柑橘浮皮果與可溶性固形物光譜同時(shí)在線檢測(cè)

劉燕德

吳明明

孫旭東

朱丹寧

(華東交通大學(xué)光機(jī)電技術(shù)及應(yīng)用研究所，江西 南昌 330013)

?

柑橘浮皮果與可溶性固形物光譜同時(shí)在線檢測(cè)

劉燕德

吳明明

孫旭東

朱丹寧

(華東交通大學(xué)光機(jī)電技術(shù)及應(yīng)用研究所，江西 南昌 330013)

柑橘浮皮果和可溶性固形物是評(píng)價(jià)柑橘品質(zhì)的重要指標(biāo)，在運(yùn)動(dòng)速度5個(gè)/s、積分時(shí)間100 ms條件下，采集350～1 150 nm范圍內(nèi)的柑橘光譜，探討在同一條生產(chǎn)線上同時(shí)在線檢測(cè)浮皮果與可溶性固形物的可行性，同時(shí)探索柑橘正常果，輕度、重度浮皮果的光譜響應(yīng)特征，建立柑橘浮皮果與正常果的定性判別模型，并對(duì)比分析兩種判別模型，同時(shí)還建立柑橘可溶性固形物的定量檢測(cè)模型，最終實(shí)現(xiàn)了柑橘浮皮果與可溶性固形物同時(shí)在線檢測(cè)。采用未參與建模的35個(gè)樣品對(duì)模型在線分選的準(zhǔn)確性進(jìn)行評(píng)價(jià)，其中柑橘浮皮果都被正確的推入預(yù)設(shè)的浮皮果出口，正確判別率為100%，而可溶性固形物正確分級(jí)率為97%。研究可為柑橘在線分選提供分選策略與理論依據(jù)。

浮皮果；漫透射；可溶性固形物；同時(shí)檢測(cè)

柑橘因其口味清甜可口、無渣、營養(yǎng)豐富且口感細(xì)膩，深受消費(fèi)者喜愛。但柑橘存在浮皮果這種生理病害，嚴(yán)重影響柑橘的出口。浮皮果是指果實(shí)在成熟過程中，果皮與果肉之間產(chǎn)生空隙分離，造成果皮鼓起的現(xiàn)象，易發(fā)生在薄皮柑橘類水果中。傳統(tǒng)的柑橘浮皮果分選往往只能依靠人工進(jìn)行分選，不僅耗時(shí)費(fèi)力，且不能按照糖度的等級(jí)進(jìn)行分選。因此急需研究一種能夠?qū)⒏∑すc可溶性固形物同時(shí)在線檢測(cè)的方法，對(duì)于增加果農(nóng)收益、提高果品品質(zhì)具有重大意義。

目前有較多柑橘類水果近紅外檢測(cè)的相關(guān)研究報(bào)道，但大多數(shù)都是針對(duì)柑橘類水果的糖酸度及尺寸等指標(biāo)進(jìn)行定量檢測(cè)[1-3]，且多為靜態(tài)檢測(cè)[4-6]，動(dòng)態(tài)實(shí)時(shí)在線檢測(cè)的報(bào)道較少。也有對(duì)柑橘類水果成熟度及病害進(jìn)行檢測(cè)[7-10]，但研究的指標(biāo)較為單一，且目前沒有在一條生產(chǎn)線上實(shí)現(xiàn)檢測(cè)浮皮果與可溶性固形物快速分選的研究報(bào)道。本試驗(yàn)擬以柑橘為研究對(duì)象，采集浮皮果與正常果的光譜信息，建立浮皮果與正常果的判別模型，提出浮皮果與可溶性固形物同時(shí)在線檢測(cè)的分選策略，并探討浮皮果對(duì)可溶性固形物檢測(cè)模型精度的影響，最終實(shí)現(xiàn)柑橘浮皮果及可溶性固形物同時(shí)在線檢測(cè)，研究可為柑橘類水果在線分選提供分選策略及理論依據(jù)。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)樣品選用成熟期的寬皮柑橘，采摘自湖北省宜昌市，樣品運(yùn)抵試驗(yàn)室后，置于實(shí)驗(yàn)室室溫20 ℃，相對(duì)濕度40%～60%的條件下。試驗(yàn)前剔除果形畸形，表面碰傷刮擦、局部潰瘍病等異常樣品。所有樣品均用濕抹布清理干凈，自然晾干后，每個(gè)柑橘沿赤道部位間隔120°進(jìn)行標(biāo)號(hào)。標(biāo)號(hào)后在實(shí)驗(yàn)室室溫20 ℃，相對(duì)濕度40%～60%的條件下存放24 h，隔天采集光譜。試驗(yàn)所用樣品的可溶性固形物含量統(tǒng)計(jì)結(jié)果見表1。為消除尺寸大小對(duì)浮皮果檢測(cè)的影響，采用游標(biāo)卡尺量取果橫徑65～72 mm的柑橘作為試驗(yàn)對(duì)象，共157個(gè)，其中正常果117個(gè)，浮皮果40個(gè)。采用K-S(Kennard-Stone)方法對(duì)樣品進(jìn)行劃分，選用122個(gè)果作為校正集，其中正常柑橘92個(gè)，浮皮果柑橘30個(gè)，剩余35個(gè)柑橘作為預(yù)測(cè)集用于評(píng)價(jià)模型的穩(wěn)定性和準(zhǔn)確性。

1.2 在線檢測(cè)裝置與光譜采集

試驗(yàn)所采用的動(dòng)態(tài)在線光譜采集裝置見圖1，包括三大系統(tǒng)，分別是近紅外光譜檢測(cè)系統(tǒng)、分選控制系統(tǒng)以及機(jī)械輸送系統(tǒng)。該裝置采用漫透射檢測(cè)方式，光源四周照射，檢測(cè)器與探頭布置在樣品兩側(cè)。光通過樣品，最后被探頭接收，并在樣品底部形成一個(gè)5～10 mm的光斑，所以采集的光譜中包含了幾乎整個(gè)樣品的光譜信息，能夠更好的反映樣品內(nèi)部的物理化學(xué)特征。試驗(yàn)采用Ocean Optics公司的QE65Pro型光譜儀，光源采用10個(gè)12 V、100 W的歐司朗鹵鎢燈，試驗(yàn)條件為：積分時(shí)間100 ms，運(yùn)動(dòng)速度5個(gè)/s，波長范圍350～1 150 nm。

表1 柑橘可溶性固形物統(tǒng)計(jì)結(jié)果?Table 1 The statistical results of soluble solids content of citrus

? *表示為浮皮果樣品。

1. 霍爾傳感器 2. 編碼盤 3. 鏈輪 4. 傳送鏈 5. 探頭 6. 光照箱 7. 光源系統(tǒng) 8. 水果 9. 計(jì)算機(jī) 10. PLC 11. 果盤 12. 旋轉(zhuǎn)電磁鐵 13. 分選口 14. 電動(dòng)機(jī) 15. 減速器 16. 驅(qū)動(dòng)鏈輪

圖1 近紅外漫透射在線檢測(cè)裝置

Figure 1 The device of NIR diffuse transmittance detection

在光譜采集前需要預(yù)熱，每次開機(jī)預(yù)熱30 min后，用白色特氟龍球作參比，校正可見近紅外漫透射光譜在線檢測(cè)裝置，在光譜查看界面觀察能量譜強(qiáng)度標(biāo)準(zhǔn)差變化，當(dāng)變化范圍在±1%時(shí)，電壓穩(wěn)定，可以開始光譜采集。每個(gè)柑橘沿赤道標(biāo)號(hào)部位采集3條光譜，共157個(gè)樣品。將樣品依次進(jìn)行編號(hào)，每個(gè)樣品沿著赤道部位等間弧度的標(biāo)記3個(gè)點(diǎn)，間隔約120°；試驗(yàn)時(shí)采用人工上果，將柑橘赤道部位放置到果杯凹槽內(nèi)，保證柑橘果頂與果柄連線方向與傳送帶運(yùn)動(dòng)方向一致。傳送鏈帶動(dòng)果杯移動(dòng)，經(jīng)過探頭位置，通過硬件觸發(fā)使光譜儀觸發(fā)，采用自主開發(fā)的光譜采集軟件采集并保存一條光譜。硬件觸發(fā)過程：在線檢測(cè)設(shè)備見圖2，鏈輪與編碼盤都安裝在主軸上，鏈輪每4個(gè)齒對(duì)應(yīng)編碼盤1個(gè)齒，且鏈輪4個(gè)齒位置安裝1個(gè)果杯。霍爾傳感器位于編碼盤下方2 mm處，編碼盤每轉(zhuǎn)1齒，使得鏈輪傳動(dòng)1個(gè)果杯的行程，并觸發(fā)傳感器發(fā)出一個(gè)高電位信號(hào)，觸發(fā)光譜儀采集一條光譜，并在相應(yīng)的軟件中保存光譜。

1. 鏈輪 2. 編碼盤 3. 光電開關(guān) 4. 果杯 5. 傳動(dòng)鏈條圖2 檢測(cè)設(shè)備觸發(fā)原理Figure 2 The trigger theory of detection devices

1.3 樣品化學(xué)值測(cè)定

可溶性固形物含量采用折射式數(shù)字糖度計(jì)(Atago, Co., Tokyo, Japan)進(jìn)行測(cè)定，試驗(yàn)中所測(cè)定的可溶性固形物含量均為糖度計(jì)標(biāo)定后測(cè)得，每個(gè)樣品測(cè)量3次，取多次測(cè)量結(jié)果一致的為可溶性固形物含量真值。

浮皮果判別采用剖面觀察法，將柑橘皮剝開，觀擦柑橘囊衣與果皮評(píng)價(jià)浮皮果與否及浮皮果程度。健康柑橘囊衣與果皮，果皮與囊瓣兒膜之間無空隙癥狀；輕微浮皮果一般在果柄處發(fā)生囊衣與果皮，果皮與囊瓣兒膜分離，但未擴(kuò)散到整個(gè)果肉；重度浮皮果囊衣與果皮，果皮與囊瓣兒膜完全分離，浮皮果和健康果的對(duì)照見圖3。

1.4 數(shù)據(jù)處理

試驗(yàn)過程中光譜采集采用美國海洋公司的SpectraSuite軟件，待光譜與可溶性固形物真值被采集后，將數(shù)據(jù)導(dǎo)入U(xiǎn)nscrambler軟件中進(jìn)行數(shù)據(jù)處理與分析。偏最小二乘法常用濃度與光譜矩陣之間的關(guān)系，將矩陣分解及回歸并為一步[11-13]。判別偏最小二乘法則是將定量的偏最小二乘法用于判別分析的一種策略。偏最小二乘法及判別偏最小二乘法預(yù)測(cè)原理見式(1)：

圖3 浮皮果與健康果Figure 3 Puffy fruit and healthy fruit

(1)

式中：

Y——模型預(yù)測(cè)值；

i——第i個(gè)波長點(diǎn)；

βi——第i個(gè)波長點(diǎn)對(duì)應(yīng)的回歸系數(shù)值；

λi——第i個(gè)波長點(diǎn)對(duì)應(yīng)的光譜能量值；

n——波長點(diǎn)的個(gè)數(shù)；

B——模型的截距。

將所建立最優(yōu)模型的參數(shù)導(dǎo)入分選軟件中，實(shí)現(xiàn)浮皮果與可溶性固形物同時(shí)在線檢測(cè)，其中浮皮果的判別模型采用正確判別率對(duì)模型進(jìn)行評(píng)價(jià)，可溶性固形物定量檢測(cè)模型采用相關(guān)系數(shù)及預(yù)測(cè)集均方根誤差評(píng)價(jià)模型優(yōu)劣。

2 結(jié)果與討論

2.1 浮皮果與健康果光譜對(duì)比

柑橘全波段能量譜范圍為350～1 150 nm，考慮到雜散光和電噪聲等的影響，光譜分析使用信噪比較高的波段，選擇波段范圍580～900 nm，共320個(gè)光譜變量進(jìn)行浮皮果研究。圖4給出了柑橘健康果、輕度浮皮果、重度浮皮果的光譜，通過吸收峰和光譜能量進(jìn)行判別。

新鮮上市的柑橘，浮皮果和健康果差異不是很明顯，但由于其在果皮與囊瓣兒間存在空隙，因此浮皮果和健康果在能量譜上存在較為明顯的差異。健康果和浮皮果在光譜波長720 nm和780 nm附近均有兩個(gè)明顯的吸收峰，浮皮果的

圖4 柑橘三類樣品能量譜圖Figure 4 The spectrum of citrus

光譜能量值在兩個(gè)吸收峰處均強(qiáng)于健康果，且在580～900 nm時(shí)光譜能量值始終高于健康果。浮皮果由于果肉的囊瓣兒膜和果皮間失水剝離，二者之間的間隙充滿空氣，而空氣吸收和漫反射可見/近紅外光的能力相對(duì)較弱，光纖探頭接收到的透射光比健康果多；健康果的果肉囊衣與果皮緊密結(jié)合，而近紅外光譜吸收主要是由于含氫基團(tuán)振動(dòng)的倍頻和合頻帶吸收位置吸收產(chǎn)生的，果肉細(xì)胞對(duì)可見/近紅外光的吸收能力相對(duì)較強(qiáng)，探頭接收到的正常柑橘的有效信息較少，所以呈現(xiàn)出圖4中正常柑橘采集的能量譜比浮皮果柑橘低。

2.2 主成分分析

主成分分析采用線性正交的基來表示樣品數(shù)據(jù)空間的特征，采用幾個(gè)少量新變量的組合，同時(shí)保證新變量能盡可能少的丟失全譜變量的信息[14-15]，提取盡量多的數(shù)據(jù)特征。來達(dá)到數(shù)據(jù)降維且不損失有效特征的目的。經(jīng)過主成分分析處理后得到的新變量不具有相關(guān)性且相互正交，這樣就消除了全譜變量混合在一起的信息共存部分，即消除原來變量之間可能存在的多重共線性。采用主成分分析前，首先對(duì)580～900 nm波長范圍內(nèi)進(jìn)行預(yù)處理，采用標(biāo)準(zhǔn)歸一化和多元散射校正來消除光譜中的噪聲信息干擾，提高光譜的信噪比。前3個(gè)主成分得分散點(diǎn)圖見圖5，其貢獻(xiàn)率分別97%，1%，1%。由圖5可知，存在一定的聚類現(xiàn)象，但也存在較多重疊的部分，健康果與浮皮果依靠前3個(gè)主成分因子的散點(diǎn)圖難以區(qū)分開來。因此需要一種高維度的能夠?qū)⒔】倒c浮皮果區(qū)分的方法。

圖5 主成分得分散點(diǎn)圖Figure 5 Scores plots of principal component

2.3 最小二乘支持向量機(jī)

最小二乘支持向量機(jī)是一種遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的核函數(shù)機(jī)器學(xué)習(xí)方法，在高維度空間將優(yōu)化問題轉(zhuǎn)化為等式約束條件問題[16-18]。分別選擇580～900 nm波長范圍和20個(gè)主成分得分作為模型的輸入變量，并討論線性核函數(shù)(Lin_kernel)與徑向基核函數(shù)(RBF_kernel)兩種不同的核函數(shù)對(duì)模型誤判率的影響，其中建模集122個(gè)，包含浮皮果30個(gè)，健康果92個(gè)，用于訓(xùn)練機(jī)器學(xué)習(xí)模型。預(yù)測(cè)集35個(gè)用于預(yù)測(cè)模型，包含浮皮果10個(gè)，正常果25個(gè)。其結(jié)果見表2。

表2 不同核函數(shù)對(duì)LS-SVM模型預(yù)測(cè)結(jié)果的影響?Table 2 Effect of different core function on prediction in LS-SVM model

?xi表示樣本點(diǎn)，xj表示核函數(shù)中心，γ表示分布參數(shù)，σ2表示內(nèi)核參數(shù)。

在表2中，非線性模型的RBF核函數(shù)所涉及的兩個(gè)主要參數(shù)為γ和σ2，而Lin核函數(shù)所涉及的主要參數(shù)為γ，作為樣品誤判程度的評(píng)判參數(shù)，用來對(duì)預(yù)測(cè)樣品類別的準(zhǔn)確程度進(jìn)行評(píng)判。在選用特征波段為輸入的模型中，其中采用徑向基核函數(shù)模型預(yù)測(cè)效果較好，在γ=0.050 197、σ2=0.625 64條件下，誤判率為2.9%，將浮皮果誤判為正常果，而采用線性核函數(shù)有3個(gè)被誤判，其中γ=0.017 525，誤判率較高為8.6%；當(dāng)采用PCA壓縮后的變量作為輸入變量時(shí)，模型預(yù)測(cè)集判別率得到了逐步提升，當(dāng)輸入變量為前14個(gè)主成分時(shí)，模型預(yù)測(cè)均方根誤差最低且誤判率最低，效果最好。當(dāng)采用線性核函數(shù)建模時(shí)，預(yù)測(cè)集得到的誤判率降低到2.9%，采用 RBF核函數(shù)判別正確率100%，再增加主成分，模型判別效果變差。同時(shí)，在用到的輸入變量為PC=14時(shí)，模型預(yù)測(cè)集均方根誤差最低且誤判率最低，RBF函數(shù)消耗的時(shí)間較長為1.890 6 s，而Lin核函數(shù)消耗的時(shí)間較短僅1.783 s，并且前者的參數(shù)γ=0.036 053，后者的參數(shù)γ=0.014 073。綜合比較以上建模結(jié)果，其中采用14個(gè)主成分得分作為最小二乘支持向量機(jī)模型輸入變量并結(jié)合徑向基核函數(shù)效果最優(yōu)，其輸入變量少且誤判率低。

2.4 偏最小二乘判別

偏最小二乘判別(PLS-DA)判別法是一種基于PLS回歸模型的定性判別方法。通過多次建模可得，試驗(yàn)中分類向量設(shè)為[1，8]，1為浮皮果，8為健康果。在試驗(yàn)中主要采用留一法進(jìn)行交互驗(yàn)證，確定最優(yōu)PLS-DA模型的最佳主成分因子數(shù)。圖6(a)是預(yù)測(cè)集均方根誤差(RMSEP)與主成份因子數(shù)的關(guān)系圖，由圖6(a)可知，RMSEP從第12個(gè)主成分開始，隨著主成分?jǐn)?shù)繼續(xù)增加，RMSEP反而變大，故PLS-DA的最佳主成分因子數(shù)定為12。在PLS-DA建模模型中，不同波長處的光譜變量對(duì)應(yīng)的權(quán)重由PLS-DA模型回歸系數(shù)大小來表示。通過PLS-DA模型回歸計(jì)算，賦予全譜范圍內(nèi)柑橘的光譜變量的權(quán)重見圖6(b)，根據(jù)偏最小二乘加權(quán)求和公式，加上截距b=3.35，實(shí)現(xiàn)了健康柑橘與浮皮果的定性判別。

取分類向量值之間的5作為閾值，樣本閾值以下為浮皮果，樣本閾值以上為健康果，此時(shí)，定性判別模型的誤判率為0%。綜合以上分析，采用PLS-DA建模模型建模及預(yù)測(cè)效果見圖7，從中可以得到柑橘的相關(guān)系數(shù)RP為0.92，均方根誤差(RMSEP)為1.16，在閾值附近，沒有出現(xiàn)越過閾值線的現(xiàn)象，不存在誤判。對(duì)比所建立的兩種柑橘浮皮果判別模型，兩種模型都得到很好的結(jié)果，其浮皮果正確判別率都為100%，但由于最小二乘支持向量及模型較為復(fù)雜，且不適用于動(dòng)態(tài)分選模型，而偏最小二乘判別模型，不僅模型簡單易操作、適用于動(dòng)態(tài)分選模型，而且具有較高的浮皮果正確判別率。

圖6 柑橘PLS-DA模型參數(shù)Figure 6 The parameter with PLS-DA model of citrus

2.5 偏最小二乘可溶性固形物模型

柑橘分別分為3組(表3)，其中組1為浮皮果和健康果組合，組2為浮皮果，組3為健康果。探究柑橘浮皮果對(duì)可溶性固形物偏最小二乘回歸模型預(yù)測(cè)能力的影響，直接采用波長范圍為580～900 nm光譜能量建立偏最小二乘模型，在光譜試驗(yàn)中，一個(gè)最佳的主成分因子數(shù)往往對(duì)提高偏最小二乘回歸模型預(yù)測(cè)能力尤為重要，選用主成分因子數(shù)需要綜合考察模型的相關(guān)系數(shù)及均方根誤差，一個(gè)好的模型不僅需要好的相關(guān)系數(shù)，而且還需要低的均方根誤差。柑橘不同組合預(yù)測(cè)集和校正集均方根誤差隨主成分因子數(shù)變化曲線見圖8。

圖7 柑橘PLS-DA模型Figure 7 The PLS-DA model of citrus表3 不同樣品組的偏最小二乘建模和模型預(yù)測(cè)結(jié)果Table 3 The model statistical results of different classes

組別因子數(shù)RCRMSEC/°BrixRPRMSEP/°Brix組1130.930.370.810.62組2120.881.930.862.06組3130.940.310.880.77

由表3可知，柑橘組1、2和3的最佳主成分因子數(shù)分別為13，12，13；柑橘健康果和浮皮果組合及健康果組合的偏最小二乘回歸模型建模集和預(yù)測(cè)集結(jié)果見圖9。健康果(組3)的偏最小二乘回歸建模及模型預(yù)測(cè)結(jié)果均優(yōu)于浮皮果(組2)和浮皮果健康果組合(組1)。浮皮果對(duì)柑橘主成分因子影響不大，但因其對(duì)光譜能量的吸收能力不同于健康果，會(huì)對(duì)偏最小二乘回歸模型的預(yù)測(cè)能力造成一定的影響。

健康果(組3)的偏最小建模及模型預(yù)測(cè)散點(diǎn)見圖9(b)。柑橘健康果最佳主成分因子數(shù)為12，建模集相關(guān)系數(shù)Rc為

0.94，建模集均方根誤差為0.31 °Brix，模型預(yù)測(cè)相關(guān)系數(shù)Rp為0.88，預(yù)測(cè)集均方根誤差RMSEC為0.77 °Brix。該模型回歸系數(shù)曲線見圖8(b)?；貧w系數(shù)絕對(duì)值表示該變量對(duì)模型的影響，正回歸系數(shù)對(duì)應(yīng)光譜變量相關(guān)性越好，光譜峰強(qiáng)越強(qiáng)，預(yù)示著可溶性固形物在該樣品占的權(quán)重越大，負(fù)回歸系數(shù)對(duì)應(yīng)光譜變量相關(guān)性越好，試驗(yàn)中建立的剔除柑橘浮皮果后偏最小二乘回歸模型的截距為11.84。

圖8 柑橘PLS模型參數(shù)Figure 8 The parameter with PLS model of citrus

圖9 柑橘偏最小二乘回歸建模和模型預(yù)測(cè)散點(diǎn)圖Figure 9 Scatter plots of PLS models in calibration and prediction sets of citrus

2.6 在線分選準(zhǔn)確性評(píng)價(jià)

首先，將所建立的最優(yōu)的定量與定性導(dǎo)入分選軟件中，分選流程圖見圖10，柑橘先經(jīng)浮皮果判別模型判定為浮皮果的，不進(jìn)行分級(jí)而是進(jìn)入異常果分級(jí)口，正常果則進(jìn)行可溶性固形物分級(jí)。據(jù)研究[9]表明，水果存在2 °Brix的差異能夠有口感差異。故將分級(jí)口定義為10～14 °Brix，每間隔2 °Brix設(shè)置一個(gè)分選等級(jí)，共4個(gè)等級(jí)。采用未參與建模的35個(gè)柑橘樣品進(jìn)行預(yù)測(cè)，其中包括25個(gè)正常樣品和10個(gè)浮皮果。將上述樣品依次編號(hào)，柑橘每隔120°標(biāo)記一次，共標(biāo)記3個(gè)點(diǎn)。將標(biāo)記好的樣品依次放在分選線分選，同一位置放置3次，觀察這3次分選是否彈入同一分級(jí)口，試驗(yàn)中有2次彈入相鄰的糖度分級(jí)口，分級(jí)準(zhǔn)確率為97%。

圖10 同時(shí)在線檢測(cè)柑橘浮皮果和可溶性固形物

Figure 10 Flow diagram of simultaneous detection for peel puffy and soluble solids content of citrus by online visible/near infrared spectroscopy

3 結(jié)論

采用近紅漫透射檢測(cè)方式，在同一條生產(chǎn)線上實(shí)現(xiàn)了柑橘浮皮果與可溶性固形物同時(shí)在線檢測(cè)，并建立了柑橘浮皮果的定性判別模型，其中建立的偏最小二乘判別及最優(yōu)的最小二乘支持向量機(jī)模型正確判別率均為100%，在采用未參與建模的樣品進(jìn)行分選試驗(yàn)中，能夠?qū)⒏∑すc正常果很好地區(qū)分開來，浮皮果全部被推入預(yù)先設(shè)置的分選口中。另外探討了浮皮果對(duì)柑橘可溶性固形物精度的影響，其中包含浮皮果建模效果較差。采用正常果建立的柑橘可溶性固形物的預(yù)測(cè)均方根誤差為0.77 °Brix，模型實(shí)際分選試驗(yàn)在線分選精度為97%。研究可為柑橘在線分選提供分選策略與理論依據(jù)。

[1] 呂強(qiáng), 何紹蘭, 劉斌, 等. 班菲爾臍橙可溶性固形物近紅外光譜特征譜區(qū)選擇[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012(S1): 211-214.

[2] CAYUELA J A. Vis/NIR soluble solids prediction in intact oranges (Citrus sinensis L.) cv. Valencia Late by reflectance[J]. Postharvest Biology and Technology, 2008, 47(1): 75-80.

[3] TEWARI J C, DIXIT V, CHO B K, et al. Determination 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: Molecular and Biomolecular Spectroscopy, 2008, 71(3): 1 119-1 127.

[4] CAYUELA J A, WEILAND C. Intact orange quality prediction with two portable NIR spectrometers[J]. Postharvest Biology and Technology, 2010, 58(2): 113-120.

[5] LIU Yan-de, SUN Xu-dong, OUYANG Ai-guo. 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(5): 602-607.

[6] MAGWAZA L S, OPARA U L, TERRY L A, et al. Prediction of‘Nules Clementine’mandarin susceptibility to rind breakdown disorder using Vis/NIR spectroscopy[J]. Postharvest Biology and Technology, 2012, 74: 1-10.

[7] MAGWAZA L S, LANDAHL S, CRONJE P J R, et al. The use of Vis/NIRS and chemometric analysis to predict fruit defects and postharvest behaviour of ‘Nules Clementine’mandarin fruit[J]. Food Chemistry, 2014, 163: 267-274.

[8] 孫通, 許文麗, 胡田, 等. 基于UVE-ICA和支持向量機(jī)的南豐蜜桔可溶性固形物可見-近紅外檢測(cè)[J]. 光譜學(xué)與光譜分析, 2013, 33(12): 3 235-3 239.

[9] JAMSHIDI B, MINAEI S, MOHAJERANI E, et al. Reflectance Vis/NIR spectroscopy for nondestructive taste characterization of Valencia oranges[J]. Computers and Electronics in Agriculture, 2012, 85: 64-69.

[10] WANG Ai-chen, XIE Li-juan. Technology using near infrared spectroscopic and multivariate analysis to determine the soluble solids content of citrus fruit[J]. Journal of Food Engineering, 2014, 143: 17-24.

[11] LIU C, YANG S X, DENG L. Determination of internal qualities of newhall navel oranges based on nir spectroscopy using machine learning[J]. Journal of Food Engineering, 2015, 161: 16-23.[12] LORENTE D, ESCANDELL-MONTERO P, CUBERO S, et al. Visible-NIR reflectance spectroscopy and manifold learning methods applied to the detection of fungal infections on citrus fruit[J]. Journal of Food Engineering, 2015, 163: 17-24.

[13] SANKARAN S, EHSANI R. Visible-near infrared spectroscopy based citrus greening detection: Evaluation of spectral feature extraction techniques[J]. Crop Protection, 2011, 30(11): 1 508-1 513.

[14] JAMES P Reed, DESMOND Devlin, SANDRA R R Esteves, et al. Integration of NIRS and PCA techniques for the process monitoring of a sewage sludge anaerobic digester[J]. Bioresource Technology, 2013, 133(4): 398-404.

[15] NEJADGHOLI I, BOLIC M. A comparative study of PCA, SIMCA and Cole model for classification of bioimpedance spectroscopy measurements[J]. Computer in Biology and Medicine, 2015, 63: 42-51.

[16] CHAUCHARD F, COGDILL R, ROUSSEL S, et al. Application of LS-SVM to non-linear phenomena in NIR spectroscopy: development of a robust and portable sensor for acidity prediction in grapes[J]. Chemometrics and Intelligent Laboratory Systems, 2004, 71(2): 141-150.

[17] MARCO F Ferr?o, SIMONE C Godoy, ANNELISE E Gerbase, et al. Non-destructive method for determination of hydroxyl value of soybean polyol by LS-SVM using HATR/FT-IR[J]. Analytica Chimica Acta, 2007, 9(6): 114-119.

[18] 郝勇, 孫旭東, 高榮杰. 基于可見/近紅外光譜與SIMCA和PL S-DA的臍橙品種識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(12): 373-377.

[19] 孫旭東, 劉燕德, 李軼凡, 等. 鴨梨黑心病和可溶性固形物含量同時(shí)在線檢測(cè)研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(1): 227-233.

Simultaneous detection of puffiness and soluble solids content for intact citrus by online spectroscopy

LIU Yan-de

WUMing-ming

SUNXu-dong

ZHUDan-ning

(SchoolofMechatronicsEngineering,EashChinaJiaotongUniversity,Nanchang,Jiangxi330013,China)

Puffy fruit and soluble solid content (SSC) are important indexes for evaluating the quality of citrus. The feasibility was discussed for detecting Puffing disease and SSC of intact citrus simultaneously by online visible-near infrared (visible-NIR) transmittance spectroscopy. The spectra were recorded with the integration time of 100 ms in the wavelength range of 350～1 150 nm when the samples were conveyed at the speed of five samples per second. The feasibility of simultaneous and online detection of puffiness fruit and SSC for intact citrus simultaneously was discussed by visible-near infrared transmittance spectroscopy. The response properties of visible-NIR spectra for normal fruit, mild and severe puffiness fruit were analyzed. Then least squares support vector machine (LSSVM) and discrimination partial least square (DPLS) were developed for discrimination of puffiness fruit and health citrus. At the same time, the optimal soluble solids content model of citrus was conducted by partial least squares regression methods. Other 35 samples without developing calibration models were applied to evaluate precision of online sorting. The classification rate was 100% for identifying puffiness fruit, and the accuracy of sorting SSC for health pears was 97%. The results showed that simultaneous detection of puffiness and SSC were feasible by visible-NIR transmittance spectroscopy.

puffiness fruit; diffuse transmittance; soluble solids content; simultaneous detection

“十二五”國家863計(jì)劃課題(編號(hào)：SS2012AA101306)；江西省優(yōu)勢(shì)科技創(chuàng)新團(tuán)隊(duì)建設(shè)計(jì)劃項(xiàng)目(編號(hào)：20153BCB24002)；南方山地果園智能化管理技術(shù)與裝備協(xié)同創(chuàng)新中心(編號(hào)：贛教高字[2014]60號(hào))；江西省研究生創(chuàng)新資金項(xiàng)目(編號(hào)：YC2015-S238)

劉燕德(1967—)，女，華東交通大學(xué)教授，博士，博士生導(dǎo)師。E-mail：jxliuyd@163.com

2016—06—29

10.13652/j.issn.1003-5788.2016.11.026