基于光譜技術與光學仿真的柚果在線檢測托盤設計與試驗

孫瀟鵬 徐 賽 陸華忠

(1.華南農業大學工程學院，廣東 廣州 510642；2.廣東省農業科學院農產品公共監測中心，廣東 廣州 510642；3.廣東省農業科學院，廣東 廣州 510642)

可見/近紅外光譜檢測技術作為一種無損、快速的檢測方法，近年來在農產品品質檢測中得到了廣泛應用[1-3]。然而，對于柚果等大型厚皮類水果而言，由于體積大，皮厚，光譜透射難[4-6]，在線檢測難度大，內部品質檢測準確率低[7-9]，其品質仍靠人工鑒別，正確分辨率不高。目前，國內外厚皮類水果內部品質檢測的研究，水果的光譜在線檢測，通常采用動態傳輸以保證檢測效率，但易造成機械損傷，通過托盤傳送有益于水果在相對穩定的檢測環境下完成光譜在線檢測。李雄等[10]在可見/近紅外漫透射在線檢測裝置中為柚果提供果杯進行在線檢測。郭志明等[11]在透射光譜在線檢測系統中為蘋果提供果托進行在線檢測。但對柚果的果杯或果托，并未進行參數設計、仿真分析等深入研究，則無法判斷果杯或果托是否符合柚果的光譜在線檢測。筆者前期試驗發現，大型厚皮水果的透射光譜信息較弱，托盤的設計參數會對柚果透射光譜信息采集造成影響。

為提高柚果在線檢測輸送的穩定性，并減少托盤對光譜信息采集的干擾，試驗擬以柚果為研究對象，從柚果的形態特征入手，通過光學仿真和光譜采集試驗相結合的方法，優化設計柚果傳送托盤，并對該托盤進行柚果漫透射光譜采集，光譜特征選取，建立柚果可溶性固形物含量的偏最小二乘法回歸預測模型[12]，以期為厚皮類水果內部品質在線檢測提供參考。

1 材料與方法

1.1 試驗材料

從梅州市柚果果園取果后，立即運回廣東省農業科學院農產品公共監測中心開展試驗。去除有外表損傷、有傷疤或不規則的樣品后，采用濕毛巾將柚果擦凈、自然晾干，并于室溫(19～21 ℃)下存24 h。剩余120個柚果的外形參數如表1所示。

表1 120個柚果的形態特征?

? 夾角：如圖1所示，柚果在該姿態下，弧面外切線與水平面的夾角。

1.2 傳送托盤的設計

以柚果的外形參數為基礎，經計算，如圖1所示，D1(內徑)設置為50 mm；D2設置為柚果的橫徑最小值，即130.15 mm；D3設置為柚果的縱徑平均值，即172.16 mm。H為托盤厚度，即30 mm。倒角為柚果與水平面夾角均值，即17°。托盤的初始材料為橡膠。

1.3 托盤應用光譜平臺與試驗儀器

1.3.1 托盤應用光譜平臺 根據試驗要求，自主搭建光譜試驗平臺(見圖2)，由計算機、光譜試驗箱體、光譜儀、光纖、光源和積分球等組成，光源使用100 W石英鹵素燈(12組)，光源入射角為45°。柚果置于傳送托盤上，通過皮帶傳送裝置傳送至光譜采集裝置，光譜采集裝置采集光譜的原理，如圖3所示。中控系統通過數據分析和模型預測，將柚果及傳送托盤傳輸至品質分級裝置進行柚果分級。

1.柚果模型 2.傳送托盤

1.傳送托盤 2.皮帶傳動裝置 3.光譜采集裝置(包括：箱體、光譜儀、光源、光纖和積分球等) 4.中控系統(計算機等) 5.品質分級裝置

圖2 不同檢測環境下的光譜平臺

Figure 2 Spectrum platforms in different detection environments

1.箱體 2.機器視覺裝置 3.光源 4.風扇 5.積分球 6.光纖 7.光譜儀 8.皮帶傳送裝置 9.品質分級裝置 10.計算機

圖3 光譜采集裝置的原理示意圖

Figure 3 Schematic diagram of spectral acquisition device

1.3.2 試驗儀器

光譜儀：QE-Pro型(測量波長400～1 100 nm)和NIR-QUEST型(測量波長900～1 700 nm)，美國海洋光學公司；

糖度儀：PAL-Grape Must(Brix)型，ATAGO(愛拓)中國分公司；

天平：HTP312型，上海花潮電器有限公司；

游標卡尺：精度0.01 mm，上海申韓量具有限公司；

萬能角度尺：測量角度0～320°，上海恒量量具有限公司。

1.4 傳送托盤的光學仿真

托盤完成初步設計后，建立傳送托盤三維仿真模型，進行參數優化。通過Trace pro軟件模擬光譜檢測環境進行仿真分析，然后對仿真結果進行試驗驗證。如圖4所示，建立仿真模型。柚果材質設置為植物纖維，托盤材質設置為橡膠。對照明裝置進行光源等參數設置。根據積分球的工作原理，模型采用更為簡易的聚光鏡[13]，目的在于將不同方向的光信號聚集增強。圖4中紅色線條為燈泡的光束照射路徑，藍色和綠色為受托盤影響的光束被反射和折射路徑。通過分析所得輝度/照度圖判定聚光鏡接收到光強的最大值、平均值和最小值，如圖5所示。

1.光源 2.柚果模型 3.傳送托盤 4.聚光鏡

圖5 輝度/照度圖

1.5 柚果傳送托盤的光譜平臺試驗

啟動光譜試驗平臺，預熱15 min使設備達到穩定的工作狀態，采用Spectra Suite(Ocean Optics Ins.,USA)軟件，設置積分時間、平均次數等，獲取和存儲光譜數據。將托盤置于光譜平臺內，樣本光譜采集前，需使用平臺配套的白板與黑板，分別貼住積分球進行光譜儀校正。將柚果放置在托盤上，每采集一次旋轉90°，取4次光譜的平均值作為該樣本的光譜數據。

基于柚果的漫透射光譜信息，作為柚果內部品質的研究參數[14]。在光譜平臺內，配套以試驗結果最優的傳送托盤，采集120個柚果樣本在400～1 700 nm波長下的漫透射光譜數據，如圖6所示。按式(1)計算柚果樣本的透射率。

(1)

式中：

T——采集樣本的透射率，%；

Is——采集樣本的光譜強度，cd；

Iw——放置白板的光譜強度，cd；

Ib——放置黑板的光譜強度，cd。

圖6 120個柚果的可見/近紅外漫透射原始譜圖

Figure 6 The original spectrum of visible/near-infrared diffuse transmission of 120 pomelo fruits

原始光譜需進行光譜預處理，削弱各種無關信息與背景噪聲對目標光譜的影響，以達到提高光譜分辨率，提高模型穩健性等目的。選取圖6中650～1 350 nm波長范圍的光譜數據進行預處理。光譜預處理有卷積平滑法、導數光譜法和多元散射校驗法等。卷積平滑法可降低光譜采集過程中隨機白噪聲的干擾；在消除光譜基線漂移方面，導數光譜法可有效地消除基線和其他背景的干擾；多元散射校驗法(MSC)和標準正態變換法(SNV)可消除因樣品的不均勻性產生散射引起的光譜差異。

1.6 標準理化值測定

采用糖度儀測量樣本的可溶性固形物含量，從樣本的檢測點提取部分果肉，擠出果汁，用膠頭滴管將果汁滴于糖度儀檢測鏡面，讀取并記錄數值，每個樣本測量3次后取平均值，結果如表2所示。

1.7 預測模型評價

預測模型評價是驗證模型預測值的精度和可信度，判斷模型的優劣以及是否發生過擬合，所建立的模型必須經過驗證后才具有意義。常用的模型評價指標：校正均方根誤差(RMSEC)、決定系數(R2)和預測均方根誤差(RMSEP)等。其中R2值越接近1，模型的回歸或預測結果越好；RMSEP越小，表明模型的預測能力越強。

表2 柚果的可溶性固形物含量統計

2 結果與討論

2.1 傳送托盤的參數優化與光譜試驗

為驗證托盤參數優化的合理性，設置不同尺寸參數的托盤進行光學仿真對比分析，如表3～5所示。由表3可知，隨著內徑的增加，輝度/照度均值(AVE)隨之增加，當內徑為80 mm時，輝度/照度均值達到最大。如繼續增大內徑尺寸，托盤會發生內部結構失效，導致光譜透過率過高、數據失真等問題。由表4可知，當內徑為80 mm時，改變厚度，輝度/照度值隨之改變，但輝度/照度值變化規律不明顯。由表5可知，內徑80 mm，厚度20 mm，外徑100 mm的傳送托盤，輝度/照度的MAX和AVE值均最大。對參數優化前后的托盤進行實物加工，如圖7所示。

表3 托盤內徑與輝度/照度值的關系

表4 托盤厚度與輝度/照度值的關系

表5 托盤外徑與輝度/照度值的關系

圖7 參數優化前后的柚果托盤對比圖

2.2 傳送托盤的材料替換與光譜試驗

由于采用橡膠的傳送托盤，采集漫透射光譜數據不理想，則對傳送托盤進行材料替換仿真分析，仿真結果如表6所示。由表6可知，托盤采用聚甲基丙烯酸甲酯和聚丙烯酸酯相較于原始材料橡膠，輝度/照度的MAX和AVE值均有提升，聚甲醛樹脂的仿真效果最好。

對參數優化后，4種材料的傳送托盤進行加工，在傳送托盤上放置柚果，分別進行光譜采集試驗，如圖8所示，采用聚甲醛樹脂的托盤，在400～850 nm的可見光波段，柚果光譜的透過率最高。在近紅外波段，采用聚甲基丙烯酸甲酯的托盤，柚果光譜的透過率最高，但聚甲基丙烯酸甲酯屬于透光材料，即使采用黑色，對光譜采集也存在一定的影響，最終得到托盤和柚果夾雜在一起光譜，故不可采用。

表6 托盤材料與輝度/照度值的關系

圖8 采用不同材料托盤的柚果漫透射光譜對比圖

Figure 8 Comparison of pomelo diffuse transmission spectra with trays of different materials

綜上所述，當傳送托盤尺寸參數設置為：外徑100 mm，內徑80 mm，厚度20 mm時，選擇聚甲醛樹脂，即為試驗所需的最優方案。

2.3 建模結果與分析

2.3.1 柚果可溶性固形物含量預測模型 光譜預處理后，采用偏最小二乘回歸法(PLSR)建立回歸模型，預測結果如表7所示。由表7可知，采用3點卷積平滑(SG-smooth)處理原始漫透射光譜，再經一階微分(1 Derivative)預處理后，建立回歸模型[15]，模型的預測效果最優，RMSEP為0.512 °Brix，Rpre2為0.851。

表7 不同預處理條件的偏最小二乘回歸模型

2.3.2 特征波長選取與預測模型優化 對預處理后的650～1 350 nm光譜數據，運用連續投影法(SPA)提取的特征波段[16]，如圖9所示。共計18個波長變量，即：650，705，766，782，807，841，887，961，1 056，1 100，1 122，1 165，1 244，1 278，1 316，1 335和1 345。

圖9 SPA特征變量選取

穩定性競爭自適應重加權采樣(SCARS)算法可對無信息變量進行有效去除和共線性變量進行有效壓縮，達到提高模型穩健性的目標[17]。SCARS算法中，設置采樣次數為1 000，交互驗證主成分因子為3，采樣率為0.8。對波長變量選擇時，根據文獻[18]將N(蒙特卡羅模擬數值)，Nmcs(蒙特卡羅抽樣次數)及采樣率分別設置500，50，0.7。

圖10(a)是SCARS算法選取的波長變量隨抽樣次數的變化趨勢圖。隨著抽樣次數的增加，波長變量由快到慢呈遞減趨勢。由圖10(b)可知，隨著抽樣次數的增加，交叉驗證均方根誤差(RMSECV)值減少，是因為“欠擬合”現象發生，已剔除受儀器影響且較敏感的波長變量；當交叉驗證均方根誤差值達到最小，之后又呈遞增趨勢，是因為“過擬合”現象發生，已剔除最優子集中，部分受不同儀器影響且不敏感的波長變量。“過擬合”與“欠擬合”的連接處，即為最優變量子集。圖10(c)為波長變量穩定度軌跡圖，即變量的穩定度隨抽樣次數的變化趨勢，得到RMSECV的最優變量子集，由綠色星柱標出。最優變量子集為第27個變量子集，最優變量子集中包括36個波長變量，即：880，891，892，917，919，960，961，962，963，978，979，980，1 028，1 041，1 047，1 066，1 069，1 113，1 117，1 118，1 119，1 134，1 161，1 162，1 163，1 164，1 199，1 201，1 202，1 203，1 210，1 219，1 220，1 221，1 222和1 306。

圖10 SCARS算法選擇特征變量

遺傳(GA)算法中，群體數目為30，交叉概率為50%，變異概率為1%，迭代次數為100，對預處理后的650～1 350 nm 光譜數據進行變量優選[19]。如圖11(a)所示，為變量入選次數頻率直方圖，其中綠線表示全局最小RMSECV的變量數位置，紅線表示與全局最小RMSECV統計不顯著的最小變量數位置。圖11(b)為交叉驗證變異解釋率，隨著入選變量數增加，值逐漸增大，最終達到峰值，維持在相對平穩的階段，或者略微下降。紅綠點的意義同圖11(a)紅綠線。圖11(c)為RMSECV隨入選變量數變化圖，GA遺傳算法最終優選出共計38個波長變量，即734，889，900，982，983，984，1 008，1 009，1 011，1 062，1 073，1 074，1 075，1 160，1 161，1 173，1 211，1 212，1 220，1 247，1 248，1 249，1 276，1 277，1 278，1 290，1 291，1 330，1 331，1 332，1 336，1 342，1 343，1 344，1 345，1 346，1 347和1 348，交叉驗證變異解釋率為99.999 2，即圖中紅點位置。

圖11 GA算法選擇特征變量

建立SPA-PLSR、SCARS-PLRS、GA-PLSR和PLSR模型，并用40個預測樣品對模型進行預測，結果如表8所示。由表8可知，SPA-PLSR、SCARS-PLRS和GA-PLSR相較于PLSR，預測精度均有較大提升。GA-PLSR模型的Rpre2=0.957；RMSEP=0.271 °Brix，預測精度最佳。

表8 不同模型的預測結果

3 結論

從柚果的形態特征入手，通過Trace pro光學仿真和光譜采集驗證，設計柚果傳送托盤。為降低傳送托盤對光譜試驗的影響，對傳送托盤進行參數優化，分別從外徑、內徑和厚度尺寸進行對比試驗。為提高柚果光譜透過率，對傳送托盤進行結構優化和材料替換，進行對比試驗，驗證該方法的可行性。傳送托盤的最終設計參數為：外徑100 mm、內徑80 mm、內部夾角17°、聚甲醛樹脂且厚度20 mm，采用該托盤在可見/近紅外光譜平臺，采集120顆柚果在400～1 700 nm波長范圍內的柚果漫透射光譜數據。采用卷積平滑、標準正態變換和多元散射校正等方法對光譜進行預處理，選用SPA、SCARS和GA進行光譜特征選取，建立柚果可溶性固形物含量預測模型。結果顯示，經卷積平滑和一階導數預處理，建立GA-PLRS預測模型，決定系數為0.957；預測均方根誤差為0.271 °Brix，預測精度最佳。該托盤運用于柚果在線檢測，可實現批量柚果在品質流水線的快速無損檢測，預測準確性和穩定性更好。