近紅外光譜在線檢測板栗內腐病技術的研究

馮芳俠 張樹航

摘 要：為了建立快速、無損、精確的在線近紅外光譜檢測遷西板栗內腐病的技術模型及分檢設備，通過光源設置（強度、入射角、光程等）等手段，設計了板栗內腐病在線近紅外光譜檢測設備；以正常品和內腐品為分類，采用偏最小二乘-支持向量機判別法建立定性檢測模型；通過光譜采集實驗和驗證集實驗確定設備與模型的準確度和穩定性。結果表明：在1E？50E韓m和1E？00E韓m處的C-H鍵和O-H鍵組合頻吸收峰分離度較好；隨后通過驗證集測試了模型在1E？50E韓m的遷西板栗內腐識別率達到98.3%，檢測速度最高可達300E韙/月，確定的近紅外光譜檢測模型穩定、精確度高。因此，板栗內腐病在線近紅外光譜檢測設備能夠實現遷西板栗內腐的快速、無損的定性檢測和分揀。

關鍵詞：在線檢測；近紅外光譜；板栗內腐病

中圖分類號：S664.2文獻標識碼：ADOI編碼：10.19440/j.cnki.1006-9402.2023.04.008

遷西板栗沙藏和冷庫儲藏條件下，板栗內腐病發生率最高可超過20%，如不及時清理還會造成交叉傳染，嚴重影響產地板栗外銷和深加工。

板栗收獲后如何及時判別板栗是否發生內腐病成為現階段需要解決的關鍵問題。劉潔等[1]通過對帶殼板栗和栗仁進行正常和霉變分類樣本集的近紅外光譜特征分析，建立了采用偏最小二乘-支持向量機判別法的定性檢測模型。結果表明，靜態采集方法下應用近紅外光譜無損預測板栗霉變個體是可行的。建立快速、在線近紅外光譜檢測模型和設備是大量處理儲存期板栗內腐個體的應用基礎。本研究以遷西板栗為樣品，建立在線檢測模型，通過光源設置（強度、入射角、光程等），篩選較明確的特征波長光譜，得到精確、穩定、快速、簡化的定性檢測模型，最終實現遷西板栗內腐無損檢測產業化應用的目的。

1 材料與方法

1.1 試驗材料 樣品：遷西板栗，來源于遷西縣金地甘栗食品有限公司儲藏庫，采購于2021年9月遷西境內主產區，130～150粒/kg[2]，無蟲蛀、無外損。將板栗個體置于溫度25～27 ℃、相對濕度60%～70%條件下2 h；然后，去除板栗表面水分與雜質，備用。

樣品集：板栗樣品600個，以2∶1劃分訓練集和驗證集[3]，板栗內腐病個體占驗證集50%，見表1。

供試儀器：在線近紅外光譜分析儀IAS-PAT L1（定制款），無錫迅杰光遠科技有限公司；波長范圍：950～2 150 nm；IAS一體化建模平臺。主要組成：光學原件、電腦、控制器、軌道、分揀器等。

光源：8盞100 W鹵素燈采用雙列平行設置（單列各4盞），置于樣品上方；光程：檢測位置的樣品核心與光源距離4～8 cm；入射角：檢測位置的樣品到光源的連線與垂直方向呈45骸９斕潰核俁？0～150 cm/s，軌道寬3～5 cm；軌道每節設置2個檢測杯，單杯單樣，杯底可透過板栗內部漫反射后的近紅外光線進入下方的探頭；檢測杯按照檢測信息的定性結果進行90°，直立設置，將樣品分揀至不同處理區。

1.2 試驗方法

1.2.1 試驗條件 將設備預熱20 min，傳送帶速度為40 cm/s（10顆/s）；訓練集與測試集按順序置于檢測杯進行數據采集、測試；試驗時確保檢測杯干凈無污染。

1.2.2 光譜采集 以板栗種仁是否發生內腐病為判定依據的板栗分類模式進行訓練 ，在分辨率8 cm-1，掃描范圍900～2 150 nm，積分時間為100 ms，采用偏最小二乘-支持向量機判別法的定性檢測采集數據[4]。訓練集采集光譜數據后，進行切開驗證，正常樣本光譜即為“合格品”，內腐（軟）或內腐（硬）的樣本光譜記為“內腐品”（參照圖2），“合格品”和“內腐品”達到表1設置，停止采集。分析處理光譜數據后，依據遷西板栗內腐病的特征吸收峰建立光譜識別模型，對測試集進行識別，驗證并記錄結果。

2 結果與分析

2.1 訓練集與響應特征 按照“1.2.2”中建立遷西板栗內腐病在線近紅外光譜技術檢測識別模型；對異常樣本進行重復檢測，再次確認“異常”后剔除異常樣本；單次“異常”的樣本，經核實后按照“識別錯誤”處理。

在900～2 150 nm波長范圍內，不同樣品集訓練獲得近紅外光譜吸收圖譜，如圖3所示。1種正常遷西板栗合格樣品集和2種內腐（硬內腐和軟內腐）組成的內腐樣品集在波長范圍內有明顯的吸收峰，其中分離度較好的2處波峰分別在1 450 nm和1 900 nm處，分別屬于C-H鍵和O-H鍵組合頻特征峰；相比而言，1 450 nm處的正常樣品集和內腐樣品集分離度更好，特征明顯，無“異常”剔除數據。可見，光譜預處理條件（平滑、微分、校正等）適合建立識別模型。

2.2 模型驗證 根據“2.1”的結論，以近紅外光譜波長1 450 nm的識別峰，對驗證集采集光譜，軌道速度為15顆/s，并開啟分揀彈射功能，記錄預測結果。

如表2，200顆遷西板栗驗證集檢測結果中，正常樣本集識別個數80顆，識別率100%；內腐樣本識別118顆，識別率達到98.3%，錯誤個體為內腐（軟）初期，肉眼識別表征不足10%；檢測模型穩定，“0”報錯。

如圖4所示，在1 450 nm處正常板栗的吸光度約為0.8，內腐（軟）板栗的吸光度約為1.0，內腐（硬）板栗的吸光度約為1.1，特征譜分離度高。

3 結論

本研究采用近紅外光譜在線檢測技術，通過加強光源、縮小光程等手段，實現了15顆/s的板栗內腐識別，處理能力最高可達10 t/d（300 t/月）。驗證實驗顯示，以1 450 nm光譜的吸收峰為特征譜，建立的模型識別率達到98.3%以上，主要誤差為內腐（軟）板栗初期，特征波長處吸收峰不明顯，在吸光度小于0.9時，容易造成誤差。該模型建立對遷西板栗原料預處理的應用具有重大意義。

參考文獻

[1] 劉 潔．基于近紅外光譜技術的板栗品質無損檢測方法研究[D]．武漢：華中農業大學，2011．

[2] T/QXXLXH 001-2021，遷西板栗綜合標準[S]． 遷西：遷西縣林學會，2021.

[3] GB/T 37969-2019，近紅外光譜定性分析通則[S]．北京：中國質檢出版社，2019.

[4] 劉燕德，徐 海，孫旭東，等 ．不同產地蘋果糖度可見近紅外光譜在線檢測[J]．中國光學，2020，13（3）：482-489．