张猛+张昕明+高铭萱+詹念+程坤

摘 要 利用近红外漫反射定量技术，设计了苹果糖度无损检测系统，采用最小二乘法建立了近红外光谱与苹果糖度之间的数学定量模型，对模型进行校验，得到苹果糖度实际值与预测值的相关性。相关系数为0.7521，RMSE=1.1818。采用980nm的激光二極管作为特征光源。光源经过苹果内部产生漫反射光信号，该信号被光电传感器采集。用微控制器处理该信号再加上外围电路组成无损检测系统。

【关键词】苹果 近红外光谱 无损检测

苹果富含矿物质和维生素，是人们最常食用的水果之一，是低热量食物，易被人体吸收，有“活水”之称，可以溶解硫元素，使皮肤润滑柔嫩，深受人们喜爱。随着人们生活水平提高，人们对于苹果的含糖量有了新要求，但传统的折光仪有损检测时耗时、费力和效率低；无损的检测仪又携带不便、操作复杂、使用条件苛刻和价格昂贵等缺点不能普及推广使用。因此在此基础上本文设计了这套无损检测系统，它具有便携、操作简单和低成本的特点。

国内外在苹果糖度的无损检测方面做过很多的研究，在国外如LammertynJeroen等人在2000年，在11363-6060cm-1范围内利用光纤探头对Jonadold苹果糖分含量进行了近红外光谱反射特性的试验研究，通过偏最小二乘法分析得出两者的相关系数在0.79-0.91之间；Zou等人在2007年利用遗传算法、间隔偏最小二乘法（iPLS）进行特征波段的挑选，提高了苹果糖度模型的预测精度；Liu等人在2007年分析了不同测量距离对苹果糖度无损检测的影响；在国内，刘燕德等人在2010年建立了红富士苹果糖度的近红外漫反射主成分回归PCR多元校正模型，得出相关系数：=0.844，标准校正误差SEC=0.729；韩东海等人在2014年利用近红外光谱结合混合线性分析法的一种变形算法HLA/XS建立苹果糖度校正模型，得出：=0.87611、标准预测误差SEP=0.4848；王加华等人利用近红外漫反射光谱结合主成分回归PCR和偏最小二乘法PLS研究了苹果糖度无损检测，通过比较二者的相关系数、标准校正误差和预测标准误差，得出偏最小二乘法PLS模型更优。

本文在前人研究的基础上，利用近红外漫反射分析技术，进行了基于近红外漫反射的苹果糖度无损检测系统的研究。

1 数学预测模型建立

选择50个红富士苹果样品，利用980nm的激光二极管作为光源照射苹果样品的表面，用光电探测器接收经过苹果内部漫反射产生的光信号，再用手持糖度计有损的检测苹果的实际糖度，最后用最小二乘法建立漫反射信号与苹果糖度相关的数学预测模型，经过模型的校验得到相关系数r=0.7521，RMSE=1.1818。

2 系统的检测原理和硬件组成

2.1 检测原理

苹果中的糖分物质含有易吸收近红外光谱的官能团，不同糖度的苹果由于其吸收官能团的不同，使得在光源照射苹果表面，在苹果内部发生漫反射时，会使探测器接收到的漫反射光信号强度不同，通过建立接收端接收到的漫反射光信号和苹果糖度的数学关系，结合化学计量学的方法可以定量预测苹果的糖度值。

2.2 硬件电路

如图1是基于近红外光谱的苹果糖度的无损检测系统的结构框图。光源部分是激光二极管，经激光二极管照射苹果表面，由光电探测器即光电二极管采集漫反射信号，经由后续的电路处理送到微控制器。将上述的数学预测模型通过软件写入微控制器，通过采集得到的漫反射光信号反演得到苹果的糖度，通过液晶屏显示糖度值。

3 结论

本文应用近红外漫反射技术建立了苹果糖度无损检测系统，该系统操作简便、便于携带和成本低，为苹果糖度的无损检测装置的研究和推广做出了贡献，今后可以进一步研究，提高预测精度，以及推广到其他水果。

参考文献

[1]苹果.中国植物志[J].1974（36）：372.

[2]SaranwongS，SornsrivichaiJ，KawanoS.Journal of Near Infrared Spectroscopy[J].2003（11）：175.

[3]LammertynJ，NicolaiB，OomsK，et al.Non-destructive measurement of acidity，solublesolids，and firmness of Jonagold apples using NIR-spectroscopy[J].Transactions of the ASAE，1998，41（04）：1089-1094.

[4]XiaoboZ，JiewenZ，XingyiH，etal.Use of FT-NIRspectrometry in non-invasive measurements of soluble solidcontents（SSC） of 'Fuji'apple based ondifferent P1.S models[J].Chemometrics arid Intelligent Laboratory Systems，2007，87（01）：43-51.