王 凡，李永玉，彭彥昆，李 龍

?

便攜式番茄多品質參數可見/近紅外檢測裝置研發(fā)

王 凡，李永玉※，彭彥昆，李 龍

（中國農業(yè)大學工學院，國家農產品加工技術裝備研發(fā)分中心，北京 100083）

該文針對番茄獨特的囊室結構及整體成熟度不均等問題，基于可見/近紅外全透射光譜，研發(fā)了便攜式番茄內外品質快速無損實時檢測裝置。該裝置的硬件系統(tǒng)主要包括光源模塊、信號采集模塊、信號處理模塊、電源模塊、散熱模塊和打印模塊，基于該硬件系統(tǒng)，采集了番茄630~1 100 nm范圍內可見/近紅外透射光譜，選取650～1 100 nm范圍的光譜進行SG卷積平滑（savitzky-Golay smooth, SG-smooth）、標準正態(tài)變量變換（standard normal variable transformation, SNV）和多元散射校正（muliplication scattering correction, MSC）等預處理，建立了番茄顏色、硬度、總酸、總糖含量的偏最小二乘預測模型?；赒T開發(fā)框架編寫了番茄多品質無損檢測實時分析控制軟件，植入番茄多品質參數預測模型，實現(xiàn)了番茄多品質參數檢測一鍵式操作。為了測試該裝置的檢測精度和穩(wěn)定性，選取與建模無關的20個同品種樣品對每個樣品的內外品質重復檢測8次，結果表明：番茄顏色預測值與實測值相關系數為0.952 8，均方根誤差為2.703 8，硬度預測值與實測值相關系數為0.940 5，均方根誤差為0.448 6 kg/cm2，總酸含量的預測值與實測值相關系數為0.953 7，均方根誤差為0.326 3%，總糖含量預測值與實測值相關系數為0.9610，均方根誤差為0.197 4%。番茄樣品顏色、硬度、總酸和總糖重復檢測最大相對誤差分別為2.9%、1.9%、2.0%和1.6%。該便攜式檢測裝置基于可見近紅外全透射光譜，實現(xiàn)了番茄顏色、硬度、總酸、總糖含量的同時快速無損實時檢測，預測精度及穩(wěn)定性較好，可以滿足實時評價番茄品質的市場需求。

無損檢測；光譜分析；模型；番茄；便攜式裝置；可見/近紅外光譜

0 引 言

番茄以獨特的風味和豐富的營養(yǎng)備受消費者的青睞，是世界上消費最廣泛的蔬菜之一[1]。在很多國家番茄主要以鮮食方式流通，因此消費者對番茄的內外品質有著較高的要求。中國市售鮮食番茄大部分根據外觀品質進行人工初步分選，但是消費者的滿意程度更大程度上取決于番茄糖酸等內部品質。中國番茄內部品質檢測主要依賴于傳統(tǒng)化學分析方法，耗時、有損傷且難以滿足現(xiàn)場檢測的需求。

近年來，可見/近紅外光譜技術廣泛應用于各種水果和蔬菜的品質檢測分選[2-7]，出現(xiàn)了多種便攜式近紅外品質檢測裝置。利用近紅外反射原理的蔬菜葉片品質檢測裝置、青番茄成熟度分級、谷物品種判別以及肉品新鮮度判別等嵌入式檢測裝置均達到了較高的檢測精度[8-12]。另外，基于近紅外漫透射原理的便攜式蘋果內部品質檢測裝置實現(xiàn)了對蘋果可溶性固形物含量等內部品質的快速檢測，最高相關系數達到0.951[13-15]?，F(xiàn)今國內外市售的果蔬品質便攜式檢測裝置大部分為基于近紅外漫反射或漫透射光譜，采集信息為樣品表皮附近的部分信息，適用于內部品質相對均勻的樣品。

番茄具有獨特的囊室結構而且一般整體品質分布不均勻，傳統(tǒng)反射及漫透射的檢測方式難以達到檢測精度，而透射檢測因需要光源、探頭異側，給便攜式裝置開發(fā)帶來了較大的困難。本文針對番茄的特殊內部結構，基于可見近紅外全透射光譜，研發(fā)番茄顏色、硬度、總酸、總糖含量的便攜式快速無損檢測裝置，編寫實時檢測分析控制軟件，實現(xiàn)番茄的主要內外品質的同時快速無損檢測。

1 番茄品質檢測裝置設計

1.1 檢測系統(tǒng)工作原理

便攜式番茄多品質參數無損檢測裝置，針對番茄獨特的囊室結構及其整體品質不均等問題，采集番茄完整樣品的透射光譜曲線，檢測番茄顏色、硬度、總酸、總糖等主要品質指標，其工作原理圖如圖1所示。將番茄樣品置于仿形膠墊上，環(huán)形光源發(fā)出的光照射番茄樣品底部，通過耦合透鏡從番茄頂部采集透過樣品的光譜信號并傳送至光譜儀，光譜儀將光譜信號轉換為數字信號傳送至數據分析處理器，處理器根據內置的番茄各品質參數預測模型對數字信號進行實時分析，并在顯示屏上輸出檢測結果，同時將結果打印為可粘貼的標簽。

圖1 系統(tǒng)工作原理框圖

1.2 便攜式番茄多品質參數無損檢測裝置硬件

1.2.1 控制處理模塊

硬件系統(tǒng)主要由光源模塊、信號采集模塊、信號處理模塊、電源模塊、散熱模塊和打印模塊組成，裝置外形尺寸為240 mm′190 mm′70 mm，為了提高儀器的實用性，為裝置配備容量為20 000 mA·h的可充電鋰電池，在脫離電源的情況下可獨立工作2 h。裝置結構圖和實物圖如圖2所示。

1. 光譜儀 2. 耦合透鏡 3. 仿形膠墊 4. 環(huán)形光源系統(tǒng) 5. 散熱風扇 6. 穩(wěn)壓板 7. 電源 8. 打印模塊 9. 開發(fā)板及觸摸屏 10. 總開關

1.2.2 光譜采集模塊

光譜采集單元的功用是采集透過樣品的光譜曲線，將光譜信息轉換為數字信號，并傳輸給中央處理器。光譜采集單元由微型光譜儀和耦合透鏡組成。

微型光譜儀采用海陽光學公司開發(fā)的STS微型光譜儀，其體積為40 mm′42 mm′24 mm，質量為68 g，光學分辨率為0.5 nm，波長相應范圍為650～1 100 nm，參照參考700～900 nm為近紅外評判水果內部品質指標的信息集中區(qū)[16-18]，可以滿足對果蔬內部品質的預測。

傳統(tǒng)的可見/近紅外無損檢測中，光譜儀大多與光纖相連，但光纖不能輕易彎折，且傳輸過程中會有信號的損失，同時考慮到設備的便攜性，本裝置采用海洋光學的74-DA耦合透鏡代替光纖。光譜儀與耦合透鏡利用螺紋連接，并通過壓板固定在手持部分中，由USB線與主機部分相連，不僅可以縮小儀器尺寸，同時避免了由光源及電源發(fā)熱造成的光譜儀誤差[19]。

1.2.3 光源模塊

根據番茄的外形結構研制了光源模塊，主要由果托、鹵素燈珠、上壓板和下壓板組成，安裝固定方式如圖3所示。為了保證充足光照的同時不對樣品造成熱灼傷，在光源設計時采用分散功率的方式，使用8個5 W的鹵素燈珠組成環(huán)形燈源，與下壓板組裝并固定在主機殼上。上壓板對光源起保護的作用，其中央的環(huán)形凸臺一方面起支撐樣品的作用，另一方面避免光源照射果梗部分帶來試驗誤差。果托的材質為橡膠，起輔助支撐的作用，同時可以根據樣品的形狀貼合在樣品表面，防止光的溢出，降低由樣品外形不同帶來的誤差。

1. 果托 2. 上壓板 3. 燈珠 4. 燈座 5. 下壓板

1.2.4 散熱模塊

由于裝置的電源和光源都屬于發(fā)熱部件，因此必須對裝置進行合理的散熱。散熱模塊的設計準則為產熱量與散熱量相當。風扇排除的總熱量為

其中1為裝置產生熱量（J），為儀器熱功率（%），為儀器工作時間（h），則所需風量（m3/h）為

根據計算得出的風扇排量，選擇排風量為5.97 m3/h，型號為YCL3510X的風扇2個，以一個正裝一個反裝的方式安裝在儀器外殼上。

1.2.5 供電模塊

選擇了容量為20 000 mA·h的可充電鋰電池，在脫離電源的情況下可獨立工作2 h。同時為保證穩(wěn)定的輸出電壓，配置了以LTC3780為芯片的穩(wěn)壓板，保證輸出電壓穩(wěn)定在10 V，為光源及開發(fā)板供電。

1.2.6 打印模塊

打印模塊采用瑞工科技的RG-MLP80A，該打印機為無碳熱敏打印，可選擇50～80 mm大小的標簽紙。當檢測裝置對樣品進行預測時，開發(fā)板通過軟件對打印機實現(xiàn)控制和傳輸，實時將檢測結果通過USB接口傳輸至打印機，打印機以75 mm/s的速度實時打印標簽，打印結果可直接粘貼于樣品上。

2 番茄多品質參數預測模型建立

2.1 材料與方法

番茄品種為仙客一號，購買于北京市昌平區(qū)蔬菜種植基地。挑選無果病，表面無損傷的番茄共60個，其中40個用于模型的建立，20個用于外部驗證。為消除溫度對試驗的影響，所有樣品在采摘后均置于20 ℃條件下貯藏1 d后進行試驗[20]。

將番茄多品質參數無損快速檢測裝置預熱20 min，先對裝置進行黑白參考的校正，然后采集番茄樣品的透射光譜曲線，并根據公式（4）換算得番茄樣品的光譜透射率，作為建立番茄多品質參數預測模型的光譜值。

式中為番茄樣品的透過率（%），為番茄樣品的透過光譜強度（cd），為暗光譜強度（cd），為白參考光譜強度（cd）。

2.2 標準理化值測定

采集番茄光譜曲線后立即使用標準方法對番茄的內外部品質參數進行測定，檢測方法如下：

硬度（kg/cm2）根據NY/T2009-2011[21]方法在番茄果頂部分隨機選取4點進行測定取平均值。

顏色用精密色差儀（HP-200，上海漢普光電科技有限公司）在番茄果頂隨機選取4點測定*、*、*參數值取平均，再按照空間轉換方法將平均后的Lab參數轉換為RGB參數，紅色（Red,）值作為番茄顏色指標。

總糖（%）按照硫酸苯酚比色法[22]測定，每個番茄檢測3個平行樣品取平均值。

總酸（%）按照酸堿中和滴定法[23]測定，每個樣品檢測3個平行樣品取平均值。

2.3 結果與分析

2.3.1 光譜預處理

40個番茄樣品的原始透射光譜曲線如圖4a所示。由于可見/近紅外透射光譜兩端噪聲較大并伴有基線漂移等現(xiàn)象，故選取了650～1 100 nm波長范圍，分別用10點SG卷積平滑（savitzky-golay smooth, SG-smooth）、標準正態(tài)變量變換（standard normal variable transformation, SNV）、一階導數（first derivative, FD）、多元散射校正（muli-plication scattering correction, MSC）、歸一化（norm-alize, NOR）對原始光譜曲線進行了預處理[24-26]，其中MSC和SNV預處理結果如圖4b和圖4c所示。

圖4 40個樣品不同預處理后的光譜曲線

2.3.2 番茄各品質參數預測模型

偏最小二乘回歸法（partial least squares regression, PLSR)是常用的光譜定量分析建模方法[27]。它是多因變量對多自變量的回歸建模，集主成分分析、典型相關分析和多元線性回歸分析3種分析方法的優(yōu)點于一身，將樣品按3∶1的比例隨機分為校正集與驗證集，對預處理后的光譜曲線分別建立PLS模型，模型質量用校正集相關系數（correlation coefficient of calibration,）、驗證集相關系數（correlation coefficient of validation,）校正集均方根誤差（root mean square error of calibration, RMSEc）和預測集均方根誤差（root mean square error of validation, RMSEv）評定，相關系數和相對分析誤差越高，均方根誤差越低，所建立的預測模型越穩(wěn)定。模型結果如表1所示。

結果顯示，采用MSC預處理后的番茄顏色預測模型效果最好，其校正集和驗證集相關系數分別為0.964 1和0.963 0，均方根誤差分別為1.514 8和1.629 6。采用SNV預處理的番茄硬度預測模型效果最好，其校正集和驗證集相關系數分別為0.964 9和0.950 1，均方根誤差分別為0.233 0 kg/cm2和0.335 9 kg/cm2。采用SNV預處理的番茄總酸預測模型效果最好，其校正集和驗證集相關系數分別為0.986 9和0.981 8，均方根誤差分別為0.085%和0.209%。采用SNV預處理的番茄總糖預測模型效果最好，其校正集和驗證集相關系數分別為0.981 4和0.965 9，均方根誤差分別為0.096 2%和0.107 2%。

表1 不同預處理后的建模結果

3 便攜式番茄多品質無損檢測軟件開發(fā)

基于QT開發(fā)工具編寫了番茄多品質無損檢測實時分析控制軟件[28-31]，實現(xiàn)了番茄多品質參數檢測一鍵式操作，如圖5所示。軟件系統(tǒng)分為光譜儀控制模塊、模型載入模塊、光譜數據處理模塊、檢測結果顯示和保存模塊、結果打印模塊。光譜儀控制模塊主要實現(xiàn)對光譜儀積分時間、平均次數的設置以及黑白參考的校正；模型載入模塊可以載入番茄多品質參數的預測模型；光譜數據處理模塊對采集到的光譜數據進行MSC和SNV預處理并分別帶入建立的模型中進行品質參數的預測；檢測結果顯示和保存模塊可以將光譜曲線和檢測結果實時顯示在LCD屏幕，并對檢測結果進行編號、保存；打印模塊可以通過對打印機的控制實時打印預測結果。軟件界面如5所示，使用時，首先點擊“White”和“Dark”按鈕分別對光譜儀進行白參考和暗噪聲的校正，點擊“Acquire”按鈕采集樣品的光譜曲線并利用內置模型進行內部品質的預測；點擊“Exit”按鈕可退出軟件；番茄品質無損檢測軟件還可以實現(xiàn)對打印機的控制，當需要實時打印結果時，點擊“Print”選項中的“ON”，點擊“OFF”時關閉打印功能。

圖5 軟件界面

4 便攜式番茄多品質無損檢測裝置測試

選取不同成熟度的20個番茄樣品對便攜式番茄多品質檢測裝置進行外部驗證，檢驗儀器的穩(wěn)定和精度，對每個番茄重復測定8次顏色、硬度、總酸和總糖的含量，同時與化學方法測得的標準值進行了比較分析。

便攜式番茄多品質檢測裝置的穩(wěn)定性試驗結果如表2所示。將每個樣品的8次檢測的結果與平均值作比較，用最大相對誤差衡量儀器的穩(wěn)定性。結果顯示，番茄顏色（紅）最大相對誤差為2.9%，硬度的最大相對誤差為1.9%，總酸含量的最大相對誤差為2.0%，總糖含量的最大相對誤差為1.6%，各個品質參數的相對誤差較小，該裝置對各指標的預測穩(wěn)定性較好。

表2 裝置重復性和穩(wěn)定性檢驗

番茄顏色、硬度、總酸以及總糖的預測值與實測值散點圖如圖6所示。顏色預測模型的相關系數為0.952 8，均方根誤差為2.703 8；硬度預測模型的相關系數為0.940 5，均方根誤差為0.448 6 kg/cm2；總酸預測模型的相關系數為0.953 7，均方根誤差為0.326 3%；總糖預測模型的相關系數為0.961 0，均方根誤差為0.197 4%。結果顯示，該裝置可以實現(xiàn)番茄顏色、硬度、總酸以及總糖的快速無損實時檢測。

圖6 試驗測試結果

5 結 論

1）針對番茄獨特的囊室結構及整體成熟程度不均等問題，基于可見近紅外全透射光譜，研發(fā)了便攜式番茄內外品質快速無損檢測裝置，硬件系統(tǒng)包括光源模塊、信號采集模塊、信號處理模塊、電源模塊、散熱模塊和打印模塊。

2）基于所研發(fā)的便攜式番茄多品質參數硬件系統(tǒng)，采集番茄650～1 100 nm范圍可見/近紅外全透射光譜，利用SG卷積平滑（savitzky-Golay smooth, SG- smooth）、標準正態(tài)變量變換（standard normal variable Transformation, SNV）和多元散射校正（muliplication scattering correction, MSC）等方法對采集的光譜進行了預處理，建立了番茄顏色、硬度、總酸、總糖含量的偏最小二乘預測模型。番茄顏色的預測模型的校正集和驗證集相關系數分別為0.964 1和0.963 0，均方根誤差分別為1.514 8和1.629 6；番茄硬度預測模型的校正集和驗證集相關系數分別為0.964 9和0.950 1，均方根誤差分別為0.233 0和 0.335 9 kg/cm2；番茄總酸預測模型的校正集和驗證集相關系數分別為0.986 9和0.981 8，均方根誤差分別為0.085%和0.209%；番茄總糖預測模型的校正集和驗證集相關系數分別為0.981 4和0.965 9，均方根誤差分別為0.096 2%和0.107 2%。

3）基于QT開發(fā)工具編寫了番茄多品質無損檢測實時分析控制軟件，將所建番茄多品質參數預測模型植入到裝置中，實現(xiàn)了番茄多品質參數檢測一鍵式操作。

4）對便攜式番茄內外品質快速無損檢測裝置穩(wěn)定性及檢測精度進行了測試。結果顯示，番茄顏色預測值與實測值相關系數為0.952 8，均方根誤差為2.703 8，硬度預測值與實測值相關系數為0.940 5，均方根誤差為 0.448 6 kg/cm2，總酸含量的預測值與實測值相關系數為0.953 7，均方根誤差為0.326 3%，總糖含量預測值與實測值相關系數為0.961 0，均方根誤差為0.197 4%。番茄樣品顏色、硬度、總酸和總糖重復檢測8次最大相對誤差分別為2.9%、1.9%、2.0%和1.6%。

該便攜式番茄內外品質快速無損檢測裝置，基于可見近紅外全透射光譜，實現(xiàn)了番茄顏色、硬度、總酸、總糖含量的同時快速無損實時檢測，預測精度及穩(wěn)定性較好，可以滿足實時評價番茄品質的需求。在本研究中，硬件部分專為番茄特殊囊室結構而設計，但預測模型針對仙客一號品種而建立，因此預測其他品種番茄品質需模型傳遞等方法更新預測模型才會達到理想的預測精度。

[1] Scibisz I, Reich M, Bureau S, et al. Mid-infrared spectroscopy as a tool for rapid determination of internal quality parameters in tomato[J]. Food Chem , 2011, 125(4): 1390－1397.

[2] 劉燕德，應義斌，傅霞萍. 近紅外漫反射用于檢測蘋果糖度及有效酸度的研究[J]. 光譜學與光譜分析，2005，25(11)：1793－1796. Liu Yande, Ying Yibin, Fu Xiaping. Study on predicting sugar content and valid acidity of apples by near/infrared diffuse reflectance technique[J]. Spectroscopy and Spectral Analysis, 2005, 25(11): 1793－1796. (in Chinese with English abstract)

[3] 楊昆程，孫梅，陳興海. 水果成熟度的高光譜成像無損檢測研究[J]. 食品科學技術學報，2013，33(4)：63－67. Yang Kuncheng, Sun Mei, Chen Xinghai. Nondestructive inspect of fruit maturity with hyperspectral imaging technology[J]. Journal of Food Science and Technology, 2015, 33(4): 63－67. (in Chinese with English abstract)

[4] Yuan L M, Sun L, Cai J R, et al. A preliminary study on whether the soluble solid content and acidity of oranges predicted by near infrared spectroscopy meet the sensory degustation[J]. Jounal of Food Process Engineering, 2015, 38(4): 309－319.

[5] 韓東海，常冬，宋曙輝，等. 小型西瓜品質近紅外無損檢測的光譜信息采集[J]. 農業(yè)機械學報，2013，44(7)：174－178. Han Donghai, Chang Dong, Song Shuhui, et al. Information collection of mini watermelon quality using near-infrared non-destructive detection[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(7): 174－178. (in Chinese with English abstract)

[6] 孫通，許文麗，林金龍，等. 可見/近紅外漫透射光譜結合CARS變量優(yōu)選預測臍橙可溶性固形物[J]. 光譜學與光譜分析，2012，32(12)：3229－3233. Sun Tong, Xu Wenli, Lin Jinlong, et al. Determination of solube solids content in navel oranges by Vis/NIR diffuse transmission spectra combined with CARS method[J]. Spectroscopy and Spectral Analysis, 2012, 32(12): 3229－3233. (in Chinese with English abstract)

[7] 王輝，田寒友，張順亮，等. 便攜式中波近紅外光譜儀在線無損檢測生鮮豬肉膽固醇[J]. 光譜學與光譜分析，2017，37(6)：1759－1764. Wang Hui, Tian Hanyou, Zhang Shunliang, et al. On-line noninvasive prediction of cholesterol level of fresh pork within NIR medium wavelength region with portable Near- Infrared spectrometer[J]. Spectroscopy and Spectral Analysis, 2017, 37(6): 1759－1764. (in Chinese with English abstract)

[8] 史增芳，姜巖蕾. 一種便攜式玉米葉片含水檢測儀器設計[J]. 農機化研究，2016，38(8)：96－100. Shi Zengfang, Jiang Yanlei. Design of a portable instrument for measuring water content of corn leaves[J]. Journal of Agricultural Mechanization Research, 2016, 38(8): 96－100. (in Chinese with English abstract)

[9] 于渤，韓書慶，孫明. 便攜式葉綠素計的設計與性能測試[J]. 農機化研究，2011，33(3)：96－99. Yu Bo, Han Shuqing, Sun Ming. Design and performance of a portable chlorophyll meter[J]. Journal of Agricultural Mechanization Research, 2011, 33(3): 96－99. (in Chinese with English abstract)

[10] 魏文松，彭彥昆. 手持式生鮮肉品質參數無損檢測裝置研究[J]. 農業(yè)機械學報，2016，47(增刊1)：324－331,339. Wei Wensong, Peng Yankun. Research on hand-held device for nondestructive detection of meat quality parameters[J]. Transactions of The Chinese Society for Agricultural Machinery, 2016, 47(Supp.1): 324－331, 339. (in Chinese with English abstract)

[11] 孫宏偉，彭彥昆，林琬. 便攜式生鮮豬肉多品質參數同時檢測裝置研發(fā)[J]. 農業(yè)工程學報，2015，31(20)：268－273. Sun Hongwei, Peng Yankun, Lin Wan. Development of a portable device for simultaneous detection on multi-quality attributes of fresh pork[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(20): 268－273. (in Chinese with English abstract)

[12] 郭志明，陳全勝，張彬，等. 果蔬品質手持式近紅外光譜檢測系統(tǒng)設計與試驗[J]. 農業(yè)工程學報，2017，33(8)： 245－250. Guo Zhiming, Chen Quansheng, Zhang Bin, et al. Design and experiment of handheld near-infrared spectrometer for determination of fruit and vegetable quality[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(8): 245－250. (in Chinese with English abstract)

[13] 樊書祥，黃文倩，張保華，等. 便攜式蘋果糖度光譜檢測儀的設計與試驗[J]. 紅外與激光工程，2014，43(增刊1)： 219－224.

Fan Shuxiang, Huang Wenqian, Zhang Baohua, et al. Design and experiment on portable apple soluble solidscontent spectrometer[J]. Infrared and Laser Engineering, 2014, 43(Supp.1): 219－224. (in Chinese with English abstract)

[14] Yuan Leiming, Cair Jianrong, Sun Li, et al. Nondestructive measurement of soluble solids content in apples by a portable fruit analyzer[J]. Food Analytical Methods, 2016, 9(3): 785－794.

[15] Gopal Tiwari, David C Slaughter, Marita Cantwell. Nondestructive maturity determination in green tomatoes using a handheld visible and near infrared instrument[J]. Postharvest Biology and Technology, 2013, 86(12): 221－229.

[16] Fraser D G, Künnemeyer R. Letter to the Editor[J]. PostharvestBiol Technol, 2001, 22(3): 191.

[17] Zou Xiaobo, Zhao Jiewen, Malcolm J W Povey. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta, 2010, 667(1): 14－32.

[18] Zhu Q, He C, Lu R, et al. Ripeness evaluation of ‘Sun Bright’ tomato using optical absorption and scattering properties[J]. Postharvest Biology and Technology, 2015, 103(5): 27－34.

[19] Zheng Yuquan. Precise spectral calibration for hyperspectral imager[J]. Optics and Precision Engineering, 2010, 18(11): 2348－2354.

[20] 李勇，魏益民，王鋒. 影響近紅外光譜分析結果準確性的因素[J]. 核農學報，2005，19(3)：236－240. Li Yong, Wei Yimin, Wang Feng. Affecting factors on the accuracy of near-Infrared spectroscopy analysis[J]. Acta Agriculturae Nucleatae Sinica, 2005, 19(3): 236－240. (in Chinese with English abstract)

[21] NY/T2009-2011, 水果硬度的測定[S].

[22] Dubois M, Gilles K A, Hamilton J K , et al. Colorimetric method for determination of sugars and related substances[J]. Nature, 1951, 28(7): 167.

[23] GB/T 12456-2008, 食品中總酸的測定[S].

[24] 梁逸曾，許青松. 復雜體系儀器分析—白、灰、黑分析體系及其多變量解析方法[M]. 北京：化學工業(yè)出版社，2012：474.

[25] 林中，范世福. 光譜儀器學[M]. 北京:機械工業(yè)出版社，1989.

[26] 陸婉珍，袁洪福，徐廣通，等. 現(xiàn)代近紅外光譜分析技術[M]. 北京：中國石化出版社，2000.

[27] 劉樹深，易忠勝. 基礎化學計量學[M]. 北京：科學出版社，1999.

[28] 余志峰，丁鋒. 信息系統(tǒng)人機界面設計的基本原則[J]. 網絡信息技術，2004，23(3)：44－45. Yu Zhifeng, Ding Feng. Design principles of man-machine interface for information system[J]. Network Information Technique, 2004, 23(3): 44－45. (in Chinese with English abstract)

[29] 鄭阿奇，陳超. Qt4開發(fā)實踐[M]. 北京：電子工業(yè)出版社，2011.

[30] Hartson H R. Human-computer interact-ion: Interdiscip- linary roots and trends[J]. The Journal of System and Software, 1998. 43: 103－118.

[31] 何劍鋒，鄔文彪，李宏穆，等. 嵌入式Linux系統(tǒng)的Qt/ Embedded圖形界面開發(fā)[J]. 電子工程師，2007，3(7)： 46－48. He Jianfeng, Wu Wenbiao, Li Hongmu, et al. Development of Qt/embedded graphical interface based on ARM920 TEmbedded linux system[J]. Electronic Engineer, 2007, 3(7): 46－48. (in Chinese with English abstract)

王 凡，李永玉，彭彥昆，李 龍. 便攜式番茄多品質參數可見/近紅外檢測裝置研發(fā)[J]. 農業(yè)工程學報，2017，33(19)：295－300. doi：10.11975/j.issn.1002-6819.2017.19.038 http://www.tcsae.org

Wang Fan, Li Yongyu, Peng Yankun, Li Long. Development of portable device for simultaneous detection on multi-quality attributes of tomato by visible and near-infrared[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(19): 295－300. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.19.038 http://www.tcsae.org

Development of portable device for simultaneous detection onmulti-quality attributes of tomato by visible and near-infrared

Wang Fan, Li Yongyu※, Peng Yankun, Li Long

(100083,)

In order to meet the demand of quality control in the process of fruit and vegetable processing, a portable fast non-destructive testing device for portable tomato was developed based on the visible / near-infrared transmission spectrum.Based on the analysis of the difficulties in the development of portable devices with near infrared transmission spectra, a portable design system of tomato quality was proposed. The system of the device mainly included the light source, the signal acquisition module, the signal processing module, the power, the heat dissipation module and the printer. The light source consists of 8 5 W halogen lamps that provide a light source for the sample. The spectrometer is connected to the focusing lens and collects the spectral curve through the sample. In order to solve the volumetric problem of the transmission spectrum detection scheme, the spectrometer and the coupling lens are mounted on the hand-held member. The development board has a tomato multi-quality parameter prediction model, the curve collected by the spectrometer is processed, and the prediction results are displayed on the LCD (liquid crystal display). This device can print the test results in real time through the print module. Based on this device, the visible and near-infrared total transmission spectra of tomato in the range of 650-1100 nm were collected, and the collected spectra were pretreated by Savitzky-Golay Smooth (SG-Smooth), standard normal variable transformation (SNV), first derivative (FD), multiplication scattering correction (MSC) and Normalization (NOR). The partial least squares prediction model of color and hardness, total acid and total sugar content of the tomato was established. In addition, based on QT development tools, tomato multi-quality non-destructive testing real-time analysis and control software was prepared. The multi-quality parameter prediction model of tomato was implanted into the device to predict the quality of the tomatoes. Finally, the stability and detection accuracy of the portable fast and non-destructive testing device of tomato were tested, and 20 samples were selected for repeated detection of the internal and external quality of tomato. The results showed that the correlation coefficient of tomato color between the predicted value and the measured value was 0.952 8, and the root mean square error was 2.703 8; the correlation coefficient of firmness between the predicted value and the measured value was 0.940 5, and the root mean square error is 0.448 6 kg/cm2; the correlation coefficient of the total acid content was 0.953 7, and the mean square error was 0.326 3%; the correlation coefficient of total sugar of tomato between the predicted value and the measured value was 0. 961 0 and the root mean square error was 0.197 4%.The maximum relative errors of red color, hardness, total acid and total sugar under repeated detection for tomato samples were 2.9%, 1.9%, 2.0% and 1.6%, respectively. In conclusion, the field application results indicate that this portable device can satisfy the requirements of tomato quality detection with high accuracy and good performance. The results provide the reference for rapid, non-destructive, and on-site detection technology and equipment of fruit internal quality.

nondestructive detection; spectrum analysis; models; tomato; portable equipment; visible/near infrared spectroscopy

10.11975/j.issn.1002-6819.2017.19.038

TS251.7; S237

A

1002-6819(2017)-19-0295-06

2017-06-07

2017-08-08

國家科技支撐項目（2014BAD04B05）

王 凡，吉林人，博士生。研究方向：農畜產品品質安全無損檢測技術及裝備。北京 中國農業(yè)大學工學院，10083。 Email：wangfan0313@126.com

※通信作者：李永玉，吉林人，副教授，博士生導師。研究方向：農畜產品品質安全無損檢測技術及裝備。北京 中國農業(yè)大學工學院，100083。 Email：yyli@cau.edu.cn