劉燕德，吳明明，孫旭東，朱丹寧，李軼凡，張智誠

（華東交通大學機電工程學院，南昌 330013）

黃桃表面缺陷和可溶性固形物光譜同時在線檢測

劉燕德，吳明明，孫旭東，朱丹寧，李軼凡，張智誠

（華東交通大學機電工程學院，南昌 330013）

表面缺陷和可溶性固形物是評價黃桃品質的重要指標，采用可見/近紅外漫透射光譜技術，探討黃桃表面缺陷與可溶性固形物同時在線檢測的可行性。在運動速度為5個/s、積分時間100 ms、光照強度1 000 W的條件下采集黃桃表面缺陷果與正常果的近紅外漫透射光譜。對比分析了同一個黃桃樣品損傷前后的光譜特征，建立了黃桃的最小二乘支持向相機判別模型與偏最小二乘判別模型。同時建立了黃桃可溶性固形物偏最小二乘回歸模型并采用連續(xù)投影算法對模型進行優(yōu)化，研究了表面缺陷果對黃桃可溶性固形物檢測模型精度的影響，最終實現(xiàn)了黃桃表面缺陷與可溶性固形物同時在線檢測。采用未參與建模的樣品來評價模型的在線分選的準確性，其中表面缺陷果的正確判斷率為100%，可溶性固形物分選準確率達到93%。試驗結果表明：黃桃表面缺陷與可溶性固形物同時在線檢測是可行的，研究可為黃桃在線分選提供技術參考和理論依據。

光譜檢測；農產品；可見近紅外光譜；漫透射；在線檢測；表面缺陷；可溶性固形物

劉燕德，吳明明，孫旭東，朱丹寧，李軼凡，張智誠.黃桃表面缺陷和可溶性固形物光譜同時在線檢測[J].農業(yè)工程學報，2016，32（6）：289-295.doi：10.11975/j.issn.1002-6819.2016.06.040 http://www.tcsae.org

Liu Yande,Wu Mingming,Sun Xudong,Zhu Dangning,Li Yifan,Zhang Zhicheng.Simultaneous detection of surface deficiency and soluble solids content for Amygdalus persica by online visible-near infrared transmittance spectroscopy[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE）,2016,32(6):289－295.(in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2016.06.040 http://www.tcsae.org

0 引言

黃桃不僅味道鮮美，而且營養(yǎng)價值高，富含維生素C。但大黃桃在人工采摘、運輸及分選過程當中會對果表面造成不同程度的機械損傷，在很大的程度上影響大黃桃的出口。傳統(tǒng)的人工分選方法不僅分選周期長，難以判斷未顯示出來的表面缺陷，而且在分選的同時可能會對桃子造成二次損傷，同時人工不能夠將桃的糖度進行準確分級，滿足不了水果分級包裝的商業(yè)化的需求。可見/近紅外光譜技術能夠快速、無損的檢測水果的內部品質及表面缺陷[1-3]，因此研究出一種能夠快速、無損、批量檢測大黃桃表面缺陷及可溶性固形物（soluble solids content，SSC）的方法，具有重大意義。

目前，有不少利用近紅外光譜技術對桃子快速分選的研究報道。大多數(shù)都是對獼猴桃可溶性固形物、硬度、表面初期損傷等單一指標進行檢測[4-10]。黃桃是有果核型水果，已有報道多采用漫反射方式，因在雜散光控制方面難度較大，檢測精度較低。本試驗中采用彈性墊圈和透光孔組合結構，依靠黃桃自重實現(xiàn)密封，能較有效抑制漫透射的雜散光。表面缺陷檢測和可溶性固形物檢測都是黃桃采后商品化處理的必要環(huán)節(jié)，目前還未見在同一條分選線上，在剔除表面缺陷黃桃樣品的同時，實現(xiàn)按可溶性固形物含量分選。本文主要提出了能夠綜合考慮大黃桃表面缺陷以及可溶性固形物的動態(tài)在線檢測方案，并對比了不用的判別方法對判別模型的影響。

1 材料與方法

1.1 試驗材料

試驗所采用的大黃桃由河北省某果園提供。試驗前先挑出表面無損傷、無畸形的正常果作為試驗樣品，然后去除黃桃樣品表面灰塵并將其編號，分別將黃桃樣品縫合線光滑側和凸起側標號并置于25℃的環(huán)境中保存12 h，待試驗樣品溫度與室溫基本一致后，依次測量黃桃樣品的橫縱徑、重量等物理指標如表1所示。試驗所需的樣品表面缺陷果，采用聚四氟乙烯球撞擊標號的2個面來模擬實際生產運輸過程中的碰撞擠壓造成的表面損傷。撞擊面為縫合線光滑面和凸起面。據有關報道，桃子表面對撞傷等損傷最為敏感，30 min后表面就有明顯變化[11]。撞擊后試驗中所使用的表面缺陷果與撞擊示意圖如下圖1所示，最右側2個為正常果，其余10個均為表面損傷果，圖中H=108 mm，β約為13°，小球的質量約為0.38 kg，樣品置于斜坡最下方位置，忽略斜坡與小球之間的摩擦力，近似計算碰撞的能量約為0.4 J。

圖1 試驗樣品及試驗Fig.1 Experiment and Samples

試驗中共100個樣品，其中正常果60個，表面缺陷果40個。為考察黃桃表面缺陷對可溶性固形物模型的影響，將試驗所用黃桃樣品分為2組進行考察，按3∶1的比例劃分建模集與預測集。組1為60個正常果樣品與40個表面缺陷果樣品，其中75個用于建立正常果與表面缺陷果的可溶性固形物混合模型，且75個樣本中包含44個正常樣品以及31個異常樣品，剩余25個用于對模型進行預測。組2為60個正常果樣品用于建立及預測正常果的可溶性固形物混合模型。其可溶性固形物真實值與橫縱徑統(tǒng)計如表1所示。

表1 建模集與預測集黃桃樣品可溶性固形物真實值與橫縱徑統(tǒng)計結果Table 1 Statistical values of soluble solid content and diameter for Amygdalus persica in calibration and prediction set

1.2 在線檢測裝置與光譜采集

試驗所采用的光譜采集裝備為漫透射式動態(tài)在線檢測裝置如圖2所示，該裝置由光源、果杯、傳送鏈條、光譜儀這幾部分組成。試驗中所用的光譜儀為Ocean Optics公司的QE65000光譜儀，其采集光譜是短波近紅外光譜，波長范圍為350～1 150 nm，光源采用10個12 V、100 W的鹵鎢燈成一定角度分布在樣品2側如圖所示，果杯內裝有一圈特殊的軟塑料遮光圈，由于果的重力作用，能夠抑制雜散光現(xiàn)象，在動態(tài)采集光譜時，傳送鏈帶動果杯移動，經過下方探頭采集光譜信息。

圖2 近紅外漫透射在線檢測裝置Fig.2 Device of NIR diffuse transmittance detection

在采集光譜前，先要將光源預熱30 min。待光源基本穩(wěn)定后，用白色聚四氟乙烯球作為參比，多次采集參比球的能量譜至標準差小于1%后開始試驗。采用人工按序號依次上果，由于黃桃樣品中存在較大的果核影響光的通過，故將黃桃樣品果柄與運動方向一致、縫合面垂直于水平面放置，光線如圖2所示經過樣本被探頭接收，大大降低了大果核對檢測的影響。在光譜采集時，觸發(fā)過程如下：大小2個齒輪都安裝在主軸上如圖3所示，驅動齒輪68齒，編碼盤17齒，驅動齒輪4齒對應編碼盤一齒，驅動齒輪每4齒對應4節(jié)鏈條安裝一個果盤，即編碼盤每轉一齒位置，傳送鏈行程為一個果盤位置。在編碼盤齒頂2 mm安裝霍爾傳感器，實現(xiàn)編碼盤每轉一齒，觸發(fā)霍爾傳感器，使相應電路發(fā)出3.5 V高電平信號，觸發(fā)光譜儀采集并保存一條光譜。

圖3 在線檢測設備的光譜數(shù)據采集原理圖Fig.3 Schematic diagram of spectral data acquisition in on-line detection equipment

光譜儀設定的參數(shù)為：積分時間100 ms，運動速度5個/s，光譜儀能采集到的信息為整個果的信息，并在樣品底部形成一個5～10 mm的光斑。

1.3 SSC含量與表面缺陷果判定

試驗所用的黃桃樣品采用折射式數(shù)字糖度計(PR—101a，日本)進行可溶性固形物含量測量，測量前，需將糖度計擦干后用純凈水標定糖度0%，在測量時，取光譜采集部位約5 mm深果肉擠汁滴于糖度計上測試窗口，重復測量3次，取2次或2次相同的糖度值作為測量值。由于實際生產中果被測量一次就被推入分選框中，故不取平均值。表面缺陷的試驗樣品模擬實際貯藏、包裝過程的擠壓、碰撞獲得。表面出現(xiàn)變軟現(xiàn)象及有明顯深色顏色差異即判定為表面缺陷果。

1.4 數(shù)據處理

黃桃樣品的試驗所得的光譜由Spectrasuite軟件采集，試驗數(shù)據采用主成分分析（principal component analysis，PCA）進行聚類分析，主成分分析能夠有效的用來壓縮光譜數(shù)據和提取光譜特征信息[12-13]。其原理如公式1所示。

其中Y為樣品的光譜矩陣；t為樣品的得分矩陣，反映樣品與樣品之間的差距；p為載荷向量，反映光譜能量之間的差距；E為殘差矩陣。采用最小二乘支持向量機（least squares support vector machine，LS-SVM）建立定性判別模型，其基本原理如公式2所示。

其中，K（x，xi）是核函數(shù)，xi輸入向量，αi是拉格朗日算子也叫支持向量；b是偏差；N是樣品數(shù)量，通過該公式計算模型預測值。本試驗將表面損傷果定義為8，而將正常果定義為2，采用表面缺陷果與正常果的正確率評價最小二乘支持向量機與最小二乘判別模型的效果。采用相關系數(shù)與均方根誤差來評價偏最小二乘模型（partial least squares，PLS）的效果。

2 結果與討論

2.1 正常果與表面缺陷果的光譜對比

隨機取同一個試驗樣品，采集其表面損傷前后的光譜信息如圖4所示，據上圖顯示，2條光譜有明顯的差異，首先表面損傷果能量譜明顯高于正常果，其中表面損傷果光譜能量最高值達6500光子數(shù)，而正常果的光譜能量最高值僅僅只有3000光子數(shù)左右，產生這種光譜能量的差異的原因可能是黃桃碰傷后，果肉組織發(fā)生變化，影響光的透過能力，撞擊導致果內組織變軟，透光能量增強。試驗裝置采用光源四周照射、探頭底部接收的方式，采集的光譜反映了整果的光譜信息，一側或兩側存在碰傷均可在光譜中有所體現(xiàn)，所以在試際采摘運輸中一側碰傷也能有效的進行判別。本試驗中，采集過黃桃樣品的一側碰傷的可見近紅外光譜，并與兩側碰傷的樣品的光譜進行了對比，對比發(fā)現(xiàn)一側碰傷與兩側碰傷的黃桃樣品光譜差異極小。另外2條光譜的波峰與波谷的位置基本一致，均在710與800nm附近存在波峰，在730nm附近存在波谷。其光譜有效信息都集中在550～900nm之間，故選用550～900nm的波段范圍進行建模。

圖4 正常與表面缺陷果光譜Fig.4 Spectra of sound and surface deficiency

2.2 主成分分析

主成分分析采用全譜分析，將試驗所采集的光譜信息壓縮為若干個主成分的線性組合，前3個主成分因子的得分散點圖如圖5所示。由圖5可以看出，正常果與表面損傷果存在聚類現(xiàn)象，圖中正常樣品60個，表面損傷樣品40個，由主成分分析可得，第一個主成分累積的貢獻率為91%，而第二個主成分僅僅只8%的貢獻率，第三個主成分的貢獻率為1%。通過主成分分析能夠簡單的將100個樣品簡單的分為2類。

圖5 主成分得分散點圖Fig.5 Scores plots of principal component

2.3 最小二乘支持向量機

最小二乘支持向量機在進行模型判別分析的時候，其映射函數(shù)為非線性的，在高緯度的空間把近紅外光譜變量與特征矩陣進行一一對應，將優(yōu)化問題轉化為等式約束條件問題[14-15]。分別討論最小二乘支持向量機線性核函數(shù)（Lin_kernel）與徑向基核函數(shù)（RBF_kernel）對判別模型的影響，在550～900 nm波段進行建模，共465個波長點。模型預測結果如表2所示。由表2可知，采用不同的核函數(shù)建立的判別模型有較大差異，其中采用線性核函數(shù)模型預測效果較好，在25個預測樣品中，誤判率較高為60%；另外采用核函數(shù)為徑向基核函數(shù)時，模型預測25個樣品計算所耗比采用線性核函數(shù)更多，而模型預測效果卻更差其誤判率為52%。由于選用2種核函數(shù)誤判率均較高，因此在本試驗中最小二乘支持向量機判別模型不適用于判別表面缺陷果。

表2 不同核函數(shù)對LS-SVM模型預測結果的影響Table 2 Effect of different core function on prediction in LS-SVM model

2.4 偏最小二乘判別分析

偏最小二乘判別分析方法是在偏最小二乘法的基礎上建立的樣本分類模型。該方法需要按照樣本的類別特性，賦予樣本分類變量值[16-20]。選用550～900 nm建立偏最小二乘判別模型，其建模結果如圖6所示，采用75個樣品建模，人為設定正常樣品為2，表面缺陷樣品為8，域值設置為4。模型相關系數(shù)RP為0.96，建模的標準偏差為0.89，由圖6a可得模型的誤判率為0%，能夠很好的將正常果與表面缺陷果分開。圖6b為PLSDA預測模型，相關系數(shù)為0.92，預測模型的標準偏差為1.21，誤判率為0%。該模型選用的主成份數(shù)與預測集的均方根誤差關系如圖7所示。據圖可知，隨著主成數(shù)的增加，預測集的均方根誤差逐漸降低，當主成分數(shù)為8時，預測集均方根誤差最小。當主成分數(shù)選用過小時會造成“欠擬合”現(xiàn)象，損失較多的有效信息，直接導致模型效果變差，當主成分數(shù)選用過高時會產生“過擬合”現(xiàn)象，其中包含了較多的噪聲干擾信息，模型效果不好?；貧w系數(shù)如圖8所示，所用的光譜變量與回歸系數(shù)的加權求和再加上截距b=0.88，即為PLSDA模型預測的類別值。再通過與閾值的比較，實現(xiàn)表面缺陷樣品的預測。

圖6 偏最小二乘判別模型Fig.6 DPLS model

圖8 回歸系數(shù)Fig.8 Regression coefficient

2.5 偏最小二乘可溶性物模型及優(yōu)化

首先將75個樣品混合建模，其中包含44個正常果，31個表面缺陷果，建模結果如下表3所示，采用全部樣品建模預測集相關系數(shù)僅為0.72，預測集均方根誤差為1.45%。而組別2用45個正常果進行建模，用連續(xù)投影算法（successive projections algorithm，SPA）進行光譜變量篩選，連續(xù)投影算法是隨機選取光譜矩陣中的某幾個變量，最后分別計算對其他變量的投影，根據均方根誤差最小的原則來決定變量個數(shù)。經過連續(xù)投影算法篩選，共產生21個光譜變量。其結果如圖9所示。采用篩選后的光譜建模，預測集相關系數(shù)為0.95，預測集均方根誤差為0.71。對比可得，組別2的效果優(yōu)于組別1，因此表面缺陷果影響黃桃的可溶性固形物的模型預測精度，故要建立黃桃的可溶性固形物模型需將表面缺陷樣品剔除。最終建立的黃桃可溶性固形物偏最小二乘模型如圖10所示。

圖9 連續(xù)投影算法篩選變量Fig.9 Screening variable of SPA

圖10 偏最小二乘回歸建模和模型預測散點圖Fig.10 Scatters PLS calibration and prediction models

表3 不同組別的模型的統(tǒng)計結果Table 3 Model statistical results of different classes

該模型的主成分因子數(shù)與交互驗證均方根誤差的關系如圖11a所示。隨著主成分數(shù)量的增加，交互驗證均方根誤差逐漸減小。當主成分數(shù)為9的時候，交互驗證均方根誤差達到最小值。主成分數(shù)繼續(xù)增加，交互驗證均方根誤差基本不變，故主成分數(shù)選用9。圖11b為通過連續(xù)投影算法篩選的21個變量的回歸系數(shù)。截距b=9.24。其糖度的預測公式如公式2所示。

圖11 偏最小二乘模型Fig.11 Model of partial least squares

其中，y為模型的預測糖度值；N為參與建模的光譜變量數(shù)；β為能量譜強度；λ為回歸系數(shù)；b為模型的截距。

2.6 在線分選準確性評價

首先，將建立的表面缺陷果偏最小二乘判別模型與可溶性固形物偏最小二乘模型加載到自主開發(fā)的在線檢測軟件中，其中2種模型的基本參數(shù)有模型的回歸系數(shù)和截距。然后將未參與建模的12個黃桃樣品對模型進行預測，12個黃桃樣品中包含7個正常果和5個表面缺陷果。由于在實際水果出口中是不允許有表面缺陷果的存在，故在糖度分級檢測前必須先將表面缺陷果剔除，再進行糖度的分級檢測。檢測方法將將定性分析與定量分析相結合。首先，樣品經過檢測器，在線分選裝置自動采集該樣品的光譜信息，然后通過偏最小二乘判別模型預測出一個值與閾值進行比較，若大于閾值4，則判定為異常果，直接被推入表面缺陷果分級口；若小于閾值4，則判定為正常果，則繼續(xù)通過可溶性固形物偏最小二乘模型預測其可溶性固形物含量。據研究表明，糖度存在2%的差距，能夠有明顯的口感差異，綜合考慮模型的預測均方根誤差，故將糖度分級區(qū)間定為10%以下、10%～12%、12%～14%、14%以上。在試驗中，將12個預測集樣品按照標號次序依次放置在分選線上，每個樣品按標記位置進行上果，每個面放置4次，共放置96次并記錄每次進入的分級口，其中表面缺陷果均被分至所設置的表面缺陷分級口，判別準確率為100%，而在分選可溶性固形物中，將果誤分入相鄰的分級口6次，在線分選準確率為93%。

3 結論

本文采用近紅外光譜漫透射技術，實現(xiàn)了黃桃表面缺陷與可溶性固形物的同時檢測，并建立了黃桃表面缺陷最小二乘支持向量機判別模型與偏最小二乘判別模型，其中最小二乘支持向量機判別模型的誤判率為4.1%，但該模型將表面缺陷果誤判為正常果，故不適用與實際生產分選中，而偏最小二乘判別模型的準確判別精度為100%，并且在采用未參與建模的預測集試驗樣品驗證中，能夠準確的將表面缺陷果推入分級入口。另外在建立了黃桃可溶性固形物最小二乘回歸模型的同時考察了表面缺陷果對模型預測精度的影響，最終建立了黃桃正常果的可溶性固形物最小二乘回歸模型，提出了黃桃表面缺陷與可溶性固形物同時檢測的方案。模型的預測均方根誤差為0.71%，采用未參與建模的樣品進行實際在線分選，在線分選的準確率為93%。論文研究可為黃桃出口生產在線檢測分選方案提供參考和理論依據。

[1]Wang Aichen,Xie Lijuan.Technology using near infrared spectroscopic and multivariate analysis to determine the soluble solids content of citrus fruit[J].Journal of Food Engineering, 2014,143:17-24.

[2] 遲茜，王轉衛(wèi)，楊婷婷，等.基于近紅外高光譜成像的獼猴桃早期隱性損傷識別[J].農業(yè)機械學報，2015，3：235-241. Chi Qian,Wang Zhuanwei,Yang Tingting.Recognition of early hidden bruises on kiwifruits based near infrared hyperspectralimaging technology[J].Transactions of the Chinese Society for Agricultural Machinery,2015,3:235-241.(in Chinese with English abstract)

[3] 郭文川，王銘海，岳絨.基于近紅外漫反射光譜的損傷獼猴桃早期識別[J].農業(yè)機械學報，2013，2：142-146. Guo Wenchuan,Wang Minghai,Yue Rong.Early recognition of bruised kiwifruit based on near infrared diffuse reflectance spectroscopy[J].Transactions of the Chinese Society for Agricultural Machinery,2013,2:142-146.(in Chinese with English abstract)

[4]郭文川，王銘海，谷靜思，等.近紅外光譜結合極限學習機識別貯藏期的損傷獼猴桃[J].光學精密工程，2013，10：2720-2727. Guo Wenchuan,Wang Minghai,Gu Jingsi,et al.Identification of bruised kiwifruits during storage by near infrared spectroscopy and extreme learning machine[J].Optics and Precision Engineering, 2013,10:2720-2727.(in Chinese with English abstract)

[5] 馬廣，傅霞萍，周瑩，等.大白桃糖度的近紅外漫反射光譜無損檢測試驗研究[J].光譜學與光譜分析，2007，5：907-910. Ma Guang,Fu Xiaping,Zhou Ying,et al.Nondestructive sugar content determination of peaches by using near infrared spectroscopy technique[J].Spectroscopy and Spectral Analysis, 2007,5:907-910.(in Chinese with English abstract)

[6]McGlone V A,Clark C J,Jordan R B.Comparing density and VNIR methods for predicting quality parameters of yellowfleshed kiwifruit(Actinidia chinensis)[J].Postharvest Biology and Technology.2007,1:1-9.

[7] 劉卉，郭文川，岳絨.獼猴桃硬度近紅外漫反射光譜無損檢測[J].農業(yè)機械學報，2011，3：145-149. Liu Hui,Guo Wenchuan,Yue Rong.Non-destructive detection of kiwifruit firm ness based on near-infrared diffused spectroscopy [J].Transactions of the Chinese Society forAgricultural Machinery.2011,3:145-149.(in Chinese with English abstract)

[8]Moghimi A,Aghkhani M H,Sazgarnia A,et al.Vis/NIR spectroscopy and chemometrics for the prediction of soluble solids content and acidity(pH)of kiwifruit[J].Biosystems Engineering,2010,3:295-302.

[9] 王銘海，郭文川，商亮，等.基于近紅外漫反射光譜的多品種桃可溶性固形物的無損檢測[J].西北農林科技大學學報：自然科學版，2014，2：142-148. WangMinghai,GuoWenchuan,ShangLiang,etal.Nondestructive detection of soluble solids content for multiple peach fruits using near-infrared diffuse reflectance spectra[J].Journal of Northwest A&F University：Natural Science Edition,2014,2:142-148.(in Chinese with English abstract)

[10]呂強，湯明杰，趙杰文，等.近紅外光譜預測獼猴桃硬度模型的簡化研究[J].光譜學與光譜析，2009，7：1768-1771. Lu Qiang,Tang Mingjie,Zhao Jiewen,Study of simplification of prediction model for kiwifruit firmness using near infrared spectroscopy[J].Spectroscopy and Spectral Analysis,2009,7: 1768-1771.(in Chinese with English abstract)

[11]Zhiguo Li,Colin Thomas.Quantitative evaluation of mechanical damages to fresh fruits[J].Trends in Food Science&Technology, 2014,35:138-150.

[12]Chang Yang,Chao Yin Tsai,Kuang-Wen Hsieh.Integration of SCIMCA and near-infrared spectroscopy for rapid and precise identification of herbal medicines[J].Journal of Food and drug analysis,2013,21:268-278.

[13]Nejadgholi I,Bolic M.A comparative study of PCA,SIMCA andCole model for classification of bioimpedance spectroscopy measurements[J].Computer in Biology and Medicine,2015,63: 42-51.

[14]劉雪梅，章海亮.基于DPLS和LS-SVM的梨品種近紅外光譜識別[J].農業(yè)機械學報，2012，9：160-164. Liu Xuemei,Zhang Hailiang.Identification of varieties of pear using near infrared spectra based on DPLS and LSSVM model [J].Transactions of the Chinese Society for Agricultural Machinery,2012,9:160-164.(in Chinese with English abstract)

[15]劉燕德，周延睿，潘圓媛.基于最小二乘支持向量機的辣椒可溶性固形物和維生素C含量近紅外光譜檢測[J].光學精密工程，2014，2：281-288. Liu Yande,Zhou Yanrui,Pan Yuanyuan.Determination of soluble solid contents and vitamin C of fresh peppers based on NIR spectrometry and least square support vector machines[J]. Optics and Precision Engineering,2014,2:281-288.(in Chinese with English abstract)

[16]董學鋒，戴連奎，黃承偉.結合PLS-DA與SVM的近紅外光譜軟測量方法[J].浙江大學學報：工學版，2012，5：824-829. Dong Xuefeng,Dai Liankui,Huang Chengwei.Near-infrared spectroscopy soft-sensing method by Combining partial least squares discriminant analysis and support vector machine[J].Journal of Zhejiang University:Engineering Science,2012,5: 824-829.(in Chinese with English abstract).

[17]郝勇，孫旭東，高榮杰.基于可見/近紅外光譜與SIMCA和PLSDA的臍橙品種識別[J].農業(yè)工程學報，2010，26：373-378. Hao Yong,Sun Xudong,Gao Rongjie.Application of visible and near infrared spectroscopy to dentification of navel orange varietis using SIMCA and PLS-DA Methods[J].Transactions of the Chinese Society of Agriculture Engineering(Transactions of the CSAE),2010,26:373-377.(in Chinese with English abstract)

[18]Huirong Xu,Bing Qi,Tong Sun,et al.Variable selection in visible and near-infrared spectra:Application to on-line determination of sugar content in pears[J].Journal of Food Engineering,2012,109: 142-147.

[19]Ignat T,Schmilovitch Z,Fefoldi J.Non-destructive measurement of ascorbic acid content in bell peppers by VIS-NIR and SWIR spectrometry[J].Postharvest Biology and Technology,2012,74: 91-99.

[20]Fu Haiyan,Dong Chenhuang,Yang Tianming.Rapid recognition of Chinese herbal pieces of Areca catechu by different concocted processes using Fourier transform mid-infrared and near-infrared spectroscopy combined with partial least-squares discriminant analysis[J].Chinese Chemical Letters,2013,7:639-642.

Simultaneous detection of surface deficiency and soluble solids content for Amygdalus persica by online visible-near infrared transmittance spectroscopy

Liu Yande,Wu Mingming,Sun Xudong,Zhu Dangning,Li Yifan,Zhang Zhicheng
(School of Mechatronics Engineering,Eash China Jiaotong University,Nanchang 330013,China)

Surface deficiency and soluble solid content(SSC)are important indexes for evaluating the quality of Amygdalus persica.The feasibility was investigated for detecting surface deficiency and SSC of intact Amygdalus persica simultaneously by online visible-near infrared(visible-NIR)transmittance spectroscopy.Ten tungsten halogen lamps were installed in a sorting line.The power of each lamp was 100 watt.The light sources were illuminated from both sides of the production line,and the detector received light from the bottom of the fruit cup.The spectrum of each sample was recorded automatically by using the hardware trigger mode.The index plate and driving gear were mounted on the same shaft.The location of the index plate′s tooth was matched with the location of the fruit cup.Hall sensor was placed at a height of 2 mm above the tooth of the index plate.When the index plate turned one tooth,a Hall sensor sent a 3.5 V high frequency signal to trigger spectrometer to save one spectrum.The spectra were recorded with the integration time of 100 ms in the wavelength range of 550～900 nm when the samples were conveyed at the speed of five samples per second.The spectra of the same sample before and after damage were analyzed for investigation of the influence of the damage tissue within a peach affected the spectral content of the light transmitted through it.The spectral intensity of the damage was lower than the healthy ones for the damage issue affected the penetration of the light inside the fruit.Three quality discrimination methods of principle component analysis(PCA),least squares support vector machine(LS-SVM)and partial least squares discrimination analysis(PLSDA)were used to identify the damage samples.The input vector and parameters of kernel function of LS-SVM model were optimized by two step grid search method.The PLSDA model yielded the best results of accuracy rate of 100%compared to PCA or LS-SVM methods.Considering the robustness of the partial least squares(PLS) regression model,two groups of healthy samples and the combinations of healthy samples and damage ones.Then the PLS regression model was developed for predicting SSC values.The performance of the PLS regression model was improved with the stand error of prediction(SEP)of 0.71%when the damage samples were removed out.The effective spectral variables were chosen by successive projections algorithm(SPA)method for improving the robustness of the PLS regression model.It was also investigated that the influence of the damage sample to the predictive ability of the PLS regression model. Therefore a new strategy was proposed for detection of surface deficiency and SSC for intact Amygdalus persica simultaneously by online visible-NIR transmittance spectroscopy.The new samples,which were not used in the calibration, were used to access the abilities of recognizing the damage samples and predicting SSC of intact Amygdalus persica.The accuracy rate was 100%for identifying surface deficiency samples,and the SEP was 0.71%for predicting SSC.The accuracy of sorting grade was 93%according to the SSC values.The results showed that simultaneous detection of surface deficiency and SSC were feasible by visible-NIR transmittance spectroscopy.

spectrometry;agricultural product;visible-near infrared spectroscopy;diffuse transmittance;online detection; surface deficiency;soluble solids content

10.11975/j.issn.1002-6819.2016.06.040

S24

A

1002-6819（2016）-06-0289-07

2015-12-02

2016-01-27

“十二五”國家863計劃課題（SS2012AA101306）；江西省優(yōu)勢科技創(chuàng)新團隊建設計劃項目（20153BCB24002）；南方山地果園智能化管理技術與裝備協(xié)同創(chuàng)新中心（贛教高字[2014]60號）；江西省研究生創(chuàng)新資金項目（YC2015-S238）

劉燕德（1967-），江西泰和人，博士，教授，博士生導師，主要從事光機電檢測技術研究。南昌 華東交通大學機電工程學院，330013。Email:jxliuyd@163.com