基于光譜技術(shù)與光學(xué)仿真的柚果在線檢測(cè)托盤設(shè)計(jì)與試驗(yàn)

孫瀟鵬 徐 賽 陸華忠

(1.華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣東 廣州 510642；2.廣東省農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品公共監(jiān)測(cè)中心，廣東 廣州 510642；3.廣東省農(nóng)業(yè)科學(xué)院，廣東 廣州 510642)

可見(jiàn)/近紅外光譜檢測(cè)技術(shù)作為一種無(wú)損、快速的檢測(cè)方法，近年來(lái)在農(nóng)產(chǎn)品品質(zhì)檢測(cè)中得到了廣泛應(yīng)用[1-3]。然而，對(duì)于柚果等大型厚皮類水果而言，由于體積大，皮厚，光譜透射難[4-6]，在線檢測(cè)難度大，內(nèi)部品質(zhì)檢測(cè)準(zhǔn)確率低[7-9]，其品質(zhì)仍靠人工鑒別，正確分辨率不高。目前，國(guó)內(nèi)外厚皮類水果內(nèi)部品質(zhì)檢測(cè)的研究，水果的光譜在線檢測(cè)，通常采用動(dòng)態(tài)傳輸以保證檢測(cè)效率，但易造成機(jī)械損傷，通過(guò)托盤傳送有益于水果在相對(duì)穩(wěn)定的檢測(cè)環(huán)境下完成光譜在線檢測(cè)。李雄等[10]在可見(jiàn)/近紅外漫透射在線檢測(cè)裝置中為柚果提供果杯進(jìn)行在線檢測(cè)。郭志明等[11]在透射光譜在線檢測(cè)系統(tǒng)中為蘋果提供果托進(jìn)行在線檢測(cè)。但對(duì)柚果的果杯或果托，并未進(jìn)行參數(shù)設(shè)計(jì)、仿真分析等深入研究，則無(wú)法判斷果杯或果托是否符合柚果的光譜在線檢測(cè)。筆者前期試驗(yàn)發(fā)現(xiàn)，大型厚皮水果的透射光譜信息較弱，托盤的設(shè)計(jì)參數(shù)會(huì)對(duì)柚果透射光譜信息采集造成影響。

為提高柚果在線檢測(cè)輸送的穩(wěn)定性，并減少托盤對(duì)光譜信息采集的干擾，試驗(yàn)擬以柚果為研究對(duì)象，從柚果的形態(tài)特征入手，通過(guò)光學(xué)仿真和光譜采集試驗(yàn)相結(jié)合的方法，優(yōu)化設(shè)計(jì)柚果傳送托盤，并對(duì)該托盤進(jìn)行柚果漫透射光譜采集，光譜特征選取，建立柚果可溶性固形物含量的偏最小二乘法回歸預(yù)測(cè)模型[12]，以期為厚皮類水果內(nèi)部品質(zhì)在線檢測(cè)提供參考。

1 材料與方法

1.1 試驗(yàn)材料

從梅州市柚果果園取果后，立即運(yùn)回廣東省農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品公共監(jiān)測(cè)中心開(kāi)展試驗(yàn)。去除有外表?yè)p傷、有傷疤或不規(guī)則的樣品后，采用濕毛巾將柚果擦凈、自然晾干，并于室溫(19～21 ℃)下存24 h。剩余120個(gè)柚果的外形參數(shù)如表1所示。

表1 120個(gè)柚果的形態(tài)特征?

? 夾角：如圖1所示，柚果在該姿態(tài)下，弧面外切線與水平面的夾角。

1.2 傳送托盤的設(shè)計(jì)

以柚果的外形參數(shù)為基礎(chǔ)，經(jīng)計(jì)算，如圖1所示，D1(內(nèi)徑)設(shè)置為50 mm；D2設(shè)置為柚果的橫徑最小值，即130.15 mm；D3設(shè)置為柚果的縱徑平均值，即172.16 mm。H為托盤厚度，即30 mm。倒角為柚果與水平面夾角均值，即17°。托盤的初始材料為橡膠。

1.3 托盤應(yīng)用光譜平臺(tái)與試驗(yàn)儀器

1.3.1 托盤應(yīng)用光譜平臺(tái) 根據(jù)試驗(yàn)要求，自主搭建光譜試驗(yàn)平臺(tái)(見(jiàn)圖2)，由計(jì)算機(jī)、光譜試驗(yàn)箱體、光譜儀、光纖、光源和積分球等組成，光源使用100 W石英鹵素?zé)?12組)，光源入射角為45°。柚果置于傳送托盤上，通過(guò)皮帶傳送裝置傳送至光譜采集裝置，光譜采集裝置采集光譜的原理，如圖3所示。中控系統(tǒng)通過(guò)數(shù)據(jù)分析和模型預(yù)測(cè)，將柚果及傳送托盤傳輸至品質(zhì)分級(jí)裝置進(jìn)行柚果分級(jí)。

1.柚果模型 2.傳送托盤

1.傳送托盤 2.皮帶傳動(dòng)裝置 3.光譜采集裝置(包括：箱體、光譜儀、光源、光纖和積分球等) 4.中控系統(tǒng)(計(jì)算機(jī)等) 5.品質(zhì)分級(jí)裝置

圖2 不同檢測(cè)環(huán)境下的光譜平臺(tái)

Figure 2 Spectrum platforms in different detection environments

1.箱體 2.機(jī)器視覺(jué)裝置 3.光源 4.風(fēng)扇 5.積分球 6.光纖 7.光譜儀 8.皮帶傳送裝置 9.品質(zhì)分級(jí)裝置 10.計(jì)算機(jī)

圖3 光譜采集裝置的原理示意圖

Figure 3 Schematic diagram of spectral acquisition device

1.3.2 試驗(yàn)儀器

光譜儀：QE-Pro型(測(cè)量波長(zhǎng)400～1 100 nm)和NIR-QUEST型(測(cè)量波長(zhǎng)900～1 700 nm)，美國(guó)海洋光學(xué)公司；

糖度儀：PAL-Grape Must(Brix)型，ATAGO(愛(ài)拓)中國(guó)分公司；

天平：HTP312型，上?；ǔ彪娖饔邢薰荆?/p>

游標(biāo)卡尺：精度0.01 mm，上海申韓量具有限公司；

萬(wàn)能角度尺：測(cè)量角度0～320°，上海恒量量具有限公司。

1.4 傳送托盤的光學(xué)仿真

托盤完成初步設(shè)計(jì)后，建立傳送托盤三維仿真模型，進(jìn)行參數(shù)優(yōu)化。通過(guò)Trace pro軟件模擬光譜檢測(cè)環(huán)境進(jìn)行仿真分析，然后對(duì)仿真結(jié)果進(jìn)行試驗(yàn)驗(yàn)證。如圖4所示，建立仿真模型。柚果材質(zhì)設(shè)置為植物纖維，托盤材質(zhì)設(shè)置為橡膠。對(duì)照明裝置進(jìn)行光源等參數(shù)設(shè)置。根據(jù)積分球的工作原理，模型采用更為簡(jiǎn)易的聚光鏡[13]，目的在于將不同方向的光信號(hào)聚集增強(qiáng)。圖4中紅色線條為燈泡的光束照射路徑，藍(lán)色和綠色為受托盤影響的光束被反射和折射路徑。通過(guò)分析所得輝度/照度圖判定聚光鏡接收到光強(qiáng)的最大值、平均值和最小值，如圖5所示。

1.光源 2.柚果模型 3.傳送托盤 4.聚光鏡

圖5 輝度/照度圖

1.5 柚果傳送托盤的光譜平臺(tái)試驗(yàn)

啟動(dòng)光譜試驗(yàn)平臺(tái)，預(yù)熱15 min使設(shè)備達(dá)到穩(wěn)定的工作狀態(tài)，采用Spectra Suite(Ocean Optics Ins.,USA)軟件，設(shè)置積分時(shí)間、平均次數(shù)等，獲取和存儲(chǔ)光譜數(shù)據(jù)。將托盤置于光譜平臺(tái)內(nèi)，樣本光譜采集前，需使用平臺(tái)配套的白板與黑板，分別貼住積分球進(jìn)行光譜儀校正。將柚果放置在托盤上，每采集一次旋轉(zhuǎn)90°，取4次光譜的平均值作為該樣本的光譜數(shù)據(jù)。

基于柚果的漫透射光譜信息，作為柚果內(nèi)部品質(zhì)的研究參數(shù)[14]。在光譜平臺(tái)內(nèi)，配套以試驗(yàn)結(jié)果最優(yōu)的傳送托盤，采集120個(gè)柚果樣本在400～1 700 nm波長(zhǎng)下的漫透射光譜數(shù)據(jù)，如圖6所示。按式(1)計(jì)算柚果樣本的透射率。

(1)

式中：

T——采集樣本的透射率，%；

Is——采集樣本的光譜強(qiáng)度，cd；

Iw——放置白板的光譜強(qiáng)度，cd；

Ib——放置黑板的光譜強(qiáng)度，cd。

圖6 120個(gè)柚果的可見(jiàn)/近紅外漫透射原始譜圖

Figure 6 The original spectrum of visible/near-infrared diffuse transmission of 120 pomelo fruits

原始光譜需進(jìn)行光譜預(yù)處理，削弱各種無(wú)關(guān)信息與背景噪聲對(duì)目標(biāo)光譜的影響，以達(dá)到提高光譜分辨率，提高模型穩(wěn)健性等目的。選取圖6中650～1 350 nm波長(zhǎng)范圍的光譜數(shù)據(jù)進(jìn)行預(yù)處理。光譜預(yù)處理有卷積平滑法、導(dǎo)數(shù)光譜法和多元散射校驗(yàn)法等。卷積平滑法可降低光譜采集過(guò)程中隨機(jī)白噪聲的干擾；在消除光譜基線漂移方面，導(dǎo)數(shù)光譜法可有效地消除基線和其他背景的干擾；多元散射校驗(yàn)法(MSC)和標(biāo)準(zhǔn)正態(tài)變換法(SNV)可消除因樣品的不均勻性產(chǎn)生散射引起的光譜差異。

1.6 標(biāo)準(zhǔn)理化值測(cè)定

采用糖度儀測(cè)量樣本的可溶性固形物含量，從樣本的檢測(cè)點(diǎn)提取部分果肉，擠出果汁，用膠頭滴管將果汁滴于糖度儀檢測(cè)鏡面，讀取并記錄數(shù)值，每個(gè)樣本測(cè)量3次后取平均值，結(jié)果如表2所示。

1.7 預(yù)測(cè)模型評(píng)價(jià)

預(yù)測(cè)模型評(píng)價(jià)是驗(yàn)證模型預(yù)測(cè)值的精度和可信度，判斷模型的優(yōu)劣以及是否發(fā)生過(guò)擬合，所建立的模型必須經(jīng)過(guò)驗(yàn)證后才具有意義。常用的模型評(píng)價(jià)指標(biāo)：校正均方根誤差(RMSEC)、決定系數(shù)(R2)和預(yù)測(cè)均方根誤差(RMSEP)等。其中R2值越接近1，模型的回歸或預(yù)測(cè)結(jié)果越好；RMSEP越小，表明模型的預(yù)測(cè)能力越強(qiáng)。

表2 柚果的可溶性固形物含量統(tǒng)計(jì)

2 結(jié)果與討論

2.1 傳送托盤的參數(shù)優(yōu)化與光譜試驗(yàn)

為驗(yàn)證托盤參數(shù)優(yōu)化的合理性，設(shè)置不同尺寸參數(shù)的托盤進(jìn)行光學(xué)仿真對(duì)比分析，如表3～5所示。由表3可知，隨著內(nèi)徑的增加，輝度/照度均值(AVE)隨之增加，當(dāng)內(nèi)徑為80 mm時(shí)，輝度/照度均值達(dá)到最大。如繼續(xù)增大內(nèi)徑尺寸，托盤會(huì)發(fā)生內(nèi)部結(jié)構(gòu)失效，導(dǎo)致光譜透過(guò)率過(guò)高、數(shù)據(jù)失真等問(wèn)題。由表4可知，當(dāng)內(nèi)徑為80 mm時(shí)，改變厚度，輝度/照度值隨之改變，但輝度/照度值變化規(guī)律不明顯。由表5可知，內(nèi)徑80 mm，厚度20 mm，外徑100 mm的傳送托盤，輝度/照度的MAX和AVE值均最大。對(duì)參數(shù)優(yōu)化前后的托盤進(jìn)行實(shí)物加工，如圖7所示。

表3 托盤內(nèi)徑與輝度/照度值的關(guān)系

表4 托盤厚度與輝度/照度值的關(guān)系

表5 托盤外徑與輝度/照度值的關(guān)系

圖7 參數(shù)優(yōu)化前后的柚果托盤對(duì)比圖

2.2 傳送托盤的材料替換與光譜試驗(yàn)

由于采用橡膠的傳送托盤，采集漫透射光譜數(shù)據(jù)不理想，則對(duì)傳送托盤進(jìn)行材料替換仿真分析，仿真結(jié)果如表6所示。由表6可知，托盤采用聚甲基丙烯酸甲酯和聚丙烯酸酯相較于原始材料橡膠，輝度/照度的MAX和AVE值均有提升，聚甲醛樹(shù)脂的仿真效果最好。

對(duì)參數(shù)優(yōu)化后，4種材料的傳送托盤進(jìn)行加工，在傳送托盤上放置柚果，分別進(jìn)行光譜采集試驗(yàn)，如圖8所示，采用聚甲醛樹(shù)脂的托盤，在400～850 nm的可見(jiàn)光波段，柚果光譜的透過(guò)率最高。在近紅外波段，采用聚甲基丙烯酸甲酯的托盤，柚果光譜的透過(guò)率最高，但聚甲基丙烯酸甲酯屬于透光材料，即使采用黑色，對(duì)光譜采集也存在一定的影響，最終得到托盤和柚果夾雜在一起光譜，故不可采用。

表6 托盤材料與輝度/照度值的關(guān)系

圖8 采用不同材料托盤的柚果漫透射光譜對(duì)比圖

Figure 8 Comparison of pomelo diffuse transmission spectra with trays of different materials

綜上所述，當(dāng)傳送托盤尺寸參數(shù)設(shè)置為：外徑100 mm，內(nèi)徑80 mm，厚度20 mm時(shí)，選擇聚甲醛樹(shù)脂，即為試驗(yàn)所需的最優(yōu)方案。

2.3 建模結(jié)果與分析

2.3.1 柚果可溶性固形物含量預(yù)測(cè)模型 光譜預(yù)處理后，采用偏最小二乘回歸法(PLSR)建立回歸模型，預(yù)測(cè)結(jié)果如表7所示。由表7可知，采用3點(diǎn)卷積平滑(SG-smooth)處理原始漫透射光譜，再經(jīng)一階微分(1 Derivative)預(yù)處理后，建立回歸模型[15]，模型的預(yù)測(cè)效果最優(yōu)，RMSEP為0.512 °Brix，Rpre2為0.851。

表7 不同預(yù)處理?xiàng)l件的偏最小二乘回歸模型

2.3.2 特征波長(zhǎng)選取與預(yù)測(cè)模型優(yōu)化 對(duì)預(yù)處理后的650～1 350 nm光譜數(shù)據(jù)，運(yùn)用連續(xù)投影法(SPA)提取的特征波段[16]，如圖9所示。共計(jì)18個(gè)波長(zhǎng)變量，即：650，705，766，782，807，841，887，961，1 056，1 100，1 122，1 165，1 244，1 278，1 316，1 335和1 345。

圖9 SPA特征變量選取

穩(wěn)定性競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣(SCARS)算法可對(duì)無(wú)信息變量進(jìn)行有效去除和共線性變量進(jìn)行有效壓縮，達(dá)到提高模型穩(wěn)健性的目標(biāo)[17]。SCARS算法中，設(shè)置采樣次數(shù)為1 000，交互驗(yàn)證主成分因子為3，采樣率為0.8。對(duì)波長(zhǎng)變量選擇時(shí)，根據(jù)文獻(xiàn)[18]將N(蒙特卡羅模擬數(shù)值)，Nmcs(蒙特卡羅抽樣次數(shù))及采樣率分別設(shè)置500，50，0.7。

圖10(a)是SCARS算法選取的波長(zhǎng)變量隨抽樣次數(shù)的變化趨勢(shì)圖。隨著抽樣次數(shù)的增加，波長(zhǎng)變量由快到慢呈遞減趨勢(shì)。由圖10(b)可知，隨著抽樣次數(shù)的增加，交叉驗(yàn)證均方根誤差(RMSECV)值減少，是因?yàn)椤扒窋M合”現(xiàn)象發(fā)生，已剔除受儀器影響且較敏感的波長(zhǎng)變量；當(dāng)交叉驗(yàn)證均方根誤差值達(dá)到最小，之后又呈遞增趨勢(shì)，是因?yàn)椤斑^(guò)擬合”現(xiàn)象發(fā)生，已剔除最優(yōu)子集中，部分受不同儀器影響且不敏感的波長(zhǎng)變量?！斑^(guò)擬合”與“欠擬合”的連接處，即為最優(yōu)變量子集。圖10(c)為波長(zhǎng)變量穩(wěn)定度軌跡圖，即變量的穩(wěn)定度隨抽樣次數(shù)的變化趨勢(shì)，得到RMSECV的最優(yōu)變量子集，由綠色星柱標(biāo)出。最優(yōu)變量子集為第27個(gè)變量子集，最優(yōu)變量子集中包括36個(gè)波長(zhǎng)變量，即：880，891，892，917，919，960，961，962，963，978，979，980，1 028，1 041，1 047，1 066，1 069，1 113，1 117，1 118，1 119，1 134，1 161，1 162，1 163，1 164，1 199，1 201，1 202，1 203，1 210，1 219，1 220，1 221，1 222和1 306。

圖10 SCARS算法選擇特征變量

遺傳(GA)算法中，群體數(shù)目為30，交叉概率為50%，變異概率為1%，迭代次數(shù)為100，對(duì)預(yù)處理后的650～1 350 nm 光譜數(shù)據(jù)進(jìn)行變量?jī)?yōu)選[19]。如圖11(a)所示，為變量入選次數(shù)頻率直方圖，其中綠線表示全局最小RMSECV的變量數(shù)位置，紅線表示與全局最小RMSECV統(tǒng)計(jì)不顯著的最小變量數(shù)位置。圖11(b)為交叉驗(yàn)證變異解釋率，隨著入選變量數(shù)增加，值逐漸增大，最終達(dá)到峰值，維持在相對(duì)平穩(wěn)的階段，或者略微下降。紅綠點(diǎn)的意義同圖11(a)紅綠線。圖11(c)為RMSECV隨入選變量數(shù)變化圖，GA遺傳算法最終優(yōu)選出共計(jì)38個(gè)波長(zhǎng)變量，即734，889，900，982，983，984，1 008，1 009，1 011，1 062，1 073，1 074，1 075，1 160，1 161，1 173，1 211，1 212，1 220，1 247，1 248，1 249，1 276，1 277，1 278，1 290，1 291，1 330，1 331，1 332，1 336，1 342，1 343，1 344，1 345，1 346，1 347和1 348，交叉驗(yàn)證變異解釋率為99.999 2，即圖中紅點(diǎn)位置。

圖11 GA算法選擇特征變量

建立SPA-PLSR、SCARS-PLRS、GA-PLSR和PLSR模型，并用40個(gè)預(yù)測(cè)樣品對(duì)模型進(jìn)行預(yù)測(cè)，結(jié)果如表8所示。由表8可知，SPA-PLSR、SCARS-PLRS和GA-PLSR相較于PLSR，預(yù)測(cè)精度均有較大提升。GA-PLSR模型的Rpre2=0.957；RMSEP=0.271 °Brix，預(yù)測(cè)精度最佳。

表8 不同模型的預(yù)測(cè)結(jié)果

3 結(jié)論

從柚果的形態(tài)特征入手，通過(guò)Trace pro光學(xué)仿真和光譜采集驗(yàn)證，設(shè)計(jì)柚果傳送托盤。為降低傳送托盤對(duì)光譜試驗(yàn)的影響，對(duì)傳送托盤進(jìn)行參數(shù)優(yōu)化，分別從外徑、內(nèi)徑和厚度尺寸進(jìn)行對(duì)比試驗(yàn)。為提高柚果光譜透過(guò)率，對(duì)傳送托盤進(jìn)行結(jié)構(gòu)優(yōu)化和材料替換，進(jìn)行對(duì)比試驗(yàn)，驗(yàn)證該方法的可行性。傳送托盤的最終設(shè)計(jì)參數(shù)為：外徑100 mm、內(nèi)徑80 mm、內(nèi)部夾角17°、聚甲醛樹(shù)脂且厚度20 mm，采用該托盤在可見(jiàn)/近紅外光譜平臺(tái)，采集120顆柚果在400～1 700 nm波長(zhǎng)范圍內(nèi)的柚果漫透射光譜數(shù)據(jù)。采用卷積平滑、標(biāo)準(zhǔn)正態(tài)變換和多元散射校正等方法對(duì)光譜進(jìn)行預(yù)處理，選用SPA、SCARS和GA進(jìn)行光譜特征選取，建立柚果可溶性固形物含量預(yù)測(cè)模型。結(jié)果顯示，經(jīng)卷積平滑和一階導(dǎo)數(shù)預(yù)處理，建立GA-PLRS預(yù)測(cè)模型，決定系數(shù)為0.957；預(yù)測(cè)均方根誤差為0.271 °Brix，預(yù)測(cè)精度最佳。該托盤運(yùn)用于柚果在線檢測(cè)，可實(shí)現(xiàn)批量柚果在品質(zhì)流水線的快速無(wú)損檢測(cè)，預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性更好。