應(yīng)用便攜式近紅外光譜儀研究蘋(píng)果糖度的快速分析模型

雷 鷹， 劉翠玲， 周子彥

(北京工商大學(xué) 計(jì)算機(jī)與信息工程學(xué)院， 北京 100048)

蘋(píng)果味道鮮美，營(yíng)養(yǎng)豐富。我國(guó)是蘋(píng)果出口第一大國(guó)，但是蘋(píng)果的品質(zhì)不高，主要表現(xiàn)在甜度不夠，只能走“低端”市場(chǎng)。要提高我國(guó)蘋(píng)果的質(zhì)量，需要建立一個(gè)完善的糖度分級(jí)系統(tǒng)，實(shí)現(xiàn)對(duì)蘋(píng)果糖度的快速無(wú)損檢測(cè)[1]。

利用傳統(tǒng)方法進(jìn)行糖度檢測(cè)，往往需要破壞試驗(yàn)樣本，且操作復(fù)雜，不符合無(wú)損快速的要求。利用近紅外光譜(near-infrared spectroscopy, NIRS)分析技術(shù)可實(shí)現(xiàn)在不對(duì)樣品進(jìn)行復(fù)雜預(yù)處理的情況下快速、無(wú)損、準(zhǔn)確的檢測(cè)[2-6]。曹霞等[7]利用紅外漫反射技術(shù)建立了芒果糖度模型。章海亮等[8]利用偏最小二乘法(PLS)分別對(duì)蘋(píng)果糖度進(jìn)行在線(xiàn)和離線(xiàn)檢測(cè)模型的構(gòu)建，得出結(jié)論：離線(xiàn)模型的預(yù)測(cè)精度更高。Wang等[9]對(duì)比漫反射和漫透射分析法建立酸棗的可溶性固體含量模型，得出結(jié)論：漫反射建模效果更佳。

綜合已有研究報(bào)道發(fā)現(xiàn)，利用近紅外光譜技術(shù)進(jìn)行蘋(píng)果糖度模型的建立是可行的，但由于實(shí)驗(yàn)樣品的局限性，使得建立的模型不具有普遍性，同時(shí)也存在模型指標(biāo)單一和光譜儀器不便攜帶的不足。

考慮到不同種類(lèi)不同大小蘋(píng)果的化學(xué)成分相近[10-11]，文章選用不同種類(lèi)、不同大小的蘋(píng)果作為實(shí)驗(yàn)樣本，利用便攜式光譜儀器進(jìn)行數(shù)據(jù)采集，K- S算法[12-13]劃分樣本，對(duì)樣本數(shù)據(jù)分別進(jìn)行求導(dǎo)、平滑、標(biāo)準(zhǔn)歸一、多元散射預(yù)處理[14-16]操作，采用偏最小二乘法和間隔最小二乘法(iPLS)[17-18]建立蘋(píng)果糖度的通用模型，從而實(shí)現(xiàn)蘋(píng)果糖度的快速、無(wú)損的現(xiàn)場(chǎng)檢測(cè)。

1 材料與方法

1.1 蘋(píng)果樣品

為使模型更具穩(wěn)健性，選取不同產(chǎn)地，不同大小，放置不同時(shí)間的蘋(píng)果作為樣本。就近選取市場(chǎng)上不同品種的蘋(píng)果100個(gè)，包括黃元帥、紅富士、花牛、棲霞紅富士。對(duì)蘋(píng)果先洗凈擦拭，去除污漬對(duì)光譜獲取的影響，再進(jìn)行編號(hào)，并在蘋(píng)果赤道附近的3點(diǎn)做標(biāo)記(間隔約120°)。將蘋(píng)果放于室內(nèi)12 h以上，目的是使蘋(píng)果整體溫度達(dá)到與環(huán)境溫度一致，消除溫度帶來(lái)的誤差。

1.2 近紅外光譜采集

光譜儀器選用北京凱勝天成科技有限公司生產(chǎn)的AMBERⅡ型便攜式近紅外光譜儀，如圖1。其核心光譜分析模塊為美國(guó)德州儀器公司生產(chǎn)的DLP NIRscan Nano近紅外光譜分析的便攜式評(píng)估模塊。該模塊內(nèi)部安裝2個(gè)透鏡端寬帶鎢絲燈作為光源，使用DLP2010NIR數(shù)字微鏡器件作為分光儀器，采用單點(diǎn)1毫米探測(cè)器，所測(cè)量的波長(zhǎng)為900～1 700 nm，信噪比大于6 000∶1，可使用USB和電池供電。

對(duì)蘋(píng)果樣品赤道附近的3點(diǎn)進(jìn)行近紅外光譜采集，采集的光譜數(shù)據(jù)保存為csv格式。為了減小誤差，使用Omnic軟件取這3點(diǎn)光譜數(shù)據(jù)的平均值作為原始光譜。光譜采集條件：掃描99%反射白板獲得的光譜作為參比數(shù)據(jù)，積分球漫反射，掃描范圍為900～1 700 nm，掃描次數(shù)15次，波長(zhǎng)點(diǎn)個(gè)數(shù)為605個(gè)。每隔30個(gè)樣品需要掃描白板，重新設(shè)置參照。

圖1 AMBERⅡ型便攜式近紅外光譜儀Fig.1 AMBERⅡportable near-infrared spectrometer

1.3 糖度測(cè)定

糖度的獲取采用日本Atago PAL- 1型數(shù)顯糖度計(jì)測(cè)定。用水果刀削取赤道附近標(biāo)記處的果肉，厚度控制在5 mm左右，用雙層紗布擠濾出汁液2滴用于檢測(cè)，顯示結(jié)果為溫度自動(dòng)補(bǔ)償為20 ℃的可溶性固形物含量值(%Brix),并取3次測(cè)量的平均值作為近紅外光譜在線(xiàn)檢測(cè)蘋(píng)果樣本可溶性固形物的標(biāo)準(zhǔn)值。

1.4 模型的評(píng)價(jià)參數(shù)

定量校正模型質(zhì)量的衡量指標(biāo)有4個(gè)重要參數(shù)：校正模型和預(yù)測(cè)模型的相關(guān)系數(shù)，校正集和預(yù)測(cè)集的均方根誤差。

模型的相關(guān)系數(shù)(R)越接近1，交互驗(yàn)證校正標(biāo)準(zhǔn)偏差(RMSECV)越小，模型質(zhì)量越好，模型回歸的越好；校正集的均方根誤差(RMSEC)越小，模型回歸的越好；模型預(yù)測(cè)性能用預(yù)測(cè)集的均方根誤差(RMSEP)來(lái)表示，RMSEP越小，模型預(yù)測(cè)能力越好[19]。

本文使用TQ analyst建立模型，使用相對(duì)殘差值(%Difference)作為衡量整個(gè)模型建立的指標(biāo)，%Difference越接近100，模型的綜合指標(biāo)就越優(yōu)。

2 結(jié)果與分析

2.1 近紅外光譜采集結(jié)果

對(duì)蘋(píng)果樣品赤道附近的3點(diǎn)進(jìn)行近紅外光譜采集，最終獲得原始光譜100條作為樣本，如圖2。

圖2 蘋(píng)果原始近紅外光譜Fig.2 Apple primitive near-infrared spectrum

2.2 糖度測(cè)定結(jié)果

糖度測(cè)定結(jié)果見(jiàn)圖3。由圖3可知，蘋(píng)果糖度樣本的采集大致滿(mǎn)足正態(tài)分布。

圖3 蘋(píng)果糖度與樣品數(shù)量的關(guān)系Fig.3 Relationship between apple sugar and sample quantity

2.3 校正樣品集的劃分

經(jīng)過(guò)K- S算法計(jì)算，確定樣品劃分比例為4∶1，將樣本劃分為校正集和預(yù)測(cè)集。預(yù)測(cè)集有20個(gè)數(shù)據(jù)，按照編號(hào)為4、6、12、25、30、33、37、43、46、54、58、63、66、70、72、81、86、92、95和99。首先選取全波段(1 238～656 cm-1)進(jìn)行模型的建立，大概預(yù)估樣品集劃分的準(zhǔn)確性。

26,46,82號(hào)樣本的相對(duì)偏差均大于1，屬于問(wèn)題參數(shù)，可將其設(shè)置為ignore類(lèi)型的樣本參數(shù)，不參與模型的建立(見(jiàn)表1)。進(jìn)行修改之后模型得到優(yōu)化，表現(xiàn)為%Difference由65.4提高到74.3，預(yù)測(cè)集的R由0.635 4提高到0.802 4。

表1 問(wèn)題樣本的相對(duì)誤差情況

最終得到校正集有78個(gè)樣本，預(yù)測(cè)集有19個(gè)樣本，分別為4、6、12、25、30、33、37、43、54、58、63、66、70、72、81、86、92、95和99。糖度統(tǒng)計(jì)如表2。

表2 各樣本集的糖度統(tǒng)計(jì)結(jié)果

2.4 譜區(qū)的優(yōu)化

優(yōu)化譜區(qū)，可以減小計(jì)算量，去除其他區(qū)間的光譜干擾，利用重要信息區(qū)間的光譜信息就可以很好地代表糖度信息。

對(duì)原始光譜采用一階求導(dǎo)、S- G卷積平滑和多元散射校正(MSC)預(yù)處理，利用PLS和iPLS進(jìn)行最佳譜區(qū)選擇。

1)選擇有效全光譜區(qū)間。全區(qū)譜圖1 238～1 200 cm-1這部分的光譜差異很大，可能是蘋(píng)果顏色及種類(lèi)差異而引起的變化，所以在全光譜的選擇中，使用1 200～660 cm-1譜區(qū)，見(jiàn)圖4。

2)將1 200～660 cm-1譜區(qū)均分為11等分的小區(qū)間。從1開(kāi)始標(biāo)號(hào)，并分別對(duì)每個(gè)局部小區(qū)間進(jìn)行PLS回歸建模，記錄模型參數(shù)%Difference和RMSECV。該11個(gè)區(qū)間的RMSECV值均大于全譜區(qū)的RMSECV值0.793，見(jiàn)表3。表明測(cè)量蘋(píng)果糖度的模型按照PLS全區(qū)建模的效果較優(yōu)。

圖4 一階求導(dǎo)和S- G處理后的全譜區(qū)光譜Fig.4 First derivatived and S- G processed full spectral spectrum

區(qū)間σ/cm-1%DifferenceRMSECV01200～66082.10.79311200～115058.81.0621150～110069.51.1131100～105071.41.0241050～100070.01.0551000～95070.81.106950～90071.80.9567900～85071.21.098850～80066.50.9589800～750631.1310750～70053.81.0511700～66061.21.04

3)針對(duì)全譜區(qū)范圍進(jìn)行優(yōu)化。最終得到優(yōu)化區(qū)間(1 198～670 cm-1)的%Difference值為85.3，RMSECV值為0.765。

2.5 不同預(yù)處理方式下蘋(píng)果糖度模型的比較

為了使蘋(píng)果糖度模型的預(yù)測(cè)性更高，需要選出較為合適的預(yù)處理方法組合，本實(shí)驗(yàn)主要針對(duì)求導(dǎo)及標(biāo)準(zhǔn)歸一化(SNV)處理和MSC的選擇，提出了9種預(yù)處理組合，見(jiàn)表4。經(jīng)過(guò)一階求導(dǎo)和S- G卷積平滑后的蘋(píng)果糖度模型都比較穩(wěn)定，校正集和預(yù)測(cè)集的相關(guān)系數(shù)都能達(dá)到0.9以上。尤其是再經(jīng)過(guò)SNV處理后的模型表現(xiàn)出的綜合指標(biāo)更優(yōu)，%Difference達(dá)到最高85.6，預(yù)測(cè)集的相關(guān)系數(shù)為0.918 9，RMSEC和RMSEP的值分別為0.423和0.237。優(yōu)化模型的相關(guān)指標(biāo)見(jiàn)圖5～圖7。最后利用優(yōu)化蘋(píng)果糖度模型對(duì)20枚蘋(píng)果的糖度預(yù)測(cè)如表5，平均誤差±0.2%Brix，滿(mǎn)足現(xiàn)場(chǎng)檢測(cè)應(yīng)用要求。

表4 不同預(yù)處理方法得到的PLS模型指標(biāo)

圖5 糖度優(yōu)化模型的預(yù)測(cè)結(jié)果Fig.5 Predictive results of best model

圖6 糖度優(yōu)化模型的真實(shí)值與計(jì)算值的相關(guān)性Fig.6 Correlation between true and calculated values of best model

圖7 糖度優(yōu)化模型的真實(shí)值與計(jì)算值的誤差分布Fig.7 Error distribution between true and calculated values of best model

表5 20枚蘋(píng)果的糖度測(cè)量值與預(yù)測(cè)值

3 結(jié) 論

利用OMNIC和TQ analyst軟件對(duì)得到的數(shù)據(jù)進(jìn)行處理，包括求平均值，剔除問(wèn)題參數(shù)，合理的光譜預(yù)處理和求取最佳波段。在此基礎(chǔ)上利用PLS線(xiàn)性回歸最終得到優(yōu)化的蘋(píng)果糖度光譜模型：使用一階求導(dǎo)的導(dǎo)數(shù)處理、S- G卷積平滑處理和標(biāo)準(zhǔn)歸一化預(yù)處理后得到的模型最穩(wěn)定，校正集和預(yù)測(cè)集的相關(guān)系數(shù)都達(dá)到0.9以上，分別為0.922 3和0.918 9。RMSEC為0.423，RMSEP為0.237。

實(shí)驗(yàn)不足之處在于樣本的選取均來(lái)自就近的市場(chǎng)，導(dǎo)致樣本糖度范圍較小，使建立得到的糖度模型僅可對(duì)11.2～16.3%Brix范圍內(nèi)的蘋(píng)果進(jìn)行預(yù)測(cè)。如果實(shí)驗(yàn)樣本的數(shù)量更多，糖度范圍更廣，則模型的預(yù)測(cè)性將越強(qiáng)。