李光輝,任亞梅
(西北農(nóng)林科技大學(xué)食品科學(xué)與工程學(xué)院,陜西 楊凌 712100)
我國(guó)水果產(chǎn)量居世界第一,由于受到檢測(cè)技術(shù)、商品化處理能力、評(píng)判標(biāo)準(zhǔn)等方面的限制,我國(guó)鮮食果品的出口量極少,且難以進(jìn)入國(guó)際高端市場(chǎng),這極大地影響了我國(guó)果品在國(guó)際貿(mào)易中的競(jìng)爭(zhēng)力和創(chuàng)匯能力。
近紅外光譜技術(shù)無(wú)損檢測(cè)水果,可實(shí)現(xiàn)果品在線自動(dòng)分級(jí),提升我國(guó)果品的商品化處理能力,提高果品在國(guó)際貿(mào)易中的競(jìng)爭(zhēng)力。該技術(shù)以即時(shí)、無(wú)損、方便、準(zhǔn)確率高等特點(diǎn)成為20世紀(jì)90年代以來(lái)發(fā)展最迅速的檢測(cè)技術(shù)之一,已廣泛應(yīng)用于食品、醫(yī)學(xué)、農(nóng)業(yè)等領(lǐng)域;我國(guó)在這方面的起步較晚,但成果突出,目前我們利用近紅外技術(shù)在果品品質(zhì)檢測(cè)及其分級(jí)方面做了大量的研究,且研究的熱點(diǎn)是建立果品的可溶性固形物、酸度、硬度、病害果等檢測(cè)模型。本文對(duì)近紅外技術(shù)在果品檢測(cè)中的研究情況進(jìn)行了總結(jié)。
鄒小波[1]等認(rèn)為用多尺度小波去噪并結(jié)合間隔偏最小二乘法建立的蘋(píng)果糖度模型,不但精度得到了提高,而且模型更加簡(jiǎn)潔,其模型校正時(shí)的相關(guān)系數(shù)R2和校正均方根誤差RMSEC分別為0.9635和0.3026,預(yù)測(cè)時(shí)的相關(guān)系數(shù)R2和預(yù)測(cè)均方根誤差RMSEP分別為0.9214和0.4113[1]。李艷肖等用遺傳區(qū)間偏最小二乘法建立了蘋(píng)果糖度近紅外光譜預(yù)測(cè)模型,結(jié)果表明:用遺傳區(qū)間偏最小二乘法優(yōu)選的區(qū)間所建立的模型不但簡(jiǎn)潔,而且預(yù)測(cè)精度也有所提高,其校正相關(guān)系數(shù)R2和RMSEC分別為0.962和0.3346[2]。李桂峰等用近紅外光譜技術(shù)快速無(wú)損檢測(cè)蘋(píng)果的質(zhì)地品質(zhì),指出在波長(zhǎng)范圍1300 nm~2500 nm,經(jīng)多元散射校正(MSC)預(yù)處理后用偏最小二乘法(PLS)所建立的模型預(yù)測(cè)效果最好,硬度、脆度模型的預(yù)測(cè)標(biāo)準(zhǔn)偏差(RMSEP)和決定系數(shù)(R2)分別為 0.226、0.243 kg/cm2和96.52%、97.15%;并且在PLS模型的基礎(chǔ)上用權(quán)重法選擇的硬度特征波長(zhǎng)為 1657、1725、1790、2455、1929、2304 nm,脆度特征波長(zhǎng)為 1613、1725、1895、2304、2058、2087、2396 nm,經(jīng)多元線性回歸(MLR)模型檢驗(yàn),硬度、脆度的RMSEP和R2分別為0.271、0.304 kg/cm2和90.30%、91.64%;說(shuō)明特征指紋光譜和PLS模型都能準(zhǔn)確預(yù)測(cè)蘋(píng)果質(zhì)地品質(zhì)。
屠振華等用FT-NIRS檢測(cè)了蘋(píng)果的硬度,結(jié)果表明:用遺傳算法對(duì)特征波長(zhǎng)進(jìn)行選擇,然后用間隔偏最小二乘法建立預(yù)測(cè)模型,此法既降低了模型的復(fù)雜度,又提高了模型的預(yù)測(cè)精度,且波長(zhǎng)可反映出果膠的吸收信息,進(jìn)而可闡明近紅外光譜技術(shù)檢測(cè)蘋(píng)果硬度的機(jī)理[4]。章海亮等比較了近紅外光譜靜態(tài)和在線檢測(cè)蘋(píng)果SSC的差異性,在SSC特征波段用間隔偏最小二乘法建立預(yù)測(cè)模型,其靜態(tài)檢測(cè)模型性能優(yōu)于在線模型,在線檢測(cè)模型預(yù)測(cè)時(shí)的相關(guān)系數(shù)和預(yù)測(cè)均方根誤差分別為0.78和1.04°Birx,近紅外技術(shù)在線檢測(cè)蘋(píng)果SSC的精度不理想[5]。史波林等用聲光可調(diào)諧濾光器近紅外光譜儀無(wú)損檢測(cè)蘋(píng)果內(nèi)部品質(zhì),用Cook距離、杠桿值、馬氏距離和學(xué)生化殘差判斷疑似異常樣本點(diǎn)和用二審剔除判別法確定異常樣本,經(jīng)剔除異常樣品后用偏最小二乘回歸建立蘋(píng)果品質(zhì)模型,其各個(gè)品質(zhì)模型穩(wěn)定,且準(zhǔn)確度高[5]。
韓東海等用近紅外連續(xù)透射光譜檢測(cè)蘋(píng)果內(nèi)部褐變,分析了其光譜特性,選擇 810、750、715 nm 3個(gè)波長(zhǎng)對(duì)褐變果進(jìn)行判別分析,其樣品的正確判別率達(dá)到95.65%[7]。王加華等用可見(jiàn)-近紅外光譜鑒別蘋(píng)果褐腐病、水心病,比較了峰面積判別法(PADA)、主成分分析判別法(PCADA)、偏最小二乘判別法(PLSDA)對(duì)蘋(píng)果類(lèi)別判定的準(zhǔn)確性,得出這三種方法對(duì)褐腐病蘋(píng)果判別正確率都為100%,對(duì)水心蘋(píng)果正確判別率分別是79.2%、95.0%和96.7%,對(duì)正常蘋(píng)果正確判別率分別是88.6%、98.2%和98.8%;說(shuō)明可見(jiàn)-近紅外光譜結(jié)合化學(xué)計(jì)量學(xué)可以快速、無(wú)損鑒別蘋(píng)果褐腐病和水心病[8]。李桂峰用FT-NIRS對(duì)蘋(píng)果果肉褐變度定量無(wú)損檢測(cè),用該方法建立的預(yù)測(cè)模型預(yù)測(cè)準(zhǔn)確度較高;還探明了與蘋(píng)果褐變相關(guān)的特征指紋圖譜8822、7085、7000、6694、5800、5322、4650 cm-1,用該特征指紋圖譜建立的檢測(cè)蘋(píng)果果肉褐變MLR模型,其模型的RMSEC和RMSEP分別為0.077、0.079,交叉驗(yàn)證決定系數(shù)和外部驗(yàn)證決定系數(shù)分別為0.908、0.878[9]。
1.1.2 在梨上的應(yīng)用研究現(xiàn)狀
劉燕德等比較了MLR、PCR和PLS 3種數(shù)學(xué)建模方法以及不同的光譜預(yù)處理對(duì)梨SSC模型穩(wěn)定性的影響,結(jié)果表明:在梨赤道部位采集光譜,經(jīng)一階微分預(yù)處理后用PLS所建SSC模型預(yù)測(cè)準(zhǔn)確度較高[10]。孫通利用近紅外透射光譜在線檢測(cè)梨的SSC,用偏最小二乘回歸(PLS)和主成分回歸(PCR)分別在550 nm~700 nm、700 nm~850 nm、550 nm~850 nm波段范圍建立預(yù)測(cè)模型,結(jié)果表明:在550 nm~850 nm波段內(nèi),用PLS和PCR兩種方法所建模型效果都較好,且5點(diǎn)S-G光譜平滑能提高模型預(yù)測(cè)精度,其最優(yōu)模型RMSEC=0.236,RMSEP=0.548[11]。李東華等確定了南果梨的糖、酸度近紅外光譜模型的適用性和適用時(shí)間,即采后6 d所建立的糖、酸模型對(duì)常溫采后12d內(nèi)、采后冷藏120d內(nèi)的樣品預(yù)測(cè)精度較高,其預(yù)測(cè)相關(guān)系數(shù)均在0.80以上,說(shuō)明此模型能滿足一定貯藏期內(nèi)樣品的預(yù)測(cè)。馬本學(xué)等利用近紅外漫反射光譜技術(shù)判別庫(kù)爾勒香梨中的脫萼果和宿萼果,比較了不同的建模波段,不同的預(yù)處理及主成分因子數(shù)對(duì)判別模型的影響[12],結(jié)果表明:在9091 cm-1~4000 cm-1波段內(nèi),用原始光譜所建立的判別分析模型效果最好,其校正集和預(yù)測(cè)集正確分類(lèi)率分別為100%和95%[13]。
1.1.3 在蜜桔和臍橙上的應(yīng)用研究現(xiàn)狀
劉燕德等用近紅外透射光譜技術(shù)并結(jié)合神經(jīng)網(wǎng)絡(luò)無(wú)損檢測(cè)南豐蜜桔SSC,結(jié)果表明:徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)比反向傳播神經(jīng)網(wǎng)絡(luò)效果好,其校正模型的預(yù)測(cè)均方根誤差為0.65°Birx,說(shuō)明徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)可用于建立南豐蜜桔SSC非線性模型[14]。孫旭東等研究了在波段350 nm~1800 nm范圍內(nèi),不同的光譜預(yù)處理對(duì)蜜桔SSC模型預(yù)測(cè)能力的影響,結(jié)果表明:用間隔偏最小二乘法所建立的SSC預(yù)測(cè)模型效果較好,預(yù)測(cè)模型的相關(guān)系數(shù)和預(yù)測(cè)均方根誤差分別為0.95和0.55°Birx[15]。周文超等研究表明在波段550 nm~900 nm范圍,用PLS建立的贛南臍橙的糖度模型預(yù)測(cè)精度最高,其相關(guān)系數(shù)和預(yù)測(cè)樣本均方根誤差分別為0.9032和0.2421[16]。夏俊芳和李小昱比較了各種小波消噪方法對(duì)臍橙VC含量PLS模型的影響,結(jié)果表明:db5小波是臍橙VC含量近紅外光譜消噪預(yù)處理的最優(yōu)小波基,其模型預(yù)測(cè)值與實(shí)測(cè)值的相關(guān)系數(shù)R=0.9427,RMSECV=2.02 mg/(100 g)[17]。
1.在人防上,各油區(qū)成立了護(hù)衛(wèi)隊(duì)。由精明強(qiáng)干具有較高專業(yè)技術(shù)素質(zhì)的隊(duì)員組成,并制定出相關(guān)的《工作質(zhì)量考核要求》、《巡邏隊(duì)員職責(zé)》等制度,定期對(duì)巡邏隊(duì)員培訓(xùn)和考核,實(shí)行動(dòng)態(tài)管理。工作中,要運(yùn)用“七種方式”即:巡回式、埋伏式、封卡式、拉網(wǎng)式、包剿式、卡堵式和聯(lián)動(dòng)式,對(duì)油區(qū)的重點(diǎn)井、重點(diǎn)區(qū)塊、重點(diǎn)車(chē)輛、油線和重點(diǎn)路口實(shí)行全天監(jiān)控,白天巡邏,遇到特殊情況加密巡邏次數(shù),責(zé)任落實(shí)到人。夜晚采取爬窩守候、設(shè)卡埋伏、圍攻堵截等措施。同時(shí),油區(qū)發(fā)生緊急案情時(shí),無(wú)論白天還是夜晚,隊(duì)員們必須在5-10分鐘內(nèi)立即趕到現(xiàn)場(chǎng),及時(shí)處理突發(fā)事件,要做到事不過(guò)時(shí)。才能有力地打擊不法分子的囂張氣焰。
1.1.4 在其它水果上的研究現(xiàn)狀
李建平等用近紅外漫反射光譜無(wú)損檢測(cè)兩個(gè)產(chǎn)地3個(gè)品種枇杷的SSC,結(jié)果表明:在波長(zhǎng)1400 nm~1500 nm和1900 nm~2000 nm兩波段范圍內(nèi)建立的SSC預(yù)測(cè)模型沒(méi)有全波段的PLSR模型效果好,并且在全波段用原始光譜建立的PLSR模型效果最好,其模型的校正集和預(yù)測(cè)集的R2分別為0.96和0.95[18]。馬廣等用近紅外漫反射光譜技術(shù)無(wú)損檢測(cè)金華大白桃的糖度,并用偏最小二乘回歸法在波段800 nm~2500 nm之間建立預(yù)測(cè)模型,結(jié)果為用頂部、中部、底部3個(gè)部位共9個(gè)檢測(cè)點(diǎn)的果肉平均光譜所建立的模型效果較好,且原始光譜建立的模型比微分光譜建立的模型效果好[19]。周竹等比較了不同光譜預(yù)處理對(duì)用合格板栗和霉變板栗的近紅外光譜所建判別模型的影響,結(jié)果表明:矢量歸一化預(yù)處理后所建模型預(yù)測(cè)精度最高[20]。
1.2.1 在蘋(píng)果上的研究現(xiàn)狀
Guoqiang Fan等用近紅外透射光譜對(duì)蘋(píng)果的堅(jiān)實(shí)度和SSC進(jìn)行了檢測(cè),比較了不同光源和不同檢測(cè)部位對(duì)預(yù)測(cè)模型的影響,并在650 nm~920 nm范圍,用PLS法建立預(yù)測(cè)模型,結(jié)果表明:二階導(dǎo)后所建堅(jiān)實(shí)度和SSC預(yù)測(cè)模型效果較好,且多光源與蘋(píng)果莖軸垂直的放置位置有助于提高模型的預(yù)測(cè)精度[21]。Els Bobelyna等研究了生物差異性對(duì)用近紅外光譜技術(shù)建立的蘋(píng)果SSC和堅(jiān)實(shí)度預(yù)測(cè)模型的影響,經(jīng)方差分析表明:品種、來(lái)源和貨架期對(duì)蘋(píng)果SSC和堅(jiān)實(shí)度模型的影響是顯著的,且水在970、1170和1450 nm的吸收峰是它們最顯著的區(qū)別[22]。Clara Shenderey等用可見(jiàn)-近紅外小型光譜儀無(wú)損在線檢測(cè)蘋(píng)果霉心病,并用典型判別分析和偏最小二乘回歸建立判別模型,結(jié)果表明:此模型對(duì)蘋(píng)果霉心病的預(yù)測(cè)精度較高[23]。
1.2.2 在梨上的研究現(xiàn)狀
Xiaping Fu等用近紅外漫反射光譜和近紅外透射光譜對(duì)梨褐心病進(jìn)行了鑒別,并用判別分析對(duì)褐心病梨和完好梨進(jìn)行區(qū)分,結(jié)果表明:梨在T2的放置位置,且用近紅外透射光譜技術(shù)采集梨的光譜,所建立的模型判別效果較好,正確判別率為91.2%[24]。Panmanas Sirisomboon等選用2 nm光譜間隔,無(wú)損檢測(cè)完整日本梨和梨汁的果膠,采集的光譜范圍在1100 nm~2500 nm之間,用多元線性回歸對(duì)原始光譜和二階微分光譜建立果膠預(yù)測(cè)模型,并對(duì)1997、1998年采集的日本梨的膠質(zhì)組成進(jìn)行預(yù)測(cè),結(jié)果表明:1998年的梨子預(yù)測(cè)模型對(duì)1997年的梨子預(yù)測(cè)精度不高,所建立的模型有一定的局限性[25]。
Yande Liu等用可見(jiàn)-近紅外技術(shù)無(wú)損檢測(cè)梨的SSC和堅(jiān)實(shí)度,比較了不同的建模方法(MLR、PCR和PLSR)和不同的光譜預(yù)處理對(duì)梨SSC和堅(jiān)實(shí)度預(yù)測(cè)模型的影響[26],結(jié)果是:在梨赤道部位采集光譜并用偏最小二乘回歸(PLSR)建立的SSC和堅(jiān)實(shí)度模型效果較好,其校正時(shí)的相關(guān)系數(shù)R2分別為0.912和0.854,RMSEP分別為0.662°Brix和 1.232 N。Yibin Ying和Yande Liu用近紅外光譜技術(shù)無(wú)損檢測(cè)梨的SSC、pH和總酸(TA),用遺傳算法優(yōu)選波段,并用偏最小二乘法建立預(yù)測(cè)模型[27],結(jié)果為:用遺傳算法優(yōu)選過(guò)的波段所建立的SC,TA和pH預(yù)測(cè)模型比全局模型效果好,其RMSEP分別為0.395,0.0195和0.0087。
Patricia Paz等用掃描單色式、二極管掃描單色式和二極管式三種近紅外光譜儀對(duì)梨的SSC、堅(jiān)實(shí)度和儲(chǔ)藏時(shí)間進(jìn)行了檢測(cè)[28],結(jié)果是:這三種儀器所建立的SSC模型,其驗(yàn)證時(shí)的相關(guān)系數(shù)R2在0.39~0.76之間,驗(yàn)證時(shí)的標(biāo)準(zhǔn)偏差SECV在0.59°Brix~1.49°Brix之間;所建立的堅(jiān)實(shí)度預(yù)測(cè)模型,其驗(yàn)證時(shí)的相關(guān)系數(shù)R2在0.45~0.79之間,驗(yàn)證時(shí)的標(biāo)準(zhǔn)偏差SECV在5.33~7.36 N之間;用偏最小二乘判別法(PLS-DA)建立的梨的貯藏時(shí)間(0,6和8 d)的判別模型其判別正確率在81.1%~94.4%之間。
1.2.3 在杏和李上的研究現(xiàn)狀
Dolores Pérez-Marín 等用兩種微型手?jǐn)y近紅外光譜儀(二極管陣列式和微電子系統(tǒng)式)無(wú)損檢測(cè)李子的SSC和堅(jiān)實(shí)度,用不同的方法預(yù)處理光譜并用偏最小二乘法建立李子的SSC和堅(jiān)實(shí)度預(yù)測(cè)模型,結(jié)果為:這兩種光譜儀都能獲得準(zhǔn)確的結(jié)果,但是用二極管陣列式儀器建立的SSC的預(yù)測(cè)模型效果稍優(yōu)于微電子式近紅外儀器,其校正時(shí)的相關(guān)系數(shù)R2和校正均方根誤差RMSEC分別為0.73%和1.11%,預(yù)測(cè)時(shí)的相關(guān)系數(shù)R2和預(yù)測(cè)均方根誤差RMSEP分別為0.68%和1.22%;用這兩種儀器建立的堅(jiān)實(shí)度預(yù)測(cè)模型精度都較低,但二級(jí)管式近紅外儀器效果稍優(yōu)于微電子系統(tǒng)式近紅外儀,其校正時(shí)的相關(guān)系數(shù)R2和校正均方根誤差RMSEC分別為0.64和1.77 N,預(yù)測(cè)時(shí)的相關(guān)系數(shù)R2和預(yù)測(cè)均方根誤差RMSEP分別為0.61 N和2.30 N;用這兩種儀器對(duì)杏的品種及杏的貯藏期(0、6和9 d)進(jìn)行判別,用PLS-DA建立判別模型,其結(jié)果是杏品種的正確判別率為96.5%,杏貯藏期的正確判別率為94.5%[29]。
Sylvie Bureau等用傅里葉近紅外光譜技術(shù)對(duì)杏的品質(zhì)進(jìn)行無(wú)損檢測(cè)[30],結(jié)果表明:用偏最小二乘法建立的SSC和總酸的預(yù)測(cè)模型效果較好,其相關(guān)系數(shù)R2分別為0.92和0.89,預(yù)測(cè)時(shí)的均方根誤差為0.98°Brix和3.62 meq 100 g-1FW,而所建立的堅(jiān)實(shí)度、乙烯、單糖和有機(jī)酸的預(yù)測(cè)模型效果不好。C.Camps和D.Christen用便攜式近紅外光譜儀無(wú)損檢測(cè)杏的品質(zhì),建立了杏各個(gè)品種的品質(zhì)模型及所用品種通用模型[31],結(jié)果是:所建立的SSC模型的RMSECV在0.67°Brix~1.1°Brix之間,R2在0.88~0.96之間;不同品種的堅(jiān)實(shí)度模型的RMSECV和R相差很大;TA預(yù)測(cè)模型的RMSECV 在 0.79 g/100 mL~2.61 g/100 mL之間,R2在0.73~0.97之間;并且近紅外光譜技術(shù)可以有效地識(shí)別杏的品種。
1.2.4 在其它水果上的研究現(xiàn)狀
Ali Moghimi等用近紅外光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)建立了獼猴桃SSC和pH的校正模型,比較了多元散射校正、變量標(biāo)準(zhǔn)化、中值濾波和一階導(dǎo)數(shù)光譜預(yù)處理對(duì)所建獼猴桃SSC和pH校正模型的影響,表明:變量標(biāo)準(zhǔn)化結(jié)合中值濾波和一階倒數(shù)預(yù)處理光譜后,用PCR-PLS法建立的SSC和pH的校正模型精度較高,其相關(guān)系數(shù)R2分別為0.93和0.943,RMSEP分別為0.259°Brix和0.076[32]。Fang Cao等研究了可見(jiàn)-近紅外儀器無(wú)損檢測(cè)葡萄的SSC、pH和品種,用遺傳算法優(yōu)選信息豐富的波段,并用最小二乘支持向量機(jī)對(duì)葡萄品種和品質(zhì)建立預(yù)測(cè)模型[33],結(jié)果是:所建品種判別模型對(duì)葡萄品種正確識(shí)別率為96.58%,所建SSC和pH預(yù)測(cè)模型其校正相關(guān)系數(shù)分別為0.9065和0.9781。
Jagdish C.Tewari等用近紅外光譜技術(shù)對(duì)柑橘的來(lái)源、品種及品質(zhì)進(jìn)行了無(wú)損檢測(cè),并用遺傳算法、偏最小二乘法和對(duì)應(yīng)分析建立預(yù)測(cè)模型[34],結(jié)果是:蔗糖、葡萄糖和果糖的近紅外模型R2在0.996~0.998之間;用GA-ANN和聚類(lèi)分析能很好的將不同品種柑橘和不同產(chǎn)地柑橘區(qū)別開(kāi)。Yande Liu等用近紅外漫反射光譜技術(shù)無(wú)損檢測(cè)贛南臍橙的糖度[35],在450 nm~1750 nm波段范圍內(nèi),比較不同的建模方法(MLR,PCR,PLS,Poly-PLS and Spline-PLS)和不同的光譜預(yù)處理(一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、多元散射校正和平滑)對(duì)所建糖度預(yù)測(cè)模型的影響,表明:用Spline-PLS法所建立的糖度近紅外模型精度較高,其相關(guān)系數(shù)R2=0.87,RMSEP=0.47 °Brix,說(shuō)明樣條函數(shù) SPL-PLS 可以建立非線性校正模型。
Yande Liu等用近紅外光譜技術(shù)在波段350 nm~1800 nm無(wú)損檢測(cè)柑橘的SSC,用多元散射校正和變量標(biāo)準(zhǔn)化預(yù)處理光譜,并比較PCA-BPNN和PLSR兩種建模方法對(duì)所建贛南臍橙SSC預(yù)測(cè)模型的影響[36],結(jié)果是:光譜經(jīng)多元散射校正后用PCA-BPNN法建立的糖度非線性模型較好,其相關(guān)系數(shù)R2、RMSEP和偏差分別為0.90、0.68°Brix和 0.16°Brix。Yande Liu等用電荷耦合器件近紅外儀(CCD-NIRS)無(wú)損檢測(cè)南豐蜜橘SSC和TA,在600 nm~980 nm波段范圍內(nèi)用間隔偏最小二乘優(yōu)選南豐蜜橘SSC和TA的代表波段,并用偏最小二乘法建立SSC和TA預(yù)測(cè)模型[37],結(jié)果為:在 681.36 nm~740.51 nm,798.60 nm~836.19 nm 和945.52 nm~962.75 nm范圍內(nèi)所建立的SSC預(yù)測(cè)模型精度較高,其 R2=0.92、RMSEP=0.65°Brix;在波段817.57 nm ~836.19 nm,909.85 nm ~927.60 nm 和945.52 nm~962.75 nm,所建TA預(yù)測(cè)模型效果較好,其相關(guān)系數(shù)R2=0.64、RMSEP=0.09%。
Dolores Pérez-Marín 等研究了兩種商業(yè)用(微電子系統(tǒng)式近紅外儀和二級(jí)管式可見(jiàn)近紅外儀)近紅外光譜儀對(duì)油桃成熟期和儲(chǔ)藏期品質(zhì)無(wú)損檢測(cè)[38],用改進(jìn)的偏最小二乘法建立數(shù)學(xué)模型,結(jié)果是:兩種儀器所建立的SSC模型,其相關(guān)系數(shù)R2=0.89,SEP在0.75%~0.81%之間;所建堅(jiān)實(shí)度預(yù)測(cè)模型,其R2在0.84~0.86之間,SEP在11.6 N~12.7 N之間;用二級(jí)管式近紅外儀器所建立的杏的單果重和直徑預(yù)測(cè)模型精度高于微電子系統(tǒng)式的近紅外儀器,其單果重預(yù)測(cè)模型的R2=0.98,SEP=5.40 g;直徑預(yù)測(cè)模型的 R2=0.75,SEP=0.46 cm。
目前,我們所建立的果品近紅外模型只適合于單個(gè)品種,由于同一類(lèi)水果有不同的品種,品種間品質(zhì)有差異,故單個(gè)品種所建立的模型很難適合于其他品種,因此建立近紅外果品通用模型是現(xiàn)在急需解決的問(wèn)題。
雖然近紅外光譜技術(shù)發(fā)展了近50年,在某些方面還取得了優(yōu)異的成果,但是目前還停留在實(shí)驗(yàn)室階段;近紅外儀器移動(dòng)性差,很難用于實(shí)際生產(chǎn);其次,近紅外光譜處理軟件價(jià)格較高,給科研和生產(chǎn)帶來(lái)不便,因此開(kāi)發(fā)便捷式近紅外儀及其低價(jià)的光譜處理軟件顯得尤為必要。
目前所建立的模型都是在一臺(tái)近紅外儀器建立的,同時(shí)只適合于這臺(tái)儀器,如何將一臺(tái)儀器上建立的數(shù)學(xué)模型準(zhǔn)確的轉(zhuǎn)移到其他儀器上是我們必需解決的問(wèn)題,從而盡可能節(jié)省人力、物力。
目前,市場(chǎng)上存在的近紅外光譜儀可分為傅立葉變換型、光柵色散型、濾光片型和聲光可調(diào)濾光器型等4類(lèi),檢測(cè)果品時(shí)也都是用單一類(lèi)型的近紅外儀器進(jìn)行檢測(cè)的,缺乏比較不同類(lèi)型的近紅外儀對(duì)所建預(yù)測(cè)模型的影響;如何確定某一類(lèi)型的近紅外儀器更適合于某一類(lèi)水果將是以后研究所解決的問(wèn)題。
經(jīng)過(guò)近半個(gè)世紀(jì)的發(fā)展,近紅外光譜技術(shù)已廣泛的應(yīng)用于食品、農(nóng)業(yè)、醫(yī)學(xué)等領(lǐng)域,在今后的研究中,我們要特別注重所建立模型的通用性及其轉(zhuǎn)移性,同時(shí)開(kāi)發(fā)便捷式的近紅外儀器這將對(duì)實(shí)際應(yīng)用產(chǎn)生巨大的推動(dòng)作用。隨著近紅外技術(shù)在研究中存在問(wèn)題的解決,近紅外技術(shù)必將有更廣闊的應(yīng)用前景。
[1]鄒小波,趙杰文,夏蓉,等.蘋(píng)果糖度近紅外光譜小波去噪和i-PLS建模[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2006,37(6):79-82
[2]李艷肖,鄒小波,董英.用遺傳區(qū)間偏最小二乘法建立蘋(píng)果糖度近紅外光譜模型[J].光譜學(xué)與光譜分析,2007,27(10):2001-2004
[3]李桂峰,趙國(guó)建,劉興華,等.蘋(píng)果質(zhì)地品質(zhì)近紅外無(wú)損檢測(cè)和指紋分析[J].農(nóng)業(yè)工程學(xué)報(bào),2008,24(6):189-173
[4]屠振華,籍保平,孟超英,等.基于遺傳算法和間隔偏最小二乘的蘋(píng)果硬度特征波長(zhǎng)分析研究[J].光譜學(xué)與光譜分析,2009,29(10):2760-2763
[5]章海亮,孫旭東,劉燕德,等.近紅外光譜檢測(cè)蘋(píng)果可溶性固形物[J].農(nóng)業(yè)工程學(xué)報(bào),2009(S2):340-343
[6]史波林,趙鐳,劉文,等.蘋(píng)果內(nèi)部品質(zhì)近紅外光譜檢測(cè)的異常樣本分析[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2010,41(2):132-137
[7]韓東海,劉新鑫,魯超,等.蘋(píng)果內(nèi)部褐變的光學(xué)無(wú)損傷檢測(cè)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2006,37(6):86-88
[8]王加華,孫旭東,潘璐,等.基于可見(jiàn)/近紅外能量光譜的蘋(píng)果褐腐病和水心鑒別[J].光譜學(xué)與光譜分析,2008,28(9):2098-2102
[9]李桂峰.蘋(píng)果果肉褐變機(jī)理和近紅外無(wú)損檢測(cè)技術(shù)研究[D].陜西:西北農(nóng)林科技大學(xué)食品科學(xué)與工程學(xué)院,2008
[10]劉燕德,孫旭東,陳興苗.近紅外漫反射光譜檢測(cè)梨內(nèi)部指標(biāo)可溶性固性物的研究[J].光譜學(xué)與光譜分析,2008,28(4):797-800
[11]孫通.梨可溶性固形物含量的在線近紅外光譜檢測(cè).光譜學(xué)與光譜分析[J].2008,28(11):2356-2359
[12]李東華,紀(jì)淑娟,重藤和明.南果梨糖、酸度近紅外光譜模型適用的貯藏期研究[J].農(nóng)業(yè)工程學(xué)報(bào),2009,25(4):270-275
[13]馬本學(xué),饒秀勤,應(yīng)義斌,等.基于近紅外漫反射光譜的香梨類(lèi)別定性分析[J].光譜學(xué)與光譜分析,2009,29(12):3288-3240
[14]劉燕德,陳興茁,孫旭東.可見(jiàn)/近紅外浸反射光譜無(wú)損檢測(cè)南豐蜜櫧VC的研究[J].光譜學(xué)與光譜分析,2008,28(10):2318-2320
[15]孫旭東,章海亮,歐陽(yáng)愛(ài)國(guó),等.南豐蜜桔可溶性固形物近紅外特征波段選擇[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(7):129-131
[16]周文超,孫旭東,陳興苗,等.近紅外透射光譜無(wú)損檢測(cè)贛南臍橙糖度的研究[J].農(nóng)機(jī)化研究,2009,31(5):161-163
[17]夏俊芳,李小昱.臍橙VC含量近紅外光譜消噪小波優(yōu)化[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(4):143-146
[18]李建平,傅霞萍,周瑩,等.近紅外光譜定量分析技術(shù)在枇杷可溶性固形物無(wú)損檢測(cè)中的應(yīng)用 [J].光譜學(xué)與光譜分析,2006,26(9):1605-1609
[19]馬廣,傅霞萍,周瑩,等.大白桃糖度的近紅外漫反射光譜無(wú)損檢測(cè)試驗(yàn)研究[J].光譜學(xué)與光譜分析,2007,27(5):907-910
[20]周竹,劉潔,李小昱,等.霉變板栗的近紅外光譜和神經(jīng)網(wǎng)絡(luò)方法判別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(11):109-112
[21]Fan Guoqiang,Zha Jianwen,Du Ran,et al.Deter mination of soluble solids and firmness of apples by Vis/NIR transmittance[J].Journal of food engineering,2009,93:416-420
[22]Bobelyna E,Serbanc A S,Nic M,et al.Postharvest quality of apple predicted by NIR-spectroscopy:Study of the effect of biological variability on spectra and model performance[J].Postharvest biology and technology,2010,55:133-143
[23]Shenderey C,Shmulevich I,Alchanatis V,et al.NIRS Detection of Moldy Core in Apples[J].Food Bioprocess Technol,2010,3:79-86
[24]Fu Xiaping,Ying Yibin,Lu Huishan,et al.Comparison of diffuse reflectance and transmission mode of visible-near infrared spectroscopy for detecting brown heart of pear[J].Journal of food engineering,2007,83:317-323
[25]Sirisomboon P,Tanaka M,Fujita S,et al.Evaluation of pectin constituents of Japanese pear by near infrared spectroscopy[J].Journal of food engineering,2007,78:701-707
[26]Liu Yande,Chen Xingmiao,Ouyang Aiguo.Nondestructive deter mination of pear internal quality indices by visible and near-infrared spectrometry[J].LWT-Food Science and Technology,2008,41:1720-1725
[27]Ying Yibin,Liu Yande.Nondestructive measurement of internal quality in pear using genetic algorithms and FT-NIR spectroscopy[J].Journal of food engineering,2008,84:206-213
[28]Paz P,Sánchez MT,Pérez-Marín D.Instantaneous quantitative and qualitative assessment of pear quality using near infrared spectroscopy[J].Computers and electronics in agriculture,2009,69:24-32
[29]Pérez-Marín D,Paz P,Guerrero J E,et al.miniature handheld NIR sensor for the on-site non-destructive assessment of post-harvest quality and refrigerated storage behavior in plums[J].Journal of food engineering,2010,99:294-302
[30]Bureau S,Ruiz D,Reich M,et al.Rapid and non-destructive analysis of apricot fruit quality using FT-near-infrared spectroscopy[J].Food chemistry,2009,113:1323-1328
[31]Camps C,Christen D.Non-destructive assessment of apricot fruit quality by portable visible-near infrared spectroscopy[J].LWT-Food science and technology,2009,42:1125-1131
[32]Moghimi A,Aghkhani MH,Sazgarnia A.Vis/NIR spectroscopy and chemometrics for the prediction of soluble solids content and acidity(pH)of kiwifruit[J].Biosystems engineering,2010,106:295-302
[33]Cao Fang,Wu Di,He Yong.Soluble solids content and pH prediction and varieties discrimination of grapes based on visible–near infrared spectroscopy[J].Computers and electronics in agriculture,2010,71S:S15-S18
[34]Tewari J C,Dixit V,Cho B K,et al.Deter mination of origin and sugars of citrus fruits using genetic algorithm,correspondence analysis and partial least square combined with fiber optic NIR spectroscopy[J].Spectrochimica Acta Part A,2008,71:1119-1127
[35]Liu Yande,Sun Xudong,Zhou Jian min,et al.Linear and nonlinear multivariate regressions for deter mination sugar content of intact Gannan navel orange by Vis_NIR diffuse reflectance spectroscopy[J].Mathematical and Computer Modelling,2009,51(2010):1438-1443
[36]Liu Yande,Sun Xudong,Ouyang Aiguo.Nondestructive measurement of soluble solid content of navel orange fruit by visible-NIR spectrometric technique with PLSR and PCA-BPNN[J].LWT-Food Science and Technology,2010,43:602-607
[37]Liu Yande,Sun Xudong,Zhang Hailiang,et al.Nondestructive measurement of internal quality of Nanfeng mandarin fruit by charge coupled device near infrared spectroscopy[J].Computers and electronics in agriculture,2010,71S:10-14
[38]Pérez-Marín D,Sánchez MT,Paz P,et al.Non-destructive deter mination of quality parameters in nectarines during on-tree ripening and postharvest storage[J].Postharvest biology and technology,2009,52:180-188