蘋果內部品質近紅外光譜無損檢測研究進展

何代弟 張 曉 張楠楠 袁新濤 馬 瑞 保 昊 孫武軍

（1塔里木大學信息工程學院，新疆阿拉爾 843300；2塔里木綠洲農業教育部重點實驗室，塔里木大學，新疆阿拉爾 843300）

蘋果是常見的水果之一，富含多種維生素、蛋白質和糖類等，營養價值高，深受消費者喜愛。近些年，隨著科技水平的發展，我國蘋果的種植面積、產量快速增長，蘋果的口感、品質安全等也越來越被消費者重視。蘋果內部品質與其食用口感有著直接關系，并且影響蘋果的銷售，因此對蘋果品質進行檢測評估非常必要。

蘋果的品質主要由糖度、酸度、硬度、水分及脆性等參數來表征，內部品質指標直接影響著果實的口感及品質，同時也是蘋果成熟度的判斷依據。消費者在購買蘋果時，不僅在意蘋果的形狀、大小、顏色等外觀品質，并且越來越注重蘋果的內部品質，比如酸甜度、脆性、營養物質等。已有的研究證明，光譜檢測技術檢測蘋果內部品質是可行的，但傳統的蘋果品質檢測方法效率低、操作復雜、且具有破壞性，因此蘋果內部品質的無損檢測仍然是重點研究領域。目前，無損檢測技術如機器視覺、高光譜成像技術、介電特性法和核磁共振檢測等被應用于水果品質無損檢測中，與這些常用的無損檢測技術相比，近紅外光譜技術是一種新興檢測技術，具有綠色、無損、快速等優點，通過漫反射和漫透射獲取蘋果的成分和組織信息，對獲得的光譜信息進行特征提取和分析，從而檢測蘋果的內部品質。本文闡述了近紅外光譜分析技術的原理，著重介紹了近紅外光譜檢測技術在蘋果內部品質檢測中的應用研究，以期為該技術在農產品檢測領域的應用提供參考。

1 近紅外光譜分析技術的原理及優缺點

1.1 原理

近紅外光譜（Near Infrared Spectrum Instrument，NIRS）是介于可見光線和中紅外線光譜之間的電磁波輻射，波長范圍在780～2 526 nm，利用電磁輻射收集樣本的分子結構和化學成分信息，從而提供復雜的結構信息。近紅外光主要對含氫基團C-H、NH、O-H等振動的倍頻和合頻進行吸收，是基于物質對近紅外譜區電磁波的吸收。近紅外區域內產生的吸收強度和吸收位置在不同基團顯示不同，所以近紅外光譜曲線能反映出不同的特征。因近紅外光譜分析具有快速、無損、安全和便于實現的優點，被廣泛應用于農產品和食品檢測等領域。

1.2 優缺點

近紅外光譜分析技術的優點包括：①操作簡單，幾乎不用進行預處理，誤差小，重現性好；②檢測成本低，無損檢測、實時檢測，近紅外檢測在分析過程中損耗樣本少，不需要大量試劑；③檢測效率高，可同時對樣本進行多成分分析，并且可靠性較高。但近紅外光譜分析技術因其檢測靈敏度不高，在檢測過程中容易受到外界檢測環境影響，限制了其在食品科學等領域的應用。另外，近紅外光譜儀器價格偏高，受經濟因素限制，難以在生產中大規模應用。

2 近紅外光譜分析技術在蘋果品質檢測中的研究和應用

2.1 在可溶性固形物含量測定中的應用

蘋果中的可溶性固形物含量是影響蘋果內部品質的因素之一，主要由可溶性糖、酸、纖維素等多種成分組成[1]。現階段，蘋果可溶性固形物含量通過數顯糖度計測定，然而該方法破壞了蘋果樣本，影響商品二次銷售。近紅外光譜分析技術因對蘋果樣品不用進行預處理即能實現在線分析，近些年被廣泛應用于水果無損檢測，在蘋果內部品質分析中得到很好的應用。

2.1.1光譜預處理的選擇近紅外光譜分析通常因儀器、樣品背景等的影響出現譜圖偏移或漂移等現象，光譜中存在大量的干擾信息，其中含有大量噪聲和散射，為了提高模型質量和測試樣品結果的準確性，需要對蘋果可溶性固形物光譜進行預處理。趙杰文等[2]利用凈分析物預處理法（NAP）和正交信號校正法（OSC）處理蘋果的近紅外光譜原始數據，并通過偏最小二乘法（PLS）建立可溶性固形物定量模型，結果表明，最佳NAP/PLS 糖度模型和最佳OSC/PLS 糖度模型的性能更好，均明顯優于原始光譜的最佳偏最小二乘模型。時榕茂和劉靜[3]使用5 種預處理方法處理蘋果脆片近紅外光譜，處理后的光譜利用偏最小二乘法建立模型，結果表明，多元散射校正處理后對校正模型的預測結果準確性明顯提高，采用標準正態變量變換預處理方法則極大地提升了近紅外光譜模型預測結果的準確性，相關系數由原來的0.758 47提升到0.864 70，均方根誤差由原來的0.115 33 降低到0.095 37。Zhu 等[4]用4 種預處理方法對近紅外光譜進行處理，采用支持矢量回歸（v-SVR）構建了蘋果可溶性固形物含量（SSC）與聲光可調濾光片近紅外（AOTF-NIR）光譜之間的標定模型，將v-SVR的性能與偏最小二乘回歸（PLSR）和反向傳播人工神經網絡（BP-ANN）進行比較。結果表明，預處理方法中，數據縮放、均值中心和SNV可以提高模型的穩健性，蘋果SSC方面，v-SVR優于PLSR和BP-ANN。

2.1.2波長和波段的篩選蘋果可溶性固形物的特征波長反映其內部品質信息，近紅外光譜測量時會受到眾多外部因素的干擾，直接獲取的數據會降低精度，提取相關特征波長和波段信息可以提高預測的準確性。張金富等[5]通過光譜儀獲取800～2 400 nm 的120 個蘋果的漫反射光譜數據，采用競爭性自適應加權算法（CARS）和互信息算法（MI）進行特征波長篩選，CARS算法建立的PLS模型決定系數相較于全波長從0.851 1 提高到0.874 6，利用MI算法得到重要變量，建立PLS模型優于全波段模型，決定系數為0.921 8。上述研究結果表明，變量篩選方法相對全波長建模，可提取更多與可溶性固形物相關的特征波長和特征波段信息，更進一步提高定量結果的準確性。Li 等[6]提出基于相對誤差的相對誤差分析（REA）波長選擇法，通過杧果和蘋果數據集驗證，預測的平方誤差（RMSEP）分別提高了48.80%和78.82%，表明REA 波長選擇算法不僅可以簡化模型，還可以提高預測結果的準確性，同時能保證光譜儀之間標定轉移的準確性。Zou 等[7]研制出一種蘋果近紅外光譜采集裝置，在40 個區間中，FiPLS選擇10個光譜區間的最優組合以獲得滿意的結果，BiPLS選擇5個光譜區間的最優組合以獲得簡單的結果，區間選擇后得到預測的均方根誤差RMSEP為0.732，研究結果驗證了FI-NIR光譜是檢測蘋果內部品質的合適工具，能有效選擇波長區域，預測誤差較小。

2.1.3可溶性固形物含量測定的其他研究利用近紅外光譜技術的檢測原理，研究蘋果內部品質的檢測精度對其感官等的影響。沈懋生和趙娟[8]結合偏最小二乘（PLS）法、最小二乘支持向量機回歸（LS-SVR）法建立蘋果氣調貯藏期可溶性固形物含量預測模型，經過MSC+S-G 預處理和CARS 提取特征波長后，建立PLS模型，相關系數為0.900，均方根誤差為0.478；經過MSC+S-G預處理和CARS提取特征波長后，建立LS-SVR 模型，相關系數為0.927，均方根誤差為0.507，表明近紅外光譜無損預測模型對氣調貯藏期蘋果SSC 的預測可行。張鵬等[9]首先對蘋果果皮脆性、強度及果肉平均硬度光譜進行預處理，然后利用改進偏最小二乘法（MPLS）、偏最小二乘法（PLS）和主成分回歸（PCR）建模，結果表明，質地參數較好的校正和預測相關系數為0.857 7～0.893 5，交互驗證標準誤差和預測標準誤差為0.162 9～0.906 0，表明蘋果質地參數的近紅外漫反射光譜具有快速無損檢測的研究價值。王梓萌等[10]為實現蘋果霉心病檢測，將主成分分析（PCA）與Fisher判別模型結合建模，得到Fisher判別模型的正確率為88.57%，主成分分析（PCA）與馬氏距離判別模型結合建模，得到馬氏距離判別模型正確識別率為97.14%，經比較得出蘋果霉心病的檢測中，馬氏距離判別模型判別精度更高。

2.2 在蘋果酸度測定中的應用

酸度是影響蘋果果肉品質和口感的重要因素之一，蘋果中含有蘋果酸、鞣酸、煙酸等化合物，且酸度隨著蘋果的成熟不斷發生變化，是影響蘋果成熟度的重要因素。應義斌等[11]通過MATLAB軟件進行相關性分析，得到有效酸度和波長的最大相關系數為0.348，最小相關系數為0.004，用偏最小二乘法（PLS）建立模型得到相關系數R=0.959，標準校正誤差為0.076，標準預測誤差為0.525，偏差為0.073。張云琪等[12]選擇CARS 法選取特征波長建立PLS 定量模型，其決定系數和相對誤差分析分別達到0.977 6 和6.681 2，且選取的波長變量數由129 減少到26，在保證模型精度的同時降低了其復雜程度，對蘋果的無損檢測研究具有參考意義。Pourdarbani等[13]提出一種結合人工神經網絡和元啟發式算法的混合機器學習方法，對富士蘋果在不同成熟階段的pH和可滴定酸的近紅外光譜進行分析，選取3個成熟階段的120個樣本，從每個樣本中提取2個近紅外波段的光譜數據來預測品質特性，或使用人工神經網絡（ANN）和文化算法的結合選擇4 個有效波長，結果表明，使用光譜帶預測pH的相關系數為0.926，預測酸度的相關系數為0.925，而使用第2種方法獲得的pH和酸度的相關系數分別為0.924和0.920，即對于低/高酸度下的分類問題，2 種方法都能實現100%的pH和99.2%的酸度的高準確度。

2.3 在蘋果硬度測定中的應用

硬度是決定蘋果內部品質的重要屬性之一，通常硬度與蘋果的成熟度、口感質地等相關，同時蘋果的儲存與硬度也有一定的聯系。屠振華等[14]以傅立葉變換近紅外技術（FT-NIRS）為基礎，應用間隔偏最小二乘法和遺傳算法選取特征波長，結果表明，該技術不僅可以降低模型的復雜度，而且通過去除無關波長的影響，提升了預測模型的精度，驗證了近紅外技術的檢測機理。史波林等[15]采用5 種不同預處理方法結合PLS 方法建立蘋果硬度定量模型，結果表明，遺傳算法結合直接正交信號得到的結果最佳，相關系數為0.805，RMSECV 為0.919，RMSEP 為0.924 kg/cm2，該模型穩健性較好。為了驗證生產中蘋果硬度的檢測精度，李桂峰等[16]利用偏最小二乘（MSC+PLS）和多元散射校正法對蘋果硬度進行快速、無損檢測，對蘋果的近紅外漫反射光譜選取不同的波段范圍，進行有效信息篩選，得到預測標準偏差RMSEP=0.014 7 kg/cm2，硬度預測值與真實值決定系數高（R2=0.990 8），表明該模型預測精度滿足實際生產需要。

3 結語

近年來，近紅外光譜分析技術發展迅速，是目前農產品無損檢測常用的技術，該技術克服了傳統分析技術耗時長、破壞性檢測等缺點，具有操作簡單、更快、無損傷、可同時檢測多項指標等優點，是蘋果內部品質無損檢測的常用有效方法之一。從目前近紅外光譜分析技術的研究現狀來看，該技術應用領域廣泛、研究基礎堅實，但由于水果品質與物理參數的關系復雜，目前僅大量應用于實驗室，市場投入面不廣。伴隨著近紅外光譜儀器的逐步改進與完善，蘋果內部品質無損檢測的應用越來越多，蘋果品質的快速無損檢測研究對促進我國蘋果產業的發展和提升競爭具有重要意義。