CN105527244A

CN105527244A - 一种基于近红外光谱的寒富苹果品质无损检测方法

Info

Publication number: CN105527244A
Application number: CN201510697123.XA
Authority: CN
Inventors: 宫元娟; 裴军强; 宁晓峰; 周铁; 秦军伟
Original assignee: Shenyang Agricultural University
Current assignee: Shenyang Agricultural University
Priority date: 2015-10-26
Filing date: 2015-10-26
Publication date: 2016-04-27

Abstract

本发明公开了一种基于近红外光谱的寒富苹果品质无损检测方法，该方法在特征波段范围内对样品进行光谱采集，在光纤探头与参考板距离为24~42mm时的强度光谱作为参考光谱，照射颜色面按果品阴阳面比例、照射纬度在40°N~40°S范围内、具有表面特征特征的区域作为光谱采集点，得到的苹果反射率信息较完整且有代表性。利用光谱技术在检测平台上，可实现寒富苹果内部品质的无损检测，能够对寒富苹果中糖度、酸度、质地进行快速分析，并可对寒富苹果品质进行预测，且可直接显示品质预测值，预测精度满足实际生产要求，该试验平台操作方法简单、易于控制、检测精度高。本发明可用于水果品质的在线检测分级。

Description

一种基于近红外光谱的寒富苹果品质无损检测方法

技术领域

本发明属于农产品光谱分析、检测技术领域，涉及一种基于近红外光谱的寒富苹果品质无损检测方法，具体是一种苹果内部品质的检测方法，特别是寒富苹果糖度、酸度、质地（硬度或脆度）的检测方法。

背景技术

寒富苹果是以冬光和富士为亲本杂交而成的抗寒优质大苹果品种（李怀玉,乔凤岐.寒富苹果的育成及其社会效应[J].沈阳农业大学学报,1998,01:37-40.）。其果形短锥圆正，色彩红艳，外形美观，果实平均重量均在250g以上，最大可达900g，是单果重量较大的品种之一，其各项营养元素含量与鲜食优质果富士不相上下。但寒富苹果出汁率高于富士、国光、红星、黄元帅等其它苹果品种。

寒富苹果密植性强，尤其抗寒性明显超过国光等大型果，同时具有抗粗皮病、抗早期落叶病和抗蚜虫等特点。果实成熟较其他苹果品种早，有利于果实营养累积和树本恢复（苏秀丽.抗寒优质果树绿化新品种——寒富苹果[J].国土绿化,2008,01:54-55.）。自1997年培育问世以来，深受消费者青睐和果农大量种植。寒富苹果因其酸甜爽口、香甜酥脆，是备受北方人和欧洲人喜爱的一种鲜食水果。除了具有良好的鲜食品质以外，寒富苹果因其含酸量较高，是加工果酒、果汁、果醋和苹果罐头等产品的上好原料，所以近几年寒富苹果的市场需求量在不断攀升。

寒富苹果年出口量仅占总产量的3%左右，略高于全国苹果出口量仅占生产总量的1.5%的水平，制约着我国苹果出口主要原因是检测技术落后。采收后苹果大小、着色、成熟度、品质和商品性差异较大，应根据不同的用途进行检测和分级，而我国目前的苹果检测结果低于国际市场的标准，导致无法与国际其他国家品牌竞争。苹果附加值增加、苹果商品化和产业化等问题已逐渐成为制约苹果发展中的瓶颈问题，在检测过程中，对苹果进行实时检测，观察其生长信息具有实用价值。

发明内容

本发明的目的是提供一种利用可见/近红外光源针对寒富苹果内部品质进行无损检测的方法，该方法利用USB2000+近红外光谱仪和SpectraSuite光谱采集软件在480nm—900nm特征波段范围内对样品进行光谱采集，在光纤探头与参考板距离为24~42mm时的强度光谱作为参考光谱，照射颜色面按果品阴阳面比例、照射纬度在40°N~40°S范围内、具有表面特征特征（颜色、斑点、凹凸）的区域作为光谱采集点，得到的苹果反射率信息较完整且有代表性。利用光谱技术在检测平台上，可实现寒富苹果内部品质的无损检测，能够对寒富苹果中糖度、酸度、质地（硬度和脆度）进行快速分析，并可对寒富苹果品质进行预测，且可直接显示品质预测值，预测精度满足实际生产要求，该试验平台操作方法简单、易于控制、检测精度高。本发明可用于水果品质的在线检测分级。

采用的技术方案是：

一种基于近红外光谱的寒富苹果品质无损检测方法，其特征在于：包括以下步骤：

（1）待测样品的预处理：所有待测样品在采摘后检测前需放入自然冷源保鲜库中保存。从保鲜库中取出样品后实测前需对样品进行人工检查，确保样品表面没有变质情况，包括明显缺陷、腐烂和霉变。

（2）样品的光谱信息采集：

（2.1）扣除环境暗光谱：将满足以上筛选要求的待测样品置于非光谱采集区域，将设备连接，待光源温度稳定、发射出的近红外光波段的光平缓、稳定后，得到此时环境光谱曲线，此时扣除环境暗光谱，得到校正后的暗箱环境光谱。

（2.2）储存参考光谱：扣除暗光谱后将反射参考板放入平台内升降台光谱采集区域中，进行参考光谱的测定，在光线照射区域内移动反射参考板，观察光谱强度曲线随参考板位移变化的情况，待光谱强度处于3000—5000counts之间、光谱曲线清晰平稳、无明显跳动、无溢出、无失灵现象时，得到样品原始光谱曲线。

（2.3）光谱信息的采集：将反射参考板移出光谱采集区，移入待测样品，调节升降台使得反射参考板与光纤探头距离与上步骤相同、保持其他参数不变，照射颜色面按果品阴阳面比例进行采集，得到样品光谱曲线以及光谱数据。

（3）数据的整理及模型的建立：将得到的光谱文本数据统一整理输入Unscrambler9.7软件，通过对光谱信息的预处理找到模型综合判定系数最高的建模方法，建立预测模型后再利用软件中偏最小二乘回归的算法工具，对于模型进行最后的修正，得到最终的预测模型

（4）品质的预测及预测值的显示：利用模型进行预测时，将步骤3）中得到的修正后的品质预测模型导入至Unscrambler9.7中，对待测样本的光谱数据预处理办法务必与建立该模型时数据预处理方法相同，在完成数据输入、模型载入后可完成待测样品品质的预测以及预测数值的读取。

所述的步骤（1）中待测样品的保鲜处理方法为：将所有待测样品在采摘后检测前需放入自然冷源保鲜库中保存，且保存前需在预冷库预冷30min，紫外线杀菌5s后贮藏，待测样品放置于尺寸为35cm×19cm×23cm的瓦楞纸箱中，离地15cm，离墙5cm，箱与箱间隔2.5cm，自然冷源保鲜库内的相对湿度为90%，贮藏保鲜温度为1℃，每天保鲜库内的紫外灯照射时间范围（环境杀菌时间）为0~30min。从保鲜库中取出样品后实测前需对样品进行人工检查，确保样品表面没有明显缺陷、腐烂、霉变等变质情况。

所述的步骤（3）中品质数据最佳预处理办法，苹果糖度的最佳光谱数据预处理方法为多元散射校正结合二阶微分（MSC+SD），苹果脆度的最佳光谱数据预处理方法为一阶导数结合多元散射校正（FD+MSC），苹果酸度的最佳光谱数据预处理方法为多矢量归一化结合一阶微分(N+FD)。

本发明具有如下优点：

本发明利用光谱技术在检测平台上，可实现寒富苹果内部品质的无损检测，能够对寒富苹果中糖度、酸度、质地（硬度和脆度）进行快速分析，并可对寒富苹果品质进行预测，且可直接显示品质预测值，预测精度满足实际生产要求，该试验平台操作方法简单、易于控制、检测精度高。本发明可用于水果品质的在线检测分级。

具体实施方式

下面结合具体实施例对本发明作进一步阐述，但本发明并不限于以下实施例。所述方法如无特别说明均为常规方法。所述原料如无特别说明均能从公开商业途径而得。下述实施例每步骤的数据处理均由挪威CAMO公司出售的化学计量软件TheUnscrambler9.7中完成。

一种基于近红外光谱的寒富苹果品质无损检测方法，该方法利用可见近红外光源针对寒富苹果糖度、酸度、质地（硬度或脆度）品质进行无损检测的方法；该方法处理过程包括待测样品的保鲜处理、检测前的预处理、光谱信息的采集、光谱数据的整理、回归模型的建立、预测模型的建立以及校正、预测值的分析与显示，具体操作步骤如下：

（1）待测样品预处理：

（1.1）待测样品的保鲜处理：所有寒富苹果样品在采摘后检测前需放入自然冷源保鲜库中保存，且保存前需在预冷库预冷30min，紫外线杀菌5s后贮藏。待测样品放置于尺寸为35cm×19cm×23cm的瓦楞纸箱中，离地15cm，离墙5cm，箱与箱间隔2.5cm，从而对寒富苹果进行保鲜贮藏。

自然冷源保鲜库内的相对湿度为90%，贮藏保鲜温度为1℃，每天保鲜库内的紫外灯照射时间范围（环境杀菌时间）为0~30min。

（1.2）检测前的预处理：从保鲜库中取出60个寒富苹果样品后实测前需对样品进行人工检查，确保样品表面没有明显缺陷、腐烂、霉变等变质情况，将60个样品分为建模集40个和检验集20个。

（2）光谱信息的采集：

（2.1）扣除环境暗光谱：将满足以上筛选要求的待测样品至于可见近红外光谱检测平台内、升降台光谱采集区域外。此时将设备连接，接通电源，将光源预热20min，待光源温度稳定，发射出的近红外光波段的光强平缓、跳动微小后，屏幕中显示采集平台内环境暗光谱。待曲线稳定后扣除暗光谱，得到此时强度光谱曲线。

（2.2）储存参考光谱：扣除暗光谱后将反射参考板放入平台内升降台光谱采集区域中，进行参考光谱的测定，在光线照射区域内移动反射参考板，观察光谱强度曲线随参考板位移变化的情况，在光纤探头与参考板距离为24~42mm时的强度光谱作为参考光谱，调节相关参数，包括积分时间100ms，平均次数2，平滑度6，去除暗噪声开启，非线性校正开启，杂散光校正开启，待光谱强度以及反射率曲线适宜，得到样品原始光谱曲线。

（2.3）测量点区域的选择：在选取过程中要尽量保持有代表样本表面特征的区域作为标记点，如颜色、斑点、凹凸的差异，如果样本表面差异较小，则取相邻90°的四个点作为标记点，分别保存光谱信息，最后将4个标记点光谱数据的平均值作为被测样品最终的光谱信息。

（2.4）光谱数据的获得：将反射参考板移出光谱采集区，移入待测样品，调节升降台使得反射参考板与光纤探头距离与步骤（2）相同、保持其他参数不变，照射颜色面按果品阴阳面比例进行采集，照射纬度控制在40°N~40°S低纬度范围内，得到样品的相关数据，包括光谱反射率、透射率、吸光度曲线以及.txt格式的光谱数据，如表1。

（3）数据的整理及模型的建立

（3.1）光谱数据的整理：将得到的光谱文本数据统一整理至WPS表格中，打开化学计量软件Unscrambler9.7，将整理后的光谱数据导入至该软件，通过对光谱信息的预处理找到模型综合判定系数最高的建模方法。

表160个寒富苹果样品可见近红外光谱数据表

（3.2）光谱数据的预处理：苹果糖度的最佳光谱数据预处理方法为多元散射校正结合二阶微分（MSC+SD），苹果脆度的最佳光谱数据预处理方法为一阶导数结合多元散射校正（FD+MSC），苹果酸度的最佳光谱数据预处理方法为多矢量归一化结合一阶微分(N+FD)，数据处理过程如表2所示。

（3.3）回归模型的建立：通过对比分析各种预处理数据建立的模型的PC数、决定系数R²、校正均方根误差RMSEC、BIAS判定参数，选取最优预测模型，再利用软件中偏最小二乘回归的算法工具，对于模型进行最后的修正。

（4）预测值的分析与显示：先将预测模型导入至Unscrambler9.7中，此时会要求选择主成分数，填入的主成分数为利用偏最小二乘回归的算法工具对预测模型修正后的最佳主成分数（寒富的糖度模型为6、脆度模型为8、酸度模型为13，各模型参数的决定系数如表3所示）。而对待测样本的光谱数据预处理办法务必与建立该模型时数据预处理方法相同，在完成数据输入、模型载入后可完成待测样品品质的预测以及预测数值的读取。实例中试验以建模集40个样本为研究对象，分别建立样本的糖度、脆度、酸度的可见近红外光谱预测模型，再利用此模型对检验集20个样本进行预测，得到建模集、检验集样本品质测量值与预测值结果对比图。

表2样本糖度数据预处理方法统计表

表3不同光谱下样本各项品质光谱最佳预处理方法统计表

寒富苹果样本糖度品质预测模型，决定系数R ²=0.9852，预测均方根误差RESEP（0.0958）<校正均方根误差RESEC（0.1172），偏差值Bias=-0.0133。

表4检验集样本糖度真实值与预测值统计表

表4为检验集20个苹果样本在建模集此预测模型下各苹果样本的预测值与真实值统计表，并计算得到各样本的绝对偏差和该检验集的绝对偏差平均值。20个预测样本的糖度绝对偏差平均值为0.106，绝大多数样本的绝对偏差值均相对较小，根据表中的统计结果建立残差分布图。

绝大多数样本的绝对偏差值均在0.15以内，其对应的相对误差为0.93%，而在农产品分拣中对于相对误差小于3%的均符合实际生产要求，所以此模型满足实际生产要求，可应用于寒富苹果糖度的分级指导。综合前述对检验集决定系数、均方根误差、残差分布、相对误差等多项检验指标对模型的验证，表明检验集样本预测值与真实值相关性较高，数值较为接近，模型预测精度较高，预测可靠，满足苹果品质检测要求。

Claims

1.一种基于近红外光谱的寒富苹果品质无损检测方法，其特征在于：包括以下步骤：

（1）待测样品的预处理：所有待测样品在采摘后检测前需放入自然冷源保鲜库中保存；从保鲜库中取出样品后实测前需对样品进行人工检查，确保样品表面没有变质情况，包括明显缺陷、腐烂和霉变；

（2）样品的光谱信息采集：

（2.1）扣除环境暗光谱：将满足以上筛选要求的待测样品置于非光谱采集区域，将设备连接，待光源温度稳定、发射出的近红外光波段的光平缓、稳定后，得到此时环境光谱曲线，此时扣除环境暗光谱，得到校正后的暗箱环境光谱；

（2.2）储存参考光谱：扣除暗光谱后将反射参考板放入光谱采集区域中，进行参考光谱的测定，在光线照射区域内移动反射参考板，观察光谱强度曲线随参考板位移变化的情况，待光谱强度合适、光谱曲线清晰平稳、无明显跳动、无溢出、无失灵现象时，得到样品原始光谱曲线；

（2.3）光谱信息的采集：将反射参考板移出光谱采集区，移入待测样品，使得反射参考板与光纤探头距离与上步骤相同、保持其他参数不变，照射颜色面按果品阴阳面比例进行采集，得到样品光谱曲线以及光谱数据；

（3）数据的整理及模型的建立：将得到的光谱文本数据统一整理输入Unscrambler9.7软件，通过对光谱信息的预处理找到模型综合判定系数最高的建模方法，建立预测模型后再利用软件中偏最小二乘回归的算法工具，对于模型进行最后的修正，得到最终的预测模型；

（4）品质的预测及预测值的显示：利用模型进行预测时，将步骤（3）中得到的修正后的品质预测模型导入至Unscrambler9.7中，对待测样本的光谱数据预处理办法务必与建立该模型时数据预处理方法相同，在完成数据输入、模型载入后可完成待测样品品质的预测以及预测数值的读取。

2.根据权利要求1所述的一种基于近红外光谱的寒富苹果品质无损检测方法，其特征在于：所述的步骤（1）中待测样品的保鲜处理方法为：将所有待测样品在采摘后检测前需放入自然冷源保鲜库中保存，且保存前需在预冷库预冷30min，紫外线杀菌5s后贮藏，待测样品放置于尺寸为35cm×19cm×23cm的瓦楞纸箱中，离地15cm，离墙5cm，箱与箱间隔2.5cm，自然冷源保鲜库内的相对湿度为90%，贮藏保鲜温度为1℃，每天保鲜库内的紫外灯照射时间范围（环境杀菌时间）为0~30min。

3.根据权利要求1所述的一种基于近红外光谱的寒富苹果品质无损检测方法，其特征在于：所述的步骤（3）中品质数据最佳预处理办法，苹果糖度的最佳光谱数据预处理方法为多元散射校正结合二阶微分（MSC+SD），苹果脆度的最佳光谱数据预处理方法为一阶导数结合多元散射校正（FD+MSC），苹果酸度的最佳光谱数据预处理方法为多矢量归一化结合一阶微分(N+FD)。