近红外光谱技术在苹果品质检测中的研究进展

杨茗淇， 于济菲， 黄玉萍

(南京林业大学机械电子工程学院，江苏 南京 210037)

我国是苹果种植大国[1]，年产量稳居世界第一，而采后商品化处理能力仅为其总产量的15%，制约了我国苹果产业的发展[2]。其中一个主要原因是苹果采后品质检测与分级技术水平的落后，导致我国苹果产业缺乏国际市场竞争力。因此，急需苹果品质分级来提高我国苹果的市场竞争力。光谱检测技术以其快速、无损等优点受到学者的关注，如高光谱成像技术、X 射线检测法、太赫兹技术和近红外光谱检测技术等[3-5]。

高光谱成像技术[6-9]是一种结合了光谱分析和图像处理的技术，具有多波段、高分辨率和图谱合一的特点，但该技术数据量大，设备昂贵，在线检测仍存在一定困难。X 射线检测法[10-12]是利用X射线的强透射性，用透射过样品的X光线预测样品的品质，但该方法受样品形状影响严重，由于苹果形状为曲面，在检测过程中会存在一定误差。太赫兹技术[13-14]是利用太赫兹波的高穿透性、相干性和低能性，用样品的反射谱或透射谱中的信息来预测农产品的品质，是一种新兴的光谱检测技术，其研究方法多借鉴于近红外光谱技术，还处于实验研究阶段。近红外光谱技术[15-17]是一种利用物质对近红外光的吸收、反射和散射等特性，通过分析反射光谱、透射光谱等来预测样品品质的一种无损检测技术，以其快速、无损、操作简单、成本低、易实现、技术发展相对成熟，可用于内部品质、外部品质和缺陷检测等多方面的优势，被广泛用于水果品质的无损检测。通过分析这几种利用光谱来检测苹果品质的技术可知，近红外光谱技术在苹果无损检测方面的应用前景更广。

大量文献表明红外线光谱技术可成功应用于苹果品质检测[18-21]，但检测精度的提升一直是研究热点，本文从试验条件、光谱采集方式、光谱处理方式、样品差异四个方面总结了学者在提升检测精度方面的研究。

1 试验条件的影响

在控制试验条件方面，有学者提出光照条件(光学结构、光的强度、探头到果实的距离等)、苹果摆放位置、温度对试验结果有影响[22-26]。

在研究光照条件上，冯尚坤以12 V、150 W的卤素灯为光源，分析了四种光照方式下的透射光谱对苹果可溶性固溶物含量(SSC)的预测能力。结果表明，四只灯泡均匀放置并与检测探头的夹角均为100°的光照方式最好。杜冉[27]比较了2×150 W、3×100 W、4×100 W这三种光源在三种不同位置上时对检测苹果糖度、硬度的影响，结果表明，在4×100 W光源下，水果放置状态对检测结果的影响很小，在线检测中可不予考虑。陈建新[28]采用 4 个双波长的 LED 为光源设计的苹果硬度便携式检测设备，由于光源问题导致每次检测时耗时相对较长并且聚光度不足。以上研究表明，应寻找最优的光照条件、收集更广泛或更能反映苹果品质信息的光谱范围以达到提高检测精度目的。

除了光照条件，苹果的摆放方式也会影响试验的预测结果。其中，韩东海[29]研究了在上置式开放式光源下三种苹果摆放方式中杂散光对收集到的光谱的影响。结果表明，苹果果柄向上放置的遮光方式减小杂散光能力最强，能更好预测苹果的糖度。在研究苹果姿态对预测SSC的影响中，徐晓[30-31]发现，当光源与检测探头都在苹果赤道部分时建立的数学模型对苹果SSC的预测能力最好，利用所有光谱所建立的全局模型比不同的七种姿态单独建立的模型有更好的预测能力，双点检测系统可以补偿在线检测时苹果姿态对苹果SSC预测能力的影响。此外，Yuping Huang[32]采用半透射方式，研究了苹果三种不同的放置方式对内部缺陷检测的影响，结果表明，入射光垂直于果实的茎萼轴，即光源放置在苹果的赤道端所获得分类结果最佳。研究表明，光源在苹果赤道时收集到的光谱较好，可以提高预测苹果品质的能力。

此外，温度也会影响试验结果。王加华[33]通过收集0 ℃、10 ℃、20 ℃、30 ℃的苹果漫透射光谱，以20 ℃的数据为基准，采用斜率/偏差校正法修正了温度对苹果糖度检测结果的影响，预测了其他温度下的糖度值。Shuxiang Fan等[34]设计了一种可以检测树上以及存储中苹果的SSC便携式检测仪器，为减少环境温度对结果影响，加装了温度控制器。检测动态苹果SSC也是今后发展的方向之一，而关于温度对检测结果影响的研究还不成熟，还有待进一步探索。

综上所述，光照条件、苹果摆放位置、温度都会影响检测精度，减少以上因素对检测结果的影响是提高检测精度的方法之一。

2 采集光谱方式影响

光谱的采集方式也会产生不同的光谱响应而影响检测结果。常用的检测方式分为反射、透射和漫透射(半透射)三种[35-37]。刘燕德[38]比较了在线检测中漫透射和漫反射这两种检测方式对苹果SSC和糖酸比的预测能力，研究表明漫透射检测方式更好。在探究影响漫反射和漫透射光谱获取的因素方面，樊书祥[39]发现采集反射光谱时，源探距增加则光穿透深度增大，但其信号强度和信噪比不断减小；当源探距为 15～20 mm 时，光谱信号强度相差不大，有效穿透深度在 20～30 mm之间。而在漫透射光谱采集系统中，果梗-花萼水平放置时获取的光谱稳定性更高。此外，还有学者对各种采集方式的特点做了分析。李明[40]认为，由于漫透射光谱采集的是包含大量样品内部信息的透射光，因此在水果品质检测方面效果更优。刘琼磊在分析了近红外反射、透射和漫反射检测法的特点后认为，反射检测法采集的反射光谱所携带的信息多是样品表面的信息，难以检测苹果内部品质，故常用于检测水果果皮表面信息；透射检测法对光源的能量有较高要求，采集的是透射过样品的光谱，因而多包含样品内部的信息；漫反射检测法是一种介于反射与透射之间的测量方式，对光源能量要求比透射检测法低，但光谱信息也包含苹果内部信息，多用于对固体的检测。此外，戚淑叶研究发现，苹果内部对光的散射严重，散射系数大、透光性不好，从研究和应用现状来看，对苹果的检测主要采用漫反射模式。

由此可见，透射或半透射方式能更好地获取苹果内部信息，反射光谱信息则多包含苹果外部信息，在今后研究中，可以考虑结合苹果品质的各项指标选取最佳的光谱采集方式。

3 变量选择方法、光谱预处理方式和建模方法对检测精度的影响

此外，变量选择方法对预测结果的准确性也有影响。为提高准确性，Guo Zhiming[41]比较了协同区间法、遗传算法、竞争自适应重加权抽样法和逐次投影法这四种变量选择方法的优劣，结果表明，基于竞争性自适应重加权抽样优化的特征变量偏最小二乘回归方程模型对SSC和水核度的预测效果最好。此外，郭志明[42]比较了遗传算法、连续投影算法和蚁群优化算法这三种提取变量方法所建立的模型对于苹果SSC的相关程度，得出在线检测中蚁群优化算法是最优的结论。此外，在改善预处理方式上，Razieh Pourdarbani[43]收集了波长在400～1 000 nm的苹果反射光谱，分析比较了极短波长红外光谱数据和线性偏最小回归方程做预处理、近红外光谱数据和非线性人工神经网络做预处理、极短波长红外光谱数据和非线性人工神经网络做预处理这三种方法对苹果硬度、酸度以及淀粉含量的预测能力，结果表明，利用非线性人工神经网络做预处理对苹果三个指标的预测结果优于用线性偏最小回归方程。在改善建模方法上，尚静[44]混合了三种品种的苹果，用漫反射光谱来识别苹果品种，二阶微分、标准正态变换和多元散射校正三种方法做预处理，分别建立苹果品种K最近邻识别模型与偏最小二乘判别分析识别模型，结果表明，用多元散射校正做预处理建立苹果品种K最近邻识别模型对样本苹果品种检测正确率最高，为100%。此外，徐亚琴[45]建立了一种苹果近红外光谱数据的卷积神经网络苹果水心预测模型，经试验，其分类预测精度优于传统模型，准确率可以达到98%，且对预处理的依赖更小。Yuan Wu等[46]提出了一种结合反向传播神经网络(BPNN)、广义回归神经网络(GRNN)和粒子群优化算法(PSO)的混合建模方法，收集了400～1 022 nm波长范围内的近红外漫反射光谱，通过比较BPNN、GRNN和混合模型的SSC和总酸量预测结果发现，混合模型可以快速有效地确定苹果内部质量参数，具有广阔的应用前景。因此，合适的光谱预处理结合变量选择和建模方法能够进一步提高检测精度。

4 样品差异的影响

样品差异也会影响试验结果，如果皮、尺寸、产地和品种[47-48]等。在研究果皮方面，Walsh K B[49]提出大多数利用反射和长波长区域(1 100～2 500 nm)近红外光谱评估完整水果的研究很可能导致光谱以果皮的吸收特征为主，因此如果果皮属性在种群之间发生变化就会使得模型的鲁棒性较差。之后郭亚[50]研究发现，苹果的果皮颜色不会影响透射光谱的走势变化，只会影响透过率幅值变化。戚淑叶进一步研究发现，在500～1 010 nm波段范围下，果实的大量色素在可见光区域响应强烈，强烈影响全波段建模的模型效果。此外，李晓旭[51]选取 10 个不同表面颜色的苹果样品研究发现不同表面颜色苹果的近红外光谱吸光度和SSC的预测影响不明显。由此可见，为减少苹果果皮的影响可以优先考虑收集受果皮影响较小波长区域的光谱。

此外，在处理收集到的光谱时还需要考虑降低苹果大小对试验结果的影响。杜冉[27]对比了苹果单一尺寸样品和混合尺寸样品所组成的模型，发现后者可以大大消除苹果大小对预测糖度和硬度的影响。为降低果实大小对检测苹果霉心病的影响，田世杰[52]提出了基于直径变换和基于光谱变换的两种光谱修正方法，将不同大小的果实光谱转换到同一果径基准下，结果表明，此方式可显著提高模型识别的准确率。

然而，除了单个品种以外，苹果产地和品种的不同也会影响试验结果，Li X[53]测定了三个不同产地苹果的SSC，结合产地判别和模型搜索策略建立多产地模型，对比单产地模型对苹果SSC的预测结果发现，基于原产地判别方法的多产地模型预测苹果SSC可以减少地理原产地对试验结果的影响。此外，徐海[54]根据苹果产地的不同建立了局部产地模型和全局产地模型，在同一产地中，根据品种不同建立局部品种模型和全局品种模型，分别对不同产地或同一产地不同品种苹果的糖度做预测，结果表明，局部产地和局部品种模型内部预测精度高，针对性强，但模型的通用性差，只适用于本产地或本品种的样本预测，而全局模型的通用性强。综上所述，多品种或多产地的模型可减少品种和产地对预测苹果品质的影响。

通过分析苹果差异对结果的影响，优选测试样品从而减少它们之间的差异将有助于检测精度的提高。

5 总结和展望

在我国，面对庞大的苹果数量和众多的苹果品种，如何快速高效地进行苹果的筛选和分类是我们急需解决的问题。伴随着近红外光谱技术的日益成熟，其对苹果品质的检测能力得到证明，而检测精度仍有改善空间，现将提高检测精度的方法总结如下：①可以考虑控制光照条件、温度、苹果摆放位置等因素，减少环境变量等对预测结果的影响，找到更能反映苹果品质的光谱收集方法，提高结果准确性；②在采集光谱时，应避开水分吸收峰和近红外光与果皮作用强烈的部分；③可以考虑优化模型，采用更优的预处理方法和变量选择方法，提高模型的预测能力；④应尽量减少样品差异对试验结果的影响。今后，可从以下方向开展研究：①基于近红外光谱技术对苹果品质检测的设备有望微型化，通过集成到其他设备中，可以方便消费者等人群对苹果品质的检测，受用人群更广；②此类设备在不同环境下的抗干扰能力、检测速度还有待提高；③设备可以考虑与其他技术相结合，如用此技术与自动控制相结合，实时监控苹果品质，由数据指导采摘和防治病虫害；还可以与水果采摘设备设计在一起，做到采摘与分类相结合。