近紅外技術在果品品質無損檢測中的研究進展

李光輝，任亞梅

（西北農林科技大學食品科學與工程學院，陜西 楊凌 712100）

我國水果產(chǎn)量居世界第一，由于受到檢測技術、商品化處理能力、評判標準等方面的限制，我國鮮食果品的出口量極少，且難以進入國際高端市場，這極大地影響了我國果品在國際貿易中的競爭力和創(chuàng)匯能力。

近紅外光譜技術無損檢測水果，可實現(xiàn)果品在線自動分級，提升我國果品的商品化處理能力，提高果品在國際貿易中的競爭力。該技術以即時、無損、方便、準確率高等特點成為20世紀90年代以來發(fā)展最迅速的檢測技術之一，已廣泛應用于食品、醫(yī)學、農業(yè)等領域；我國在這方面的起步較晚，但成果突出，目前我們利用近紅外技術在果品品質檢測及其分級方面做了大量的研究，且研究的熱點是建立果品的可溶性固形物、酸度、硬度、病害果等檢測模型。本文對近紅外技術在果品檢測中的研究情況進行了總結。

1 近紅外技術在果品無損檢測中的應用

1.1 國內近紅外無損檢測技術的研究現(xiàn)狀

鄒小波[1]等認為用多尺度小波去噪并結合間隔偏最小二乘法建立的蘋果糖度模型，不但精度得到了提高，而且模型更加簡潔，其模型校正時的相關系數(shù)R2和校正均方根誤差RMSEC分別為0.9635和0.3026，預測時的相關系數(shù)R2和預測均方根誤差RMSEP分別為0.9214和0.4113[1]。李艷肖等用遺傳區(qū)間偏最小二乘法建立了蘋果糖度近紅外光譜預測模型，結果表明：用遺傳區(qū)間偏最小二乘法優(yōu)選的區(qū)間所建立的模型不但簡潔，而且預測精度也有所提高，其校正相關系數(shù)R2和RMSEC分別為0.962和0.3346[2]。李桂峰等用近紅外光譜技術快速無損檢測蘋果的質地品質，指出在波長范圍1300 nm～2500 nm，經(jīng)多元散射校正（MSC）預處理后用偏最小二乘法（PLS）所建立的模型預測效果最好，硬度、脆度模型的預測標準偏差（RMSEP）和決定系數(shù)（R2）分別為 0.226、0.243 kg/cm2和96.52%、97.15%；并且在PLS模型的基礎上用權重法選擇的硬度特征波長為 1657、1725、1790、2455、1929、2304 nm，脆度特征波長為 1613、1725、1895、2304、2058、2087、2396 nm，經(jīng)多元線性回歸（MLR）模型檢驗，硬度、脆度的RMSEP和R2分別為0.271、0.304 kg/cm2和90.30%、91.64%；說明特征指紋光譜和PLS模型都能準確預測蘋果質地品質。

屠振華等用FT-NIRS檢測了蘋果的硬度，結果表明：用遺傳算法對特征波長進行選擇，然后用間隔偏最小二乘法建立預測模型，此法既降低了模型的復雜度，又提高了模型的預測精度，且波長可反映出果膠的吸收信息，進而可闡明近紅外光譜技術檢測蘋果硬度的機理[4]。章海亮等比較了近紅外光譜靜態(tài)和在線檢測蘋果SSC的差異性，在SSC特征波段用間隔偏最小二乘法建立預測模型，其靜態(tài)檢測模型性能優(yōu)于在線模型，在線檢測模型預測時的相關系數(shù)和預測均方根誤差分別為0.78和1.04°Birx，近紅外技術在線檢測蘋果SSC的精度不理想[5]。史波林等用聲光可調諧濾光器近紅外光譜儀無損檢測蘋果內部品質，用Cook距離、杠桿值、馬氏距離和學生化殘差判斷疑似異常樣本點和用二審剔除判別法確定異常樣本，經(jīng)剔除異常樣品后用偏最小二乘回歸建立蘋果品質模型，其各個品質模型穩(wěn)定，且準確度高[5]。

韓東海等用近紅外連續(xù)透射光譜檢測蘋果內部褐變，分析了其光譜特性，選擇 810、750、715 nm 3個波長對褐變果進行判別分析，其樣品的正確判別率達到95.65%[7]。王加華等用可見-近紅外光譜鑒別蘋果褐腐病、水心病，比較了峰面積判別法（PADA）、主成分分析判別法（PCADA）、偏最小二乘判別法（PLSDA）對蘋果類別判定的準確性，得出這三種方法對褐腐病蘋果判別正確率都為100%，對水心蘋果正確判別率分別是79.2%、95.0%和96.7%，對正常蘋果正確判別率分別是88.6%、98.2%和98.8%；說明可見-近紅外光譜結合化學計量學可以快速、無損鑒別蘋果褐腐病和水心病[8]。李桂峰用FT-NIRS對蘋果果肉褐變度定量無損檢測，用該方法建立的預測模型預測準確度較高；還探明了與蘋果褐變相關的特征指紋圖譜8822、7085、7000、6694、5800、5322、4650 cm-1，用該特征指紋圖譜建立的檢測蘋果果肉褐變MLR模型，其模型的RMSEC和RMSEP分別為0.077、0.079，交叉驗證決定系數(shù)和外部驗證決定系數(shù)分別為0.908、0.878[9]。

1.1.2 在梨上的應用研究現(xiàn)狀

劉燕德等比較了MLR、PCR和PLS 3種數(shù)學建模方法以及不同的光譜預處理對梨SSC模型穩(wěn)定性的影響，結果表明：在梨赤道部位采集光譜，經(jīng)一階微分預處理后用PLS所建SSC模型預測準確度較高[10]。孫通利用近紅外透射光譜在線檢測梨的SSC，用偏最小二乘回歸（PLS）和主成分回歸（PCR）分別在550 nm～700 nm、700 nm～850 nm、550 nm～850 nm波段范圍建立預測模型，結果表明：在550 nm～850 nm波段內，用PLS和PCR兩種方法所建模型效果都較好，且5點S-G光譜平滑能提高模型預測精度，其最優(yōu)模型RMSEC=0.236，RMSEP=0.548[11]。李東華等確定了南果梨的糖、酸度近紅外光譜模型的適用性和適用時間，即采后6 d所建立的糖、酸模型對常溫采后12d內、采后冷藏120d內的樣品預測精度較高，其預測相關系數(shù)均在0.80以上，說明此模型能滿足一定貯藏期內樣品的預測。馬本學等利用近紅外漫反射光譜技術判別庫爾勒香梨中的脫萼果和宿萼果，比較了不同的建模波段，不同的預處理及主成分因子數(shù)對判別模型的影響[12]，結果表明：在9091 cm-1～4000 cm-1波段內，用原始光譜所建立的判別分析模型效果最好，其校正集和預測集正確分類率分別為100%和95%[13]。

1.1.3 在蜜桔和臍橙上的應用研究現(xiàn)狀

劉燕德等用近紅外透射光譜技術并結合神經(jīng)網(wǎng)絡無損檢測南豐蜜桔SSC，結果表明：徑向基函數(shù)神經(jīng)網(wǎng)絡比反向傳播神經(jīng)網(wǎng)絡效果好，其校正模型的預測均方根誤差為0.65°Birx，說明徑向基函數(shù)神經(jīng)網(wǎng)絡可用于建立南豐蜜桔SSC非線性模型[14]。孫旭東等研究了在波段350 nm～1800 nm范圍內，不同的光譜預處理對蜜桔SSC模型預測能力的影響，結果表明：用間隔偏最小二乘法所建立的SSC預測模型效果較好，預測模型的相關系數(shù)和預測均方根誤差分別為0.95和0.55°Birx[15]。周文超等研究表明在波段550 nm～900 nm范圍，用PLS建立的贛南臍橙的糖度模型預測精度最高，其相關系數(shù)和預測樣本均方根誤差分別為0.9032和0.2421[16]。夏俊芳和李小昱比較了各種小波消噪方法對臍橙VC含量PLS模型的影響，結果表明：db5小波是臍橙VC含量近紅外光譜消噪預處理的最優(yōu)小波基，其模型預測值與實測值的相關系數(shù)R=0.9427，RMSECV=2.02 mg/（100 g）[17]。

1.在人防上，各油區(qū)成立了護衛(wèi)隊。由精明強干具有較高專業(yè)技術素質的隊員組成，并制定出相關的《工作質量考核要求》、《巡邏隊員職責》等制度，定期對巡邏隊員培訓和考核，實行動態(tài)管理。工作中，要運用“七種方式”即：巡回式、埋伏式、封卡式、拉網(wǎng)式、包剿式、卡堵式和聯(lián)動式，對油區(qū)的重點井、重點區(qū)塊、重點車輛、油線和重點路口實行全天監(jiān)控，白天巡邏，遇到特殊情況加密巡邏次數(shù)，責任落實到人。夜晚采取爬窩守候、設卡埋伏、圍攻堵截等措施。同時，油區(qū)發(fā)生緊急案情時，無論白天還是夜晚，隊員們必須在5－10分鐘內立即趕到現(xiàn)場，及時處理突發(fā)事件，要做到事不過時。才能有力地打擊不法分子的囂張氣焰。

1.1.4 在其它水果上的研究現(xiàn)狀

李建平等用近紅外漫反射光譜無損檢測兩個產(chǎn)地3個品種枇杷的SSC，結果表明：在波長1400 nm～1500 nm和1900 nm～2000 nm兩波段范圍內建立的SSC預測模型沒有全波段的PLSR模型效果好，并且在全波段用原始光譜建立的PLSR模型效果最好，其模型的校正集和預測集的R2分別為0.96和0.95[18]。馬廣等用近紅外漫反射光譜技術無損檢測金華大白桃的糖度，并用偏最小二乘回歸法在波段800 nm～2500 nm之間建立預測模型，結果為用頂部、中部、底部3個部位共9個檢測點的果肉平均光譜所建立的模型效果較好，且原始光譜建立的模型比微分光譜建立的模型效果好[19]。周竹等比較了不同光譜預處理對用合格板栗和霉變板栗的近紅外光譜所建判別模型的影響，結果表明：矢量歸一化預處理后所建模型預測精度最高[20]。

1.2 國外近紅外無損檢測技術的研究現(xiàn)狀

1.2.1 在蘋果上的研究現(xiàn)狀

Guoqiang Fan等用近紅外透射光譜對蘋果的堅實度和SSC進行了檢測，比較了不同光源和不同檢測部位對預測模型的影響，并在650 nm～920 nm范圍，用PLS法建立預測模型，結果表明：二階導后所建堅實度和SSC預測模型效果較好，且多光源與蘋果莖軸垂直的放置位置有助于提高模型的預測精度[21]。Els Bobelyna等研究了生物差異性對用近紅外光譜技術建立的蘋果SSC和堅實度預測模型的影響，經(jīng)方差分析表明：品種、來源和貨架期對蘋果SSC和堅實度模型的影響是顯著的，且水在970、1170和1450 nm的吸收峰是它們最顯著的區(qū)別[22]。Clara Shenderey等用可見-近紅外小型光譜儀無損在線檢測蘋果霉心病，并用典型判別分析和偏最小二乘回歸建立判別模型，結果表明：此模型對蘋果霉心病的預測精度較高[23]。

1.2.2 在梨上的研究現(xiàn)狀

Xiaping Fu等用近紅外漫反射光譜和近紅外透射光譜對梨褐心病進行了鑒別，并用判別分析對褐心病梨和完好梨進行區(qū)分，結果表明：梨在T2的放置位置，且用近紅外透射光譜技術采集梨的光譜，所建立的模型判別效果較好，正確判別率為91.2%[24]。Panmanas Sirisomboon等選用2 nm光譜間隔，無損檢測完整日本梨和梨汁的果膠，采集的光譜范圍在1100 nm～2500 nm之間，用多元線性回歸對原始光譜和二階微分光譜建立果膠預測模型，并對1997、1998年采集的日本梨的膠質組成進行預測，結果表明：1998年的梨子預測模型對1997年的梨子預測精度不高，所建立的模型有一定的局限性[25]。

Yande Liu等用可見-近紅外技術無損檢測梨的SSC和堅實度，比較了不同的建模方法（MLR、PCR和PLSR）和不同的光譜預處理對梨SSC和堅實度預測模型的影響[26]，結果是：在梨赤道部位采集光譜并用偏最小二乘回歸（PLSR）建立的SSC和堅實度模型效果較好，其校正時的相關系數(shù)R2分別為0.912和0.854，RMSEP分別為0.662°Brix和 1.232 N。Yibin Ying和Yande Liu用近紅外光譜技術無損檢測梨的SSC、pH和總酸（TA），用遺傳算法優(yōu)選波段，并用偏最小二乘法建立預測模型[27]，結果為：用遺傳算法優(yōu)選過的波段所建立的SC，TA和pH預測模型比全局模型效果好，其RMSEP分別為0.395，0.0195和0.0087。

Patricia Paz等用掃描單色式、二極管掃描單色式和二極管式三種近紅外光譜儀對梨的SSC、堅實度和儲藏時間進行了檢測[28]，結果是：這三種儀器所建立的SSC模型，其驗證時的相關系數(shù)R2在0.39～0.76之間，驗證時的標準偏差SECV在0.59°Brix～1.49°Brix之間；所建立的堅實度預測模型，其驗證時的相關系數(shù)R2在0.45～0.79之間，驗證時的標準偏差SECV在5.33～7.36 N之間；用偏最小二乘判別法（PLS-DA）建立的梨的貯藏時間（0，6和8 d）的判別模型其判別正確率在81.1%～94.4%之間。

1.2.3 在杏和李上的研究現(xiàn)狀

Dolores Pérez-Marín 等用兩種微型手攜近紅外光譜儀（二極管陣列式和微電子系統(tǒng)式）無損檢測李子的SSC和堅實度，用不同的方法預處理光譜并用偏最小二乘法建立李子的SSC和堅實度預測模型，結果為：這兩種光譜儀都能獲得準確的結果，但是用二極管陣列式儀器建立的SSC的預測模型效果稍優(yōu)于微電子式近紅外儀器，其校正時的相關系數(shù)R2和校正均方根誤差RMSEC分別為0.73%和1.11%，預測時的相關系數(shù)R2和預測均方根誤差RMSEP分別為0.68%和1.22%；用這兩種儀器建立的堅實度預測模型精度都較低，但二級管式近紅外儀器效果稍優(yōu)于微電子系統(tǒng)式近紅外儀，其校正時的相關系數(shù)R2和校正均方根誤差RMSEC分別為0.64和1.77 N，預測時的相關系數(shù)R2和預測均方根誤差RMSEP分別為0.61 N和2.30 N；用這兩種儀器對杏的品種及杏的貯藏期（0、6和9 d）進行判別，用PLS-DA建立判別模型，其結果是杏品種的正確判別率為96.5%，杏貯藏期的正確判別率為94.5%[29]。

Sylvie Bureau等用傅里葉近紅外光譜技術對杏的品質進行無損檢測[30]，結果表明：用偏最小二乘法建立的SSC和總酸的預測模型效果較好，其相關系數(shù)R2分別為0.92和0.89，預測時的均方根誤差為0.98°Brix和3.62 meq 100 g－1FW，而所建立的堅實度、乙烯、單糖和有機酸的預測模型效果不好。C.Camps和D.Christen用便攜式近紅外光譜儀無損檢測杏的品質，建立了杏各個品種的品質模型及所用品種通用模型[31]，結果是：所建立的SSC模型的RMSECV在0.67°Brix～1.1°Brix之間，R2在0.88～0.96之間；不同品種的堅實度模型的RMSECV和R相差很大；TA預測模型的RMSECV 在 0.79 g/100 mL～2.61 g/100 mL之間，R2在0.73～0.97之間；并且近紅外光譜技術可以有效地識別杏的品種。

1.2.4 在其它水果上的研究現(xiàn)狀

Ali Moghimi等用近紅外光譜技術結合化學計量學建立了獼猴桃SSC和pH的校正模型，比較了多元散射校正、變量標準化、中值濾波和一階導數(shù)光譜預處理對所建獼猴桃SSC和pH校正模型的影響，表明：變量標準化結合中值濾波和一階倒數(shù)預處理光譜后，用PCR-PLS法建立的SSC和pH的校正模型精度較高，其相關系數(shù)R2分別為0.93和0.943，RMSEP分別為0.259°Brix和0.076[32]。Fang Cao等研究了可見-近紅外儀器無損檢測葡萄的SSC、pH和品種，用遺傳算法優(yōu)選信息豐富的波段，并用最小二乘支持向量機對葡萄品種和品質建立預測模型[33]，結果是：所建品種判別模型對葡萄品種正確識別率為96.58%，所建SSC和pH預測模型其校正相關系數(shù)分別為0.9065和0.9781。

Jagdish C.Tewari等用近紅外光譜技術對柑橘的來源、品種及品質進行了無損檢測，并用遺傳算法、偏最小二乘法和對應分析建立預測模型[34]，結果是：蔗糖、葡萄糖和果糖的近紅外模型R2在0.996～0.998之間；用GA-ANN和聚類分析能很好的將不同品種柑橘和不同產(chǎn)地柑橘區(qū)別開。Yande Liu等用近紅外漫反射光譜技術無損檢測贛南臍橙的糖度[35]，在450 nm～1750 nm波段范圍內，比較不同的建模方法（MLR，PCR，PLS，Poly-PLS and Spline-PLS）和不同的光譜預處理（一階導數(shù)、二階導數(shù)、多元散射校正和平滑）對所建糖度預測模型的影響，表明：用Spline-PLS法所建立的糖度近紅外模型精度較高，其相關系數(shù)R2=0.87，RMSEP=0.47 °Brix，說明樣條函數(shù) SPL-PLS 可以建立非線性校正模型。

Yande Liu等用近紅外光譜技術在波段350 nm～1800 nm無損檢測柑橘的SSC，用多元散射校正和變量標準化預處理光譜，并比較PCA-BPNN和PLSR兩種建模方法對所建贛南臍橙SSC預測模型的影響[36]，結果是：光譜經(jīng)多元散射校正后用PCA-BPNN法建立的糖度非線性模型較好，其相關系數(shù)R2、RMSEP和偏差分別為0.90、0.68°Brix和 0.16°Brix。Yande Liu等用電荷耦合器件近紅外儀（CCD-NIRS）無損檢測南豐蜜橘SSC和TA，在600 nm～980 nm波段范圍內用間隔偏最小二乘優(yōu)選南豐蜜橘SSC和TA的代表波段，并用偏最小二乘法建立SSC和TA預測模型[37]，結果為：在 681.36 nm～740.51 nm，798.60 nm～836.19 nm 和945.52 nm～962.75 nm范圍內所建立的SSC預測模型精度較高，其 R2=0.92、RMSEP=0.65°Brix；在波段817.57 nm ～836.19 nm，909.85 nm ～927.60 nm 和945.52 nm～962.75 nm，所建TA預測模型效果較好，其相關系數(shù)R2=0.64、RMSEP=0.09%。

Dolores Pérez-Marín 等研究了兩種商業(yè)用（微電子系統(tǒng)式近紅外儀和二級管式可見近紅外儀）近紅外光譜儀對油桃成熟期和儲藏期品質無損檢測[38]，用改進的偏最小二乘法建立數(shù)學模型，結果是：兩種儀器所建立的SSC模型，其相關系數(shù)R2=0.89，SEP在0.75%～0.81%之間；所建堅實度預測模型，其R2在0.84～0.86之間，SEP在11.6 N～12.7 N之間；用二級管式近紅外儀器所建立的杏的單果重和直徑預測模型精度高于微電子系統(tǒng)式的近紅外儀器，其單果重預測模型的R2=0.98，SEP=5.40 g；直徑預測模型的 R2=0.75，SEP=0.46 cm。

2 近紅外光譜在檢測果品品質時存在問題

2.1 模型的通用性問題

目前，我們所建立的果品近紅外模型只適合于單個品種，由于同一類水果有不同的品種，品種間品質有差異，故單個品種所建立的模型很難適合于其他品種，因此建立近紅外果品通用模型是現(xiàn)在急需解決的問題。

2.2 近紅外光譜儀的問題

雖然近紅外光譜技術發(fā)展了近50年，在某些方面還取得了優(yōu)異的成果，但是目前還停留在實驗室階段；近紅外儀器移動性差，很難用于實際生產(chǎn)；其次，近紅外光譜處理軟件價格較高，給科研和生產(chǎn)帶來不便，因此開發(fā)便捷式近紅外儀及其低價的光譜處理軟件顯得尤為必要。

2.3 模型的轉移問題

目前所建立的模型都是在一臺近紅外儀器建立的，同時只適合于這臺儀器，如何將一臺儀器上建立的數(shù)學模型準確的轉移到其他儀器上是我們必需解決的問題，從而盡可能節(jié)省人力、物力。

2.4 近紅外儀器類型合理選擇的問題

目前，市場上存在的近紅外光譜儀可分為傅立葉變換型、光柵色散型、濾光片型和聲光可調濾光器型等4類，檢測果品時也都是用單一類型的近紅外儀器進行檢測的，缺乏比較不同類型的近紅外儀對所建預測模型的影響；如何確定某一類型的近紅外儀器更適合于某一類水果將是以后研究所解決的問題。

3 展望

經(jīng)過近半個世紀的發(fā)展，近紅外光譜技術已廣泛的應用于食品、農業(yè)、醫(yī)學等領域，在今后的研究中，我們要特別注重所建立模型的通用性及其轉移性，同時開發(fā)便捷式的近紅外儀器這將對實際應用產(chǎn)生巨大的推動作用。隨著近紅外技術在研究中存在問題的解決，近紅外技術必將有更廣闊的應用前景。

[1]鄒小波,趙杰文,夏蓉,等.蘋果糖度近紅外光譜小波去噪和i－PLS建模[J].農業(yè)機械學報,2006,37(6):79-82

[2]李艷肖,鄒小波,董英.用遺傳區(qū)間偏最小二乘法建立蘋果糖度近紅外光譜模型[J].光譜學與光譜分析,2007,27(10):2001-2004

[3]李桂峰,趙國建,劉興華,等.蘋果質地品質近紅外無損檢測和指紋分析[J].農業(yè)工程學報,2008,24(6):189-173

[4]屠振華,籍保平,孟超英,等.基于遺傳算法和間隔偏最小二乘的蘋果硬度特征波長分析研究[J].光譜學與光譜分析,2009,29(10):2760-2763

[5]章海亮,孫旭東,劉燕德,等.近紅外光譜檢測蘋果可溶性固形物[J].農業(yè)工程學報,2009(S2):340-343

[6]史波林,趙鐳,劉文,等.蘋果內部品質近紅外光譜檢測的異常樣本分析[J].農業(yè)機械學報,2010,41(2):132-137

[7]韓東海,劉新鑫,魯超,等.蘋果內部褐變的光學無損傷檢測研究[J].農業(yè)機械學報,2006,37(6):86-88

[8]王加華,孫旭東,潘璐,等.基于可見/近紅外能量光譜的蘋果褐腐病和水心鑒別[J].光譜學與光譜分析,2008,28(9):2098-2102

[9]李桂峰.蘋果果肉褐變機理和近紅外無損檢測技術研究[D].陜西:西北農林科技大學食品科學與工程學院,2008

[10]劉燕德,孫旭東,陳興苗.近紅外漫反射光譜檢測梨內部指標可溶性固性物的研究[J].光譜學與光譜分析,2008,28(4):797-800

[11]孫通.梨可溶性固形物含量的在線近紅外光譜檢測.光譜學與光譜分析[J].2008,28(11):2356-2359

[12]李東華,紀淑娟,重藤和明.南果梨糖、酸度近紅外光譜模型適用的貯藏期研究[J].農業(yè)工程學報,2009,25(4):270-275

[13]馬本學,饒秀勤,應義斌,等.基于近紅外漫反射光譜的香梨類別定性分析[J].光譜學與光譜分析,2009,29(12):3288-3240

[14]劉燕德,陳興茁,孫旭東.可見／近紅外浸反射光譜無損檢測南豐蜜櫧VC的研究[J].光譜學與光譜分析,2008,28(10):2318-2320

[15]孫旭東,章海亮,歐陽愛國,等.南豐蜜桔可溶性固形物近紅外特征波段選擇[J].農業(yè)機械學報,2009,40(7):129-131

[16]周文超,孫旭東,陳興苗,等.近紅外透射光譜無損檢測贛南臍橙糖度的研究[J].農機化研究,2009,31(5):161-163

[17]夏俊芳,李小昱.臍橙VC含量近紅外光譜消噪小波優(yōu)化[J].農業(yè)機械學報,2009,40(4):143-146

[18]李建平,傅霞萍,周瑩,等.近紅外光譜定量分析技術在枇杷可溶性固形物無損檢測中的應用 [J].光譜學與光譜分析,2006,26(9):1605-1609

[19]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,2007,27(5):907-910

[20]周竹,劉潔,李小昱,等.霉變板栗的近紅外光譜和神經(jīng)網(wǎng)絡方法判別[J].農業(yè)機械學報,2009,40(11):109-112

[21]Fan Guoqiang,Zha Jianwen,Du Ran,et al.Deter mination of soluble solids and firmness of apples by Vis/NIR transmittance[J].Journal of food engineering,2009,93:416-420

[22]Bobelyna E,Serbanc A S,Nic M,et al.Postharvest quality of apple predicted by NIR-spectroscopy:Study of the effect of biological variability on spectra and model performance[J].Postharvest biology and technology,2010,55:133-143

[23]Shenderey C,Shmulevich I,Alchanatis V,et al.NIRS Detection of Moldy Core in Apples[J].Food Bioprocess Technol,2010,3:79-86

[24]Fu Xiaping,Ying Yibin,Lu Huishan,et al.Comparison of diffuse reflectance and transmission mode of visible-near infrared spectroscopy for detecting brown heart of pear[J].Journal of food engineering,2007,83:317-323

[25]Sirisomboon P,Tanaka M,Fujita S,et al.Evaluation of pectin constituents of Japanese pear by near infrared spectroscopy[J].Journal of food engineering,2007,78:701-707

[26]Liu Yande,Chen Xingmiao,Ouyang Aiguo.Nondestructive deter mination of pear internal quality indices by visible and near-infrared spectrometry[J].LWT-Food Science and Technology,2008,41:1720-1725

[27]Ying Yibin,Liu Yande.Nondestructive measurement of internal quality in pear using genetic algorithms and FT-NIR spectroscopy[J].Journal of food engineering,2008,84:206-213

[28]Paz P,Sánchez MT,Pérez-Marín D.Instantaneous quantitative and qualitative assessment of pear quality using near infrared spectroscopy[J].Computers and electronics in agriculture,2009,69:24-32

[29]Pérez-Marín D,Paz P,Guerrero J E,et al.miniature handheld NIR sensor for the on-site non-destructive assessment of post-harvest quality and refrigerated storage behavior in plums[J].Journal of food engineering,2010,99:294-302

[30]Bureau S,Ruiz D,Reich M,et al.Rapid and non-destructive analysis of apricot fruit quality using FT-near-infrared spectroscopy[J].Food chemistry,2009,113:1323-1328

[31]Camps C,Christen D.Non-destructive assessment of apricot fruit quality by portable visible-near infrared spectroscopy[J].LWT-Food science and technology,2009,42:1125-1131

[32]Moghimi A,Aghkhani MH,Sazgarnia A.Vis/NIR spectroscopy and chemometrics for the prediction of soluble solids content and acidity(pH)of kiwifruit[J].Biosystems engineering,2010,106:295-302

[33]Cao Fang,Wu Di,He Yong.Soluble solids content and pH prediction and varieties discrimination of grapes based on visible–near infrared spectroscopy[J].Computers and electronics in agriculture,2010,71S:S15-S18

[34]Tewari J C,Dixit V,Cho B K,et al.Deter mination of origin and sugars of citrus fruits using genetic algorithm,correspondence analysis and partial least square combined with fiber optic NIR spectroscopy[J].Spectrochimica Acta Part A,2008,71:1119-1127

[35]Liu Yande,Sun Xudong,Zhou Jian min,et al.Linear and nonlinear multivariate regressions for deter mination sugar content of intact Gannan navel orange by Vis_NIR diffuse reflectance spectroscopy[J].Mathematical and Computer Modelling,2009,51(2010):1438-1443

[36]Liu Yande,Sun Xudong,Ouyang Aiguo.Nondestructive measurement of soluble solid content of navel orange fruit by visible-NIR spectrometric technique with PLSR and PCA-BPNN[J].LWT-Food Science and Technology,2010,43:602-607

[37]Liu Yande,Sun Xudong,Zhang Hailiang,et al.Nondestructive measurement of internal quality of Nanfeng mandarin fruit by charge coupled device near infrared spectroscopy[J].Computers and electronics in agriculture,2010,71S:10-14

[38]Pérez-Marín D,Sánchez MT,Paz P,et al.Non-destructive deter mination of quality parameters in nectarines during on-tree ripening and postharvest storage[J].Postharvest biology and technology,2009,52:180-188