基于近紅外光譜的水蜜桃采摘期的鑒別方法*

李 劍， 李臻峰,， 宋飛虎,， 步正延

(1.江南大學(xué) 機械工程學(xué)院，江蘇 無錫 214122；2.江蘇省食品先進制造裝備技術(shù)重點實驗室，江蘇 無錫 214122)

基于近紅外光譜的水蜜桃采摘期的鑒別方法*

李 劍1， 李臻峰1,2， 宋飛虎1,2， 步正延1

(1.江南大學(xué)機械工程學(xué)院，江蘇無錫214122；2.江蘇省食品先進制造裝備技術(shù)重點實驗室，江蘇無錫214122)

提出了一種利用近紅外漫反射光譜技術(shù)結(jié)合光纖傳感技術(shù)建立水蜜桃采摘期的鑒別方法。從無錫陽山鎮(zhèn)的某大棚采摘了距最佳采摘期天數(shù)為3，2，1以及處于最佳采摘期的水蜜桃各48個，用近紅外光譜儀對樣品進行了光譜采集。對原始光譜進行平滑、一階微分和多元散射校正預(yù)處理，采用主成分分析(PCA)結(jié)合偏最小二乘(PLS)法建立了水蜜桃采摘期的鑒別模型。研究顯示：一階微分和平滑組合預(yù)處理后的鑒別模型效果最好，校正集模型和預(yù)測集模型的決定系數(shù)分別為0.927 9和0.913 8；模型的內(nèi)部交叉驗證均方差(RMSECV)和預(yù)測均方根偏差(RMSEP)分別為0.300 3和0.334 9；水蜜桃樣品校正集和預(yù)測集的鑒別正確率分別為95.13 %和93.75 %。結(jié)果表明：利用近紅外漫反射光譜技術(shù)對水蜜桃采摘期的鑒別具有很好的應(yīng)用前景。

近紅外光譜； 水蜜桃； 采摘期； 偏最小二乘法

0 引 言

現(xiàn)階段的水蜜桃質(zhì)量檢測和分級通常只能從外觀進行人為判斷，受主觀性較強，檢測效率低。研究水蜜桃的最佳收獲期，對于提高產(chǎn)品附加值，實現(xiàn)自動化具有重要意義。

近紅外光譜技術(shù)具有多種成分同時檢測、采集速度快、成本低、無前處理、無破壞性和無污染等特點，堪稱“綠色檢測技術(shù)”[1～4]。包含定性分析和定量分析，結(jié)合化學(xué)計量學(xué)方法建立數(shù)學(xué)模型分析樣品內(nèi)部品質(zhì)和近紅外光譜的相關(guān)性[5]。

近年來，國內(nèi)外利用近紅外光譜技術(shù)對蘋果[6，7]、梨[8，9]、李子[10]、棗[11]、芒果[12]等水果進行了研究，取得了很多成就。在近紅外光譜技術(shù)對桃[13]的研究應(yīng)用方面，也相應(yīng)取得了不少進展。潘磊慶等人[14]利用傅里葉近紅外光譜技術(shù)，采用多元散射校正、一階導(dǎo)數(shù)和卷積平滑處理方法對樣品原始光譜進行預(yù)處理，結(jié)合偏最小二乘法建立數(shù)學(xué)模型，對貨架期水蜜桃糖度進行了預(yù)測，得到了比較好的預(yù)測效果。馮曉元等人[15]利用近紅外光譜漫反射技術(shù)預(yù)測了久保桃的內(nèi)部可溶性固形物含量，研究發(fā)現(xiàn)，采用一階微分對光譜的預(yù)處理結(jié)合改進偏最小二乘法建立的預(yù)測模型的相關(guān)性較高。目前，國內(nèi)還沒有關(guān)于不同采摘期的水蜜桃的鑒別研究。本文利用近紅外漫反射系統(tǒng)對不同采摘期的水蜜桃進行了光譜采集，通過Matlab軟件對原始光譜進行了預(yù)處理，并建立了偏最小二乘數(shù)學(xué)模型，對距離最佳采摘期不同天數(shù)的水蜜桃進行了鑒別，為水蜜桃的采摘和生長管理提供了品質(zhì)保證。

1 材料與方法

1.1 試驗材料

選定產(chǎn)于無錫陽山鎮(zhèn)的某大棚的“湖景”水蜜桃，分別采摘距最佳采摘期天數(shù)為3，2，1以及處于最佳采摘期的水蜜桃各48個，共192個。當天運實驗室，所有水蜜桃表面清理干凈，分別編號，貯藏于恒溫恒濕培養(yǎng)箱內(nèi)。定義水蜜桃類別為3，2，1，0。校正集由每個類別里隨機選擇的36個樣品組成，共144個。預(yù)測集由4個類別里余下的12個樣品組成，共48個。

1.2 近紅外光譜檢測系統(tǒng)

近紅外光譜漫反射系統(tǒng)的硬件由近紅外光譜儀、光纖、光纖探頭、光源(50W石英鹵素?zé)?以及計算機等組成，系統(tǒng)如圖1所示。近紅外光譜漫反射系統(tǒng)的運作過程為：光源發(fā)出的光通過光纖進入水蜜桃內(nèi)部組織中漫射，從水蜜桃內(nèi)部漫射光從光纖射出并進入近紅外光譜儀。近紅外光譜儀和計算機通過A/D轉(zhuǎn)換器對光譜信號進行數(shù)字化處理，計算機運行近紅外光譜儀自帶光譜控制軟件實現(xiàn)光譜數(shù)據(jù)獲取、轉(zhuǎn)換和光譜存儲。實驗采用光譜儀的光譜采集范圍為900～2500nm。光譜采集軟件為Morpho光譜儀控制軟件。采集的光譜數(shù)據(jù)以Excel形式導(dǎo)出。系統(tǒng)采用小功率雙光源，使得整個果實表面得到全面照射，獲得更多的光譜信息，同時保護了果實表面。

1.3 近紅外光譜采集

光譜儀預(yù)熱0.5h后，對樣品分別進行漫反射光譜采集。實驗選用直徑為75mm的聚四氟乙烯球作為參比去除大部分直接由樣品表面散射進入光纖探頭的光。在每個水蜜桃赤道部位等距采集4次光譜，然后將4次光譜值取平均，作為每個水蜜桃的原始光譜，并盡可能避免樣品明顯的表面缺陷。

2 結(jié)果與分析

2.1 光譜數(shù)據(jù)預(yù)處理

由圖2可以看出：4種類型的光譜圖具有一定的相似性，但波峰強度存在較大的差異，主要是由于處于不同采摘期的水蜜桃的內(nèi)部化學(xué)成分和組織結(jié)構(gòu)存在差異。由于水蜜桃自身表面的物理特性和內(nèi)部細胞變化等因素的影響，導(dǎo)致光譜基線偏移和漂移，產(chǎn)生了光散射和高頻噪聲，因此，需要對樣品的原始光譜進行預(yù)處理。為比較預(yù)處理方法對模型效果的影響，分別利用原始光譜，平滑，一階微分和標準正態(tài)變量轉(zhuǎn)換(SNV)及相關(guān)組合預(yù)處理的光譜數(shù)據(jù)建立數(shù)學(xué)模型。平滑的目的主要是消除隨機噪聲，一階微分能夠比較好地去除樣品由顏色差異產(chǎn)生的光譜的基線偏移與漂移，而SNV可以減少水蜜桃樣品的表面散射特性和光程變化對光譜帶來的影響。

圖2 不同采摘期水蜜桃典型漫反射近紅外原始光譜

表1 不同光譜預(yù)處理方法的PLS模型預(yù)測結(jié)果

2.2 主成分分析結(jié)果

主成分分析在不丟失大部分光譜信息的條件下，選取少數(shù)幾個綜合指標來替代原來的變量。預(yù)處理后的光譜矩陣為X，選用Matlab中多元統(tǒng)計分析函數(shù)princomp(X)實現(xiàn)主成分分析。一階微分加平滑預(yù)處理后主成分累積貢獻率結(jié)果如表2所示，第一主成分到第十主成分的累積貢獻率已高達91.22 %。說明該10個主成分能夠代表近紅外原始光譜的大部分信息。

表2 一階微分加平滑預(yù)處理后主成分貢獻率

2.3 模型的建立與驗證

選用偏最小二乘法建立水蜜桃光譜與采摘期的數(shù)學(xué)模型。實驗選取了144個水蜜桃組成校正樣本集，選取樣品的全波段近紅外光譜和距離最佳采摘期的天數(shù)(真實值)建立關(guān)聯(lián)模型，利用該模型預(yù)測48個預(yù)測集樣品距離最佳采摘期的天數(shù)。光譜數(shù)據(jù)矩陣為X，樣品距離最佳采摘期的天數(shù)為T，調(diào)用Matlab軟件函數(shù)plsregress(T,X)實現(xiàn)。圖3為水蜜桃校正集樣品真實類別與模型預(yù)測類別結(jié)果，其決定系數(shù)為0.927 9，校正均方根誤差為0.300 3。圖4為水蜜桃預(yù)測集樣品真實類別與模型預(yù)測類別結(jié)果，其決定系數(shù)為0.913 8，預(yù)測均方根誤差為0.334 9。如表3所示，模型的校正集和預(yù)測集的鑒別正確率分別為95.13 %和93.75 %。 由此可見,經(jīng)一階微分結(jié)合平滑預(yù)處理后建立的偏最小二乘數(shù)學(xué)模型具有較好的鑒別效果。說明近紅外光譜對水蜜桃采摘期的鑒別有實際的應(yīng)用價值。

圖3 水蜜桃校正集樣品真實類別與模型預(yù)測類別結(jié)果

圖4 水蜜桃預(yù)測集樣品真實類別與模型預(yù)測類別結(jié)果

樣本樣本總數(shù)鑒別錯誤的樣本數(shù)不確定的樣本數(shù)鑒別正確率/%校正樣本1447095.13預(yù)測樣本483093.75

3 結(jié) 論

通過近紅外光譜漫反射檢測系統(tǒng)對不同采摘期的水蜜桃進行了光譜采集，采用一階微分和平滑對原始近紅外光譜進行了預(yù)處理。選取了原始光譜通過預(yù)處理后的全部波段進行了建模，采用主成分分析進行了特征提取，結(jié)合偏最小二乘法建立了水蜜桃采摘期的鑒別模型。校正集模型和預(yù)測集模型的決定系數(shù)分別為0.927 9和0.913 8，模型的內(nèi)部交叉驗證均方差和預(yù)測均方根偏差分別為0.300 3和0.334 9。模型的鑒別正確率分別為95.13 %和93.75 %。說明所建模型具有較好的鑒別效果。該研究為水蜜桃采摘期的鑒別提供了一種簡便有效的方法，為水蜜桃的采摘和生長管理提供了品質(zhì)保證，為在線無損檢測水蜜桃的最佳采摘期提供了理論參考。

[1] 李軍濤.近紅外反射光譜快速評定玉米和小麥營養(yǎng)價值的研究[D].北京：中國農(nóng)業(yè)大學(xué),2014.

[2] 吳靜珠,吳勝男,劉翠玲,等.近紅外和高光譜技術(shù)用于小麥籽粒蛋白含量預(yù)測探索[J].傳感器與微系統(tǒng),2013,32(2):60-62.

[3] 吳靜珠,劉 倩,陳 巖,等.基于近紅外與高光譜技術(shù)的小麥種子多指標檢測方法[J].傳感器與微系統(tǒng),2016,35(7):42-44.

[4] 嚴衍祿,趙龍蓮,韓東海,等.近紅外光譜分析基礎(chǔ)與應(yīng)用[M].北京:中國輕工業(yè)出版,2005:3-4.

[5] 劉 瑩,胡云龍.基于ARM9的近紅外山茶油無損檢測儀研究[J].傳感器與微系統(tǒng),2013,32(4):72-75.

[6] 應(yīng)義斌,劉燕德,傅霞萍.蘋果有效酸度的近紅外漫反射無損檢測[J].農(nóng)業(yè)機械學(xué)報,2004, 35(6):124-126.

[7] 傅霞萍,應(yīng)義斌,劉燕德.蘋果糖度近紅外光譜檢測的初步試驗研究[J].中國食品學(xué)報, 2005, 5(2):103-107.

[8] 張 楠,程玉來,李東華,等.近紅外透射光譜測定水晶梨糖度的初步研究[J].食品工業(yè)科技, 2007, 28(3):215-216,228.

[9] 潘 璐,王加華,李鵬飛,等.砂梨糖度近紅外光譜波段遺傳算法優(yōu)化[J].光譜學(xué)與光譜分析,2009,29( 5):1246-1250.

[10] Slaughter D C,Thompson J F, Tan E S.Nondestructive determination of total and soluble solids in fresh prune uning near infrared spectroscopy[J].Post Harvest Biology and Technology, 2003,28(3):437-444.

[11] 張淑娟,王鳳花,張海紅,等.鮮棗品種和可溶性固形物含量近紅外光譜檢測[J].農(nóng)業(yè)機械學(xué)報,2009,40(4):139-142.

[12] 虞佳佳,何 勇,鮑一丹.基于光譜技術(shù)的芒果糖度酸度無損檢測方法研究[J].光譜學(xué)與光譜分析,2008,28(12):2839-2842.

[13] Peiris K H S,Dull G G,Leffler R G,et al.Near-infrared spectrometric method for nondestructive determination of soluble solids content of peaches[J].Journal of the American Society for Horticultural Science,1998,123(5):898-905.

[14] 潘磊慶,劉 明,韓東海,等.水蜜桃貨架期內(nèi)糖度的近紅外光譜檢測[J].南京農(nóng)業(yè)大學(xué)學(xué)報,2013(4):116-120.

[15] 馮曉元,王寶剛,李文生,等.近紅外漫反射光譜預(yù)測久保桃可溶性固形物初步實驗研究[J].食品工業(yè)科技,2008(3):273-275.

Identificationmethodofpickingperiodofjuicypeachesbasedonnearinfraredspectroscopy*

LI Jian1, LI Zhen-feng1,2, SONG Fei-hu1,2, BU Zheng-yan1

(1.SchoolofMechanicalEngineering,JiangnanUniversity,Wuxi214122,China；2.JiangsuKeyLaboratoryofAdvancedFoodManufacturingEquipmentandTechnology，Wuxi214122,China)

A near infrared diffuse spectroscopy technology combined with optical fiber sensing technology is used to explore nondestructive testing methods to identify the picking period of juicy peaches.48each of juicy peaches of3,2and1days from the best picking period and the day in the best picking period from a greenhouse in Yangshan town of Wuxi.The samples are collected by near infrared spectrometer.Three pre-processing methods i.e.smoothing,first derivative and mutiplicative scatter correction are used.Identification models of picking period are developed by principal component analysis(PCA) and partial least square(PLS) regression.The results show that first derivative and smoothing combination preprocessing construct the best predicted model.The correlation coefficient of calibration and validation model are0.9279and0.9138respectively.The root mean square error of cross validation(RMSECV) and the root mean square error of prediction(RMSEP) are0.3003and0.3349respectively.The recognition rates in the calibration set and prediction set of juicy peaches are95.13% and93.75% respectively.Results shows that the method of using the near infrared spectroscopy technology to identify the picking period of juicy peaches has a very good application prospect.

near infrared spectroscopy; juicy peaches; picking period;partial least square(PLS) method

10.13873/J.1000—9787(2017)10—0048—03

2016—11—25

國家自然科學(xué)基金資助項目(51406068)；江蘇省政策引導(dǎo)類計劃(產(chǎn)學(xué)研合作)——前瞻性聯(lián)合研究項目(2015019—16);江蘇省食品先進制造裝備技術(shù)重點實驗室開放基金資助項目(FM—201504)

S 123

A

1000—9787(2017)10—0048—03

李 劍(1991-)，男，碩士研究生，研究方向為機械電子工程，E—mail:lijian06@126.com。李臻峰(1968-)，男，通訊作者，博士，高級教授，研究方向為機械電子工程，E—mail：1078709105@qq.com。