基于光谱指数的蜜橘成熟度评价模型研究

刘燕德，叶灵玉，孙旭东，韩如冰，肖怀春，马奎荣，朱丹宁，吴明明

(华东交通大学机电与车辆工程学院，江西 南昌 330013)

1 引 言

国标要求柑橘类的水果成熟度达到可食用的适当程度即可[1]。中国农业科学研究所研究证明果皮色泽和果汁的固酸比值可以作为尾张系柑橘果实的成熟度指标，固酸比一般达到8∶1以上即认为是成熟[2]。成熟度是果实品质的评价重要指标，果实成熟度不一，会严重影响其整体品质，同时大大降低了其市场竞争力。目前评价成熟度的指标有硬度[3]、乙烯含量[4]等。其中采用硬度的评价方法适用于在成熟过程中硬度变化比较大的水果，例如猕猴桃、香蕉等水果；乙烯评价方法对于成熟过程中释放乙烯较少的水果不适用[5]。成熟度评价对于水果采摘后的储藏和运输起着重要的作用，采摘早了，果实得不到充分的生长，采摘晚了，在储藏和运输过程中容易腐烂。因此，探索一种准确、有效的成熟度评价方法具有重要意义。

光谱指数(spectral index)是由特定的多光谱波段的反射率经过线性或非线性组合而构成的一种光谱参数，其构建的原则是选择适合的波段强化果实的特征信息且弱化环境对光谱影响为目的，定性、定量地评估农作物生长及成熟度等情况[6-8]。罗丹[9]等人通过分析350～2 500 nm波段光谱反射率任意两波段交叉组合的主要高光谱指数与冬小麦叶绿素含量的定量关系，并建立估算模型，结果表明比值光谱指数的效果最好，但这种光谱指数仍未能完全去除干扰信息。Attila[10]对苹果成熟过程中的光谱特性、叶绿素、类胡萝卜素和水分等进行研究，结果表明，类胡萝卜素与叶绿素的比值适合用来表示苹果的成熟度，其中678 nm波长的光谱数据适用于判断苹果是否成熟。水果的成熟度涉及到各项参数指标，这种采用单个波长的信息来判断水果成熟度的方法较为简单，没有对比的参考量，存在很大的不确定性。近年来国外有许多研究者采用基于光谱指数的便携式仪器来研究水果的成熟度。其中Alejandra[11]采用cherry-meters仪器测量葡萄基于两个波峰(560 nm和640 nm)的吸光度差异指数，并根据吸光度差异指数的数值将样品分为10类，利用主成分分析不同吸光度差异指数的葡萄集群的成熟度。两个波长的光谱指数评价方法比一个波长的光谱指数评价方法较稳定，但前者只有两个波长之间的相对变化，不能对结果进行验证，容易受到外界环境的影响。光谱指数的评定方法已经被国内外学者广泛使用，采用这种方法可以通过选择少量波长，就能实现对蜜橘的成熟度评价，为开发低成本测量成熟度的仪器提供理论依据。

2 材料与方法

2.1 实验材料

实验样品为江西蜜橘于9月到11月份6次采摘于江西某果园，样品随机选取没有损坏、腐烂以及虫害的新鲜蜜橘。实验样品总数为300个，实验样品每次为50个。将样品表面清洗干净，存放于温度为20°和湿度为60%的环境下存放，并在24 h内采集光谱，同时测量样品重量、横径、纵径、叶绿素、糖度、酸度以及色差等参数，其各种参数范围如表1所示。江西蜜橘为多汁水果，其皮厚约为1 mm，比赣南蜜橘的皮略薄，更适合采用近红外光谱仪进行光谱研究，果皮对实验的影响更小。

2.2 光谱采集

采用Ocean optics便携式光谱仪采集光谱，如图1所示，由光源、光纤、检测器和PC机组成。

其中光源为LS-1的白色光源，其光源稳定、强度合适，光谱采集前需将光源预热15 min，检测器的型号为QE65000，使用Spectrasuite软件读取和储存光谱。光谱采集范围： 400～1 200 nm；分辨率：6 nm；功率：6.5 W；积分时间：100 ms；平均次数：1；平滑度：15，并勾选去除噪声。参数设置好后，分别在样品的赤道部位均布采集3条光谱，沿赤道部位每隔72°采集一次光谱，最后求取平均光谱。

图1 便携式光谱仪 Fig.1 Portable spectrometer

批次采摘时间重量/g横径/mm纵径/mm叶绿素色差糖度(Bix°)酸度/%19月1日94～116.760～6347～545.8～35-50～-27.99.1～11.60.53～2.8829月11日94.43～137.8260～6846～543.9～4055.7～66.89.2～11.50.3～2.41310月9日110.4～156.166～7446～560.1～23.557.4～74.49.8～12.20.47～2.22410月24日109.87～141.8962～7150～590.1～13.256.6～75.79.4～12.80.84～1.66511月8日87.44～136.1162～7148～570.1～3.265.1～76.39.5～13.10.4～1.4611月28日108.36～151.7360～7546～580.1～1.858.6～75.710.7～13.30.41～0.97

2.3 蜜橘理化指标真实值测量

重量：0.01 g，采用电子称量法称量，电子秤型号JM-B；

横纵径：采用游标卡尺分别在蜜橘在赤道和纵向的直径；

色差：使用白色聚乙烯板作为参照，采用ATAGO色差仪测量蜜橘赤道采集点处的色差(Lab);

叶绿素：在光谱采集点，切下一小块果皮，去掉表皮中白色囊状物之后，采用SPAD-520叶绿素测量仪测量[12]；

可溶性固形物和酸度：为了防止果肉对实验的影响，用纱布将果汁过滤，进而测量其糖度含量；用移液枪取1 mL果汁放入烧杯中，用纯净水稀释至50 mL，搅拌均匀后用日本爱拓专用于测量柑橘的糖酸度计测量酸度[13]。

3 结果与讨论

3.1 成熟度评价指标对比分析

图2 不同采收期的蜜橘重量 Fig.2 Tangerine weights in different harvest periods

图3 不同采收期的蜜橘横径 Fig.3 Transverse diameters in different harvest periods

图4 不同采收期的蜜橘纵径 Fig.4 Longitudinal diameters in different harvest periods

图5 不同采收期的蜜橘叶绿素 Fig.5 Chlorophyll in different harvest periods

图6 不同采收期的蜜橘色差 Fig.6 Chromatic aberrations in different harvest periods

图7 不同采收期的蜜橘可溶性固形物含量 Fig.7 Soluble solid contents in different harvest periods

蜜橘成熟度指标是一项重要指标，蜜橘从未成熟期到成熟期的各项指标参数先增大(减小)后趋于稳定。如图2、3、4所示，不同采收期的蜜橘横纵径没有显著变化，重量虽然呈上升的趋势，但是趋势并不明显。如图5所示，叶绿素含量随着时间的变化越来越少，且标准偏差越来越小，可见蜜橘的叶绿素含量可作为蜜橘成熟度指标之一。色差如图6所示，第1批数值较低表明第一个采收期的蜜橘颜色偏暗，而后面5批的蜜橘颜色偏亮，色差基本不变，从色泽上已趋于稳定，但上升的过快不利于判断成熟时期。

图8 不同采收期的蜜橘酸度含量 Fig.8 Tangerine acidity contents in different harvest periods

图9 不同采收期的蜜橘固酸比 Fig.9 Tangerine solid-acid ratios in different harvest

图10 不同采收期的叶绿素与糖度的比值 Fig.10 Ratio of chlorophyll to SSC in different harvest periods

图11 不同采收期的叶绿素与固酸比的比值 Fig.11 Ratios of chlorophyll to solid-acid in different harvest periods

蜜橘在成熟过程中淀粉会分解，可溶性固形物的含量会逐渐升高，而酸度会逐渐降低。中国农业科学院柑橘研究所研究结果表明[2]柑橘成熟时的固酸比≥8∶1，由图9可知，这6个采收期的蜜橘的固酸比平均值均大于8，适宜食用，但若是确定蜜橘的最佳成熟度，还需要实验研究。在图9中前4个采收期的固酸比没有明显的变化，在第5个采收期固酸比开始上升，在第6个采收期的时候达到最高值，这是由于这6个采收期的蜜橘的可溶性固形物的含量没有明显变化(如图7所示)，但其酸度在第5个采收期开始下降，到第6个采收期达到最小值(如图8所示)。使用叶绿素比上SSC、叶绿素比上固酸比可得到如图10和图11所示，其平均值逐渐减小且趋于稳定，偏差也逐渐变小，也可作为江西蜜橘成熟度指标。

3.2 蜜橘光谱特性分析

江西蜜橘样品的反射光谱的平均光谱如图12所示，光谱范围500～1 500 nm。在649 nm和724 nm波段处有明显的两个波峰，672 nm波段处有明显波谷，随成熟期的变化672 nm处波谷越来越不明显，渐渐趋近于平缓。这是由于蜜橘中的有机物含有C-H键、O-H键、N-H键等氢基团，而在蜜橘逐渐成熟的过程中，蜜橘的表皮颜色逐渐由绿色转变成红黄色，蜜橘的内部品质也逐渐改善，口感越来越好。在672 nm波段处的波谷可能是由于果皮中的叶绿素造成的，叶绿素吸收波段为450～470 m和640～680 nm[14]，前3个采收期的蜜橘表皮颜色偏绿，采集点呈黄色的部位较少，叶绿素含量较多，导致在672 nm波段附近形成波谷，而在649 nm和724 nm两处形成波峰。后3个采收期的蜜橘表皮颜色多呈红黄色，叶绿素含量较少，这时光谱显现出来的是红光和黄光的反射能量。由6个采收期的平均光谱的吸收带可知，光谱的成熟度与果皮中叶绿素的含量密切相关。

图12 不同采收期的江西蜜橘近红外光谱特性 Fig.12 Near infrared spectrum characteristics of Jiangxi orange in different harvest periods

在蜜橘的原始光谱中，不同波长的反射值差异较大，宜采用变异系数[15]来反应光谱的变化，变异系数公式为：

(1)

变异系数越大体现出蜜橘在6个采收期的变化越大，如图13所示，光谱值从500～670 nm波长呈一个上升的趋势，这个波段的蜜橘的差异越来越大并在670 nm达到最大值，从670～724 nm呈下降趋势，并在724 nm时降到最低后不再有明显的变化。表明蜜橘的成熟过程中，670 nm波长时的光谱变化最明显，能体现蜜橘成熟的差异性。而670 nm波长正是叶绿素的吸收波峰[16]，因此以光谱特性来看，叶绿素亦适宜作为成熟度参数指标。

图13 变异系数曲线 Fig.13 Variation coefficient curve

3.3 蜜橘成熟度光谱评价指数对比分析

表2 光谱评价指数相关性分析

图14 成熟度光谱指数随采收期的变化 Fig.14 Maturity spectral index changes with the harvest period

3.4 蜜橘成熟度光谱指数评价模型分析

通过成熟度评价指标和光谱指数建立多元线性回归[18](MLR)评价模型，成熟度评价指标如3.1节所述为叶绿素、叶绿素比可溶性固溶物、叶绿素与固酸比之比。将3组原始数据按照3∶1的比例，分为建模集和预测集，建模集样本为225个，预测集为75个。如表3所示，在3个成熟度指标中，叶绿素与光谱指数建立的MLR模型的效果最好，其建模集相关系数rc达到0.98，建模均方根误差RMSEC为0.49，建模偏差为-6.1×10-8，预测集相关系数为0.96，预测均方根误差RMSEP为0.59，预测偏差为-0.014。如图15为叶绿素与光谱指数的MLR模型，建模集的多元线性回归方程为y=0.95x+0.016，预测集的多元线性回归方程为y=0.91x+0.032。

表3 成熟度指标与光谱指数建模结果

图15 多元线性回归模型 Fig.15 Multiple linear regression model

4 结 论

[1] GB/T 12947-2008《鲜柑橘》[S].

GB/T 12947-2008(Fresh citrus)[S].(in Chinese)

[2] 应义斌,饶秀勤,马俊福,等.柑橘成熟度机器视觉无损检测方法研究[J].农业工程学报,2004,20(2):144-147.

YING Y B,RAO X Q,MA J F,etal.. Methodology for nondestructive inspection of citrus maturity with machine vision[J].TransactionsoftheCSAE,2004,20(2):144-147.(in Chinese)

[3] BURDON J,PIDAKALA P,MARTIN P,etal. Postharvest performance of the yellow-fleshed ‘Hort16A’ kiwifruit in relation to fruit maturation[J].PostharvestBiologyandTechnology,2014,92:98-106.

[4] NAVARRO G N,MARTINEZ R D,PEREZT O. Assessment of the impact of ethylene and ethylene modulators in citrus limon organogenesis[J].PlantCell,TissueandOrganCulture,2016,127(2):405-415.

[5] 王乐妍,张冬仙,章海军,等.基于激光光致发光光谱的果实成熟度测试方法研究[J].光谱学与光谱分析,2008,28(12):2772-2776.

WANG L Y,ZHANG D X,ZHANG H J,etal.. Measurement of fruit maturity based on laser-induced photoluminescence spectrum[J].SpectroscopyandSpectralAnalysis,2008,28(12):2772-2776.(in Chinese)

[6] JONATHAN V B ,LAURENT T,BEN S,etal.. Stem water potential monitoring in pear orchards through worldview-2 multispectral imagery[J].RemoteSensing,2015,7(8):9886-9903.

[7] ZHAO CH J,LI H L,GU X H,etal.. Effect of vertical distribution of crop structure and biochemical parameters of winter wheat on canopy reflectance characteristics and spectral indices[J].IEEETransactionsonGeoscience&RemoteSensing,2017,55(1):236-247.

[8] RAYMOND E H,CRAIG S T D,LI L. Feasibility of estimating leaf water content using spectral indices from WorldView-3′s near-infrared and shortwave infrared bands[J].InternationalJournalofRemoteSensing,2016,37(2):388-402.

[9] 罗丹,常庆瑞,齐雁冰,等.基于光谱指数的冬小麦冠层叶绿素含量估算模型研究[J].麦类作物学报,2016,36(9):1225-1233.

LUO D，CHANG Q R，QI Y B,etal.. Estimation model for chlorophyll content in winter wheat canopy based on spectral indices[J].JournalofTriticeaeCrops,2016,36(9):1225-1233.(in Chinese)

[10] NAGY A,PETER R,JANOS T. Spectral evaluation of apple fruit ripening and pigment content alteration[J].ScientiaHorticulturae,2016,201:256-264.

[11] ALEJANDRA R F,MASSIMO N,EMILIO J F,etal.. Assessment of technological maturity parameters and anthocyanins in berries of cv. Sangiovese(Vitis vinifera L.) by a portable vis/NIR device[J].ScientiaHorticulturae,2016,209:229-235.

[12] 刘燕德,肖怀春,孙旭东,等.基于高光谱成像的柑橘黄龙病无损检测[J].农业机械学报,2016,47(11):231-238,277.

LIU Y D,XIAO H CH,SUN X D,etal.. Non-destructive detection of citrus huanglong disease using hyperspectral image technique[J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2016,47(11):231-238,277.(in Chinese)

[13] LI M,LV W B,ZHAO R,etal.. Non-destructive assessment of quality parameters in Friar′ plums during low temperature storage using visible/near infrared spectroscopy[J].FoodControl,2017,73(B):1334-1341.

[14] 刘凯,张立福,杨杭,等.面向对象分析的非结构化背景目标高光谱探测方法研究[J].光谱学与光谱分析,2013,33(6):1653-1657.

LIU K,ZHANG L F,YANG H,etal.. Hyperspectral unstructured background target detection approach based on object-oriented analysis[J].SpectroscopyandSpectralAnalysis,2013,33(6):1653-1657.(in Chinese)

[15] 田青,罗金平,刘晓红,等.生物发光法细菌快速检测仪的研制及应用[J].光学 精密工程,2010,18(4):771-778.

TIAN Q,LUO J P,LIU X H,etal.. Development and application of rapid detecting instrument for bacteria based on bioluminescence[J].Opt.PrecisionEng.,2010,18(4):771-778.(in Chinese)

[16] TAMBURINI E,FERRARI G,MARCHETT M G,etal.. Development of FT-NIR models for the simultaneous estimation of chlorophyll and nitrogen content in fresh apple(Malus Domestica) leaves[J].Sensors(Basel)，2015，15(2)：2662-2679.

[17] GITELSON AA，MERZLYAK M N. Signature analysis of leaf reflectance spectra-algorithm development for remote sensing of chlorophyll[J].JournalofPlantPhysiology,1996,148(3-4):494-500.

[18] 王智宏,张福东,滕飞,等.基于近红外波长组合快速检测油页岩含油率[J].光学 精密工程,2015,23(2):371-377.

WANG ZH H,ZHANG F D,TENG F,etal.. Rapid detection of oil yield of oil shale by combination of wavelengths in near infrared spectroscopy[J].Opt.PrecisionEng.,2015,23(2):371-377.(in Chinese)