采用線性核函數有3個被誤判，其中γ=0.017 525，誤判率較高為8.6%；當采用PCA壓縮后的變量作為輸入變量時，模型預測集判別率得到了逐步提升，當輸入變量為前14個主成分時，模型預測均方根誤差最低且誤判率最低，效果最好。當采用線性核函數建模時，預測集得到的誤判率降低到2.9%，采用 RBF核函數判別正確率100%，再增加主成分，模型判別效果變差。同時，在用到的輸入變量為PC=14時，模型預測集均方根誤差最低且誤判率最低，RBF函數消耗的時間較長為1.890 6 s，而Lin核函數消耗的時間較短僅1.783 s，并且前者的參數γ=0.036 053，后者的參數γ=0.014 073。綜合比較以上建模結果，其中采用14個主成分得分作為最小二乘支持向量機模型輸入變量并結合徑向基核函數效果最優，其輸入變量少且誤判率低。

2.4 偏最小二乘判別

偏最小二乘判別(PLS-DA)判別法是一種基于PLS回歸模型的定性判別方法。通過多次建模可得，試驗中分類向量設為[1，8]，1為浮皮果，8為健康果。在試驗中主要采用留一法進行交互驗證，確定最優PLS-DA模型的最佳主成分因子數。圖6(a)是預測集均方根誤差(RMSEP)與主成份因子數的關系圖，由圖6(a)可知，RMSEP從第12個主成分開始，隨著主成分數繼續增加，RMSEP反而變大，故PLS-DA的最佳主成分因子數定為12。在PLS-DA建模模型中，不同波長處的光譜變量對應的權重由PLS-DA模型回歸系數大小來表示。通過PLS-DA模型回歸計算，賦予全譜范圍內柑橘的光譜變量的權重見圖6(b)，根據偏最小二乘加權求和公式，加上截距b=3.35，實現了健康柑橘與浮皮果的定性判別。

取分類向量值之間的5作為閾值，樣本閾值以下為浮皮果，樣本閾值以上為健康果，此時，定性判別模型的誤判率為0%。綜合以上分析，采用PLS-DA建模模型建模及預測效果見圖7，從中可以得到柑橘的相關系數RP為0.92，均方根誤差(RMSEP)為1.16，在閾值附近，沒有出現越過閾值線的現象，不存在誤判。對比所建立的兩種柑橘浮皮果判別模型，兩種模型都得到很好的結果，其浮皮果正確判別率都為100%，但由于最小二乘支持向量及模型較為復雜，且不適用于動態分選模型，而偏最小二乘判別模型，不僅模型簡單易操作、適用于動態分選模型，而且具有較高的浮皮果正確判別率。

圖6 柑橘PLS-DA模型參數Figure 6 The parameter with PLS-DA model of citrus

2.5 偏最小二乘可溶性固形物模型

柑橘分別分為3組(表3)，其中組1為浮皮果和健康果組合，組2為浮皮果，組3為健康果。探究柑橘浮皮果對可溶性固形物偏最小二乘回歸模型預測能力的影響，直接采用波長范圍為580～900 nm光譜能量建立偏最小二乘模型，在光譜試驗中，一個最佳的主成分因子數往往對提高偏最小二乘回歸模型預測能力尤為重要，選用主成分因子數需要綜合考察模型的相關系數及均方根誤差，一個好的模型不僅需要好的相關系數，而且還需要低的均方根誤差。柑橘不同組合預測集和校正集均方根誤差隨主成分因子數變化曲線見圖8。

圖7 柑橘PLS-DA模型Figure 7 The PLS-DA model of citrus表3 不同樣品組的偏最小二乘建模和模型預測結果Table 3 The model statistical results of different classes

組別因子數RCRMSEC/°BrixRPRMSEP/°Brix組1130.930.370.810.62組2120.881.930.862.06組3130.940.310.880.77

由表3可知，柑橘組1、2和3的最佳主成分因子數分別為13，12，13；柑橘健康果和浮皮果組合及健康果組合的偏最小二乘回歸模型建模集和預測集結果見圖9。健康果(組3)的偏最小二乘回歸建模及模型預測結果均優于浮皮果(組2)和浮皮果健康果組合(組1)。浮皮果對柑橘主成分因子影響不大，但因其對光譜能量的吸收能力不同于健康果，會對偏最小二乘回歸模型的預測能力造成一定的影響。

健康果(組3)的偏最小建模及模型預測散點見圖9(b)。柑橘健康果最佳主成分因子數為12，建模集相關系數Rc為

0.94，建模集均方根誤差為0.31 °Brix，模型預測相關系數Rp為0.88，預測集均方根誤差RMSEC為0.77 °Brix。該模型回歸系數曲線見圖8(b)。回歸系數絕對值表示該變量對模型的影響，正回歸系數對應光譜變量相關性越好，光譜峰強越強，預示著可溶性固形物在該樣品占的權重越大，負回歸系數對應光譜變量相關性越好，試驗中建立的剔除柑橘浮皮果后偏最小二乘回歸模型的截距為11.84。

圖8 柑橘PLS模型參數Figure 8 The parameter with PLS model of citrus

圖9 柑橘偏最小二乘回歸建模和模型預測散點圖Figure 9 Scatter plots of PLS models in calibration and prediction sets of citrus

2.6 在線分選準確性評價

首先，將所建立的最優的定量與定性導入分選軟件中，分選流程圖見圖10，柑橘先經浮皮果判別模型判定為浮皮果的，不進行分級而是進入異常果分級口，正常果則進行可溶性固形物分級。據研究[9]表明，水果存在2 °Brix的差異能夠有口感差異。故將分級口定義為10～14 °Brix，每間隔2 °Brix設置一個分選等級，共4個等級。采用未參與建模的35個柑橘樣品進行預測，其中包括25個正常樣品和10個浮皮果。將上述樣品依次編號，柑橘每隔120°標記一次，共標記3個點。將標記好的樣品依次放在分選線分選，同一位置放置3次，觀察這3次分選是否彈入同一分級口，試驗中有2次彈入相鄰的糖度分級口，分級準確率為97%。

圖10 同時在線檢測柑橘浮皮果和可溶性固形物

Figure 10 Flow diagram of simultaneous detection for peel puffy and soluble solids content of citrus by online visible/near infrared spectroscopy

3 結論

采用近紅漫透射檢測方式，在同一條生產線上實現了柑橘浮皮果與可溶性固形物同時在線檢測，并建立了柑橘浮皮果的定性判別模型，其中建立的偏最小二乘判別及最優的最小二乘支持向量機模型正確判別率均為100%，在采用未參與建模的樣品進行分選試驗中，能夠將浮皮果與正常果很好地區分開來，浮皮果全部被推入預先設置的分選口中。另外探討了浮皮果對柑橘可溶性固形物精度的影響，其中包含浮皮果建模效果較差。采用正常果建立的柑橘可溶性固形物的預測均方根誤差為0.77 °Brix，模型實際分選試驗在線分選精度為97%。研究可為柑橘在線分選提供分選策略與理論依據。

[1] 呂強, 何紹蘭, 劉斌, 等. 班菲爾臍橙可溶性固形物近紅外光譜特征譜區選擇[J]. 農業機械學報, 2012(S1): 211-214.

[2] CAYUELA J A. Vis/NIR soluble solids prediction in intact oranges (Citrus sinensis L.) cv. Valencia Late by reflectance[J]. Postharvest Biology and Technology, 2008, 47(1): 75-80.

[3] TEWARI J C, DIXIT V, CHO B K, et al. Determination of origin and sugars of citrus fruits using genetic algorithm, correspondence analysis and partial least square combined with fiber optic NIR spectroscopy[J]. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2008, 71(3): 1 119-1 127.

[4] CAYUELA J A, WEILAND C. Intact orange quality prediction with two portable NIR spectrometers[J]. Postharvest Biology and Technology, 2010, 58(2): 113-120.

[5] LIU Yan-de, SUN Xu-dong, OUYANG Ai-guo. Nondestructive measurement of soluble solid content of navel orange fruit by visible-NIR spectrometric technique with PLSR and PCA-BPNN[J]. LWT-Food Science and Technology, 2010, 43(5): 602-607.

[6] MAGWAZA L S, OPARA U L, TERRY L A, et al. Prediction of‘Nules Clementine’mandarin susceptibility to rind breakdown disorder using Vis/NIR spectroscopy[J]. Postharvest Biology and Technology, 2012, 74: 1-10.

[7] MAGWAZA L S, LANDAHL S, CRONJE P J R, et al. The use of Vis/NIRS and chemometric analysis to predict fruit defects and postharvest behaviour of ‘Nules Clementine’mandarin fruit[J]. Food Chemistry, 2014, 163: 267-274.

[8] 孫通, 許文麗, 胡田, 等. 基于UVE-ICA和支持向量機的南豐蜜桔可溶性固形物可見-近紅外檢測[J]. 光譜學與光譜分析, 2013, 33(12): 3 235-3 239.

[9] JAMSHIDI B, MINAEI S, MOHAJERANI E, et al. Reflectance Vis/NIR spectroscopy for nondestructive taste characterization of Valencia oranges[J]. Computers and Electronics in Agriculture, 2012, 85: 64-69.

[10] WANG Ai-chen, XIE Li-juan. Technology using near infrared spectroscopic and multivariate analysis to determine the soluble solids content of citrus fruit[J]. Journal of Food Engineering, 2014, 143: 17-24.

[11] LIU C, YANG S X, DENG L. Determination of internal qualities of newhall navel oranges based on nir spectroscopy using machine learning[J]. Journal of Food Engineering, 2015, 161: 16-23.[12] LORENTE D, ESCANDELL-MONTERO P, CUBERO S, et al. Visible-NIR reflectance spectroscopy and manifold learning methods applied to the detection of fungal infections on citrus fruit[J]. Journal of Food Engineering, 2015, 163: 17-24.

[13] SANKARAN S, EHSANI R. Visible-near infrared spectroscopy based citrus greening detection: Evaluation of spectral feature extraction techniques[J]. Crop Protection, 2011, 30(11): 1 508-1 513.

[14] JAMES P Reed, DESMOND Devlin, SANDRA R R Esteves, et al. Integration of NIRS and PCA techniques for the process monitoring of a sewage sludge anaerobic digester[J]. Bioresource Technology, 2013, 133(4): 398-404.

[15] NEJADGHOLI I, BOLIC M. A comparative study of PCA, SIMCA and Cole model for classification of bioimpedance spectroscopy measurements[J]. Computer in Biology and Medicine, 2015, 63: 42-51.

[16] CHAUCHARD F, COGDILL R, ROUSSEL S, et al. Application of LS-SVM to non-linear phenomena in NIR spectroscopy: development of a robust and portable sensor for acidity prediction in grapes[J]. Chemometrics and Intelligent Laboratory Systems, 2004, 71(2): 141-150.

[17] MARCO F Ferr?o, SIMONE C Godoy, ANNELISE E Gerbase, et al. Non-destructive method for determination of hydroxyl value of soybean polyol by LS-SVM using HATR/FT-IR[J]. Analytica Chimica Acta, 2007, 9(6): 114-119.

[18] 郝勇, 孫旭東, 高榮杰. 基于可見/近紅外光譜與SIMCA和PL S-DA的臍橙品種識別[J]. 農業工程學報, 2010, 26(12): 373-377.

[19] 孫旭東, 劉燕德, 李軼凡, 等. 鴨梨黑心病和可溶性固形物含量同時在線檢測研究[J]. 農業機械學報, 2016, 47(1): 227-233.

Simultaneous detection of puffiness and soluble solids content for intact citrus by online spectroscopy

LIU Yan-de

WUMing-ming

SUNXu-dong

ZHUDan-ning

(SchoolofMechatronicsEngineering,EashChinaJiaotongUniversity,Nanchang,Jiangxi330013,China)

Puffy fruit and soluble solid content (SSC) are important indexes for evaluating the quality of citrus. The feasibility was discussed for detecting Puffing disease and SSC of intact citrus simultaneously by online visible-near infrared (visible-NIR) transmittance spectroscopy. The spectra were recorded with the integration time of 100 ms in the wavelength range of 350～1 150 nm when the samples were conveyed at the speed of five samples per second. The feasibility of simultaneous and online detection of puffiness fruit and SSC for intact citrus simultaneously was discussed by visible-near infrared transmittance spectroscopy. The response properties of visible-NIR spectra for normal fruit, mild and severe puffiness fruit were analyzed. Then least squares support vector machine (LSSVM) and discrimination partial least square (DPLS) were developed for discrimination of puffiness fruit and health citrus. At the same time, the optimal soluble solids content model of citrus was conducted by partial least squares regression methods. Other 35 samples without developing calibration models were applied to evaluate precision of online sorting. The classification rate was 100% for identifying puffiness fruit, and the accuracy of sorting SSC for health pears was 97%. The results showed that simultaneous detection of puffiness and SSC were feasible by visible-NIR transmittance spectroscopy.

puffiness fruit; diffuse transmittance; soluble solids content; simultaneous detection

“十二五”國家863計劃課題(編號：SS2012AA101306)；江西省優勢科技創新團隊建設計劃項目(編號：20153BCB24002)；南方山地果園智能化管理技術與裝備協同創新中心(編號：贛教高字[2014]60號)；江西省研究生創新資金項目(編號：YC2015-S238)

劉燕德(1967—)，女，華東交通大學教授，博士，博士生導師。E-mail：jxliuyd@163.com

2016—06—29

10.13652/j.issn.1003-5788.2016.11.026