李 雄，劉燕德，孫旭東，歐陽愛國(guó)，姜小剛，王觀田，歐陽玉平

華東交通大學(xué)機(jī)電與車輛工程學(xué)院，江西 南昌 330013

引 言

中國(guó)是西瓜生產(chǎn)和消費(fèi)最大的國(guó)家，而西瓜內(nèi)部含有人體所需的各種營(yíng)養(yǎng)成分，具有良好的保健功效及很高經(jīng)濟(jì)價(jià)值，隨著人們現(xiàn)代生活水平的提高，人們對(duì)西瓜的內(nèi)在品質(zhì)提出了更高的要求?，F(xiàn)有西瓜品質(zhì)選擇主要依靠經(jīng)驗(yàn)判斷，如瓜的外觀紋路、顏色等，缺乏有效的西瓜無損分選方法。近紅外光譜檢測(cè)技術(shù)在蘋果、梨等水果品質(zhì)方面已經(jīng)得到廣泛的應(yīng)用，因此，基于近紅外檢測(cè)技術(shù)在線檢測(cè)西瓜的內(nèi)部品質(zhì)探索研究具有可行性[1-3]。

國(guó)內(nèi)外研究人員應(yīng)用近紅外光譜檢測(cè)技術(shù)對(duì)水果內(nèi)部品質(zhì)進(jìn)行了大量的動(dòng)態(tài)在線檢測(cè)研究，Zhang等[4]聯(lián)合近紅外和高光譜技術(shù)，采用CARS-SPA模型提取1 000～2 500 nm的有效波長(zhǎng)，建立不同產(chǎn)地蘋果可溶性固形物分級(jí)的通用數(shù)學(xué)模型，相關(guān)系數(shù)達(dá)0.917。Guo等[5]采用SPA算法有效篩選近紅外光譜，建立獼猴桃可溶性固形物無損檢測(cè)模型，獲得較好的測(cè)定效果。歐陽愛國(guó)等[6]研究不同變量篩選方法對(duì)近紅外光譜檢測(cè)不知火雜柑可溶性固形物模型影響，結(jié)果表明光譜預(yù)處理方法MSC結(jié)合偏最小二乘方法縮短了建模時(shí)間，改善了模型精度。

以上的研究，都是對(duì)皮薄、體積小形狀規(guī)則的水果，以整個(gè)果品混合糖為因變量建立相關(guān)檢測(cè)模型，研究的重點(diǎn)是模型算法的優(yōu)化。然而化學(xué)基礎(chǔ)信息與光譜信息的對(duì)應(yīng)才是提高模型的關(guān)鍵。針對(duì)水果市場(chǎng)上大量的皮厚、體積大的水果，果肉區(qū)域可見-近紅外透光性差、光線折射區(qū)域難以確定、化學(xué)基礎(chǔ)信息采集區(qū)域不當(dāng)?shù)葐栴}，導(dǎo)致的品質(zhì)信息預(yù)測(cè)效果差，以西瓜為研究對(duì)象，探討西瓜不同區(qū)域的可溶性固形物對(duì)西瓜品質(zhì)檢測(cè)的影響，揭示西瓜光透射規(guī)律特征與品質(zhì)屬性的內(nèi)在聯(lián)系。

1 實(shí)驗(yàn)部分

1.1 試驗(yàn)材料

試驗(yàn)所用西瓜購自江西南昌市，共360個(gè)大小相近品種為麒麟瓜的實(shí)驗(yàn)樣品，用蒸餾水將外部擦洗干凈，編號(hào)后在室內(nèi)溫度25 ℃存放1 d后采集光譜，麒麟瓜的重量、可溶性固形物的理化指標(biāo)如表1所示，其中270個(gè)西瓜樣品為建模集，90個(gè)樣品為預(yù)測(cè)集。

表1 建模集與預(yù)測(cè)集西瓜樣品可溶性固形物統(tǒng)計(jì)結(jié)果Table 1 Statistical results of soluble solidsin modeling set and prediction set

1.2 光譜采集

西瓜內(nèi)部的光譜采集是通過在線檢測(cè)裝置來完成的，在線檢測(cè)裝置結(jié)構(gòu)如圖1所示，包含了檢測(cè)系統(tǒng)、控制系統(tǒng)和傳輸系統(tǒng)，具體零件有觸發(fā)裝置、計(jì)步盤、齒輪、鏈條、光纖、暗室、鹵素?zé)?、光譜儀、PLC(programmable logic controller)、樣品杯、觸發(fā)器、分級(jí)出口、電動(dòng)機(jī)等。本裝置通過各個(gè)機(jī)械聯(lián)合運(yùn)作完成西瓜的光譜采集。圖1中的7所示為兩個(gè)鹵鎢燈，為西瓜的漫透射方式采集西瓜光譜信息提供光源，透過西瓜內(nèi)部的光被8所示的光纖接收傳輸至電腦。西瓜以5個(gè)/s的傳輸速度通過檢測(cè)系統(tǒng)，鹵素?zé)粽樟两?jīng)過的西瓜，西瓜每經(jīng)過一次觸發(fā)Ocean光譜儀配置的SpectraSuit軟件采集樣品的光譜能量值，并傳輸至計(jì)算機(jī)保存。光譜采集前裝置預(yù)熱30 min，鹵鎢燈光照強(qiáng)度為100 W，在線檢測(cè)裝置積分時(shí)間為100 ms(額定積分時(shí)間)和150 ms兩種設(shè)置，西瓜果柄朝上，底部果蒂在正下方，每個(gè)西瓜劃分成8個(gè)面，采集8條光譜，取其中4條光譜的平均值為區(qū)域光譜，另外4條光譜的平均值為混合糖度光譜。

圖1 西瓜可溶性固形物分選裝置Ⅰ： 檢測(cè)系統(tǒng)； Ⅱ： 控制系統(tǒng)； Ⅲ： 傳送系統(tǒng)1： 觸發(fā)裝置； 2： 計(jì)步盤； 3： 齒輪； 4： 鏈條； 5： 光纖； 6： 暗室；7： 鹵素?zé)簦?8： 樣品； 9： 光譜儀； 10： PLC； 11： 樣品杯；12： 觸發(fā)器； 13： 分級(jí)出口； 14： 電動(dòng)機(jī)Fig.1 The selection device of SSC for fruitⅠ： Detection； Ⅱ： Control； Ⅲ： Transfer;1: Trigger; 2: Step counter; 3: Gear; 4: Chain;5: Fiber; 6: Darkroom; 7: Halogen lamp; 8: Sample;9: Spectrometer; 10: PLC; 11: Sample cup;12: Trigger; 13: Graded export; 14: Motor

1.3 可溶性固形物含量的測(cè)定

切下西瓜相應(yīng)區(qū)域的果肉，擠出適量的西瓜汁滴入到折射式數(shù)字糖度計(jì)(PR-101a)測(cè)量可溶性固形物，每次測(cè)量后用純凈水標(biāo)定糖度0%后繼續(xù)測(cè)量下一個(gè)點(diǎn)，每個(gè)西瓜切下區(qū)域相應(yīng)位置的平均數(shù)作為該區(qū)域的可溶性固形物值[7]。

1.4 數(shù)據(jù)分析

獲取的西瓜光譜和對(duì)應(yīng)區(qū)域的可溶性固形物輸入到MATLAB和Unscrambler軟件，處理后建立相應(yīng)的預(yù)測(cè)模型，選取最佳的模型輸入到在線檢測(cè)裝置可實(shí)現(xiàn)西瓜的糖度在線分級(jí)。模型的優(yōu)劣由相關(guān)系數(shù)和均方根誤差來評(píng)價(jià)。由于不同區(qū)域的可溶性固形物差異較大，所以利用不同區(qū)域的可溶性值建立預(yù)測(cè)模型，尋找較高的相關(guān)系數(shù)和較小的均方根誤差模型[8]。

1.5 可見-近紅外光譜的采集及預(yù)處理

1.5.1 西瓜平均光譜特性分析

圖2所示是西瓜在分選裝置兩種參數(shù)下采集的光譜，分選裝置舊參數(shù)為積分時(shí)間100 ms，電流8.0 A，新參數(shù)的積分時(shí)間為150 ms，電流8.15 A，電流是指鹵鎢燈的電流強(qiáng)度，實(shí)驗(yàn)裝置的鹵鎢燈最大承受電流8.3 A，長(zhǎng)期的實(shí)驗(yàn)表明當(dāng)鹵鎢燈通常在8.0 A的電流下得到穩(wěn)定，如果電流過高容易燒毀燈泡和損傷果品，電流過低采集的光譜強(qiáng)度不夠； 大膽嘗試了8.15 A的鹵鎢燈電流作為新參數(shù)進(jìn)行試驗(yàn)。積分時(shí)間是表示光譜在水果內(nèi)部的照射時(shí)間，長(zhǎng)期的實(shí)驗(yàn)表明，采集果品的積分時(shí)間設(shè)置為100 ms(舊參數(shù))能夠滿足光譜采集的信息，本實(shí)驗(yàn)以50 ms為一個(gè)梯度，增加一個(gè)梯度的積分時(shí)間(新參數(shù))進(jìn)行新舊參數(shù)的對(duì)比。圖中可以看出新參數(shù)在波長(zhǎng)相同的范圍內(nèi)，吸光度的強(qiáng)度更高。在鹵鎢燈的額定電流環(huán)境下，新參數(shù)增加了0.15 A的電流，從而增加鹵鎢燈的光照強(qiáng)度，光纖獲取的吸光度則更強(qiáng)，此外，新參數(shù)增加了光譜在水果內(nèi)部品質(zhì)的光照時(shí)間，獲取更全面的水果內(nèi)部信息。

西瓜內(nèi)部含有各種復(fù)雜的化合物，這些化合物基本是由C—H，N—H和O—H等官能團(tuán)組成。圖中顯示，在460～620 nm波段范圍內(nèi)出現(xiàn)了不同層次的波峰和波谷，在波長(zhǎng)為496 nm的吸收峰可能是因?yàn)殡娮榆S遷導(dǎo)致，577 nm吸收峰可能是因?yàn)镹—H官能團(tuán)伸縮振動(dòng)和變形振動(dòng)一級(jí)倍頻導(dǎo)致[9]。

1.5.2 近紅外光譜預(yù)處理

為了提高PLS預(yù)測(cè)模型的精準(zhǔn)度，減少非實(shí)驗(yàn)因素導(dǎo)致的誤差，需要消除噪聲、識(shí)別奇異性樣本、增強(qiáng)光譜信號(hào)。對(duì)吸光度光譜值進(jìn)行卷積平滑(S-G)，卷積平滑通過最小二乘擬合的多項(xiàng)式移動(dòng)窗口數(shù)據(jù)加權(quán)平均來降解光譜噪聲，從而提高信噪比，保留西瓜吸光度光譜有用的信息，如式(1)所示

(1)

2 結(jié)果與討論

2.1 可溶性固形物區(qū)域選擇

與其他皮薄、體積小的水果不同，西瓜內(nèi)部結(jié)構(gòu)復(fù)雜、體積大、可溶性固形物內(nèi)部不均勻，不同區(qū)域的可溶性固形物有較大的差異。圖3所示是西瓜光譜采集和糖度采集區(qū)域劃分。西瓜分為8份，為了探究可見-近紅外光在西瓜內(nèi)部透射路徑，尋找與光譜相關(guān)性最高的區(qū)域糖度，西瓜底部做圓形標(biāo)記，光纖頭放置在此區(qū)域接收光譜，其中A，B，C和D區(qū)域切開后分別測(cè)量并求出心糖、中糖、外圍糖、底邊糖平均值，而1，2，3和4等區(qū)域切開后將整塊西瓜擠汁，求綜合糖度值。近紅外光透過果肉傳輸給西瓜底部光纖，采集西瓜光譜信息。

圖3 西瓜光譜采集和糖度采集區(qū)域劃分

圖4所示為西瓜由果中心向外延伸可溶性固形物的劃分，第1個(gè)2 cm區(qū)域的糖稱之為心糖，第2個(gè)2 cm區(qū)域的糖為中糖、第3個(gè)2 cm區(qū)域的糖為外圍糖，最后約2 cm區(qū)域的糖為底邊糖，距離西瓜中心最遠(yuǎn)的區(qū)域?yàn)榘咨掀?，本?shí)驗(yàn)不研究瓜皮可溶性固形物。如圖5所示為心糖、中糖、外圍糖和底邊糖的變化趨勢(shì)，其中心糖、中糖、外圍糖、底邊糖區(qū)域的可溶性固形物的平均值分別為11.27，11.05，10.66和6.07 brix，整塊西瓜一起榨汁計(jì)算出的混合糖(SSC)平均值為9.9 brix。西瓜不同區(qū)域可溶性固形物(SSC)有明顯的差異，距離果中心最近的心糖值最高、其次是中糖、外圍糖、底邊糖，越靠近瓜皮區(qū)域的糖度值越低。由此推測(cè)，西瓜糖度值選擇不當(dāng)，對(duì)模型精度的影響將較大。

圖4 可溶性固形物位置劃分Fig.4 Location of soluble solids

圖5 西瓜可溶性固形物含量隨深度變化趨勢(shì)Fig.5 The content of soluble solids inwatermelon varies with depth

2.2 西瓜糖度區(qū)域?qū)δＰ途鹊挠绊?/h3>

分別將西瓜按照?qǐng)D5的方式切開后，測(cè)量西瓜內(nèi)部的心糖、中糖、外圍糖和底邊糖(SSC)等化學(xué)值矩陣，數(shù)據(jù)導(dǎo)入到Matlab數(shù)據(jù)處理軟件中，分為建模集270個(gè)，預(yù)測(cè)集90個(gè)樣品建立偏最小二乘(PLS)數(shù)學(xué)模型，建模前通過程序?qū)崿F(xiàn)光譜的預(yù)處理。如表2所示是以不同區(qū)域可溶性固形物為為因變量，接收的光譜值為自變量建立的PLS模型結(jié)果。

表2 不同區(qū)域可溶性固形物建模結(jié)果對(duì)比Table 2 Comparison of modeling results of soluble solids in different regions

通過對(duì)比不同區(qū)域可溶性固形物(SSC)的建模結(jié)果發(fā)現(xiàn)，在額定功率的前提下，適當(dāng)提高分選裝置的積分時(shí)間和鹵鎢燈電流，整體上會(huì)提高可溶性固形物的無損檢測(cè)模型的預(yù)測(cè)精度?？赡苁且?yàn)樵黾恿斯鈴?qiáng)，提高了水果內(nèi)部的通透性，也增加了光在水果內(nèi)部的停留時(shí)間，水果內(nèi)部獲取了較多的信息。而對(duì)比心糖、中糖、外圍糖和底邊糖(SSC)等區(qū)域的化學(xué)值建模結(jié)果，發(fā)現(xiàn)如果以常規(guī)的方式切下的西瓜擠汁得到的混合可溶性固形物作為模型輸入自變量得到的效果并不是最佳，由于西瓜果肉多，取局部區(qū)域的可溶性固形物作為模型的因變量可適當(dāng)?shù)奶岣吣Ｐ途?。在西瓜可溶性固形物區(qū)域選擇方面，區(qū)域的選擇不同導(dǎo)致的建模相關(guān)系數(shù)會(huì)有較大的差異。選取底邊糖(SSC)，最靠近西瓜皮的2 cm果肉的可溶性固形物作為模型的因變量，建模效果最好。其次是最靠近果肉區(qū)域的可溶性固形物也就是心糖(SSC)作為模型的因變量模型效果較好，而外圍糖和中糖的效果最差。

如圖6所示是分選裝置新參數(shù)采集光譜后，以西瓜底邊糖(SSC)為因變量建立的可溶性固形物偏最小二乘(PLS)預(yù)測(cè)模型散點(diǎn)圖，360個(gè)西瓜樣品劃分好90個(gè)預(yù)測(cè)集和270個(gè)建模集。預(yù)測(cè)集相關(guān)系數(shù)為0.89，預(yù)測(cè)集均方根誤差為0.24，建模集相關(guān)系數(shù)為0.96，建模集均方根誤差0.18。圖7為西瓜PLS可溶性固形物定量模型的主成分因子數(shù)圖，建模時(shí)選擇較低的主成分因子(PC)會(huì)覆蓋西瓜果肉光譜中的有效信息，降低定量模型精度，例如選擇PC為5或者6時(shí)出現(xiàn)“欠擬合”，而PC為9或者10會(huì)出現(xiàn)“過擬合”，最佳的PC為8，預(yù)測(cè)精度達(dá)到最優(yōu)，所以本研究西瓜可溶性固形物定量模型的最佳主成分?jǐn)?shù)為8。

圖6 PLS模型建模散點(diǎn)圖Fig.6 PLS model modeling scatter plot

圖7 主成分因子數(shù)和均方根誤差Fig.7 Number of principal component factorsand root mean square error

圖8是定量模型的回歸系數(shù)圖，全譜中各個(gè)變量均在西瓜可溶性固形物預(yù)測(cè)中發(fā)揮了作用，而系數(shù)較大的波長(zhǎng)點(diǎn)對(duì)西瓜可溶性固形物變量起的貢獻(xiàn)率最大，例如，在525，535，552，564和578 nm處的波長(zhǎng)點(diǎn)對(duì)因變量的預(yù)測(cè)的作用最大，將采集到西瓜能量譜輸入到模型中，經(jīng)過計(jì)算可以得到西瓜的可溶性固形物。

圖8 西瓜可溶性固形物預(yù)測(cè)模型回歸系數(shù)圖Fig.8 Regression coefficient diagram of watermelonsoluble solids prediction model

2.3 光學(xué)特性分析

通過比較發(fā)現(xiàn)，在西瓜底部采集光譜，針對(duì)果肉內(nèi)部不同區(qū)域化學(xué)信息指標(biāo)檢測(cè)西瓜果品可溶性固形物的效果有較大的差異。底邊區(qū)域?yàn)榭扇苄怨绦挝锏淖罴巡杉瘏^(qū)域，中糖、外圍糖區(qū)域效果最差，因此西瓜可溶性固形物預(yù)測(cè)建模有著一定的規(guī)律性： 由于利用漫透射方式采集西瓜光譜，西瓜有2 cm左右的瓜皮，阻擋了部分光透射到水果內(nèi)部，將可見-近紅外光停留在底邊層的信息最多，底邊糖的建模效果最佳。其次由于光學(xué)折射原理，入射光經(jīng)過西瓜果皮后會(huì)發(fā)生一定角度的折射，直線傳播經(jīng)過的中糖、外圍糖區(qū)域表征的西瓜果實(shí)內(nèi)部信息較少。如圖9所示，是可見-近紅外光譜在西瓜內(nèi)部輸運(yùn)的示意圖，可見-近紅外透過細(xì)胞緊密的瓜皮后，在果肉的機(jī)械組織區(qū)域發(fā)生折射，由于西瓜光強(qiáng)的限制以及西瓜體積大、內(nèi)部結(jié)構(gòu)復(fù)雜的特點(diǎn)，光經(jīng)過靠近果皮底邊糖表征了最多的果肉信息。

圖9 光在西瓜內(nèi)部輸運(yùn)示意圖Fig.9 Schematic diagram of light transmittinginside watermelon

3 結(jié) 論

果品不同區(qū)域果肉的可溶性含量有明顯差異，心糖區(qū)域的可溶性固形物含量最高，靠近果皮的底邊糖區(qū)域可溶性固形物最低。而可溶性固形物等化學(xué)基礎(chǔ)信息與光譜信息較好的對(duì)應(yīng)可提高預(yù)測(cè)模型精度。通過偏最小二乘算法，將西瓜內(nèi)部組織分層處理，研究漫透射方式下西瓜心糖、中糖、外圍糖、底邊糖區(qū)域的可溶性固形物對(duì)模型精度的影響，其中底邊糖區(qū)域可溶性固形物建立模型最佳，預(yù)測(cè)集相關(guān)系數(shù)達(dá)到0.89，均方根誤差為0.24，高于其他區(qū)域模型精度。說明西瓜底邊層包含了可見-近紅外光譜的最大量信息，為最佳的可溶性固形物采集區(qū)域，探討了水果光散射規(guī)律特征及其與品質(zhì)屬性的內(nèi)在聯(lián)系，為光譜數(shù)據(jù)庫和分析模型的在線更新提供參數(shù)。