劉燕德，胡 宣，朱明旺，姚金良，李 斌，廖 軍，張劍一，景寒松

(1 華東交通大學(xué) 智能機(jī)電裝備創(chuàng)新研究院, 江西 南昌 330013； 2 江西省光電檢測工程技術(shù)中心,江西 南昌 330013； 3 華東交通大學(xué) 機(jī)電與車輛工程學(xué)院, 江西 南昌 330013)

我國蘋果產(chǎn)量及種植面積在全球占比超50%，但是由于采后自動檢測和分級技術(shù)不足，導(dǎo)致我國優(yōu)質(zhì)果率不足，蘋果出口量僅占總產(chǎn)量的10%，亟需水果品質(zhì)在線檢測裝置提升我國蘋果在國際市場的競爭力。近紅外光譜在線檢測裝置作為一種快速、無損和綠色的檢測裝備，已應(yīng)用于檢測蘋果、草莓、柑橘、梨、西瓜等水果的內(nèi)部品質(zhì)[1-4]。近紅外光譜在線檢測裝置的檢測速度和積分時間等因素會影響所建立的糖度模型的性能，因此，建立檢測速度和積分時間的通用模型非常必要。

學(xué)者應(yīng)用近紅外光譜技術(shù)對水果內(nèi)部品質(zhì)做了很多研究：郭志明等[5]利用近紅外透射法建立了蘋果腐心病的在線檢測系統(tǒng)，其建立的預(yù)測模型的相關(guān)系數(shù)為0.92；Liu等[6]建立了臍橙可溶性固形物含量 (Soluble solid content，SSC)的近紅外漫反射在線檢測模型，其預(yù)測相關(guān)系數(shù)為0.90；李龍等[7]利用近紅外光譜技術(shù)搭建了蘋果在線無損檢測裝備，并對蘋果SSC建立了預(yù)測模型，其相關(guān)系數(shù)達(dá)到0.949，預(yù)測集均方根誤差為0.449；韓東海等[8]和劉新鑫等[9]使用近紅外透射光譜結(jié)合波段篩選方法對蘋果的2種病害進(jìn)行判別，其判別模型準(zhǔn)確率達(dá)到95.7%；Xu等[10]研究比較了單點(diǎn)和雙點(diǎn)檢測對蘋果SSC在線檢測精度的影響，使用雙分支光纖的系統(tǒng)證明了卓越的魯棒性，而使用單分支光纖的系統(tǒng)證明了卓越的準(zhǔn)確性，其預(yù)測集決定系數(shù)達(dá)到0.63。以上學(xué)者進(jìn)行的研究都未考慮在線檢測速度和積分時間對模型的影響，所建立的模型的性能較低。崔豐娟等[11]研究了近紅外光譜在線采集裝置的移動速度對所建立的模型性能的影響，基于2種運(yùn)動速度建立了混合運(yùn)動速度模型，其預(yù)測集相關(guān)系數(shù)為0.94，均方根誤差為0.289；Sun等[12]利用近紅外動態(tài)在線檢測裝備，研究了裝置不同運(yùn)動速度對建立的翠冠梨糖度預(yù)測模型的影響，結(jié)果發(fā)現(xiàn)，當(dāng)運(yùn)動速度為0.5 m/s時，所建立的糖度模型的性能較好。以上學(xué)者探究了檢測速度的因素，但是沒有涉及對積分時間的研究。本文應(yīng)用近紅外光譜在線檢測系統(tǒng)采集不同檢測速度和積分時間的蘋果光譜數(shù)據(jù)，建立不同檢測速度和積分時間的蘋果糖度通用模型。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)使用的蘋果樣品品種為‘紅富士’，共計(jì)180個，訂購于山東煙臺某果園，蘋果直徑為75～85 mm，到貨后，用濕巾將蘋果表面灰塵擦除，置于環(huán)境溫度為25 ℃的室內(nèi)保存24 h后采集蘋果的試驗(yàn)光譜，經(jīng)Kennard-Stone(K-S)算法分類后，其中，建模集樣本光譜135個，用于建立SSC模型，預(yù)測集樣本光譜45個，用于對建立的模型性能進(jìn)行評判。

1.2 試驗(yàn)裝置與光譜采集

本文采用的近紅外光譜采集裝置是由本研究前期自主研發(fā)的動態(tài)在線漫透射檢測裝置[13]，如圖1所示，光源為2排鹵素?zé)簦?排5個，共計(jì)10個，鹵素?zé)舻膮?shù)為12 V、100 W，為漫透射方式采集光譜信息提供光源。蘋果放在果杯上，經(jīng)鏈條傳輸至暗箱中，由鹵素?zé)粽樟两?jīng)過的蘋果，透過蘋果內(nèi)部的光被光纖接收并通過光譜儀傳輸至電腦，光譜儀的波長為 350～1 150 nm，通過配套的光譜采集軟件調(diào)節(jié)樣品的積分時間。光譜采集前裝置預(yù)熱30 min，通過轉(zhuǎn)動檢測速度旋鈕調(diào)節(jié)果杯的移動速度，從而調(diào)節(jié)蘋果的檢測速度。試驗(yàn)分為5組，5組的檢測速度和積分時間分別為：第 1 組 0.3 m/s、100 ms，第 2 組 0.5 m/s、70 ms，第 3 組 0.5 m/s、100 ms，第4 組 0.5 m/s、120 ms，第 5 組 0.5 m/s、150 ms。每個樣品在赤道部位采集4次光譜，分布在4個面上，取其平均光譜作為該樣品的試驗(yàn)光譜。

圖1 近紅外漫透射在線檢測裝置Fig.1 Device of near-infrared diffuse transmittance online detection

1.3 SSC測定

蘋果樣品的SSC采用折射式數(shù)字糖度儀(PR-101a，日本)測量，用水果刀切下4個面光譜采集部位的部分果肉，將果肉擠出果汁，滴在糖度儀的測量位置，測量蘋果此面的糖度值，取4個面的平均糖度值作為該蘋果樣品的糖度值。

1.4 數(shù)據(jù)處理

首先應(yīng)用K-S算法將采集到的蘋果樣本進(jìn)行分類，使用Unscrambler軟件導(dǎo)入采集到的光譜數(shù)據(jù)，建立蘋果的SSC模型，模型的性能采用預(yù)測集相關(guān)系數(shù)(RP)和均方根誤差值(RMSEP)進(jìn)行評判。

2 結(jié)果與分析

2.1 蘋果SSC測量結(jié)果分析

對180個蘋果樣品分別使用K-S算法進(jìn)行建模集與預(yù)測集的分類，其中建模集135個，預(yù)測集45個，蘋果的SSC測量值如表1所示。建模集的SSC 含量范圍較廣，為 9.05～16.40°Brix，大于預(yù)測集的 SSC 含量范圍，9.65～14.85°Brix，可以對蘋果糖度模型取得較好的預(yù)測效果。

表1 蘋果SSC統(tǒng)計(jì)結(jié)果Table 1 Statistical results of apple SSC

2.2 不同檢測速度和積分時間下光譜特性分析

2.2.1 不同檢測速度和積分時間的光譜對比 取180個樣品中具有代表性的蘋果樣本，比較2種檢測速度的光譜，如圖2所示。0.3 m/s采集到的光譜能量較強(qiáng)；2種檢測速度采集到的光譜波形基本相同，波峰位于640、710、和 800 nm 處，波谷位于675、755 nm 處。在 710 nm 處的波峰主要與C—H和O—H鍵的倍頻伸縮振動有關(guān)[14-15]，在800 nm處的波峰主要與C—H鍵及N—H鍵的二級倍頻吸收有關(guān)[16-17]。0.3 m/s檢測速度下樣品的能量光譜高于0.5 m/s，造成此現(xiàn)象的原因是0.3 m/s的檢測速度下，樣品的曝光時間長，透過樣品的光能量較多，探測器接受的能量光譜值較高。

圖2 不同檢測速度下的蘋果近紅外光譜Fig.2 Near-infrared spectra of apples at different detection speeds

取與圖2相同的蘋果樣品，在4種積分時間下的光譜如圖3所示。整體光譜能量強(qiáng)弱關(guān)系是150 ms ＞ 120 ms ＞ 100 ms ＞ 70 ms，4 種積分時間所采集到的光譜波形基本相同，在640、710、800 nm附近存在波峰，波谷位于675、755 nm附近，積分時間越長，光譜的能量值越高。

圖3 不同積分時間下的蘋果近紅外光譜Fig.3 Near-infrared spectra of apples with different integration time

2.2.2 不同檢測速度和積分時間的光路分析 光線在蘋果內(nèi)部傳輸路徑如圖4所示。在0.3 m/s檢測速度下，樣品在光源下的曝光時間長，獲得充足光線的同時也帶入許多雜散光，導(dǎo)致下方光纖接收到的信息含有許多無用信息；在0.5 m/s檢測速度下，傳輸速度加大導(dǎo)致攜帶蘋果內(nèi)部品質(zhì)信息的光線傳輸?shù)焦谏?，沒有被果杯下的光纖探頭接收。對于不同的積分時間，短積分時間導(dǎo)致較少的光線進(jìn)入蘋果內(nèi)部，光纖探頭獲取的光譜信息量不足，從而導(dǎo)致獲取的蘋果內(nèi)部品質(zhì)信息不足；長積分時間時進(jìn)入蘋果內(nèi)部的光線較多，同時光纖探頭接收的蘋果內(nèi)部品質(zhì)信息已經(jīng)飽和，更多地獲取了雜散光的信息[18]。以上因素都會導(dǎo)致所建立的蘋果SSC預(yù)測模型性能變差。

圖4 光線在蘋果內(nèi)部傳輸路徑圖Fig.4 Light transmission path in apple

2.3 單一檢測速度和積分時間建立模型的適用性

2.3.1 檢測速度與積分時間相同時建模集與預(yù)測集 使用偏最小二乘法 (Partial least squares，PLS)建立蘋果糖度預(yù)測模型，為防止模型過擬合或欠擬合，潛變量的數(shù)量 (Latent variables, LVs)設(shè)定為1～20。5組檢測速度和積分時間建立的蘋果糖度PLS模型結(jié)果如表2所示，建模集與預(yù)測集檢測速度與積分時間相同時蘋果SSC散點(diǎn)圖如圖5所示。結(jié)果表明：積分時間在100～150 ms時，建模集和預(yù)測集模型的相關(guān)系數(shù)(RC、RP)都在0.85以上，且預(yù)測集均方根誤差(RMSEP)較小，模型精度較高；積分時間為70 ms時，建立的模型精度較低，積分時間對蘋果糖度模型存在閾值，下面只研究100～150 ms積分時間提高模型精度的方法。

圖5 建模集與預(yù)測集的檢測速度與積分時間相同時蘋果SSC散點(diǎn)圖Fig.5 Scatter diagram of apple SSC under the same detection speed and integration time of modeling set and prediction set

2.3.2 檢測速度與積分時間不同時建模集與預(yù)測集 由表2可以看出，當(dāng)檢測速度為0.5 m/s、積分時間為100 ms時，建立的蘋果SSC模型性能最好，RP為0.921，RMSEP為0.451。選取檢測速度為0.5 m/s、積分時間為 100 ms組中的建模集作為建模集與預(yù)測集檢測速度與積分時間不同時模型的建模集，分別對其他組別的預(yù)測集進(jìn)行預(yù)測，其結(jié)果如表3所示，其預(yù)測模型散點(diǎn)圖如圖6所示。結(jié)果表明：當(dāng)建模集與預(yù)測集檢測速度與積分時間不同時，RMSEP較建模集與預(yù)測集檢測速度與積分時間相同時大，預(yù)測效果較差。在實(shí)際的水果在線檢測線上，需建立在一定檢測速度和積分時間范圍內(nèi)均適用的模型，因此下面將研究如何提高蘋果糖度模型在不同檢測速度和積分時間下的適用性。

圖6 檢測速度0.5 m/s、積分時間100 ms預(yù)測其他試驗(yàn)組蘋果SSC預(yù)測值與實(shí)際值散點(diǎn)圖Fig.6 Scatter diagram of predicted value and actual value of apple SSC for other experimental groups predicted by detection speed of 0.5m/s and integration time of 100 ms

表2 5組檢測速度和積分時間建模結(jié)果1）Table 2 Modeling results of five groups of detection speed and integration time

表3 檢測速度0.5 m/s、積分時間100 ms時預(yù)測其他檢測速度和積分時間模型的結(jié)果1）Table 3 Prediction results of other detection speeds and integration time models with detection speed of 0.5 m/s and integration time of 100 ms

2.4 混合檢測速度和積分時間建立模型的適用性

在“2.3”4組試驗(yàn)組中的建模集中，使用K-S算法共選取135個具有代表性的樣本光譜作為混合檢測速度與積分時間預(yù)測模型的建模集，分別對各試驗(yàn)組進(jìn)行預(yù)測，預(yù)測結(jié)果如表4所示，其預(yù)測模型散點(diǎn)圖如圖7所示。結(jié)果表明：混合檢測速度和積分時間建立的預(yù)測模型擬合效果較好，模型性能較優(yōu)，相對于單一速度和積分時間作為建模集建立的預(yù)測模型，RP明顯提高，RMSEP明顯減小，模型穩(wěn)定性明顯提高，能在一定檢測速度和積分時間范圍內(nèi)，對蘋果SSC達(dá)到更好的預(yù)測，滿足不同環(huán)境下蘋果糖度在線檢測的要求。

表4 混合檢測速度和積分時間預(yù)測模型預(yù)測結(jié)果1)Table 4 Prediction results of prediction model with mixed detection speed and integration time

圖7 混合檢測速度和積分時間預(yù)測模型蘋果SSC預(yù)測值與實(shí)際值散點(diǎn)圖Fig.7 Scatter diagram of predicted value and actual value of apple SSC of prediction model with mixed detection speed and integration time

3 結(jié)論

本文研究了不同檢測速度和積分時間對蘋果SSC預(yù)測模型的影響，預(yù)測模型中建模集和預(yù)測集的檢測速度和積分時間相同時的預(yù)測效果優(yōu)于建模集與預(yù)測集的檢測速度和積分時間不同時。為滿足在線檢測的需要，預(yù)測模型應(yīng)在一定的檢測速度和積分時間范圍內(nèi)，保持良好的預(yù)測性能，為此建立了混合檢測速度和積分時間模型；相對于單一檢測速度和積分時間作為建模集建立的預(yù)測模型，RP由0.877提高至0.919，RMSEP由0.570減小至0.477，對蘋果SSC達(dá)到更好的預(yù)測效果，滿足了不同環(huán)境下蘋果糖度在線檢測的要求。