于懷智,陳東杰,姜沛宏,張玉華*,郭風(fēng)軍,張長峰
1(國家農(nóng)產(chǎn)品現(xiàn)代物流工程技術(shù)研究中心,山東 濟(jì)南,250103)2(山東省農(nóng)產(chǎn)品貯運(yùn)保鮮技術(shù)重點(diǎn)實驗室,山東 濟(jì)南,250103)
蒙陰黃桃因味道鮮美、香氣宜人且富含VC、胡蘿卜素,果膠以及鋅、硒等多種微量元素,深受國內(nèi)外消費(fèi)者的喜愛[1]。由于桃(PrunuspersicaL.)為呼吸躍變型果實,采后存在果實變軟、耐貯運(yùn)變差,直接影響桃產(chǎn)業(yè)的發(fā)展[2-3]。不同品種黃桃采后的硬度存在明顯差異性[4],黃桃的軟化是黃桃果實成熟重要標(biāo)志之一,會影響采后黃桃外觀、抗病能力及商品價值等??扇苄怨绦挝锖?soluble solids content,SSC)也是評價水果口感及成熟度重要的品質(zhì)指標(biāo)之一[5-6],檢測黃桃的硬度及SSC,對黃桃采后貯藏、運(yùn)輸具有重要的意義[7-8]。
目前,傳統(tǒng)測定黃桃硬度和SSC,雖測定結(jié)果相對準(zhǔn)確,但操作復(fù)雜,耗時耗力;且需破壞樣品,一般需要無法滿足大批量黃桃在線分選檢測的需求。近紅外光譜技術(shù)具有無損、快速、易操作等特點(diǎn)[9-11],目前已廣泛應(yīng)用于農(nóng)產(chǎn)品的內(nèi)部品質(zhì)檢測[12-14]。王銘海等[15]采用近紅外漫反射光譜技術(shù)實現(xiàn)對多品種桃SSC含量的無損檢測。BETEMPS等[16]采用近紅外光譜技術(shù)實現(xiàn)桃子硬度檢測。NASCIMENTO等[17]利用近紅外光譜技術(shù)建立部分最小二乘(partial least squares,PLS)模型,預(yù)測‘極光-1’桃子果實的SSC和硬度。
利用近紅外在線分選來檢測到更多果品的品質(zhì),從而提高果品經(jīng)濟(jì)價值。為了滿足在線快速檢測中移動速度的需要,研究移動速度對黃桃SSC在線檢測模型特征的影響是十分必要的。而目前國內(nèi)對果品在線分選大都基于質(zhì)量,在線無損分選設(shè)備對果品品質(zhì)分級價格昂貴且大都依賴于國外進(jìn)口。國內(nèi)研究中的大都處于實驗室階段,暫時無法技術(shù)成果商業(yè)應(yīng)用,并且對于移動速度下對黃桃品質(zhì)模型影響的研究少。
本文基于可見光-近紅外光譜技術(shù)自發(fā)研制可移動式果品在線快速分選系統(tǒng),研究在動態(tài)運(yùn)動下速度對黃桃SSC和硬度品質(zhì)預(yù)測模型影響,有助于黃桃采后貯藏及運(yùn)輸,推動黃桃品質(zhì)的在線分級檢測,提高水果產(chǎn)業(yè)的經(jīng)濟(jì)效益。
黃桃采摘山東蒙陰野店鎮(zhèn)某果園,品種為中蟠17號,采摘后于冷藏車運(yùn)回實驗室,挑選大小均勻、無病蟲害和無機(jī)械損傷樣品后入冷藏庫(3~4 ℃)。
如圖1所示,黃桃在線光譜采集由自行研發(fā)的在線分級裝置完成。在線檢測分級系統(tǒng)采取主控分選單元與分布式測量單元聯(lián)網(wǎng)應(yīng)用模式,將待測果品置于智能載樣托盤,托盤內(nèi)置近場通訊模塊,可實現(xiàn)檢測數(shù)據(jù)的高速無線傳輸,托盤依托回轉(zhuǎn)流體傳送平臺傳送,分別經(jīng)過光譜檢測單元、圖像檢測單元、稱重單元等檢測單元,各個測量單元采取“查詢測量+延時分析”的測量模式獨(dú)立運(yùn)行,測量結(jié)果通過千兆網(wǎng)絡(luò)上傳至主控分選單元,隨后根據(jù)預(yù)設(shè)的分級條件對果品進(jìn)行分級篩選。
圖1 在線檢測系統(tǒng)示意圖Fig.1 Online detection system
包括硬件系統(tǒng)和軟件系統(tǒng),其中硬件系統(tǒng)包括近紅外光譜檢測單元、機(jī)器視覺圖像檢測單元、自動稱重單元、品級分選單元和回轉(zhuǎn)輸送平臺。軟件系統(tǒng)包括系統(tǒng)主控軟件、光譜測量軟件、化學(xué)計量軟件和圖像分析軟件。由于本試驗只采集黃桃的近紅外光譜,不進(jìn)行圖像采集。
試驗采用的在線動態(tài)檢測系統(tǒng)主要包括海洋光學(xué)(Ocean Optics Inc., USA)USB2000+光纖光譜儀,波長為600~1 000 nm,配有SMA905標(biāo)準(zhǔn)光纖接口,通過USB接口與計算機(jī)相連,光源為12V/50W鹵素?zé)簦灿?個,分別位于近紅外檢查箱內(nèi)部的4個角;光譜儀光纖探頭固定于傳動鏈條的下方,采取水平照射底部測量模式,光源水平照射果品,果品置于果托之上,果托中心呈2 cm空心圓洞(圖3),近紅外測量探頭置于下方,有效避免果品非測量部位造成的漫反射光干擾。
1-光源;2-傳感器;3-光纖傳感器;4-光譜儀圖2 近紅外光譜檢測模塊結(jié)構(gòu)圖Fig.2 NIR detection module structure
圖3 光源套件實物及效果圖Fig.3 Rendering of light source modules
采用海洋光學(xué)(Ocean Optics Inc., USA)USB2000+光纖光譜儀,在線采集光譜,波長600~1 000 nm參比積分時間為5 ms,參比平均數(shù)為100次,樣品積分時間為10 ms,樣品平均次數(shù)為3次。選取120個蒙陰黃桃,從冷庫取出后,置于室溫下12 h,待樣品與室溫一致,沿著果品赤道部位進(jìn)行標(biāo)記,對標(biāo)記區(qū)域進(jìn)行光譜采集,每個樣品采集3次,采集平均光譜用于后續(xù)的數(shù)據(jù)處理分析。
1.4.1 硬度測定
采用TA5探頭在質(zhì)構(gòu)儀TMS-PRO(美國,F(xiàn)TC)上進(jìn)行TPA(texture profile analysis)測試。沿著標(biāo)記區(qū)域進(jìn)行測試,設(shè)置測前速率 120 mm/s;測中及測后速率120 mm/s;壓縮程度5%,起始力0.75 N。得到評價黃桃果肉狀況硬度特征曲線,其參數(shù)包括:硬度。硬度是以雙峰曲線第1個峰的最大值表示;典型硬度特征曲線如圖4所示。
圖4 黃桃TPA 試驗?zāi)J綀D及特征曲線Fig.4 Yellow peach TPA test mode figure and characteristic curves
1.4.2 SSC測定
按照 NY/T 2637—2014 規(guī)定的方法測定。采集完光譜后,將黃桃放入研缽中研磨成勻漿,用紗布濾后得到濾液后滴在Atago(日本,Atago)數(shù)顯SSC計上,記錄讀數(shù),測定3次,取平均值為黃桃的SSC值。
由于采集的原始近紅外原始光譜除含有樣品信息外,受自身儀器狀態(tài)、外界環(huán)境溫濕度、測試條件基線漂移等諸多干擾因素影響,需對采集黃桃原始近紅外光譜進(jìn)行預(yù)處理,來提高模型的穩(wěn)健性和適用能力。利用SG-平滑(savitzky-golay smooth)(窗口寬度為5點(diǎn)、擬合3次)、SG卷積導(dǎo)數(shù)(窗口寬度為5點(diǎn)、擬合3次)、多元矯正散射(multiplicative scatter correction,MSC)和標(biāo)準(zhǔn)正態(tài)能量變換(standard normal variate,SNV)等多種光譜預(yù)處理方法對采集光譜圖進(jìn)行預(yù)處理,來提高預(yù)測黃桃品質(zhì)模型的精度和使用能力。采用偏最小二乘回歸法建立黃桃品質(zhì)的PLS預(yù)測模型。所建立預(yù)測模型采用校正集相關(guān)系數(shù)(correlation coefficient of calibration,rc)、驗證集相關(guān)系數(shù)(correlation coefficient of validation,rp)、校正集均方根誤差(root mean square error of calibration, RMSEC)和驗證集均方根誤差(root mean square error of validation, RMSEP)進(jìn)行評定,相關(guān)系數(shù)越高,均方根誤差越低,建立的預(yù)測模型越好。
采集黃桃的近紅外光譜利用北京偉創(chuàng)英圖科技有限公司ChemoStudio 2018化學(xué)計量學(xué)軟件及matlab 8.0,進(jìn)行光譜圖預(yù)處理,將建好模型導(dǎo)入到在線動態(tài)檢測系統(tǒng),實現(xiàn)對黃桃無損快速分級。
采集黃桃的原始近紅外光譜如圖5所示,在685 nm和978 nm處各有吸收峰且差異明顯,在685 nm處可能是紅色素的吸收,賦予黃桃代表性綠色的綠色素;978 nm處的吸收峰,可能是由糖類和水的吸收,對分析黃桃的近紅外光譜由較大影響。本文的有效全光譜為600~1 000 nm,由于978 nm的吸收峰由水分吸收引起,將光譜區(qū)間分為600~750 nm,750~900 nm,900~1 000 nm三個波段范圍,對3個區(qū)間波段及全波長,分別采用SG-平滑、SG導(dǎo)數(shù)等光譜進(jìn)行預(yù)處理,采用PLS建立校正模型。
圖5 黃桃近紅外光譜原始圖Fig.5 Original NIR spectrum of yellow peaches
利用在線動態(tài)檢測系統(tǒng)采集黃桃光譜圖,本次試驗共采集120張光譜圖,采用Kennard-Stone分類方法對采集的光譜進(jìn)行按照3∶1進(jìn)行分類,校正光譜為90張,驗證光譜為30張;黃桃的SSC和硬度校正集和驗證集的統(tǒng)計分布如表1所示。校準(zhǔn)集和預(yù)測集的SSC在6.2%~15.4%和6.4%~15.0%,硬度的校正集和預(yù)測集為2.78~7.92 N和2.64~7.85 N。為了消除黃桃的大小及質(zhì)量影響,選取校準(zhǔn)集的質(zhì)量為278.93~325.56 g,預(yù)測集的質(zhì)量為285.63~319.23 g。
表1 黃桃物理參數(shù)的校正與預(yù)測集統(tǒng)計Table 1 Physical parameters statistics of yellow peach samples in calibration and prediction sets
由表2可知,在移動速度為5個/s時,在不同波段范圍,采用不同預(yù)處理方法,用PLS建立SSC預(yù)測模型性能也不一樣。900~1 000 nm區(qū)間建立SSC預(yù)測模型最差,而全波長建立SSC預(yù)測模型優(yōu)于3個獨(dú)立區(qū)間建立模型。混合波段(600~750 nm和750~900 nm)建立SSC模型優(yōu)于全波長3個區(qū)間[(600~1 000 nm)和(600~750 nm),(750~900 nm),(900~1 000 nm)]建立預(yù)測模型。因此,建模波段選擇(600~750 nm和750~900 nm)。3種預(yù)處理方法中,采用SG-DER預(yù)處理建立模型預(yù)測性能最好。其校正集和驗證集相關(guān)系數(shù)分別為和0.919和0.863,均方根誤差分別為0.735%和0.764%。
表2 采用不同預(yù)處理方法建立PLS模型預(yù)測黃桃樣品的SSCTable 2 SSC results for yellow peaches sampled by PLS modeling using different preprocessing methods
由表3知,在移動速度為5個/s時,在不同波段,采用不同預(yù)處理方法,用PLS建立硬度預(yù)測模型性能不一樣。采用全波長(600~1 000 nm),建立硬度模型性能優(yōu)于600~750 nm,750~900 nm,900~1 000 nm三個區(qū)間建立預(yù)測模型;而3個波長區(qū)間獨(dú)立建立預(yù)測模型中,900~1 000 nm波段建立預(yù)測模型性能最差??赡苁怯捎谠摱畏秶瞧渌蓴_波段混雜的影響?;旌喜ǘ?600~750 nm和750~900 nm)建立SSC模型優(yōu)于全波長(600~1 000 nm)和600~750 nm,750~900 nm,900~1 000 nm三個區(qū)間建立預(yù)測模型。因此,建模波段選擇600~750 nm和750~900 nm。3種預(yù)處理方法中,采用SGS模型效果最好。其校正集和驗證集相關(guān)系數(shù)分別為0.832和0.746,方根誤差分別為0.774 N和0.785 N。
表3 采用不同預(yù)處理方法建立PLS模型預(yù)測黃桃的硬度Table 3 Firmness results for yellow peaches sampled by PLS modeling using different preprocessing methods
連續(xù)投影算法(successive projections algorithm,SPA)是采用向量投影分析,從采集的中光譜信息提取有效信息,消除光譜中眾多變量間的共線性影響,使光譜共線性最小化[18]。遺傳算法(genetic algorithm, GA)起源于對生物系統(tǒng)所進(jìn)行的計算機(jī)模擬研究,是一種全局、高效、并行搜索的方法,能在搜索過程中自動獲取和積累有關(guān)搜索空間的知識,并自適應(yīng)地控制搜索過程以求得最佳解[19]。本文基于SPA和GA算法,從600~750 nm和750~900 nm選擇特征變量,采用SG-DER處理光譜,建立SSC的預(yù)測模型;采用SGS處理光譜,建立硬度預(yù)測模型。
由表4可知,采用SPA和GA算法使得建模的波長數(shù)量顯著降低,說明這2種方法都可剔除噪聲過大和去除不相關(guān)變量的變量,這與郭志明和田瀟瑜的研究類似[20-21]。不同品質(zhì)指標(biāo),采用相同的算法,所選的特征變量不相同。從建模效果來說。對于SSC預(yù)測模型,采用SPA對黃桃近紅外光譜數(shù)據(jù)進(jìn)行特征變量選取,其中從全波長301個光譜中篩選出10個變量,建立了SSC SPA-PLS模型,從全波長301個光譜中篩選出7個變量,建立了SSC SPA-PLS模型。其rp和RMSEP分別為0.916、0.721%。對于硬度模型,采用SPA算法建立預(yù)測模型更穩(wěn)健一些,從600~900 nm 301個光譜中篩選出8個變量,建立了硬度SPA-PLS模型,其rp和RMSEP分別為0.811、0.742 N。
表4 建模效果比較Table 4 Comparison of model effectiveness
圖6 SPA-PLS SSC的預(yù)測值和實際值散點(diǎn)圖Fig.6 Plots of actual versus predicted yellow peach SSC values obtained with SPA-PLS
圖7 SPA-PLS 硬度的預(yù)測值和實際值散點(diǎn)圖Fig.7 Plots of actual versus predicted yellow peach firmness values obtained with SPA-PLS
本實驗基于近紅外光譜漫透射技術(shù),在移動速度為5個/s下,對黃桃硬度和SSC進(jìn)行了分析,采用多種預(yù)處理方法,對全波長區(qū)間和3個獨(dú)立波長區(qū)間及混合波段區(qū)間進(jìn)行建模,發(fā)現(xiàn)600~750 nm和750~900 nm建立模型最好,其中采用SG-DER預(yù)處理方法效果建立SSC預(yù)測模型最好,其校正集和驗證集相關(guān)系數(shù)分別為0.919和0.863,均方根誤差分別為0.735%和0.764%;采用SGS處理光譜,建立硬度模型性能最好,其校正集和驗證集相關(guān)系數(shù)分別為0.832和0.746,方根誤差分別為0.774 N和0.785 N。后采用GA和SPA算法進(jìn)行特征向量提取,發(fā)現(xiàn)兩種算法都可有效減少建模波長數(shù)量,從建模效果來說,SPA-PLS建立黃桃的SSC和硬度模型最好,其rp和RMSEP分別為0.916、0.721%和0.811、0.742 N。試驗結(jié)果表明,近紅外漫反射光譜在線檢測黃桃的SSC和硬度是可行,但預(yù)測精度有待一步提高。