留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于光源发射接收一体化探头的糖度分选线改造研究

刘燕德 饶宇 孙旭东 肖怀春 姜小刚 徐海 李雄 徐佳 王观田

刘燕德, 饶宇, 孙旭东, 肖怀春, 姜小刚, 徐海, 李雄, 徐佳, 王观田. 基于光源发射接收一体化探头的糖度分选线改造研究[J]. 中国光学, 2020, 13(4): 795-804. doi: 10.37188/CO.2019-0165
引用本文: 刘燕德, 饶宇, 孙旭东, 肖怀春, 姜小刚, 徐海, 李雄, 徐佳, 王观田. 基于光源发射接收一体化探头的糖度分选线改造研究[J]. 中国光学, 2020, 13(4): 795-804. doi: 10.37188/CO.2019-0165
LIU Yan-de, RAO Yu, SUN Xu-dong, XIAO Huai-chun, JIANG Xiao-gang, XU Hai, LI Xiong, XU Jia, WANG Guan-tian. Modification of Soluble Solids Content sorting line based on light source transmitting and receiving integrated probe[J]. Chinese Optics, 2020, 13(4): 795-804. doi: 10.37188/CO.2019-0165
Citation: LIU Yan-de, RAO Yu, SUN Xu-dong, XIAO Huai-chun, JIANG Xiao-gang, XU Hai, LI Xiong, XU Jia, WANG Guan-tian. Modification of Soluble Solids Content sorting line based on light source transmitting and receiving integrated probe[J]. Chinese Optics, 2020, 13(4): 795-804. doi: 10.37188/CO.2019-0165

基于光源发射接收一体化探头的糖度分选线改造研究

doi: 10.37188/CO.2019-0165
基金项目: 国家自然科学基金(No. 31760344);江西省杰出青年人才资助计划(No. 20171BCB23060);水果光电检测技术能力提升项目(No. S2016-90)
详细信息
    作者简介:

    刘燕德(1967—),女,江西泰和人,教授,博士生导师,2006年于浙江大学获得博士学位,现为华东交通大学机电学院院长,主要从事光机电检测技术与装备方面的研究,E-mail:jxliuyd@163.com

    饶 宇(1993—),男,江西吉安人,硕士研究生,主要从事水果无损检测装备方面的研究,E-mail:caeser-rao108@foxmail.com

  • 中图分类号: S24

Modification of Soluble Solids Content sorting line based on light source transmitting and receiving integrated probe

Funds: Supported by National Natural Science Foundation of China (No.31760344); Subsidize Scheme for Outstanding Youth Talents of Jiangxi Province (No. 20171BCB23060); Photoelectric Detection Technology of Fruits’ Capacity Improvement Project (No. S2016-90)
More Information
  • 摘要: 传统外部品质分选目前已经无法满足人们对水果口感品质的需求,对传统外部品质分选线进行糖度分选改造,实现糖度分选,对确保水果的口感品质具有重要意义。分别采集两种不同检测方式下获取的脐橙的近红外漫反射光谱,其中环形发射与接收漫反射方式的光谱能量要比多点发射与接收漫反射方式强,波峰与波谷位置大致相同。近红外漫反射光谱经基线校正、多元散射校正、一阶、二阶导数等方法进行光谱数据预处理,以减少杂散光和噪声的影响。分别建立脐橙在两种不同漫反射检测方式下的糖度偏最小二乘(PLS)模型进行对比分析。实验结果表明,采用基线校正预处理方法获得的结果最优;环形发射与接收漫反射检测方式下的糖度模型预测相关系数为0.81,预测均方根误差为0.46°Brix,多点发射与接收漫反射检测方式下的糖度模型预测相关系数为0.76,预测均方根误差为0.53°Brix。研究表明,应用PLS建模结合近红外漫反射光谱对传统外部品质分选线中的糖度分选线功能进行升级改造是可行的。
  • 图  1  实验装置图

    Figure  1.  Experimental device

    图  2  近红外漫反射在线检测装置示意图

    Figure  2.  Schematic diagram of online detection device of near infrared diffuse reflection

    图  3  光纤不同角度示意图

    Figure  3.  Schematic diagram of fiber with different angles

    图  4  光纤在不同出射角度下的光强图

    Figure  4.  Light intensity charges of optical fiber at different exit angles

    图  5  两种不同漫反射式及相应检测光纤探头的发射接收端

    Figure  5.  Two kinds of diffuse reflection detection modes and corresponding optical fiber probes

    图  6  两种光纤探头下参比球光谱的标准偏差

    Figure  6.  Standard deviations of reference sphere spectra under two different kinds of fiber probes

    图  7  两种不同检测方式下的可见近红外漫反射光谱

    Figure  7.  Visible near-infrared diffuse reflectance spectra with two different kinds of detection modes

    图  8  两种不同检测方式下脐橙实果与脐橙果皮的近红外漫反射光谱

    Figure  8.  Visible near-infrared diffuse reflectance spectra of navel orange and peel with two different kinds of detection modes

    图  9  环形发射与接收检测方式下基线校正前后光谱图

    Figure  9.  Spectra obtained by ring transmission and diffuse reflection mode before and after pretreatment with baseline correction

    图  10  多点发射与接收检测方式下基线校正前后光谱对比

    Figure  10.  Spectra obtained by multi-point transmission and diffuse reflection mode before and after pretreatment with baseline correction

    图  11  两种漫反射方式下预测集的糖度模型主成分因子图

    Figure  11.  Principal component factor charts of prediction set obtained with two kinds of diffuse reflection methods

    图  12  两种不同漫反射方式下的回归系数图

    Figure  12.  Regression coefficients obtained with two different kinds of diffuse reflection methods

    图  13  环形发射与接收模式下偏最小二乘模型预测散点图

    Figure  13.  Predicted scatter plot with partial least squares model using ring transmission and diffuse reflection mode

    图  14  多点发射与接收模式下偏最小二乘模型预测散点图

    Figure  14.  Predicted scatter plot with partial least squares model using multi-point transmission and diffuse reflection mode

    表  1  两种不同近红外漫反射光谱检测方式结合不同预处理方法时的脐橙糖度PLS建模结果

    Table  1.   PLS modeling results of navel orange sugar content using two different near-infrared diffuse reflectance spectroscopy methods combined with different pretreatment methods

    检测方式预处理方法RcRMSECRpRMSEPPCs
    环形发射和接收无预处理0.890.390.820.4312
    MSC0.890.410.750.5110
    Baseline0.900.380.810.4611
    1st-90.830.480.800.469
    2st-130.950.260.730.5815
    SG-50.860.450.770.5115
    多点发射和接收无预处理0.920.310.770.519
    MSC0.910.330.720.598
    Baseline0.940.280.760.5310
    1st-30.870.400.790.506
    2st-130.840.450.750.536
    SG-50.820.480.810.476
    下载: 导出CSV
  • [1] 陈亚平, 杨保华. 食品动态检重秤控制器设计[J]. 衡器,2018,47(1):44-46. doi:  10.3969/j.issn.1003-5729.2018.01.012

    CHEN Y P, YANG B H. Food dynamic check weighing scale controller design[J]. Weighing Instrument, 2018, 47(1): 44-46. (in Chinese) doi:  10.3969/j.issn.1003-5729.2018.01.012
    [2] 陈孝照. 柑桔重量式分选机自动控制系统设计[J]. 福建农机,2015(3):9-12. doi:  10.3969/j.issn.1004-3969.2015.03.003

    CHEN X ZH. Design of automatic control system for citrus weight sorting machine[J]. Fujian Agricultural Machinery, 2015(3): 9-12. (in Chinese) doi:  10.3969/j.issn.1004-3969.2015.03.003
    [3] 张剑一. 动态称重数据处理算法及其在禽蛋和类球形水果分选中的应用研究[D]. 杭州: 浙江大学, 2017.

    ZHANG J Y. Dynamic weighing data processing algorithm and its application to poultry egg and spherical fruits sorting[D]. Hangzhou: Zhejiang University, 2017. (in Chinese)
    [4] 高升, 王巧华, 李庆旭, 等. 基于近红外光谱的红提维生素C含量、糖度及总酸含量无损检测方法[J]. 分析化学,2019,47(6):941-949.

    GAO SH, WANG Q H, LI Q Y, et al. Non-destructive detection of vitamin C, sugar content and total acidity of red globe grape based on near-infrared spectroscopy[J]. Chinese Journal of Analytical Chemistry, 2019, 47(6): 941-949. (in Chinese)
    [5] 李龙, 彭彦昆, 李永玉. 苹果内外品质在线无损检测分级系统设计与试验[J]. 农业工程学报,2018,34(9):267-275. doi:  10.11975/j.issn.1002-6819.2018.09.033

    LI L, PENG Y K, LI Y Y. Design and experiment on grading system for online non-destructive detection of internal and external quality of apple[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(9): 267-275. (in Chinese) doi:  10.11975/j.issn.1002-6819.2018.09.033
    [6] 赵环, 宦克为, 石晓光, 等. 基于自加权变量组合集群分析法的近红外光谱变量选择方法研究[J]. 分析化学,2018,46(1):136-142.

    ZHAO H, HUAN K W, SHI X G, et al. A variable selection method of near-infrared spectroscopy based on automatic weighting variable combination population analysis[J]. Chinese Journal of Analytical Chemistry, 2018, 46(1): 136-142. (in Chinese)
    [7] 谢越, 李飞跃, 范行军, 等. 基于近红外光谱技术的生物炭组分分析[J]. 分析化学,2018,46(4):609-615.

    XIE Y, LI F Y, FAN X J, et al. Component analysis of biochar based on near infrared spectroscopy technology[J]. Chinese Journal of Analytical Chemistry, 2018, 46(4): 609-615. (in Chinese)
    [8] 赵娟, 全朋坤, 马敏娟, 等. 富士苹果采收成熟度光谱无损预测模型对比分析[J]. 农业机械学报,2018,49(12):347-354. doi:  10.6041/j.issn.1000-1298.2018.12.041

    ZHAO J, QUAN P K, MA M J, et al. Comparative analysis of harvest maturity model for Fuji apple based on visible/near spectral nondestructive detection[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(12): 347-354. (in Chinese) doi:  10.6041/j.issn.1000-1298.2018.12.041
    [9] 胡士成, 白凯伦, 毛丽婷, 等. 苹果糖度的光谱模型温度补偿设计[J]. 食品安全质量检测学报,2018,9(11):2716-2721. doi:  10.3969/j.issn.2095-0381.2018.11.028

    HU SH CH, BAI K L, MAO L T, et al. Design of spectral model for temperature compensation in measurement of sugar content in apples[J]. Journal of Food Safety &Quality, 2018, 9(11): 2716-2721. (in Chinese) doi:  10.3969/j.issn.2095-0381.2018.11.028
    [10] 杨卫梅, 刘刚, 欧全宏, 等. 红外光谱结合曲线拟合对自然老化豆类种子的研究[J]. 分析化学,2019,47(12):2004-2011.

    YANG W M, LIU G, OU Q H, et al.. Study on natural aging legume seeds by infrared spectroscopy combined with curve fitting[J]. Chinese Journal of Analytical Chemistry, 2019, 47(12): 2004-2011. (in Chinese)
    [11] 李梦依, 仓世龙, 孔寒, 等. 近红外光谱分析技术在玉米品质分析中的应用[J]. 山东化工,2019,48(3):68-71.

    LI M Y, CANG SH L, KONG H, et al. The application of near infrared spectroscopy in corn quality analysis[J]. Shandong Chemical Industry, 2019, 48(3): 68-71. (in Chinese)
    [12] 史云颖, 李敬岩, 褚小立. 多元校正模型传递方法的进展与应用[J]. 分析化学,2019,47(4):479-487.

    SHI Y Y, LI J Y, CHU X L. Progress and application of multivariate calibration model transfer method[J]. Chinese Journal of Analytical Chemistry, 2019, 47(4): 479-487. (in Chinese)
    [13] SHAO W H, LI Y J, DIAO S F, et al. Rapid classification of Chinese quince (Chaenomeles speciosa Nakai) fruit provenance by near-infrared spectroscopy and multivariate calibration[J]. Analytical and Bioanalytical Chemistry, 2017, 409(1): 115-120. doi:  10.1007/s00216-016-9944-7
    [14] 崔丰娟, 闸建文. 近红外透射苹果运动速度模型适用性的研究[J]. 农机化研究,2010,32(11):170-173. doi:  10.3969/j.issn.1003-188X.2010.11.042

    CUI F J, XIA J W. Study of the applicability of the apple speed model by near-infrared transmission[J]. Journal of Agricultural Mechanization Research, 2010, 32(11): 170-173. (in Chinese) doi:  10.3969/j.issn.1003-188X.2010.11.042
    [15] 章海亮, 孙旭东, 郝勇, 等. 近红外漫反射无损检测赣南脐橙中可溶性固形物和总酸[J]. 食品科学,2011,32(6):151-154.

    ZHANG H L, SUN X D, HAO Y, et al. Determination of soluble solids and total acidity in Gannan navel orange by near infrared diffuse reflection spectroscopy[J]. Food Science, 2011, 32(6): 151-154. (in Chinese)
    [16] 刘燕德, 吴明明, 李轶凡, 等. 苹果可溶性固形物和糖酸比可见/近红外漫反射与漫透射在线检测对比研究[J]. 光谱学与光谱分析,2017,37(8):2424-2429.

    LIU Y D, WU M M, LI Y F, et al. Comparison of reflection and diffuse transmission for detecting solid soluble contents and ratio of sugar and acid in apples by on-line Vis/NIR spectroscopy[J]. Spectroscopy and Spectral Analysis, 2017, 37(8): 2424-2429. (in Chinese)
    [17] SARANWONG S I, SORNSRIVICHAI J, KAWANO S. Performance of a portable near infrared instrument for Brix value determination of intact mango fruit[J]. Journal of Near Infrared Spectroscopy, 2003, 11(3): 175-181. doi:  10.1255/jnirs.364
    [18] WALSH K B, GOLIC M, GREENSILL C V. Sorting of fruit using near infrared spectroscopy: application to a range of fruit and vegetables for soluble solids and dry matter content[J]. Journal of Near Infrared Spectroscopy, 2004, 12(1): 141-148.
    [19] GREENSILL C V, WALSH K B. A remote acceptance probe and illumination configuration for spectral assessment of internal attributes of intact fruit[J]. Measurement Science and Technology, 2000, 11(12): 1674-1684. doi:  10.1088/0957-0233/11/12/304
    [20] TSUTA M, YOSHIMURA M, KASAI S, et al. Prediction of internal flesh browning of “Fuji” apple using Visible-Near Infrared spectra acquired by a fruit sorting machine[J]. Japan Journal of Food Engineering, 2019, 20(1): 7-14. doi:  10.11301/jsfe.18530
    [21] DASZYKOWSKI M, SERNEELS S, KACZMAREK K, et al. TOMCAT: A MATLAB toolbox for multivariate calibration techniques[J]. Chemometrics and Intelligent Laboratory Systems, 2007, 85(2): 269-277. doi:  10.1016/j.chemolab.2006.03.006
  • [1] 金文玲, 曹乃亮, 朱明东, 陈伟, 张佩光, 赵庆磊, 梁静秋, 余应弘, 吕金光, 阚瑞峰.  基于近红外超连续激光光谱的水稻种子活力无损分级检测研究 . 中国光学, 2020, 13(5): 1-12. doi: 10.37188/CO.2020-0027
    [2] 马王杰慧, 刘彦磊, 陈志影, 刘玉芳.  变温下材料表面近红外双向反射分布函数的测量研究 . 中国光学, 2020, 13(5): 1-9. doi: 10.37188/CO.2019-0256
    [3] 刘燕德, 徐海, 孙旭东, 姜小刚, 饶宇, 徐佳, 王军政.  不同产地苹果糖度可见近红外光谱在线检测 . 中国光学, 2020, 13(3): 482-491. doi: 10.3788/CO.2019-0128
    [4] 吴勇, 杨鹏翎, 张磊, 冯刚, 赵军.  漫反射金膜在1.064μm波长处的反射特性 . 中国光学, 2019, 12(4): 913-919. doi: 10.3788/CO.20191204.0913
    [5] 董家宁, 范杰, 王海珠, 邹永刚, 张家斌, 侯春鸽.  高反射光学薄膜激光损伤研究进展 . 中国光学, 2018, 11(6): 931-948. doi: 10.3788/CO.20181106.0931
    [6] 欧阳爱国, 唐天义, 王海阳, 刘燕德.  近红外光谱法检测乙醇柴油主要性能指标 . 中国光学, 2017, 10(3): 363-369. doi: 10.3788/CO.20171003.0363
    [7] 陈世伟, 杨小冈, 张胜修, 刘云峰.  基于自适应扩散模型的单帧红外条纹非均匀性校正算法 . 中国光学, 2016, 9(1): 106-113. doi: 10.3788/CO.20160901.0106
    [8] 张一舟, 许廷发, 刘子伟, 申子宜, 郭巳秋.  基于Savitzky-Golay加权拟合的红外图像非均匀性条带校正方法 . 中国光学, 2015, 8(1): 51-59. doi: 10.3788/CO.20150801.0051
    [9] 李艳杰, 金光, 张元, 孔林.  成像与激光发射系统的共口径设计与实验 . 中国光学, 2015, 8(2): 220-226. doi: 10.3788/CO.20150802.0220
    [10] 毕研盟, 王倩, 杨忠东, 谷松岩, 吴荣华, 刘成保.  星载近红外高光谱CO2遥感进展 . 中国光学, 2015, 8(5): 725-735. doi: 10.3788/CO.20150805.0725
    [11] 李志刚.  基于探测器标准的高精度光谱辐射标准光源 . 中国光学, 2015, 8(6): 909-918. doi: 10.3788/CO.20150806.0909
    [12] 王飞, 戢运峰, 冯刚, 徐作冬, 邵碧波.  红外焦平面阵列非线性校正曲线测量方法 . 中国光学, 2014, 7(1): 144-149. doi: 10.3788/CO.20140701.0144
    [13] 张晓龙, 刘英, 王健, 周昊, 孙强.  不同非均匀性校正温度的红外测温技术 . 中国光学, 2014, 7(1): 150-155. doi: 10.3788/CO.20140701.0150
    [14] 施建华, 伏思华, 谢文科.  光栅光谱仪光谱响应误差校正 . 中国光学, 2014, 7(3): 483-490. doi: 10.3788/CO.20140703.0483
    [15] 张学明.  激光接收与彩色电视共窗口设计 . 中国光学, 2014, 7(6): 942-948. doi: 10.3788/CO.20140706.0942
    [16] 张春雷, 向阳.  超光谱成像仪图像均匀性校正 . 中国光学, 2013, 6(4): 584-590. doi: 10.3788/CO.20130604.0584
    [17] 吴海滨, 唐莎猷, 程浩, 王会, 于晓洋.  编码光系统的颜色耦合与颜色失衡校正 . 中国光学, 2013, 6(4): 521-528. doi: 10.3788/CO.20130604.0521
    [18] 王龙, 蔺超, 郑玉权.  CO2探测仪星上定标铝漫反射板的制备与试验 . 中国光学, 2013, 6(4): 591-599. doi: 10.3788/CO.20130604.0591
    [19] 陈万英, 唐玉国, 巴音贺希格, 崔继承, 冯树龙.  微型平像场近红外光谱仪的消杂散光设计 . 中国光学, 2010, 3(3): 263-267.
    [20] 陈少杰, 唐玉国, 巴音贺希格, 李延超, 于宏柱, 崔继承.  高速便携式近红外光栅光谱仪光电系统设计 . 中国光学, 2009, 2(4): 322-328.
  • 加载中
图(14) / 表 (1)
计量
  • 文章访问数:  941
  • HTML全文浏览量:  982
  • PDF下载量:  11
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-08-12
  • 修回日期:  2019-09-29
  • 网络出版日期:  2020-06-29
  • 刊出日期:  2020-08-01

基于光源发射接收一体化探头的糖度分选线改造研究

doi: 10.37188/CO.2019-0165
    基金项目:  国家自然科学基金(No. 31760344);江西省杰出青年人才资助计划(No. 20171BCB23060);水果光电检测技术能力提升项目(No. S2016-90)
    作者简介:

    刘燕德(1967—),女,江西泰和人,教授,博士生导师,2006年于浙江大学获得博士学位,现为华东交通大学机电学院院长,主要从事光机电检测技术与装备方面的研究,E-mail:jxliuyd@163.com

    饶 宇(1993—),男,江西吉安人,硕士研究生,主要从事水果无损检测装备方面的研究,E-mail:caeser-rao108@foxmail.com

  • 中图分类号: S24

摘要: 传统外部品质分选目前已经无法满足人们对水果口感品质的需求,对传统外部品质分选线进行糖度分选改造,实现糖度分选,对确保水果的口感品质具有重要意义。分别采集两种不同检测方式下获取的脐橙的近红外漫反射光谱,其中环形发射与接收漫反射方式的光谱能量要比多点发射与接收漫反射方式强,波峰与波谷位置大致相同。近红外漫反射光谱经基线校正、多元散射校正、一阶、二阶导数等方法进行光谱数据预处理,以减少杂散光和噪声的影响。分别建立脐橙在两种不同漫反射检测方式下的糖度偏最小二乘(PLS)模型进行对比分析。实验结果表明,采用基线校正预处理方法获得的结果最优;环形发射与接收漫反射检测方式下的糖度模型预测相关系数为0.81,预测均方根误差为0.46°Brix,多点发射与接收漫反射检测方式下的糖度模型预测相关系数为0.76,预测均方根误差为0.53°Brix。研究表明,应用PLS建模结合近红外漫反射光谱对传统外部品质分选线中的糖度分选线功能进行升级改造是可行的。

English Abstract

刘燕德, 饶宇, 孙旭东, 肖怀春, 姜小刚, 徐海, 李雄, 徐佳, 王观田. 基于光源发射接收一体化探头的糖度分选线改造研究[J]. 中国光学, 2020, 13(4): 795-804. doi: 10.37188/CO.2019-0165
引用本文: 刘燕德, 饶宇, 孙旭东, 肖怀春, 姜小刚, 徐海, 李雄, 徐佳, 王观田. 基于光源发射接收一体化探头的糖度分选线改造研究[J]. 中国光学, 2020, 13(4): 795-804. doi: 10.37188/CO.2019-0165
LIU Yan-de, RAO Yu, SUN Xu-dong, XIAO Huai-chun, JIANG Xiao-gang, XU Hai, LI Xiong, XU Jia, WANG Guan-tian. Modification of Soluble Solids Content sorting line based on light source transmitting and receiving integrated probe[J]. Chinese Optics, 2020, 13(4): 795-804. doi: 10.37188/CO.2019-0165
Citation: LIU Yan-de, RAO Yu, SUN Xu-dong, XIAO Huai-chun, JIANG Xiao-gang, XU Hai, LI Xiong, XU Jia, WANG Guan-tian. Modification of Soluble Solids Content sorting line based on light source transmitting and receiving integrated probe[J]. Chinese Optics, 2020, 13(4): 795-804. doi: 10.37188/CO.2019-0165
    • 近年来,人们对水果的口感品质十分重视,传统的外部品质分选方法已无法满足口感品质的分选需求。糖度(Soluble Solids Content, SSC)是评价脐橙内部品质的一个重要指标。对传统外部品质分选线进行改造升级,实现糖度分选,确保水果的口感品质具有重要的现实意义[1-7]

      近红外光谱技术由于具有绿色、快速、无损的优势,已经应用于多种水果的内部品质检测[8-13]。崔丰娟[14]等对苹果动态在线检测的传输速度对模型精度的影响进行了研究。章海亮[15]等利用近红外漫反射无损检测技术对赣南脐橙糖度和总酸含量进行了相关研究,他们的研究结果表明采用一阶微分结合偏最小二乘法建模的预测效果最好,可用于评价脐橙的糖度和总酸含量。Liu[16]等进行了苹果糖酸比和糖度可见近红外漫反射和漫透射对比研究,结果表明漫透射检测方式优于漫反射检测方式,主要原因是漫透射检测方式在克服杂散光方面更有优势。Saranwong S[17]等对比分析了两种近红外漫反射仪器在芒果品质检测上的应用,结果表明,FT20与FS6500光谱仪精度相似,均方根误差均为0.40°Brix。Walsh[18]等使用自主研发的近红外光谱检测平台,分别验证了苹果、油桃、木瓜、西瓜等多种水果的糖度和干物质含量分选模型的精度,结果表明,模型精度符合分选要求。Greensill C V[19]等使用自主设计的光学系统,探索了硬皮甜瓜果实从近端到远端轴的SSC取样准确度,结果表明,果实赤道区域采集的光谱和SSC取样值能充分代表整个果实。Mizuki[20]等应用苹果分选机顶部和底部的光谱仪,结合偏最小二乘判别分析方法,建立了苹果内部褐变发生的模型,结果表明,模型具有19.8%的分类误差,88.6%的灵敏度和78.1%的特异性,可以预测内部褐变的发生。多数学者[15-16]对水果的近红外光谱模型进行了探讨,少数学者[17-20]自行设计近红外光谱检测平台,探索水果内部品质模型的建立方法,但尚未见对水果传统分选装备进行近红外光谱内部品质检测改造的研究报道。

      本文利用两种不同的可见近红外漫反射式在线检测方式,提出了两种不同的漫反射光谱在线检测方案,旨在通过搭建简易平台,实现对传统外部品质分选线的改造升级,探讨不同预处理方式对光谱建模的影响,运用偏最小二乘回归分析建模方法,最终建立脐橙糖度环形发射与接收和多点发射与接收两种近红外漫反射式检测模型。

    • 实验使用的脐橙样品购买于南昌市某水果市场,为了消除水果大小差异造成的探头到水果之间距离的改变,在选购样品时尽量挑选果型一致的脐橙样品。将脐橙表面擦净,在25 ℃室温下静置24 h,依次采集脐橙样品的横纵径、重量、糖度等指标。实验共采集360个样品,利用Kennard-Stone法[21]依次将采集到的两种不同漫反射检测方式下的数据集划分为建模集和预测集。其中环形发射与接收的漫反射检测方式的建模集为275个,预测集为85个,多点发射与接收的漫反射式检测方式的建模集为270个,预测集为90个。

    • 采用自主搭建的实验平台进行光谱采集,实验平台搭建在重量分选装置上的出果口前,考虑实际应用场景,光源发射与接收探头安装在距离果杯15 cm处,探头到水果样品的距离是30 mm,环形探头的出射光半径为10 mm,出射光在聚乙烯白球上形成的阴影区域距离球心40 mm,球的半径为42 mm,由球面的面积公式得出阴影区域的面积为527.78 mm2,试验装置如图1所示。近红外漫反射在线检测装置如图2所示。采用Ocean Optics公司的QE PRO光谱仪作为实验用的光谱采集装置,其波长范围为185~1 150 nm,狭缝宽度为100 μm,光源为1个12 V、100 W的卤钨灯,采用稳压电源供电。光纤不同角度示意图及光纤不同出射角度下的光强变化分别如图3图4所示。由图3图4可知,两种不同光纤探头均是在90°出射角度下接收到的光强最强,45°次之,135°最弱,因此试验选择的光纤出射角度为90°,即光纤竖直向下照射接收。

      图  1  实验装置图

      Figure 1.  Experimental device

      图  2  近红外漫反射在线检测装置示意图

      Figure 2.  Schematic diagram of online detection device of near infrared diffuse reflection

      图  3  光纤不同角度示意图

      Figure 3.  Schematic diagram of fiber with different angles

      图  4  光纤在不同出射角度下的光强图

      Figure 4.  Light intensity charges of optical fiber at different exit angles

      实验以聚四氟乙烯球作为参比,预热30 min后进行实验。实验参数如下:积分时间为100 ms,光照强度为100 W,采用自主研发的两种不同的漫反射式检测光纤探头,分别为环形发射与接收漫反射式光纤探头和多点发射与接收漫反射式光纤探头,两种探头均将发射光源与接收光源装置集成在同一探头上(图2)。通过卤钨灯提供直射光源,从光源接收端口进入光纤,再由探头发射端发射出光照,光信号进入样品内部,经过吸收、反射后,由探头接收端口接收到漫反射光信号,经过光纤传输并触发光谱仪进行数据收集,每触发一次光谱,通过光谱采集软件储存一条光谱。

    • 脐橙糖度含量由折射式数字糖度计(ATAGO PAL-α,日本ATAGO公司)测定,测量前,用纯净水洗净并将糖度计擦干,用纯净水进行标定时,糖度值应为0°Birx,测量时,将标记部分约5 mm深处果肉使用一次性纱布滤出少量果汁,滴于糖度计的测试窗口,重复3次,取3次的平均值作为糖度真实值,所得值以质量分数表示。

    • 采用基线校正、多元散射校正、 多项式平滑算法(SG)、一阶、二阶导数等预处理方法对光谱数据进行预处理。通过偏最小二乘法(PLS)分别建立两种不同漫反射式的糖度模型。偏最小二乘法中的相关系数R和预测集均方根误差RMSEP、建模集均方根误差RMSEC的计算公式如下:

      $$ R = \sqrt {\frac{{\displaystyle\sum\limits_{i = 1}^n {{\left( {{{\hat y}_i} - {y_i}} \right)}^2}}}{{\displaystyle\sum\limits_{i = 1}^n {{\left( {{y_i} - {{\hat y}_i}} \right)}^2}}}}\; ,$$ (1)
      $$ {\rm{RMSEC}} = \sqrt {\frac{1}{{{n_c} - 1}}\mathop \sum \limits_{i = 1}^{{n_c}} {{\left( {{{\hat y}_i} - {y_i}} \right)}^2}} \;,$$ (2)
      $$ {\rm{RMSEP}} = \sqrt {\frac{{\displaystyle\sum\limits_{i = 1}^{{n_p}} {{\left( {{y_i} - {{\hat y}_i}} \right)}^2}}}{{{n_p}}}}\;,$$ (3)

      其中:n为样品总数;nc为校正集样品个数;np为预测集样品个数;yi为校正集第i个样品的真实值,$ {{{\hat y}_i}}$为预测集的第i个样品的预测值。

    • 实验所用光纤探头为自主研发的两种不同的漫反射式检测光纤探头,如图 5 所示。为使光源远离漫反射接收端,设计光纤长1.5 m,光源接收端口直径为 49.9 mm,光纤直径为 24.5 mm,其中,图 5(a)为环形发射与接收漫反射检测光纤示意图,图5(c)为它的发射与接收端探头示意图,直径为 25.6 mm,光源出射口直径为 18.6 mm,反射光接收口直径为 6.2 mm,由于其自身结构特点,光在样品中会形成一个光阑,从而较好地避免了镜面反射光的干扰。光源从接收处射入,光通过光路照射到样品表面,光路中间被接收探头遮挡,形成一个环形光源,并在样品表面形成圆形阴影,光经过样品内部,经过吸收和散射,从阴影部分透射出来,经接收探头接收,对光谱仪进行触发。图 5(b)为多点发射与多点接收漫反射检测光纤示意图。图5(d)为它的发射与接收端探头示意图,探头直径为56 mm,三个光源出射口和三个反射光接收口均匀分布在探头上,其中一个光源出射口位于探头中心,另外两个光源出射口垂直分布在距探头中心11.5 mm处,两者相距28 mm,其中一个反射光接收口位于中心垂直位置的14 mm处,另两个反射光接收口垂直分布在15 mm处,两者相距30 mm。反射光接收口接收到的反射光既包含了漫反射光,也包含了镜面反射的光,光通过光路照射样品,经过镜面反射、吸收和散射等,进入接收探头,并触发光谱仪对光谱进行保存。

      图  5  两种不同漫反射式及相应检测光纤探头的发射接收端

      Figure 5.  Two kinds of diffuse reflection detection modes and corresponding optical fiber probes

      标准偏差(SD)是一种度量数据分散程度的标准,用以衡量数据值偏离算数平均值的程度,标准偏差越小,表示仪器的重复性越好。开机预热30 min后,用直径为70 mm的聚四氟乙烯球作为标准参比,分别采集两种不同光纤探头下的20条标准参比的光谱。图6(彩图见期刊电子版)为两种光纤探头的标准偏差曲线。由图6可知,环形发射与接收式光纤探头的参比球光谱标准偏差要比多点发射与接收光纤探头低,环形发射与接收式光纤探头的标准偏差在451个波长点处最大为56.74,多点发射与接收式光纤探头的标准偏差在448个波长点处最大为75.096。对两种漫反射探头结构进行对比分析,环形发射与接收探头能够有效避免镜面反射光的影响,探头接收的光只有漫反射光,而多点发射与接收探头则接收了包含镜面反射和漫反射两种反射光。整体来看,环形发射与接收式光纤探头的标准偏差最小,重复性最好。但仍需要对脐橙糖度预测精度进行进一步分析。

      图  6  两种光纤探头下参比球光谱的标准偏差

      Figure 6.  Standard deviations of reference sphere spectra under two different kinds of fiber probes

    • 采集同一试验样品同一位置的多点发射多点接收与环形发射环形接收漫反射光谱,如图7所示。由图7可知,环形发射环形接收的漫反射式光谱的能量比多点发射和多点接收的强。这两种光谱波形大致相同,且都在690 nm附近存在波峰,在720 nm附近存在波谷;但是环形发射和接收光谱比多点发射和接收光谱在740 nm附近多一个波谷。从光谱吸收角度分析,520~780 nm是叶绿素的吸收带,幼果叶绿素含量较多,成熟果叶绿素含量逐渐减少,因此,叶绿素也是反应水果品质的一个有效信息。从波形上来看,两种反射方式的光谱范围均较为集中,由于光谱两端存在一些噪声信号的影响,光谱有效信息集中在520~900 nm处,故选取两种漫反射光谱范围为520~900 nm的波长进行建模。对比分析两种漫反射检测方式,环形发射和接收检测方式采用环形光照射、环形探头接收,光照强度大,接收的反射信息多,故而光谱能量更强;而多点发射和接收检测方式采用3个点光照射、3个探头接收,光照强度相对弱,接收能力也较之要弱。此外,在漫反射检测方式中,光源与接收探头位于样品的同一侧,样品表面的反射光与其他反射光易直接进入到接收探头,造成杂散光的干扰。在克服杂散光方面,环形发射与接收的检测方式要优于多点发射与接收的检测方式。这是由于它的环形光源,可以形成一个隔离区,有效阻挡外界干扰光线,使它们不进入检测探头,而多点发射与接收检测方式则不具备这样的优势。

      图  7  两种不同检测方式下的可见近红外漫反射光谱

      Figure 7.  Visible near-infrared diffuse reflectance spectra with two different kinds of detection modes

      图8为两种不同检测方式下,脐橙实果与脐橙果皮的近红外漫反射光谱。

      图  8  两种不同检测方式下脐橙实果与脐橙果皮的近红外漫反射光谱

      Figure 8.  Visible near-infrared diffuse reflectance spectra of navel orange and peel with two different kinds of detection modes

      经过对比分析可知,实果与果皮的光谱曲线没有明显差异。但果皮的近红外漫反射光谱能量要比实果的低,分析原因可能是光穿透果皮后,没有得到经过果肉散射、反射的光,因此果皮的近红外漫反射光谱能量要比实果的低。

    • 在动态在线检测时,为了消除噪声和杂散光的影响,在建模时需要对光谱进行相关的预处理,使得模型精度更高。

      在520~900 nm范围内建立脐橙的漫反射式糖度检测模型,采用了多种预处理方法,结果如表1所示。

      表 1  两种不同近红外漫反射光谱检测方式结合不同预处理方法时的脐橙糖度PLS建模结果

      Table 1.  PLS modeling results of navel orange sugar content using two different near-infrared diffuse reflectance spectroscopy methods combined with different pretreatment methods

      检测方式预处理方法RcRMSECRpRMSEPPCs
      环形发射和接收无预处理0.890.390.820.4312
      MSC0.890.410.750.5110
      Baseline0.900.380.810.4611
      1st-90.830.480.800.469
      2st-130.950.260.730.5815
      SG-50.860.450.770.5115
      多点发射和接收无预处理0.920.310.770.519
      MSC0.910.330.720.598
      Baseline0.940.280.760.5310
      1st-30.870.400.790.506
      2st-130.840.450.750.536
      SG-50.820.480.810.476

      其中,环形发射和接收的漫反射光谱采用基线校正(Baseline)预处理方法得到的模型最优,预测集相关系数Rp为0.81,预测集均方根误差(RMSEP)为0.46°Brix,而无预处理漫反射光谱的预测集相关系数为0.82,预测集均方根误差RMSEP为0.43°Brix,但是它的建模集相关系数比基线校正预处理方法低,建模集均方根误差RMSEC要高。多点发射与接收的漫发射光谱处理过程中,存在11个异常样品,采用349个样品进行建模,其中基线校正预处理效果最好,预测集相关系数Rp为0.76,RMSEP为0.53°Brix。虽然平滑的预测集相关系数达0.81,RMSEP为0.47°Brix,但是它的建模集相关系数不高,同时RMSEC也偏高。图9图10分别是两种不同检测方式下,原始近红外光谱与经基线校正预处理后的近红外光谱图。由图9图10可知,虽然基线校正后的近红外光谱没有明显变化,模型精度也没有显著提升,但基线校正预处理方法可以有效减少建模时间和建模过程的能量损耗。

      图  9  环形发射与接收检测方式下基线校正前后光谱图

      Figure 9.  Spectra obtained by ring transmission and diffuse reflection mode before and after pretreatment with baseline correction

      图  10  多点发射与接收检测方式下基线校正前后光谱对比

      Figure 10.  Spectra obtained by multi-point transmission and diffuse reflection mode before and after pretreatment with baseline correction

    • 表1分析可知,环形发射与接收和多点发射与接收漫反射方式采用基线校准进行预处理时效果均最佳,图11为两种漫反射方式糖度模型中主成分因子数的分布情况。

      当建模选用的主成分数(PC)过低时,未知样品组份的光谱变化可能会被忽略,模型预测精度不高,易出现欠拟合现象;当建模选用的主成分数(PC)过高时,其他的主成分数不容易剔除,模型误差变大,易出现过拟合现象[5]。由图11可知,两种漫反射检测方式中,环形发射与接收漫反射检测方式预测集均方根误差比多点发射与接收漫反射检测方式要低,在PC=11时,达到最小,RMSEP=0.199,故环形发射与接收漫反射检测方式选择PC11进行建模,而多点发射与接收漫反射检测方式在PC=5时,RMSEP最小为0.226,故选择PC5进行建模。

      回归系数大的预测因子在模型中起着重要作用,正回归系数对应正相关,负回归系数对应负相关[16]图12为两种漫反射方式下的回归系数图。由图12可知,在环形发射与接收漫反射式糖度模型中,截距b=18.07,最大正相关回归系数为0.000 437 8,处于416个波长点,最大负相关回归系数为−0.000 562 5,处于580个波长点。在多点发射与接收漫反射式糖度模型中,截距b=14.26,最大正相关回归系数为0.000 083 87,处于第257个波长点,最大负相关回归系数为0.000 006 688,处于第301个波长点。

      图  11  两种漫反射方式下预测集的糖度模型主成分因子图

      Figure 11.  Principal component factor charts of prediction set obtained with two kinds of diffuse reflection methods

      图  12  两种不同漫反射方式下的回归系数图

      Figure 12.  Regression coefficients obtained with two different kinds of diffuse reflection methods

    • 分别建立两种漫反射方式下的糖度偏最小二乘模型,如图13(彩图见期刊电子版)、图14(彩图见期刊电子版)所示。通过对比分析可知,环形发射与接收漫反射检测方式下的模型预测效果最佳,由建模结果可知,建模集相关系数Rc为0.90,建模均方根误差RMSEC为0.38°Brix,预测集相关系数Rp为0.81,预测集均方根误差RMSEP为0.46°Brix,截距b=18.07;多点发射与接收漫反射检测方式的模型预测效果稍差,建模集相关系数Rc为0.94,建模均方根误差RMSEC为0.28°Brix,预测集相关系数Rp为0.76,预测集均方根误差RMSEP为0.53°Brix,截距b=14.26。

      图  13  环形发射与接收模式下偏最小二乘模型预测散点图

      Figure 13.  Predicted scatter plot with partial least squares model using ring transmission and diffuse reflection mode

      图  14  多点发射与接收模式下偏最小二乘模型预测散点图

      Figure 14.  Predicted scatter plot with partial least squares model using multi-point transmission and diffuse reflection mode

      糖度预测模型如式(4)所示:

      $$ y = \mathop \sum \nolimits_{i = 1}^n {\beta _i}{\lambda _i} + b\text{,} $$ (4)

      其中,n为参与建模的光谱变量数,β为能量谱强度,b为模型的截距。

      对模型进行分选验证,将10个未参与建模的样品进行编号并依次进行分选试验,每个果按照标记朝上的方式进行上果,每个面放置3次,每种模型共放置120次,记录每次模型预测值,并与真值进行比较。有研究表明,糖度差异在2%以上会有明显的口感差异,因此,与真值差异2%以上的脐橙定义为异常果。分选过程中,环形发射与接收检测模型出现异常果8次,糖度在线分选正确率为93%;多点发射与接收检测模型出现异常果14次,糖度在线分选正确率为88%。

    • 本文采用自主研发的两种不同的近红外漫反射光纤探头,对传统外部品质分选机进行内部品质检测改造。实验结果表明,环形发射与接收漫反射检测光纤的稳定性和模型预测能力都要优于多点发射与接收漫反射检测光纤,并验证了传统外部品质分选机的糖度动态在线改造是可行的。在此基础上,建立了环形发射与接收和多点发射与接收两种不同的糖度在线检测模型。其中环形发射与接收的糖度在线检测模型预测集相关系数达0.81,预测集均方根误差为0.46。本文研究为传统外部品质分选机的糖度动态在线改造提供了参考和理论依据。

参考文献 (21)

目录

    /

    返回文章
    返回