張倩倩 徐 賽 陸華忠

(1. 華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣東 廣州 516042；2. 廣東省農(nóng)業(yè)科學(xué)院農(nóng)產(chǎn)品公共監(jiān)測中心，廣東 廣州 516042；3. 廣東省農(nóng)業(yè)科學(xué)院，廣東 廣州 516042)

近年來，隨著人工智能技術(shù)的進步和發(fā)展，水果外部品質(zhì)智能識別已得到了較好解決，但內(nèi)部品質(zhì)檢測精度仍不夠理想。可見/近紅外光譜無損檢測技術(shù)是目前應(yīng)用較廣泛的水果內(nèi)部品質(zhì)無損檢測技術(shù)，已在蘋果[1-4]、西瓜[5-7]、梨[8]、桃[9]等水果上得到應(yīng)用。已有的可見/近紅外光譜無損檢測裝備主要由可見/近紅外光譜無損檢測以及配套傳送裝置共同組成，采用透射光[10]的檢測結(jié)構(gòu)獲取水果內(nèi)部信息，采用托盤承載進行傳送，智能運算無損得出檢測結(jié)果。但課題組前期研究發(fā)現(xiàn)，傳送托盤在承載、固定和傳輸水果的同時，對光譜信號的采集會造成一定遮蔽影響，這是阻礙檢測精度提高的重要原因之一，需要進行多因素考慮與優(yōu)化。

目前已有的無損檢測研究較多集中在檢測模型與光路參數(shù)上，對實際應(yīng)用中存在的干擾因素研究較少。傳統(tǒng)的無損檢測傳送托盤參數(shù)通常只通過粗略的水果尺寸進行設(shè)計，較難接近托盤參數(shù)的最優(yōu)化[11]。課題組[12]前期研究對柚果托盤進行參數(shù)設(shè)計與光學(xué)仿真，但不同水果的果形、大小、內(nèi)部結(jié)構(gòu)有所差異，需要有針對性的設(shè)計。但目前并未見對橙果的托盤進行參數(shù)設(shè)計、仿真分析等深入研究的報道。

研究擬從橙果的形態(tài)特征入手，通過光學(xué)仿真和光譜采集試驗相結(jié)合的方法，選擇仿真結(jié)果最佳的托盤進行加工并采集橙果的透射光譜，運用遺傳GA算法[13]、穩(wěn)定性競爭自適應(yīng)重加權(quán)采樣(SCARS)算法[14]進行光譜特征選取，建立橙果可溶性固形物(SSC)的偏最小二乘法回歸(PLSR)[15]預(yù)測模型，進行橙果無損檢測，以期為厚皮類水果的品質(zhì)流水線無損檢測提供參考。

1 材料與方法

1.1 材料與儀器

1.1.1 試驗材料

橙果：美國新奇士橙，市售。隨機取果，去除有外表損傷、傷疤或不規(guī)則的樣品后保留120個，用濕毛巾將橙果擦凈，于室溫(24～26 ℃)下放 1 h自然晾干。120個橙果的外形參數(shù)如表1所示。

表1 120個橙果的形態(tài)特征

1.1.2 主要儀器

光譜儀：QE-Pro型，測量波長范圍400～1 100 nm，美國海洋光學(xué)公司；

光譜儀：NIR-QUEST型，測量波長范圍900～1 700 nm，美國海洋光學(xué)公司；

糖度儀：PAL-Grape Must(Brix)型，ATAGO(愛拓)中國分公司；

天平：HTP312型，上?；ǔ彪娖饔邢薰?。

1.2 橙果傳送托盤初步設(shè)計

參考橙果的外形尺寸對托盤厚度、內(nèi)橫徑、內(nèi)縱徑參數(shù)進行確定與梯度試驗，初步確定，托盤外徑D為80 mm，橙果橫徑平均值為80.45 mm；厚度不低于橙子橫徑縱徑平均值的1/4，即20 mm，因此設(shè)計試驗梯度為20，25，30，35 mm；孔徑以橫徑平均值的1/2取值，一次增加5 mm(見圖1)，進行如上的梯度設(shè)計，最大孔徑取值為縱徑最大值的0.6倍，這是為了保證橙果放置在托盤上不會掉在傳送帶上，導(dǎo)致托盤功能失效，設(shè)定托盤內(nèi)徑(D1，D2)(其中D1為內(nèi)橫徑，D2為內(nèi)縱徑)的試驗梯度設(shè)置為(40，40)，(45，40)，(50，50)，(55，50)，(55，55)；此外，根據(jù)實際生產(chǎn)應(yīng)用托盤分別選擇亞克力、ABS樹脂、PC塑料、橡膠4種材料。

圖1 托盤三視圖

1.3 橙果托盤光學(xué)仿真平臺的建立

1.3.1 建立光源模型 SolidWorks軟件采用參數(shù)化設(shè)計，在相似零件的結(jié)構(gòu)設(shè)計和零件尺寸修改方面具有很大的技術(shù)優(yōu)勢。工具欄中的命令具有設(shè)計相關(guān)性，使得零件的設(shè)計修改更加可靠、準(zhǔn)確和快速[16]。因此，采用Solidworks軟件設(shè)計光源的外部結(jié)構(gòu)。

在Solidworks軟件中畫出自主搭建光譜實驗平臺頂燈的三維模型，頂燈照明機構(gòu)(見圖2)使用100 W石英鹵素?zé)?共13組)的光源，其中包括環(huán)形光源12盞石英鹵素?zé)?，入射角均?5°；中間光源1盞石英鹵素?zé)簦怪闭丈洹?/p>

圖2 頂燈照明機構(gòu)示意圖

1.3.2 設(shè)置模型參數(shù) Trace Pro是一款具有強大光學(xué)分析功能及數(shù)據(jù)轉(zhuǎn)換能力的實體模型光學(xué)分析軟件，廣泛應(yīng)用于照明系統(tǒng)、輻射分析、光學(xué)分析和光度分析[17]。

模型中，設(shè)定燈泡表面光源發(fā)射形式為光源特性，總光線數(shù)為200，光源在軟件中的名稱C460TR2432。

經(jīng)試驗初步探索發(fā)現(xiàn)，橙果果皮較薄，如果打開全部光源，容易造成光譜數(shù)據(jù)過飽和。本著盡可能保證仿真設(shè)定與實際試驗一致原則，正式仿真前先對比探究燈泡數(shù)量/光能對仿真結(jié)果的影響，對比梯度設(shè)置為：1盞燈(100 W，圖2中的1號燈泡)，7盞燈(700 W，圖2中的2、4、6、8、10、12號燈泡)，13盞燈(1 300 W)，并設(shè)定所有燈泡的發(fā)光表面參數(shù)一致。圖3是光學(xué)仿真模型及效果圖。

圖3 光學(xué)仿真模型及效果

1.4 托盤的光譜驗證

1.4.1 獲取光譜數(shù)據(jù) 啟動光譜儀器并預(yù)熱15 min，使設(shè)備達到穩(wěn)定的工作狀態(tài)，積分時間、平均次數(shù)等參數(shù)可采用Spectra Suite(Ocean Optics Ins.,USA)軟件設(shè)置。將優(yōu)選出的托盤置于光譜平臺上，分別采用標(biāo)準(zhǔn)黑板和標(biāo)準(zhǔn)白板緊貼積分球以校正光譜儀，光譜儀校正后將橙果放置在托盤上，進行橙果樣本的光譜數(shù)據(jù)采集。檢測橙果的內(nèi)部品質(zhì)是基于透射光譜，因此選擇光譜的透射率作為光譜信息的研究參數(shù)。在光譜平臺內(nèi)，使用試驗結(jié)果最優(yōu)的傳送托盤，進行120個橙果樣本在400～1 700 nm 波長下的透射光譜數(shù)據(jù)的采集。

1.4.2 可溶性固形物含量測定 采用糖度儀對橙果的可溶性固形物含量(SSC)進行測量。取每個樣本全部果肉，用手動壓榨機擠出果汁，并用3層紗布過濾將果汁滴于糖度儀鏡面，記錄數(shù)據(jù)，每個橙果樣本測量3次并取平均值，其中可溶性固形物測量結(jié)果如表2所示。

表2 橙果可溶性固形物含量統(tǒng)計

1.5 建模方法

偏最小二乘法(PLSR)是集主成分分析，普通多元線性回歸和典型相關(guān)分析于一體的回歸分析方法。在光譜分析中應(yīng)用廣泛。利用Matlab軟件建立可溶性固形物含量Y與光譜矩陣X之間的相關(guān)模型，PLSR將Y引入X矩陣分解過程，并對X和Y同時進行分解，使X、Y兩者最大程度相關(guān)，為提取有效信息，并考慮兩者間的相關(guān)性，其中自變量矩陣方差盡可能大，從而獲得最佳校正模型。其中隨機選擇80個樣本作為校正集用于建立模型，剩余40個樣本則作為預(yù)測集進行模型驗證。

PLSR模型以校正均方根誤差(RMSEC)、決定系數(shù)(R2)及預(yù)測均方根誤差(RMSEP)作為評價指標(biāo)。R2值越接近1，表明模型的回歸或預(yù)測結(jié)果越好；RMSEP越小，表明模型的預(yù)測能力越強。

2 結(jié)果與分析

2.1 托盤參數(shù)的仿真結(jié)果

2.1.1 托盤尺寸參數(shù)的優(yōu)化 從表3可以看出，只打開1號燈泡輻照度平均值較小，13盞燈泡全部打開輻照度值較大，但前期摸索試驗中打開全部燈會造成橙果被照射部位表皮燙傷(如圖4)，因此仿真試驗選擇打開1、2、4、6、8、10、12號燈泡。

圖4 試驗損傷橙果

表3 頂燈數(shù)量與輝度/照度的關(guān)系

從表4可以看出，輻照度最小值雖然小有差異，由于數(shù)量級太小，不足以判別托盤優(yōu)劣，最大輻照度以內(nèi)橫徑55 mm，內(nèi)縱徑50 mm最高。從表5可以看出，4種厚度輻照度最大值均相同，輻照度平均值以厚度20 mm為最高。因此托盤的尺寸參數(shù)確定為：內(nèi)橫徑55 mm，內(nèi)縱徑50 mm，厚度為20 mm。

表4 托盤內(nèi)徑與輝度/照度的關(guān)系

表5 托盤厚度與輝度/照度的關(guān)系

2.1.2 托盤的材質(zhì)優(yōu)化 從表6可以看出，亞克力材料的托盤，輻照度最大值、平均值均為最大，表明亞克力材料優(yōu)于其他3種材料。因此選擇加工厚度為20 mm、內(nèi)橫徑為55 mm，內(nèi)縱徑為50 mm的亞克力托盤進行后續(xù)試驗。

表6 托盤材料與輝度/照度的關(guān)系

同種材料下，尺寸上的變化對光強影響可以通過Trace Pro仿真較好的表達。但材料的變化在實際應(yīng)用中會因為加工工藝、材料純度等影響與仿真結(jié)果存在一定差異。為了驗證此仿真結(jié)果，將4種材料托盤進行加工，分別進行光譜試驗。對比光譜數(shù)據(jù)(見圖5)，托盤波形沒有太大差別。因此對ABS樹脂、橡膠、PC塑料、亞克力4種托盤分別進行橙果的光譜數(shù)據(jù)采集試驗。

圖5 4種不同材料托盤的光譜圖

2.2 建模結(jié)果及分析

2.2.1 光譜預(yù)處理及建模 受環(huán)境、儀器穩(wěn)定性等因素影響，橙果可見/近紅外光譜不可避免地含有一定噪聲。樣品的可見/近紅外透射光譜在低于560 nm和高于940 nm 的波段信號微弱且含有大量噪聲，因此選取560～940 nm波長范圍的光譜數(shù)據(jù)進行預(yù)處理。圖6為120個橙果在該波長范圍內(nèi)的原始光譜。

圖6 120 顆橙果的可見/近紅外透射原始光譜

多元散射校正法(MSC)可消除因樣品表面的不均勻性產(chǎn)生散射引起的光譜差異。采用多元散射校正(MSC)方法對光譜進行預(yù)處理。光譜預(yù)處理后，建立偏最小二乘回歸模型，建模結(jié)果如表7所示。

表7 基于不同托盤的PLSR建模及預(yù)測結(jié)果

2.2.2 優(yōu)化預(yù)測模型 由于原始光譜特征中既包含分類識別的有效信息(SSC差異特征)，又包含分類識別的干擾信息(非SSC差異特征)，這些干擾信息可以通過特征提取去除。在遺傳(GA)算法中，將光譜分成102個區(qū)域，前101個區(qū)域包含5個波段，最后一個包含4個波段，算法中群體數(shù)目、交叉概率、變異概率、迭代次數(shù)分別為：50、0.5、0.1、100；優(yōu)選預(yù)處理后的560～940 nm光譜數(shù)據(jù)。GA遺傳算法最終優(yōu)選出共計140個波長變量：560.342～562.639，571.818～574.112，587.094～600.816，606.146～612.233，617.556～619.835，632.742～635.017，640.324～642.597，647.898～650.169，655.465～657.734，666.801～669.067，681.890～691.682，708.223～710.476，730.721～732.967，738.205～747.923，749.417～751.657，753.151～759.120，771.790～777.744，790.381～792.609，820.028～822.247，834.806～837.020，864.269～870.146，886.285～888.483，919.178～930.108，930.836～932.292 nm。

穩(wěn)定性競爭自適應(yīng)加權(quán)采樣(SCARS)算法可以有效去除非信息變量，有效壓縮共線變量，達到提高模型穩(wěn)健性的目的。由圖7(a)可知，隨著抽樣次數(shù)的增加，波長變量數(shù)由高到低呈遞減趨勢。由圖7(b)可知，隨著抽樣次數(shù)的增加，交叉驗證均方根誤差(RMSECV)值減少，這是由于受儀器影響且較敏感的波長變量被剔除；RMSECV最小時，此時為最佳抽樣次數(shù)。圖7(c)為波長變量穩(wěn)定度軌跡圖，即隨采樣次數(shù)的增加，每個波長的回歸系數(shù)變化趨勢，可以得到RMSECV的最優(yōu)變量子集，最優(yōu)變量子集為第54個變量子集，最優(yōu)變量子集中包括20個波長變量，即：562.639，577.932，606.908，625.152，632.742，696.949，704.467，731.470，732.967，734.464，735.961，747.176，748.670，753.151，753.897，754.643，755.390，760.612，837.020，846.606 nm。

圖7 SCARS 算法選擇特征變量

圖8 基于GA算法特征提取方法的橙果SSC檢測結(jié)果

3 結(jié)論

采用Trace Pro仿真，結(jié)合實際可見/近紅外光譜平臺實驗驗證的手段，確定了橙果內(nèi)部品質(zhì)光譜無損在線檢測托盤的最優(yōu)參數(shù)為：外徑80 mm、內(nèi)橫徑55 mm、內(nèi)縱徑50 mm、厚度20 mm、材料采用亞克力。實際檢測算法對光譜進行MSC預(yù)處理，選用SCARS-PLSR進行建模。其中檢測結(jié)果的決定系數(shù)為0.920 9；預(yù)測均方根誤差為0.468 3，預(yù)測精度最佳。但研究只是以美國新奇士甜橙為研究對象，為了提高托盤與模型的適用性還需要對不同品種的橙果進行進一步研究，通過微調(diào)參數(shù)，研發(fā)可適應(yīng)多品種橙果光譜無損檢測的托盤。

圖9 基于SCARS算法特征提取方法的橙果