不同光谱采集位置和数量对番石榴品质检测的影响

　　番石榴是岭南大宗水果之一， 周身是宝, 果味独 特、鲜美, 富含有益于人体的各种营养成分，具有药用和保健作用。 番石榴果实可溶性固形物（SSC）是衡量其内部品质的重要指标。 目前国内外都是采用破坏性的化学方法对番石榴内在品质进行测定， 存在样品预处理繁琐、检测时间长、检测成本高等方面的问题。 近红外光谱技术具有无需前处理、无污染、快速无损等优点，近年基于近红外光谱的无损检测分析广泛应用于水果、食品、生物化学和工业检测等方面。

　　但目前国内尚无对番石榴的近红外光谱无损检测的研究。

　　对番石榴内在品质进行无损检测时， 为了使入射光充分进入果实内部， 首先基于漫反射法采集番石榴近红外光谱。 查阅国内外相关文献，绝大多数果品的近红外无损检测均采用漫反射法， 并且多数选取在赤道处采集 1 处或 4 处光谱， 然后取其平均值代表整果的光谱。 通常果品内部营养成分的含量并不均匀，选取特定 1 处或几处特定区域平均往往并不能很好的代表果品固有的光谱特性， 试验中往往可以看到不同区域的光谱并不具有很好的一致性。 为了取得较好的无损检测精度， 必须使采集到的光谱能全面的反映出样本内在品质，选择不同光谱采集位置和采集数量，势必会对检测结果产生影响。 本研究探讨在番石榴顶部、赤道及底部区域采集漫反射光谱的位置和数量对 PLS 建模的影响，并用连续投影算法（SPA）筛选番石榴可溶性固形物（SSC）的特征波段，简化预测模型，对快速准确无损检测番石榴品质， 促进水果产后处理和检测分级技术发展都有重大意义。

　　1、 材料与方法

　　1.1 试验材料

　　供试样本为 246 个台湾 21 世纪番石榴样本。 样本果实体型较大、体态椭圆，并且表面凹凸不平，番石榴样本的重量为 240~270 g， 最大横径为 6.1~7.8 cm，顶端至底端的长度为 7.3~8.4 cm。

　　1.2 试验设备

　　采用近红外便携式光纤光谱仪 NIR Quest512（Ocean Optics，USA）采集番石榴的光谱数据。 该光谱仪如图 1 所示，测量的波长范围为 900~1 700 nm，波长分辨率为~3.0 nm FWHM，信噪比（满量程时）大于 15 000:1，积分时间为 0.001~10 s。 试验使用 The Unscrambler9.8 和 Matlab 进行数据处理。

　　试验采用 PAL-1 数字显示糖度计（Atago，Japan）测量番石榴的可溶性固形物。 该糖度计的测量范围为0.0~53.0% Brix， 最 小标度为 0.1% Brix， 精 度为 ±0.2%Brix。 通过 3 s 测量 0.3 mL 的样本量便能快速得到样本的可溶性固形物含量。

　　1.3 检测方法

　　1.3.1 光谱采集 建立基于漫反射法的近红外光谱采集系统，如图 2 所示。 积分球内含反射光源，积分球的进光孔直径为 8.5 mm， 经番石榴反射后的光线进入积分球，然后通过 600 μm 的光纤采集传至光谱仪，最后由计算机进行光谱数据处理。 光谱仪积分时间为 0.25s，平滑宽度为 4，每次光谱采集平均次数为 4。

　　为了全面收集番石榴的光谱信息， 将番石榴样本从上往下分成顶端、 赤道和底部 3 个区域， 如图 3 所示。 由实际生活经验和相关参考文献可知，番石榴果肉可溶性固形物一般在顶部含量较多，赤道含量居中，而底部的含量最多，分布并不均匀。 分别从这 3 个区域采集 4 次光谱，4 次采集位置依次旋转 90°， 且位于同一水平面。 为了分析番石榴的光谱采集位置和数量对其近红外光谱无损检测的影响， 随后将以赤道 1 处光谱、赤道 4 处平均光谱和全部 12 处平均光谱（图 4）代表每个样本的光谱进行建模比较。

　　1.3.2 测定可溶性固形物(SSC) 使用组织粉碎机榨碎番石榴样本，然后过滤，得到番石榴果汁，将果汁滴至糖度计的检测区域进行检测。 对每个番石榴 SSC 测量2 次，取平均值作为每个样本的 SSC 值，所有 246 个样本的 SSC 结果如表 1 所示。

　　1.4 连续投影算法（SPA）优选波长

　　试验中所采集的光谱波段为 900~1 700 nm。 全波段建模不仅包含冗余变量，产生干扰噪声，同时也会增大计算量， 影响建模分析效率。 连续投影算法（Successive Projection Algorithm, SPA）是一种前向循环的变量选择方法， 能够从严重重叠的光谱信息提取有效信息，筛选特征光谱变量，从而简化校正模型和缩短校正时间。

　　2、 结果与分析

　　2.1 不同光谱采集位置和数量对建模的影响

　　选取校正集 213 个样本，以赤道 1 处光谱、赤道 4处平均光谱和全部 12 处平均光谱代表每个样本的漫反射光谱进行建模比较。 此前，首先对各类光谱逐一进行移动平均、卷积平滑、多元散射校正等多种预处理，然后采用内部全交互验证方式建立 PLS 模型。 3 种光谱所建模型的校正相关系数、验证相关系数、校正均方根误差以及验证均方根误差在不同的预处理方式下的结果如表 2 所示。

　　光谱未经任何预处理时，以样本 12 处平均光谱作为样本光谱建立的 PLS 模型， 其校正相关系数 Rc 为0.90，校 正均方根误差 RMSEC 为 0.46，验 证相关系数Rcv 为 0.86，验证均方根误差 RMSECV 为 0.54，在 3 种光谱建立的模型中效果是最好的。 以赤道 4 处平均光谱建模的效果次之，以赤道 1 处光谱建模的效果最差。

　　在各种预处理中，进行一阶导数预处理的 12 处平均光谱的建模效果最好 ，Rc 为 0.95， 校正均方根误差RMSEC 为 0.30，Rcv 为 0.92, 验证均方根误差RMSECV为 0.40。分别对上述 3 种光谱进行一阶导数预处理，建立 3个 PLS 模型，然后使用这 3 个模型对预测集 33 个样本进行预测。 使用样本 12 点平均光谱建立的模型结果如图 5， 预测相关系数 Rp 为 0.962， 预测均方根误差RMSEP 为 0.432，远比另外两种光谱数据建模的预测结果好，4 处平均光谱建立的模型预测效果次之， 以赤道1 处建立的模型预测效果最差。

　　通过对 3 种 PLS 建模效果的比较可知， 当以番石榴样本赤道及两端共 12 个光谱取样点的平均数据作为样本光谱数据时，所得的建模效果最好。

　　2.2 SPA 算法优选波长

　　采用 12 处平均光谱， 使用 SPA 对 900~1 700 nm的全波段进行特征波长选择， 选取波长数目与对应的RMSE 关系如图 6 所示，最终得到 23 个波长，占总波长的 2.9%。 特征波长具体为：900、901、924、934、969、1 069、1 127、1 149、1 171、1 230、1 313、1 344、1 368、1 379、1 394、1 452、1 477、1 518、1 587、1 642、1 674、1 689、1 700 nm。以这 23 个波长变量作为输入建立 PLS 模型，对预测集进行预测，预测结果如图 7 所示。 所得的预测相关系数 Rp 为 0.903，预测均方根误差 RMSEP 为 0.363，达到较好的预测结果。

　　3、 结论

　　番石榴是岭南佳果，大部分品种果型较大，内部品质分布不均匀。试验表明在顶部、赤道和底部采集的 12处漫反射光谱平均值比较全面的携带了整个样本的信息，建立的模型预测效果最好，以在赤道 4 处的漫反射平均光谱建模，效果次之，如以赤道 1 处光谱建模，携带的信息量具有局限性，建模效果最差。

　　参考文献：
　　[1] 刘建林,夏明忠,袁 颖.番 石榴的综合利用现状及发展前景[J].中国林副特产,2005(6):60-62.
　　[2] 欧阳爱国,谢小强,周延睿,等.苹果可溶性固形物近红外光谱检测的偏最小二乘回归变量筛选研究[J].光谱学与光谱分,2012,32(10):2680-2684.
　　[3] 田海清,应义斌,陆辉山,等.可见/近红外光谱漫反射技术检测西瓜坚实度的研究[J].光谱学与光谱分,2007,27(6):1113-1117.
　　[4] 雷松泽,姚红革.近 红外光谱分析技术在水果品质无损检测上的应用[J].光谱实验室,2007, 26(4):775-779.
　　[5] 段民孝,邢锦丰,郭景伦,等.近 红外光谱(NIRS)分 析技术及其在农业中的应用[J].北京农业科学,2002(1):11-14.
　　[6] De Sousa Marques, Aline, Nicacio, et al. The use of nearinfrared spectroscopy and multivariate techniques todifferentiate Escherichia coli and Salmonella Enteritidisinoculated into pulp juice [J]. Journal of microbiologicalmethods ,2013,93(2):90-94.
　　[7] 宗莉,薛娴,王 涛,等.近红外光谱分析技术在水果内部品质无损检测中的应用[J].安徽农业科学,2010,38(6):2765-2767.
　　[8] Hsieh C, Lee Y. Applied visible/near-infrared spectroscopy ondetecting the sugar content and hardness of pearl guava [j].American Society of Agricultural Engineers,2005,21(6): 1039-1046.
　　[9] 代芬,洪 添胜,罗 霞,等.基 于可见－近 红外光谱的砂糖橘总酸无损检测[J].华中农业大学学报,2012,31(4):518-523.
　　[10] 马兰,夏 俊芳,张 战锋,等.光 谱预处理对近红外光谱无损检测番茄可溶性固形物含量的影响 [J]. 华中农业大学学报,2008,27(5):672-675.
　　[11] 何东健,前 川孝昭,森 岛博.水 果内部品质在线近红外分光检测装置及试验 [J].农业工程学报,2001,17(1):146-148.
　　[12] 洪涯，洪添胜,代 芬,等.连 续投影算法在砂糖橘总酸无损检测中的应用[J].农业工程学报,2010,26(2):380-384.
　　[13] 黄凌霞,吴迪,金 航峰,等.基 于变量选择的蚕茧茧层量可见一近红外光谱无损检测[J].农业工程学报,2010,26(2):231-236.
　　[14] 耿晌,陈斌,叶静,等.茶叶咖啡碱近红外光谱模型简化方法[J].农业工程学报,2009,25 (10):345-349.
　　[15] Liu Y, Ying Y B, Yu H Y, et al. Comparison of the HPLCmethod and FT -NIR analysis for quantification of glucose,fructose, and sucrose in intact apple fruits [J]. J.Agric. FoodChem. 2006,54:2810-2815.
　　[16] 曾一凡,刘 春生,孙 旭东,等.可见 ／ 近 红外光谱技术无损检测果实坚实度的研究[J].农业工程学报,2008,24(5):250- 252.