微型近红外光谱仪检测水果可溶性固形物

郅建军　陈　通　孙武坚　王春峰　郭　丽　陈　斌

(1.江苏大学食品与生物工程学院，镇江 212013；2.江苏大学机械工程学院，镇江 212013)



微型近红外光谱仪检测水果可溶性固形物

郅建军1陈通1孙武坚2王春峰1郭丽1陈斌1

(1.江苏大学食品与生物工程学院，镇江 212013；2.江苏大学机械工程学院，镇江 212013)

摘要：以滨松公司生产的C11708MA微型光谱仪为基础，在自行搭建的两套光谱采集平台上检测水蜜桃、梨子的可溶性固形物含量。采用了多种光谱预处理方法，结合PLS和LS-SVM建立水蜜桃、梨子可溶性固形物模型。实验结果表明，水蜜桃光谱经过标准化预处理，建立的LS-SVM模型效果最好，校正相关系数(Rp)和均方根误差(RMSEP)分别为0.8902和0.7703。梨子光谱经过CARS筛选得到46个变量，建立的PLS模型效果最好，Rp和RMSEP分别为0.7597和0.5783。验证了该光谱仪在水果可溶性固形物含量检测方面的应用的可行性，为进一步构建便携式水果可溶性固形物检测设备奠定了基础。

关键词：微型近红外光谱仪水果可溶性固形物回归模型

水蜜桃和梨子都是我国主要的水果品种，可溶性固形物含量是评价水果内部品质的一个重要指标。方便快捷地检测水果可溶性固形物含量，对于水果生产、加工和流通环节中把握其质量，保证果品品质具有重要意义。与传统破坏式检测相比，近红外光谱检测以其快速、无损等优点[1]广泛应用于水果内部品质检测。

由于价格昂贵、操作的专业性、仪器稳定性等因素影响，近红外光谱仪在我国的食品工业、农业和农产品加工部门并没有得到真正意义上的应用，其中价格成为主要制约因素。没有出现能符合国情的低成本、使用极为方便的小型化、手提式近红外水果品质检测仪[2]。

本研究尝试以滨松公司生产的C11708MA微型光谱仪为基础，自行搭建两套可溶性固形物光谱采集系统。以微型光谱仪结合自行设计的光纤探头检测水蜜桃可溶性固形物含量，以微型光谱仪嵌式平台检测梨子可溶性固形物含量，并用另一种商品化的微型光谱仪JDSU 公司生产的MicroNIR-1700做对比。多种预处理方法结合PLS和LS-SVM建立水蜜桃可溶性固形物模型，多种波长优选方法结PLS建立多品种梨子可溶性固形物模型，优化水果可溶性固形物的检测模型，提高预测精度。

1试验部分

1.1材料

水蜜桃品种为日川白凤，采自镇江市句容某果园。梨子有多个品种，包括晚生新水、祝水、喜水、明水、早生新水，采自镇江市农科院试验田。依次编号标记，每个样品用记号笔圈三点，分别是向阳面、背面和侧面，每个点代表一个试验样品。

1.2仪器与光谱采集

1.2.1微型光谱仪

图3　 C11708MA微型光谱仪结构原理示意图

C11708MA微型光谱仪(滨松公司生产)，该光谱仪外形如图1所示，图2是测试用驱动电路板外形。该光谱仪结构紧凑，尺寸只有拇指大小，重量为9g。光谱响应范围为640 nm~1 050 nm。该光谱仪探头采用带光接收狭缝的CMOS图像传感器，整合了MEMS和图像传感器技术。内部光学系统包含了一个凸透镜，光栅通过纳米压印技术制作在透镜表面。具体结构原理如图3所示，用作对比的微型光谱MicroNIR-1700(JDSU 公司JDSU 公司)如图4所示。

图4　 MicroNIR-1700光谱仪

1.2.2微型光谱仪结合光纤的检测平台

在微型光谱仪结合自行设计的光纤系统上完成对水蜜桃光谱的采集，光源发出的光，经出射光纤照射到样品上，发生漫反射，返回的光经入射光纤传输到检测器，如图5所示[3]，两台光谱仪采集到的光谱如图6、图7。

图5　微型光谱仪结合光纤的检测平台示意图

图6　结合光纤的检测平台采集到的水蜜桃光谱图

图7　MicroNIR-1700采集到的水蜜桃光谱图

1.2.3微型光谱仪嵌入式检测平台

微型光谱仪和电路板封装在盒子中，在微型光谱仪两侧放置两个卤钨灯，上方放置样品支架，维持样品稳定并防止漏光。将梨子置于样品支架上，卤钨灯发出的光照射到梨子上发生漫反射，返回的光进入检测器，具体结构如图8。两台光谱仪采集到的光谱如图9和图10。

图8　微型光谱仪嵌入式检测平台示意图

图9　嵌入式检测平台采集到的梨子光谱图

图10　MicroNIR-1700采集到的梨子光谱图

1.3可溶性固形物测定

样品光谱测量完成后，按照NY/T2637-2014标准，用阿贝折射仪测定可溶性固形物含量[4]。可溶性固形物含量的实际测量结果见表1和表2，校正集和预测集用K-S 法划分，从表中可以看到校正集的可溶性固形物分布范围大于预测集的分布范围，这有利于构建更加稳健的预测模型。

1.4模型建立及评价

利用 MATLAB2009b软件完成数据整理及波长优选，用江苏大学近红外课题组自行编写的NIRSA4.3 进行光谱预处理和模型建立。建立水果的校正模型，选择校正均方根误差RMSEC 预测均方根误差RMSEP和校正相关系数Rp、预测相关系数Rc作为模型的评价标准。一个好的模型应该有较高的较低RMSEC和 RMSEP，Rp越高且RMSEP 越小，模型的预测能力越强RMSEC和RMSEP越接近模型的稳定性越好[5]。

表1　水蜜桃可溶性固形物含量分布情况

表2　梨子可溶性固形物含量分布情况

2结果与讨论

2.1水蜜桃可溶性固形物

对光谱数据进行预处理可以消除因样品状态、测量条件和杂散光等因素引起的基线平移及旋转等噪声，提高光谱数据的信噪比,在建立模型前对原始光谱信息进行适当的预处理是必要的[6]。表3、表4分别是C11708MA、NIR-1700采集到的水蜜桃近红外光谱，经过不同方法预处理之后采用PLS和LS-SVM建模及预测结果。

表3　不同预处理方法C11708MA水蜜桃所建模型校正和预测结果

表4　不同预处理方法MicroNIR-1700水蜜桃所建模型校正和预测结果

2.1多品种梨子可溶性固形物

应用特定的方法筛选波段可以得到更好的模型,波长优选一方面可以简化模型,更主要的是可以剔除无关或非线性变量,从而得到预测能力强、稳健性好的校正模型[7]不同方法筛选前后的建模结果如表5、表6。

表5　不同波长优选方法C11708MA梨子所建PLS模型校正和预测结果

表6　不同波长优选方法MicroNIR-1700梨子所建PLS模型校正和预测结果

3结 论

以滨松公司生产的微型光谱仪为基础，搭建了两套水果可溶性固形物检测系统。分别采取不同的预处理方法，建立PLS和LS-SVM模型，比较了两套系统与JDSU公司MicroNIR-1700微型光谱仪的建模和预测结果。

水蜜桃的建模结果，MicroNIR-1700光谱经过MAF平滑预处理建立的LS-SVM模型结果最佳，其Rp与RMSEP分别为0.9269和0.5390。C11708MA光谱经过标准化预处理的LS-SVM模型结果最佳，其Rp与RMSEP分别为0.8902和0.7703。

对梨子的光谱进行波长优选，MicroNIR-1700光谱经CARS优选，46个变量建模结果最佳，其PLS模型Rp与RMSEP分别为0.8476和0.5354。C11708MA梨子光谱经CARS优选，19个变量结果最佳，其PLS模型Rp与RMSEP分别为0.7583和0.5783。

综合来看，滨松C11708MA微型光谱仪的建模效果略差于MicroNIR-1700。究其原因，可能是其波段主要集中在短波区，范围窄，但完全可以满足农产品检测需求。前者造价低，更适合用于农业上的推广。以后的工作中，对检测平台稍加改进，模型效果会更好。本实验验证了滨松C11708MA微型近红外光谱仪可以实现水果可溶性固形物的快速检测，搭建的两套检测平台为进一步构建水果可溶性固形物便携式检测设备奠定基础。

参考文献

[1] 陆婉珍，袁洪福，褚小立.近红外光谱仪器[M].北京：化学工业出版社，2010：162-163.

[2] 冯帮，陈斌，颜辉.便携式近红外光谱检测系统的开发[J] .研制开发，2014,20(2)：12-16.

[3] 毕卫红，许峰，吕超.水果含糖量近红外检测系统及实验[J].红外技术，2007,(11):678-680.

[4] 秦善知，陈 斌，陆道礼.基于便携式近红外光谱仪检测梨可溶性固形物[J].江苏农业科学，2014，42(8)：284-286.

[5] 樊书祥，黄文倩，李江波，郭志明，赵春江.特征变量优选在苹果可溶性固形物近红外便携式检测中的应用 [J]. 光谱学与光谱分析，2014,34(10):2707-2712.

[6] 傅霞萍，应义斌，刘燕德. 近红外光谱技术在水果内部品质无损检测中的应用[J] .农机化研究，2004(2) :201- 203.

[7] 刘燕德，陈兴苗，欧阳爱国.可见近红外光谱法无损检测赣南脐橙可溶性固形物[J]光学学报，2008,8(1)：140-144.

Detection of the soluble solids content(SSC) in fruit using miniature NIR spectrometry .ZhiJianjun1,ChenTong1,SunWujian2,WangChunfeng1,GuoLi1，ChenBin1

(1.SchoolofFoodandBiologicalEngineering,JiangsuUniversity,Zhenjiang212013,China;2.SchoolofMechanicalEngineering,JiangsuUniversity,Zhenjiang212013,China)

Abstract:Two sets of spectral acquisition platform based on miniature NIR spectrometry C11708MA were builded.Different spectral pretreatment methods were developed to establish PLS and LS-SVM regression model of SSC in peaches and pears.The Rp and RMSEP were 0.8902 and 0.7703 for peaches.The Rp and RMSEP were 0.7597 and 0.5783 for pears.The above results demonstrate that the method is feasible, and the data are useful for the further applications of miniature NIR spectrometry .

Key words:miniature NIR spectrometry;fruit;SSC; regression model

收稿日期：2015-11-09

DOI:10.3936/j.issn.1001-232x.2016.01.015

作者简介：郅建军，男，1990年出生，硕士研究生，研究方向：近红外光谱技术在食品、农产品中的应用。通讯作者：陈斌，男，江苏大学食品与生物工程学院，教授，博导，E-mail:ncp@ujs.edu.cn。

基金项目：阵列式半导体激光器件的食品原料品质近红外快速检测方法的研究，国家自然基金项目(31171697)