Non-destructive Detection of pH and Firmness of Red Globe Grapes Based on Infrared Transmission Spectroscopy
-
摘要: 红提pH和硬度决定着果实的口感和收获后的品质。本文提出了一种基于透射光谱的红提pH和硬度（Firmness，FI）的检测方法。首先采集360个全生长周期红提样本光谱数据并通过不同光谱预处理建模，以此确定最好的光谱预处理方法。然后分别采用竞争性自适应加权算法（Competitive Adaptive Reweighted Sampling，CARS）、连续投影算法（Successive Projection Algorithm，SPA）、无信息变量消除算法（Uniformative Variable Elimination，UVE）、CARS-SPA、UVE-SPA数据降维方法对光谱进行特征变量提取，分别建立红提pH和硬度的偏最小二乘回归算法（Partial Least Squares Regression，PLSR）检测模型。红提果粒的pH和硬度的最优预测模型分别为移动平均法（Moving-Average Method，MA）-CARS-SPA-PLSR和MA-UVE-SPA-PLSR，两个模型预测集相关系数（Correlation Coefficient of Prediction，RP）分别为0.9882、0.9588，残差预测偏差（Residual Predictive Deviation，RPD）分别为6.5857、3.5167。结果表明，透射光谱技术可应用于红提果粒pH和硬度的检测，为全生长周期红提果粒pH和硬度的检测提供了一种新思路和新方法。
-
关键词:
- 红提 /
- pH /
- 硬度 /
- 可见/近红外透射技术 /
- 无损检测
Abstract: The pH and firmness index (FI) of red globe grapes determine the taste and post-harvest quality of the fruit. In this paper, a method for the detection of pH and firmness of red globe grapes based on transmission spectroscopy technology was proposed. Spectral datas were first collected from 360 full-growth-cycle red globe grape samples, which were pre-processed and modeled by different spectral pre-processing methods as a way to determine the best spectral pre-processing method. Then competitive adaptive reweighted sampling (CARS), successive projection algorithm (SPA), uniformative variable elimination (UVE) and CARS-SPA, UVE-SPA composite data dimensionality reduction methods were used respectively for extracting feature variables from spectra. Finally, partial least squares regression (PLSR) detection models for pH and firmness of red globe grapes were established, respectively. The optimal prediction models for pH and firmness of red globe grape samples were moving-average method (MA)-CARS-SPA-PLSR and MA-UVE-SPA-PLSR. The correlation coefficient of prediction (RP) of the prediction sets of the two models were 0.9882 and 0.9588, and the residual predictive deviation (RPD) were 6.5857 and 3.5167, respectively. The results showed that transmission spectroscopy could be applied to the detection of pH and firmness of red globe grapes, which provided a new idea and a new method for the detection of pH and firmness of red globe grapes in the whole growth cycle.-
Keywords:
- red globe grapes /
- pH /
- firmness /
- Vis-NIR transmission technique /
- non-destructive detection
-
水果的pH和硬度决定着果实的口感和收获后的品质。果实硬度能反映出果实的成熟度和贮藏时间，主要原因是受细胞壁原果胶含量的影响。原果胶是保持细胞壁结构完整的果胶成分，在成熟前期，果实内部原果胶含量较多，果实硬度大，随着果实的逐渐成熟，在果胶酶的作用下细胞壁中的原果胶分解成果胶酸，导致果实硬度下降。随着贮藏时间的增加，原果胶逐渐降解为可溶性果胶，细胞壁支持作用变弱甚至消失，组织结构松散，细胞间隙扩大，进而硬度下降，导致果实软化[1−3]。Alenazi等[4]研究发现番茄果实的硬度随其成熟度变化较为明显，利用果实硬度对番茄成熟度分类的效果最佳[5]。在水果加工过程中合适控制水果的pH可有效防止酶促褐变、抑制酶的活性和微生物生长。同时水果的pH是反映水果果实酸度的重要品质指标，直接影响着果实的味道，现在研究认为酸味是由舌黏膜受到氢离子刺激而引的，由此可以得到，酸味产生的原因是溶液中离解出氢离子的化合物导致的。pH反映的是溶液中氢离子的浓度，因此水果的酸度（pH）可以用来表征水果的酸味[6]。
传统pH和硬度检测方法为进行破坏生化试验进行测定，存在检测时间长、只能抽样检测、检测后样本遭到破坏等缺点。光谱技术在水果和蔬菜内部品质的无损检测研究中获得广泛应用[7−9]。Huang等[10]利用可见/近红外光谱实现了番茄果实硬度的预测，所建近红外的PLS模型预测相关系数为0.846，证明了利用光谱技术预测果实硬度的可行性。Alhamdan等[11]建立了海枣的果实硬度、粘结性和咀嚼性3种理化特性的光谱预测模型，所建预测模型的硬度的决定系数分别为0.905、0.803和0.675，证明了光谱预测的准确性。岳绒等[12]选择12000～4000 cm−1波段的近红外光谱，应用PLS建立的可溶性固形物含量、pH和硬度的光谱模型，所建模型的预测集预测值与测量值之间的相关系数分别为0.812、0.703和0.919，证明了应用近红外漫反射技术检测贮藏期间损伤猕猴桃的内部品质是可行的。黄玉萍等[13]建立了近红外光谱的番茄SSC、pH和坚实度检测方法，证明了波长比法结合自动缩放预处理可有效提高可见/短波近红外光谱对SSC、pH和坚实度的预测精度（Rp=0.779、0.796和0.917）实现了番茄SSC、pH和坚实度的无损检测。Clément等[14]利用可见/近红外漫反射光谱技术建立番茄SSC和pH的预测模型，所建光谱模型的番茄红素含量预测模型的交叉验证均方根误差（RMSECV）=3.15 mg/kg，硬度预测的模型的r2为0.75。Xie等[15]使用傅立叶变换近红外光谱仪在800~2400 nm波长范围内对总共200个番茄汁进行了近红外光谱分析，通过偏最小二乘（PLS）回归分析了番茄汁的SSC、pH和傅立叶变换近红外光谱之间的关系，所建番茄汁中SSC的PLS回归预测模型的Rc、RMSEC、RMSEP和RMSECV分别为0.92、0.0703°Brix、0.150°Brix和0.138°Brix，所建番茄汁中pH的PLS回归预测模型的Rc、RMSEC、RMSEP和RMSECV分别为0.90、0.0333、0.0316和0.0489，证明了将近红外透射光谱法和PLS法相结合，可实现番茄汁中SSC和pH的方便、准确和快速检测。然而，上述研究所选样本的成熟度范围有一定的局限性，鲜有对全生长周期样本的光谱进行建模分析，还未有学者用透射光谱技术对全生长周期不同成熟度红提的pH和硬度进行分析研究。
本文通过可见/近红外透射光谱技术，对比分析红提的不同放置模式对模型的影响，并确定了最好的放置模式以此来获得最好的光谱原始数据；通过对比分析光谱预处理结果确定了最佳预处理方式；最后采用不同降维方法对经过最优预处理的光谱数据进行特征变量提取，基于全生长周期的样本，采用变量筛选方法提高模型的预测能力，建立了红提果粒pH和硬度的最优预测PLSR模型，从而实现全生长周期红提果粒pH和硬度的无损检测。
1. 材料与方法
1.1 材料与仪器
实验材料为“晚红”品种红提 当天采摘于武汉当地葡萄园。从红提开花后生长发育的第61 d开始采摘，每次采摘间隔5 d，每次采集10串，共采集12次。每次试验时分别在每串红提中挑选外形相似、大小相近、表面干净且完好的红提果粒作为实验样本，12次实验样本分别选取红提的直径分别为14±0.5、16±0.5、18±0.5、20±0.5、22±0.5、24±0.5、26±0.5、28±0.5、29±0.5、30±0.5、30±0.5、30±0.5 mm。硬度测量时，果粒受到挤压，果汁流出无法进行pH的测定，pH和硬度单独选择实验样本，分别进行试验采集并建模。每串挑选12粒果粒，首先在每串中挑选3粒作为pH的一个实验样本，每串得到3个pH样本数据。然后将剩余的3粒果粒作为硬度的实验样本，整个研究共获得pH和硬度的样本总数各为360。将样本编号并于实验前12 h放入恒温恒湿箱中[11]。
TMS-PRO型高精度专业食品物性分析装置（质构仪） 美国FTC公司； PHS-25型pH计 上海仪电科学仪器股份有限公司；Maya2000 pro光谱仪 美国Oceanoptics公司；HPX-160BSH-Ⅲ恒温恒湿箱 上海新苗医疗器械制造有限公司。
1.2 实验方法
1.2.1 实验装置搭建及光谱采集
搭建的Maya2000 pro光谱透射采集装置如图1所示，该装置中间位置安装有中间隔板，隔板上有直径为12 mm的圆孔，84UV透镜安装于圆孔的正上方，聚光透镜安装于圆孔的正下方。实验时，将红提果粒放到中间带有圆孔的隔板上，卤素灯光源（型号LS-3000，100 W）利用石英光纤将光传输到聚光透镜，聚光透镜发出的光从中间隔板圆孔的孔洞由下到上的方向穿透过样本，透的光被上方84UV透镜采集并通过上端的光纤传输到光谱仪实现样本的光谱数据采集。分别将样本竖放和横放在光谱仪上提取光谱信息（竖放即纵轴方向横放为垂直于纵轴），每个样本采集3次光谱并进行平均作为一个样本采集的光谱数据。
![]()
图 1 Maya2000 pro光谱透射采集装置Figure 1. Maya2000 pro spectral transmission acquisition device采用搭建的Maya2000 pro光谱透射采集装置，将恒温后的样本进行光谱采集。光谱采集前，先开机半个小时对仪器进行预热。利用SpectraSuit软件设置采集参数：积分时间100 ms，平均次数4，平滑宽度3。将红提果粒放到中间隔板的圆孔中，进行光谱采集时LS-3000卤素灯光源发出的光通过石英光纤传输到聚光透镜，经过透镜后的光照射到放在中间隔板的红提果粒样本上，84UV透镜收集透射红提果粒后的光，并通过光纤传输到光谱装置。
1.2.2 红提pH和硬度测定方法
pH测定：为保证实验精度，pH测量仪器在使用前需提前开机进行校准，然后用挤压装置将样本的果汁挤压出来并过滤，经离心后用pH计进行测定。
硬度测定：质构仪的压缩探头选择P100/R探头，因为穿刺实验时可能会接触到红提果粒内部有果核，直接影响实验的测定结果的准确性。压缩样本前的速度设置为2.0 mm/s，压缩样本过程的速度为1.0 mm/s，压缩完样本后速度为2.0 mm/s，压缩测定的起始力设置为0.05 N，整个压缩的距离为8.0 mm。实验时，将样本横放于质构仪的平台上，压缩的位置为样本的中间部位，硬度选择在整个压缩过程中样本所能承受的最大压力值。
1.2.3 模型建立及评价方法
PLSR作为一种新型的多元统计数据分析方法，集主成分分析、典型相关分析和多元线性回归分析3种分析方法的优点于一身，广泛应用于近红外光谱模型的建立，且达到了较好的预测效果[16]。
数据处理及建模使用Matlab 2014a， 模型的预测性能由预测集相关系数（Rp）、预测集均方根误差（Root Mean Square Error of Prediction set，RMSEP）和残差预测偏差（RPD）进行评价[17]。
2. 结果与分析
2.1 原始光谱
本文剔除噪声较大及不稳定的光谱区域，最终选择400~1000 nm的波长范围，共包含1361个波长点。从图2中可以得出，实验的原始光谱的变化趋于一致，波峰及波谷的位置相对稳定，全生长周期中不同成熟度的曲线有所差异，波峰及波谷的位置也产生了一定的差异。图中可以看到两个明显的波谷（676和956 nm）和两个明显的波峰（635和725 nm）。
2.2 样本集的划分
SPXY法可同时考虑光谱数据及预测结果值两部分进行合理划分校正集和预测集。本文利用SPXY法按照3:1比例，将所有实验样本（360个）划分为校正集样本（270个）和预测集样本（90个），见表1。全生长周期中pH分布范围为（2.68～4.62），划分后校正集的pH分布范围为（2.68～4.62）和预测集的pH分布范围为（2.70～4.50）；全生长周期中硬度分布范围为（9.414～121.305 N），划分后校正集的硬度分布范围为（9.414～121.305 N）和预测集的硬度分布范围为（15.838～111.594 N）。划分后的校正集和预测集的平均值近似相等，证明了通过SPXY法划分的校正集数据比较平均。
表 1 利用SPXY算法划分样本集的数据统计Table 1. Data statistics of partitioning sample sets by SPXY algorithm品质参数 校正集 预测集 数量 最小值 最大值 平均值 数量 最小值 最大值 平均值 pH 270 2.68 4.62 3.62 90 2.70 4.50 3.61 FI（N） 270 9.414 121.305 33.633 90 15.838 111.594 34.936 2.3 光谱预处理
通常为了去除外界及仪器本身等干扰信息本文采用标准正态变量变换（Standard Normal Variable Transformation，SNV）[7−8]、Savitzky-Golay卷积平滑处理法（Savitzky-Golay，SG）[8]、多元散射校正（Multivariate Scatter Correction，MSC）[18]，移动平均法（Moving-Average Method，MA）[19]，归一化（Normalization，Nor）等算法对原始光谱（RAW）进行了预处理。处理结果如表2所示。
表 2 采用不同预处理方法的全波长PLSR检测模型Table 2. Full-wavelength PLSR detection model using different pre-processing methods指标 预处理 主因子数 校正集 预测集 RPD Rc RMSEC Rp RMSEP pH RAW 20 0.9838 0.0951 0.9654 0.1353 3.7730 SNV 18 0.9831 0.0972 0.9625 0.1418 3.6430 SG 20 0.9872 0.0846 0.9741 0.1175 4.3892 MSC 20 0.9849 0.0921 0.9639 3.7304 3.7304 MA 20 0.9867 0.0863 0.9857 0.0880 5.8522 Nor 16 0.9793 0.1076 0.9625 0.1441 3.6726 FI RAW 20 0.9531 7.0213 0.8986 10.8071 2.2891 SNV 13 0.9174 9.2291 0.8947 10.9550 2.2234 SG 11 0.9157 9.3199 0.9097 10.4679 2.3142 MSC 14 0.9266 8.7231 0.8882 11.2427 2.1681 MA 16 0.9260 8.7578 0.9102 9.9891 2.3687 Nor 15 0.9248 8.8230 0.8941 11.0704 2.2307 SNV算法可消除固体颗粒大小、光程变化对光谱的影响，修正因散射形成的光谱误差；SG算法可消除基线漂移对结果的影响，降低重叠光谱的干扰；MSC算法能有效地降低因检测对象表面不均匀产生的散射影响；MA算法是消除噪声最常用的一种方法，其基本假设是光谱含有的噪声为零均随机白噪声，若多次测量取平均值可降低噪声提高信噪比可以消除噪声等干扰的影响。Nor算法可消除数据间不同量纲的影响，并删除无用的噪声信息，实现不同量纲或单位的比较及运算。
对于pH指标，原始光谱进行MA预处理所建PLSR模型预测集 Rp 和 RPD 分别为 0.9857 和 5.8522，均大于其他算法，表明采用MA预处理算法建立的模型的预测准确性最好；RMSEP较小，表明预测的稳定性较好。
对于硬度指标，原始光谱进行MA预处理所建PLSR模型的预测集Rp和残差RPD分别为0.9102和2.3687，均大于其他预处理方式，表明原始光谱经过MA预处理后所建模型的预测准确性越好；RMSEP较小，表明预测的稳定性较好。
pH的预测性能明显好于硬度的预测性能，两者之间的预测准确性有一定的差距。pH和硬度指标下文都利用经过MA预处理的原始光谱进行进一步的研究。
2.4 放置模式对比分析
平均光谱为将横放和竖放的原始光谱数据取平均值，分别对横放、竖放和平均光谱建立PLSR模型，根据模型评价方法，确定最优的放置模式。表3为不同放置模式下建立的PLSR检测模型。
表 3 不同放置模式的全波长PLSR检测模型Table 3. Full-wavelength PLSR detection model with different placement modes放置模式 指标 主因子数 校正集 预测集 RPD Rc RMSEC Rp RMSEP 横放 pH 19 0.9826 0.0979 0.9537 0.1599 3.1552 FI 15 0.8990 10.125 0.8642 12.3390 1.8534 竖放 pH 19 0.9829 0.0956 0.9570 0.1489 3.1539 FI 10 0.9064 9.5200 0.8772 11.7802 1.9581 平均光谱 pH 20 0.9838 0.0951 0.9654 0.1353 3.7730 FI 20 0.9531 7.0213 0.8986 10.8071 2.2891 由表3可知，根据平均光谱所建PLSR模型的Rp和RPD明显大于其他两种放置模式所建模型的Rp和RPD，说明平均光谱所建模型的预测准确性效果最好，平均光谱所建PLSR模型的RMSEP明显小于横放和竖放模式下所建模型的RMSEP，表明平均光谱所建模型的预测稳定性较好。对比竖放和横放两种模式，竖放模式下所建模型的Rp和RPD明显大于横放模式。综上说明平均光谱所建模型效果最佳，竖放模式下所建模型次之，横放模式最差。三种模式下，采集的光谱数据均为透射模式下获得的，因红提果粒呈椭圆形，纵轴的长度大于横轴的长度，横放模式下，聚光透镜发出的光透过红提果粒中部位置，竖放模式下，聚光透镜发出的光透过红提果粒的体积范围大于横放模式透过红提果粒的体积，而平均光谱为将横放和竖放模式下光谱的平均，所获得的红提光谱信息更加全面，建模效果最好，下文中利用平均光谱作为原始光谱进行研究。
2.5 特征波长提取
2.5.1 CARS算法提取特征波长
利用CARS算法[7]对经过预处理的原始光谱进行pH和硬度特征波长提取。因利用该算法对pH和硬度特征波长提取的过程相同，文中基于CARS算法的红提pH特征波长选取为例进行说明。CARS算法在提取pH特征波长的过程见图3。CARS算法中设定蒙特卡罗采样为50次，设定5折交叉验证计算，以RMSECV值作为最佳运行次数的选择依据。当RMSECV值为24时达到最小值时，所建PLSR模型效果最好。
![]()
图 3 基于CARS算法的红提pH特征波长选取Figure 3. Characteristic wavelength selection of pH in red globe grape extraction based on CARS algorithm2.5.2 SPA算法提取特征波长
利用SPA算法[20]对经过预处理的原始光谱进行pH和硬度特征波长提取。因利用该算法对pH和硬度特征波长提取的过程相同，文中基于SPA算法的红提pH特征波长选取为例进行说明。CARS-SPA算法在提取pH特征波长的过程见图4。SPA算法中以RMSE值作为建模效果优劣及最佳波长个数的选择依据。当RMSE值为0.095时达到最小值时，所建PLSR模型效果最好，如图4（a）所示，当RMSE取得最小值时对应的波长数为15，作为最优的波长点个数，红提样本的pH经CARS-SPA提取的特征波长位置见图4（b）。
![]()
图 4 基于CARS-SPA算法的红提pH特征波长选取Figure 4. Characteristic wavelength selection of pH in red globe grape extraction based on CARS-SPA algorithm2.5.3 UVE算法提取特征波长
利用UVE算法[21]对经过预处理的原始光谱进行pH和硬度特征波长提取。因利用该算法对pH和硬度特征波长提取的过程相同，文中基于UVE算法的红提pH特征波长选取为例进行说明，利用UVE算法在进行红提pH特征波长时设定噪声矩阵处最大稳定性绝对值的99%作为剔除阈值，两条蓝色虚线（±40.55）外部的光谱波长为最终选择的光谱波长。UVE算法在提取pH和硬度特征波长的过程见图5。红提样本pH和FI经UVE-SPA提取的特征波长位置见图6。
![]()
图 5 基于UVE算法的红提pH和FI特征波长选取Figure 5. Characteristic wavelength selection of pH and FI in red globe grape extraction based on UVE algorithm![]()
图 6 基于UVE-SPA算法的样本pH和FI的最优特征波长位置Figure 6. Optimal feature wavelength positions for pH and FI of samples based on UVE-SPA algorithm2.6 模型建立及结果比较
在进行特征波长提取时，结合相关的研究论文的组合方式及不同特征波长提取算法后建模的效果，本文确定的波长提取方法组合见表4所示[7,11]。由表4可知，利用MA预处理后的光谱数据建立的pH含量的模型预测集的RMSEP和RPD分别为0.0880和 5.8522，模型的效果达到了较好的效果，但建模所用的特征波点个数为1361，需要对较多的波长点进行建模。为了简化模型需进一步利用特征波长提取方法进行降维。原始光谱经过MA-CARS所建模型预测集的RPD为5.5115，原始光谱经过MA-SPA所建模型预测集的RPD为5.8123，原始光谱经过MA-CARS-SPA所建模型预测集的RPD为6.5857，表明原始光谱经过MA-CARS-SPA所建模型的预测性能最好，与原始光谱建模相比，MA-CARS-SPA所建模型提取的特征波长数量为15，占原始光谱数量的1.102%，不仅简化了模型，而且提高了模型的预测性能。
表 4 基于不同特征波段提取方法建立的PLSR模型效果Table 4. Effects of PLSR models based on different feature band extraction methods指标 特征波段
提取方法主因子数 特征波点
个数校正集 预测集 RPD Rc RMSEC Rp RMSEP pH MA 20 1361 0.9867 0.0863 0.9857 0.0880 5.8522 MA-CARS 13 49 0.9822 0.0999 0.9812 0.0923 5.5115 MA-SPA 20 37 0.9842 0.0940 0.9841 0.0899 5.8123 MA-UVE 20 838 0.9859 0.0888 0.9859 0.0869 5.8940 MA-CARS-SPA 13 15 0.9883 0.0836 0.9882 0.0725 6.5857 MA-UVE-SPA 20 29 0.9819 0.1005 0.9810 0.0935 5.4855 FI MA 16 1361 0.9260 8.7578 0.9102 9.9891 2.3687 MA-CARS 9 29 0.9143 3.3965 0.9217 9.2093 2.5325 MA-SPA 20 23 0.9116 9.5370 0.9370 8.2755 2.8593 MA-UVE 9 666 0.9125 9.4891 0.9164 9.6027 2.4893 MA-CARS-SPA 17 21 0.9158 9.3175 0.9217 9.0741 2.5219 MA-UVE-SPA 20 20 0.9590 6.5848 0.9588 6.6782 3.5167 由表4可知，原始光谱经过MA预处理建立的硬度的PLSR模型预测集的RMSEP和RPD分别为9.9891和2.3687，模型的效果有待提高，且建模所用的特征波点个数为1361，需要较多的波长点进行建模。为了简化模型需进一步利用特征波长提取方法进行降维。原始光谱经过MA-CARS所建模型预测集的RPD为2.5325，原始光谱经过MA-SPA所建模型预测集的RPD为2.8593，原始光谱经过MA-UVE-SPA所建模型预测集的RPD为3.5167，表明原始光谱经过MA-UVE-SPA所建模型的预测性能最好，与原始光谱建模相比，MA-UVE-SPA所建模型提取的特征波长数量为20，占原始光谱数量的1.470%，不仅简化了模型，而且提高了模型的预测性能。
2.7 红提pH及硬度预测
红提样本的pH及FI进行预测，结果见图7。所建立的pH和硬度的最优PLSR模型的Rc分别为0.9883、0.9590，RMSEC为0.0863、6.5848；Rp分别为0.9882、0.9588，RMSEP为0.0725、6.6782，模型的RPD分别为6.5857、3.5167，所建模型的RPD均大于2.5，说明预测效果较好，能够准确的进行预测；对于pH和硬度指标，采用同样的光谱处理方法，所建最优模型的预测效果不同，对pH的预测效果明显好于对硬度的预测效果，两者虽有一定差距但都满足实际预测的要求。基于Maya2000 pro透射光谱采集装置可有效的对pH和硬度进行精准预测。
![]()
图 7 基于最优特征波长组合建立的红提内部品质各指标的PLSR模型Figure 7. PLSR model of various indexes of internal quality of red globe grapes based on optimal characteristic wavelength combination3. 结论
本文采集360个全生长周期红提样本光谱数据并通过不同光谱预处理、不同放置模式建模，然后分别采用CARS、SPA、UVE、CARS-SPA、UVE-SPA算法提取光谱的特征波长，分别建立红提pH和硬度的PLSR预测模型。结果表明，红提的放置模式对pH和硬度检测有较大影响，对比分析竖放、横放、平均三种光谱数据结果可知平均光谱建立的模型效果最好，竖放模式次之，横放模式最差；红提pH和硬度的最优PLSR模型波长提取方法为MA-CARS-SPA和MA-UVE-SPA；红提pH和硬度的最优PLSR模型分别为MA-CARS-SPA-PLSR和MA-UVE-SPA-PLSR，最优模型的预测集相关系数分别为0.9882、0.9588，RPD分别为6.5857、3.5167。透射光谱技术可应用于红提果粒pH和硬度的检测，为全生长周期红提果粒pH和硬度的检测提供了一种新思路和新方法。
-
![]()
图 1 Maya2000 pro光谱透射采集装置
Figure 1. Maya2000 pro spectral transmission acquisition device
![]()
图 3 基于CARS算法的红提pH特征波长选取
Figure 3. Characteristic wavelength selection of pH in red globe grape extraction based on CARS algorithm
![]()
图 4 基于CARS-SPA算法的红提pH特征波长选取
Figure 4. Characteristic wavelength selection of pH in red globe grape extraction based on CARS-SPA algorithm
![]()
图 5 基于UVE算法的红提pH和FI特征波长选取
Figure 5. Characteristic wavelength selection of pH and FI in red globe grape extraction based on UVE algorithm
![]()
图 6 基于UVE-SPA算法的样本pH和FI的最优特征波长位置
Figure 6. Optimal feature wavelength positions for pH and FI of samples based on UVE-SPA algorithm
![]()
图 7 基于最优特征波长组合建立的红提内部品质各指标的PLSR模型
Figure 7. PLSR model of various indexes of internal quality of red globe grapes based on optimal characteristic wavelength combination
表 1 利用SPXY算法划分样本集的数据统计
Table 1 Data statistics of partitioning sample sets by SPXY algorithm
品质参数 校正集 预测集 数量 最小值 最大值 平均值 数量 最小值 最大值 平均值 pH 270 2.68 4.62 3.62 90 2.70 4.50 3.61 FI（N） 270 9.414 121.305 33.633 90 15.838 111.594 34.936 
下载: 导出CSV
表 2 采用不同预处理方法的全波长PLSR检测模型
Table 2 Full-wavelength PLSR detection model using different pre-processing methods
指标 预处理 主因子数 校正集 预测集 RPD Rc RMSEC Rp RMSEP pH RAW 20 0.9838 0.0951 0.9654 0.1353 3.7730 SNV 18 0.9831 0.0972 0.9625 0.1418 3.6430 SG 20 0.9872 0.0846 0.9741 0.1175 4.3892 MSC 20 0.9849 0.0921 0.9639 3.7304 3.7304 MA 20 0.9867 0.0863 0.9857 0.0880 5.8522 Nor 16 0.9793 0.1076 0.9625 0.1441 3.6726 FI RAW 20 0.9531 7.0213 0.8986 10.8071 2.2891 SNV 13 0.9174 9.2291 0.8947 10.9550 2.2234 SG 11 0.9157 9.3199 0.9097 10.4679 2.3142 MSC 14 0.9266 8.7231 0.8882 11.2427 2.1681 MA 16 0.9260 8.7578 0.9102 9.9891 2.3687 Nor 15 0.9248 8.8230 0.8941 11.0704 2.2307
下载: 导出CSV
表 3 不同放置模式的全波长PLSR检测模型
Table 3 Full-wavelength PLSR detection model with different placement modes
放置模式 指标 主因子数 校正集 预测集 RPD Rc RMSEC Rp RMSEP 横放 pH 19 0.9826 0.0979 0.9537 0.1599 3.1552 FI 15 0.8990 10.125 0.8642 12.3390 1.8534 竖放 pH 19 0.9829 0.0956 0.9570 0.1489 3.1539 FI 10 0.9064 9.5200 0.8772 11.7802 1.9581 平均光谱 pH 20 0.9838 0.0951 0.9654 0.1353 3.7730 FI 20 0.9531 7.0213 0.8986 10.8071 2.2891
下载: 导出CSV
表 4 基于不同特征波段提取方法建立的PLSR模型效果
Table 4 Effects of PLSR models based on different feature band extraction methods
指标 特征波段
提取方法主因子数 特征波点
个数校正集 预测集 RPD Rc RMSEC Rp RMSEP pH MA 20 1361 0.9867 0.0863 0.9857 0.0880 5.8522 MA-CARS 13 49 0.9822 0.0999 0.9812 0.0923 5.5115 MA-SPA 20 37 0.9842 0.0940 0.9841 0.0899 5.8123 MA-UVE 20 838 0.9859 0.0888 0.9859 0.0869 5.8940 MA-CARS-SPA 13 15 0.9883 0.0836 0.9882 0.0725 6.5857 MA-UVE-SPA 20 29 0.9819 0.1005 0.9810 0.0935 5.4855 FI MA 16 1361 0.9260 8.7578 0.9102 9.9891 2.3687 MA-CARS 9 29 0.9143 3.3965 0.9217 9.2093 2.5325 MA-SPA 20 23 0.9116 9.5370 0.9370 8.2755 2.8593 MA-UVE 9 666 0.9125 9.4891 0.9164 9.6027 2.4893 MA-CARS-SPA 17 21 0.9158 9.3175 0.9217 9.0741 2.5219 MA-UVE-SPA 20 20 0.9590 6.5848 0.9588 6.6782 3.5167
下载: 导出CSV
-
[1] 王静, 张辉, 逄焕明, 等. 不同成熟度赛买提杏货架期品质变化的研究[J]. 新疆农业科学,2010,47(6):1117−1121. [WANG J, ZHANG H, PANG H M, et al. The study on the quality changes of the different maturities saimaiti apricot during the shelf-life[J]. Xinjiang Agricultural Sciences,2010,47(6):1117−1121.] WANG J, ZHANG H, PANG H M, et al. The study on the quality changes of the different maturities saimaiti apricot during the shelf-life[J]. Xinjiang Agricultural Sciences, 2010, 47（6）: 1117−1121.
[2] 黎丽莎, 刘燕德, 胡军, 等. 近红外无损检测技术在水果成熟度判别中的应用研究[J]. 华东交通大学学报, 2021, 38(6):95−105. [LI L S, LIU Y D, HU J, et al. Application of near infrared nondestructive testing technology in fruit maturity discrimination[J]. Journal of East China Jiaotong University, 2021, 38(6):95−105.] LI L S, LIU Y D, HU J, et al. Application of near infrared nondestructive testing technology in fruit maturity discrimination[J]. Journal of East China Jiaotong University, 2021, 38（6）: 95−105.
[3] 贾楠, 尹勇刚, 李敏敏, 等. ‘玫瑰香’葡萄果实成熟过程中质地与解剖结构的变化[J]. 中国农业大学学报,2022,27(2):78−86. [JIA N, YIN Y G, LI M M, et al. Changes in fruit texture and anatomical structure of 'Muscat Hamburg' grapevines during ripening[J]. Journal of China Agricultural University,2022,27(2):78−86.] JIA N, YIN Y G, LI M M, et al. Changes in fruit texture and anatomical structure of 'Muscat Hamburg' grapevines during ripening[J]. Journal of China Agricultural University, 2022, 27（2）: 78−86.
[4] ALENAZI M M, SHAFIQ M, ALSADON A A, et al. Non-destructive assessment of flesh firmness and dietary antioxidants of greenhouse-grown tomato (Solanum lycopersicum L.) at different fruit maturity stages[J]. Saudi Journal of Biological Sciences,2020,27:2839−2846. doi: 10.1016/j.sjbs.2020.07.004
[5] 李圆圆, 罗安伟, 李琳, 等. 采前氯吡脲处理对‘秦美’猕猴桃贮藏期间果实硬度及细胞壁降解的影响[J]. 食品科学,2018,39(21):273−278. [LI Y Y, LUO A W, LI L, et al. Effect of preharvest 1-(2-chloropyridin-4-yl)-3-phenylurea treatmenton fruit firmness and cell wall degradation of 'Qinmei' kiwifruit during cold storage[J]. Food Science,2018,39(21):273−278.] LI Y Y, LUO A W, LI L, et al. Effect of preharvest 1-（2-chloropyridin-4-yl）-3-phenylurea treatmenton fruit firmness and cell wall degradation of 'Qinmei' kiwifruit during cold storage[J]. Food Science, 2018, 39（21）: 273−278.
[6] 赵静, 匡立学, 徐方旭, 等. 橘子不同放置方式对近红外无损检测有效酸度模型差异性的影响[J]. 中国食品学报,2014,14(4):246−250. [ZHAO J, KUANG L X, XU F X, et al. Diversity of models by near infrared technology with different placed attitude in oranges[J]. Journal of Chinese Institute of Food Science and Technology,2014,14(4):246−250.] ZHAO J, KUANG L X, XU F X, et al. Diversity of models by near infrared technology with different placed attitude in oranges[J]. Journal of Chinese Institute of Food Science and Technology, 2014, 14（4）: 246−250.
[7] 高升, 王巧华, 李庆旭, 等. 基于近红外光谱的红提维生素C含量、糖度及总酸含量无损检测方法[J]. 分析化学,2019,47(6):941−949. [GAO S, WANG Q H, LI Q X, et al. Non-destructive detection of vitamin C, sugar content and total acidity of red globe grape based on near-infrared spectroscopy[J]. Chinese Journal of Analytical Chemistry,2019,47(6):941−949.] GAO S, WANG Q H, LI Q X, et al. Non-destructive detection of vitamin C, sugar content and total acidity of red globe grape based on near-infrared spectroscopy[J]. Chinese Journal of Analytical Chemistry, 2019, 47（6）: 941−949.
[8] 高升, 徐建华. 基于近红外光谱的红提内部品质无损检测研究[J]. 食品工业科技,2022,43(22):7−14. [GAO S, XU J H. Non-destructive detection of the internal quality of red globe grapes based on near infrared spectroscopy[J]. Science and Technology of Food Industry,2022,43(22):7−14.] GAO S, XU J H. Non-destructive detection of the internal quality of red globe grapes based on near infrared spectroscopy[J]. Science and Technology of Food Industry, 2022, 43（22）: 7−14.
[9] 余松柏, 黄张君, 吴奇霄, 等. 基于近红外光谱构建酒用高粱主要理化指标的快速无损分析模型[J]. 食品工业科技,2023,44(10):311−319. [YU S B, HUANG Z J, WU Q X, et al. Constructing rapid and undamaged detection models for main physicochemical indexes of brewing sorghum based on near infrared spectrum[J]. Science and Technology of Food Industry,2023,44(10):311−319.] YU S B, HUANG Z J, WU Q X, et al. Constructing rapid and undamaged detection models for main physicochemical indexes of brewing sorghum based on near infrared spectrum[J]. Science and Technology of Food Industry, 2023, 44（10）: 311−319.
[10] HUANG Y, LU R, CHEN K. Prediction of firmness parameters of tomatoes by portable visible and near-infrared spectroscopy[J]. Journal of Food Engineering,2018,222(APR.):185−198.
[11] ALHAMDAN A M, FICKAK A, ATIA A R. Evaluation of sensory and texture profile analysis properties of stored Khalal Barhi dates nondestructively using Vis/NIR spectroscopy[J]. Journal of Food Process Engineering,2018,222(APR.):185−198.
[12] 岳绒, 郭文川, 刘卉. 近红外漫反射光谱检测损伤猕猴桃的内部品质[J]. 食品科学,2011,32(10):141−144. [YUE R, GUO W C, LIU H, et al. Non-destructive testing of internal qualities of bruised kiwi fruits in storage by near-infrared diffuse reflectance spectroscopy[J]. Food Science,2011,32(10):141−144.] YUE R, GUO W C, LIU H, et al. Non-destructive testing of internal qualities of bruised kiwi fruits in storage by near-infrared diffuse reflectance spectroscopy[J]. Food Science, 2011, 32（10）: 141−144.
[13] 黄玉萍, LU Renfu, 戚超, 等. 波长比和近红外光谱的番茄品质检测方法[J]. 光谱学与光谱分析,2018,38(8):2362−2368. [HUANG Y P, LU R F, QI C, et al. Measurement of tomato quality attributes based on wavelength ratio and near-infrared spectroscopy[J]. Spectroscopy and Spectral Analysis,2018,38(8):2362−2368.] HUANG Y P, LU R F, QI C, et al. Measurement of tomato quality attributes based on wavelength ratio and near-infrared spectroscopy[J]. Spectroscopy and Spectral Analysis, 2018, 38（8）: 2362−2368.
[14] CLÉMENT A, DORAIS M, VERNON M. Nondestructive measurement of fresh tomato lycopene content and other physicochemical characteristics using visible-NIR spectroscopy[J]. Journal of Agricultural & Food Chemistry,2008,56(21):9813−9818.
[15] XIE L, YING Y, LIN H, et al. Nondestructive determination of soluble solids content and pH in tomato juice using NIR transmittance spectroscopy[J]. Sensing & Instrumentation for Food Quality & Safety,2008,2(2):111−115.
[16] 黄亮, 薛建新, 穆炳宇. 基于可见/近红外光谱技术快速检测花椰菜中硫代葡萄糖苷的含量[J]. 现代食品科技,2021,37(4):269−274,310. [HUANG L, XUE J X, MU B Y. Rapid detection of glucosinolates in cauliflower based on visible/near-infrared spectroscopy[J]. Modern Food Science and Technology,2021,37(4):269−274,310.] HUANG L, XUE J X, MU B Y. Rapid detection of glucosinolates in cauliflower based on visible/near-infrared spectroscopy[J]. Modern Food Science and Technology, 2021, 37（4）: 269−274,310.
[17] DONG J L, GUO W C. Nondestructive determination of apple internal qualities using near-infrared hyperspectral reflectance imaging[J]. Food Analytical Methods,2015,8(10):2635−2646. doi: 10.1007/s12161-015-0169-8
[18] 姜小刚, 朱明旺, 姚金良, 等. 基于近红外在线装置苹果糖度模型参数优化研究[J]. 光谱学与光谱分析,2023,43(1):116−121. [JIANG X G, ZHU M W, YAO J L, et al. Research on parameter optimization of apple sugar model based on near-infrared on-line device[J]. Spectroscopy and Spectral Analysis,2023,43(1):116−121.] JIANG X G, ZHU M W, YAO J L, et al. Research on parameter optimization of apple sugar model based on near-infrared on-line device[J]. Spectroscopy and Spectral Analysis, 2023, 43（1）: 116−121.
[19] 田喜, 陈立平, 王庆艳, 等. 全 透射近红外光谱的苹果整果糖度在线检测模型优化[J]. 光谱学与光谱分析,2022,42(6):1907−1914. [TIAN X, CHEN L P, WANG Q Y, et al. Optimization of online determination model for sugar in a whole apple using full transmittance spectrum[J]. Spectroscopy and Spectral Analysis,2022,42(6):1907−1914.] TIAN X, CHEN L P, WANG Q Y, et al. Optimization of online determination model for sugar in a whole apple using full transmittance spectrum[J]. Spectroscopy and Spectral Analysis, 2022, 42（6）: 1907−1914.
[20] 赵昕, 刘鑫, 王韵彭, 等. 基于近红外光谱的酸枣仁不同伪品掺假检测[J]. 食品工业科技,2022,43(21):294−301. [ZHAO X, LIU X, WANG Y P, et al. Detection for different adulterants of Ziziphi spinosae semen based on near infrared spectroscopy[J]. Science and Technology of Food Industry,2022,43(21):294−301.] ZHAO X, LIU X, WANG Y P, et al. Detection for different adulterants of Ziziphi spinosae semen based on near infrared spectroscopy[J]. Science and Technology of Food Industry, 2022, 43（21）: 294−301.
[21] 刘雪梅, 柳建设. 基于MC-UVE的土壤碱解氮和速效钾近红外光谱检测[J]. 农业机械学报,2013,44(3):88−91. [LIU X M, LIU J S. Detection for different adulterants of Ziziphi spinosae semen based on near infrared spectroscopy in China[J]. Transactions of the Chinese Society for Agricultural Machinery,2013,44(3):88−91.] doi: 10.6041/j.issn.1000-1298.2013.03.016 LIU X M, LIU J S. Detection for different adulterants of Ziziphi spinosae semen based on near infrared spectroscopy in China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44（3）: 88−91. doi: 10.6041/j.issn.1000-1298.2013.03.016
-
期刊类型引用(1)
1. 王加龙，马坤，高鹏，朱金芳，张平，黄凡. 基于可见-近红外光谱技术研发便携式贝贝南瓜品质无损检测仪. 食品科学. 2025(06): 254-262 . 
百度学术
其他类型引用(1)
下载:
计量
- 文章访问数: 0
- HTML全文浏览量: 0
- PDF下载量: 0
- 被引次数: 2
