柑橘近紅外光譜無損檢測技術(shù)研究進(jìn)展

張欣欣，李 跑,,*，余 梅，蔣立文，劉 霞，單 楊

（1.湖南農(nóng)業(yè)大學(xué)食品科學(xué)技術(shù)學(xué)院，食品科學(xué)與生物技術(shù)湖南省重點實驗室，湖南 長沙 410128；2.湖南省農(nóng)業(yè)科學(xué)院湖南省農(nóng)產(chǎn)品加工研究所，湖南 長沙 410125）

柑橘是柑、柚、橙、枳、橘（桔）等的總稱，最初種植于中國的云貴高原，其栽培時間長久、品種繁多、資源豐富。柑橘營養(yǎng)豐富，果肉酸甜適度，受到全球人民喜歡。無論是生產(chǎn)、消費還是出口，中國在柑橘市場中的作用不可或缺。根據(jù)國家統(tǒng)計局官網(wǎng)結(jié)果，2018年我國各類柑橘總產(chǎn)量已達(dá)到4 138.14萬 t，出口量70.88萬 t，橘、橙出口金額達(dá)到9.7億 美元。柑橘的品質(zhì)直接關(guān)乎銷量，而水果品質(zhì)指標(biāo)由外部指標(biāo)與內(nèi)部指標(biāo)構(gòu)成?，F(xiàn)階段柑橘類水果的品質(zhì)分級大多采用人工肉眼或圖像識別技術(shù)[1]。人工分級的效率與準(zhǔn)確度不高，機器視覺檢測技術(shù)和自動控制技術(shù)組成的分級控制系統(tǒng)可以實現(xiàn)顏色檢測與柑橘外部缺陷檢測，但采用機械設(shè)備僅能根據(jù)外部特征進(jìn)行一定的分級，無法對更重要的內(nèi)部品質(zhì)進(jìn)行分析。柑橘內(nèi)部品質(zhì)指標(biāo)包括可溶性固形物含量（soluble solid content，SSC）、酸度、黃酮含量、維生素含量、果膠含量等。采用折光法[2]對果汁進(jìn)行分析可以得到柑橘的SCC；利用pH計和化學(xué)滴定法[2]對果汁進(jìn)行測定可以得到柑橘的酸度，采用高效液相色譜法[3]對果汁進(jìn)行分析可以測定黃酮以及維生素含量；采用斐林試劑法[4]可以測得還原糖含量。但這些方法要對柑橘進(jìn)行破壞性實驗，檢測后的樣品無法實現(xiàn)二次銷售，無法達(dá)到快速無損檢測的目的。

近紅外光（near infrared，NIR）是一種電磁波，波長范圍為780～2 500 nm，波數(shù)范圍為12 800～4 000 cm-1，主要反映了含氫基團(tuán)的信息。根據(jù)波長范圍，通常將780～1 100 nm的NIR稱為短波近紅外光（short wavelength near infrared，SWNIR），1 100～2 500 nm的NIR稱為長波近紅外光（long wavelength near infrared，LWNIR）。基于NIR光譜技術(shù)的果蔬內(nèi)部品質(zhì)無損檢測，是利用果蔬產(chǎn)品的皮、葉、肉、核等對可見-近紅外光（visible-near infrared，Vis-NIR）或NIR的反射、透射、散射、吸收等特點，反映果蔬內(nèi)部品質(zhì)的一種無損檢測方法。該項技術(shù)由美國農(nóng)業(yè)部于1985年提出，經(jīng)過30多年的發(fā)展，現(xiàn)廣泛用于各類果蔬及農(nóng)副產(chǎn)品的檢測，如櫻桃的瘀傷程度檢測[5]、梨的黑心病與SSC檢測[6]。本課題組采用NIRS實現(xiàn)了陳皮[7]、豆?jié){粉[8-9]、燕麥[10-11]、大米[12]、綠茶[13]等食品的無損檢測。然而，由于樣品、儀器、環(huán)境、人為因素等原因，NIR光譜所包含的信息往往十分復(fù)雜，需要通過化學(xué)計量學(xué)方法以消除光譜中的干擾，從光譜中提取出有效信息。合適的化學(xué)計量學(xué)方法可以提高信噪比，進(jìn)而提高檢測的靈敏度、穩(wěn)定性和可重復(fù)性[14-15]。

柑橘不同于其他水果，其果皮較厚，對光譜影響較大，NIR具有一定的穿透力，可用于柑橘內(nèi)部品質(zhì)的無損檢測。現(xiàn)階段出現(xiàn)了大量基于NIR技術(shù)的柑橘及其副產(chǎn)物無損檢測研究。本文對國內(nèi)外柑橘NIR無損檢測研究進(jìn)行了歸納和總結(jié)，重點從果皮對NIR技術(shù)用于柑橘無損檢測可行性的影響、光譜儀種類及參數(shù)的選擇、化學(xué)計量學(xué)方法的優(yōu)化等幾個方面進(jìn)行了詳細(xì)討論，旨在為柑橘類水果的快速無損檢測提供一定的理論依據(jù)與參考。

1 NIR技術(shù)用于柑橘無損檢測的原理及柑橘內(nèi)部光傳輸特性

利用光學(xué)技術(shù)檢測果蔬產(chǎn)品的內(nèi)部指標(biāo)一直是近年來的熱點。NIR譜圖包含的信息十分豐富，果蔬組分中含氫基團(tuán)伸縮振動的倍頻與合頻的吸收譜帶出現(xiàn)在NIR區(qū)，其散射特性能反映果蔬微觀組織結(jié)構(gòu)和宏觀質(zhì)地屬性等信息，所以大多數(shù)果蔬的內(nèi)部品質(zhì)指標(biāo)（如SSC及可溶性糖、有機酸、色素含量，水分含量等）能利用NIR光譜技術(shù)進(jìn)行分析。圖1為完整蜜桔果實的NIR圖以及所屬吸收帶歸屬，10 000～8 000 cm-1為—CH—、—CH2—和—CH3的二倍頻吸收帶；—OH的二倍頻出現(xiàn)在8 500 cm-1附近；7 200 cm-1附近為—CH—、—CH2—和—CH3的一倍頻吸收帶；7 100 cm-1附近為—SH的一倍頻吸收帶；—CHO、—CH—等基團(tuán)的合頻吸收集中在5 500～4 800 cm-1處。吸收光譜的趨勢與此前其他學(xué)者報道的柑橘光譜圖[16-17]相似。

圖1 蜜桔的NIR圖Fig.1 NIR spectrum of tangerine

柑橘不同于薄皮水果，其較厚的果皮會對NIR進(jìn)行多次吸收散射，內(nèi)部光傳輸特性較為復(fù)雜。探究NIR能否穿透較厚果皮以及研究NIR在柑橘內(nèi)部的傳輸特性，有利于為果實品質(zhì)NIR光譜無損檢測提供理論依據(jù)。在NIR光譜與水果內(nèi)部指標(biāo)相關(guān)性研究方面，魏康麗等[18]用自主搭建的基于單積分球技術(shù)的光學(xué)檢測系統(tǒng)研究了以蘋果為代表的水果中SSC、可溶性糖（果糖、葡萄糖、蔗糖等）含量與光學(xué)性質(zhì)的關(guān)聯(lián)性。研究結(jié)果表明，在蘋果貯存期間，SSC與可溶性糖含量均下降，對光的吸收系數(shù)和約化散射系數(shù)相應(yīng)減小，尤其SSC以及可溶性糖含量與吸收系數(shù)呈現(xiàn)很高的正相關(guān)性（r為0.768～0.992）。研究還發(fā)現(xiàn)SSC與可溶性糖中的蔗糖含量相關(guān)性最高，蔗糖與吸收系數(shù)、散射系數(shù)的平均相關(guān)性（r為0.829～0.992）高于果糖與葡萄糖對應(yīng)的數(shù)據(jù)（r為0.768～0.935）。實驗結(jié)果解釋了光學(xué)技術(shù)檢測SSC的機理，即果蔬中的可溶性糖（特別是其中的蔗糖）對光的高吸收與高散射。Saeys等[19]研究了蘋果皮和蘋果果肉在350～2 200 nm范圍內(nèi)的光學(xué)性質(zhì)，發(fā)現(xiàn)吸收效應(yīng)在NIR波段（特別是1 450 nm和1 900 nm波長處）以水的吸收為主，在Vis波段（675 nm波長處）以色素和葉綠素的吸收為主。以上實驗結(jié)果表明掃描水果得到的NIR光譜含有可溶性固形物、可溶性糖、蔗糖、水等的相關(guān)信息。

柑橘的果皮也會吸收NIR，并對結(jié)果產(chǎn)生影響。Saeys等[19]發(fā)現(xiàn)，隨著波長增加，蘋果的散射系數(shù)會單調(diào)下降，其中果皮的散射強度是果肉散射強度的3 倍，因此水果果皮對實驗結(jié)果會有較大影響，而柑橘果皮相對蘋果皮更厚，因此干擾更為嚴(yán)重。為了探究果皮對NIR特性的影響，孫通等[20]考察了臍橙果皮對NIR檢測分析臍橙的影響，結(jié)果顯示未剝皮和剝皮臍橙SSC最優(yōu)偏最小二乘（partial least squares，PLS）模型的預(yù)測集相關(guān)系數(shù)（correlation coefficients of prediction set，rP）和均方根誤差（root mean square error of prediction set，RMSEp）分別為0.888、0.456%和0.944、0.324%，剝皮臍橙SSC的PLS模型性能優(yōu)于未剝皮臍橙模型，表明果皮對柑橘水果的SSC檢測精度有負(fù)影響。石舒寧等[21]以薄皮水果蘋果和厚皮水果柑橘為實驗對象，探究了果皮對NIR光傳輸?shù)挠绊?。考察了不同厚度的蘋果果皮（0.01～0.05 cm）和柑橘果皮（0.2～0.6 cm）對光的透射率、穿透深度、漫反射率和內(nèi)部吸收率等光傳輸特性的影響，發(fā)現(xiàn)果皮越薄，透射率和穿透深度越大；當(dāng)采用漫反射的光譜采集方式時，光子入射的徑向距離在0.2～1.2 cm之間時，果皮厚度與漫反射率成正比，徑向距離在1.2～4.0 cm之間時，果皮厚度與漫反射率成反比，結(jié)果表明當(dāng)采用漫反射方式對柑橘進(jìn)行檢測時，選擇的徑向距離應(yīng)小于1.2 cm；在探究柑橘內(nèi)部對NIR吸收率的實驗中，發(fā)現(xiàn)吸收率分布圖出現(xiàn)明顯分層，原因是果皮和果肉對光的吸收系數(shù)不同，果皮的光吸收能量密度在徑向距離上的分布范圍更廣，所以依照該實驗的方法可以測得不同厚度果皮的柑橘光吸收能量密度分布，從而選擇光源的功率以獲得更優(yōu)的數(shù)據(jù)。Fraser等[22]證明了NIR穿透柑橘的可能性并研究了其在穿透柑橘過程中的衰減程度，實驗過程中用NIR光譜儀穿刺法結(jié)合Monte Carlo法測定了柑橘內(nèi)部光的分布，圖2為穿刺法檢測柑橘內(nèi)部光分布的實驗裝置示意圖，通過改變穿刺點位置可以獲得柑橘內(nèi)部光分布。該實驗證明了NIR能有效穿透柑橘果皮，但是光在開始照射到的果皮部分的衰減程度很強，這可能與果皮散射強度高有關(guān)，光在果肉部分的衰減較緩，說明柑橘果皮有較強的干擾。吳晨凱等[23]對Vis-NIR（340～1 040 nm）在柑橘組織中的入射深度和分布情況進(jìn)行了初步探索，發(fā)現(xiàn)柑橘穿刺光能量、透過率與穿刺深度梯度呈正相關(guān)，果肉相對果皮及果核對光能量的衰減作用稍弱。

圖2 穿刺法檢測柑橘內(nèi)部光分布的實驗裝置Fig.2 Experimental device for detection of light distribution inside citrus fruit by puncture method

以上研究均表明NIR技術(shù)可以用于檢測柑橘內(nèi)部品質(zhì)，對光在水果內(nèi)部的傳輸特性研究具有一定的參考價值。然而，在利用NIR技術(shù)分析完整柑橘果實時，柑橘果皮與光的相互作用不能忽視，所以當(dāng)以完整柑橘水果為檢測對象時，需要探索消除果皮影響的方法。但目前國內(nèi)外對如何克服柑橘水果皮對檢測精度的干擾研究鮮有報道，基于NIR技術(shù)無損檢測柑橘水果中VC含量、果膠含量、總酸含量、pH值的原理也鮮有報道。

2 柑橘無損檢測中NIR光譜儀器及其參數(shù)的選擇

2.1 不同種類NIR光譜儀器在柑橘無損檢測中的應(yīng)用

目前，可用于水果無損無損檢測的NIR光譜儀類型較多。按光譜獲取原理可分為光柵色散型、傅里葉變換（Fourier transform，F(xiàn)T）型、濾光片型和聲光可調(diào)濾光器（acousto-optic tunable filter，AOTF）型[24]。按儀器大小可分為通用型實驗室NIR光譜儀和便攜式NIR光譜儀。實驗室儀器精準(zhǔn)度高，但體積大、價格高，所以開發(fā)微型化、快速、專用型的便攜式光譜儀是發(fā)展趨勢之一。為了實現(xiàn)柑橘品質(zhì)自動化檢測，國內(nèi)外有部分研究者通過自主搭建組裝NIR光譜裝置，開發(fā)了水果品質(zhì)NIR光譜智能化實時檢測與分級生產(chǎn)線。NIR光譜儀在柑橘品質(zhì)無損檢測方面的應(yīng)用情況如表1所示。

表1 NIR光譜儀在柑橘品質(zhì)無損檢測方面的應(yīng)用情況Table 1 Applications of NIR in non-destructive citrus quality detection

在柑橘NIR無損檢測的研究中，美國ASD公司生產(chǎn)的儀器使用最為普遍。ASD公司的儀器主要有QualitySpec型、QualitySpec Pro型Vis/NIR光譜儀，Handheld Field Spec光譜儀，F(xiàn)eildSpec3波譜儀。美國尼高力儀器公司（已被美國Thermo公司收購）的NICOLET IS10 FTNIR儀、NEXUS FT-NIR儀，美國Ocean Optics公司的USB4000微型光纖光譜儀，德國布魯克儀器公司的VECTOR22N和VECTOR33N FT-NIR儀也被用于柑橘的無損檢測。國內(nèi)多家儀器公司研制生產(chǎn)出了用于柑橘無損檢測的NIR光譜儀，如杭州聚光科技股份有限公司生產(chǎn)的SupNIR-1500D NIR分析儀和SupNIR-1000便攜式NIR儀。表1歸納了各類儀器的應(yīng)用情況。光柵色散性NIR光譜儀應(yīng)用范圍最廣，而AOTF光譜儀的使用頻率較低。AOTF光譜儀掃描速度快，但價格昂貴，分辨率不如光柵色散型和FT型光譜儀高，適用于液態(tài)食品的在線檢測[25]。濾光片型儀器出現(xiàn)早，但應(yīng)用面窄，可能是其功能不能很好地滿足當(dāng)代檢測需求。目前鮮有AOTF光譜儀和濾光片型光譜儀應(yīng)用于柑橘檢測的研究報道。光柵色散型光譜儀可實現(xiàn)掃描范圍內(nèi)的全光譜掃描，擁有較高的信噪比和分辨率，但光源射出的光需要通過光柵的轉(zhuǎn)動進(jìn)行分光，可移動元件容易磨損，影響結(jié)果，更適于實驗室檢測。FT型光譜儀應(yīng)用廣泛，具有AOTF光譜儀和光柵色散型光譜儀的優(yōu)點且價格適中，但儀器體積大，難以發(fā)展成為NIR波段的便攜式光譜儀。光柵色散型光譜儀和FT型光譜儀這類較大型的儀器設(shè)備雖不便于在線檢測，但儀器精準(zhǔn)度高、所得數(shù)據(jù)準(zhǔn)確、模型穩(wěn)定性更好，在對柑橘內(nèi)部品質(zhì)進(jìn)行實驗室內(nèi)的光學(xué)無損分析時，可以優(yōu)先考慮這兩種類型的光譜儀器。柑橘類水果的品質(zhì)分析往往不局限于實驗室，隨著市場的需求和技術(shù)的革新，需要發(fā)展小型、精密的便攜式光譜儀，以實現(xiàn)柑橘內(nèi)部品質(zhì)的現(xiàn)場快速檢測[26-27]。

2.2 NIR光譜儀器參數(shù)選擇

2.2.1 柑橘無損檢測中光譜采集方式的選擇

在NIR無損檢測中，常用的光譜采集方式有漫反射、透射和漫透射，圖3為3 種采集方式的示意圖，表2總結(jié)了3 種采集方式的優(yōu)缺點。王旭[33]利用NIR漫反射檢測模式實現(xiàn)了對當(dāng)?shù)乇浅萐SC和pH值的檢測。采用一階導(dǎo)數(shù)預(yù)處理NIR光后建立的PLS模型預(yù)測效果優(yōu)于研究中選擇的其他模型，該PLS模型的校正集相關(guān)系數(shù)（correlation coefficient of correction set，rC）為0.936 0，rP為0.795 0，RMSEp為0.573 1；基于NIR預(yù)測冰糖橙pH值的PLS模型，其rP為0.819 6，對應(yīng)的RMSEp為0.135 3。該實驗表明，NIR漫反射檢測模式可以實現(xiàn)冰糖橙SSC和pH值的無損檢測，但對pH值的檢測精度要低一些。許文麗等[32]研究了Vis-NIR漫反射與漫透射兩種光譜采集方式對贛南臍橙的SSC檢測結(jié)果的影響，實驗結(jié)果中通過漫透射方式采集的光譜數(shù)據(jù)所建立模型的rC和rP均高于漫反射采集方式對應(yīng)的結(jié)果。代芬等[41,56]以砂糖橘為研究對象，采用了漫反射和漫透射方法對砂糖橘的SSC、總酸含量、pH值、含水量和VC含量進(jìn)行無損檢測，采用漫反射方式時，SSC、總酸含量、含水量和VC含量的rP分別為0.875 9、0.866 7、0.834 3、0.803 8，采用漫透射方法時，SSC和pH值的rP分別為0.945 3和0.705 7。結(jié)果表明，基于NIR漫反射方法來檢測砂糖橘的SSC、總酸含量、含水量和VC含量具有可行性；采用漫透射方法可以更好地檢測砂糖橘的SSC，但用于檢測pH值時，其精度有待進(jìn)一步提高，可能原因是pH值代表的是溶液中游離的H+濃度，這部分未成基團(tuán)對NIR的吸收不顯著。Wang Aichen等[57]對比了3 種光譜采集方式（漫反射、透射以及漫透射）以實現(xiàn)臍橙SSC的檢測，結(jié)果表明，無論對樣品進(jìn)行怎樣的前處理（去皮與不去皮），透射模式結(jié)果均最佳，且加入可見光區(qū)域數(shù)據(jù)會降低模型的預(yù)測精度。以上結(jié)果表明3 種采樣方式在柑橘內(nèi)部品質(zhì)無損檢測中均得到了應(yīng)用。然而柑橘的種類很多，大小、結(jié)構(gòu)差異很大，且不同柑橘果皮厚度不同，還需要根據(jù)這些差異選擇最佳的光譜采集方式。

表2 柑橘的NIR檢測采集方式比較Table 2 Comparison of different NIR detection modes for citrus fruit

圖3 NIR無損檢測中常用的光譜采集方式Fig.3 Commonly used methods for spectral acquisition in non-destructive NIR testing

2.2.2 柑橘無損檢測中光譜采集點的選擇

柑橘類水果是一種有不透光厚皮的不規(guī)則球體樣品，而NIR光譜儀光源射出的光經(jīng)分光系統(tǒng)分光后會變成單束光，大多只能對柑橘水果的某一部分進(jìn)行光譜采集，所以有必要選擇信息量相對最多、具有代表性的光譜采集點。Li Pao等[27]選擇采集柑橘的赤道線部位的光譜，并取赤道四等分位置的平均值，開發(fā)了一種簡便準(zhǔn)確的檢測柑橘SSC新方法。結(jié)果表明采用變量自適應(yīng)推進(jìn)偏最小二乘建模方法時，即使不進(jìn)行光譜預(yù)處理也能得到較好的預(yù)測精度。廖秋紅等[52]利用NIR光譜技術(shù)對‘紐荷爾臍橙’進(jìn)行產(chǎn)地識別時，通過最優(yōu)模型對果實不同部位的NIR反射光譜進(jìn)行產(chǎn)地識別精度研究，結(jié)果顯示果實赤道部果面NIR反射光譜的產(chǎn)地識別精度可達(dá)80.00%，而頂部獲得的數(shù)據(jù)得到的產(chǎn)地識別精度僅為69.00%。趙靜等[54]利用NIR光譜技術(shù)分析‘黃巖蜜桔’的pH值時，對柑橘放置姿態(tài)對模型的影響進(jìn)行了研究，發(fā)現(xiàn)正立（底部）、側(cè)躺（赤道面）和任意（兩種放置方式隨機）3 種水果放置方式下建立的pH值定標(biāo)模型相關(guān)系數(shù)均在0.95以上，標(biāo)準(zhǔn)偏差都在0.1以下，不同放置方式下得到的模型結(jié)果之間差異不顯著?？赡苁且驗椤S巖蜜桔’果皮較薄，所以果皮對果肉指標(biāo)檢測的影響不大，或果皮依舊會嚴(yán)重影響到果肉指標(biāo)的檢測，因此無論如何放置，光譜儀采集到的都是果皮信息而非果肉信息，具體原因有待研究。

在實時檢測與分級生產(chǎn)線中，單從柑橘頂部或底部收集到的光譜數(shù)據(jù)建立的模型效果不是最理想的；當(dāng)需要快速且較準(zhǔn)確地分析柑橘類水果的內(nèi)部指標(biāo)，選擇柑橘赤道面作為光譜采集點更具代表性；采集柑橘果實的頂部、底部以及赤道線部位的光譜可以建立更好的分析模型。部分薄皮柑橘水果的放置位置對模型精確度影響不大，實際檢測中無需考慮這類樣品采集點的選擇。目前國內(nèi)外幾乎沒有對不同種類柑橘水果NIR分析中果實位置擺放影響的研究報道。

2.2.3 柑橘的NIR無損檢測中波長選擇范圍

如上所述，根據(jù)波長的范圍，NIR分為SWNIR（780～1 100 nm）和LWNIR（1 100～2 500 nm）。不同含氫基團(tuán)的吸收峰體現(xiàn)在不同的波段。選擇合適的光譜區(qū)間進(jìn)行建模，可以剔除無用區(qū)間光譜數(shù)據(jù)減少建模變量，還能提高建模精度。孫旭東等[35]對‘南豐蜜桔’SSC進(jìn)行分析時，將350～1 800 nm波段等間隔分為20 個光譜波段，應(yīng)用PLS在每個光譜波段分別建立‘南豐蜜桔’SSC定量校正模型，以校正集均方根誤差（root mean square error of correction set，RMSEc）為參數(shù)，確定了‘南豐蜜桔’SSC特征波段為642～787、861～1 006、1 080～1 152 nm和1 226～1 371 nm。呂強等[51]用聯(lián)合區(qū)間偏最小二乘法（synergy interval partial least square，siPLS）將‘班菲爾臍橙’1 000～2 500 nm NIR光譜劃分為17 個波段并建立模型，結(jié)果表明1 267～1 355、1 356～1 443、1 708～1 795、2 236～2 323 nm 4 個區(qū)間聯(lián)合建模的效果最好，rC和rP分別為0.910 9和0.878 9，RMSEc和RMSEp分別為0.331 2和0.448 7，這4 個波段為‘班菲爾臍橙’SSC信息的特征波段。表3總結(jié)了柑橘類水果NIR分析中波長的選擇范圍?？梢钥闯觯涕賰?nèi)部指標(biāo)的特征光譜區(qū)間集中在350～1 800 nm內(nèi)，且SWNIR光譜區(qū)間的有效信息最多，因為SWNIR穿透力強，能更深入地進(jìn)入果實內(nèi)部，此外該波段的光譜儀成本相對較低，在研究中，學(xué)者們更多選擇SWNIR結(jié)合漫反射方式對水果品質(zhì)進(jìn)行檢測。在實際檢測中，可以優(yōu)先考慮Vis-SWNIR光譜范圍，能體現(xiàn)柑橘內(nèi)部指標(biāo)如SSC、VC含量、總酸含量、pH值的信息。然而，即使測定的內(nèi)部指標(biāo)相同，由于‘南豐蜜桔’和‘班菲爾臍橙’為不同種類的柑橘水果，它們的特征波段也不完全相同。目前國內(nèi)外對柑橘內(nèi)部品質(zhì)檢測NIR特征波段的選擇研究并不全面。

表3 柑橘類水果NIR無損檢測中的波長選擇范圍Table 3 Wavelength ranges used for non-destructive detection of citrus fruit

3 柑橘無損檢測中化學(xué)計量學(xué)方法的選擇和優(yōu)化

用NIR光譜儀獲得的樣品光譜，因為實驗儀器、樣本差異或操作者自身等原因，獲得的光譜往往存在嚴(yán)重的譜峰重疊、基線漂移以及噪聲干擾等[59]，為了消除干擾，需要利用化學(xué)計量學(xué)方法對光譜數(shù)據(jù)進(jìn)行處理[60-61]。

常用的化學(xué)計量學(xué)方法有4 類：光譜數(shù)據(jù)預(yù)處理、定量校正、模型識別定性方法和模型傳遞。常見的光譜預(yù)處理方法有平滑、最大和最小歸一化（maximum and minimum normalization，MinMax），求導(dǎo)包括一階微分（first-order derivative，1st）、二階微分（second-order derivative，2nd）、標(biāo)準(zhǔn)化、平均中心、多元散射校正（multiplicative scatter correction，MSC）、分段多元散射校正、連續(xù)小波變換、標(biāo)準(zhǔn)正態(tài)變量等，用來消除光譜中的背景和噪聲干擾。對柑橘類水果進(jìn)行NIR定量分析建模時，原始光譜的噪聲等對模型影響極大，往往需要對光譜進(jìn)行單一或組合預(yù)處理才能剔除無用信息并提取有效信息[62]。多元校正方法包括PLS、主成分分析（principal component analysis，PCA）、多元線性回歸（multiple linear regression，MLR）等線性校正方法，以及支持向量機（support vector machine，SVM）、人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）等非線性校正方法。模式識別方法有Fisher線性判別分析（Fisher linear discriminant，F(xiàn)LD）、K-鄰近算法、簇類的獨立軟模式、聚類分析法等。模型傳遞可以解決源機與目標(biāo)機之間模型無法使用的問題[63]。目前對柑橘NIR分析的模型傳遞的研究少有報道。表4為柑橘NIR光譜無損檢測實驗中的化學(xué)計量學(xué)方法應(yīng)用的分類與歸納，可以看出，PLS為最常用的建模方法，同一種化學(xué)計量方法可以消除NIR光譜分析柑橘不同指標(biāo)時光譜中的干擾，不同的化學(xué)計量學(xué)方法可以應(yīng)用于同一個指標(biāo)的分析，模型識別定向方法中PLS與線性判別分析（linear discriminant analysis，LDA）方法應(yīng)用廣泛。盡管化學(xué)計量學(xué)方法種類豐富，但目前幾乎沒有研究報道可以應(yīng)用于所有柑橘品種NIR分析的廣適性化學(xué)計量學(xué)方法。

表4 NIR光譜分析中常用的化學(xué)計量學(xué)方法Table 4 Common chemometric methods for the extraction of useful NIR information

4 柑橘無損檢測的實際應(yīng)用

4.1 基于NIR的柑橘內(nèi)部品質(zhì)定量分析

國內(nèi)外學(xué)者對柑橘內(nèi)部品質(zhì)指標(biāo)中的SSC、果膠含量、VC含量、總酸含量、pH值無損檢測進(jìn)行了研究。由于柑橘類水果的SSC是柑橘重要的滋味評定指標(biāo)，SSC是研究最多的一個指標(biāo)。王旭[33]對冰糖橙進(jìn)行NIR無損分析時，采用了9 點平滑處理、1st和MSC分別對‘麻陽冰糖橙’樣品的光譜進(jìn)行預(yù)處理，然后采用PLS、主成分回歸算法（principal component regression，PCR）、MLR 3 種數(shù)學(xué)校正方法分別建模，結(jié)果表明采用1st結(jié)合PLS模型預(yù)測性能最好。章海亮等[38]采集完整‘贛南臍橙’的NIR漫反射光譜，經(jīng)移動窗口平滑處理、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)預(yù)處理后，再分別采用PCR和PLS方法，建立了‘贛南臍橙’SSC和總酸含量的定量預(yù)測數(shù)學(xué)模型，得到的結(jié)果表明，采用一階導(dǎo)數(shù)結(jié)合PLS模型的預(yù)測效果較好。Xu Sai等[40]為了更精準(zhǔn)測‘愛媛38號’橙的SSC，將NIR光譜儀與電子鼻技術(shù)手段結(jié)合，對數(shù)據(jù)進(jìn)行PCA以簡化和降維，應(yīng)用PLS和反向神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）建立檢測模型，rP和RMSEp分別為0.887 2、0.470 9，結(jié)果表明基于融合數(shù)據(jù)的PCABPNN法具有良好的SSC預(yù)測能力。胡潤文等[47]為實現(xiàn)兩臺FT-NIR光譜儀之間的共享，以臍橙總糖含量為例，用斜率截距校正（slope bias correction，SBC）法和直接標(biāo)準(zhǔn)化（direct standardization，DS）算法來實現(xiàn)模型轉(zhuǎn)移。結(jié)果表明經(jīng)DS算法傳遞后，rP可達(dá)0.902，RMSEp僅為0.448%，DS算法可以實現(xiàn)臍橙總糖模型在兩臺FT-NIR光譜儀之間的共享。

4.2 基于NIRS的不同品種和不同產(chǎn)地的柑橘鑒別分析

不同品種的柑橘水果有不一樣的風(fēng)味，市場上豐富多樣的柑橘滿足了廣大消費者的不同口味需求，所以柑橘的產(chǎn)地識別、品種鑒別和成熟度鑒別十分必要。不同環(huán)境生長的臍橙SSC存在差異，Lü Qiang等[16]利用NIR技術(shù)對不同產(chǎn)地的臍橙SSC做了鑒別，用Savitsky-Golay算法對原始光譜進(jìn)行了平滑預(yù)處理，并應(yīng)用了PLS和LDA建模，結(jié)果表明LDA模型能100%準(zhǔn)確地識別樣本的來源。廖秋紅等[52]收集了我國南方17 個‘紐荷爾臍橙’主要種植地的果實樣品，先采集了整果的赤道面和肩部的NIR光譜，接著采集果汁濾液的NIR光譜，采用PCA預(yù)處理果汁濾液的原始光譜，把處理后的光譜代入3 層ANN識別模型、SVM和遺傳算法-支持向量機（genetic algorithm-support vector machine，GA-SVM）模型3 種模型，這3 種模型對果實的最高識別精度分別為81.45%、86.98%和89.72%，選擇GA-SVM模型對赤道面和肩部的光譜進(jìn)行產(chǎn)地識別預(yù)測，最高識別精度分別為80.00%和69.00%，結(jié)果表明利用NIR光譜技術(shù)結(jié)合模式識別計量學(xué)方法可以實現(xiàn)較為準(zhǔn)確的產(chǎn)地鑒別。Suphamitmongkol等[55]收集了泰國當(dāng)?shù)? 個品種的柑橘各100 個，在透射模式下采集NIR光譜，通過K最鄰近（K-nearest neighbor，KNN）、LDA、邏輯回歸（logistic regression，LGR），多準(zhǔn)則二次規(guī)劃（multi-criteria quadratic programming，MCQP）和SVM多種分類方法對樣品光譜進(jìn)行分類，交叉驗證的結(jié)果表明LGR、MCQP和SVM建立的模型分類鑒別準(zhǔn)確率均在95%以上，用LGR方法可以達(dá)到100%的精度；又采用了最小二乘正向選擇（least squareforward selection，LS-FS）、基于相關(guān)性的特征選擇（correlation-based feature selector，CFS）、信息增益（InfoGain）等多種特征選擇方法以進(jìn)一步簡化模型，結(jié)果表明基于LS-FS篩選的4 個特征光譜的LGR模型可以實現(xiàn)對3 種柑橘95%以上的鑒別準(zhǔn)確率。

利用NIR光譜技術(shù)對柑橘類水果進(jìn)行無損鑒別分析時，為了達(dá)到更高的鑒別率，除了對光譜進(jìn)行預(yù)處理消除干擾，還要選擇合適的建模方法，目前對部分水果的產(chǎn)地、品種的鑒別分析結(jié)果表明，采用LDA、SVM、ANN或LGR等方法都能達(dá)到較高的鑒別準(zhǔn)確率。

4.3 基于NIRS光譜技術(shù)對不同種類柑橘的無損檢測分析

柑橘類水果由于地域差異、嫁接栽培、遺傳變異、人為劃分等多種原因，經(jīng)過長久的發(fā)展，形成了許多品種，為研究者提供了豐富的樣本，如‘贛南臍橙’‘南豐蜜桔’‘哈姆林甜橙’‘紐荷爾臍橙’等。表5歸納了NIR光譜技術(shù)對不同種類柑橘的分析應(yīng)用。我國的柑橘主要種植于長江下游至嶺南地區(qū)，目前對‘贛南臍橙’和‘南豐蜜桔’的研究相較于其他種類的柑橘水果更多，檢測的臍橙與蜜桔的內(nèi)部指標(biāo)包括其總酸含量、SSC、VC含量等，對果皮更厚的柑橘水果如蘆柑、椪柑、沃柑以及柚子類水果的NIR光譜研究很少，可能是果皮對NIR光譜檢測結(jié)果具有負(fù)影響且很難克服所致?；贜IR光譜對柑橘中總酸含量和pH值的定量分析研究比較少，但已有的實驗研究結(jié)果不大一致，部分研究能取得很好的模型預(yù)測結(jié)果[33]，而部分研究的pH值預(yù)測模型精度有待提高[56]。當(dāng)前大量研究表明可以通過NIR光譜技術(shù)實現(xiàn)的較薄果皮柑橘水果的定量分析指標(biāo)有SSC、VC含量、總果膠含量等，對柚等厚皮柑橘水果的內(nèi)部品質(zhì)NIR光譜分析很少，尚無研究證明通過NIR光譜技術(shù)能實現(xiàn)對柑橘水果中酸的定量分析，可實現(xiàn)的鑒別分析有產(chǎn)地鑒別、品種鑒別、病害鑒別等。

表5 NIR對不同種類柑橘的分析Table 5 Application of NIR for analysis of different citrus species

5 結(jié) 語

柑橘作為世界第一大水果，其采后檢測與分級十分必要。傳統(tǒng)的肉眼分級手段受操作人員個人因素影響，效率低且準(zhǔn)確度不高，針對外部指標(biāo)的機械分級不能滿足對更為重要的內(nèi)部品質(zhì)分析，化學(xué)檢測手段對柑橘有破壞性，且費時費力。NIR光譜技術(shù)因其綠色、無損、快速等優(yōu)勢成為新型檢測分析技術(shù)之一，已被用于柑橘類水果分析。但此項技術(shù)仍未實現(xiàn)大規(guī)模實際應(yīng)用，主要原因有以下幾點：1）傳統(tǒng)的臺式NIR光譜儀價格昂貴，新型的便攜式與微型儀器精度不夠，因此需要研發(fā)穩(wěn)定性與靈敏度更高且價格較低的便攜式光譜儀；2）柑橘內(nèi)部品質(zhì)定量模型的建立較為復(fù)雜，為了扣除光譜中因儀器、環(huán)境等因素導(dǎo)致的各種干擾，還需要建立并選擇最佳化學(xué)計量學(xué)方法。此外，為了達(dá)到無損分析的目的，需要解決較厚果皮對模型準(zhǔn)確度的影響；3）柑橘的種類很多，大小、結(jié)構(gòu)差異很大，且不同柑橘果皮厚度不同，目前并未展開對所有種類柑橘內(nèi)部品質(zhì)指標(biāo)的NIR無損分析，現(xiàn)有文獻(xiàn)得出的結(jié)論不能完全適用于所有種類柑橘的分析。綜上所述，雖然基于NIR檢測技術(shù)分析柑橘水果尚有不足，但該技術(shù)在柑橘無損分析中的發(fā)展前景廣闊。