可更换探头的手持式多果品内部品质无损检测仪研究

郭文川 纪同奎 张宗逸 周一航

(1.西北农林科技大学机械与电子工程学院，陕西杨凌 712100；2.农业农村部农业物联网重点实验室，陕西杨凌 712100)

0 引言

评价水果内部品质的主要指标有可溶性固形物含量(Soluble solids content, SSC)和硬度。SSC决定了水果的糖度[1]，而硬度决定了水果的成熟度以及耐贮性[2]。传统检测水果SSC和硬度的方法是破坏性抽样检测[3]，其操作繁琐、耗时，难以满足现场实时检测的需求。因此，研发一种水果内部品质无损快速检测仪对于指导水果的生产和销售具有重要意义。

可见/近红外光谱检测技术是一种基于可见/近红外光传输原理的无损检测方法，其能够准确反映检测样本内部含氢基团信息。水果内部组分含有丰富的含氢基团，因此常用可见/近红外光谱技术无损检测水果的内部品质[4-5]。现有研究表明，可见/近红外光谱技术可以无损检测水果的SSC[6-7]、硬度[8-9]和干物质含量[10-11]等。因此有学者基于可见/近红外光谱技术研发出便携式水果内部品质检测仪[12-14]，但检测仪采用的核心器件多为微型光谱仪和滤光片，导致功耗和成本较高。多光谱技术的发展使低成本水果品质检测仪的研发成为可能。但目前基于多光谱技术的水果内部品质检测仪大多只能检测单一品种的水果[15-16]，限制了检测仪的实用性。因此研发一款低功耗、低成本的手持式多果品内部品质无损检测仪具有重要意义。

本文基于多光谱技术，以猕猴桃和梨为研究对象，研发用于检测猕猴桃和梨内部品质的专用多光谱采集探头；进而开发一种可更换探头的手持式多果品内部品质无损检测仪，以实现一仪多测的目的。

1 检测仪设计

1.1 硬件系统设计

图1为手持式多果品内部品质无损检测仪的硬件结构图。该检测仪由主机和多光谱采集探头组成，二者通过多孔直插接口连接。主机由微处理器、电源管理模块、稳压驱动模块及输入输出模块组成。多光谱采集探头由发光二极管(Light emitting diode，LED)和数字光电传感器组成。微处理器用于控制和管理检测仪的其他模块，并处理光谱数据和计算预测结果；电源管理模块用于给检测仪提供工作电源和实现充放电管理；稳压驱动模块用于给各个模块提供稳定的工作电压和电流；输入/输出模块用于实现人机交互和数据传输。多光谱采集探头采集原始光谱信号，并将数字光电传感器返回的数字光强信号输送至微处理器的采集端口。

图1 检测仪硬件结构图

1.1.1微处理器

微处理器是检测仪的核心。本检测仪以高性能Crotex M4为内核的32位单片机STM32F429IGT6为微处理器。该微处理器自带256 KB的SRAM、1 024 KB的Flash ROM、3个12位的独立ADC通道和8个UART，并有专门的电源管理监控外设，以保证系统在低功耗下运行。

1.1.2电源管理模块

电源管理模块由锂离子电池、充放电电路和充电接口组成，主要负责检测仪的电源供给以及充放电管理。锂离子电池容量为2 500 mA，输出电压为3.7 V。充放电电路如图2所示。以IP5036为电源管理芯片，IP5036内有稳压模块，可将锂离子电池输出的3.7 V电压稳定在5.0 V。充电接口为TYPE-C接口，支持数据传输和软件算法的升级。

图2 充放电电路图

1.1.3稳压驱动模块

稳压驱动模块由线性稳压电路和恒流驱动电路组成。在线性稳压电路中，分别采用芯片AMS1117和芯片REF3130将5.0 V电压稳定在3.3 V和3.0 V，以满足不同模块电源的需求。

恒流驱动电路由恒流芯片和电流调制电路组成，其作用是为多光谱采集探头中的LED提供恒定的工作电流，以保证LED每次的发光强度一致，提高检测仪的准确性和稳定性。恒流芯片采用CN5711。该芯片可通过设置电流调制电路的电阻使恒定输出的电流稳定在0.03～1.5 A。恒流芯片输出电流的计算方法为

ILED=360UVOP/RISET

(1)

式中RISET——电流调制电路中设置的电阻阻值，Ω

UVOP——芯片工作电压，取5 V

ILED——给LED光源提供的工作电流，A

1.1.4输入输出模块

输入输出模块由5个按键、1个显示屏和1个蓝牙芯片组成。按键包括电源按键、测量按键和用于果品检测模式选择的功能按键。显示器采用液晶显示器(Liquid crystal display，LCD)，其分辨率为128像素×160像素。蓝牙芯片选用成本低、功耗小的BT-04E，可以实现检测仪软件算法的远程升级和无线数据传输。

1.1.5多光谱采集探头

多光谱采集探头由多个特征波长的LED光源和数字光电传感器组成。以猕猴桃和梨为对象分别设计了针对两种果品的多光谱采集探头。基于前人对猕猴桃和梨特征波长筛选的研究，确定了用于检测猕猴桃内部品质的12个LED峰值波长分别为640、680、740、780、810、830、840、850、890、900、960、980 nm[17-18]，用于检测梨内部品质的12个LED峰值波长为660、680、700、740、750、810、840、900、940、980、1 020、1 080 nm[19-20]。LED采用尺寸为3.5 mm×2.8 mm×0.8 mm的贴片型LED(沃森光电有限公司)，功率为0.3 W。数字光电传感器采用贴片型传感器TSL2561(TAOS公司，奥地利)。该传感器的响应波长为500～1 100 nm，其内置模数转换器，可将采集的漫反射光信号以数字信号输出。

LED以数字光电传感器为中心沿圆周分布。基于前人对光源最佳入射角度的研究[21]，多光谱采集探头中LED的入射角为45°。采集多光谱时，每个LED依次开启，数字光电传感器依次采集不同特征波长下的多光谱(即数字光强信号)，并送至微处理器。为了防止灰尘和外界光的干扰，在多光谱采集探头的前端安装有防尘玻璃和遮光罩。

1.1.6整体结构设计

图3为检测仪的主机、多光谱采集探头以及检测仪的原型机。主机与探头的分离式结构使检测仪实现了一机多头、一仪多测的功能。

图3 检测仪实物图

1.2 软件系统设计

在MDK 5.0开发环境下用C语言开发检测仪的软件。软件主要由主函数、初始化函数、键盘扫描函数、光谱采集函数、模型计算函数、显示函数和无线传输函数组成。初始化函数用于设置各个模块所用到的接口工作模式及各个寄存器的配置；键盘扫描函数用于检测是否有按键按下以及具体按键，以执行相应的功能；光谱采集函数用于依次开启不同波长的LED，并采集和保存检测样本对应的多光谱；模型计算函数用于将多光谱带入模型中进行计算，以得到检测样本SSC和硬度的预测值；显示函数用于将检测结果、电量以及当前检测仪的工作状态等显示在LCD显示屏上；无线传输函数用于将检测结果通过蓝牙上传至物联网平台。

2 试验材料与方法

2.1 材料

以“华优”猕猴桃(以下简称猕猴桃)和“雪”梨(以下简称梨)为试验样本。所用的猕猴桃和梨样本分别采自陕西省杨凌区的某两个果园。每种水果共用样本2批，其中用第1批建立预测SSC和硬度的模型，并验证模型的性能，第2批用于测试检测仪的性能。共用猕猴桃样本764个，其中第1批573个，试验持续16 d；第2批191个，试验持续7 d。共用梨样本720个，其中第1批570个，试验持续16 d，第2批150个，试验持续7 d。测试期间，所用样本置于室温((22±1)℃)下贮藏。

2.2 试验方法

2.2.1样本漫反射多光谱采集方法

在采集样本的多光谱前，先将检测仪预热约10 min。然后将反射率大于99%的聚四氟乙烯校正白板放在多光谱采集探头前面，采集12个特征波长下该白板的多光谱，记为Tw。进而将探头对准果品的赤道部位，采集12个特征波长下的样本多光谱，记为Ts。根据Tw和Ts计算样本的漫反射多光谱Tc(Tc=Ts/Tw)。对每个样本同一位置重复测量3次，以3次测量的平均值作为测量结果。

2.2.2样本SSC和硬度测量

在采集样本的多光谱后，用削皮器削去采集点处的果皮，然后用探头直径为8 mm的GY-4型数字硬度计(乐清市爱德堡仪器有限公司)测量果肉的硬度。进而用Model PR-101α型数字折射仪(ATAGO株式会社，日本)测量采集点处样本的SSC。每个样本重复3次，以3次测量的平均值作为测量结果。

2.3 预测模型建立

以漫反射多光谱为输入，以SSC和硬度为输出，采用X-Y距离的样本划分法(Sample set partitioning based on jointx-ydistance，SPXY)，按照3∶1的比例将猕猴桃和梨的第1批样本划分为用来建立模型的校正集和验证模型性能的验证集，而将第2批样本作为测试仪器性能的测试集。采用偏最小二乘法(Partial least square regression, PLSR)建立预测SSC及硬度的模型。以校正相关系数RC、预测相关系数RP、校正均方根误差和预测均方根误差评价模型的性能。

3 结果与分析

3.1 样本统计结果

所用猕猴桃和梨样本SSC和硬度统计结果如表1所示。由表1可知，所用样本的SSC和硬度均有较大的变化范围，尤其是猕猴桃硬度，其变异系数超过50%，说明样本分布较广。另外，对于每个内部品质指标，校正集的范围均大于验证集和测试集，说明样本集划分以及样本使用比较合理。

表1 所用猕猴桃和梨样本内部品质统计结果

3.2 漫反射多光谱的结果与分析

图4为部分猕猴桃、梨的漫反射多光谱图。由图4a可以看出，各猕猴桃样本具有相似的漫反射多光谱，其中在680 nm和960 nm处有明显的吸收峰。前者主要与猕猴桃果皮中的叶绿素有关[22]，而后者主要与猕猴桃中的水和碳水化合物相关[23]。梨的吸收峰也出现在680 nm和960 nm。两种果品相比，梨的漫反射率高于猕猴桃，这可能是由于梨表面比猕猴桃光滑[24]。

图4 猕猴桃和梨的漫反射多光谱图

3.3 建模结果

所建PLSR模型对猕猴桃和梨的SSC和硬度的预测结果如表2所示。由表2可知，对猕猴桃的预测性能优于梨，其原因可能在于梨表面较为光滑，其果皮表面直接反射的杂散光会给多光谱信息带来噪声，进而影响了模型的预测精度。

表2 建模结果

3.4 检测仪性能测试

3.4.1检测仪稳定性测试

将预测模型导入到检测仪后，任取5个猕猴桃和5个梨测试检测仪的稳定性。用开发的检测仪重复10次测量每个样品的SSC和硬度，计算每个样品测量值的标准偏差和变异系数，结果表明，对于猕猴桃的SSC和硬度，最大标准偏差分别为0.08%和0.16 N，最大变异系数分别为0.83%和0.54%；对于梨的SSC和硬度，最大标准偏差为0.12%和0.36 N，最大变异系数为1.20%和0.90%。所有样品最大变异系数小于1.20%，说明检测仪具有良好的稳定性。

3.4.2检测仪准确性测试

利用测试集中的样本对检测仪的准确性进行测试。图5为检测仪测量值与样本实际值的散点图，所有点都均匀地分散在45°线两侧。该检测仪对猕猴桃SSC和硬度的测量均方根误差分别为1.51%和5.13 N，测量值与实际值的相关系数分别为0.86和0.81；对梨SSC和硬度的测量均方根误差分别为0.52%和4.57 N，测量值与实际值的相关系数分别为0.79和0.76。结果表明，所开发的检测仪能够较准确地测量猕猴桃和梨的SSC及硬度，且检测时间均在2 s以内。

图5 猕猴桃和梨SSC和硬度检测仪测量值与其实际值比较

4 结论

(1)开发了适用于检测多果品内部品质的检测仪。该检测仪由主机和多光谱采集探头组成。主机包括微处理器、电源管理模块、稳压驱动模块及输入输出模块；多光谱采集探头包括LED和数字光电传感器。

(2)建立了预测猕猴桃和梨SSC及硬度的PLSR模型，该模型对猕猴桃SSC和硬度的预测均方根误差分别为1.45%和4.89 N，对梨SSC和硬度的预测均方根误差分别为0.48%和3.97 N。

(3)该检测仪对猕猴桃SSC和硬度的测量均方根误差分别为1.51%和5.13 N，对梨SSC和硬度的测量均方根误差分别为0.52%和4.57 N，检测时间在2 s以内，且具有良好的稳定性。