柑橘近紅外光譜無(wú)損檢測(cè)技術(shù)研究進(jìn)展

張欣欣，李 跑,,*，余 梅，蔣立文，劉 霞，單 楊

（1.湖南農(nóng)業(yè)大學(xué)食品科學(xué)技術(shù)學(xué)院，食品科學(xué)與生物技術(shù)湖南省重點(diǎn)實(shí)驗(yàn)室，湖南 長(zhǎng)沙 410128；2.湖南省農(nóng)業(yè)科學(xué)院湖南省農(nóng)產(chǎn)品加工研究所，湖南 長(zhǎng)沙 410125）

柑橘是柑、柚、橙、枳、橘（桔）等的總稱，最初種植于中國(guó)的云貴高原，其栽培時(shí)間長(zhǎng)久、品種繁多、資源豐富。柑橘營(yíng)養(yǎng)豐富，果肉酸甜適度，受到全球人民喜歡。無(wú)論是生產(chǎn)、消費(fèi)還是出口，中國(guó)在柑橘市場(chǎng)中的作用不可或缺。根據(jù)國(guó)家統(tǒng)計(jì)局官網(wǎng)結(jié)果，2018年我國(guó)各類柑橘總產(chǎn)量已達(dá)到4 138.14萬(wàn) t，出口量70.88萬(wàn) t，橘、橙出口金額達(dá)到9.7億 美元。柑橘的品質(zhì)直接關(guān)乎銷量，而水果品質(zhì)指標(biāo)由外部指標(biāo)與內(nèi)部指標(biāo)構(gòu)成。現(xiàn)階段柑橘類水果的品質(zhì)分級(jí)大多采用人工肉眼或圖像識(shí)別技術(shù)[1]。人工分級(jí)的效率與準(zhǔn)確度不高，機(jī)器視覺(jué)檢測(cè)技術(shù)和自動(dòng)控制技術(shù)組成的分級(jí)控制系統(tǒng)可以實(shí)現(xiàn)顏色檢測(cè)與柑橘外部缺陷檢測(cè)，但采用機(jī)械設(shè)備僅能根據(jù)外部特征進(jìn)行一定的分級(jí)，無(wú)法對(duì)更重要的內(nèi)部品質(zhì)進(jìn)行分析。柑橘內(nèi)部品質(zhì)指標(biāo)包括可溶性固形物含量（soluble solid content，SSC）、酸度、黃酮含量、維生素含量、果膠含量等。采用折光法[2]對(duì)果汁進(jìn)行分析可以得到柑橘的SCC；利用pH計(jì)和化學(xué)滴定法[2]對(duì)果汁進(jìn)行測(cè)定可以得到柑橘的酸度，采用高效液相色譜法[3]對(duì)果汁進(jìn)行分析可以測(cè)定黃酮以及維生素含量；采用斐林試劑法[4]可以測(cè)得還原糖含量。但這些方法要對(duì)柑橘進(jìn)行破壞性實(shí)驗(yàn)，檢測(cè)后的樣品無(wú)法實(shí)現(xiàn)二次銷售，無(wú)法達(dá)到快速無(wú)損檢測(cè)的目的。

近紅外光（near infrared，NIR）是一種電磁波，波長(zhǎng)范圍為780～2 500 nm，波數(shù)范圍為12 800～4 000 cm-1，主要反映了含氫基團(tuán)的信息。根據(jù)波長(zhǎng)范圍，通常將780～1 100 nm的NIR稱為短波近紅外光（short wavelength near infrared，SWNIR），1 100～2 500 nm的NIR稱為長(zhǎng)波近紅外光（long wavelength near infrared，LWNIR）。基于NIR光譜技術(shù)的果蔬內(nèi)部品質(zhì)無(wú)損檢測(cè)，是利用果蔬產(chǎn)品的皮、葉、肉、核等對(duì)可見(jiàn)-近紅外光（visible-near infrared，Vis-NIR）或NIR的反射、透射、散射、吸收等特點(diǎn)，反映果蔬內(nèi)部品質(zhì)的一種無(wú)損檢測(cè)方法。該項(xiàng)技術(shù)由美國(guó)農(nóng)業(yè)部于1985年提出，經(jīng)過(guò)30多年的發(fā)展，現(xiàn)廣泛用于各類果蔬及農(nóng)副產(chǎn)品的檢測(cè)，如櫻桃的瘀傷程度檢測(cè)[5]、梨的黑心病與SSC檢測(cè)[6]。本課題組采用NIRS實(shí)現(xiàn)了陳皮[7]、豆?jié){粉[8-9]、燕麥[10-11]、大米[12]、綠茶[13]等食品的無(wú)損檢測(cè)。然而，由于樣品、儀器、環(huán)境、人為因素等原因，NIR光譜所包含的信息往往十分復(fù)雜，需要通過(guò)化學(xué)計(jì)量學(xué)方法以消除光譜中的干擾，從光譜中提取出有效信息。合適的化學(xué)計(jì)量學(xué)方法可以提高信噪比，進(jìn)而提高檢測(cè)的靈敏度、穩(wěn)定性和可重復(fù)性[14-15]。

柑橘不同于其他水果，其果皮較厚，對(duì)光譜影響較大，NIR具有一定的穿透力，可用于柑橘內(nèi)部品質(zhì)的無(wú)損檢測(cè)。現(xiàn)階段出現(xiàn)了大量基于NIR技術(shù)的柑橘及其副產(chǎn)物無(wú)損檢測(cè)研究。本文對(duì)國(guó)內(nèi)外柑橘NIR無(wú)損檢測(cè)研究進(jìn)行了歸納和總結(jié)，重點(diǎn)從果皮對(duì)NIR技術(shù)用于柑橘無(wú)損檢測(cè)可行性的影響、光譜儀種類及參數(shù)的選擇、化學(xué)計(jì)量學(xué)方法的優(yōu)化等幾個(gè)方面進(jìn)行了詳細(xì)討論，旨在為柑橘類水果的快速無(wú)損檢測(cè)提供一定的理論依據(jù)與參考。

1 NIR技術(shù)用于柑橘無(wú)損檢測(cè)的原理及柑橘內(nèi)部光傳輸特性

利用光學(xué)技術(shù)檢測(cè)果蔬產(chǎn)品的內(nèi)部指標(biāo)一直是近年來(lái)的熱點(diǎn)。NIR譜圖包含的信息十分豐富，果蔬組分中含氫基團(tuán)伸縮振動(dòng)的倍頻與合頻的吸收譜帶出現(xiàn)在NIR區(qū)，其散射特性能反映果蔬微觀組織結(jié)構(gòu)和宏觀質(zhì)地屬性等信息，所以大多數(shù)果蔬的內(nèi)部品質(zhì)指標(biāo)（如SSC及可溶性糖、有機(jī)酸、色素含量，水分含量等）能利用NIR光譜技術(shù)進(jìn)行分析。圖1為完整蜜桔果實(shí)的NIR圖以及所屬吸收帶歸屬，10 000～8 000 cm-1為—CH—、—CH2—和—CH3的二倍頻吸收帶；—OH的二倍頻出現(xiàn)在8 500 cm-1附近；7 200 cm-1附近為—CH—、—CH2—和—CH3的一倍頻吸收帶；7 100 cm-1附近為—SH的一倍頻吸收帶；—CHO、—CH—等基團(tuán)的合頻吸收集中在5 500～4 800 cm-1處。吸收光譜的趨勢(shì)與此前其他學(xué)者報(bào)道的柑橘光譜圖[16-17]相似。

圖1 蜜桔的NIR圖Fig.1 NIR spectrum of tangerine

柑橘不同于薄皮水果，其較厚的果皮會(huì)對(duì)NIR進(jìn)行多次吸收散射，內(nèi)部光傳輸特性較為復(fù)雜。探究NIR能否穿透較厚果皮以及研究NIR在柑橘內(nèi)部的傳輸特性，有利于為果實(shí)品質(zhì)NIR光譜無(wú)損檢測(cè)提供理論依據(jù)。在NIR光譜與水果內(nèi)部指標(biāo)相關(guān)性研究方面，魏康麗等[18]用自主搭建的基于單積分球技術(shù)的光學(xué)檢測(cè)系統(tǒng)研究了以蘋果為代表的水果中SSC、可溶性糖（果糖、葡萄糖、蔗糖等）含量與光學(xué)性質(zhì)的關(guān)聯(lián)性。研究結(jié)果表明，在蘋果貯存期間，SSC與可溶性糖含量均下降，對(duì)光的吸收系數(shù)和約化散射系數(shù)相應(yīng)減小，尤其SSC以及可溶性糖含量與吸收系數(shù)呈現(xiàn)很高的正相關(guān)性（r為0.768～0.992）。研究還發(fā)現(xiàn)SSC與可溶性糖中的蔗糖含量相關(guān)性最高，蔗糖與吸收系數(shù)、散射系數(shù)的平均相關(guān)性（r為0.829～0.992）高于果糖與葡萄糖對(duì)應(yīng)的數(shù)據(jù)（r為0.768～0.935）。實(shí)驗(yàn)結(jié)果解釋了光學(xué)技術(shù)檢測(cè)SSC的機(jī)理，即果蔬中的可溶性糖（特別是其中的蔗糖）對(duì)光的高吸收與高散射。Saeys等[19]研究了蘋果皮和蘋果果肉在350～2 200 nm范圍內(nèi)的光學(xué)性質(zhì)，發(fā)現(xiàn)吸收效應(yīng)在NIR波段（特別是1 450 nm和1 900 nm波長(zhǎng)處）以水的吸收為主，在Vis波段（675 nm波長(zhǎng)處）以色素和葉綠素的吸收為主。以上實(shí)驗(yàn)結(jié)果表明掃描水果得到的NIR光譜含有可溶性固形物、可溶性糖、蔗糖、水等的相關(guān)信息。

柑橘的果皮也會(huì)吸收NIR，并對(duì)結(jié)果產(chǎn)生影響。Saeys等[19]發(fā)現(xiàn)，隨著波長(zhǎng)增加，蘋果的散射系數(shù)會(huì)單調(diào)下降，其中果皮的散射強(qiáng)度是果肉散射強(qiáng)度的3 倍，因此水果果皮對(duì)實(shí)驗(yàn)結(jié)果會(huì)有較大影響，而柑橘果皮相對(duì)蘋果皮更厚，因此干擾更為嚴(yán)重。為了探究果皮對(duì)NIR特性的影響，孫通等[20]考察了臍橙果皮對(duì)NIR檢測(cè)分析臍橙的影響，結(jié)果顯示未剝皮和剝皮臍橙SSC最優(yōu)偏最小二乘（partial least squares，PLS）模型的預(yù)測(cè)集相關(guān)系數(shù)（correlation coefficients of prediction set，rP）和均方根誤差（root mean square error of prediction set，RMSEp）分別為0.888、0.456%和0.944、0.324%，剝皮臍橙SSC的PLS模型性能優(yōu)于未剝皮臍橙模型，表明果皮對(duì)柑橘水果的SSC檢測(cè)精度有負(fù)影響。石舒寧等[21]以薄皮水果蘋果和厚皮水果柑橘為實(shí)驗(yàn)對(duì)象，探究了果皮對(duì)NIR光傳輸?shù)挠绊憽？疾炝瞬煌穸鹊奶O果果皮（0.01～0.05 cm）和柑橘果皮（0.2～0.6 cm）對(duì)光的透射率、穿透深度、漫反射率和內(nèi)部吸收率等光傳輸特性的影響，發(fā)現(xiàn)果皮越薄，透射率和穿透深度越大；當(dāng)采用漫反射的光譜采集方式時(shí)，光子入射的徑向距離在0.2～1.2 cm之間時(shí)，果皮厚度與漫反射率成正比，徑向距離在1.2～4.0 cm之間時(shí)，果皮厚度與漫反射率成反比，結(jié)果表明當(dāng)采用漫反射方式對(duì)柑橘進(jìn)行檢測(cè)時(shí)，選擇的徑向距離應(yīng)小于1.2 cm；在探究柑橘內(nèi)部對(duì)NIR吸收率的實(shí)驗(yàn)中，發(fā)現(xiàn)吸收率分布圖出現(xiàn)明顯分層，原因是果皮和果肉對(duì)光的吸收系數(shù)不同，果皮的光吸收能量密度在徑向距離上的分布范圍更廣，所以依照該實(shí)驗(yàn)的方法可以測(cè)得不同厚度果皮的柑橘光吸收能量密度分布，從而選擇光源的功率以獲得更優(yōu)的數(shù)據(jù)。Fraser等[22]證明了NIR穿透柑橘的可能性并研究了其在穿透柑橘過(guò)程中的衰減程度，實(shí)驗(yàn)過(guò)程中用NIR光譜儀穿刺法結(jié)合Monte Carlo法測(cè)定了柑橘內(nèi)部光的分布，圖2為穿刺法檢測(cè)柑橘內(nèi)部光分布的實(shí)驗(yàn)裝置示意圖，通過(guò)改變穿刺點(diǎn)位置可以獲得柑橘內(nèi)部光分布。該實(shí)驗(yàn)證明了NIR能有效穿透柑橘果皮，但是光在開(kāi)始照射到的果皮部分的衰減程度很強(qiáng)，這可能與果皮散射強(qiáng)度高有關(guān)，光在果肉部分的衰減較緩，說(shuō)明柑橘果皮有較強(qiáng)的干擾。吳晨凱等[23]對(duì)Vis-NIR（340～1 040 nm）在柑橘組織中的入射深度和分布情況進(jìn)行了初步探索，發(fā)現(xiàn)柑橘穿刺光能量、透過(guò)率與穿刺深度梯度呈正相關(guān)，果肉相對(duì)果皮及果核對(duì)光能量的衰減作用稍弱。

圖2 穿刺法檢測(cè)柑橘內(nèi)部光分布的實(shí)驗(yàn)裝置Fig.2 Experimental device for detection of light distribution inside citrus fruit by puncture method

以上研究均表明NIR技術(shù)可以用于檢測(cè)柑橘內(nèi)部品質(zhì)，對(duì)光在水果內(nèi)部的傳輸特性研究具有一定的參考價(jià)值。然而，在利用NIR技術(shù)分析完整柑橘果實(shí)時(shí)，柑橘果皮與光的相互作用不能忽視，所以當(dāng)以完整柑橘水果為檢測(cè)對(duì)象時(shí)，需要探索消除果皮影響的方法。但目前國(guó)內(nèi)外對(duì)如何克服柑橘水果皮對(duì)檢測(cè)精度的干擾研究鮮有報(bào)道，基于NIR技術(shù)無(wú)損檢測(cè)柑橘水果中VC含量、果膠含量、總酸含量、pH值的原理也鮮有報(bào)道。

2 柑橘無(wú)損檢測(cè)中NIR光譜儀器及其參數(shù)的選擇

2.1 不同種類NIR光譜儀器在柑橘無(wú)損檢測(cè)中的應(yīng)用

目前，可用于水果無(wú)損無(wú)損檢測(cè)的NIR光譜儀類型較多。按光譜獲取原理可分為光柵色散型、傅里葉變換（Fourier transform，F(xiàn)T）型、濾光片型和聲光可調(diào)濾光器（acousto-optic tunable filter，AOTF）型[24]。按儀器大小可分為通用型實(shí)驗(yàn)室NIR光譜儀和便攜式NIR光譜儀。實(shí)驗(yàn)室儀器精準(zhǔn)度高，但體積大、價(jià)格高，所以開(kāi)發(fā)微型化、快速、專用型的便攜式光譜儀是發(fā)展趨勢(shì)之一。為了實(shí)現(xiàn)柑橘品質(zhì)自動(dòng)化檢測(cè)，國(guó)內(nèi)外有部分研究者通過(guò)自主搭建組裝NIR光譜裝置，開(kāi)發(fā)了水果品質(zhì)NIR光譜智能化實(shí)時(shí)檢測(cè)與分級(jí)生產(chǎn)線。NIR光譜儀在柑橘品質(zhì)無(wú)損檢測(cè)方面的應(yīng)用情況如表1所示。

表1 NIR光譜儀在柑橘品質(zhì)無(wú)損檢測(cè)方面的應(yīng)用情況Table 1 Applications of NIR in non-destructive citrus quality detection

在柑橘NIR無(wú)損檢測(cè)的研究中，美國(guó)ASD公司生產(chǎn)的儀器使用最為普遍。ASD公司的儀器主要有QualitySpec型、QualitySpec Pro型Vis/NIR光譜儀，Handheld Field Spec光譜儀，F(xiàn)eildSpec3波譜儀。美國(guó)尼高力儀器公司（已被美國(guó)Thermo公司收購(gòu)）的NICOLET IS10 FTNIR儀、NEXUS FT-NIR儀，美國(guó)Ocean Optics公司的USB4000微型光纖光譜儀，德國(guó)布魯克儀器公司的VECTOR22N和VECTOR33N FT-NIR儀也被用于柑橘的無(wú)損檢測(cè)。國(guó)內(nèi)多家儀器公司研制生產(chǎn)出了用于柑橘無(wú)損檢測(cè)的NIR光譜儀，如杭州聚光科技股份有限公司生產(chǎn)的SupNIR-1500D NIR分析儀和SupNIR-1000便攜式NIR儀。表1歸納了各類儀器的應(yīng)用情況。光柵色散性NIR光譜儀應(yīng)用范圍最廣，而AOTF光譜儀的使用頻率較低。AOTF光譜儀掃描速度快，但價(jià)格昂貴，分辨率不如光柵色散型和FT型光譜儀高，適用于液態(tài)食品的在線檢測(cè)[25]。濾光片型儀器出現(xiàn)早，但應(yīng)用面窄，可能是其功能不能很好地滿足當(dāng)代檢測(cè)需求。目前鮮有AOTF光譜儀和濾光片型光譜儀應(yīng)用于柑橘檢測(cè)的研究報(bào)道。光柵色散型光譜儀可實(shí)現(xiàn)掃描范圍內(nèi)的全光譜掃描，擁有較高的信噪比和分辨率，但光源射出的光需要通過(guò)光柵的轉(zhuǎn)動(dòng)進(jìn)行分光，可移動(dòng)元件容易磨損，影響結(jié)果，更適于實(shí)驗(yàn)室檢測(cè)。FT型光譜儀應(yīng)用廣泛，具有AOTF光譜儀和光柵色散型光譜儀的優(yōu)點(diǎn)且價(jià)格適中，但儀器體積大，難以發(fā)展成為NIR波段的便攜式光譜儀。光柵色散型光譜儀和FT型光譜儀這類較大型的儀器設(shè)備雖不便于在線檢測(cè)，但儀器精準(zhǔn)度高、所得數(shù)據(jù)準(zhǔn)確、模型穩(wěn)定性更好，在對(duì)柑橘內(nèi)部品質(zhì)進(jìn)行實(shí)驗(yàn)室內(nèi)的光學(xué)無(wú)損分析時(shí)，可以優(yōu)先考慮這兩種類型的光譜儀器。柑橘類水果的品質(zhì)分析往往不局限于實(shí)驗(yàn)室，隨著市場(chǎng)的需求和技術(shù)的革新，需要發(fā)展小型、精密的便攜式光譜儀，以實(shí)現(xiàn)柑橘內(nèi)部品質(zhì)的現(xiàn)場(chǎng)快速檢測(cè)[26-27]。

2.2 NIR光譜儀器參數(shù)選擇

2.2.1 柑橘無(wú)損檢測(cè)中光譜采集方式的選擇

在NIR無(wú)損檢測(cè)中，常用的光譜采集方式有漫反射、透射和漫透射，圖3為3 種采集方式的示意圖，表2總結(jié)了3 種采集方式的優(yōu)缺點(diǎn)。王旭[33]利用NIR漫反射檢測(cè)模式實(shí)現(xiàn)了對(duì)當(dāng)?shù)乇浅萐SC和pH值的檢測(cè)。采用一階導(dǎo)數(shù)預(yù)處理NIR光后建立的PLS模型預(yù)測(cè)效果優(yōu)于研究中選擇的其他模型，該P(yáng)LS模型的校正集相關(guān)系數(shù)（correlation coefficient of correction set，rC）為0.936 0，rP為0.795 0，RMSEp為0.573 1；基于NIR預(yù)測(cè)冰糖橙pH值的PLS模型，其rP為0.819 6，對(duì)應(yīng)的RMSEp為0.135 3。該實(shí)驗(yàn)表明，NIR漫反射檢測(cè)模式可以實(shí)現(xiàn)冰糖橙SSC和pH值的無(wú)損檢測(cè)，但對(duì)pH值的檢測(cè)精度要低一些。許文麗等[32]研究了Vis-NIR漫反射與漫透射兩種光譜采集方式對(duì)贛南臍橙的SSC檢測(cè)結(jié)果的影響，實(shí)驗(yàn)結(jié)果中通過(guò)漫透射方式采集的光譜數(shù)據(jù)所建立模型的rC和rP均高于漫反射采集方式對(duì)應(yīng)的結(jié)果。代芬等[41,56]以砂糖橘為研究對(duì)象，采用了漫反射和漫透射方法對(duì)砂糖橘的SSC、總酸含量、pH值、含水量和VC含量進(jìn)行無(wú)損檢測(cè)，采用漫反射方式時(shí)，SSC、總酸含量、含水量和VC含量的rP分別為0.875 9、0.866 7、0.834 3、0.803 8，采用漫透射方法時(shí)，SSC和pH值的rP分別為0.945 3和0.705 7。結(jié)果表明，基于NIR漫反射方法來(lái)檢測(cè)砂糖橘的SSC、總酸含量、含水量和VC含量具有可行性；采用漫透射方法可以更好地檢測(cè)砂糖橘的SSC，但用于檢測(cè)pH值時(shí)，其精度有待進(jìn)一步提高，可能原因是pH值代表的是溶液中游離的H+濃度，這部分未成基團(tuán)對(duì)NIR的吸收不顯著。Wang Aichen等[57]對(duì)比了3 種光譜采集方式（漫反射、透射以及漫透射）以實(shí)現(xiàn)臍橙SSC的檢測(cè)，結(jié)果表明，無(wú)論對(duì)樣品進(jìn)行怎樣的前處理（去皮與不去皮），透射模式結(jié)果均最佳，且加入可見(jiàn)光區(qū)域數(shù)據(jù)會(huì)降低模型的預(yù)測(cè)精度。以上結(jié)果表明3 種采樣方式在柑橘內(nèi)部品質(zhì)無(wú)損檢測(cè)中均得到了應(yīng)用。然而柑橘的種類很多，大小、結(jié)構(gòu)差異很大，且不同柑橘果皮厚度不同，還需要根據(jù)這些差異選擇最佳的光譜采集方式。

表2 柑橘的NIR檢測(cè)采集方式比較Table 2 Comparison of different NIR detection modes for citrus fruit

圖3 NIR無(wú)損檢測(cè)中常用的光譜采集方式Fig.3 Commonly used methods for spectral acquisition in non-destructive NIR testing

2.2.2 柑橘無(wú)損檢測(cè)中光譜采集點(diǎn)的選擇

柑橘類水果是一種有不透光厚皮的不規(guī)則球體樣品，而NIR光譜儀光源射出的光經(jīng)分光系統(tǒng)分光后會(huì)變成單束光，大多只能對(duì)柑橘水果的某一部分進(jìn)行光譜采集，所以有必要選擇信息量相對(duì)最多、具有代表性的光譜采集點(diǎn)。Li Pao等[27]選擇采集柑橘的赤道線部位的光譜，并取赤道四等分位置的平均值，開(kāi)發(fā)了一種簡(jiǎn)便準(zhǔn)確的檢測(cè)柑橘SSC新方法。結(jié)果表明采用變量自適應(yīng)推進(jìn)偏最小二乘建模方法時(shí)，即使不進(jìn)行光譜預(yù)處理也能得到較好的預(yù)測(cè)精度。廖秋紅等[52]利用NIR光譜技術(shù)對(duì)‘紐荷爾臍橙’進(jìn)行產(chǎn)地識(shí)別時(shí)，通過(guò)最優(yōu)模型對(duì)果實(shí)不同部位的NIR反射光譜進(jìn)行產(chǎn)地識(shí)別精度研究，結(jié)果顯示果實(shí)赤道部果面NIR反射光譜的產(chǎn)地識(shí)別精度可達(dá)80.00%，而頂部獲得的數(shù)據(jù)得到的產(chǎn)地識(shí)別精度僅為69.00%。趙靜等[54]利用NIR光譜技術(shù)分析‘黃巖蜜桔’的pH值時(shí)，對(duì)柑橘放置姿態(tài)對(duì)模型的影響進(jìn)行了研究，發(fā)現(xiàn)正立（底部）、側(cè)躺（赤道面）和任意（兩種放置方式隨機(jī)）3 種水果放置方式下建立的pH值定標(biāo)模型相關(guān)系數(shù)均在0.95以上，標(biāo)準(zhǔn)偏差都在0.1以下，不同放置方式下得到的模型結(jié)果之間差異不顯著。可能是因?yàn)椤S巖蜜桔’果皮較薄，所以果皮對(duì)果肉指標(biāo)檢測(cè)的影響不大，或果皮依舊會(huì)嚴(yán)重影響到果肉指標(biāo)的檢測(cè)，因此無(wú)論如何放置，光譜儀采集到的都是果皮信息而非果肉信息，具體原因有待研究。

在實(shí)時(shí)檢測(cè)與分級(jí)生產(chǎn)線中，單從柑橘頂部或底部收集到的光譜數(shù)據(jù)建立的模型效果不是最理想的；當(dāng)需要快速且較準(zhǔn)確地分析柑橘類水果的內(nèi)部指標(biāo)，選擇柑橘赤道面作為光譜采集點(diǎn)更具代表性；采集柑橘果實(shí)的頂部、底部以及赤道線部位的光譜可以建立更好的分析模型。部分薄皮柑橘水果的放置位置對(duì)模型精確度影響不大，實(shí)際檢測(cè)中無(wú)需考慮這類樣品采集點(diǎn)的選擇。目前國(guó)內(nèi)外幾乎沒(méi)有對(duì)不同種類柑橘水果NIR分析中果實(shí)位置擺放影響的研究報(bào)道。

2.2.3 柑橘的NIR無(wú)損檢測(cè)中波長(zhǎng)選擇范圍

如上所述，根據(jù)波長(zhǎng)的范圍，NIR分為SWNIR（780～1 100 nm）和LWNIR（1 100～2 500 nm）。不同含氫基團(tuán)的吸收峰體現(xiàn)在不同的波段。選擇合適的光譜區(qū)間進(jìn)行建模，可以剔除無(wú)用區(qū)間光譜數(shù)據(jù)減少建模變量，還能提高建模精度。孫旭東等[35]對(duì)‘南豐蜜桔’SSC進(jìn)行分析時(shí)，將350～1 800 nm波段等間隔分為20 個(gè)光譜波段，應(yīng)用PLS在每個(gè)光譜波段分別建立‘南豐蜜桔’SSC定量校正模型，以校正集均方根誤差（root mean square error of correction set，RMSEc）為參數(shù)，確定了‘南豐蜜桔’SSC特征波段為642～787、861～1 006、1 080～1 152 nm和1 226～1 371 nm。呂強(qiáng)等[51]用聯(lián)合區(qū)間偏最小二乘法（synergy interval partial least square，siPLS）將‘班菲爾臍橙’1 000～2 500 nm NIR光譜劃分為17 個(gè)波段并建立模型，結(jié)果表明1 267～1 355、1 356～1 443、1 708～1 795、2 236～2 323 nm 4 個(gè)區(qū)間聯(lián)合建模的效果最好，rC和rP分別為0.910 9和0.878 9，RMSEc和RMSEp分別為0.331 2和0.448 7，這4 個(gè)波段為‘班菲爾臍橙’SSC信息的特征波段。表3總結(jié)了柑橘類水果NIR分析中波長(zhǎng)的選擇范圍。可以看出，柑橘內(nèi)部指標(biāo)的特征光譜區(qū)間集中在350～1 800 nm內(nèi)，且SWNIR光譜區(qū)間的有效信息最多，因?yàn)镾WNIR穿透力強(qiáng)，能更深入地進(jìn)入果實(shí)內(nèi)部，此外該波段的光譜儀成本相對(duì)較低，在研究中，學(xué)者們更多選擇SWNIR結(jié)合漫反射方式對(duì)水果品質(zhì)進(jìn)行檢測(cè)。在實(shí)際檢測(cè)中，可以優(yōu)先考慮Vis-SWNIR光譜范圍，能體現(xiàn)柑橘內(nèi)部指標(biāo)如SSC、VC含量、總酸含量、pH值的信息。然而，即使測(cè)定的內(nèi)部指標(biāo)相同，由于‘南豐蜜桔’和‘班菲爾臍橙’為不同種類的柑橘水果，它們的特征波段也不完全相同。目前國(guó)內(nèi)外對(duì)柑橘內(nèi)部品質(zhì)檢測(cè)NIR特征波段的選擇研究并不全面。

表3 柑橘類水果NIR無(wú)損檢測(cè)中的波長(zhǎng)選擇范圍Table 3 Wavelength ranges used for non-destructive detection of citrus fruit

3 柑橘無(wú)損檢測(cè)中化學(xué)計(jì)量學(xué)方法的選擇和優(yōu)化

用NIR光譜儀獲得的樣品光譜，因?yàn)閷?shí)驗(yàn)儀器、樣本差異或操作者自身等原因，獲得的光譜往往存在嚴(yán)重的譜峰重疊、基線漂移以及噪聲干擾等[59]，為了消除干擾，需要利用化學(xué)計(jì)量學(xué)方法對(duì)光譜數(shù)據(jù)進(jìn)行處理[60-61]。

常用的化學(xué)計(jì)量學(xué)方法有4 類：光譜數(shù)據(jù)預(yù)處理、定量校正、模型識(shí)別定性方法和模型傳遞。常見(jiàn)的光譜預(yù)處理方法有平滑、最大和最小歸一化（maximum and minimum normalization，MinMax），求導(dǎo)包括一階微分（first-order derivative，1st）、二階微分（second-order derivative，2nd）、標(biāo)準(zhǔn)化、平均中心、多元散射校正（multiplicative scatter correction，MSC）、分段多元散射校正、連續(xù)小波變換、標(biāo)準(zhǔn)正態(tài)變量等，用來(lái)消除光譜中的背景和噪聲干擾。對(duì)柑橘類水果進(jìn)行NIR定量分析建模時(shí)，原始光譜的噪聲等對(duì)模型影響極大，往往需要對(duì)光譜進(jìn)行單一或組合預(yù)處理才能剔除無(wú)用信息并提取有效信息[62]。多元校正方法包括PLS、主成分分析（principal component analysis，PCA）、多元線性回歸（multiple linear regression，MLR）等線性校正方法，以及支持向量機(jī)（support vector machine，SVM）、人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）等非線性校正方法。模式識(shí)別方法有Fisher線性判別分析（Fisher linear discriminant，F(xiàn)LD）、K-鄰近算法、簇類的獨(dú)立軟模式、聚類分析法等。模型傳遞可以解決源機(jī)與目標(biāo)機(jī)之間模型無(wú)法使用的問(wèn)題[63]。目前對(duì)柑橘NIR分析的模型傳遞的研究少有報(bào)道。表4為柑橘NIR光譜無(wú)損檢測(cè)實(shí)驗(yàn)中的化學(xué)計(jì)量學(xué)方法應(yīng)用的分類與歸納，可以看出，PLS為最常用的建模方法，同一種化學(xué)計(jì)量方法可以消除NIR光譜分析柑橘不同指標(biāo)時(shí)光譜中的干擾，不同的化學(xué)計(jì)量學(xué)方法可以應(yīng)用于同一個(gè)指標(biāo)的分析，模型識(shí)別定向方法中PLS與線性判別分析（linear discriminant analysis，LDA）方法應(yīng)用廣泛。盡管化學(xué)計(jì)量學(xué)方法種類豐富，但目前幾乎沒(méi)有研究報(bào)道可以應(yīng)用于所有柑橘品種NIR分析的廣適性化學(xué)計(jì)量學(xué)方法。

表4 NIR光譜分析中常用的化學(xué)計(jì)量學(xué)方法Table 4 Common chemometric methods for the extraction of useful NIR information

4 柑橘無(wú)損檢測(cè)的實(shí)際應(yīng)用

4.1 基于NIR的柑橘內(nèi)部品質(zhì)定量分析

國(guó)內(nèi)外學(xué)者對(duì)柑橘內(nèi)部品質(zhì)指標(biāo)中的SSC、果膠含量、VC含量、總酸含量、pH值無(wú)損檢測(cè)進(jìn)行了研究。由于柑橘類水果的SSC是柑橘重要的滋味評(píng)定指標(biāo)，SSC是研究最多的一個(gè)指標(biāo)。王旭[33]對(duì)冰糖橙進(jìn)行NIR無(wú)損分析時(shí)，采用了9 點(diǎn)平滑處理、1st和MSC分別對(duì)‘麻陽(yáng)冰糖橙’樣品的光譜進(jìn)行預(yù)處理，然后采用PLS、主成分回歸算法（principal component regression，PCR）、MLR 3 種數(shù)學(xué)校正方法分別建模，結(jié)果表明采用1st結(jié)合PLS模型預(yù)測(cè)性能最好。章海亮等[38]采集完整‘贛南臍橙’的NIR漫反射光譜，經(jīng)移動(dòng)窗口平滑處理、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)預(yù)處理后，再分別采用PCR和PLS方法，建立了‘贛南臍橙’SSC和總酸含量的定量預(yù)測(cè)數(shù)學(xué)模型，得到的結(jié)果表明，采用一階導(dǎo)數(shù)結(jié)合PLS模型的預(yù)測(cè)效果較好。Xu Sai等[40]為了更精準(zhǔn)測(cè)‘愛(ài)媛38號(hào)’橙的SSC，將NIR光譜儀與電子鼻技術(shù)手段結(jié)合，對(duì)數(shù)據(jù)進(jìn)行PCA以簡(jiǎn)化和降維，應(yīng)用PLS和反向神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）建立檢測(cè)模型，rP和RMSEp分別為0.887 2、0.470 9，結(jié)果表明基于融合數(shù)據(jù)的PCABPNN法具有良好的SSC預(yù)測(cè)能力。胡潤(rùn)文等[47]為實(shí)現(xiàn)兩臺(tái)FT-NIR光譜儀之間的共享，以臍橙總糖含量為例，用斜率截距校正（slope bias correction，SBC）法和直接標(biāo)準(zhǔn)化（direct standardization，DS）算法來(lái)實(shí)現(xiàn)模型轉(zhuǎn)移。結(jié)果表明經(jīng)DS算法傳遞后，rP可達(dá)0.902，RMSEp僅為0.448%，DS算法可以實(shí)現(xiàn)臍橙總糖模型在兩臺(tái)FT-NIR光譜儀之間的共享。

4.2 基于NIRS的不同品種和不同產(chǎn)地的柑橘鑒別分析

不同品種的柑橘水果有不一樣的風(fēng)味，市場(chǎng)上豐富多樣的柑橘滿足了廣大消費(fèi)者的不同口味需求，所以柑橘的產(chǎn)地識(shí)別、品種鑒別和成熟度鑒別十分必要。不同環(huán)境生長(zhǎng)的臍橙SSC存在差異，Lü Qiang等[16]利用NIR技術(shù)對(duì)不同產(chǎn)地的臍橙SSC做了鑒別，用Savitsky-Golay算法對(duì)原始光譜進(jìn)行了平滑預(yù)處理，并應(yīng)用了PLS和LDA建模，結(jié)果表明LDA模型能100%準(zhǔn)確地識(shí)別樣本的來(lái)源。廖秋紅等[52]收集了我國(guó)南方17 個(gè)‘紐荷爾臍橙’主要種植地的果實(shí)樣品，先采集了整果的赤道面和肩部的NIR光譜，接著采集果汁濾液的NIR光譜，采用PCA預(yù)處理果汁濾液的原始光譜，把處理后的光譜代入3 層ANN識(shí)別模型、SVM和遺傳算法-支持向量機(jī)（genetic algorithm-support vector machine，GA-SVM）模型3 種模型，這3 種模型對(duì)果實(shí)的最高識(shí)別精度分別為81.45%、86.98%和89.72%，選擇GA-SVM模型對(duì)赤道面和肩部的光譜進(jìn)行產(chǎn)地識(shí)別預(yù)測(cè)，最高識(shí)別精度分別為80.00%和69.00%，結(jié)果表明利用NIR光譜技術(shù)結(jié)合模式識(shí)別計(jì)量學(xué)方法可以實(shí)現(xiàn)較為準(zhǔn)確的產(chǎn)地鑒別。Suphamitmongkol等[55]收集了泰國(guó)當(dāng)?shù)? 個(gè)品種的柑橘各100 個(gè)，在透射模式下采集NIR光譜，通過(guò)K最鄰近（K-nearest neighbor，KNN）、LDA、邏輯回歸（logistic regression，LGR），多準(zhǔn)則二次規(guī)劃（multi-criteria quadratic programming，MCQP）和SVM多種分類方法對(duì)樣品光譜進(jìn)行分類，交叉驗(yàn)證的結(jié)果表明LGR、MCQP和SVM建立的模型分類鑒別準(zhǔn)確率均在95%以上，用LGR方法可以達(dá)到100%的精度；又采用了最小二乘正向選擇（least squareforward selection，LS-FS）、基于相關(guān)性的特征選擇（correlation-based feature selector，CFS）、信息增益（InfoGain）等多種特征選擇方法以進(jìn)一步簡(jiǎn)化模型，結(jié)果表明基于LS-FS篩選的4 個(gè)特征光譜的LGR模型可以實(shí)現(xiàn)對(duì)3 種柑橘95%以上的鑒別準(zhǔn)確率。

利用NIR光譜技術(shù)對(duì)柑橘類水果進(jìn)行無(wú)損鑒別分析時(shí)，為了達(dá)到更高的鑒別率，除了對(duì)光譜進(jìn)行預(yù)處理消除干擾，還要選擇合適的建模方法，目前對(duì)部分水果的產(chǎn)地、品種的鑒別分析結(jié)果表明，采用LDA、SVM、ANN或LGR等方法都能達(dá)到較高的鑒別準(zhǔn)確率。

4.3 基于NIRS光譜技術(shù)對(duì)不同種類柑橘的無(wú)損檢測(cè)分析

柑橘類水果由于地域差異、嫁接栽培、遺傳變異、人為劃分等多種原因，經(jīng)過(guò)長(zhǎng)久的發(fā)展，形成了許多品種，為研究者提供了豐富的樣本，如‘贛南臍橙’‘南豐蜜桔’‘哈姆林甜橙’‘紐荷爾臍橙’等。表5歸納了NIR光譜技術(shù)對(duì)不同種類柑橘的分析應(yīng)用。我國(guó)的柑橘主要種植于長(zhǎng)江下游至嶺南地區(qū)，目前對(duì)‘贛南臍橙’和‘南豐蜜桔’的研究相較于其他種類的柑橘水果更多，檢測(cè)的臍橙與蜜桔的內(nèi)部指標(biāo)包括其總酸含量、SSC、VC含量等，對(duì)果皮更厚的柑橘水果如蘆柑、椪柑、沃柑以及柚子類水果的NIR光譜研究很少，可能是果皮對(duì)NIR光譜檢測(cè)結(jié)果具有負(fù)影響且很難克服所致。基于NIR光譜對(duì)柑橘中總酸含量和pH值的定量分析研究比較少，但已有的實(shí)驗(yàn)研究結(jié)果不大一致，部分研究能取得很好的模型預(yù)測(cè)結(jié)果[33]，而部分研究的pH值預(yù)測(cè)模型精度有待提高[56]。當(dāng)前大量研究表明可以通過(guò)NIR光譜技術(shù)實(shí)現(xiàn)的較薄果皮柑橘水果的定量分析指標(biāo)有SSC、VC含量、總果膠含量等，對(duì)柚等厚皮柑橘水果的內(nèi)部品質(zhì)NIR光譜分析很少，尚無(wú)研究證明通過(guò)NIR光譜技術(shù)能實(shí)現(xiàn)對(duì)柑橘水果中酸的定量分析，可實(shí)現(xiàn)的鑒別分析有產(chǎn)地鑒別、品種鑒別、病害鑒別等。

表5 NIR對(duì)不同種類柑橘的分析Table 5 Application of NIR for analysis of different citrus species

5 結(jié) 語(yǔ)

柑橘作為世界第一大水果，其采后檢測(cè)與分級(jí)十分必要。傳統(tǒng)的肉眼分級(jí)手段受操作人員個(gè)人因素影響，效率低且準(zhǔn)確度不高，針對(duì)外部指標(biāo)的機(jī)械分級(jí)不能滿足對(duì)更為重要的內(nèi)部品質(zhì)分析，化學(xué)檢測(cè)手段對(duì)柑橘有破壞性，且費(fèi)時(shí)費(fèi)力。NIR光譜技術(shù)因其綠色、無(wú)損、快速等優(yōu)勢(shì)成為新型檢測(cè)分析技術(shù)之一，已被用于柑橘類水果分析。但此項(xiàng)技術(shù)仍未實(shí)現(xiàn)大規(guī)模實(shí)際應(yīng)用，主要原因有以下幾點(diǎn)：1）傳統(tǒng)的臺(tái)式NIR光譜儀價(jià)格昂貴，新型的便攜式與微型儀器精度不夠，因此需要研發(fā)穩(wěn)定性與靈敏度更高且價(jià)格較低的便攜式光譜儀；2）柑橘內(nèi)部品質(zhì)定量模型的建立較為復(fù)雜，為了扣除光譜中因儀器、環(huán)境等因素導(dǎo)致的各種干擾，還需要建立并選擇最佳化學(xué)計(jì)量學(xué)方法。此外，為了達(dá)到無(wú)損分析的目的，需要解決較厚果皮對(duì)模型準(zhǔn)確度的影響；3）柑橘的種類很多，大小、結(jié)構(gòu)差異很大，且不同柑橘果皮厚度不同，目前并未展開(kāi)對(duì)所有種類柑橘內(nèi)部品質(zhì)指標(biāo)的NIR無(wú)損分析，現(xiàn)有文獻(xiàn)得出的結(jié)論不能完全適用于所有種類柑橘的分析。綜上所述，雖然基于NIR檢測(cè)技術(shù)分析柑橘水果尚有不足，但該技術(shù)在柑橘無(wú)損分析中的發(fā)展前景廣闊。