基于近紅外光譜的水蜜桃采摘期的鑒別方法*

李 劍， 李臻峰,， 宋飛虎,， 步正延

(1.江南大學 機械工程學院，江蘇 無錫 214122；2.江蘇省食品先進制造裝備技術重點實驗室，江蘇 無錫 214122)

基于近紅外光譜的水蜜桃采摘期的鑒別方法*

李 劍1， 李臻峰1,2， 宋飛虎1,2， 步正延1

(1.江南大學機械工程學院，江蘇無錫214122；2.江蘇省食品先進制造裝備技術重點實驗室，江蘇無錫214122)

提出了一種利用近紅外漫反射光譜技術結合光纖傳感技術建立水蜜桃采摘期的鑒別方法。從無錫陽山鎮的某大棚采摘了距最佳采摘期天數為3，2，1以及處于最佳采摘期的水蜜桃各48個，用近紅外光譜儀對樣品進行了光譜采集。對原始光譜進行平滑、一階微分和多元散射校正預處理，采用主成分分析(PCA)結合偏最小二乘(PLS)法建立了水蜜桃采摘期的鑒別模型。研究顯示：一階微分和平滑組合預處理后的鑒別模型效果最好，校正集模型和預測集模型的決定系數分別為0.927 9和0.913 8；模型的內部交叉驗證均方差(RMSECV)和預測均方根偏差(RMSEP)分別為0.300 3和0.334 9；水蜜桃樣品校正集和預測集的鑒別正確率分別為95.13 %和93.75 %。結果表明：利用近紅外漫反射光譜技術對水蜜桃采摘期的鑒別具有很好的應用前景。

近紅外光譜； 水蜜桃； 采摘期； 偏最小二乘法

0 引 言

現階段的水蜜桃質量檢測和分級通常只能從外觀進行人為判斷，受主觀性較強，檢測效率低。研究水蜜桃的最佳收獲期，對于提高產品附加值，實現自動化具有重要意義。

近紅外光譜技術具有多種成分同時檢測、采集速度快、成本低、無前處理、無破壞性和無污染等特點，堪稱“綠色檢測技術”[1～4]。包含定性分析和定量分析，結合化學計量學方法建立數學模型分析樣品內部品質和近紅外光譜的相關性[5]。

近年來，國內外利用近紅外光譜技術對蘋果[6，7]、梨[8，9]、李子[10]、棗[11]、芒果[12]等水果進行了研究，取得了很多成就。在近紅外光譜技術對桃[13]的研究應用方面，也相應取得了不少進展。潘磊慶等人[14]利用傅里葉近紅外光譜技術，采用多元散射校正、一階導數和卷積平滑處理方法對樣品原始光譜進行預處理，結合偏最小二乘法建立數學模型，對貨架期水蜜桃糖度進行了預測，得到了比較好的預測效果。馮曉元等人[15]利用近紅外光譜漫反射技術預測了久保桃的內部可溶性固形物含量，研究發現，采用一階微分對光譜的預處理結合改進偏最小二乘法建立的預測模型的相關性較高。目前，國內還沒有關于不同采摘期的水蜜桃的鑒別研究。本文利用近紅外漫反射系統對不同采摘期的水蜜桃進行了光譜采集，通過Matlab軟件對原始光譜進行了預處理，并建立了偏最小二乘數學模型，對距離最佳采摘期不同天數的水蜜桃進行了鑒別，為水蜜桃的采摘和生長管理提供了品質保證。

1 材料與方法

1.1 試驗材料

選定產于無錫陽山鎮的某大棚的“湖景”水蜜桃，分別采摘距最佳采摘期天數為3，2，1以及處于最佳采摘期的水蜜桃各48個，共192個。當天運實驗室，所有水蜜桃表面清理干凈，分別編號，貯藏于恒溫恒濕培養箱內。定義水蜜桃類別為3，2，1，0。校正集由每個類別里隨機選擇的36個樣品組成，共144個。預測集由4個類別里余下的12個樣品組成，共48個。

1.2 近紅外光譜檢測系統

近紅外光譜漫反射系統的硬件由近紅外光譜儀、光纖、光纖探頭、光源(50W石英鹵素燈)以及計算機等組成，系統如圖1所示。近紅外光譜漫反射系統的運作過程為：光源發出的光通過光纖進入水蜜桃內部組織中漫射，從水蜜桃內部漫射光從光纖射出并進入近紅外光譜儀。近紅外光譜儀和計算機通過A/D轉換器對光譜信號進行數字化處理，計算機運行近紅外光譜儀自帶光譜控制軟件實現光譜數據獲取、轉換和光譜存儲。實驗采用光譜儀的光譜采集范圍為900～2500nm。光譜采集軟件為Morpho光譜儀控制軟件。采集的光譜數據以Excel形式導出。系統采用小功率雙光源，使得整個果實表面得到全面照射，獲得更多的光譜信息，同時保護了果實表面。

1.3 近紅外光譜采集

光譜儀預熱0.5h后，對樣品分別進行漫反射光譜采集。實驗選用直徑為75mm的聚四氟乙烯球作為參比去除大部分直接由樣品表面散射進入光纖探頭的光。在每個水蜜桃赤道部位等距采集4次光譜，然后將4次光譜值取平均，作為每個水蜜桃的原始光譜，并盡可能避免樣品明顯的表面缺陷。

2 結果與分析

2.1 光譜數據預處理

由圖2可以看出：4種類型的光譜圖具有一定的相似性，但波峰強度存在較大的差異，主要是由于處于不同采摘期的水蜜桃的內部化學成分和組織結構存在差異。由于水蜜桃自身表面的物理特性和內部細胞變化等因素的影響，導致光譜基線偏移和漂移，產生了光散射和高頻噪聲，因此，需要對樣品的原始光譜進行預處理。為比較預處理方法對模型效果的影響，分別利用原始光譜，平滑，一階微分和標準正態變量轉換(SNV)及相關組合預處理的光譜數據建立數學模型。平滑的目的主要是消除隨機噪聲，一階微分能夠比較好地去除樣品由顏色差異產生的光譜的基線偏移與漂移，而SNV可以減少水蜜桃樣品的表面散射特性和光程變化對光譜帶來的影響。

圖2 不同采摘期水蜜桃典型漫反射近紅外原始光譜

表1 不同光譜預處理方法的PLS模型預測結果

2.2 主成分分析結果

主成分分析在不丟失大部分光譜信息的條件下，選取少數幾個綜合指標來替代原來的變量。預處理后的光譜矩陣為X，選用Matlab中多元統計分析函數princomp(X)實現主成分分析。一階微分加平滑預處理后主成分累積貢獻率結果如表2所示，第一主成分到第十主成分的累積貢獻率已高達91.22 %。說明該10個主成分能夠代表近紅外原始光譜的大部分信息。

表2 一階微分加平滑預處理后主成分貢獻率

2.3 模型的建立與驗證

選用偏最小二乘法建立水蜜桃光譜與采摘期的數學模型。實驗選取了144個水蜜桃組成校正樣本集，選取樣品的全波段近紅外光譜和距離最佳采摘期的天數(真實值)建立關聯模型，利用該模型預測48個預測集樣品距離最佳采摘期的天數。光譜數據矩陣為X，樣品距離最佳采摘期的天數為T，調用Matlab軟件函數plsregress(T,X)實現。圖3為水蜜桃校正集樣品真實類別與模型預測類別結果，其決定系數為0.927 9，校正均方根誤差為0.300 3。圖4為水蜜桃預測集樣品真實類別與模型預測類別結果，其決定系數為0.913 8，預測均方根誤差為0.334 9。如表3所示，模型的校正集和預測集的鑒別正確率分別為95.13 %和93.75 %。 由此可見,經一階微分結合平滑預處理后建立的偏最小二乘數學模型具有較好的鑒別效果。說明近紅外光譜對水蜜桃采摘期的鑒別有實際的應用價值。

圖3 水蜜桃校正集樣品真實類別與模型預測類別結果

圖4 水蜜桃預測集樣品真實類別與模型預測類別結果

樣本樣本總數鑒別錯誤的樣本數不確定的樣本數鑒別正確率/%校正樣本1447095.13預測樣本483093.75

3 結 論

通過近紅外光譜漫反射檢測系統對不同采摘期的水蜜桃進行了光譜采集，采用一階微分和平滑對原始近紅外光譜進行了預處理。選取了原始光譜通過預處理后的全部波段進行了建模，采用主成分分析進行了特征提取，結合偏最小二乘法建立了水蜜桃采摘期的鑒別模型。校正集模型和預測集模型的決定系數分別為0.927 9和0.913 8，模型的內部交叉驗證均方差和預測均方根偏差分別為0.300 3和0.334 9。模型的鑒別正確率分別為95.13 %和93.75 %。說明所建模型具有較好的鑒別效果。該研究為水蜜桃采摘期的鑒別提供了一種簡便有效的方法，為水蜜桃的采摘和生長管理提供了品質保證，為在線無損檢測水蜜桃的最佳采摘期提供了理論參考。

[1] 李軍濤.近紅外反射光譜快速評定玉米和小麥營養價值的研究[D].北京：中國農業大學,2014.

[2] 吳靜珠,吳勝男,劉翠玲,等.近紅外和高光譜技術用于小麥籽粒蛋白含量預測探索[J].傳感器與微系統,2013,32(2):60-62.

[3] 吳靜珠,劉 倩,陳 巖,等.基于近紅外與高光譜技術的小麥種子多指標檢測方法[J].傳感器與微系統,2016,35(7):42-44.

[4] 嚴衍祿,趙龍蓮,韓東海,等.近紅外光譜分析基礎與應用[M].北京:中國輕工業出版,2005:3-4.

[5] 劉 瑩,胡云龍.基于ARM9的近紅外山茶油無損檢測儀研究[J].傳感器與微系統,2013,32(4):72-75.

[6] 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.

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

[8] 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):215-216,228.

[9] 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.

[10] Slaughter D C,Thompson J F, Tan E S.Nondestructive determination of total and soluble solids in fresh prune uning near infrared spectroscopy[J].Post Harvest Biology and Technology, 2003,28(3):437-444.

[11] 張淑娟,王鳳花,張海紅,等.鮮棗品種和可溶性固形物含量近紅外光譜檢測[J].農業機械學報,2009,40(4):139-142.

[12] 虞佳佳,何 勇,鮑一丹.基于光譜技術的芒果糖度酸度無損檢測方法研究[J].光譜學與光譜分析,2008,28(12):2839-2842.

[13] Peiris K H S,Dull G G,Leffler R G,et al.Near-infrared spectrometric method for nondestructive determination of soluble solids content of peaches[J].Journal of the American Society for Horticultural Science,1998,123(5):898-905.

[14] 潘磊慶,劉 明,韓東海,等.水蜜桃貨架期內糖度的近紅外光譜檢測[J].南京農業大學學報,2013(4):116-120.

[15] 馮曉元,王寶剛,李文生,等.近紅外漫反射光譜預測久保桃可溶性固形物初步實驗研究[J].食品工業科技,2008(3):273-275.

Identificationmethodofpickingperiodofjuicypeachesbasedonnearinfraredspectroscopy*

LI Jian1, LI Zhen-feng1,2, SONG Fei-hu1,2, BU Zheng-yan1

(1.SchoolofMechanicalEngineering,JiangnanUniversity,Wuxi214122,China；2.JiangsuKeyLaboratoryofAdvancedFoodManufacturingEquipmentandTechnology，Wuxi214122,China)

A near infrared diffuse spectroscopy technology combined with optical fiber sensing technology is used to explore nondestructive testing methods to identify the picking period of juicy peaches.48each of juicy peaches of3,2and1days from the best picking period and the day in the best picking period from a greenhouse in Yangshan town of Wuxi.The samples are collected by near infrared spectrometer.Three pre-processing methods i.e.smoothing,first derivative and mutiplicative scatter correction are used.Identification models of picking period are developed by principal component analysis(PCA) and partial least square(PLS) regression.The results show that first derivative and smoothing combination preprocessing construct the best predicted model.The correlation coefficient of calibration and validation model are0.9279and0.9138respectively.The root mean square error of cross validation(RMSECV) and the root mean square error of prediction(RMSEP) are0.3003and0.3349respectively.The recognition rates in the calibration set and prediction set of juicy peaches are95.13% and93.75% respectively.Results shows that the method of using the near infrared spectroscopy technology to identify the picking period of juicy peaches has a very good application prospect.

near infrared spectroscopy; juicy peaches; picking period;partial least square(PLS) method

10.13873/J.1000—9787(2017)10—0048—03

2016—11—25

國家自然科學基金資助項目(51406068)；江蘇省政策引導類計劃(產學研合作)——前瞻性聯合研究項目(2015019—16);江蘇省食品先進制造裝備技術重點實驗室開放基金資助項目(FM—201504)

S 123

A

1000—9787(2017)10—0048—03

李 劍(1991-)，男，碩士研究生，研究方向為機械電子工程，E—mail:lijian06@126.com。李臻峰(1968-)，男，通訊作者，博士，高級教授，研究方向為機械電子工程，E—mail：1078709105@qq.com。