在線檢測無花果中可溶性固形物的近紅外漫透射技術(shù)研究

郭 成, 梁夢醒, 江明珠, 賈俊強(qiáng), 吳瓊英, 顏 輝

(江蘇科技大學(xué) 生物技術(shù)學(xué)院,鎮(zhèn)江 212000)

無花果營養(yǎng)豐富、口感好,越來越受到人們的喜愛．研究表明,無花果在提高免疫力、抗氧化以及抗腫瘤中具有重要的作用[1-3],被稱為“21世紀(jì)人類健康的守護(hù)神”[4]．目前中國無花果產(chǎn)地主要分布在新疆、山東、江蘇、上海、浙江等省市,年產(chǎn)量約為16萬噸,發(fā)展前景十分廣闊．可溶性固形物(soluble solids content, SSC)是指果汁中可被水溶解的糖、維生素、酸、礦物質(zhì)等．通常SSC是評價水果品質(zhì)的重要指標(biāo)之一[5],其含量的高低影響著水果的口感．隨著人們生活水平的提高,不同的人群對水果口感的要求也不一樣,對無花果進(jìn)行分級篩選與銷售,符合消費(fèi)者與銷售者的利益需求,因此有必要開展無花果SSC的在線無損檢測的研究．

近紅外光譜(near infrared spectroscopy, NIRS)技術(shù)是利用物質(zhì)對光的吸收、散射、反射和透射等特性來進(jìn)行定性定量分析的一種無損檢測技術(shù)，在農(nóng)產(chǎn)品在線無損檢測中有著廣泛的應(yīng)用．文獻(xiàn)[6]研制了水果品質(zhì)在線近紅外分光檢測裝置,并以柑橘和蘋果為試驗對象,進(jìn)行糖度、酸度及內(nèi)部褐變的在線檢測,其中糖度的相關(guān)系數(shù)R在0.95以上,酸度的R在0.85以上并且能夠檢測內(nèi)部缺陷．文獻(xiàn)[7]建立了南疆紅棗糖度近紅外光譜在線檢測系統(tǒng),糖度的R在0.90以上．文獻(xiàn)[8]采用USB4000光譜儀,以漫透射方式實現(xiàn)了在線檢測臍橙SSC,并使用波長優(yōu)選方法提高檢測精度．文獻(xiàn)[9-10]采用近紅外技術(shù)實現(xiàn)了西瓜SSC、堅實度[11]的在線檢測,確定了最佳檢測模型．上述研究的順利開展,說明將NIRS技術(shù)應(yīng)用到水果在線無損檢測上是完全可行的．但文獻(xiàn)中報道的均為對硬質(zhì)果皮水果的研究,對于軟質(zhì)果皮水果研究的報道很少,特別是目前使用NIRS技術(shù)預(yù)測無花果SSC的研究國內(nèi)外尚未見報道,因此本研究的開展具有重要的現(xiàn)實意義．

本研究應(yīng)用近紅外漫透射技術(shù)對無花果SSC進(jìn)行在線檢測研究,使用偏最小二乘回歸(partial least squares, PLS)建立在線無損檢測無花果SSC的預(yù)測模型,探討一階求導(dǎo)的窗口寬度對模型的影響．并采用無信息變量消除法(uninformative variable elimination, UVE)對無花果的近紅外光譜進(jìn)行波長優(yōu)選,以期提高檢測精度,為無花果的品質(zhì)在線檢測奠定基礎(chǔ)．

1 材料與儀器

1.1 實驗材料

供試樣品(無花果)摘自江蘇省鎮(zhèn)江市丹徒區(qū)江心洲,品種為麥斯衣陶芬,摘取目視成熟度不同的果子,共采摘203顆無花果．

1.2 實驗儀器

近紅外光譜儀為QE65 Pro型,購于美國Ocean Optics有限公司,分辨率0.238 nm,測量范圍780.423～1 005.232 nm；折光儀為WZ-103型,購于浙江托普云農(nóng)科技股份有限公司．

1.3 在線檢測系統(tǒng)

自主設(shè)計的在線檢測系統(tǒng)如圖1，主要包括光源、托盤、測試箱、光源開關(guān)、轉(zhuǎn)速調(diào)節(jié)器、準(zhǔn)直鏡、光纖、光譜儀、計算機(jī)9個部分．

1.光源;2.托盤;3.測試箱;4.光源開關(guān);5.轉(zhuǎn)速調(diào)節(jié)器; 6.準(zhǔn)直鏡;7.光纖;8.光譜儀;9.計算機(jī)圖1 無花果品質(zhì)在線檢測系統(tǒng)示意圖Fig.1 Diagram of on-line system fortesting the quality of fig

光源發(fā)射出的光線進(jìn)入無花果內(nèi)部漫射,從無花果內(nèi)部漫射出的光譜信號經(jīng)準(zhǔn)直鏡和光纖傳送到光譜儀,透射模式光譜信號經(jīng)數(shù)據(jù)線存儲于計算機(jī),最后在計算機(jī)上顯示檢測結(jié)果．

2 實驗方法

2.1 光譜采集

確保所有線路正確連接,打開光譜儀,進(jìn)行暗電流校正,打開光源,預(yù)熱5 min然后以空氣為參比校正背景光譜,將無花果放置于托盤的凹槽中,打開馬達(dá)并調(diào)節(jié)轉(zhuǎn)速至0.33 r/s,使用近紅外光譜儀以漫透射方式采集203顆無花果的光譜數(shù)據(jù),光譜積分時間10 ms,平均次數(shù)10次．本實驗獲得的透射光譜,計算公式為:

(1)

式中：Sλ為波長λ時樣品的光譜強(qiáng)度,Dλ為波長λ時暗電流的強(qiáng)度,Rλ為波長λ時參照光譜的強(qiáng)度．

2.2 SSC測量方法

采集光譜后立即使用折光儀測量無花果SSC,共獲得203個SSC數(shù)據(jù),按文獻(xiàn)[12]的分層篩選方法劃分校正集、預(yù)測集,SSC從高到低排序,按照3 ∶1的比例劃分校正集與預(yù)測集,最終152個樣本作為校正集,51個樣本作為預(yù)測集．

2.3 光譜預(yù)處理

通常采用的預(yù)處理方法包括均值中心化(Mean Centering)、標(biāo)準(zhǔn)化、不同點移動平滑、一階導(dǎo)數(shù)(1stD)、標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variable transformation, SNV)、多元散射校正等[13，14]．本研究所用光譜儀分辨率較高,為0.238 nm,對分辨率較高的光譜進(jìn)行1stD求導(dǎo)時需要探討所用窗口寬度的不同對模型的影響[15],用以提高模型的預(yù)測精度．文中將探討1stD的窗口寬度對模型精度的影響．

2.4 偏最小二乘回歸模型

運(yùn)用PLS建立模型．PLS是建立在成分提取的方法之上,在提取成分的過程中,同時考慮到預(yù)測變量數(shù)據(jù)和因變量數(shù)據(jù)中的信息,使得從兩者中提取的信息之間的相關(guān)性達(dá)到最大,然后用所獲得的成分建立多元回歸分析模型．

在PLS分析中,潛變量(latent variables, LVs)影響了預(yù)測模型的精度,需要選取最佳LVs．通常潛變量由交叉驗證獲得,交叉驗證的方法有留一法(leave one out, LOO),連續(xù)塊,隨機(jī)子集等[13],文中采用LOO進(jìn)行交叉驗證．

2.5 無信息變量消除法

在PLS模型中,光譜矩陣X和實測值矩陣Y之間關(guān)系為Y=Xb+e(式中：b為系數(shù)向量,e為誤差向量)．UVE是建立在分析PLS回歸系數(shù)b基礎(chǔ)上的算法,目的是消除那些不提供有用信息的波長變量[16]．該方法首先將校正集光譜矩陣X與實測值矩陣Y進(jìn)行PLS回歸,根據(jù)PLS結(jié)果來確定最佳LVs,然后產(chǎn)生噪聲變量R,組合X與R為新的矩陣XR,將XR與Y再進(jìn)行PLS回歸,采用LOO交叉驗證,得到PLS回歸系數(shù)矩陣B．最后根據(jù)b的平均值和標(biāo)準(zhǔn)偏差的商的穩(wěn)定性來確定光譜變量是否被最終的PLS模型選取[17]．

2.6 模型評價

模型的評價則采用交叉驗證均方根誤差(RMSECV)、預(yù)測均方根誤差(RMSEP)以及相關(guān)系數(shù)R來進(jìn)行,一般要求RMSECV與RMSEP較低并且數(shù)值相近,相關(guān)系數(shù)則越接近1越好．

2.7 軟件

近紅外光譜預(yù)處理與PLS模型建立均在MATLAB R2009b的PLS Toolbox 6.21工具箱上實現(xiàn),UVE波長優(yōu)選使用ChemoAC工具箱實現(xiàn);光譜采集軟件由本課題組自主設(shè)計．

3 結(jié)果與討論

3.1 樣品的近紅外光譜

無花果的近紅外漫透射模式原始光譜如圖2，可以看出利用本系統(tǒng)能夠采到質(zhì)量較好的光譜,噪聲相對較?。渲?25 nm是-OH鍵2nd倍頻振動峰位[18],820 nm處是N-H鍵2nd倍頻振動．無花果含有糖、有機(jī)酸、黃酮和氨基酸等物質(zhì),圖譜中峰位吸收可能與這些物質(zhì)有關(guān)．

圖2 無花果近紅外原始光譜Fig.2 Raw NIRS of figs

3.2 樣品SSC測量結(jié)果

表1為203個無花果樣本SSC統(tǒng)計結(jié)果．由表1可得,校正集和預(yù)測集的SSC值范圍相近,分別為10.30～17.80 °Brix和9.80～17.05 °Brix,平均值分別為14.14 °Brix和14.07 °Brix,并且校正集和預(yù)測集樣品的標(biāo)準(zhǔn)差相近,分別為1.41°Brix和1.48°Brix．因此校正集和預(yù)測劃分合理,為建立可靠的模型奠定了基礎(chǔ)．

表1 無花果SSC的統(tǒng)計分析Table 1 Statistics of SSC of fig

3.3 模型與評價

為了探討一階求導(dǎo)的窗口寬度對模型的影響,分別設(shè)置了寬度為7,11,21,31,41,51,61,71,81,共9個寬度．采用1stD、SNV、Mean Center的組合方法預(yù)處理原始光譜,每個窗口寬度對應(yīng)的模型結(jié)果如表2．分析不同窗口寬度下模型的RMSEC、RMSECV、RMSEP和RC、RCV、RP的變化趨勢,結(jié)果如圖3．當(dāng)一階求導(dǎo)窗口寬度為61時,RMSEC、RMSECV和RMSEP分別為0.66 °Brix、0.86 °Brix和0.88 °Brix,三者最接近且數(shù)值較小,說明該窗口寬度下的模型穩(wěn)定性較好,RC、RCV和RP分別為0.88、0.79和0.80,在該窗口寬度下達(dá)到了較好的線性關(guān)系．

表2 不同一階導(dǎo)數(shù)窗口寬度的模型結(jié)果Table 2 Result of models with different 1st D width

圖3一階導(dǎo)數(shù)窗口寬度對模型的影響

Fig.3Influenceof1stDwidthonmodel

根據(jù)無花果樣本的SSC與相應(yīng)的近紅外光譜數(shù)據(jù)建立PLS模型,圖4為模型的潛變量與均方根誤差的關(guān)系圖,潛變量數(shù)的選取要使得RMSEC、RMSECV和RMSEP處于較低的數(shù)值并且相對接近,另外為了防止數(shù)據(jù)的過擬合,潛變量數(shù)不宜取過大的數(shù)值,經(jīng)過比較分析,PLS模型潛變量數(shù)取7．

圖4 潛變量數(shù)對RMSE的影響Fig.4 Influence of latent variable number on RMSE

潛變量數(shù)為7時的PLS模型結(jié)果如表3,RC為0.89,接近0.9,具有較好的線性關(guān)系,RCV與RP分別為0.79和0.80,RMSEC、RMSECV與RMSEP分別為0.66 °Brix、0.86 °Brix和0.88 °Brix．為了研究波長變量對PLS模型的重要性,對全光譜進(jìn)行了權(quán)重、變量投影重要性的研究．

表3 模型結(jié)果Table 3 Result of models

首先探討不同波長在潛變量上的權(quán)重分布．一般認(rèn)為光譜主要信息包含在潛變量累積貢獻(xiàn)率大于85%的潛變量中[19]．經(jīng)計算,前3個潛變量累積貢獻(xiàn)率為95.52%,提取光譜前3個潛變量在不同波長上的權(quán)重分布,如圖5，前3個潛變量在780～840 nm和920～970 nm權(quán)重分布較大,說明信息主要集中在該范圍內(nèi)的波長變量上．

圖5 前3個潛變量在不同波長上的權(quán)重分布曲線Fig.5 Weighted distribution of the first three latentvariable number on different range of wavelength

變量投影重要性(variable importance in projection, VIP)是評價自變量在解釋因變量時作用的重要性,變量的VIP值可以用來篩選出對模型貢獻(xiàn)較大的變量,通常選擇VIP值大于1的自變量建立模型[13]．各波長變量的VIP得分如圖6,同樣全光譜在780～840 nm、920～970 nm范圍內(nèi)得分較高,說明這部分的波長變量對PLS模型的貢獻(xiàn)最大．該結(jié)論與圖5中前3個潛變量在不同波長上的權(quán)重分布曲線是一致的．

由前3個潛變量在不同波長上的權(quán)重分布與VIP分析可知,全光譜中存在一些無信息的變量,影響了模型的預(yù)測能力,因此需要對全光譜變量進(jìn)行評價,波長優(yōu)選,篩選出攜帶有效信息的變量．

圖6 各波長變量VIP得分Fig.6 VIP scores on each wavelength

全光譜經(jīng)UVE篩選過程如圖7，經(jīng)過波長優(yōu)選,模型的特征波長由全光譜1 010個變量降低到211個變量,大大簡化了模型,同時模型的精度也得到了很大的提升,篩選出的波長變量如圖8．

圖7 無信息變量消除法選擇變量Fig.7 Variable selection by UVE

圖8 UVE波長優(yōu)選結(jié)果Fig.8 Result of wavelength selection by UVE

可以看出,除了在780～840 nm與920～970范圍內(nèi)優(yōu)選出較多的波長變量,同樣在840～920 nm范圍內(nèi)也篩選出一部分波長變量,這說明該部分的光譜也攜帶了一定的信息,對模型的建立具有一定的貢獻(xiàn)．由表3可知,UVE-PLS模型的RMSEC、RMSECV、RMSEP分別為0.63 °Brix、0.78 °Brix、0.83 °Brix,與PLS模型相比分別降低了4.35%、8.44%、5.75%,RC、RCV、RP分別為0.89、0.88、0.83,比PLS模型分別提高了1.18%、4.51%、2.87%．

無花果SSC測量值與預(yù)測值的關(guān)系如圖9,UVE-PLS模型中SSC測量值與預(yù)測值的關(guān)系更加準(zhǔn)確．結(jié)果顯示,UVE-PLS模型更適合無花果SSC的在線檢測．文獻(xiàn)[20]研制出用于測量西瓜SSC的漫透射近紅外在線檢測裝置,取得較好的結(jié)果,最佳PLS模型的RC為0.95,RMSEC、RMSEP分別為0.34 °Brix、0.58 °Brix,優(yōu)于本研究的結(jié)果,可能的原因是無花果的表皮存在淀粉層,淀粉的存在對SSC的測量具有一定的影響,最終影響了模型的結(jié)果[21]．根據(jù)江蘇省無花果分級標(biāo)準(zhǔn)及流通技術(shù)[22],對于麥斯衣陶芬品種無花果,SSC大于14 °Brix的為一級品,在12～14 °Brix之間的為二級品,在10～12 °Brix之間的為三級品．本研究校正相對誤差(RMSEC/均值×100%)為4.5%,驗證相對誤差(RMSEP/均值×100%)為5.9%,本研究所建模型已基本滿足無花果SSC的在線檢測分級的需要．

圖9 無花果SSC測量值與預(yù)測值關(guān)系Fig.9 Correlation of SSC measured andSSC predicted in fig

4 結(jié)論

本研究建立了評價花果品質(zhì)的在線檢測系統(tǒng),利用該系統(tǒng)可以快速無損的預(yù)測無花果的SSC．確定了光譜預(yù)處理一階導(dǎo)數(shù)最佳窗口寬度為61,UVE適合本在線檢測系統(tǒng)的工作,有效簡化了模型,光譜變量由1 010個降低到了211,并且精度更高,誤差更低．UVE-PLS模型的RMSEC、RMSECV、RMSEP與PLS模型相比分別降低了4.35%、8.44%、5.75%．本研究的順利開展為無花果品質(zhì)的在線檢測提供了理論依據(jù)與實踐經(jīng)驗．

參考文獻(xiàn)(References)

[ 1 ] 劉軍, 張百江. 無花果提取物對肺癌細(xì)胞增殖及凋亡影響的初步觀察[J]. 中華腫瘤防治雜志, 2008，15(9): 665-667.

LIU Jun, ZHANG Baijiang. Proliferation inhibition and apoptosis induction of fig extract on human lung cancer cells[J]. Chinese Journal of Cancer Prevention and Treatment,2008，15(9):665-667. (in Chinese)

[ 2 ] 王振斌, 馬海樂, 馬曉珂, 等. 無花果渣脂溶性物質(zhì)的化學(xué)成分和體外抗腫瘤的活性研究[J]. 林產(chǎn)化學(xué)與工業(yè), 2010，30(4): 48-52.

WANG Zhenbin, MA Haile, MA Xiaoke, et al. Lipid-soluble components from fig residue and its anti-tumor activities in vitro[J]. Chemistry and Industry of Forest Products, 2010,30(4): 48-52. (in Chinese)

[ 3 ] 周寧, 陳江濤, 于文燕. 無花果水提取液對抑制腫瘤細(xì)胞增殖作用的初步研究[J]. 新疆醫(yī)科大學(xué)學(xué)報, 2016,39(1):42-47.

ZHOU Ning,CHEN Jiangtao,YU Wenyan.Antiproliferation activity of water extract from Ficuscarica L. fruit on cervical cancer cell line[J].Journal of Xinjiang Medical University,2016,39(1):42-47.(in Chinese)

[ 4 ] 曹尚銀, 楊福蘭, 吳順. 無花果抗癌作用研究新進(jìn)展[J]. 林業(yè)科技開發(fā), 2004，18(2): 13-15.

CAO Shangyin, YANG Fulan, WU Shun. The review of anti-cancer effect of fig[J]. Forest Technology Development, 2004,18(2): 13-15. (in Chinese)

[ 5 ] 孫通, 應(yīng)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(xué)與光譜分析, 2008,28(11): 2536-2539.

SUN Tong, YING Yibin, LIU Kuiwu, et al. Online detection of soluble solids content of pear by near infrared transmission spectrum[J]. Spectrosc Spect Anal, 2008,28(11): 2536-2539. (in Chinese)

[ 6 ] 何東健, 前川孝昭, 森島博. 水果內(nèi)部品質(zhì)在線近紅外分光檢測裝置及試驗[J]. 農(nóng)業(yè)工程學(xué)報, 2001,17(1): 146-148.

HE Dongjian, TAKAAKI Maekawa, Hiroshi Morishima. Detecting device for on-line detection of internal quality of fruits using near-infrared spectroscopy and the related experiments[J]. Transactions of the CSAE, 2001,17(1): 146-148. (in Chinese)

[ 7 ] 羅華平, 盧啟鵬, 丁海泉, 等. 南疆紅棗品質(zhì)近紅外光譜在線模型參數(shù)的實驗研究[J]. 光譜學(xué)與光譜分析, 2012,32(5): 1225-1229.

LUO Huaping, LU Qipeng, DING Haiquan, et al. Study on online detection modeling parameters of jujube internal quality of Southern Xinjiang with near infrared spectrometric techniques[J]. Spectrosc Spect Anal, 2012,32(5): 1225-1229. (in Chinese)

[ 8 ] 孫通, 林金龍, 許文麗, 等. 可見/近紅外半透射結(jié)合CARS方法在線檢測臍橙SSC[J]. 江蘇大學(xué)學(xué)報(自然科學(xué)版), 2013,34(6): 663-668.

SUN Tong,LIN Jinlong,XU Wenli,et al.On-line detection of SSC of navel oranges by Vis/NIR spectra and CARS method[J].Journal of Jiangsu University(Natural Science Edition),2013,34(6):663-668.(in Chinese)

[ 9 ] JIE D, XIE L, RAO X, et al. Using visible and near infrared diffuse transmittance technique to predict soluble solids content of watermelon in an on-line detection system[J]. Postharvest Biology and Technology, 2014, 90: 1-6. DOI:10.1016/j.postharvbio.2013.11.009.

[10] 田海清, 應(yīng)義斌, 徐惠榮, 等. 西瓜可溶性固形物含量近紅外透射檢測技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2007(5): 111-113.

TIAN Haiqing, YING Yibin, XU Huirong, et al. Near-infrared transmittance measuring technique for soluble solids content of watermelon[J]. T Chin Soc Agric Mach, 2007(5): 111-113. (in Chinese)

[11] 田海清, 應(yīng)義斌, 陸輝山, 等. 可見/近紅外光譜漫透射技術(shù)檢測西瓜堅實度的研究[J]. 光譜學(xué)與光譜分析, 2007(6): 1113-1117.

TIAN Haiqing, YING Yibin, LU Huishan, et al. Study on predicting firmness of watermelon by vis/NIR diffuse transmittance technique[J]. Spectrosc Spect Anal, 2007(6): 1113-1117. (in Chinese)

[12] CHEN Q, DING J, CAI J, et al. Rapid measurement of total acid content (TAC) in vinegar using near infrared spectroscopy based on efficient variables selection algorithm and nonlinear regression tools[J]. Food Chem, 2012, 135(2): 590-595. DOI:10.1016/j.foodchem.2012.05.011.

[13] YAN H, HAN B X, WU Q Y, et al. Rapid detection of rosa laevigata polysaccharide content by near-infrared spectroscopy[J]. Spectrochim Acta A Mol Biomol Spectrosc, 2011, 79(1): 179-184. DOI:10.1016/j.saa.2011.02.032.

[14] YAN H, LU D L, CHEN B, et al. Development of a hand-held near infrared system based on an android OS and microNIR, and its application in measuring soluble solids content in fuji apples[J]. NIR News, 2014, 25(4): 16-19. DOI:10.1255/nirn.1446.

[15] 耿響, 陳斌, 朱文靜, 等. 積分光譜與近紅外光譜分析精度關(guān)系的研究[J]. 光學(xué)學(xué)報, 2009(12): 3551-3555.

GENG Xiang, CHEN Bin, ZHU Wenjing, et al. Study on the relation between integration spectrum and accuracy of near infrared spectroscopic analysis[J]. Acta Optica Sinica, 2009(12): 3551-3555. (in Chinese)

[16] 黃凌霞, 吳迪, 金航峰, 等. 基于變量選擇的蠶繭繭層量可見-近紅外光譜無損檢測[J]. 農(nóng)業(yè)工程學(xué)報, 2010,26(2): 231-236.

HUANG Ningxia, WU Di, JIN Hangfeng, et al. Non-destructive detection of cocoon shell weight based on variable selection by visible and near infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering，2010,26(2): 231-236. (in Chinese)

[17] 褚小立, 袁洪福, 陸婉珍. 近紅外分析中光譜預(yù)處理及波長選擇方法進(jìn)展與應(yīng)用[J]. 化學(xué)進(jìn)展, 2004, 16(4): 528-542.

CHU Xiaoli, YUAN Hongfu, LU Wanzhen. Progress and application of spectral data pretreatment and wavelength selection methods in NIR analytical technique[J]. Progress in Chemistry, 2004,16(4): 528-542. (in Chinese)

[18] BAO Y,LIU F,KONG W,et al.Measurement of soluble solid contents and pH of white vinegars using VIS/NIR spectroscopy and least squares support vector machine[J].Food and Bioprocess Technology,2013,7(1):54-61.DOI:10.1007/s11947-013-1065-0.

[19] 顏輝, 陳斌, 朱文靜. 基于近紅外光譜分析法的奶粉品質(zhì)快速檢測[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2009,40(7): 149-152,137.

YAN Hui, CHEN Bin, ZHU Wenjing. Quick determination method of milk powder quality by near-infrared spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery,2009,40(7): 149-152,137. (in Chinese)

[20] TIAN Haiqing, YING Yibin, LU Huishan, et al. Measurement of soluble solids content in watermelon by Vis/NIR diffuse transmittance technique[J]. Journal of Zhejiang University(Science B:An International Biomedicine & Biotechnology Journal), 2007(2):105-110.DOI:10.1631/jzus.2007.B0105.

[21] LIN C A, AYVAZ H, RODRIGUEZ-SAONA L E. Application of portable and handheld infrared spectrometers for determination of sucrose levels in infant cereals[J]. Food Analytical Methods, 2013, 7(7): 1407-1414. DOI:10.1007/s12161-013-9763-9.

[22] 糜林. 無花果分級標(biāo)準(zhǔn)及流通技術(shù)[J]. 農(nóng)家致富, 2003 (18):25.

MI Lin. Fig classification standard and circulation technology[J]. Farmers to Get Rich, 2003(18): 25.(in Chinese)