李宏麗

(蘇州市職業(yè)大學 計算機工程學院，江蘇 蘇州 215104)

基于可見光/近紅外光譜技術(shù)的黃桃糖度在線檢測研究

李宏麗

(蘇州市職業(yè)大學 計算機工程學院，江蘇 蘇州 215104)

應用可見光/近紅外光譜分析技術(shù)，采用多元線性回歸(MLR)模型方法，研究近紅外光譜技術(shù)預測黃桃糖度的方法.采集60個不同成熟度的黃桃樣品，利用ASD野外光譜儀測定黃桃光譜，反射光譜預處理后轉(zhuǎn)換成吸收光譜，通過分析黃桃的吸收光譜特征、以及黃桃糖度與吸收光譜的一階導數(shù)的相關性，找出對黃桃糖度的敏感波段.采用多元線性回歸對黃桃糖度的敏感波段建模.結(jié)果表明：在350～2 500 nm波長范圍內(nèi)，黃桃吸收光譜的一階導數(shù)模型模擬效果較好.黃桃糖度能較好地利用多元線性模型模擬，模型的相關系數(shù)大于0.61，并且均方根誤差是0.44%.

近紅外；光譜；糖度；無損檢測

中國作為黃桃的發(fā)源地，種植黃桃已經(jīng)有3 000年的歷史.黃桃營養(yǎng)豐富，富含抗氧化劑、膳食纖維以及微量元素(硒、鋅)等，對人體的健康非常有益.近年來，隨著人們生活水平的提高，越來越多的人關注水果內(nèi)在品質(zhì)，比如口感、甜度和營養(yǎng)成分等，開發(fā)能夠快速高效地完成對果品檢測的技術(shù)[1]非常必要.

與傳統(tǒng)的化學分析方法相比，近紅外光譜分析技術(shù)是一種可靠、快速、無損的技術(shù)，需要的時間更少并且適用于連續(xù)的水果質(zhì)量檢測.近紅外光譜區(qū)與有機分子中含氫基團(OH、NH、CH)振動的合頻和各級倍頻的吸收區(qū)一致，通過掃描樣品的近紅外光譜，可以得到樣品中有機分子含氫基團的特征信息.光譜技術(shù)早已作為一種有效的方法，對水果進行可溶性固形物含量、總糖含量以及干物質(zhì)含量的檢測，如蘋果、梨、葡萄、芒果、獼猴桃、橙子、杏仁、紅棗、柑橘、草莓、桑葚[2-13].還有很多基于近紅外光譜技術(shù)的有關水蜜桃的研究.比如，在劉燕德等[14]的研究中，采用偏最小二乘法，建立糖度有效酸度與水蜜桃光譜吸光度的相關數(shù)學模型，其最佳模型的相關系數(shù)為0.96、0.95，標準誤差分別為0.534、0.124，偏差分別為 0.052，0.018.2007年，馬廣等[15]應用近紅外反射光譜結(jié)合偏最小二乘法對金華大白桃的糖度進行了檢測試驗研究.研究結(jié)果表明，主成分分析是進行有效波段選擇的有效方法，光譜技術(shù)結(jié)合最小二乘法支持向量能夠成功對桃子進行可溶性固形物和PH值的準確測定.到目前為止，針對黃桃內(nèi)部質(zhì)量無損檢測的研究還很少.基于近紅外光譜分析技術(shù)，本研究根據(jù)黃桃的光譜特性，結(jié)合多元線性回歸法分析黃桃中的糖度與吸收光譜的一階導數(shù)進行分析建模，從而實現(xiàn)對黃桃糖度的快速無損檢測.

1 材料與方法

1.1 樣品準備

選擇60只黃桃作為進行反射光譜測定的樣本，在蘇州鎮(zhèn)湖黃桃園采摘不同成熟度的黃桃，并且在進行光譜測定之前對每個樣本進行清理后按順序進行編號、標記，在赤道部位做好采集三個點位的標記.

1.2 近紅外光譜采集

近紅外光譜的測量采用美國ASD公司生產(chǎn)的FieldSpec 3便攜式光譜儀進行測量.光源是與光譜儀配套的鹵鎢燈.試驗在恒溫的室內(nèi)進行.在對黃桃進行實際測量之前，儀器要用標準白板進行校準[16].測量時，探測針大概距離黃桃表面10 mm.在黃桃的赤道位置選取三個點位，在每個點位進行10次掃描，最后求得30次掃描的平均值作為該黃桃的光譜.該儀器的波段范圍從350～2 500 nm.在350～1 000 nm區(qū)域，光譜采樣間隔為1.4 nm和3 nm的波長寬度；而在1 000～2 500 nm范圍，光譜采樣間隔為2 nm和7 nm的波長寬度.利用ViewSpec Pro軟件算出平均值，并將黃桃的反射率轉(zhuǎn)換成吸收度光譜，用于黃桃多元線性回歸模型的建立.

1.3 糖度的測定

在對黃桃樣本進行光譜測定后，立即對黃桃的糖度進行化學測定.黃桃樣品經(jīng)過研磨、濾汁，通過Abbebenchtop折射計(型號：way-2s，上海精密科學儀器有限公司)進行測量.折射率的精度為±0.000 2.同樣對每個樣品取3個采樣點的糖度平均值作為每個樣品的糖度.

1.4 數(shù)據(jù)的預處理方法

預處理采用“viewspec Pro”軟件(ASD，美國).本研究利用光譜數(shù)據(jù)的兩個指標，即反射率倒數(shù)的對數(shù)變換(log(1/R))以及對反射率倒數(shù)的對數(shù)變換再求一階導數(shù)(dlog(1/R)).采用黃桃光譜吸收度的一階導數(shù)變換，可以消除數(shù)據(jù)的基線漂移或平緩背景干擾的影響，提高信噪比.

式中：λi，λi+1分別是波段；R(λi)，R(λi+1)分別是λi，λi+1對應的反射率.

采用SPSS 19.0和Microsoft Excel軟件對光譜數(shù)據(jù)進行分析和表示.質(zhì)量參數(shù)與反射率指標之間的相關系數(shù)用來判斷波段的有效性.

1.5 數(shù)據(jù)建模方法

本研究采用多元線性回歸(MLR)方法[17].MLR是一種較為常用的校準算法，然而，當變量大于樣本數(shù)量時，容易受到共線性的影響.在本研究中，近紅外光譜變量遠遠大于樣本數(shù)量，因此，無法直接建立MLR模型.在建立MLR模型之前必須進行有效變量的選擇，選擇不共線的變量有助于建立MLR模型.最佳波段組合通過求預測殘差平方和誤差最小確定.模型預測的好壞主要通過相關系數(shù)(R)和均方根誤差(RMSE)來體現(xiàn).最好的模型應該是RMSE最小和R最大.

2 結(jié)果與討論

黃桃的近紅外典型光譜如圖1所示.盡管吸收峰的位置和振幅不同，但吸收曲線的模式跟其他水果類似(如橘子).特別需要說明的是，本試驗沒有使用350～400 nm以及2 350-2 500 nm區(qū)域的數(shù)據(jù)作進一步的分析，因為這些區(qū)域的噪聲會扭曲反射信號.在可見光區(qū)域(400～700 nm)可觀測到吸收度的連續(xù)減少，并且在603 nm處達到最小.在676 nm處可觀測到一個吸收峰表示紅色素的吸收，特別是賦予水果代表性綠色的綠色素.這個峰值后面，由于光譜進入近紅外光譜區(qū)域，吸收度會有一個大幅度下降.在720 ～910 nm區(qū)域，吸收光譜保持相對的平穩(wěn)，直到在978 nm附近出現(xiàn)一個突出的吸收峰.這個吸收峰很可能是水分和糖類所致，因為在970 nm附近吸收強烈.

圖1 黃桃的典型吸收光譜曲線

實驗室數(shù)據(jù)分析結(jié)果：糖度范圍在9.1～12.9°Brix(%)，平均值為11.36%，變異系數(shù)為0.715%.從數(shù)據(jù)結(jié)果可以看出，黃桃的糖度因成熟度不同呈現(xiàn)較大差異.

應用MLR模型對糖度的預測情況如圖2所示.基于相關系數(shù)得到能夠反映黃桃質(zhì)量參數(shù)的敏感光譜波段，在質(zhì)量參數(shù)與反射率之間對相關系數(shù)進行排序后，首選相關系數(shù)最佳的波段，通過敏感波段分析依次選擇其他波段.此外，選擇只有一個峰值且具有較好的相關系數(shù)的波段以克服共線性的問題，并能順利進行多元回歸建模.根據(jù)現(xiàn)有的經(jīng)驗規(guī)則，多元回歸分析中樣本數(shù)量與變量的比值應大于或等于5.因而，在60個樣本的建模中變量的數(shù)量不能超過12.一般情況下，在預測水果的質(zhì)量參數(shù)方面，光譜倒數(shù)的對數(shù)變換的一階導數(shù)要優(yōu)于單純的倒數(shù)的對數(shù)變換.選擇經(jīng)過對光譜反射率倒數(shù)的對數(shù)變化的一階導數(shù)預處理的12個變量，敏感波段選擇的結(jié)果為408，723，1 017， 1 112， 1 420， 1 445，1 705， 1 812， 1 933，2 064， 2 199， 2 251 nm.在SPSS19.0 中，將選用的敏感波段作為多元線性回歸的輸入變量，方法選擇“逐步”的方法，基于“逐步”的方法，最先進入回歸方程的敏感波段跟黃桃糖度的關系最為密切，貢獻最大.結(jié)果顯示，共有10個敏感波段被選入，r=0.85，RMSE=0.44%，也就是說根據(jù)模型預測的糖度與實測值密切相關.

圖2 應用MLR模型對糖度的預測情況

3 結(jié)論

通過光譜數(shù)據(jù)的兩個指標(log(1/R)和dlog(1/R))進行相關分析發(fā)現(xiàn)，黃桃糖度與光譜反射率倒數(shù)的對數(shù)變換之間沒有特別顯著的關系.然而，黃桃糖度跟光譜反射率對數(shù)變換的一階導數(shù)在一些波段具有較強的關系，選擇具有較強關系的波段作為多元線性回歸分析的輸入?yún)?shù).在每個采樣點使用MLR模型對黃桃糖度進行預測，利用ASD近紅外光譜分析(350～2 500 nm)對黃桃糖度測定是成功的.此外，在本研究中，樣本的質(zhì)量參數(shù)涵蓋了大量的不同成熟度的黃桃(SSC：9.1～12.9°Brix (%))，表明可見光與近紅外光譜可以較好地對黃桃的內(nèi)部質(zhì)量進行快速、無損檢測.

參考文獻：

[1]Cen H Y，He Y.Theory and application of near infraredrefectance spectroscopy in determination of food quality[J].Trends in Food Science & Technology，2007，18(2)：72-83.

[2]Cayuela J A.Vis/NIR soluble solids prediction in intact oranges (Citrussinensis L.)cv.valencia late by refectance[J].Postharvest Biology and Technology，2008，47：75-80.

[3]Chen J Y，Zhang H，Matsunaga R.Rapid determination of the mainorganic acid composition of raw Japanese apricot fruit juices using nearinfraredspectroscopy[J].Journal of Agricultural and Food Chemistry，2006，54：9652-9657.

[4]Cozzolino D，Cynkar W U，Dambergs R G，et al.Measurement of condensed tannins and dry matter in red grape homogenatesusing near infrared spectroscopy and partial least squares[J].Journal of Agriculturaland Food Chemistry，2008，56：7631-7636.

[5]Cozzolino D，Cynkar W U，Shah N，et al.Multivariate data analysis applied to spectroscopy：Potential application to juiceand fruit quality[J]. Food Research International，2011，44：1888-1896.

[6]Elmasry G，Wang N，ElSayed A，et al.Hyperspectral imaging fornondestructive determination of some quality attributes for strawberry[J].Journal of Food Engineering，2007，81：98-107.

[7]Gómez A H，He Y，Pereira A G.Non-destructive measurementof acidity，soluble solids and firmness of Satsumamandarin using Vis/NIR-spectroscopy techniques[J].Journal of Food Engineering，2006，77(2)：313-319.

[8]Harker F R，Kupferman E M，Marin A B，et al.Eating quality standards for apples based on consumer preferences[J].Postharvest Biology and Technology，2008，50：70-78.

[9]Hong Y，Hong T S，Dai F，et al.Successive projections algorithm for variable selection innondestructive measurement of citrus total acidity[J]. Transactions of the Chinese Society of Agricultural Engineering，2010，26(Suppl.2)：380-384.

[10]Huang L，Wu D，Jin H，et al.Internal quality determination of fruit with bumpysurface using visible and near infrared spectroscopyand chemometrics：A case study with mulberry fruit[J].Biosystems Engineering，2011，109：377-384.

[11]Jha S N，Chopra S，Kingsly A R P.Determination of sweetness of intactmango using visual spectral analysis[J].Biosystems Engineering，2005，91：157-161.

[12]Liu Y，Ying Y.Study on predicting sugar contentand valid acidity o f apples by near infrared diffuse refectancetechnique[J].Spectroscopy and Spectral Analysis，2005，25(11)：1793-1796.

[13]劉燕德，歐陽愛國，羅吉，等. 近紅外漫反射光譜檢測贛南臍橙可溶性固形物的研究[J]. 光譜學與光譜分析，2007，27(11)：2190-2192.

[14]劉燕德，應義斌. 水蜜桃糖度和有效酸度的近紅外光譜測定法[J]. 營養(yǎng)學報，2004，26(5)：400-402.

[15]馬廣，傅霞萍，周瑩，等. 大白桃糖度的近紅外漫反射光譜無損檢測試驗研究[J]. 光譜學與光譜分析，2007，2( 5)：907-911.

[16]曹霞，周學成，范品良. 基于近紅外漫反射光譜技術(shù)的芒果糖度無損檢測方法研究[J]. 農(nóng)機化研究，2013，1(1)：177-180.

[17]孫旭東，郝勇，蔡麗君，等. 南豐蜜桔可溶性固形物近紅外檢測的多元線性回歸變量篩選[J]. 生物物理學報，2011，27(8)：727-734.

(責任編輯：李 華)

Study on Predicting Sugar Content of Yellow Peaches by Visible and Near-infrared Spectroscopy

LI Hong-li
(School of Computer Engineering，Suzhou Vocational University，Suzhou 215104，China)

In this study，visible/near infrared spectroscopy analysis and multiple linear regression (MLR)model are adopted to predict sugar content of Yellow Peaches. Therefore，collecting 60 peaches with different degrees of maturity as samples and their spectra are determinded with ASD feld spectrometer. And then refection spectra are converted into absorption spectrum. It goes further to analyze the relationship between the Yellow Peach sugar content and absorption spectra and the frst derivative of absorption spectra of yellow peaches to fnd out the sensitive bands of yellow peach sugar degree. Multiple linear regression is used to make model of the sensitive band of peach sugar degree. The experimental results show that in the wavelength range of 350～2 500 mm a derivative model of yellow peach absorption spectra simulated works well. Yellow Peach sugar content can be predicted with the help of multivariate linear model，and the correlation coeffcient of this model is larger than 0.61，and the root mean square error is 0.44%.

near-infrared；spectroscopy；sugar content；predict

TP79

A

1008-5475(2014)03-0007-04

2014-06-05；

2014-06-25

江蘇省自然科學基金資助項目(BK2012164)

李宏麗(1980-)，女，山東鄒城人，講師，碩士，主要從事遙感與計算機模擬技術(shù).