孫 通，林金龍，許文麗，饒洪輝，劉木華

(江西農(nóng)業(yè)大學(xué)生物光電技術(shù)及應(yīng)用重點實驗室，江西 南昌 330045)

贛南臍橙是全國優(yōu)勢農(nóng)產(chǎn)品之一，為國家地理標志保護產(chǎn)品，享有“中華名果”榮譽稱號，其果肉脆嫩、風(fēng)味濃甜芳香、品質(zhì)優(yōu)良，深受消費者的喜愛.但由于國內(nèi)果品產(chǎn)后加工和檢測技術(shù)落后，難以按外觀和內(nèi)部品質(zhì)(如可溶性固形物)對贛南臍橙進行分級，導(dǎo)致其國際市場競爭力不強，上不了高檔貨架.因此，非常有必要對贛南臍橙的可溶性固形物進行在線檢測研究，從而推動國內(nèi)果品品質(zhì)檢測與分級技術(shù)的發(fā)展，提高贛南臍橙的國際市場競爭力.

可見/近紅外光譜分析技術(shù)是近幾十年來發(fā)展起來的綠色、無損、快速的現(xiàn)代分析技術(shù).該技術(shù)已用于各種水果的內(nèi)部品質(zhì)檢測，如蘋果［1－2］、柑橘［3］、梨［4］、獼猴桃［5－6］、芒果［7］、瓜類［8－9］等.目前，國內(nèi)外學(xué)者利用可見/近紅外光譜分析技術(shù)對臍橙內(nèi)部品質(zhì)檢測也作了一些研究.Liu Y等［10］利用可見/近紅外漫反射光譜 (350～1800 nm)對臍橙可溶性固形物(SSC)含量進行檢測，采用微分及多元散射校正(MSC)等方法進行光譜預(yù)處理，并應(yīng)用偏最小二乘 (PLS)回歸和誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)建立預(yù)測模型，研究結(jié)果表明:BPNN結(jié)合MSC預(yù)處理光譜所建立的預(yù)測模型最優(yōu)，其相關(guān)系數(shù)和預(yù)測均方根誤差 (RMSEP)分別為0.90和0.68%.孫旭東等［11］在700～933 nm波段范圍內(nèi)采用基于基準波長點的反射比法對每個臍橙樣品光譜進行實時處理，應(yīng)用PLS和最小二乘支持向量回歸法(LSSVR)建立臍橙SSC預(yù)測模型，并與吸收光譜所建立的預(yù)測模型進行比較，結(jié)果表明:LSSVR結(jié)合一階微分處理后的反射比光譜所建立的預(yù)測模型最優(yōu)，其相關(guān)系數(shù)和 RMSEP分別為0.85和0.41%.胡潤文等［12］采用斜率截距 (Slope/Bias)校正法和直接校正(DS)算法對臍橙總糖模型進行模型傳遞研究，研究結(jié)果表明:直接校正算法優(yōu)于斜率截距校正法，經(jīng)直接校正算法進行模型傳遞后，從儀器的RMSEP由3.675%下降為0.448%.蔡麗君等［13］采用小波壓縮結(jié)合遺傳算法對臍橙的反射比光譜(700～933 nm)進行變量優(yōu)選，并采用PLS建立臍橙SSC預(yù)測模型，預(yù)測模型的相關(guān)系數(shù)rc和RMSEP分別為0.759和0.468%.Liu Y 等［14］以由620，850，880及940 nm組成的發(fā)光二極管 (LED)為光源，采集臍橙的漫反射光譜，利用LSSVR結(jié)合小波變換建立臍橙SSC預(yù)測模型.此外，還有其他學(xué)者也應(yīng)用可見/近紅外光譜對臍橙內(nèi)部品質(zhì)進行檢測研究［15－18］.總結(jié)上述研究文獻可以發(fā)現(xiàn)，臍橙內(nèi)部品質(zhì)檢測基本上均采用漫反射方式，對于漫反射檢測方式，其獲取的光譜信息僅包含果皮及靠近果皮的部分果肉的品質(zhì)信息.臍橙是屬于中厚型果皮，漫反射檢測方式僅能獲取其果皮及果皮附近的淺層果肉的品質(zhì)信息，難以獲取深層果肉的品質(zhì)信息.當(dāng)臍橙淺層果肉SSC與深層果肉SSC存在差異時，漫反射檢測方式的檢測精度較低，而半透射檢測方式的檢測精度不受影響.另外，文獻中的臍橙內(nèi)部品質(zhì)檢測大多為靜態(tài)檢測，在線檢測研究相對較少.

本研究利用可見/近紅外半透射光譜對臍橙SSC進行在線檢測研究.采用CARS(competitive adaptive reweighted sampling)變量選擇方法對臍橙光譜變量進行優(yōu)選，并應(yīng)用PLS方法建立臍橙SSC在線預(yù)測模型，選用獨立的預(yù)測集樣本對在線預(yù)測模型進行驗證，并對預(yù)測集樣本的預(yù)測誤差進行分析.

1 材料與方法

1.1 臍橙樣本

試驗所用的臍橙樣本均購買于水果批發(fā)市場，樣本分為2個批次購買.第1批次臍橙樣本為170個，第2批次臍橙樣本為95個，于第1批次臍橙試驗完成后2周購買.第1批次的臍橙樣本作為校正集，用于建立臍橙SSC在線預(yù)測模型;第2批次的臍橙樣本作為獨立的預(yù)測集，用于對臍橙SSC在線預(yù)測模型進行驗證.購買的臍橙樣本均需進行表皮清理，依次編號.在光譜采集前，將樣本置于室溫下24 h左右，使樣本溫度與室溫基本一致.

1.2 可見/近紅外光譜采集

本試驗中，臍橙樣本光譜在可見/近紅外半透射在線檢測系統(tǒng)中采集.可見/近紅外半透射在線檢測系統(tǒng)由微型光纖光譜儀、光源、光纖、輸送系統(tǒng)、電腦等組成(見圖1).微型光纖光譜儀為具有3648像素CCD的USB4000光譜儀 (Oceanoptics公司，美國)，光譜采集波段范圍為470～1150 nm.光源為2盞鹵鎢燈 (15 V，150 W)，總功率為300 W，對稱分布在水果兩側(cè)，光源中心位置基本對準水果赤道部位，光源與光纖之間的角度為 90°.光纖芯徑為100 μm，光纖一端接收透過水果的光，另一端連接USB4000光譜儀.輸送系統(tǒng)速度為0.3 m·s－1.

試驗中的光譜參比為直徑80 mm的聚四氟乙烯球.在采集臍橙樣本光譜前，先采集參比光譜和暗場光譜.對于臍橙樣本，在0.3 m·s－1的輸送速度下采集其光譜，每個臍橙樣本采集一次光譜.參比、暗場及臍橙樣本光譜的積分時間均為60 ms，平均次數(shù)均為1，平滑點數(shù)均為6.光譜采集和參數(shù)設(shè)置采用自編光譜采集軟件完成，該軟件根據(jù)Oceanoptics公司二次軟件開發(fā)包編寫而成.臍橙樣本光譜以log(1/T)表示，T為樣本光譜透射率，其計算公式為

式中:Sλ為波長λ下樣品光譜的強度;Rλ為波長λ下參比光譜的強度;Dλ為波長λ下暗場光譜的強度.

1.3 可溶性固形物測量

臍橙樣本的可溶性固形物按照國標GB12295—90方法進行測定.在完成光譜采集后，將臍橙樣本去皮，并對果肉部分進行榨汁，然后采用濾紙對臍橙果汁進行過濾.過濾后的果汁采用PR-101α型數(shù)字折射儀(Atago公司，日本)進行可溶性固形物含量測定.

1.4 數(shù)據(jù)處理與分析

本研究中采用微分、MSC及標準正態(tài)變量變換(SNV)方法對臍橙光譜進行預(yù)處理，根據(jù)建模結(jié)果確定較優(yōu)的預(yù)處理方法.光譜預(yù)處理在Unscrambler X 10.1軟件里運行完成.

CARS方法是模仿達爾文進化理論“適者生存”原則提出的一種新變量選擇方法.該算法的主要原理是通過自適應(yīng)重加權(quán)采樣技術(shù)，每次均保留PLS回歸系數(shù)大的變量而剔除回歸系數(shù)小的變量，從而獲得一系列的波長變量子集.再采用交叉驗證方法對波長變量子集進行建模，根據(jù)模型交互驗證均方根誤差(RMSECV)值最小原則選擇最優(yōu)的波長變量子集.CARS算法的具體原理參見文獻［19］.本研究中，采用CARS方法對臍橙光譜進行變量優(yōu)選，其最大因子數(shù)由蒙特卡羅 (MC)交叉驗證決定，MC采樣次數(shù)為50次.采用5折PLS交叉驗證對所選擇的波長變量子集進行建模，并根據(jù)RMSECV值最小原則確定最優(yōu)的波長變量子集.經(jīng)CARS方法進行波長變量選擇后，采用PLS建立臍橙SSC在線預(yù)測模型.CARS變量選擇及PLS方法在Matlab 7.6.0里運行完成.

2 結(jié)果與討論

2.1 臍橙樣本SSC統(tǒng)計結(jié)果

對臍橙校正集和預(yù)測集樣本的SSC值進行統(tǒng)計分析.表1為臍橙校正集和預(yù)測集樣本的SSC平均值、范圍及標準偏差.

表1 臍橙可溶性固形物平均值、范圍及標準偏差

從表1可以看出，校正集和預(yù)測集樣本的SSC平均值、范圍及標準偏差均較為接近.圖2為臍橙校正集和預(yù)測集樣本的SSC直方圖.從圖2可以看出，不管對于校正集還是預(yù)測集樣本，SSC在10% ～11%以及11% ～12%范圍內(nèi)的樣本相對較多，而SSC分布在兩端的樣本則相對較少.

圖2 臍橙校正集和預(yù)測集樣本的SSC直方圖

2.2 光譜預(yù)處理分析

圖3為臍橙校正集和預(yù)測集樣本的可見/近紅外半透射光譜.從圖3可以看出，光譜兩端光譜噪聲較大，中間部分光譜曲線較為平滑，存在一些光譜波峰和波谷.臍橙光譜在705 nm及820 nm左右處存在較為明顯的波谷，而在750 nm及980 nm左右處存在較為明顯的波峰.因此，光譜在705～980 nm波段范圍內(nèi)可能包含臍橙SSC的有用信息.考慮到980 nm處的波峰接近于光譜末端，光譜可能存在一定的噪聲.此外，臍橙光譜在600～705 nm波段范圍內(nèi)曲線較為平滑，可能包含有臍橙SSC的有用信息.為了不引入光譜噪聲，同時不丟失有用信息，經(jīng)過多次建模分析，選擇620～950 nm為建模波段范圍用于后續(xù)的分析.

圖3 臍橙校正集和預(yù)測集樣本的可見/近紅外半透射光譜

采用PLS方法在620～950 nm波段范圍內(nèi)對臍橙SSC進行建模.表2為不同預(yù)處理下臍橙校正集樣本的SSC的PLS建模結(jié)果.從表2可以看出，經(jīng)MSC和SNV預(yù)處理后，SSC模型性能比原始光譜所建立的SSC模型性能略差;而經(jīng)一階微分和二階微分預(yù)處理后，SSC模型性能急劇下降，遠遠差于原始光譜所建立的SSC模型性能.由此可見，上述預(yù)處理方法未能有效提高SSC模型的預(yù)測性能，原始光譜所建立的模型性能最優(yōu)，其校正集的交互驗證相關(guān)系數(shù)rcv和RMSECV分別為0.871和0.560%.

表2 不同預(yù)處理下臍橙校正集樣本SSC的PLS建模結(jié)果

2.3 CARS變量選擇

由于原始光譜所建立的臍橙SSC的PLS模型性能最優(yōu)，因此CARS變量選擇在臍橙原始光譜上進行.圖4為臍橙校正集樣本的SSC的CARS變量選擇結(jié)果.

圖4 臍橙校正集樣本的SSC的CARS變量選擇結(jié)果

圖4a為CARS變量選擇過程中被選擇的波長變量數(shù)的變化趨勢.從圖4a可以看出，隨著采樣次數(shù)的增加，被選擇的波長變量數(shù)逐漸下降，其下降趨勢由快變慢，體現(xiàn)了CARS變量選擇的粗選和精選兩個過程.圖4b為CARS變量選擇過程中RMSECV曲線的變化.從圖4b可以看出，RMSECV曲線隨著采樣次數(shù)的增加先緩慢下降而后逐漸上升，表明變量選擇過程中先剔除與臍橙SSC無關(guān)的波長變量使得RMSECV值下降，而后開始剔除與臍橙SSC相關(guān)的波長變量，丟失有用信息導(dǎo)致RMSECV值上升.圖4c為CARS變量選擇過程中各波長變量相關(guān)系數(shù)的變化趨勢.“*”所對應(yīng)的位置為22次采樣，為50次采樣中的最佳變量選擇結(jié)果即RMSECV值最小.由圖4a可知，22次采樣時被選擇的波長變量為95個.圖5為臍橙SSC被選擇的波長變量的分布情況.

圖5 臍橙SSC的被選擇波長變量的分布情況

采用PLS方法利用被選擇的波長變量對臍橙校正集樣本進行交叉驗證建模，建立臍橙SSC的在線預(yù)測模型.臍橙SSC的校正集相關(guān)系數(shù)和校正均方根誤差 (RMSEC)為0.951和0.354%，交互驗證相關(guān)系數(shù)和RMSECV為0.934和0.412%.與全光譜PLS模型相比，CARS-PLS所建立的預(yù)測模型性能得到有效提高，交互驗證相關(guān)系數(shù)由0.871上升為0.934，RMSECV由0.560%下降為0.412%.此外，所用波長變量數(shù)由1733個下降為95個，有效地簡化預(yù)測模型，提高模型的穩(wěn)定性.

2.4 模型預(yù)測及誤差分析

2.4.1 模型預(yù)測

利用CARS-PLS所建立的臍橙SSC在線預(yù)測模型對完全獨立的預(yù)測集樣本進行預(yù)測.圖6為預(yù)測集樣本的SSC預(yù)測結(jié)果，RMSEP為0.649%，實線為預(yù)測值與測量值的回歸線，虛線為目標線(1∶1).圖6中回歸線與目標線之間比較接近但存在微小平移，表明該臍橙SSC在線預(yù)測模型可以較好地預(yù)測未知臍橙樣本的SSC值.此外，臍橙SSC在線預(yù)測模型若是能消除回歸線與目標線之間的微小平移，模型預(yù)測精度將得到進一步提高.

圖6 臍橙預(yù)測集樣本的SSC預(yù)測結(jié)果

2.4.2 預(yù)測誤差分析

圖7為臍橙預(yù)測集樣本的SSC預(yù)測殘差，兩實線為殘差±0.5%的界限，兩虛線為殘差±1.0%的界限.

圖7 臍橙預(yù)測集樣本的SSC預(yù)測殘差

由圖7可知，SSC預(yù)測殘差落在±0.5%界限以內(nèi)的臍橙樣本為53個，占總預(yù)測樣本數(shù)的55.8%，落在±0.5% ～1.0%界限以內(nèi)的臍橙樣本為29個，占總預(yù)測樣本數(shù)的30.5%，落在±1.0%界限以外的臍橙樣本為13個，占總預(yù)測樣本數(shù)的13.7%.因此，SSC預(yù)測殘差落在±1.0%界限以內(nèi)的樣本占總預(yù)測樣本數(shù)的86.3%，該預(yù)測精度基本上可以滿足臍橙SSC在線檢測分級的需要(按SSC值分成高、中、低3個等級).

3 結(jié)論

可見/近紅外半透射光譜結(jié)合CARS變量選擇可以對臍橙SSC進行在線檢測，CARS-PLS交互驗證相關(guān)系數(shù)和RMSECV分別為0.934和0.412%.CARS變量選擇方法能有效篩選有用波長變量，提高SSC在線預(yù)測模型的預(yù)測精度.CARS-PLS模型優(yōu)于全光譜PLS模型，交互驗證相關(guān)系數(shù)由0.871上升為0.934，RMSECV由0.560%下降為0.412%.獨立預(yù)測集樣本SSC的RMSEP為0.649%，SSC預(yù)測殘差落在±1.0%界限以內(nèi)的樣本占總預(yù)測樣本數(shù)的86.3%，基本可以滿足臍橙SSC在線檢測分級的需要.

References)

［1］McGlone V A，Martinsen P J.Transmission measurements on intact apples moving at high speed［J］.Journal of Near Infrared Spectroscopy，2004，12(1):37 －43.

［2］Bobelyn E，Serban A S，Nicu 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(3):133－143.

［3］Cayuela J A，Weiland C.Intact orange quality prediction with two portable NIR spectrometers［J］.Postharvest Biology and Technology，2010，58(2):113－120.

［4］Sun T，Lin H，Xu H，et al.Effect of fruit moving speed on predicting soluble solids content of‘Cuiguan’pears(Pomaceae pyrifolia Nakai cv.Cuiguan)using PLS and LS-SVM regression［J］.Postharvest Biology and Technology，2009，51(1):86－90.

［5］McGlone V A，Clark C J，Jordan R B.Comparing density and VNIR methods for predicting quality parameters of yellow-fleshed kiwifruit(Actinidia chinensis)［J］.Postharvest Biology and Technology，2007，46(1):1－9.

［6］Moghimi A，Aghkhani M H，Sazgarnia A，et al.Vis/NIR spectroscopy and chemometrics for the prediction of soluble solids content and acidity(pH)of kiwifruit［J］.Biosystems Engineering，2010，106(3):295－302.

［7］Delwiche S R，Mekwatanakarn W，Wang C Y.Soluble solids and simple sugars measurement in intact mango using near infrared spectroscopy［J］.Horttechnology，2008，18(3):410－416.

［8］Long R L，Walsh K B.Limitations to the measurement of intact melon total soluble solids using near infrared spectroscopy［J］.Australian Journal of Agricultural Research，2006，57(4):403－410.

［9］Flores K，Sanchez M T，Perez-Marin D C，et al.Prediction of total soluble solid content in intact and cut melons and watermelons using near infrared spectroscopy［J］.Journal of Near Infrared Spectroscopy，2008，16(2):91－98.

［10］Liu Y，Sun X，Ouyang A.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(4):602－607.

［11］孫旭東，郝 勇，高榮杰，等.臍橙糖度近紅外光譜在線檢測數(shù)學(xué)模型優(yōu)化研究［J］.光譜學(xué)與光譜分析，2011，31(5):1230－1235.Sun Xudong，Hao Yong，Gao Rongjie，et al.Research on optimization of model for detecting sugar content of navel orange by online near infrared spectroscopy［J］.Spectroscopy and Spectral Analysis，2011，31(5):1230－1235.(in Chinese)

［12］胡潤文，夏俊芳.臍橙總糖近紅外光譜模型傳遞研究［J］.食品科學(xué)，2012，33(3):28－32.Hu Runwen，Xia Junfang.Transfer of NIRS calibration model for determining total sugar content in navel orange［J］.Food Science，2012，33(3):28 －32.(in Chinese)

［13］蔡麗君，劉燕德，萬常斕.臍橙糖度近紅外光譜在線檢測的建模變量優(yōu)選［J］.西北農(nóng)林科技大學(xué)學(xué)報:自然科學(xué)版，2012，40(1):215－220.Cai Lijun，Liu Yande，Wan Changlan.Selection of NIR variables for online detecting sugar content of navel orange［J］.Journal of Northwest A＆F University:Natural Science Edition，2012，40(1):215－220.(in Chinese)

［14］Liu Y，Gao R，Hao Y，et al.Improvement of near-infrared spectral calibration models for Brix prediction in‘Gannan’navel oranges by a portable near-infrared device［J］.Food Bioprocess Technol，2012，5(3):1106－1112.

［15］夏俊芳，李培武，李小昱，等.不同預(yù)處理對近紅外光譜檢測臍橙VC含量的影響［J］.農(nóng)業(yè)機械學(xué)報，2007，38(6):107－111.Xia Junfang，Li Peiwu，Li Xiaoyu，et al.Effect of different pretreatment method of nondestructive measure vitamin c content of umbilical orange with near-infrared spectroscopy［J］.Transactions of the Chinese Society for Agricultural Machinery，2007，38(6):107－111.(in Chinese)

［16］Lu H，Jiang H，F(xiàn)u X，et al.Non-invasive measurements of the internal quality of intact‘Gannan’navel orange by VIS/NIR spectroscopy［J］.Transactions of the ASABE，2008，51(3):1009－1014.

［17］黎 靜，薛 龍，劉木華，等.基于光譜技術(shù)識別不同農(nóng)藥污染臍橙的研究［J］.江西農(nóng)業(yè)大學(xué)學(xué)報，2010，32(4):723－728.Li Jing，Xue Long，Liu Muhua，et al.Recognition of different pesticide contamination in navel oranges based on spectra technology［J］.Acta Agriculturae Universitatis Jiangxiensis，2010，32(4):723 －728.(in Chinese)

［18］趙 珂，熊 艷，趙 敏.基于近紅外光譜技術(shù)的臍橙快速無損檢測［J］.激光與紅外，2011，41(6):649－652.Zhao Ke，Xiong Yan，Zhao Min.Rapid non-destructive testing of navel orange based on near infrared spectroscopy［J］.Laser ＆ Infrared，2011，41(6):649 － 652.(in Chinese)

［19］Li H D，Liang Y Z，Xu Q S，et al.Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration［J］.Analytica Chimica Acta，2009，648(1):77－84.