劉燕德，胡 宣，朱明旺，姚金良，李 斌，廖 軍，張劍一，景寒松

(1 華東交通大學(xué) 智能機(jī)電裝備創(chuàng)新研究院, 江西 南昌 330013； 2 江西省光電檢測(cè)工程技術(shù)中心,江西 南昌 330013； 3 華東交通大學(xué) 機(jī)電與車輛工程學(xué)院, 江西 南昌 330013)

我國(guó)蘋果產(chǎn)量及種植面積在全球占比超50%，但是由于采后自動(dòng)檢測(cè)和分級(jí)技術(shù)不足，導(dǎo)致我國(guó)優(yōu)質(zhì)果率不足，蘋果出口量?jī)H占總產(chǎn)量的10%，亟需水果品質(zhì)在線檢測(cè)裝置提升我國(guó)蘋果在國(guó)際市場(chǎng)的競(jìng)爭(zhēng)力。近紅外光譜在線檢測(cè)裝置作為一種快速、無(wú)損和綠色的檢測(cè)裝備，已應(yīng)用于檢測(cè)蘋果、草莓、柑橘、梨、西瓜等水果的內(nèi)部品質(zhì)[1-4]。近紅外光譜在線檢測(cè)裝置的檢測(cè)速度和積分時(shí)間等因素會(huì)影響所建立的糖度模型的性能，因此，建立檢測(cè)速度和積分時(shí)間的通用模型非常必要。

學(xué)者應(yīng)用近紅外光譜技術(shù)對(duì)水果內(nèi)部品質(zhì)做了很多研究：郭志明等[5]利用近紅外透射法建立了蘋果腐心病的在線檢測(cè)系統(tǒng)，其建立的預(yù)測(cè)模型的相關(guān)系數(shù)為0.92；Liu等[6]建立了臍橙可溶性固形物含量 (Soluble solid content，SSC)的近紅外漫反射在線檢測(cè)模型，其預(yù)測(cè)相關(guān)系數(shù)為0.90；李龍等[7]利用近紅外光譜技術(shù)搭建了蘋果在線無(wú)損檢測(cè)裝備，并對(duì)蘋果SSC建立了預(yù)測(cè)模型，其相關(guān)系數(shù)達(dá)到0.949，預(yù)測(cè)集均方根誤差為0.449；韓東海等[8]和劉新鑫等[9]使用近紅外透射光譜結(jié)合波段篩選方法對(duì)蘋果的2種病害進(jìn)行判別，其判別模型準(zhǔn)確率達(dá)到95.7%；Xu等[10]研究比較了單點(diǎn)和雙點(diǎn)檢測(cè)對(duì)蘋果SSC在線檢測(cè)精度的影響，使用雙分支光纖的系統(tǒng)證明了卓越的魯棒性，而使用單分支光纖的系統(tǒng)證明了卓越的準(zhǔn)確性，其預(yù)測(cè)集決定系數(shù)達(dá)到0.63。以上學(xué)者進(jìn)行的研究都未考慮在線檢測(cè)速度和積分時(shí)間對(duì)模型的影響，所建立的模型的性能較低。崔豐娟等[11]研究了近紅外光譜在線采集裝置的移動(dòng)速度對(duì)所建立的模型性能的影響，基于2種運(yùn)動(dòng)速度建立了混合運(yùn)動(dòng)速度模型，其預(yù)測(cè)集相關(guān)系數(shù)為0.94，均方根誤差為0.289；Sun等[12]利用近紅外動(dòng)態(tài)在線檢測(cè)裝備，研究了裝置不同運(yùn)動(dòng)速度對(duì)建立的翠冠梨糖度預(yù)測(cè)模型的影響，結(jié)果發(fā)現(xiàn)，當(dāng)運(yùn)動(dòng)速度為0.5 m/s時(shí)，所建立的糖度模型的性能較好。以上學(xué)者探究了檢測(cè)速度的因素，但是沒(méi)有涉及對(duì)積分時(shí)間的研究。本文應(yīng)用近紅外光譜在線檢測(cè)系統(tǒng)采集不同檢測(cè)速度和積分時(shí)間的蘋果光譜數(shù)據(jù)，建立不同檢測(cè)速度和積分時(shí)間的蘋果糖度通用模型。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)使用的蘋果樣品品種為‘紅富士’，共計(jì)180個(gè)，訂購(gòu)于山東煙臺(tái)某果園，蘋果直徑為75～85 mm，到貨后，用濕巾將蘋果表面灰塵擦除，置于環(huán)境溫度為25 ℃的室內(nèi)保存24 h后采集蘋果的試驗(yàn)光譜，經(jīng)Kennard-Stone(K-S)算法分類后，其中，建模集樣本光譜135個(gè)，用于建立SSC模型，預(yù)測(cè)集樣本光譜45個(gè)，用于對(duì)建立的模型性能進(jìn)行評(píng)判。

1.2 試驗(yàn)裝置與光譜采集

本文采用的近紅外光譜采集裝置是由本研究前期自主研發(fā)的動(dòng)態(tài)在線漫透射檢測(cè)裝置[13]，如圖1所示，光源為2排鹵素?zé)簦?排5個(gè)，共計(jì)10個(gè)，鹵素?zé)舻膮?shù)為12 V、100 W，為漫透射方式采集光譜信息提供光源。蘋果放在果杯上，經(jīng)鏈條傳輸至暗箱中，由鹵素?zé)粽樟两?jīng)過(guò)的蘋果，透過(guò)蘋果內(nèi)部的光被光纖接收并通過(guò)光譜儀傳輸至電腦，光譜儀的波長(zhǎng)為 350～1 150 nm，通過(guò)配套的光譜采集軟件調(diào)節(jié)樣品的積分時(shí)間。光譜采集前裝置預(yù)熱30 min，通過(guò)轉(zhuǎn)動(dòng)檢測(cè)速度旋鈕調(diào)節(jié)果杯的移動(dòng)速度，從而調(diào)節(jié)蘋果的檢測(cè)速度。試驗(yàn)分為5組，5組的檢測(cè)速度和積分時(shí)間分別為：第 1 組 0.3 m/s、100 ms，第 2 組 0.5 m/s、70 ms，第 3 組 0.5 m/s、100 ms，第4 組 0.5 m/s、120 ms，第 5 組 0.5 m/s、150 ms。每個(gè)樣品在赤道部位采集4次光譜，分布在4個(gè)面上，取其平均光譜作為該樣品的試驗(yàn)光譜。

圖1 近紅外漫透射在線檢測(cè)裝置Fig.1 Device of near-infrared diffuse transmittance online detection

1.3 SSC測(cè)定

蘋果樣品的SSC采用折射式數(shù)字糖度儀(PR-101a，日本)測(cè)量，用水果刀切下4個(gè)面光譜采集部位的部分果肉，將果肉擠出果汁，滴在糖度儀的測(cè)量位置，測(cè)量蘋果此面的糖度值，取4個(gè)面的平均糖度值作為該蘋果樣品的糖度值。

1.4 數(shù)據(jù)處理

首先應(yīng)用K-S算法將采集到的蘋果樣本進(jìn)行分類，使用Unscrambler軟件導(dǎo)入采集到的光譜數(shù)據(jù)，建立蘋果的SSC模型，模型的性能采用預(yù)測(cè)集相關(guān)系數(shù)(RP)和均方根誤差值(RMSEP)進(jìn)行評(píng)判。

2 結(jié)果與分析

2.1 蘋果SSC測(cè)量結(jié)果分析

對(duì)180個(gè)蘋果樣品分別使用K-S算法進(jìn)行建模集與預(yù)測(cè)集的分類，其中建模集135個(gè)，預(yù)測(cè)集45個(gè)，蘋果的SSC測(cè)量值如表1所示。建模集的SSC 含量范圍較廣，為 9.05～16.40°Brix，大于預(yù)測(cè)集的 SSC 含量范圍，9.65～14.85°Brix，可以對(duì)蘋果糖度模型取得較好的預(yù)測(cè)效果。

表1 蘋果SSC統(tǒng)計(jì)結(jié)果Table 1 Statistical results of apple SSC

2.2 不同檢測(cè)速度和積分時(shí)間下光譜特性分析

2.2.1 不同檢測(cè)速度和積分時(shí)間的光譜對(duì)比 取180個(gè)樣品中具有代表性的蘋果樣本，比較2種檢測(cè)速度的光譜，如圖2所示。0.3 m/s采集到的光譜能量較強(qiáng)；2種檢測(cè)速度采集到的光譜波形基本相同，波峰位于640、710、和 800 nm 處，波谷位于675、755 nm 處。在 710 nm 處的波峰主要與C—H和O—H鍵的倍頻伸縮振動(dòng)有關(guān)[14-15]，在800 nm處的波峰主要與C—H鍵及N—H鍵的二級(jí)倍頻吸收有關(guān)[16-17]。0.3 m/s檢測(cè)速度下樣品的能量光譜高于0.5 m/s，造成此現(xiàn)象的原因是0.3 m/s的檢測(cè)速度下，樣品的曝光時(shí)間長(zhǎng)，透過(guò)樣品的光能量較多，探測(cè)器接受的能量光譜值較高。

圖2 不同檢測(cè)速度下的蘋果近紅外光譜Fig.2 Near-infrared spectra of apples at different detection speeds

取與圖2相同的蘋果樣品，在4種積分時(shí)間下的光譜如圖3所示。整體光譜能量強(qiáng)弱關(guān)系是150 ms ＞ 120 ms ＞ 100 ms ＞ 70 ms，4 種積分時(shí)間所采集到的光譜波形基本相同，在640、710、800 nm附近存在波峰，波谷位于675、755 nm附近，積分時(shí)間越長(zhǎng)，光譜的能量值越高。

圖3 不同積分時(shí)間下的蘋果近紅外光譜Fig.3 Near-infrared spectra of apples with different integration time

2.2.2 不同檢測(cè)速度和積分時(shí)間的光路分析 光線在蘋果內(nèi)部傳輸路徑如圖4所示。在0.3 m/s檢測(cè)速度下，樣品在光源下的曝光時(shí)間長(zhǎng)，獲得充足光線的同時(shí)也帶入許多雜散光，導(dǎo)致下方光纖接收到的信息含有許多無(wú)用信息；在0.5 m/s檢測(cè)速度下，傳輸速度加大導(dǎo)致攜帶蘋果內(nèi)部品質(zhì)信息的光線傳輸?shù)焦谏希瑳](méi)有被果杯下的光纖探頭接收。對(duì)于不同的積分時(shí)間，短積分時(shí)間導(dǎo)致較少的光線進(jìn)入蘋果內(nèi)部，光纖探頭獲取的光譜信息量不足，從而導(dǎo)致獲取的蘋果內(nèi)部品質(zhì)信息不足；長(zhǎng)積分時(shí)間時(shí)進(jìn)入蘋果內(nèi)部的光線較多，同時(shí)光纖探頭接收的蘋果內(nèi)部品質(zhì)信息已經(jīng)飽和，更多地獲取了雜散光的信息[18]。以上因素都會(huì)導(dǎo)致所建立的蘋果SSC預(yù)測(cè)模型性能變差。

圖4 光線在蘋果內(nèi)部傳輸路徑圖Fig.4 Light transmission path in apple

2.3 單一檢測(cè)速度和積分時(shí)間建立模型的適用性

2.3.1 檢測(cè)速度與積分時(shí)間相同時(shí)建模集與預(yù)測(cè)集 使用偏最小二乘法 (Partial least squares，PLS)建立蘋果糖度預(yù)測(cè)模型，為防止模型過(guò)擬合或欠擬合，潛變量的數(shù)量 (Latent variables, LVs)設(shè)定為1～20。5組檢測(cè)速度和積分時(shí)間建立的蘋果糖度PLS模型結(jié)果如表2所示，建模集與預(yù)測(cè)集檢測(cè)速度與積分時(shí)間相同時(shí)蘋果SSC散點(diǎn)圖如圖5所示。結(jié)果表明：積分時(shí)間在100～150 ms時(shí)，建模集和預(yù)測(cè)集模型的相關(guān)系數(shù)(RC、RP)都在0.85以上，且預(yù)測(cè)集均方根誤差(RMSEP)較小，模型精度較高；積分時(shí)間為70 ms時(shí)，建立的模型精度較低，積分時(shí)間對(duì)蘋果糖度模型存在閾值，下面只研究100～150 ms積分時(shí)間提高模型精度的方法。

圖5 建模集與預(yù)測(cè)集的檢測(cè)速度與積分時(shí)間相同時(shí)蘋果SSC散點(diǎn)圖Fig.5 Scatter diagram of apple SSC under the same detection speed and integration time of modeling set and prediction set

2.3.2 檢測(cè)速度與積分時(shí)間不同時(shí)建模集與預(yù)測(cè)集 由表2可以看出，當(dāng)檢測(cè)速度為0.5 m/s、積分時(shí)間為100 ms時(shí)，建立的蘋果SSC模型性能最好，RP為0.921，RMSEP為0.451。選取檢測(cè)速度為0.5 m/s、積分時(shí)間為 100 ms組中的建模集作為建模集與預(yù)測(cè)集檢測(cè)速度與積分時(shí)間不同時(shí)模型的建模集，分別對(duì)其他組別的預(yù)測(cè)集進(jìn)行預(yù)測(cè)，其結(jié)果如表3所示，其預(yù)測(cè)模型散點(diǎn)圖如圖6所示。結(jié)果表明：當(dāng)建模集與預(yù)測(cè)集檢測(cè)速度與積分時(shí)間不同時(shí)，RMSEP較建模集與預(yù)測(cè)集檢測(cè)速度與積分時(shí)間相同時(shí)大，預(yù)測(cè)效果較差。在實(shí)際的水果在線檢測(cè)線上，需建立在一定檢測(cè)速度和積分時(shí)間范圍內(nèi)均適用的模型，因此下面將研究如何提高蘋果糖度模型在不同檢測(cè)速度和積分時(shí)間下的適用性。

圖6 檢測(cè)速度0.5 m/s、積分時(shí)間100 ms預(yù)測(cè)其他試驗(yàn)組蘋果SSC預(yù)測(cè)值與實(shí)際值散點(diǎn)圖Fig.6 Scatter diagram of predicted value and actual value of apple SSC for other experimental groups predicted by detection speed of 0.5m/s and integration time of 100 ms

表2 5組檢測(cè)速度和積分時(shí)間建模結(jié)果1）Table 2 Modeling results of five groups of detection speed and integration time

表3 檢測(cè)速度0.5 m/s、積分時(shí)間100 ms時(shí)預(yù)測(cè)其他檢測(cè)速度和積分時(shí)間模型的結(jié)果1）Table 3 Prediction results of other detection speeds and integration time models with detection speed of 0.5 m/s and integration time of 100 ms

2.4 混合檢測(cè)速度和積分時(shí)間建立模型的適用性

在“2.3”4組試驗(yàn)組中的建模集中，使用K-S算法共選取135個(gè)具有代表性的樣本光譜作為混合檢測(cè)速度與積分時(shí)間預(yù)測(cè)模型的建模集，分別對(duì)各試驗(yàn)組進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果如表4所示，其預(yù)測(cè)模型散點(diǎn)圖如圖7所示。結(jié)果表明：混合檢測(cè)速度和積分時(shí)間建立的預(yù)測(cè)模型擬合效果較好，模型性能較優(yōu)，相對(duì)于單一速度和積分時(shí)間作為建模集建立的預(yù)測(cè)模型，RP明顯提高，RMSEP明顯減小，模型穩(wěn)定性明顯提高，能在一定檢測(cè)速度和積分時(shí)間范圍內(nèi)，對(duì)蘋果SSC達(dá)到更好的預(yù)測(cè)，滿足不同環(huán)境下蘋果糖度在線檢測(cè)的要求。

表4 混合檢測(cè)速度和積分時(shí)間預(yù)測(cè)模型預(yù)測(cè)結(jié)果1)Table 4 Prediction results of prediction model with mixed detection speed and integration time

圖7 混合檢測(cè)速度和積分時(shí)間預(yù)測(cè)模型蘋果SSC預(yù)測(cè)值與實(shí)際值散點(diǎn)圖Fig.7 Scatter diagram of predicted value and actual value of apple SSC of prediction model with mixed detection speed and integration time

3 結(jié)論

本文研究了不同檢測(cè)速度和積分時(shí)間對(duì)蘋果SSC預(yù)測(cè)模型的影響，預(yù)測(cè)模型中建模集和預(yù)測(cè)集的檢測(cè)速度和積分時(shí)間相同時(shí)的預(yù)測(cè)效果優(yōu)于建模集與預(yù)測(cè)集的檢測(cè)速度和積分時(shí)間不同時(shí)。為滿足在線檢測(cè)的需要，預(yù)測(cè)模型應(yīng)在一定的檢測(cè)速度和積分時(shí)間范圍內(nèi)，保持良好的預(yù)測(cè)性能，為此建立了混合檢測(cè)速度和積分時(shí)間模型；相對(duì)于單一檢測(cè)速度和積分時(shí)間作為建模集建立的預(yù)測(cè)模型，RP由0.877提高至0.919，RMSEP由0.570減小至0.477，對(duì)蘋果SSC達(dá)到更好的預(yù)測(cè)效果，滿足了不同環(huán)境下蘋果糖度在線檢測(cè)的要求。