水果內(nèi)部品質(zhì)近紅外動態(tài)在線檢測研究進展

摘要：近紅外光譜分析技術(shù)具有無前處理、無污染、方便快捷、無破壞性、在線檢測、多組分同時檢測，適于現(xiàn)場檢測和在線分析等特點，已經(jīng)廣泛應用于果蔬內(nèi)部品質(zhì)的無損檢測中。主要介紹了水果近紅外光譜在線檢測原理及組成，最近幾年近紅外在線檢測技術(shù)在水果品質(zhì)檢測方面的國內(nèi)外研究進展，指出了近紅外光譜分析技術(shù)尚存在的問題，并對今后的近紅外光譜分析技術(shù)進行了展望。

關鍵詞：近紅外光譜；在線檢測；水果；內(nèi)部品質(zhì)

中圖分類號：O657.33 文獻標識碼：A 文章編號：0439-8114（2013）10-2242-03

隨著人們生活水平的不斷提高，人們對水果品質(zhì)的要求越來越高。不僅注重外部品質(zhì)（大小、色澤等），同時也越來越關注其內(nèi)部品質(zhì)（口感、甜度等）。這就使得在線檢測分級尤為重要，近幾年廣闊的市場需求極大地促進了水果內(nèi)部品質(zhì)檢測的發(fā)展。傳統(tǒng)破損式化學檢測方法制樣繁瑣、檢測時間長、需要專業(yè)人員操作，難以滿足大批量水果的在線檢測與分級需求。而近紅外光譜技術(shù)具有無損、效率高、快速、重現(xiàn)性好，適于現(xiàn)場檢測和在線分析等特點，已在提高水果生產(chǎn)技術(shù)自動化水平和水果質(zhì)量方面發(fā)揮了重要作用[1-7]。

近幾年，隨著近紅外光譜分析技術(shù)和化學計量學的不斷發(fā)展及研究，近紅外光譜分析技術(shù)在水果品質(zhì)檢測的應用日漸成熟，已經(jīng)逐漸從實驗階段走向應用階段，從靜態(tài)研究向動態(tài)在線檢測發(fā)展；并且在動態(tài)在線檢測方面取得了實質(zhì)性的進展[8-11]。本文主要介紹了水果近紅外光譜在線檢測原理及組成，并簡述了最近幾年近紅外檢測技術(shù)在水果品質(zhì)檢測方面的國內(nèi)外發(fā)展現(xiàn)狀，指出了近紅外光譜分析技術(shù)尚存在的問題，并對今后的近紅外光譜分析技術(shù)作了展望。為近紅外光譜在線檢測技術(shù)的推廣應用提供參考。

1 近紅外在線檢測原理及組成

1.1 動態(tài)在線近紅外檢測原理及方式

在進行水果動態(tài)在線檢測時，光譜通過漫反射或透射或漫透射方式進行采集，如圖1所示，透射和漫透射的優(yōu)缺點是： ①可以測量果實整體；②可以測量厚皮果品；③可以檢測果實內(nèi)部特征；④只限于易透光物料；⑤需要配置高靈敏度、高動態(tài)范圍檢測器。漫透射和透射適宜蘋果內(nèi)部水心、褐腐病及鴨梨內(nèi)部褐變等情況。漫反射的優(yōu)缺點是： ①適合多種果品；②只能獲取一個方向且為果皮附近果肉信息；③不能測量柑橘之類的厚皮果實； ④在選果線上，近紅外線照射位置一定，而果實大小和人工放在輸送裝置上的果實位置，將使測定位置產(chǎn)生偏差，從而影響測定精度。漫反射適宜檢測果皮較薄的桃、梨、蘋果等果實的糖酸度[12-15]。

1.2 近紅外在線檢測分級系統(tǒng)組成及功能

水果近紅外光譜在線檢測裝置一般由機械輸送單元、近紅外光譜檢測單元、信號控制單元、PLC控制單元、分選執(zhí)行單元等組成，如圖2所示。機械輸送單元：機械輸送裝置輸送水果，進入可見近紅外光譜檢測裝置工位； 近紅外光譜檢測單元：檢測水果的品質(zhì)，建立水果的品質(zhì)與近紅外光譜的關系；信號控制單元：在得到水果等級信息時，輸送給PLC控制單元；PLC控制單元：在得到水果等級信號時，控制各分選口的執(zhí)行元件；分選執(zhí)行單元：執(zhí)行分選功能，實現(xiàn)不同等級水果的分選。

2 國外水果品質(zhì)近紅外在線檢測技術(shù)研究現(xiàn)狀

Wedding等[16]在針對“哈斯”鱷梨水果的市場分級商品化研究中，對“哈斯”鱷梨進行了傅立葉變換（FT）的近紅外光譜（NIRS）漫反射檢測，利用近紅外光譜技術(shù)對“哈斯”鱷梨品質(zhì)分級檢測，其建立的偏最小二乘回歸的預測模型DM系數(shù)為0.76，均根誤差DM范圍在1.53%之內(nèi)。這項研究的結(jié)果表明，F(xiàn)T-NIRS漫反射模式對于“哈斯”鱷梨品質(zhì)分級具有很大的潛力。

Tsai等[17]構(gòu)建了近紅外在線檢測梨果的裝置，分別用GA-PLS和GA-SPA-MLR方法對樣品進行建模，其交叉驗證標準誤差（SECV）=0.622 Brix，結(jié)果表明進行梨果的近紅外在線檢測是可行的，不過梨果的放置方式對測試精度影響較大。

Mcglone等[18]對高速運動（0.5 m/s）的完整蘋果的干物質(zhì)進行透射檢測，并建立了蘋果的干物質(zhì)預測模型，其結(jié)果為LAS（大口徑譜儀）R2=0.87，RMSEP=0.43%；TDIS（時間延遲積分光譜）R2=0.81， RMSEP=0.48%。結(jié)果表明，采用直接透射模式是進行高速水果測量一種可行的選擇，速度的選擇對試驗有一定的影響。

Alain等[19]對新鮮番茄果實的整體品質(zhì)，特別是番茄紅素含量的測定，用VIS-NIR反射光譜進行試驗檢測，其波長范圍在400～1 000 nm，結(jié)合化學計量學對番茄的番茄紅素含量進行建模。試驗結(jié)果為R2=0.98，RMSECV=3.15 mg/kg。試驗表明，用VIS-NIR反射光譜對番茄紅素含量的測定是可行的，對于番茄的多品質(zhì)含量的測定準確性有待提高。

Patricia等[20]在針對水果的商業(yè)化加工生產(chǎn)線的內(nèi)在品質(zhì)分級問題上，構(gòu)建了近紅外在線檢測李子的裝置。其用近紅外光譜（NIRS）主要評估了可溶性固形物含量（SSC，°糖度）和硬度（N）完整的李子 （共720份李子）。主要用來獲得參考數(shù)據(jù)和近紅外光譜數(shù)據(jù)的校正模型，交叉驗證測定系數(shù)（R2）及標準誤差（0.77°糖度，0.83），硬度（2.54 N，0.52）。結(jié)果表明，近紅外光譜技術(shù)針對李子的可溶性固形物含量和硬度兩項指標，可以很好地進行分級處理，提高了商品質(zhì)量等級的精度和準確性；對于混合多品種的李子的建模效果較差，達不到商業(yè)化標準。

3 國內(nèi)水果品質(zhì)近紅外在線檢測技術(shù)研究現(xiàn)狀

崔豐娟等[21]的試驗采用透射方式采集樣品光譜。光譜儀為德國 M.u.T公司的近紅外光譜儀，波長范圍為 500～1 100 nm，光源為德國歐司朗公司4個型號12 V、100 W的燈，蘋果分別以0、0.3、0.6、0.9 m/s的切線速度運動，用偏最小二乘法（PI S）建立蘋果糖度的模型，得出最好的模型相關系數(shù)為0.938 6，校正標準差RMSEC為0.289 4，最佳主因子數(shù)為4。研究結(jié)果表明，蘋果運行速度對模型的預測結(jié)果有影響 ，用每個速度下的大量樣品參與建模，可以有效地提高模型的穩(wěn)健性，從而減少模型對水果運行速度的敏感性；當速度超過范圍（閾值0.9 m/s）時，模型的穩(wěn)定性較差。

劉燕德等[22]在試驗中探討了近紅外光譜技術(shù)結(jié)合發(fā)光二極管（LED）組合光源探頭在線檢測水晶梨的可溶性固形物和大小的可行性（圖3）。試驗中采用850、880和940 nm 3盞LED組成組合光源探頭，水晶梨在線速度5個/s，采用漫反射方式。最好模型的可溶性固形物和大小的相關系數(shù)分別為0.86和0.90，預測均方根誤差分別為0.58%和1.93 nm。試驗表明，應用近紅外光譜技術(shù)結(jié)合LED組合光源探頭在線檢測水晶梨可溶性固形物和大小具有可行性。

田海清等[23]為使可見/近紅外漫透射光譜技術(shù)用于西瓜品質(zhì)在線檢測，自行設計加工了運動西瓜光譜采集系統(tǒng)（圖4），并進行了樣品光譜采集。對運動狀態(tài)下西瓜品質(zhì)指標的測定，分別采用最小二乘擬合法、Norris微分濾波等方法進行了光譜的平滑消噪處理，發(fā)現(xiàn)Norris微分濾波法更適合該系統(tǒng)采集到的西瓜光譜的平滑消噪處理，建立運動西瓜的可溶性固形物含量模型，校正相關系數(shù)為0.895，均方根校正標準偏差RMSEP為0.549，均方根預測標準偏差RMSEP為0.760。

4 近紅外動態(tài)在線檢測技術(shù)存在的問題及今后的研究方向

雖然近紅外光譜技術(shù)的研究持續(xù)多年，但大部分還處于試驗階段，只是進行了可行性的研究，沒有進行更深入的探討，而形成產(chǎn)業(yè)化、商業(yè)化的就更少。主要問題在于：①基礎工作量大，建立模型困難（水果品種差異性），模型適應性比較差。建議建立專門的建模研究機構(gòu)，這樣就可以更加深入、專業(yè)有效地建立模型，也可以進行國際合作、資源共享。②動態(tài)在線檢測時，光譜易受周圍環(huán)境影響（如溫度、振動、濕度等），導致其測量精度下降。今后的工作針對周圍環(huán)境變化實施實時監(jiān)測，建立反饋系統(tǒng)。③水果的多品質(zhì)檢測還處于比較不成熟的階段。針對這一問題，今后的工作是在對一種水果的單一品質(zhì)研究比較完善時，加大其多品質(zhì)的研究力度。④儀器的性能穩(wěn)定性不夠（如儀器的噪聲、基線的漂移、波長的準確性等），引起測量誤差。針對這一問題，可以配置穩(wěn)壓電源、建立恒溫恒濕系統(tǒng)、設置內(nèi)標等。⑤在在線檢測研究中所應用的模型大多為PLS或是神經(jīng)網(wǎng)絡模型。今后的研究方向是建立可描述的模型，加大對可描述模型研究的力度。

參考文獻：

[1] 潘圓媛，劉燕德，孫旭東.水果內(nèi)部品質(zhì)近紅外動態(tài)在線檢測研究進展[J].激光與紅外，2010，40（8）：805-810.

[2] SUN T， LIN H J， XU H R， et al. Effect of fruit moving speed on predicting soluble solids content of cuiguan pear using PLS and LS-SVM regression[J]. Postharvest Biology and Technology，2009，51（1）：86-90.

[3] 孫 通，徐惠榮，應義斌. 近紅外光譜分析技術(shù)在農(nóng)產(chǎn)品/食品品質(zhì)在線無損檢測中的應用研究進展[J].光譜學與光譜分析，2009，29（1）：122-126.

[4] XU H R， QI B， SUN T， et al. Variable selection in visible and near-infrared spectra： application to on-line determination of sugar content in pears[J]. Journal of Food Engineering，2012，109：142-147.

[5] 孫 通，應義斌，劉魁武，等. 梨可溶性固形物含量的在線近紅外光譜檢測[J]. 光譜學與光譜分析，2008，28（11）：2536-2539.

[6] 王 麗，鄭小林，鄭群雄. 基于近紅外光譜技術(shù)的桃品質(zhì)指標快速檢測方法研究[J]. 中國食品學報，2011，11（3）：205-209.

[7] 孫旭東，郝 勇，高榮杰，等.臍橙糖度近紅外光譜在線檢測數(shù)學模型優(yōu)化研究[J].光譜學與光譜分析，2011，31（5）：1230-1235.

[8] BART M N， KATRIEN B，ELS B， et al. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy： A review [J]. Postharvest Biology and Technology，2007，46：99-118.

[9] 馬海軍. 水果品質(zhì)近紅外檢測技術(shù)研究進展[J].農(nóng)業(yè)科學研究，2011，32（2）：72-76.

[10] 蔣雪萍.近紅外光譜分析儀校準方法的探討[J].化學分析計量，2011，20（1）：80-82.

[11] 姚 勝，武國峰，周舒珂，等.實驗誤差對近紅外模型準確性的影響[J]. 光譜學與光譜分析，2011，31（5）：1216-1219.

[12] 韓東海，王加華.水果內(nèi)部品質(zhì)近紅外光譜無損檢測研究進展[J].中國激光，2008，35（8）：1123-1131.

[13] 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(nóng)業(yè)工程學報，2009，25（2）：340-344.

[14] 陳香維，楊公明. 獼猴桃糖度傅里葉變換近紅外光譜無損檢測[J].西北農(nóng)業(yè)學報，2011，20（7）：143-148.

[15] 李東華，徐亞民，紀淑娟，等. 近紅外光譜分析技術(shù)在果蔬品質(zhì)無損傷檢測方面的應用[J].農(nóng)業(yè)科技與裝備，2008（1）：53-54.

[16] WEDDING B B，WHITE R D GRAUF S.Non-destructive prediction of ‘Hass’ avocado dry matter via FT-NIR spectroscopy[J].Journal of the Science of Food and Agriculture，2011，91（2）：233-238.

[17] TSAI C Y，CHEN H J，HSIEH J F，et al. Fabrication of a near infrared online inspection system for pear fruit[J]. International Agricultural Engineering Journal，2007，16（2）：57-70.

[18] MCGLONE V A，CLARK C J，JORDAN R B. Comp-aring density and VNIR methods for predicting quality parameters of yellow-fleshed kiwifruit[J]. Post harvest Biology and Technology， 2007，46：1-9.

[19] ALAIN C， MARTINE D，MARCIA V J. Agric. food chem. nondestructive measurement of fresh tomato lycopene content and other physicochemical characteristics using visible？NIR spectroscopy[J]. Food and Feed chemistry，2008，56（21）：9813-9818.

[20] PATRICIA P， MARIA T. Nondestructive determination of total soluble solid content and firmness in plums using near-infrared reflectance spectroscopy[J]. Food and Feed Chemistry，2008，56（8）：2565-2570.

[21] 崔豐娟，閘建文.近紅外透射蘋果運動速度模型適用性的研究[J].農(nóng)機化研究，2010（11）：170-173.

[22] 劉燕德，彭彥穎. 基于LED組合光源的水晶梨可溶性固形物和大小在線檢測[J].農(nóng)業(yè)工程學報，2010，26（11）：338-343.

[23] 田海清，應義斌，徐惠榮，等.運動西瓜可見/近紅外光譜采集系統(tǒng)及品質(zhì)檢測試驗研究[J].光譜學與光譜分析，2009，29（6）：1536-1540.