李 劍， 李臻峰,， 宋飛虎,， 步正延

(1.江南大學(xué) 機(jī)械工程學(xué)院，江蘇 無(wú)錫 214122；2.江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 無(wú)錫 214122)

基于近紅外光譜的水蜜桃采摘期的鑒別方法*

李 劍1， 李臻峰1,2， 宋飛虎1,2， 步正延1

(1.江南大學(xué)機(jī)械工程學(xué)院，江蘇無(wú)錫214122；2.江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇無(wú)錫214122)

提出了一種利用近紅外漫反射光譜技術(shù)結(jié)合光纖傳感技術(shù)建立水蜜桃采摘期的鑒別方法。從無(wú)錫陽(yáng)山鎮(zhèn)的某大棚采摘了距最佳采摘期天數(shù)為3，2，1以及處于最佳采摘期的水蜜桃各48個(gè)，用近紅外光譜儀對(duì)樣品進(jìn)行了光譜采集。對(duì)原始光譜進(jìn)行平滑、一階微分和多元散射校正預(yù)處理，采用主成分分析(PCA)結(jié)合偏最小二乘(PLS)法建立了水蜜桃采摘期的鑒別模型。研究顯示：一階微分和平滑組合預(yù)處理后的鑒別模型效果最好，校正集模型和預(yù)測(cè)集模型的決定系數(shù)分別為0.927 9和0.913 8；模型的內(nèi)部交叉驗(yàn)證均方差(RMSECV)和預(yù)測(cè)均方根偏差(RMSEP)分別為0.300 3和0.334 9；水蜜桃樣品校正集和預(yù)測(cè)集的鑒別正確率分別為95.13 %和93.75 %。結(jié)果表明：利用近紅外漫反射光譜技術(shù)對(duì)水蜜桃采摘期的鑒別具有很好的應(yīng)用前景。

近紅外光譜； 水蜜桃； 采摘期； 偏最小二乘法

0 引 言

現(xiàn)階段的水蜜桃質(zhì)量檢測(cè)和分級(jí)通常只能從外觀進(jìn)行人為判斷，受主觀性較強(qiáng)，檢測(cè)效率低。研究水蜜桃的最佳收獲期，對(duì)于提高產(chǎn)品附加值，實(shí)現(xiàn)自動(dòng)化具有重要意義。

近紅外光譜技術(shù)具有多種成分同時(shí)檢測(cè)、采集速度快、成本低、無(wú)前處理、無(wú)破壞性和無(wú)污染等特點(diǎn)，堪稱“綠色檢測(cè)技術(shù)”[1～4]。包含定性分析和定量分析，結(jié)合化學(xué)計(jì)量學(xué)方法建立數(shù)學(xué)模型分析樣品內(nèi)部品質(zhì)和近紅外光譜的相關(guān)性[5]。

近年來(lái)，國(guó)內(nèi)外利用近紅外光譜技術(shù)對(duì)蘋(píng)果[6，7]、梨[8，9]、李子[10]、棗[11]、芒果[12]等水果進(jìn)行了研究，取得了很多成就。在近紅外光譜技術(shù)對(duì)桃[13]的研究應(yīng)用方面，也相應(yīng)取得了不少進(jìn)展。潘磊慶等人[14]利用傅里葉近紅外光譜技術(shù)，采用多元散射校正、一階導(dǎo)數(shù)和卷積平滑處理方法對(duì)樣品原始光譜進(jìn)行預(yù)處理，結(jié)合偏最小二乘法建立數(shù)學(xué)模型，對(duì)貨架期水蜜桃糖度進(jìn)行了預(yù)測(cè)，得到了比較好的預(yù)測(cè)效果。馮曉元等人[15]利用近紅外光譜漫反射技術(shù)預(yù)測(cè)了久保桃的內(nèi)部可溶性固形物含量，研究發(fā)現(xiàn)，采用一階微分對(duì)光譜的預(yù)處理結(jié)合改進(jìn)偏最小二乘法建立的預(yù)測(cè)模型的相關(guān)性較高。目前，國(guó)內(nèi)還沒(méi)有關(guān)于不同采摘期的水蜜桃的鑒別研究。本文利用近紅外漫反射系統(tǒng)對(duì)不同采摘期的水蜜桃進(jìn)行了光譜采集，通過(guò)Matlab軟件對(duì)原始光譜進(jìn)行了預(yù)處理，并建立了偏最小二乘數(shù)學(xué)模型，對(duì)距離最佳采摘期不同天數(shù)的水蜜桃進(jìn)行了鑒別，為水蜜桃的采摘和生長(zhǎng)管理提供了品質(zhì)保證。

1 材料與方法

1.1 試驗(yàn)材料

選定產(chǎn)于無(wú)錫陽(yáng)山鎮(zhèn)的某大棚的“湖景”水蜜桃，分別采摘距最佳采摘期天數(shù)為3，2，1以及處于最佳采摘期的水蜜桃各48個(gè)，共192個(gè)。當(dāng)天運(yùn)實(shí)驗(yàn)室，所有水蜜桃表面清理干凈，分別編號(hào)，貯藏于恒溫恒濕培養(yǎng)箱內(nèi)。定義水蜜桃類(lèi)別為3，2，1，0。校正集由每個(gè)類(lèi)別里隨機(jī)選擇的36個(gè)樣品組成，共144個(gè)。預(yù)測(cè)集由4個(gè)類(lèi)別里余下的12個(gè)樣品組成，共48個(gè)。

1.2 近紅外光譜檢測(cè)系統(tǒng)

近紅外光譜漫反射系統(tǒng)的硬件由近紅外光譜儀、光纖、光纖探頭、光源(50W石英鹵素?zé)?以及計(jì)算機(jī)等組成，系統(tǒng)如圖1所示。近紅外光譜漫反射系統(tǒng)的運(yùn)作過(guò)程為：光源發(fā)出的光通過(guò)光纖進(jìn)入水蜜桃內(nèi)部組織中漫射，從水蜜桃內(nèi)部漫射光從光纖射出并進(jìn)入近紅外光譜儀。近紅外光譜儀和計(jì)算機(jī)通過(guò)A/D轉(zhuǎn)換器對(duì)光譜信號(hào)進(jìn)行數(shù)字化處理，計(jì)算機(jī)運(yùn)行近紅外光譜儀自帶光譜控制軟件實(shí)現(xiàn)光譜數(shù)據(jù)獲取、轉(zhuǎn)換和光譜存儲(chǔ)。實(shí)驗(yàn)采用光譜儀的光譜采集范圍為900～2500nm。光譜采集軟件為Morpho光譜儀控制軟件。采集的光譜數(shù)據(jù)以Excel形式導(dǎo)出。系統(tǒng)采用小功率雙光源，使得整個(gè)果實(shí)表面得到全面照射，獲得更多的光譜信息，同時(shí)保護(hù)了果實(shí)表面。

1.3 近紅外光譜采集

光譜儀預(yù)熱0.5h后，對(duì)樣品分別進(jìn)行漫反射光譜采集。實(shí)驗(yàn)選用直徑為75mm的聚四氟乙烯球作為參比去除大部分直接由樣品表面散射進(jìn)入光纖探頭的光。在每個(gè)水蜜桃赤道部位等距采集4次光譜，然后將4次光譜值取平均，作為每個(gè)水蜜桃的原始光譜，并盡可能避免樣品明顯的表面缺陷。

2 結(jié)果與分析

2.1 光譜數(shù)據(jù)預(yù)處理

由圖2可以看出：4種類(lèi)型的光譜圖具有一定的相似性，但波峰強(qiáng)度存在較大的差異，主要是由于處于不同采摘期的水蜜桃的內(nèi)部化學(xué)成分和組織結(jié)構(gòu)存在差異。由于水蜜桃自身表面的物理特性和內(nèi)部細(xì)胞變化等因素的影響，導(dǎo)致光譜基線偏移和漂移，產(chǎn)生了光散射和高頻噪聲，因此，需要對(duì)樣品的原始光譜進(jìn)行預(yù)處理。為比較預(yù)處理方法對(duì)模型效果的影響，分別利用原始光譜，平滑，一階微分和標(biāo)準(zhǔn)正態(tài)變量轉(zhuǎn)換(SNV)及相關(guān)組合預(yù)處理的光譜數(shù)據(jù)建立數(shù)學(xué)模型。平滑的目的主要是消除隨機(jī)噪聲，一階微分能夠比較好地去除樣品由顏色差異產(chǎn)生的光譜的基線偏移與漂移，而SNV可以減少水蜜桃樣品的表面散射特性和光程變化對(duì)光譜帶來(lái)的影響。

圖2 不同采摘期水蜜桃典型漫反射近紅外原始光譜

表1 不同光譜預(yù)處理方法的PLS模型預(yù)測(cè)結(jié)果

2.2 主成分分析結(jié)果

主成分分析在不丟失大部分光譜信息的條件下，選取少數(shù)幾個(gè)綜合指標(biāo)來(lái)替代原來(lái)的變量。預(yù)處理后的光譜矩陣為X，選用Matlab中多元統(tǒng)計(jì)分析函數(shù)princomp(X)實(shí)現(xiàn)主成分分析。一階微分加平滑預(yù)處理后主成分累積貢獻(xiàn)率結(jié)果如表2所示，第一主成分到第十主成分的累積貢獻(xiàn)率已高達(dá)91.22 %。說(shuō)明該10個(gè)主成分能夠代表近紅外原始光譜的大部分信息。

表2 一階微分加平滑預(yù)處理后主成分貢獻(xiàn)率

2.3 模型的建立與驗(yàn)證

選用偏最小二乘法建立水蜜桃光譜與采摘期的數(shù)學(xué)模型。實(shí)驗(yàn)選取了144個(gè)水蜜桃組成校正樣本集，選取樣品的全波段近紅外光譜和距離最佳采摘期的天數(shù)(真實(shí)值)建立關(guān)聯(lián)模型，利用該模型預(yù)測(cè)48個(gè)預(yù)測(cè)集樣品距離最佳采摘期的天數(shù)。光譜數(shù)據(jù)矩陣為X，樣品距離最佳采摘期的天數(shù)為T(mén)，調(diào)用Matlab軟件函數(shù)plsregress(T,X)實(shí)現(xiàn)。圖3為水蜜桃校正集樣品真實(shí)類(lèi)別與模型預(yù)測(cè)類(lèi)別結(jié)果，其決定系數(shù)為0.927 9，校正均方根誤差為0.300 3。圖4為水蜜桃預(yù)測(cè)集樣品真實(shí)類(lèi)別與模型預(yù)測(cè)類(lèi)別結(jié)果，其決定系數(shù)為0.913 8，預(yù)測(cè)均方根誤差為0.334 9。如表3所示，模型的校正集和預(yù)測(cè)集的鑒別正確率分別為95.13 %和93.75 %。 由此可見(jiàn),經(jīng)一階微分結(jié)合平滑預(yù)處理后建立的偏最小二乘數(shù)學(xué)模型具有較好的鑒別效果。說(shuō)明近紅外光譜對(duì)水蜜桃采摘期的鑒別有實(shí)際的應(yīng)用價(jià)值。

圖3 水蜜桃校正集樣品真實(shí)類(lèi)別與模型預(yù)測(cè)類(lèi)別結(jié)果

圖4 水蜜桃預(yù)測(cè)集樣品真實(shí)類(lèi)別與模型預(yù)測(cè)類(lèi)別結(jié)果

樣本樣本總數(shù)鑒別錯(cuò)誤的樣本數(shù)不確定的樣本數(shù)鑒別正確率/%校正樣本1447095.13預(yù)測(cè)樣本483093.75

3 結(jié) 論

通過(guò)近紅外光譜漫反射檢測(cè)系統(tǒng)對(duì)不同采摘期的水蜜桃進(jìn)行了光譜采集，采用一階微分和平滑對(duì)原始近紅外光譜進(jìn)行了預(yù)處理。選取了原始光譜通過(guò)預(yù)處理后的全部波段進(jìn)行了建模，采用主成分分析進(jìn)行了特征提取，結(jié)合偏最小二乘法建立了水蜜桃采摘期的鑒別模型。校正集模型和預(yù)測(cè)集模型的決定系數(shù)分別為0.927 9和0.913 8，模型的內(nèi)部交叉驗(yàn)證均方差和預(yù)測(cè)均方根偏差分別為0.300 3和0.334 9。模型的鑒別正確率分別為95.13 %和93.75 %。說(shuō)明所建模型具有較好的鑒別效果。該研究為水蜜桃采摘期的鑒別提供了一種簡(jiǎn)便有效的方法，為水蜜桃的采摘和生長(zhǎng)管理提供了品質(zhì)保證，為在線無(wú)損檢測(cè)水蜜桃的最佳采摘期提供了理論參考。

[1] 李軍濤.近紅外反射光譜快速評(píng)定玉米和小麥營(yíng)養(yǎng)價(jià)值的研究[D].北京：中國(guó)農(nóng)業(yè)大學(xué),2014.

[2] 吳靜珠,吳勝男,劉翠玲,等.近紅外和高光譜技術(shù)用于小麥籽粒蛋白含量預(yù)測(cè)探索[J].傳感器與微系統(tǒng),2013,32(2):60-62.

[3] 吳靜珠,劉 倩,陳 巖,等.基于近紅外與高光譜技術(shù)的小麥種子多指標(biāo)檢測(cè)方法[J].傳感器與微系統(tǒng),2016,35(7):42-44.

[4] 嚴(yán)衍祿,趙龍蓮,韓東海,等.近紅外光譜分析基礎(chǔ)與應(yīng)用[M].北京:中國(guó)輕工業(yè)出版,2005:3-4.

[5] 劉 瑩,胡云龍.基于ARM9的近紅外山茶油無(wú)損檢測(cè)儀研究[J].傳感器與微系統(tǒng),2013,32(4):72-75.

[6] 應(yīng)義斌,劉燕德,傅霞萍.蘋(píng)果有效酸度的近紅外漫反射無(wú)損檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2004, 35(6):124-126.

[7] 傅霞萍,應(yīng)義斌,劉燕德.蘋(píng)果糖度近紅外光譜檢測(cè)的初步試驗(yàn)研究[J].中國(guó)食品學(xué)報(bào), 2005, 5(2):103-107.

[8] 張 楠,程玉來(lái),李東華,等.近紅外透射光譜測(cè)定水晶梨糖度的初步研究[J].食品工業(yè)科技, 2007, 28(3):215-216,228.

[9] 潘 璐,王加華,李鵬飛,等.砂梨糖度近紅外光譜波段遺傳算法優(yōu)化[J].光譜學(xué)與光譜分析,2009,29( 5):1246-1250.

[10] Slaughter D C,Thompson J F, Tan E S.Nondestructive determination of total and soluble solids in fresh prune uning near infrared spectroscopy[J].Post Harvest Biology and Technology, 2003,28(3):437-444.

[11] 張淑娟,王鳳花,張海紅,等.鮮棗品種和可溶性固形物含量近紅外光譜檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(4):139-142.

[12] 虞佳佳,何 勇,鮑一丹.基于光譜技術(shù)的芒果糖度酸度無(wú)損檢測(cè)方法研究[J].光譜學(xué)與光譜分析,2008,28(12):2839-2842.

[13] Peiris K H S,Dull G G,Leffler R G,et al.Near-infrared spectrometric method for nondestructive determination of soluble solids content of peaches[J].Journal of the American Society for Horticultural Science,1998,123(5):898-905.

[14] 潘磊慶,劉 明,韓東海,等.水蜜桃貨架期內(nèi)糖度的近紅外光譜檢測(cè)[J].南京農(nóng)業(yè)大學(xué)學(xué)報(bào),2013(4):116-120.

[15] 馮曉元,王寶剛,李文生,等.近紅外漫反射光譜預(yù)測(cè)久保桃可溶性固形物初步實(shí)驗(yàn)研究[J].食品工業(yè)科技,2008(3):273-275.

Identificationmethodofpickingperiodofjuicypeachesbasedonnearinfraredspectroscopy*

LI Jian1, LI Zhen-feng1,2, SONG Fei-hu1,2, BU Zheng-yan1

(1.SchoolofMechanicalEngineering,JiangnanUniversity,Wuxi214122,China；2.JiangsuKeyLaboratoryofAdvancedFoodManufacturingEquipmentandTechnology，Wuxi214122,China)

A near infrared diffuse spectroscopy technology combined with optical fiber sensing technology is used to explore nondestructive testing methods to identify the picking period of juicy peaches.48each of juicy peaches of3,2and1days from the best picking period and the day in the best picking period from a greenhouse in Yangshan town of Wuxi.The samples are collected by near infrared spectrometer.Three pre-processing methods i.e.smoothing,first derivative and mutiplicative scatter correction are used.Identification models of picking period are developed by principal component analysis(PCA) and partial least square(PLS) regression.The results show that first derivative and smoothing combination preprocessing construct the best predicted model.The correlation coefficient of calibration and validation model are0.9279and0.9138respectively.The root mean square error of cross validation(RMSECV) and the root mean square error of prediction(RMSEP) are0.3003and0.3349respectively.The recognition rates in the calibration set and prediction set of juicy peaches are95.13% and93.75% respectively.Results shows that the method of using the near infrared spectroscopy technology to identify the picking period of juicy peaches has a very good application prospect.

near infrared spectroscopy; juicy peaches; picking period;partial least square(PLS) method

10.13873/J.1000—9787(2017)10—0048—03

2016—11—25

國(guó)家自然科學(xué)基金資助項(xiàng)目(51406068)；江蘇省政策引導(dǎo)類(lèi)計(jì)劃(產(chǎn)學(xué)研合作)——前瞻性聯(lián)合研究項(xiàng)目(2015019—16);江蘇省食品先進(jìn)制造裝備技術(shù)重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金資助項(xiàng)目(FM—201504)

S 123

A

1000—9787(2017)10—0048—03

李 劍(1991-)，男，碩士研究生，研究方向?yàn)闄C(jī)械電子工程，E—mail:lijian06@126.com。李臻峰(1968-)，男，通訊作者，博士，高級(jí)教授，研究方向?yàn)闄C(jī)械電子工程，E—mail：1078709105@qq.com。