李 剑， 李臻峰,， 宋飞虎,， 步正延

(1.江南大学 机械工程学院，江苏 无锡 214122；2.江苏省食品先进制造装备技术重点实验室，江苏 无锡 214122)

基于近红外光谱的水蜜桃采摘期的鉴别方法*

李 剑1， 李臻峰1,2， 宋飞虎1,2， 步正延1

(1.江南大学机械工程学院，江苏无锡214122；2.江苏省食品先进制造装备技术重点实验室，江苏无锡214122)

提出了一种利用近红外漫反射光谱技术结合光纤传感技术建立水蜜桃采摘期的鉴别方法。从无锡阳山镇的某大棚采摘了距最佳采摘期天数为3，2，1以及处于最佳采摘期的水蜜桃各48个，用近红外光谱仪对样品进行了光谱采集。对原始光谱进行平滑、一阶微分和多元散射校正预处理，采用主成分分析(PCA)结合偏最小二乘(PLS)法建立了水蜜桃采摘期的鉴别模型。研究显示：一阶微分和平滑组合预处理后的鉴别模型效果最好，校正集模型和预测集模型的决定系数分别为0.927 9和0.913 8；模型的内部交叉验证均方差(RMSECV)和预测均方根偏差(RMSEP)分别为0.300 3和0.334 9；水蜜桃样品校正集和预测集的鉴别正确率分别为95.13 %和93.75 %。结果表明：利用近红外漫反射光谱技术对水蜜桃采摘期的鉴别具有很好的应用前景。

近红外光谱； 水蜜桃； 采摘期； 偏最小二乘法

0 引 言

现阶段的水蜜桃质量检测和分级通常只能从外观进行人为判断，受主观性较强，检测效率低。研究水蜜桃的最佳收获期，对于提高产品附加值，实现自动化具有重要意义。

近红外光谱技术具有多种成分同时检测、采集速度快、成本低、无前处理、无破坏性和无污染等特点，堪称“绿色检测技术”[1～4]。包含定性分析和定量分析，结合化学计量学方法建立数学模型分析样品内部品质和近红外光谱的相关性[5]。

近年来，国内外利用近红外光谱技术对苹果[6，7]、梨[8，9]、李子[10]、枣[11]、芒果[12]等水果进行了研究，取得了很多成就。在近红外光谱技术对桃[13]的研究应用方面，也相应取得了不少进展。潘磊庆等人[14]利用傅里叶近红外光谱技术，采用多元散射校正、一阶导数和卷积平滑处理方法对样品原始光谱进行预处理，结合偏最小二乘法建立数学模型，对货架期水蜜桃糖度进行了预测，得到了比较好的预测效果。冯晓元等人[15]利用近红外光谱漫反射技术预测了久保桃的内部可溶性固形物含量，研究发现，采用一阶微分对光谱的预处理结合改进偏最小二乘法建立的预测模型的相关性较高。目前，国内还没有关于不同采摘期的水蜜桃的鉴别研究。本文利用近红外漫反射系统对不同采摘期的水蜜桃进行了光谱采集，通过Matlab软件对原始光谱进行了预处理，并建立了偏最小二乘数学模型，对距离最佳采摘期不同天数的水蜜桃进行了鉴别，为水蜜桃的采摘和生长管理提供了品质保证。

1 材料与方法

1.1 试验材料

选定产于无锡阳山镇的某大棚的“湖景”水蜜桃，分别采摘距最佳采摘期天数为3，2，1以及处于最佳采摘期的水蜜桃各48个，共192个。当天运实验室，所有水蜜桃表面清理干净，分别编号，贮藏于恒温恒湿培养箱内。定义水蜜桃类别为3，2，1，0。校正集由每个类别里随机选择的36个样品组成，共144个。预测集由4个类别里余下的12个样品组成，共48个。

1.2 近红外光谱检测系统

近红外光谱漫反射系统的硬件由近红外光谱仪、光纤、光纤探头、光源(50W石英卤素灯)以及计算机等组成，系统如图1所示。近红外光谱漫反射系统的运作过程为：光源发出的光通过光纤进入水蜜桃内部组织中漫射，从水蜜桃内部漫射光从光纤射出并进入近红外光谱仪。近红外光谱仪和计算机通过A/D转换器对光谱信号进行数字化处理，计算机运行近红外光谱仪自带光谱控制软件实现光谱数据获取、转换和光谱存储。实验采用光谱仪的光谱采集范围为900～2500nm。光谱采集软件为Morpho光谱仪控制软件。采集的光谱数据以Excel形式导出。系统采用小功率双光源，使得整个果实表面得到全面照射，获得更多的光谱信息，同时保护了果实表面。

1.3 近红外光谱采集

光谱仪预热0.5h后，对样品分别进行漫反射光谱采集。实验选用直径为75mm的聚四氟乙烯球作为参比去除大部分直接由样品表面散射进入光纤探头的光。在每个水蜜桃赤道部位等距采集4次光谱，然后将4次光谱值取平均，作为每个水蜜桃的原始光谱，并尽可能避免样品明显的表面缺陷。

2 结果与分析

2.1 光谱数据预处理

由图2可以看出：4种类型的光谱图具有一定的相似性，但波峰强度存在较大的差异，主要是由于处于不同采摘期的水蜜桃的内部化学成分和组织结构存在差异。由于水蜜桃自身表面的物理特性和内部细胞变化等因素的影响，导致光谱基线偏移和漂移，产生了光散射和高频噪声，因此，需要对样品的原始光谱进行预处理。为比较预处理方法对模型效果的影响，分别利用原始光谱，平滑，一阶微分和标准正态变量转换(SNV)及相关组合预处理的光谱数据建立数学模型。平滑的目的主要是消除随机噪声，一阶微分能够比较好地去除样品由颜色差异产生的光谱的基线偏移与漂移，而SNV可以减少水蜜桃样品的表面散射特性和光程变化对光谱带来的影响。

图2 不同采摘期水蜜桃典型漫反射近红外原始光谱

表1 不同光谱预处理方法的PLS模型预测结果

2.2 主成分分析结果

主成分分析在不丢失大部分光谱信息的条件下，选取少数几个综合指标来替代原来的变量。预处理后的光谱矩阵为X，选用Matlab中多元统计分析函数princomp(X)实现主成分分析。一阶微分加平滑预处理后主成分累积贡献率结果如表2所示，第一主成分到第十主成分的累积贡献率已高达91.22 %。说明该10个主成分能够代表近红外原始光谱的大部分信息。

表2 一阶微分加平滑预处理后主成分贡献率

2.3 模型的建立与验证

选用偏最小二乘法建立水蜜桃光谱与采摘期的数学模型。实验选取了144个水蜜桃组成校正样本集，选取样品的全波段近红外光谱和距离最佳采摘期的天数(真实值)建立关联模型，利用该模型预测48个预测集样品距离最佳采摘期的天数。光谱数据矩阵为X，样品距离最佳采摘期的天数为T，调用Matlab软件函数plsregress(T,X)实现。图3为水蜜桃校正集样品真实类别与模型预测类别结果，其决定系数为0.927 9，校正均方根误差为0.300 3。图4为水蜜桃预测集样品真实类别与模型预测类别结果，其决定系数为0.913 8，预测均方根误差为0.334 9。如表3所示，模型的校正集和预测集的鉴别正确率分别为95.13 %和93.75 %。 由此可见,经一阶微分结合平滑预处理后建立的偏最小二乘数学模型具有较好的鉴别效果。说明近红外光谱对水蜜桃采摘期的鉴别有实际的应用价值。

图3 水蜜桃校正集样品真实类别与模型预测类别结果

图4 水蜜桃预测集样品真实类别与模型预测类别结果

样本样本总数鉴别错误的样本数不确定的样本数鉴别正确率/%校正样本1447095.13预测样本483093.75

3 结 论

通过近红外光谱漫反射检测系统对不同采摘期的水蜜桃进行了光谱采集，采用一阶微分和平滑对原始近红外光谱进行了预处理。选取了原始光谱通过预处理后的全部波段进行了建模，采用主成分分析进行了特征提取，结合偏最小二乘法建立了水蜜桃采摘期的鉴别模型。校正集模型和预测集模型的决定系数分别为0.927 9和0.913 8，模型的内部交叉验证均方差和预测均方根偏差分别为0.300 3和0.334 9。模型的鉴别正确率分别为95.13 %和93.75 %。说明所建模型具有较好的鉴别效果。该研究为水蜜桃采摘期的鉴别提供了一种简便有效的方法，为水蜜桃的采摘和生长管理提供了品质保证，为在线无损检测水蜜桃的最佳采摘期提供了理论参考。

[1] 李军涛.近红外反射光谱快速评定玉米和小麦营养价值的研究[D].北京：中国农业大学,2014.

[2] 吴静珠,吴胜男,刘翠玲,等.近红外和高光谱技术用于小麦籽粒蛋白含量预测探索[J].传感器与微系统,2013,32(2):60-62.

[3] 吴静珠,刘 倩,陈 岩,等.基于近红外与高光谱技术的小麦种子多指标检测方法[J].传感器与微系统,2016,35(7):42-44.

[4] 严衍禄,赵龙莲,韩东海,等.近红外光谱分析基础与应用[M].北京:中国轻工业出版,2005:3-4.

[5] 刘 莹,胡云龙.基于ARM9的近红外山茶油无损检测仪研究[J].传感器与微系统,2013,32(4):72-75.

[6] 应义斌,刘燕德,傅霞萍.苹果有效酸度的近红外漫反射无损检测[J].农业机械学报,2004, 35(6):124-126.

[7] 傅霞萍,应义斌,刘燕德.苹果糖度近红外光谱检测的初步试验研究[J].中国食品学报, 2005, 5(2):103-107.

[8] 张 楠,程玉来,李东华,等.近红外透射光谱测定水晶梨糖度的初步研究[J].食品工业科技, 2007, 28(3):215-216,228.

[9] 潘 璐,王加华,李鹏飞,等.砂梨糖度近红外光谱波段遗传算法优化[J].光谱学与光谱分析,2009,29( 5):1246-1250.

[10] Slaughter D C,Thompson J F, Tan E S.Nondestructive determination of total and soluble solids in fresh prune uning near infrared spectroscopy[J].Post Harvest Biology and Technology, 2003,28(3):437-444.

[11] 张淑娟,王凤花,张海红,等.鲜枣品种和可溶性固形物含量近红外光谱检测[J].农业机械学报,2009,40(4):139-142.

[12] 虞佳佳,何 勇,鲍一丹.基于光谱技术的芒果糖度酸度无损检测方法研究[J].光谱学与光谱分析,2008,28(12):2839-2842.

[13] Peiris K H S,Dull G G,Leffler R G,et al.Near-infrared spectrometric method for nondestructive determination of soluble solids content of peaches[J].Journal of the American Society for Horticultural Science,1998,123(5):898-905.

[14] 潘磊庆,刘 明,韩东海,等.水蜜桃货架期内糖度的近红外光谱检测[J].南京农业大学学报,2013(4):116-120.

[15] 冯晓元,王宝刚,李文生,等.近红外漫反射光谱预测久保桃可溶性固形物初步实验研究[J].食品工业科技,2008(3):273-275.

Identificationmethodofpickingperiodofjuicypeachesbasedonnearinfraredspectroscopy*

LI Jian1, LI Zhen-feng1,2, SONG Fei-hu1,2, BU Zheng-yan1

(1.SchoolofMechanicalEngineering,JiangnanUniversity,Wuxi214122,China；2.JiangsuKeyLaboratoryofAdvancedFoodManufacturingEquipmentandTechnology，Wuxi214122,China)

A near infrared diffuse spectroscopy technology combined with optical fiber sensing technology is used to explore nondestructive testing methods to identify the picking period of juicy peaches.48each of juicy peaches of3,2and1days from the best picking period and the day in the best picking period from a greenhouse in Yangshan town of Wuxi.The samples are collected by near infrared spectrometer.Three pre-processing methods i.e.smoothing,first derivative and mutiplicative scatter correction are used.Identification models of picking period are developed by principal component analysis(PCA) and partial least square(PLS) regression.The results show that first derivative and smoothing combination preprocessing construct the best predicted model.The correlation coefficient of calibration and validation model are0.9279and0.9138respectively.The root mean square error of cross validation(RMSECV) and the root mean square error of prediction(RMSEP) are0.3003and0.3349respectively.The recognition rates in the calibration set and prediction set of juicy peaches are95.13% and93.75% respectively.Results shows that the method of using the near infrared spectroscopy technology to identify the picking period of juicy peaches has a very good application prospect.

near infrared spectroscopy; juicy peaches; picking period;partial least square(PLS) method

10.13873/J.1000—9787(2017)10—0048—03

2016—11—25

国家自然科学基金资助项目(51406068)；江苏省政策引导类计划(产学研合作)——前瞻性联合研究项目(2015019—16);江苏省食品先进制造装备技术重点实验室开放基金资助项目(FM—201504)

S 123

A

1000—9787(2017)10—0048—03

李 剑(1991-)，男，硕士研究生，研究方向为机械电子工程，E—mail:lijian06@126.com。李臻峰(1968-)，男，通讯作者，博士，高级教授，研究方向为机械电子工程，E—mail：1078709105@qq.com。