高 升 王巧華 施 行 李慶旭

(1.華中農(nóng)業(yè)大學(xué)工學(xué)院， 武漢 430070； 2.農(nóng)業(yè)農(nóng)村部長江中下游農(nóng)業(yè)裝備重點實驗室， 武漢 430070)

0 引言

葡萄是常見的水果之一，據(jù)2017年國家統(tǒng)計局的數(shù)據(jù)，我國當(dāng)年葡萄總產(chǎn)量達(dá)1.308×1010t[1]。紅提為葡萄常見品種，其顆粒飽滿、果肉堅實，紅提香甜可口、富含較多的營養(yǎng)物質(zhì)。

紅提內(nèi)部品質(zhì)評價指標(biāo)主要包括維生素C含量、可溶性固形物含量(Solube solids content, SSC)、總酸(Total acid，TA)含量、糖酸比、芳香物質(zhì)種類和含量等[2]?？扇苄怨绦挝锖涂偹岷渴撬闹匾焚|(zhì)之一，決定了果實的風(fēng)味，也是反映水果成熟度的重要指標(biāo)[3]。采后紅提果實質(zhì)地不斷發(fā)生變化，內(nèi)部組織變軟，風(fēng)味變差[4]，損傷的果粒更加容易腐爛，因此水果的硬度(Firmness index，F(xiàn)I)也是判斷果蔬成熟度和貯運品質(zhì)的一個重要指標(biāo)，硬度決定了水果的耐貯性和成熟度[5]。含水率(Moisture content，MC)作為果蔬重要的衡量指標(biāo)，對果蔬的品質(zhì)、質(zhì)構(gòu)及風(fēng)味產(chǎn)生較大的影響，含水率也是葡萄腐敗變質(zhì)的重要原因，及時檢測葡萄果粒的含水率，根據(jù)含水率挑選出將要腐爛的果實，對保護(hù)周邊好的果粒、延長貯藏時間至關(guān)重要[6]。水果內(nèi)部品質(zhì)常規(guī)檢測方法主要是破壞性抽樣檢測，繁瑣、費時，且檢測后的樣品因組織遭到嚴(yán)重破壞而不能銷售和食用，存在諸多弊端。紅提可溶性固形物含量、總酸含量、pH值、硬度和含水率的常規(guī)測定方法各不相同，同時獲取這5種品質(zhì)指標(biāo)參數(shù)需要做不同的試驗，無法同時進(jìn)行多指標(biāo)檢測。因此迫切需要一種高效、無損的紅提品質(zhì)檢測技術(shù)及儀器。

近幾年，光譜技術(shù)已廣泛應(yīng)用于水果和蔬菜內(nèi)部品質(zhì)的無損檢測[7-11]，文獻(xiàn)[12]對采后鮮食葡萄糖度進(jìn)行了可見-近紅外光譜的檢測，建立PLSR(偏最小二乘回歸)模型的決定系數(shù)為0.82、預(yù)測標(biāo)準(zhǔn)差0.83%Brix。文獻(xiàn)[13]采用高光譜成像技術(shù)測定7個品種鮮食葡萄的內(nèi)部指標(biāo)(包括pH值、TA含量、SSC)和感官屬性，認(rèn)為該技術(shù)能較好地預(yù)測葡萄的內(nèi)部品質(zhì)指標(biāo)。文獻(xiàn)[2]利用USB2000+型光譜儀采集紅提400～1 000 nm透過率光譜，并建立隨機(jī)森林預(yù)測模型，糖度、酸度的驗證集相關(guān)系數(shù)分別為0.956 8、0.940 5，結(jié)果表明，模型具有較高的準(zhǔn)確性。上述研究均屬于試驗研究，檢測儀器尺寸較大，不利于實際應(yīng)用和推廣。隨著近紅外光譜在農(nóng)產(chǎn)品品質(zhì)檢測中的應(yīng)用和普及，國內(nèi)外學(xué)者設(shè)計了針對特定作物的便攜式光譜檢測儀器[14-19]。目前，針對生長期多參數(shù)同時檢測的研究尚未見報道，且缺少針對紅提果粒的便攜式內(nèi)部品質(zhì)檢測儀器研究。

水果果實發(fā)育過程分為生長、成熟和衰老3個階段，生長階段和成熟階段又稱為生長期[20]。本文基于可見/近紅外光譜分析技術(shù)，設(shè)計便攜式紅提果粒多品質(zhì)參數(shù)無損檢測儀，編寫實時檢測軟件，通過光譜預(yù)處理和特征波長提取分別建立可溶性固形物含量、總酸含量、pH值、硬度和含水率最優(yōu)預(yù)測模型，并將其植入便攜式檢測儀，通過試驗對檢測儀器的穩(wěn)定性和精準(zhǔn)性進(jìn)行驗證，以期實現(xiàn)紅提品質(zhì)的實時無損檢測。

1 檢測儀硬件設(shè)計

1.1 工作原理

針對紅提果粒尺寸不一、果實較小等問題，專門設(shè)計了用于紅提果粒的光譜采集探頭。便攜式紅提果粒多品質(zhì)參數(shù)無損檢測儀采集生長期紅提果粒樣品的可見/近紅外漫反射光譜信息，檢測紅提果粒的可溶性固形物含量、總酸含量、pH值、硬度和含水率等主要指標(biāo)，檢測儀工作原理如圖1所示。將塑料吸盤放置到紅提果粒上，光譜采集端分為環(huán)形光源和光譜采集內(nèi)圈光纖兩部分。Y型光纖的一個端口連接鹵素?zé)艄庠矗霉饫w將光傳輸?shù)綐悠凡杉?，在樣品采集端以環(huán)形光的形式照射到紅提果粒樣品上，經(jīng)紅提樣品反射的光被樣品采集端中間的光譜采集內(nèi)圈光纖接收，通過Y型光纖把光譜信息傳入光譜儀。光譜儀將光譜信號轉(zhuǎn)換為數(shù)字信號傳送給ARM處理器，處理器根據(jù)內(nèi)部建立的紅提果粒各品質(zhì)參數(shù)預(yù)測模型分析采集的數(shù)字信號，計算后在屏幕上實時顯示紅提果粒各品質(zhì)參數(shù)的具體數(shù)值，得出相應(yīng)的預(yù)測結(jié)果并保存。

1.2 硬件設(shè)計

便攜式紅提果粒多品質(zhì)參數(shù)檢測儀通過采集紅提果粒的光譜信息，利用儀器內(nèi)部嵌入的內(nèi)部品質(zhì)預(yù)測模型，實現(xiàn)紅提果粒可溶性固形物含量、總酸含量、pH值、硬度和含水率多品質(zhì)參數(shù)的無損檢測。該儀器主要包括光譜采集探頭、光譜儀、鹵素?zé)艄庠?、鋰電池和控制器及外圍電路等部分。檢測儀的整體尺寸為200 mm×160 mm×150 mm，質(zhì)量為1 000 g，在脫離電源的情況下，該儀器可獨立工作2.5 h。硬件設(shè)計如圖2所示。

光譜采集探頭主要由Y型光纖、塑料吸盤、亞克力管、洗耳球4部分組成。Y型光纖由兩根獨立的光纖組成，Y型光纖探頭由環(huán)形光源和內(nèi)圈光纖兩部分組成，一根光纖將光源發(fā)出的光傳輸?shù)焦饫w探頭的環(huán)形光源，環(huán)形光纖發(fā)出的環(huán)形光均勻地照射在紅提果粒上；內(nèi)圈光纖將檢測器采集到經(jīng)紅提果粒漫反射作用產(chǎn)生的光返回傳送給光譜儀，采集獲得紅提果粒的內(nèi)部品質(zhì)信息。中間Y型光纖探頭封裝在亞克力的密封管內(nèi)，孔內(nèi)中空，在其裝有探頭的端頭安裝塑料吸盤，亞克力密封管的中部開有小孔，洗耳球安裝在小孔上，亞克力密封管的另外一端進(jìn)行密封。當(dāng)洗耳球吸氣時，Y型光譜的探頭與果粒在吸力的作用下緊密接觸，進(jìn)行光譜采集。塑料吸盤吸附在果粒表面，可有效去除大部分的外界光照干擾信息。光譜采集探頭及采集方式如圖3所示。

鹵素?zé)艄庠催x擇美國海洋光學(xué)公司的HL-2000-FHSA型可調(diào)鹵鎢燈光源，其尺寸為62 mm×60 mm×150 mm，質(zhì)量為500 g，該光源的波段為360～2 000 nm，功率為20 W，該光源可以通過SMA905型連接頭直接與光纖進(jìn)行連接，且光源安裝有可調(diào)節(jié)光照強度的調(diào)節(jié)旋鈕，內(nèi)部裝有冷風(fēng)扇保持散熱。

選擇美國海洋光學(xué)公司的USB2000+微型光纖光譜儀，其探測器的類型為高信噪比的線陣CCD，有效的波長范圍為480～1 100 nm?？赏ㄟ^USB進(jìn)行參數(shù)設(shè)置、數(shù)據(jù)傳輸和提供供電。光譜儀的放置位置及便攜式儀器內(nèi)部結(jié)構(gòu)如圖4所示。

選擇以S3C6410為核心的ARM11處理器作為檢測裝置的微型控制器。外圍電路主要包括USB接口電路、觸摸顯示屏、電壓轉(zhuǎn)換裝置、揚聲器和風(fēng)扇。其中，USB接口主要用于光譜儀的通訊、參數(shù)設(shè)置、數(shù)據(jù)傳輸?shù)?。觸摸顯示屏主要實現(xiàn)對儀器的控制和信息顯示，揚聲器可在完成一次完整檢測后播報提示檢測完成，風(fēng)扇可對整個裝置進(jìn)行散熱。紅提果粒內(nèi)部品質(zhì)檢測儀實物如圖5所示。

2 模型構(gòu)建

2.1 試驗材料

在湖北省武漢市小宛葡萄園選取10棵處于生長期的紅提植株并編號，采集試驗樣品時，將每次采集的葡萄串按照植株的號碼進(jìn)行編號，樣品于試驗當(dāng)天采摘。試驗周期從紅提開花后生長發(fā)育的第61天(2019年6月30日)持續(xù)到第116天(2019年8月24日)。因紅提生長成熟的周期大約為60 d，參考當(dāng)?shù)毓r(nóng)的經(jīng)驗，確定每隔5 d進(jìn)行1次采樣，每次采集試驗樣品為10串葡萄，共采樣12次。分別從前10棵采集的紅提串試驗樣品中，在每串的上部、中部、下部，各挑選3粒(每串共9粒紅提)大小相近、完好無損的紅提果粒，作為紅提果粒SSC、總酸含量、pH值指標(biāo)檢測的試驗樣品，每個試驗樣品包含3顆紅提果粒，分別測定3顆紅提果粒的光譜信息，并將3顆紅提果粒的光譜信息進(jìn)行平均后作為本樣品的光譜信息，同樣在進(jìn)行標(biāo)準(zhǔn)理化值的測定時，將相應(yīng)的3顆紅提果粒擠汁、攪勻后的汁液作為一個樣品進(jìn)行測定。在每串葡萄的上部、中部、下部，各挑選1粒，作為紅提果粒硬度指標(biāo)檢測的試驗樣品，紅提果粒含水率的指標(biāo)檢測與硬度檢測相同。每串葡萄可分別獲得3個樣本數(shù)據(jù)(每個樣本數(shù)據(jù)包括紅提果粒可溶性固形物含量、總酸含量、pH值、硬度和含水率指標(biāo))。將編號后的樣品放入恒溫恒濕箱中保存12 h，恒溫恒濕箱溫度設(shè)置為(22±1)℃，相對濕度為65%。

2.2 試驗方法

2.2.1光譜采集

直接在室內(nèi)自然狀態(tài)下進(jìn)行光譜采集。設(shè)置紅提果粒檢測儀器參數(shù)：積分時間100 ms，平均次數(shù)4次，平滑寬度3 nm。將紅提串平放在桌子上，當(dāng)洗耳球吸氣時，Y型光譜的探頭與果粒緊密接觸，進(jìn)行光譜采集，保存采集光譜數(shù)據(jù)。為消除光譜儀及外界光照的影響，去除光譜首尾兩端的部分波段，選擇波長范圍400～1 000 nm共1 806個波長點，進(jìn)行分析處理。每串挑選15顆果粒進(jìn)行光譜采集，整個試驗共采集12次，總計120串葡萄，經(jīng)過處理，總共得到1 080個樣品的光譜數(shù)據(jù)，每個內(nèi)部品質(zhì)參數(shù)各有360個樣品。

2.2.2標(biāo)準(zhǔn)理化值測定

對紅提果粒樣品進(jìn)行光譜采集后立即進(jìn)行紅提果粒標(biāo)準(zhǔn)理化值的測定，在進(jìn)行紅提果粒SSC、總酸含量、pH值測定時，將采集完光譜的樣品(3顆紅提果粒)分別放入到紅提果粒擠壓裝置(壓蒜器)擠汁，再用紗布進(jìn)行果汁的過濾，然后進(jìn)行果汁的攪拌，最后將擠壓攪拌后的果汁進(jìn)行SSC、總酸含量、pH值的測定。

SSC測定參照文獻(xiàn)[21]?？偹岷繙y定參照文獻(xiàn)[22]。pH計測定前先進(jìn)行開機(jī)穩(wěn)定(0.5 h)和校準(zhǔn)。將測定完SSC和總酸含量后剩余的果汁，進(jìn)行pH值的測定。硬度測定則是將進(jìn)行光譜檢測后的紅提樣品橫向放置在質(zhì)構(gòu)儀的試驗臺上，采用P100/R型探頭，設(shè)置測前速度為2.0 mm/s，測試速度為1.0 mm/s，測后速度為2.0 mm/s，起始力設(shè)置為0.05 N，壓縮距離為8.0 mm，對紅提果粒進(jìn)行橫向壓縮，壓縮部位為紅提的中部位置。在進(jìn)行壓縮時，隨著位移的增大，果粒受到的壓力顯著增大，當(dāng)壓縮到一定的位置時，果實在較大的壓力下會出現(xiàn)脆斷，壓力迅速減小，試驗取在整個壓縮過程中果粒所能承受的最大壓力作為評判果實硬度的指標(biāo)。將采集完光譜的紅提樣品立即進(jìn)行含水率的測定，測定參照文獻(xiàn)[23]。

2.3 模型建立及評價方法

PLSR預(yù)測模型通過最小化偏差平方和對曲線進(jìn)行線性擬合，結(jié)合了多元線性回歸、相關(guān)分析和主成分的優(yōu)點。模型的準(zhǔn)確性和穩(wěn)定性由校正集相關(guān)系數(shù)Rc及均方根誤差(RMSEC)、預(yù)測集相關(guān)系數(shù)Rp及均方根誤差(RMSEP)、殘差預(yù)測偏差(RPD)進(jìn)行模型性能的評價。相關(guān)系數(shù)越接近1，均方根誤差越接近0，模型的預(yù)測性能及穩(wěn)定性越好。RPD的評價指標(biāo)：RPD小于1.5表示預(yù)測性能較差；1.5～2.0之間表示模型可以預(yù)測低值和高值；2.0～2.5之間表示可以進(jìn)行粗略的定量預(yù)測；2.5～3.0或更高的值表示具有良好的預(yù)測精度。

2.4 光譜模型建立

2.4.1光譜預(yù)處理及樣品集劃分

通常為了保證模型的準(zhǔn)確性，需要對原始光譜(RAW)進(jìn)行光譜預(yù)處理。本研究中采用的光譜預(yù)處理方法包括標(biāo)準(zhǔn)正態(tài)變量變換(Standard normal variable transformation，SNV)、Savitzky-Golay 卷積平滑處理法(Savizky-Golay smooth，S_G)、移動平均法(Moving-average method，MA)和歸一化(Normalization，Nor)等。以紅提的SSC為例闡述光譜預(yù)處理的過程。

從圖6中可以得出，在原始光譜中所有紅提樣品的光譜都呈現(xiàn)出相同的變化趨勢，光譜曲線中存在明顯的吸收峰，分別為678 nm和970 nm，其中，678 nm的吸收峰對應(yīng)葉綠素的吸收，與生長期果皮顏色特征相關(guān)聯(lián)[24]，而970 nm吸收峰對應(yīng)水和—OH鍵的二倍頻吸收峰[25]。546、612 nm處出現(xiàn)尖峰，是因為外界光線較強且紅提果粒皮薄，還存在一定的外界光照等干擾信息。紅提樣品的光譜強度存在差異，但無法直接識別品質(zhì)的好壞，需要通過對光譜數(shù)據(jù)建立相應(yīng)的模型來預(yù)測品質(zhì)指標(biāo)。

KS(Kennard-Stone)算法作為常用的樣本劃分算法，利用變量空間之間的相對歐氏距離找出樣品集中差異較大的樣品選入校正集，其余相近的樣品選入預(yù)測集。試驗中每個指標(biāo)共采集了360份紅提樣本，按照3∶1比例利用KS算法劃分為270個校正集樣本，90個預(yù)測集樣本。從表1中可以看出，SSC的分布范圍為4.5～19.0°Brix，校正集和預(yù)測集的平均值分別為11.9、11.7°Brix；總酸質(zhì)量分?jǐn)?shù)分布范圍為2.254%～37.663%，校正集和預(yù)測集的平均值分別為10.185%、9.868%；pH值分布范圍為2.68～4.62，校正集和預(yù)測集的平均值分別為3.64、3.55；硬度分布范圍為9.414～121.305 N，校正集和預(yù)測集的平均值分別為33.620、31.975 N；含水率分布范圍為83.15%～96.52%，校正集和預(yù)測集的平均值分別為89.54%、89.68%。表明數(shù)據(jù)的分布范圍較廣，通過KS劃分的數(shù)據(jù)集分布較為合理，可提高預(yù)測模型的穩(wěn)定性。

表1 生長期紅提樣品利用KS算法劃分樣本集的數(shù)據(jù)統(tǒng)計Tab.1 Data statistics of red globe grape samples in growing period by KS algorithm

由表2可得，在紅提SSC預(yù)測模型中，原始光譜經(jīng)過MA預(yù)處理后所建的PLSR模型效果最好，Rp和RMSEP分別為0.924 6和1.306 0°Brix。在紅提TA質(zhì)量分?jǐn)?shù)預(yù)測模型中，原始光譜所建的PLSR模型效果最好，Rp和RMSEP分別為0.976 4和2.165 7%。在紅提pH值預(yù)測模型中，原始光譜經(jīng)過MA預(yù)處理后所建的PLSR模型效果最好，Rp和RMSEP分別為0.982 7和0.093 9。在紅提硬度預(yù)測模型中，原始光譜經(jīng)過Nor預(yù)處理后所建的PLSR模型效果最好，Rp和RMSEP分別為0.908 1和9.378 0 N。在紅提含水率預(yù)測模型中，原始光譜經(jīng)過S_G預(yù)處理后所建的PLSR模型效果最好，Rp和RMSEP分別為0.842 7、1.231 0%。對于紅提的SSC和pH值，原始光譜經(jīng)過MA預(yù)處理后模型的預(yù)測精度明顯提高，選取原始光譜經(jīng)過MA預(yù)處理進(jìn)行特征波長提取和建模。對于紅提的TA質(zhì)量分?jǐn)?shù)，經(jīng)過預(yù)處理所建模型的預(yù)測精度反而降低，后續(xù)利用原始光譜進(jìn)行特征波長提取和建模分析。

表2 采用不同預(yù)處理方法的全波長PLSR預(yù)測模型Tab.2 Full-wavelength PLSR prediction model using different preprocessing methods

2.4.2特征波長提取

(1)CARS

經(jīng)過預(yù)處理的原始光譜通過KS算法劃分后采用競爭性自適應(yīng)加權(quán)算法(Competitive adaptive reweighted sampling，CARS)[26]分別提取紅提的SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率的特征波長，以SSC特征波長的選取為例，因CARS算法運行方法相似，下文只闡述CARS算法對特征波長的選取過程，如圖7所示。本研究設(shè)定蒙特卡羅采樣為50次，采用5折交叉驗證法計算。由圖7b可知，交互驗證均方根誤差(RMSECV)隨著取樣運行次數(shù)增加先減小后增大：當(dāng)RMSECV逐漸減小時，表明光譜數(shù)據(jù)中部分無用的信息被剔除；當(dāng)RMSECV逐漸增大時，表明光譜數(shù)據(jù)中有用的重要信息被剔除。因此，取采樣50次所建立的PLSR模型中所對應(yīng)的最小RMSECV作為最優(yōu)結(jié)果，由圖7b可知，當(dāng)RMSECV達(dá)到最小值時，各變量的回歸系數(shù)位于圖7c中豎直線位置，采樣運行28次。

(2)SPA

連續(xù)投影算法(Successive projection algorithm，SPA)[27]是一種可有效消除變量共線性的算法。KS算法劃分后的經(jīng)過預(yù)處理原始光譜通過SPA優(yōu)選出波長序列分別建立紅提SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率的PLSR模型。

以紅提的總酸質(zhì)量分?jǐn)?shù)為例簡要闡述SPA選取特征波長的過程。根據(jù)SPA的原理，利用均方根誤差(RMSE)來決定所建模型的優(yōu)劣，均方根誤差越小模型的穩(wěn)定性越好、精度越高。RMSE隨著波長個數(shù)的變化，會不斷的波動，如圖8a所示，選擇RMSE最小值對應(yīng)的波長個數(shù)為17，作為最優(yōu)的波長個數(shù)，選取的波長在原始光譜中的索引如圖8b所示，所選波段占原始光譜信息的0.941%。

(3)UVE

以利用無信息變量消除算法(Uninformative variable elimination，UVE)[28]提取紅提果粒SSC特征波長建立PLSR模型為例，應(yīng)用UVE對經(jīng)過預(yù)處理光譜數(shù)據(jù)進(jìn)行有效信息提取，UVE的原理是將一定數(shù)目的隨機(jī)噪聲矩陣加入光譜矩陣，通過PLSR交叉驗證建立模型，得到一組回歸系數(shù)矩陣，波長變量的穩(wěn)定性指數(shù)是利用該系數(shù)矩陣的平均值除以該系數(shù)矩陣的標(biāo)準(zhǔn)差，波長變量的穩(wěn)定性指數(shù)小于某一閾值時則被剔除。設(shè)定噪聲矩陣穩(wěn)定性指數(shù)最大值的99%作為剔除閾值，圖像黃色曲線代表光譜變量的穩(wěn)定性指數(shù)，紅色曲線代表噪聲變量的穩(wěn)定性指數(shù)，兩水平虛線為變量的選擇閾值(±11.05)，虛線內(nèi)部為無用信息被消除，外部為有用信息，選取結(jié)果如圖9所示，所對應(yīng)的波長為選擇的特征波長。通過UVE共選擇1 360個特征波長。

2.4.3基于特征波長提取方法的PLSR模型效果

由表3可知，在原始光譜經(jīng)過預(yù)測處理后建立的紅提SSC、總酸質(zhì)量分?jǐn)?shù)、pH值的PLSR模型中，所建模型的校正集的相關(guān)系數(shù)與預(yù)測集的相關(guān)系數(shù)相差不大，在原始光譜經(jīng)過預(yù)測處理后建立的硬度和含水率的PLSR模型中，所建模型的校正集的相關(guān)系數(shù)與預(yù)測集的相關(guān)系數(shù)相差較大。在原始光譜經(jīng)過預(yù)測處理后建立的紅提SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率的PLSR模型中，建模所用的特征波長數(shù)量較多，需要進(jìn)行特征波長的提取進(jìn)一步提高模型的穩(wěn)定性和預(yù)測性能。對于紅提果粒SSC指標(biāo)，經(jīng)過MA-UVE-SPA所建PLSR模型的Rc、Rp和RPD都明顯大于其他特征波長提取方法建立的PLSR模型，模型效果較好；對于紅提果?？偹豳|(zhì)量分?jǐn)?shù)指標(biāo)，經(jīng)過RAW-UVE-SPA所建PLSR模型的RPD為5.051 2，明顯大于其他特征波長提取方法建立的PLSR模型，模型效果較好；對于紅提果粒pH值指標(biāo)，經(jīng)過MA-CARS-SPA所建PLSR模型的Rp和RPD明顯大于其他特征波長提取方法建立的PLSR模型，模型效果較好；對于紅提果粒硬度指標(biāo)，經(jīng)過Nor-SPA所建PLSR模型的Rp和RPD明顯大于其他特征波長提取方法建立的PLSR模型，模型效果較好；對于紅提果粒含水率指標(biāo)，經(jīng)過S_G-CARS-SPA所建PLSR模型的RPD為2.125 9，明顯大于其他特征波長提取方法建立的PLSR模型，模型效果較好；紅提果粒SSC、總酸質(zhì)量分?jǐn)?shù)、pH值和含水率的最佳模型都是通過二次波長提取的方法，紅提果粒SSC、總酸質(zhì)量分?jǐn)?shù)的最佳模型的特征波長提取方法為UVE-SPA。紅提果粒pH值和含水率的最佳模型的特征波長提取方法為CARS-SPA，硬度的最佳模型的特征波長提取方法為SPA。SSC、總酸質(zhì)量分?jǐn)?shù)、pH值所建最佳模型的校正集和預(yù)測集的相關(guān)系數(shù)均大于0.950，而硬度和含水率所建最佳模型的校正集和預(yù)測集的相關(guān)系數(shù)都低于0.950，SSC、總酸質(zhì)量分?jǐn)?shù)和pH值所建最佳模型預(yù)測性能明顯好于硬度和含水率所建模型，紅提SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率最優(yōu)預(yù)測模型的RPD分別為3.150 1、5.051 2、6.572 5、2.922 2和2.125 9，通過近紅外光譜技術(shù)，可以準(zhǔn)確地預(yù)測紅提果粒SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率內(nèi)部指標(biāo)。

表3 基于不同特征波長提取方法建立的PLSR模型效果Tab.3 Effects of PLSR models based on different feature band extraction methods

進(jìn)行特征波長提取后，所建紅提果粒SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率指標(biāo)的最優(yōu)模型最優(yōu)特征波長如表4所示。

表4 紅提不同指標(biāo)PLSR預(yù)測模型的最優(yōu)特征波長Tab.4 Optimal feature wave points for different red globe grape index PLSR prediction models

3 檢測儀軟件開發(fā)

軟件系統(tǒng)的設(shè)計主要根據(jù)系統(tǒng)的硬件平臺選擇方便開發(fā)的嵌入式操作系統(tǒng)(如Linux、WinCE、Android等)，編寫相應(yīng)的應(yīng)用程序，完成對整個系統(tǒng)的搭建。因美國海洋光學(xué)公司提供了WinCE嵌入式操作平臺的驅(qū)動程序，方便后續(xù)程序的開發(fā)，因此該ARM處理器選擇WinCE嵌入式操作系統(tǒng)。首先在計算機(jī)上搭建Visual Studio 2005開發(fā)環(huán)境，安裝相應(yīng)的SDK(Software development kit)開發(fā)包，進(jìn)行WinCE嵌入式操作系統(tǒng)下應(yīng)用程序的開發(fā)。編寫WinCE系統(tǒng)下的應(yīng)用程序，主要完成光譜儀采集參數(shù)的設(shè)置、光譜數(shù)據(jù)采集和存儲，根據(jù)采集到的光譜數(shù)據(jù)建立紅提內(nèi)部指標(biāo)的檢測模型，計算并得到測試樣品的內(nèi)部指標(biāo)，在液晶顯示屏上顯示結(jié)果。整個檢測程序的流程如圖10所示。

在WinCE系統(tǒng)下的程序運行結(jié)果顯示界面如圖11所示。圖11a為主界面，主要完成光譜儀的連接、光譜曲線顯示、光譜采集、數(shù)據(jù)處理和結(jié)果顯示等；圖11b為參數(shù)設(shè)置界面，主要包括光譜采集積分時間、平均次數(shù)、平滑度的設(shè)置。為簡化光譜采集操作步驟，系統(tǒng)默認(rèn)自動導(dǎo)入儲存的參考光譜和暗光譜，或根據(jù)實際情況重新采集暗光譜或參考光譜。參數(shù)設(shè)置完成后返回主界面。設(shè)定完相應(yīng)的采集參數(shù)后，每次對樣品進(jìn)行光譜采集試驗時，按照上文的紅提果粒采集步驟進(jìn)行光譜采集，當(dāng)按下樣品檢測按鍵，光譜儀采集樣品的光譜信息并將光譜反射率曲線實時顯示到觸摸屏幕上，系統(tǒng)根據(jù)建立好的內(nèi)部品質(zhì)檢測模型，計算樣品的相應(yīng)指標(biāo)含量，并將測量結(jié)果實時顯示到觸摸屏幕的界面上。并在SD存儲卡上保存測量結(jié)果及光譜信息。在樣品檢測完成后，揚聲器實時播報“測試完成”的語音，提示本次操作順利完成，該檢測儀可同時獲取紅提果粒SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率5個參數(shù)的值，其檢測時間小于2 s，實現(xiàn)了快速無損檢測。

4 試驗驗證

試驗材料為生長期的紅提果粒，挑選方法同紅提果粒試驗材料的選擇方法。并利用搭建的便攜式紅提果粒內(nèi)部品質(zhì)檢測儀進(jìn)行試驗，將得到的結(jié)果與理化測量值進(jìn)行分析，紅提果粒的各指標(biāo)采集80個試驗樣品。每個樣品重復(fù)采集3次，以3次紅提果粒的SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率預(yù)測結(jié)果的變異系數(shù)衡量儀器的穩(wěn)定性。

由圖12可知，紅提果粒SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率預(yù)測集的相關(guān)系數(shù)Rp分別為0.941 4、0.968 7、0.976 8、0.934 8、0.900 6；預(yù)測集的RMSEP分別為1.156 7°Brix、2.364 5%、0.098 6、8.357 1 N、1.105 1%，表明模型有較好的檢測精度。每個樣品重復(fù)預(yù)測3次，紅提果粒SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率預(yù)測結(jié)果的最大變異系數(shù)分別為0.085、0.079、0.064、0.098和0.092，表明模型有較好的穩(wěn)定性和重復(fù)性。雖然預(yù)測結(jié)果的相關(guān)系數(shù)稍低于植入模型的結(jié)果，但兩者差距較小，可能與采集時外界環(huán)境的影響有關(guān)。利用便攜式紅提果粒內(nèi)部品質(zhì)檢測儀測定的結(jié)果與真實結(jié)果相差不大，達(dá)到了設(shè)計儀器的要求。

5 結(jié)論

(1)基于可見/近紅外漫反射光譜，根據(jù)生長期紅提果粒的大小及形狀特征，設(shè)計了便攜式紅提果粒多品質(zhì)參數(shù)檢測儀，該儀器主要由光譜采集探頭、光譜儀、鹵素?zé)艄庠?、鋰電池和控制器及外圍電路等部分組成。儀器尺寸為200 mm×160 mm×150 mm，在脫離電源的情況下，該儀器可獨立工作2.5 h，滿足野外工作要求。

(2)采集生長期紅提400～1 000 nm的可見/近紅外漫反射光譜信息，對原始光譜進(jìn)行預(yù)處理和特征波長提取，分別建立了紅提SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率的最優(yōu)PLSR預(yù)測模型，所建紅提果粒的SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率的最優(yōu)PLSR預(yù)測模型的預(yù)測集相關(guān)系數(shù)分別為0.954 5、0.977 8、0.987 8、0.945 6、0.902 8，均方根誤差分別為1.012 2°Brix、2.022 5%、0.074 7、7.281 3 N、0.979 9%。

(3)應(yīng)用MFC開發(fā)工具，基于C++語言編寫了儀器實時分析處理軟件。將所建紅提SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率的最優(yōu)PLSR預(yù)測模型植入硬件裝置中，實現(xiàn)了生長期紅提果粒多品質(zhì)參數(shù)的一鍵式無損檢測，檢測儀可同時獲取紅提果粒5個參數(shù)的值，檢測時間不超過2 s，實現(xiàn)了快速無損檢測。

(4)驗證了紅提果粒多品質(zhì)參數(shù)檢測儀的檢測精度和穩(wěn)定性。紅提果粒SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率的預(yù)測集相關(guān)系數(shù)分別為0.941 4、0.968 7、0.976 8、0.934 8、0.900 6，預(yù)測集均方根誤差分別為1.156 7°Brix、2.364 5%、0.098 6、8.357 1 N、1.105 1%，預(yù)測結(jié)果的最大變異系數(shù)分別為0.085、0.079、0.064、0.098和0.092。結(jié)果表明，該儀器可完成生長期紅提果粒的SSC、總酸質(zhì)量分?jǐn)?shù)、pH值、硬度和含水率的實時無損檢測。