便攜式紅提葡萄多品質可見/近紅外檢測儀設計與試驗

高 升 王巧華 施 行 李慶旭

(1.華中農業(yè)大學工學院， 武漢 430070； 2.農業(yè)農村部長江中下游農業(yè)裝備重點實驗室， 武漢 430070)

0 引言

葡萄是常見的水果之一，據2017年國家統計局的數據，我國當年葡萄總產量達1.308×1010t[1]。紅提為葡萄常見品種，其顆粒飽滿、果肉堅實，紅提香甜可口、富含較多的營養(yǎng)物質。

紅提內部品質評價指標主要包括維生素C含量、可溶性固形物含量(Solube solids content, SSC)、總酸(Total acid，TA)含量、糖酸比、芳香物質種類和含量等[2]。可溶性固形物和總酸含量是水果的重要品質之一，決定了果實的風味，也是反映水果成熟度的重要指標[3]。采后紅提果實質地不斷發(fā)生變化，內部組織變軟，風味變差[4]，損傷的果粒更加容易腐爛，因此水果的硬度(Firmness index，FI)也是判斷果蔬成熟度和貯運品質的一個重要指標，硬度決定了水果的耐貯性和成熟度[5]。含水率(Moisture content，MC)作為果蔬重要的衡量指標，對果蔬的品質、質構及風味產生較大的影響，含水率也是葡萄腐敗變質的重要原因，及時檢測葡萄果粒的含水率，根據含水率挑選出將要腐爛的果實，對保護周邊好的果粒、延長貯藏時間至關重要[6]。水果內部品質常規(guī)檢測方法主要是破壞性抽樣檢測，繁瑣、費時，且檢測后的樣品因組織遭到嚴重破壞而不能銷售和食用，存在諸多弊端。紅提可溶性固形物含量、總酸含量、pH值、硬度和含水率的常規(guī)測定方法各不相同，同時獲取這5種品質指標參數需要做不同的試驗，無法同時進行多指標檢測。因此迫切需要一種高效、無損的紅提品質檢測技術及儀器。

近幾年，光譜技術已廣泛應用于水果和蔬菜內部品質的無損檢測[7-11]，文獻[12]對采后鮮食葡萄糖度進行了可見-近紅外光譜的檢測，建立PLSR(偏最小二乘回歸)模型的決定系數為0.82、預測標準差0.83%Brix。文獻[13]采用高光譜成像技術測定7個品種鮮食葡萄的內部指標(包括pH值、TA含量、SSC)和感官屬性，認為該技術能較好地預測葡萄的內部品質指標。文獻[2]利用USB2000+型光譜儀采集紅提400～1 000 nm透過率光譜，并建立隨機森林預測模型，糖度、酸度的驗證集相關系數分別為0.956 8、0.940 5，結果表明，模型具有較高的準確性。上述研究均屬于試驗研究，檢測儀器尺寸較大，不利于實際應用和推廣。隨著近紅外光譜在農產品品質檢測中的應用和普及，國內外學者設計了針對特定作物的便攜式光譜檢測儀器[14-19]。目前，針對生長期多參數同時檢測的研究尚未見報道，且缺少針對紅提果粒的便攜式內部品質檢測儀器研究。

水果果實發(fā)育過程分為生長、成熟和衰老3個階段，生長階段和成熟階段又稱為生長期[20]。本文基于可見/近紅外光譜分析技術，設計便攜式紅提果粒多品質參數無損檢測儀，編寫實時檢測軟件，通過光譜預處理和特征波長提取分別建立可溶性固形物含量、總酸含量、pH值、硬度和含水率最優(yōu)預測模型，并將其植入便攜式檢測儀，通過試驗對檢測儀器的穩(wěn)定性和精準性進行驗證，以期實現紅提品質的實時無損檢測。

1 檢測儀硬件設計

1.1 工作原理

針對紅提果粒尺寸不一、果實較小等問題，專門設計了用于紅提果粒的光譜采集探頭。便攜式紅提果粒多品質參數無損檢測儀采集生長期紅提果粒樣品的可見/近紅外漫反射光譜信息，檢測紅提果粒的可溶性固形物含量、總酸含量、pH值、硬度和含水率等主要指標，檢測儀工作原理如圖1所示。將塑料吸盤放置到紅提果粒上，光譜采集端分為環(huán)形光源和光譜采集內圈光纖兩部分。Y型光纖的一個端口連接鹵素燈光源，利用光纖將光傳輸到樣品采集端，在樣品采集端以環(huán)形光的形式照射到紅提果粒樣品上，經紅提樣品反射的光被樣品采集端中間的光譜采集內圈光纖接收，通過Y型光纖把光譜信息傳入光譜儀。光譜儀將光譜信號轉換為數字信號傳送給ARM處理器，處理器根據內部建立的紅提果粒各品質參數預測模型分析采集的數字信號，計算后在屏幕上實時顯示紅提果粒各品質參數的具體數值，得出相應的預測結果并保存。

1.2 硬件設計

便攜式紅提果粒多品質參數檢測儀通過采集紅提果粒的光譜信息，利用儀器內部嵌入的內部品質預測模型，實現紅提果?？扇苄怨绦挝锖俊⒖偹岷?、pH值、硬度和含水率多品質參數的無損檢測。該儀器主要包括光譜采集探頭、光譜儀、鹵素燈光源、鋰電池和控制器及外圍電路等部分。檢測儀的整體尺寸為200 mm×160 mm×150 mm，質量為1 000 g，在脫離電源的情況下，該儀器可獨立工作2.5 h。硬件設計如圖2所示。

光譜采集探頭主要由Y型光纖、塑料吸盤、亞克力管、洗耳球4部分組成。Y型光纖由兩根獨立的光纖組成，Y型光纖探頭由環(huán)形光源和內圈光纖兩部分組成，一根光纖將光源發(fā)出的光傳輸到光纖探頭的環(huán)形光源，環(huán)形光纖發(fā)出的環(huán)形光均勻地照射在紅提果粒上；內圈光纖將檢測器采集到經紅提果粒漫反射作用產生的光返回傳送給光譜儀，采集獲得紅提果粒的內部品質信息。中間Y型光纖探頭封裝在亞克力的密封管內，孔內中空，在其裝有探頭的端頭安裝塑料吸盤，亞克力密封管的中部開有小孔，洗耳球安裝在小孔上，亞克力密封管的另外一端進行密封。當洗耳球吸氣時，Y型光譜的探頭與果粒在吸力的作用下緊密接觸，進行光譜采集。塑料吸盤吸附在果粒表面，可有效去除大部分的外界光照干擾信息。光譜采集探頭及采集方式如圖3所示。

鹵素燈光源選擇美國海洋光學公司的HL-2000-FHSA型可調鹵鎢燈光源，其尺寸為62 mm×60 mm×150 mm，質量為500 g，該光源的波段為360～2 000 nm，功率為20 W，該光源可以通過SMA905型連接頭直接與光纖進行連接，且光源安裝有可調節(jié)光照強度的調節(jié)旋鈕，內部裝有冷風扇保持散熱。

選擇美國海洋光學公司的USB2000+微型光纖光譜儀，其探測器的類型為高信噪比的線陣CCD，有效的波長范圍為480～1 100 nm?？赏ㄟ^USB進行參數設置、數據傳輸和提供供電。光譜儀的放置位置及便攜式儀器內部結構如圖4所示。

選擇以S3C6410為核心的ARM11處理器作為檢測裝置的微型控制器。外圍電路主要包括USB接口電路、觸摸顯示屏、電壓轉換裝置、揚聲器和風扇。其中，USB接口主要用于光譜儀的通訊、參數設置、數據傳輸等。觸摸顯示屏主要實現對儀器的控制和信息顯示，揚聲器可在完成一次完整檢測后播報提示檢測完成，風扇可對整個裝置進行散熱。紅提果粒內部品質檢測儀實物如圖5所示。

2 模型構建

2.1 試驗材料

在湖北省武漢市小宛葡萄園選取10棵處于生長期的紅提植株并編號，采集試驗樣品時，將每次采集的葡萄串按照植株的號碼進行編號，樣品于試驗當天采摘。試驗周期從紅提開花后生長發(fā)育的第61天(2019年6月30日)持續(xù)到第116天(2019年8月24日)。因紅提生長成熟的周期大約為60 d，參考當地果農的經驗，確定每隔5 d進行1次采樣，每次采集試驗樣品為10串葡萄，共采樣12次。分別從前10棵采集的紅提串試驗樣品中，在每串的上部、中部、下部，各挑選3粒(每串共9粒紅提)大小相近、完好無損的紅提果粒，作為紅提果粒SSC、總酸含量、pH值指標檢測的試驗樣品，每個試驗樣品包含3顆紅提果粒，分別測定3顆紅提果粒的光譜信息，并將3顆紅提果粒的光譜信息進行平均后作為本樣品的光譜信息，同樣在進行標準理化值的測定時，將相應的3顆紅提果粒擠汁、攪勻后的汁液作為一個樣品進行測定。在每串葡萄的上部、中部、下部，各挑選1粒，作為紅提果粒硬度指標檢測的試驗樣品，紅提果粒含水率的指標檢測與硬度檢測相同。每串葡萄可分別獲得3個樣本數據(每個樣本數據包括紅提果?？扇苄怨绦挝锖?、總酸含量、pH值、硬度和含水率指標)。將編號后的樣品放入恒溫恒濕箱中保存12 h，恒溫恒濕箱溫度設置為(22±1)℃，相對濕度為65%。

2.2 試驗方法

2.2.1光譜采集

直接在室內自然狀態(tài)下進行光譜采集。設置紅提果粒檢測儀器參數：積分時間100 ms，平均次數4次，平滑寬度3 nm。將紅提串平放在桌子上，當洗耳球吸氣時，Y型光譜的探頭與果粒緊密接觸，進行光譜采集，保存采集光譜數據。為消除光譜儀及外界光照的影響，去除光譜首尾兩端的部分波段，選擇波長范圍400～1 000 nm共1 806個波長點，進行分析處理。每串挑選15顆果粒進行光譜采集，整個試驗共采集12次，總計120串葡萄，經過處理，總共得到1 080個樣品的光譜數據，每個內部品質參數各有360個樣品。

2.2.2標準理化值測定

對紅提果粒樣品進行光譜采集后立即進行紅提果粒標準理化值的測定，在進行紅提果粒SSC、總酸含量、pH值測定時，將采集完光譜的樣品(3顆紅提果粒)分別放入到紅提果粒擠壓裝置(壓蒜器)擠汁，再用紗布進行果汁的過濾，然后進行果汁的攪拌，最后將擠壓攪拌后的果汁進行SSC、總酸含量、pH值的測定。

SSC測定參照文獻[21]?？偹岷繙y定參照文獻[22]。pH計測定前先進行開機穩(wěn)定(0.5 h)和校準。將測定完SSC和總酸含量后剩余的果汁，進行pH值的測定。硬度測定則是將進行光譜檢測后的紅提樣品橫向放置在質構儀的試驗臺上，采用P100/R型探頭，設置測前速度為2.0 mm/s，測試速度為1.0 mm/s，測后速度為2.0 mm/s，起始力設置為0.05 N，壓縮距離為8.0 mm，對紅提果粒進行橫向壓縮，壓縮部位為紅提的中部位置。在進行壓縮時，隨著位移的增大，果粒受到的壓力顯著增大，當壓縮到一定的位置時，果實在較大的壓力下會出現脆斷，壓力迅速減小，試驗取在整個壓縮過程中果粒所能承受的最大壓力作為評判果實硬度的指標。將采集完光譜的紅提樣品立即進行含水率的測定，測定參照文獻[23]。

2.3 模型建立及評價方法

PLSR預測模型通過最小化偏差平方和對曲線進行線性擬合，結合了多元線性回歸、相關分析和主成分的優(yōu)點。模型的準確性和穩(wěn)定性由校正集相關系數Rc及均方根誤差(RMSEC)、預測集相關系數Rp及均方根誤差(RMSEP)、殘差預測偏差(RPD)進行模型性能的評價。相關系數越接近1，均方根誤差越接近0，模型的預測性能及穩(wěn)定性越好。RPD的評價指標：RPD小于1.5表示預測性能較差；1.5～2.0之間表示模型可以預測低值和高值；2.0～2.5之間表示可以進行粗略的定量預測；2.5～3.0或更高的值表示具有良好的預測精度。

2.4 光譜模型建立

2.4.1光譜預處理及樣品集劃分

通常為了保證模型的準確性，需要對原始光譜(RAW)進行光譜預處理。本研究中采用的光譜預處理方法包括標準正態(tài)變量變換(Standard normal variable transformation，SNV)、Savitzky-Golay 卷積平滑處理法(Savizky-Golay smooth，S_G)、移動平均法(Moving-average method，MA)和歸一化(Normalization，Nor)等。以紅提的SSC為例闡述光譜預處理的過程。

從圖6中可以得出，在原始光譜中所有紅提樣品的光譜都呈現出相同的變化趨勢，光譜曲線中存在明顯的吸收峰，分別為678 nm和970 nm，其中，678 nm的吸收峰對應葉綠素的吸收，與生長期果皮顏色特征相關聯[24]，而970 nm吸收峰對應水和—OH鍵的二倍頻吸收峰[25]。546、612 nm處出現尖峰，是因為外界光線較強且紅提果粒皮薄，還存在一定的外界光照等干擾信息。紅提樣品的光譜強度存在差異，但無法直接識別品質的好壞，需要通過對光譜數據建立相應的模型來預測品質指標。

KS(Kennard-Stone)算法作為常用的樣本劃分算法，利用變量空間之間的相對歐氏距離找出樣品集中差異較大的樣品選入校正集，其余相近的樣品選入預測集。試驗中每個指標共采集了360份紅提樣本，按照3∶1比例利用KS算法劃分為270個校正集樣本，90個預測集樣本。從表1中可以看出，SSC的分布范圍為4.5～19.0°Brix，校正集和預測集的平均值分別為11.9、11.7°Brix；總酸質量分數分布范圍為2.254%～37.663%，校正集和預測集的平均值分別為10.185%、9.868%；pH值分布范圍為2.68～4.62，校正集和預測集的平均值分別為3.64、3.55；硬度分布范圍為9.414～121.305 N，校正集和預測集的平均值分別為33.620、31.975 N；含水率分布范圍為83.15%～96.52%，校正集和預測集的平均值分別為89.54%、89.68%。表明數據的分布范圍較廣，通過KS劃分的數據集分布較為合理，可提高預測模型的穩(wěn)定性。

表1 生長期紅提樣品利用KS算法劃分樣本集的數據統計Tab.1 Data statistics of red globe grape samples in growing period by KS algorithm

由表2可得，在紅提SSC預測模型中，原始光譜經過MA預處理后所建的PLSR模型效果最好，Rp和RMSEP分別為0.924 6和1.306 0°Brix。在紅提TA質量分數預測模型中，原始光譜所建的PLSR模型效果最好，Rp和RMSEP分別為0.976 4和2.165 7%。在紅提pH值預測模型中，原始光譜經過MA預處理后所建的PLSR模型效果最好，Rp和RMSEP分別為0.982 7和0.093 9。在紅提硬度預測模型中，原始光譜經過Nor預處理后所建的PLSR模型效果最好，Rp和RMSEP分別為0.908 1和9.378 0 N。在紅提含水率預測模型中，原始光譜經過S_G預處理后所建的PLSR模型效果最好，Rp和RMSEP分別為0.842 7、1.231 0%。對于紅提的SSC和pH值，原始光譜經過MA預處理后模型的預測精度明顯提高，選取原始光譜經過MA預處理進行特征波長提取和建模。對于紅提的TA質量分數，經過預處理所建模型的預測精度反而降低，后續(xù)利用原始光譜進行特征波長提取和建模分析。

表2 采用不同預處理方法的全波長PLSR預測模型Tab.2 Full-wavelength PLSR prediction model using different preprocessing methods

2.4.2特征波長提取

(1)CARS

經過預處理的原始光譜通過KS算法劃分后采用競爭性自適應加權算法(Competitive adaptive reweighted sampling，CARS)[26]分別提取紅提的SSC、總酸質量分數、pH值、硬度和含水率的特征波長，以SSC特征波長的選取為例，因CARS算法運行方法相似，下文只闡述CARS算法對特征波長的選取過程，如圖7所示。本研究設定蒙特卡羅采樣為50次，采用5折交叉驗證法計算。由圖7b可知，交互驗證均方根誤差(RMSECV)隨著取樣運行次數增加先減小后增大：當RMSECV逐漸減小時，表明光譜數據中部分無用的信息被剔除；當RMSECV逐漸增大時，表明光譜數據中有用的重要信息被剔除。因此，取采樣50次所建立的PLSR模型中所對應的最小RMSECV作為最優(yōu)結果，由圖7b可知，當RMSECV達到最小值時，各變量的回歸系數位于圖7c中豎直線位置，采樣運行28次。

(2)SPA

連續(xù)投影算法(Successive projection algorithm，SPA)[27]是一種可有效消除變量共線性的算法。KS算法劃分后的經過預處理原始光譜通過SPA優(yōu)選出波長序列分別建立紅提SSC、總酸質量分數、pH值、硬度和含水率的PLSR模型。

以紅提的總酸質量分數為例簡要闡述SPA選取特征波長的過程。根據SPA的原理，利用均方根誤差(RMSE)來決定所建模型的優(yōu)劣，均方根誤差越小模型的穩(wěn)定性越好、精度越高。RMSE隨著波長個數的變化，會不斷的波動，如圖8a所示，選擇RMSE最小值對應的波長個數為17，作為最優(yōu)的波長個數，選取的波長在原始光譜中的索引如圖8b所示，所選波段占原始光譜信息的0.941%。

(3)UVE

以利用無信息變量消除算法(Uninformative variable elimination，UVE)[28]提取紅提果粒SSC特征波長建立PLSR模型為例，應用UVE對經過預處理光譜數據進行有效信息提取，UVE的原理是將一定數目的隨機噪聲矩陣加入光譜矩陣，通過PLSR交叉驗證建立模型，得到一組回歸系數矩陣，波長變量的穩(wěn)定性指數是利用該系數矩陣的平均值除以該系數矩陣的標準差，波長變量的穩(wěn)定性指數小于某一閾值時則被剔除。設定噪聲矩陣穩(wěn)定性指數最大值的99%作為剔除閾值，圖像黃色曲線代表光譜變量的穩(wěn)定性指數，紅色曲線代表噪聲變量的穩(wěn)定性指數，兩水平虛線為變量的選擇閾值(±11.05)，虛線內部為無用信息被消除，外部為有用信息，選取結果如圖9所示，所對應的波長為選擇的特征波長。通過UVE共選擇1 360個特征波長。

2.4.3基于特征波長提取方法的PLSR模型效果

由表3可知，在原始光譜經過預測處理后建立的紅提SSC、總酸質量分數、pH值的PLSR模型中，所建模型的校正集的相關系數與預測集的相關系數相差不大，在原始光譜經過預測處理后建立的硬度和含水率的PLSR模型中，所建模型的校正集的相關系數與預測集的相關系數相差較大。在原始光譜經過預測處理后建立的紅提SSC、總酸質量分數、pH值、硬度和含水率的PLSR模型中，建模所用的特征波長數量較多，需要進行特征波長的提取進一步提高模型的穩(wěn)定性和預測性能。對于紅提果粒SSC指標，經過MA-UVE-SPA所建PLSR模型的Rc、Rp和RPD都明顯大于其他特征波長提取方法建立的PLSR模型，模型效果較好；對于紅提果?？偹豳|量分數指標，經過RAW-UVE-SPA所建PLSR模型的RPD為5.051 2，明顯大于其他特征波長提取方法建立的PLSR模型，模型效果較好；對于紅提果粒pH值指標，經過MA-CARS-SPA所建PLSR模型的Rp和RPD明顯大于其他特征波長提取方法建立的PLSR模型，模型效果較好；對于紅提果粒硬度指標，經過Nor-SPA所建PLSR模型的Rp和RPD明顯大于其他特征波長提取方法建立的PLSR模型，模型效果較好；對于紅提果粒含水率指標，經過S_G-CARS-SPA所建PLSR模型的RPD為2.125 9，明顯大于其他特征波長提取方法建立的PLSR模型，模型效果較好；紅提果粒SSC、總酸質量分數、pH值和含水率的最佳模型都是通過二次波長提取的方法，紅提果粒SSC、總酸質量分數的最佳模型的特征波長提取方法為UVE-SPA。紅提果粒pH值和含水率的最佳模型的特征波長提取方法為CARS-SPA，硬度的最佳模型的特征波長提取方法為SPA。SSC、總酸質量分數、pH值所建最佳模型的校正集和預測集的相關系數均大于0.950，而硬度和含水率所建最佳模型的校正集和預測集的相關系數都低于0.950，SSC、總酸質量分數和pH值所建最佳模型預測性能明顯好于硬度和含水率所建模型，紅提SSC、總酸質量分數、pH值、硬度和含水率最優(yōu)預測模型的RPD分別為3.150 1、5.051 2、6.572 5、2.922 2和2.125 9，通過近紅外光譜技術，可以準確地預測紅提果粒SSC、總酸質量分數、pH值、硬度和含水率內部指標。

表3 基于不同特征波長提取方法建立的PLSR模型效果Tab.3 Effects of PLSR models based on different feature band extraction methods

進行特征波長提取后，所建紅提果粒SSC、總酸質量分數、pH值、硬度和含水率指標的最優(yōu)模型最優(yōu)特征波長如表4所示。

表4 紅提不同指標PLSR預測模型的最優(yōu)特征波長Tab.4 Optimal feature wave points for different red globe grape index PLSR prediction models

3 檢測儀軟件開發(fā)

軟件系統的設計主要根據系統的硬件平臺選擇方便開發(fā)的嵌入式操作系統(如Linux、WinCE、Android等)，編寫相應的應用程序，完成對整個系統的搭建。因美國海洋光學公司提供了WinCE嵌入式操作平臺的驅動程序，方便后續(xù)程序的開發(fā)，因此該ARM處理器選擇WinCE嵌入式操作系統。首先在計算機上搭建Visual Studio 2005開發(fā)環(huán)境，安裝相應的SDK(Software development kit)開發(fā)包，進行WinCE嵌入式操作系統下應用程序的開發(fā)。編寫WinCE系統下的應用程序，主要完成光譜儀采集參數的設置、光譜數據采集和存儲，根據采集到的光譜數據建立紅提內部指標的檢測模型，計算并得到測試樣品的內部指標，在液晶顯示屏上顯示結果。整個檢測程序的流程如圖10所示。

在WinCE系統下的程序運行結果顯示界面如圖11所示。圖11a為主界面，主要完成光譜儀的連接、光譜曲線顯示、光譜采集、數據處理和結果顯示等；圖11b為參數設置界面，主要包括光譜采集積分時間、平均次數、平滑度的設置。為簡化光譜采集操作步驟，系統默認自動導入儲存的參考光譜和暗光譜，或根據實際情況重新采集暗光譜或參考光譜。參數設置完成后返回主界面。設定完相應的采集參數后，每次對樣品進行光譜采集試驗時，按照上文的紅提果粒采集步驟進行光譜采集，當按下樣品檢測按鍵，光譜儀采集樣品的光譜信息并將光譜反射率曲線實時顯示到觸摸屏幕上，系統根據建立好的內部品質檢測模型，計算樣品的相應指標含量，并將測量結果實時顯示到觸摸屏幕的界面上。并在SD存儲卡上保存測量結果及光譜信息。在樣品檢測完成后，揚聲器實時播報“測試完成”的語音，提示本次操作順利完成，該檢測儀可同時獲取紅提果粒SSC、總酸質量分數、pH值、硬度和含水率5個參數的值，其檢測時間小于2 s，實現了快速無損檢測。

4 試驗驗證

試驗材料為生長期的紅提果粒，挑選方法同紅提果粒試驗材料的選擇方法。并利用搭建的便攜式紅提果粒內部品質檢測儀進行試驗，將得到的結果與理化測量值進行分析，紅提果粒的各指標采集80個試驗樣品。每個樣品重復采集3次，以3次紅提果粒的SSC、總酸質量分數、pH值、硬度和含水率預測結果的變異系數衡量儀器的穩(wěn)定性。

由圖12可知，紅提果粒SSC、總酸質量分數、pH值、硬度和含水率預測集的相關系數Rp分別為0.941 4、0.968 7、0.976 8、0.934 8、0.900 6；預測集的RMSEP分別為1.156 7°Brix、2.364 5%、0.098 6、8.357 1 N、1.105 1%，表明模型有較好的檢測精度。每個樣品重復預測3次，紅提果粒SSC、總酸質量分數、pH值、硬度和含水率預測結果的最大變異系數分別為0.085、0.079、0.064、0.098和0.092，表明模型有較好的穩(wěn)定性和重復性。雖然預測結果的相關系數稍低于植入模型的結果，但兩者差距較小，可能與采集時外界環(huán)境的影響有關。利用便攜式紅提果粒內部品質檢測儀測定的結果與真實結果相差不大，達到了設計儀器的要求。

5 結論

(1)基于可見/近紅外漫反射光譜，根據生長期紅提果粒的大小及形狀特征，設計了便攜式紅提果粒多品質參數檢測儀，該儀器主要由光譜采集探頭、光譜儀、鹵素燈光源、鋰電池和控制器及外圍電路等部分組成。儀器尺寸為200 mm×160 mm×150 mm，在脫離電源的情況下，該儀器可獨立工作2.5 h，滿足野外工作要求。

(2)采集生長期紅提400～1 000 nm的可見/近紅外漫反射光譜信息，對原始光譜進行預處理和特征波長提取，分別建立了紅提SSC、總酸質量分數、pH值、硬度和含水率的最優(yōu)PLSR預測模型，所建紅提果粒的SSC、總酸質量分數、pH值、硬度和含水率的最優(yōu)PLSR預測模型的預測集相關系數分別為0.954 5、0.977 8、0.987 8、0.945 6、0.902 8，均方根誤差分別為1.012 2°Brix、2.022 5%、0.074 7、7.281 3 N、0.979 9%。

(3)應用MFC開發(fā)工具，基于C++語言編寫了儀器實時分析處理軟件。將所建紅提SSC、總酸質量分數、pH值、硬度和含水率的最優(yōu)PLSR預測模型植入硬件裝置中，實現了生長期紅提果粒多品質參數的一鍵式無損檢測，檢測儀可同時獲取紅提果粒5個參數的值，檢測時間不超過2 s，實現了快速無損檢測。

(4)驗證了紅提果粒多品質參數檢測儀的檢測精度和穩(wěn)定性。紅提果粒SSC、總酸質量分數、pH值、硬度和含水率的預測集相關系數分別為0.941 4、0.968 7、0.976 8、0.934 8、0.900 6，預測集均方根誤差分別為1.156 7°Brix、2.364 5%、0.098 6、8.357 1 N、1.105 1%，預測結果的最大變異系數分別為0.085、0.079、0.064、0.098和0.092。結果表明，該儀器可完成生長期紅提果粒的SSC、總酸質量分數、pH值、硬度和含水率的實時無損檢測。