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. doi: 10.3788/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. doi: 10.3788/CO.2019-0165
Liu Yande, Rao Yu, Sun Xudong, Xiao Huaichun, Jiang Xiaogang, Xu Hai, Li Xiong, Xu Jia, Wang Guantian. Research on modification of Soluble Solids Content sorting line based on light source transmitting and receiving integrated probe[J]. Chinese Optics. doi: 10.3788/CO.2019-0165
Citation: Liu Yande, Rao Yu, Sun Xudong, Xiao Huaichun, Jiang Xiaogang, Xu Hai, Li Xiong, Xu Jia, Wang Guantian. Research on modification of Soluble Solids Content sorting line based on light source transmitting and receiving integrated probe[J]. Chinese Optics. doi: 10.3788/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: 10.3788/CO.2019-0165
基金项目: 国家自然科学基金(31760344),江西省杰出青年人才资助计划20171BCB23060,水果光电检测技术能力提升项目(S2016-90)
详细信息
    作者简介:

    刘燕德(1967—),女,江西南昌人,教授,博士生导师,2006年毕业于浙江大学,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研究,E-mail:jxliuyd@163.com

    饶宇(1993—),男,江西吉安人,华东交通大学机电学院在读硕士研究生,主要从事水果无损检测装备研究,E-mail:caeser-rao108@foxmail.com

  • 中图分类号: S24

Research on 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日益增长的需求,对传统外部品质分选线进行糖度分选改造,实现糖度分选,确保水果适宜的口感品质具有重要意义。分别采集两种不同检测方式下的脐橙近红外漫反射光谱,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要强,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,减少杂散光和噪声的影响。分别建立脐橙两种不同的漫反射检测方式的糖度的偏最小二乘(PLS)模型进行对比分析。实验结果表明,两种不同检测方式下采用基线校正预处理方法结果最优;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0.82,预测均方根误差为0.45°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0.80,预测均方根误差为0.48°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上进行糖度分选线功能升级改造是可行的。
  • 图  2  光形成的阴影区域面积

    Figure  2.  Area of shadow area formed by light

    图  3  光纤不同角度示意图

    Figure  3.  Schematic diagram of different angles of fiber

    图  4  光纤不同出射角度光强变化图

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

    图  1  近红外漫反射在线检测装置

    Figure  1.  Device of near infrared diffuse reflection for on-line detection

    图  5  两种不同的漫反射式检测光纤探头

    Figure  5.  Two kinds of optical fiber probes with different diffuse reflection detection modes

    图  6  两种光纤探头下参比球光谱的标准偏差

    Figure  6.  Standard deviation of reference sphere spectra under diffirent fiber probes

    图  7  两种不同的可见近红外漫反射光谱

    Figure  7.  Visible near-infrared diffuse reflectance spectrum of Different mode

    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 spectrum of Navel orange and peel at Different mode

    图  9  环形发射与接收检测方式下基线校正前后光谱对比

    Figure  9.  Spectrum Contrast with Original and after pretreatment of baseline corrected at Diffuse reflection mode of ring

    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.  Spectrum Contrast with Original and after pretreatment of baseline corrected at Diffuse reflection mode of Multiple Points

    图  11  两种漫反射方式的糖度模型主成分因子决定图

    Figure  11.  Principal component factor determination chart of two kinds of diffuse reflection methods

    图  12  两种不同的漫反射方式回归系数图

    Figure  12.  Regression coefficients of two different diffuse reflection

    图  13  环形发射与接收偏最小二乘模型预测散点图

    Figure  13.  Scatter plot of Partial least squares model prediction at Diffuse reflection mode of ring

    图  14  多点发射与接收偏最小二乘模型预测散点图

    Figure  14.  Scatter plot of Partial least squares model prediction at Diffuse reflection mode of Multiple Points

    表  1  两种不同的近红外漫反射光谱检测方式结合不同预处理方法脐橙糖度的PLS建模结果

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

    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] 刘燕德, 朱丹宁, 孙旭东, 等. 苹果可溶性固形物便携式检测实验研究[J]. 光谱学与光谱分析,2017,37(10):3260-3265.

    LIU Y D, ZHU D N, SUN X D, et al. Study on detecting soluble solids in fruits based on portable near infrared spectrometer[J]. Spectroscopy and Spectral Analysis, 2017, 37(10): 3260-3265. (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] 许文丽, 孙通, 吴文强, 等. 可见/近红外漫反射与漫透射检测脐橙可溶性固形物的对比研究[J]. 光子学报,2013,42(12):1486-1490. doi:  10.3788/gzxb20134212.1486

    XU W L, SUN T, WU W Q, et al. Contrast of Vis/NIR reflection and diffuse transmission in detecting the SSC of Ganan navel oranges[J]. Acta Photonica Sinica, 2013, 42(12): 1486-1490. (in Chinese) doi:  10.3788/gzxb20134212.1486
    [7] 罗枫, 鲁晓翔, 张鹏, 等. 近红外漫反射技术检测甜樱桃果实质地研究[J]. 食品工业科技,2015,36(15):293-297.

    LUO F, LU X X, ZHANG P, et al. Near infrared diffuse reflection technology of cherry fruit texture detection[J]. Science and Technology of Food Industry, 2015, 36(15): 293-297. (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] 李明. 水果品质可见/近红外光谱预测模型优化方法的研究[D]. 北京: 中国农业大学, 2018.

    LI M. Research of optimization modelling methods on determination of fruit quality by visible and near infrared spectroscopy[D]. Beijing: China Agricultural University, 2018. (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] 杨磊, 陈坤杰. 近红外光谱在水果内部品质检测中的研究进展[J]. 江西农业学报,2008,20(1):76-78, 81. doi:  10.3969/j.issn.1001-8581.2008.01.026

    YANG L, CHEN K J. Determination of fruit internal quality by near infrared spectrum technique[J]. Acta Agriculturae Jiangxi, 2008, 20(1): 76-78, 81. (in Chinese) doi:  10.3969/j.issn.1001-8581.2008.01.026
    [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] 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, doi: 10.3788/CO.2019-0128
    [2] 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, doi: 10.3788/CO.20191204.0913
    [3] 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, doi: 10.3788/CO.20181106.0931
    [4] 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, doi: 10.3788/CO.20171003.0363
    [5] 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, doi: 10.3788/CO.20160901.0106
    [6] 梁超, 马天翔.  基于黑体标定的红外图像非均匀性校正系统设计 . 中国光学, doi: 10.3788/CO.20160903.0385
    [7] 明名, 吕天宇, 吴小霞, 郝亮, 赵金宇.  大气色散对4m望远镜成像分辨力的影响与校正 . 中国光学, doi: 10.3788/CO.20150805.0814
    [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, 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, 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, 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, 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, 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, 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, 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, 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, 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, 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, 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,
    [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,
  • 加载中
计量
  • 文章访问数:  560
  • HTML全文浏览量:  785
  • 被引次数: 0
出版历程
  • 网络出版日期:  2020-04-03

基于光源发射接收一体化探头的糖度分选线改造研究

doi: 10.3788/CO.2019-0165
    基金项目:  国家自然科学基金(31760344),江西省杰出青年人才资助计划20171BCB23060,水果光电检测技术能力提升项目(S2016-90)
    作者简介:

    刘燕德(1967—),女,江西南昌人,教授,博士生导师,2006年毕业于浙江大学,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研究,E-mail:jxliuyd@163.com

    饶宇(1993—),男,江西吉安人,华东交通大学机电学院在读硕士研究生,主要从事水果无损检测装备研究,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日益增长的需求,对传统外部品质分选线进行糖度分选改造,实现糖度分选,确保水果适宜的口感品质具有重要意义。分别采集两种不同检测方式下的脐橙近红外漫反射光谱,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要强,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,减少杂散光和噪声的影响。分别建立脐橙两种不同的漫反射检测方式的糖度的偏最小二乘(PLS)模型进行对比分析。实验结果表明,两种不同检测方式下采用基线校正预处理方法结果最优;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0.82,预测均方根误差为0.45°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0.80,预测均方根误差为0.48°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上进行糖度分选线功能升级改造是可行的。

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. doi: 10.3788/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. doi: 10.3788/CO.2019-0165
Liu Yande, Rao Yu, Sun Xudong, Xiao Huaichun, Jiang Xiaogang, Xu Hai, Li Xiong, Xu Jia, Wang Guantian. Research on modification of Soluble Solids Content sorting line based on light source transmitting and receiving integrated probe[J]. Chinese Optics. doi: 10.3788/CO.2019-0165
Citation: Liu Yande, Rao Yu, Sun Xudong, Xiao Huaichun, Jiang Xiaogang, Xu Hai, Li Xiong, Xu Jia, Wang Guantian. Research on modification of Soluble Solids Content sorting line based on light source transmitting and receiving integrated probe[J]. Chinese Optics. doi: 10.3788/CO.2019-0165
    • 糖度(Soluble Solids Content, SSC)是评价脐橙内部品质的一个重要指标,近年来人们对口感品质十分重视,传统外部品质分选无法满足口感品质分选需求,对传统外部品质分选线上改造升级,实现糖度分选,确保水果适宜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它的绿色、快速、无损的优势,已经在多种水果的内部品质检测领域进行了相关的应用[8-13]。崔丰娟[14]等对苹果动态在线检测的传输速度对模型的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,结果表明采用一阶微分结合偏最小二乘法建模预测效果最好,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上更有优势。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,分别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取样值能最好的代表整个果实。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,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,探讨不同的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 ℃的室温下静置24个小时,依次采集脐橙样品的横纵径、重量、糖度的理化指标。实验共采用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数据集划分建模集和预测集。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2所示。采用Ocean Optics公司的QE PRO光谱仪作为实验的光谱采集装置,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。由图34可知,两种不同的光纤探头出射角度均以90°的角度接收到的光强最强,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  2  光形成的阴影区域面积

      Figure 2.  Area of shadow area formed by light

      图  3  光纤不同角度示意图

      Figure 3.  Schematic diagram of different angles of fiber

      图  4  光纤不同出射角度光强变化图

      Figure 4.  Light intensity 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。实验参数为:积分时间100 ms,光照强度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和多点发射与接收漫反射式光纤探头,两种探头均采用发射光源与接收光源装置集成在同一探头上,如图1所示,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,光信号经过样品内部后,经过吸收、反射,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保存,光谱每触发一次,通过光谱采集软件储存一条光谱。

      图  1  近红外漫反射在线检测装置

      Figure 1.  Device of near infrared diffuse reflection for on-line detection

    • 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,用纯净水洗净并擦干糖度计,并用纯净水进行标定,糖度值为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、SG平滑、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计算公式如下:

      $$ r = \sqrt {\frac{{\displaystyle \sum \nolimits_{i = 1}^n {{\left( {{{\hat y}_i} - {y_i}} \right)}^2}}}{{\displaystyle \sum {{\left( {{y_i} - {{\hat y}_i}} \right)}^2}}}} $$ (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)
      $$ {\rm{RMSEP}} = \sqrt {\frac{{\displaystyle \sum \nolimits_{i = 1}^{{n_p}} {{\left( {{y_i} - {{\hat y}_i}} \right)}^2}}}{{{n_p}}}} $$ (3)

      注: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。

    • 实验采用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米,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,光在样品中间形成了一个光阑,能够较好的避免镜面反射光的干扰,光源从接收处照射,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,从阴影部分透射而出,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11.5 mm处,两者相距16 mm,其中一个反射光接收口位于中心垂直位置的13.7 mm处,另两个反射光接收口垂直分布在3.7 mm处,两者相距25.5 mm。它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  两种不同的漫反射式检测光纤探头

      Figure 5.  Two kinds of optical fiber probes with different diffuse reflection detection modes

      标准偏差(SD)是一种度量数据分布的分散程度之标准,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,分别采集两种不同的光纤探头下的20条标准参比的光谱。图6为两种光纤探头的标准偏差曲线,由图可知,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的要低,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,结合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的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上进行进一步分析。

      图  6  两种光纤探头下参比球光谱的标准偏差

      Figure 6.  Standard deviation of reference sphere spectra under diffirent fiber probes

    • 分别采集同一试验样品的同一个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接收的光谱能量要强。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,从光谱吸收上看,520−780 nm之间是叶绿素的吸收带,幼果叶绿素含量较多,成熟果叶绿素逐渐减少,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三个点光照射、三个探头接收,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特点,可以形成一个隔离区,有效的将外界干扰光线阻挡不进入到检测探头,而多点发射与接收检测方式则不具备这样的优势。

      图  7  两种不同的可见近红外漫反射光谱

      Figure 7.  Visible near-infrared diffuse reflectance spectrum of Different mode

      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,经过对比分析可知,实果与果皮的光谱曲线没有明显差异,而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,没有得到经过果肉的散射、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。

      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 spectrum of Navel orange and peel at Different mode

    • 在动态在线检测时,由于有噪声和杂散光的影响,因此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。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,而虽然无预处理漫反射光谱的预测集相关系数Rp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的低,建模集均方根误差RMSEC也要高。而在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对比图,由图可知,基线校正后的近红外光谱与原始光谱曲线没有明显变化,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的减少建模时间和建模过程的能量损耗。

      表 1  两种不同的近红外漫反射光谱检测方式结合不同预处理方法脐橙糖度的PLS建模结果

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

      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

      图  9  环形发射与接收检测方式下基线校正前后光谱对比

      Figure 9.  Spectrum Contrast with Original and after pretreatment of baseline corrected at Diffuse reflection mode of ring

      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.  Spectrum Contrast with Original and after pretreatment of baseline corrected at Diffuse reflection mode of Multiple Points

    • 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均为采用基线校准Baseline预处理方法效果最佳,图11为两种漫反射方式糖度模型中主成分因子数分布情况。

      图  11  两种漫反射方式的糖度模型主成分因子决定图

      Figure 11.  Principal component factor determination chart of two kinds of diffuse reflection methods

      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的作用,正回归系数对应正相关,负回归系数对应负相关[16]。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257个波长点,最大负相关回归系数为0.000 006 688,处于301个波长点。

      图  12  两种不同的漫反射方式回归系数图

      Figure 12.  Regression coefficients of two different diffuse reflection

    • 分别建立两种漫反射方式的糖度的偏最小二乘模型,如图1314所示。通过对比分析,环形发射与接收漫反射检测方式模型预测效果最佳,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  环形发射与接收偏最小二乘模型预测散点图

      Figure 13.  Scatter plot of Partial least squares model prediction at Diffuse reflection mode of ring

      图  14  多点发射与接收偏最小二乘模型预测散点图

      Figure 14.  Scatter plot of Partial least squares model prediction at Diffuse reflection mode of Multiple Points

      糖度预测模型公式如(4)所示。

      $$ y = \mathop \sum \nolimits_{i = 1}^n {\beta _i}{\lambda _i} + b $$ (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,每个面放置三次,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,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的在线检测模型预测集相关系数达到0.81,预测集均方根误差为0.46。论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。

WeChat 关注分享

返回顶部

目录

    /

    返回文章
    返回