基于近红外光谱技术苹果尺寸差异对糖度模型适用性的影响

摘要 为消除水果自身尺寸差异对其糖度预测模型的不利影响，进一步提高水果分选模型精度，应用近红外光谱在线检测装置采集不同果径苹果的近红外光谱，对光谱进行多种预处理后，分别建立苹果可溶性固形物的偏最小二乘法模型，再用苹果果径75～85 mm 组中的建模集预测苹果果径分别为65～75、85～95 mm 组中的预测集样品，最后用果径组65～75、75～85、85～95 mm 中的建模集和预测集，分别作为混合苹果尺寸糖度预测模型的建模集和预测集，并利用特征光谱选择算法对模型进行简化，建立苹果糖度通用预测模型。结果显示：与建模集和预测集果径不同时所建立的苹果糖度预测模型最优组相比，其相关系数Rp由0.805 提高至0.943，预测集均方根误差值RMSEP 由0.778 减小至0.480，RPD 由0.96 增加至3.05，再对建立的通用模型进行简化，可以降低苹果尺寸对苹果糖度模型的影响，提高模型预测性能。

关键词 苹果； 近红外光谱； 混合尺寸模型； 尺寸差异； 水果分选； 无损检测

中图分类号 O657.3 文献标识码 A 文章编号 1000-2421（2024）01-0242-07

苹果富含膳食纤维及微量元素，是人们最常食用的水果之一，其糖度的高低主要取决于可溶性糖的含量，而可溶性糖含量与可溶性固形物密切相关。苹果果径大小存在的差异会影响所建立的糖度模型的性能，糖度模型的准确性直接影响水果分选模型的精度，因此研究苹果果径对其糖度模型的影响是非常有必要的。近年来，近红外光谱检测技术已大量运用在水果的采后分选［1-4］。崔丰娟等［5］研究了近红外在线检测装置运动速度对苹果糖度模型的影响，结果表明传输速度为0.5 m/s 时，所建立的苹果糖度模型预测性能较好。Xu 等［6］比较了单点和双点检测对苹果可溶性固形物含量在线检测精度的影响，使用双分支光纤的系统证明了卓越的鲁棒性，而使用单分支光纤的系统证明了卓越的准确性，其预测集决定系数达到0.63。上述研究均未考虑苹果果径对模型的影响，建立的模型性能较低。曹松涛等［7］针对梨的尺寸差异、产地差异因素对其内部品质模型的影响进行研究，采取对光谱进行二阶导数处理可以提高模型的预测性能。刘燕德等［8］建立了不同尺寸脐橙的近红外光谱检测模型，使用MSC 和SNV预处理可以解决脐橙尺寸差异的影响，提高预测模型的精度。Tian 等［9］建立了近红外光谱不同尺寸苹果核霉变的判别模型，提出近红外光谱强度与其光程呈指数关系，并修正了近红外光谱，修正后的模型预测集判别精度达到90.2%，该方法可以修正果实大小对透射光谱的影响，以提高对染病苹果的识别。刘燕德等［10］使用模型更新加变量筛选方法对5 个品种的苹果可溶性固形物含量进行预测，建立的模型对新品种苹果的预测性能有明显改善，RMSEP 为0.587%，Rp 为0.928。Mcglone 等［11］开发了2 个原型在线近红外系统，一种是基于时延积分光谱仪，另一种是基于大口径光谱仪，后一种系统具有较高的精度，经过偏最小二乘校正后，预测的均方根误差为4.1%，但实验仅选取赤道平均直径为76 mm（ SD =2.8 mm）的苹果，未研究果实大小对褐变组织检测的影响。研究表明，果径差异会对近红外在线检测装置产生影响。

本研究采集不同尺寸苹果的近红外光谱，建立各种光谱预处理后糖度含量预测模型，结合波段筛选算法，降低苹果尺寸差异对苹果糖度模型的影响，提高不同尺寸苹果糖度预测模型的性能，为进一步提高水果分选模型精度提供参考。

1 材料与方法

1.1 试验材料

本研究采用的苹果品种为红富士，订购于山东某果园，苹果无外部机械损伤和缺陷，共计240 个，其中果径为65～75 mm（即65 mmlt;果径≤75 mm）的苹果80 个，75～85 mm（即75 mmlt;果径≤85 mm）的苹果80 个，85～95 mm（即85 mmlt;果径≤95 mm）的苹果80 个，到货后，放置于室温为24 ℃的密闭房间内保存24 h，并用湿巾将苹果外部的灰尘擦尽，风干后采集近红外光谱。

1.2 试验装置与光谱采集

采用笔者所在实验室自主研发的近红外光谱在线检测装置［12］。装置如图1 所示，光源系统采用2 排卤素灯，1 排5 个，提供近红外光。采集过程为：将苹果水平放置于果盘中，经链条传动将苹果传至光照箱，光照箱为一密闭暗室，可以防止自然光的干扰，当苹果赤道部位正对果盘下的光纤探头时，PLC 触发，采集苹果的近红外光谱。光谱仪的波长范围为350～1 150 nm，采集苹果光谱前，装置预热30 min，传动链的运动速度为0.5 m/s，光谱采集的积分时间为100 ms，每个苹果样品均在其赤道位置采集4 次光谱，每次将苹果旋转90°，取其平均光谱作为该苹果样本近红外光谱。

1.3 可溶性固形物含量测定

用水果刀在每个苹果样本赤道处的测量位置切下一块厚度约为20 mm 的苹果块，再将切下的苹果块榨汁，用定量滤纸（颗粒截留水平低至 2.5 μm）过滤后，用折射式数字糖度仪（PR-101a，日本）测量苹果的可溶性固形物含量（soluble solids content，SSC），取苹果4 个赤道面测量位置SSC 的平均值，作为该苹果样本的SSC。使用数显游标卡尺（Mitutoyo-500，日本）测量苹果赤道位置的果径，每个苹果在赤道位置测量4 次，取平均果径作为该果的果径。

1.4 数据处理

在建立苹果糖度预测模型前，需对苹果样本进行分类，使用Kennard-Stone（K-S）算法，将不同果径组苹果分为建模集与预测集，建立苹果糖度PLS 预测模型，采用预测集相关系数Rp、预测集均方根误差值（root mean square error of prediction，RMSEP）和相对分析误差（residual predictive deviation，RPD）对模型的预测性能进行评判，其Rp越大，RMSEP 越小，RPD 越大，其模型性能越优［10］。

1.5 光谱预处理

由于光谱存在噪声，对光谱进行预处理可以提高模型性能，其中多元散射校正（multiple scatteringcorrection，MSC）、标准正态变量变换（standard normalvariable transformation，SNV）和卷积平滑（Savitzky-Golay，S-G）是解决苹果果径差异的重要预处理方法［12］。本研究采用上述3 种预处理方法对苹果光谱进行预处理，比较3 种预处理方法对解决苹果果径差异造成其糖度模型预测性能差的能力。

2 结果与分析

2.1 苹果SSC测量结果

240 个苹果试验样品采用K-S 算法分成3 种不同果径，并将不同果径苹果样本以3∶1 的比例划分为建模集和预测集，其中，每个果径组下80 个样本，其中建模集60 个、预测集20 个，苹果的SSC 测量值如表1所示。由表1 可知，该方法保证了训练集中样本按空间距离均匀分布，使所建立的模型最能反映样本信息［13-14］。

2.2 不同果径苹果近红外光谱特性分析

取3 种果径组苹果的平均光谱，比较3 种不同果径的光谱（图2）。随着果径的增大，所对应的苹果光谱能量越小，苹果果径在65～75 mm 时采集到的光谱能量最强，苹果果径在85～95 mm 时采集到的光谱能量最弱，3 种不同果径苹果所采集到光谱波形基本相同，波峰位于640、710、800 nm 处，波谷位于675、755 nm，在710 nm 处的波峰主要与C−H 和O−H 键的倍频伸缩振动有关［14-15］，在805 nm 处的波峰主要与C−H 键及N−H 键的二级倍频吸收有关［16-17］。

果径为65～75 mm 苹果的能量光谱高于果径为75～85 mm 和85～95 mm 苹果的能量光谱，原因是近红外光在苹果内部随着光程的增加，其携带的能量会发生衰减，在给定的波长下，进入苹果内部的光消光率近似为对数函数［18］，可拟合为：I = I0exp（-ue d ），其中：I 为进入苹果内部的光强，I0为苹果下方光纤探头所接收到的光强，ue为消光系数，d 为光线进入苹果点到光线出苹果点的距离。在图1 的近红外在线检测装置中，上式中的d 为苹果的果径，随着苹果果径的增大，光线的能量在苹果内部的损失越来越大，导致其采集到的近红外光谱能量值较低，由此猜测，苹果不同的果径会造成其近红外光谱有所差异，从而对由近红外光谱建立的苹果糖度预测模型的性能产生影响。

2.3 3 组果径苹果糖度预测模型的建立

使用偏最小二乘回归（PLS）建立苹果糖度预测模型，为防止模型过拟合或欠拟合，LVs 的数量设定为1～20。分别采用MSC、SNV 和S-G 平滑对光谱进行预处理，3 组果径苹果建立的糖度PLS 模型结果如表2 所示。

果径为65～75 mm 的苹果近红外光谱经SNV 处理后，其糖度模型预测效果最好，其Rp为0.922，RMSEP为0.542，RPD 值为2.44，其散点图如图3A 所示。果径为75～85 mm 的苹果近红外光谱经SNV 处理后，其糖度模型预测效果最好，其Rp为0.986，RMSEP为0.323，RPD 值为5.70，其散点图如图3B 所示。果径为85～95 mm 的苹果近红外光谱经SNV 处理后，其糖度模型预测效果最好，其Rp为0.923，RMSEP为0.312，RPD 值为2.40，其散点图如图3C 所示。3 种果径下原始光谱建模和各种预处理后建模结果可知：SNV 在一定程度上可以解决由于苹果果径差异所造成其糖度预测模型性能差的问题，因为SNV 作为一种可以消除样品颗粒大小、表面散射以及光程变化的预处理方法［19］，可以解决样品尺寸不均造成的光谱散射的影响。

2.4 果径75～85 mm苹果预测其余果径组苹果糖度预测模型

由表2 知，果径为75～85 mm 苹果糖度预测模型的建模集较其他果径组的模型性能好，故选择果径75～85 mm 苹果的建模集作为混合预测模型的建模集，探究当建模集中苹果果径与预测集中苹果果径不同时，其建立的苹果糖度预测模型的性能。用果径75～85 mm 组别中的建模集，分别预测果径65～75、85～95 mm 组别中的预测集。当建模集苹果果径与预测集苹果果径差别较大时，所建立的苹果糖度预测模型预测性能较差，与表2 单独组果径原始光谱建模结果相比，果径为65～75 mm 的苹果糖度模型预测集Rp 由0.866 下降至0.768，RMSEP 由0.698 增加到0.853，RPD 值由1.89 下降至1.55，其预测模型散点图如图4A 所示。果径为85～95 mm 的苹果糖度模型预测集Rp 由0.904 下降至0.805，RMSEP 由0.337 增加到0.778，RPD 值由2.23 下降至0.96，其预测模型散点图如图4B 所示。对于一个稳定的模型，其RPD 值要大于2，故建模集与预测集苹果果径差别较大时建立的糖度预测模型不可靠，在实际的水果分选线中，苹果果径会有很大的差异，会导致水果分选模型的分选性能差，故需要建立不同果径苹果糖度预测模型的通用模型，以增加不同果径苹果糖度的分选性能。

2.5 不同果径糖度通用预测模型

由图4 可知，苹果果径尺寸差异会对其近红外光谱产生影响，造成所建立的苹果糖度预测模型的预测性能差，故需建立不同果径苹果糖度通用预测模型，解决苹果果径差异对模型的影响，采用果径组65～75、75～85、85～95 mm 中的建模集和预测集，作为混合苹果尺寸糖度预测模型的建模集和预测集，建立不同苹果果径糖度预测模型，其预测模型散点图如图5 所示。采用果径75～85 mm 组中的建模集，预测果径65～75、85～95 mm 组别中的预测集模型，其相关系数Rp 由0.805 提高至0.943，RMSEP 由0.778 减小至0.480，RPD 由0.96 增加至3.05，模型稳定性明显提高，可以降低苹果果径对苹果糖度模型的影响。

2.6 通用模型的简化

为满足在线检测中对稳定和快速的需求，需对模型进行简化，使用连续投影算法（successive projectionalgorithm，SPA）和竞争性自适应重加权算法（competitive adaptive reweighting algorithm，CARS）对不同尺寸糖度通用预测模型光谱变量进行特征提取，2 种算法挑选出的特征波长如图6 所示，再将挑选出的光谱变量建立PLS 模型，模型效果如表3 所示。

由图6 可知，SPA 和CARS 挑选出的特征光谱大多数位于波峰波谷处，说明此处含有大量关于苹果糖度的信息，SPA 挑选出23 个特征光谱变量，其建立的糖度预测模型预测集相关系数Rp 为0.915，RMSEP为0.581，相比于采用各果径组中建模集和预测集建立的混合苹果尺寸糖度预测模型，其预测模型性能有所下降，原因是SPA 去除了许多与糖度有关的信息，导致其模型预测性能差。CARS 挑选出65个特征光谱点，其建立的糖度预测模型预测集相关系数Rp 为0.963，RMSEP 为0.391，相比于采用各果径组中建模集和预测集建立的混合苹果果径糖度预测模型，其糖度预测模型性能有所提升，且模型所用光谱变量由1 044个下降至65个，提高了模型运算速度。

3 讨论

为消除水果自身尺寸差异对其糖度预测模型不利影响，进一步提高水果分选模型精度，本研究应用近红外光谱在线检测装置采集不同果径苹果的近红外光谱。对比各组果径苹果光谱发现，苹果尺寸差异会对其光谱产生影响，最终会对其苹果糖度模型的预测性能产生影响，为此，研究了不同尺寸差异的解决方法，分别建立了相同果径组不同预处理糖度预测模型，其光谱经SNV 预处理后，建立的糖度模型预测效果最好，其Rp为0.922，RMSEP 为0.542，RPD值为2.44。随后建立不同果径糖度预测模型，用果径组75～85 mm 的建模集分别预测65～75 mm 和85～95 mm 预测集，其建立的糖度预测模型性能较差。

为解决苹果尺寸差异造成的苹果糖度预测模型预测性能差的问题，建立了混合果径模型，其相关系数Rp 由0.805 提高至0.943，RMSEP 由0.778 减小至0.480，RPD 由0.96 增加至3.05。为了满足在线检测对稳定和快速的需求，对模型进行简化，采用CARS挑选出65 个特征光谱点，建立的糖度预测模型。预测集相关系数Rp为0.963，RMSEP 为0.391，预测模型性能有所提升，模型所用光谱变量由1 044个下降至65个，模型稳定性明显提高，可以减小苹果尺寸差异对苹果糖度模型的影响，提高模型的预测性能。

本研究结果表明，不同果径苹果糖度通用预测模型与波段筛选算法结合的策略能够有效应用于无损检测中不同苹果果径糖度通用模型的建立，具有一定的可行性。后续研究可以将该策略应用于其他水果或其他内部品质预测通用模型的建立，并通过改进预处理、波段筛选和建模方法提升模型性能。

参考文献 References

［1］ TIAN X，LI J B，WANG Q Y，et al.A bi-layer model for nondestructive

prediction of soluble solids content in apple based on reflectance

spectra and peel pigments［J］. Food chemistry，2018，

239：1055-1063.

［2］ CUBERO S，ALEIXOS N，MOLTÓ E，et al.Advances in machine

vision applications for automatic inspection and quality evaluation

of fruits and vegetables［J］.Food and bioprocess technology，

2011，4（4）：487-504.

［3］ NICOLAÏ B M，BEULLENS K，BOBELYN E，et al. Nondestructive

measurement of fruit and vegetable quality by means of

NIR spectroscopy：a review［J］.Postharvest biology and technology，

2007，46（2）：99-118.

［4］ 黎丽莎，刘燕德，胡军，等. 近红外无损检测技术在水果成熟度

判别中的应用研究［J］. 华东交通大学学报，2021，38（6）：95-

105.LI L S，LIU Y D，HU J，et al.Application of near infrared

nondestructive testing technology in fruit maturity discrimination

［J］.Journal of East China Jiaotong University，2021，38（6）：95-

105（in Chinese with English abstract）.

［5］ 崔丰娟，闸建文. 近红外透射苹果运动速度模型适用性的研究

［J］.农机化研究，2010，32（11）：170-173.CUI F J，ZHA J W.Study

of the applicability of the apple speed model by near-infrared transmission

［J］.Journal of agricultural mechanization research，2010，32

（11）：170-173（in Chinese with English abstract）.

［6］ XU X，MO J C，XIE L J，et al. Influences of detection position

and double detection regions on determining soluble solids content

（SSC） for apples using on-line visible/near-infrared （vis/

NIR） spectroscopy［J］. Food analytical methods，2019，12（9）：

2078-2085.

［7］ 曹松涛. 样品相关因素对梨糖度可见/近红外光谱检测影响的

研究［D］. 杭州：浙江大学，2017.CAO S T.Effects of sample related

factors on detection of soluble solids content in pear by vis/

NIR spectroscopy［D］. Hangzhou：Zhejiang University，2017（in

Chinese with English abstract）.

［8］ 刘燕德，饶宇，孙旭东，等. 尺寸差异对脐橙糖度可见近红外光

谱检测模型影响［J］. 光谱学与光谱分析，2020，40（10）：3241-

3246. LIU Y D，RAO Y， SUN X D， et al. Size effect on the

near-infrared spectroscopy detection model of navel orange［J］.

Spectroscopy and spectral analysis，2020，40（10）：3241-3246（in

Chinese with English abstract）.

［9］ TIAN S J，ZHANG J H，ZHANG Z X，et al.Effective modification

through transmission vis/NIR spectra affected by fruit size

to improve the prediction of moldy apple core［J］.Infrared physics

amp; technology，2019，100：117-124.

［10］ 刘燕德，黎丽莎，李斌，等. 多品种苹果可溶性固形物近红外无

损检测通用模型研究［J］. 华中农业大学学报，2022，41（2）：237‑

244.LIU Y D， LI L S， LI B， et al.General near-infrared model

of soluble solids contentin multi-variety apples［J］. Journal of

Huazhong Agricultural University，2022，41（2）：237‑244（in Chinese

with English abstract）.

［11］ MCGLONE V A，MARTINSEN P J，CLARK C J，et al. Online

detection of brownheart in Braeburn apples using near infrared

transmission measurements［J］.Postharvest biology and tech‑

nology，2005，37（2）：142-151.

［12］ 刘燕德，张雨，姜小刚，等. 不同贮藏期水蜜桃硬度及糖度的检

测研究［J］. 光谱学与光谱分析，2021，41（1）：243-249.LIU Y

D，ZHANG Y，JIANG X G，et al.Detection on firmness and soluble

solid content of peach during different storage days［J］.Spectroscopy

and spectral analysis，2021，41（1）：243-249（in Chinese

with English abstract）.

［13］ WU W，WALCZAK B，MASSART D L，et al.Artificial neural

networks in classification of NIR spectral data：design of the training

set［J］. Chemometrics and intelligent laboratory systems，

1996，33（1）：35-46.

［14］ WILLIAMS P. Near-infrared technology in the agricultural and

food industries［J］. American association of cereal chemists，

1987，10（2）：15-28.

［15］ MCDEVITT R M，GAVIN A J，ANDRÉS S，et al.The ability

of visible and near infrared reflectance spectroscopy to predict the

chemical composition of ground chicken carcasses and to discriminate

between carcasses from different genotypes［J］. Journal of

near infrared spectroscopy，2005，13（3）：109-117.

［16］ ZHOU L J，WU H，LI J T，et al.Determination of fatty acids in

broiler breast meat by near-infrared reflectance spectroscopy［J］.

Meat science，2012，90（3）：658-664.

［17］ PRIETO N，ROSS D W，NAVAJAS E A，et al.Online prediction

of fatty acid profiles in crossbred Limousin and Aberdeen

Angus beef cattle using near infrared reflectance spectroscopy［J］.

Animal，2011，5（1）：155-165.

［18］ FRASER D G.Near infra-red（ NIR） light penetration into an apple

［J］.Postharvest biology amp; technology，2001，2（3）：8-19.

［19］ 李杰，李尚科，蒋立文，等.基于近红外光谱技术与化学计量学的

绿茶无损鉴别方法研究［J］. 分析测试学报，2020，39（11）：1344-

1350.LI J，LI S K，JIANG L W，et al.A nondestructive method

identifying varieties of green tea based on near infrared spectroscopy

and chemometrics［J］. Journal of instrumental analysis，

2020，39（11）：1344-1350（in Chinese with English abstract）.

（责任编辑：陆文昌）