?近紅外光譜分析的應用

表5列舉了近紅外光譜分析在西甜瓜內(nèi)部品質(zhì)無損檢測中的應用。

?

SSC含量作為西甜瓜內(nèi)部品質(zhì)的重要評價指標, 其定量分析一直是研究熱點。 介鄧飛等以“ 麒麟” 西瓜為樣品, 研究了不同變量篩選方法(等間隔平均光譜法、 等間隔抽取光譜法、 SPA)和不同建模方法(PLSR, MLR和PCR)對SSC含量預測模型精度的影響。 結(jié)果表明, 采用等間隔抽取光譜法結(jié)合SPA建立的PLSR模型精度較高(RP為0.828, RMSEC為0.589, RMSEP為0.611)。?

西甜瓜的SSC含量在不同部位存在明顯差異, 檢測部位差異是影響西甜瓜SSC含量預測模型精度的重要因素。 為探究西甜瓜SSC含量的最佳檢測部位, 介鄧飛等分別利用瓜梗、 赤道和瓜臍部位的近紅外漫透射光譜信息結(jié)合PLSR和LS-SVM建立了西瓜單一檢測部位的SSC含量預測模型。 結(jié)果表明, 瓜臍為最佳單一檢測部位(LS-SVM模型: RP為0.768, RMSEP為0.731、 PLSR模型: RP為0.823, RMSEP為0.652)。 Zhang等以哈密瓜為研究對象, 選用不同變量篩選方法(CARS, UVE, CARS-SPA和UVE-SPA), 對比分析了線性PLS和非線性LS-SVM建模方法對基于單一檢測部位的哈密瓜SSC含量預測模型的影響。 結(jié)果表明, 無論是線性模型還是非線性模型, 基于赤道部位光譜信息建立的哈密瓜SSC含量預測模型性能最佳(UVE-SPA-PLS 模型: RP為0.914 3, RMSEP為0.835 9、 CARS-SPA-LSSVM模型: RP為0.913 4, RMSEP為0.895 8)。

?由此可見, 不同品種西甜瓜的最佳檢測部位不同。 為減小檢測部位差異對西甜瓜SSC含量預測模型性能的影響, 錢曼等利用“ 京秀” 西瓜三個檢測部位的近紅外漫反射光譜信息結(jié)合CARS和PLS, 建立了西瓜SSC含量的混合(赤道-瓜臍-瓜梗)預測模型(RP為0.905, RMSEP為0.629), 其性能優(yōu)于單一(瓜臍)預測模型。 上述研究表明, 對于不同品種的西甜瓜選擇適宜的近紅外光譜檢測部位并結(jié)合變量篩選方法, 可以有效提高西甜瓜SSC含量預測模型的性能。

?

研究開發(fā)西甜瓜內(nèi)部品質(zhì)快速無損檢測設備對西甜瓜的質(zhì)量管理和市場競爭起著至關重要的作用, 國內(nèi)外應用近紅外光譜分析已構(gòu)建多種西甜瓜內(nèi)部品質(zhì)快速無損在線檢測系統(tǒng)。 Jie等采集697~920 nm范圍內(nèi)西瓜瓜臍部位的近紅外漫透射光譜信息, 利用基線偏移校正(baseline offset correction, BOC)進行光譜預處理, 建立了MC-UVE-SMLR預測模型(RP為0.70, RMSEP為0.33), 構(gòu)建了西瓜SSC含量在線檢測系統(tǒng)。?

Tamburini]采集900~1 700 nm范圍內(nèi)的完整西瓜的近紅外漫反射光譜信息, 利用導數(shù)修正和SNV進行光譜預處理, 建立了PLS模型, 構(gòu)建了西瓜內(nèi)部品質(zhì)在線檢測系統(tǒng), 可實現(xiàn)對番茄紅素(R2為0.877, RMSECV為15.68), β 胡蘿卜素(R2為0.822, RMSECV為0.81)和TSS(R2為0.836, RMSECV為0.8)的檢測。?

少數(shù)公司研發(fā)的西甜瓜內(nèi)部品質(zhì)在線檢測設備已達到工業(yè)化標準, 如日本三井金屬礦業(yè)株式會社的西瓜糖度無損檢測生產(chǎn)線(效率為120 pcs· min-1, 誤差為± 0.5 ° Brix), 意大利薩克米公司研發(fā)的西甜瓜內(nèi)部品質(zhì)(糖度、 酸度、 成熟度和空心度)在線檢測系統(tǒng)(效率為300 pcs· min-1)等[27]。 上述系統(tǒng)及設備均為大型裝置, 不便于小型商戶和消費者使用, 開發(fā)基于智能移動終端的快速檢測系統(tǒng)是未來發(fā)展方向之一。

?

高光譜成像技術的應用

表6列舉了高光譜成像技術在西甜瓜內(nèi)部品質(zhì)無損檢測中的應用。

?

近些年來利用高光譜成像技術對西甜瓜SSC、 FM的定量分析較多, 李鋒霞等[28]以哈密瓜為對象, 選取500~820 nm波段范圍內(nèi)的高光譜圖像信息, 分別研究了不同光譜預處理方法(1stD, 2ndD, MSC和SNV)和不同建模方法(PLS, SMLR和PCR)對哈密瓜SSC和FM預測模型的影響。 結(jié)果顯示, 1stD和SNV結(jié)合PLS建立的哈密瓜FM預測模型的預測效果最佳(RC為0.873, RP為0.646, RMSEC為4.18, RMSEP為6.4)。 高光譜成像所獲取的光譜信息冗余度較大, 與被測組分無關的信息會削弱模型的預測精度。 因此, 選擇包含相對較多有效信息的變量來建立預測模型是十分必要的。

Sun等分別比較了基于不同變量篩選方法(SPA, CARS和GA)結(jié)合PLS建立的哈密瓜SSC, FM和TAC預測模型的精度。 結(jié)果表明, CARS-PLS模型實現(xiàn)了對哈密瓜SSC(RP為0.960 6, RMSEP為0.381 6, RDP為3.598)、 FM(RP為0.867 1, RMSEP為20.05, RPD為1.996)和TAC(RP為0.912 5, RMSEP為0.026 3, RPD為2.445)的準確預測。 Sun等[30]利用PLSR, PCA, SVM和人工神經(jīng)網(wǎng)絡(artificial neural network, ANN)分別建立了甜瓜SSC和FM預測模型, 其中PLSR模型的預測性能最佳。 為進一步提高模型精度, 采用加權(quán)回歸系數(shù)法篩選變量后結(jié)合PLSR重新建立了甜瓜SSC和FM預測模型。 結(jié)果表明, 經(jīng)變量篩選后建立的甜瓜SSC模型(R2為0.775 5, RMSEP為1.187 1)和FM模型(R2為0.355 5, RMSEP為525.293 2)的預測精度均得到了提高。

上述研究均是對內(nèi)部品質(zhì)的單一指標進行檢測, 忽略了各指標間的相關性, 因此可能會對西甜瓜內(nèi)部品質(zhì)的綜合評判造成影響。 SSC和FM作為西甜瓜成熟度的關鍵表征因子, 孫靜濤等[29]分別采用MSC和SNV對光譜信息進行預處理并選擇SPA, CARS和SPA-CARS對變量進行篩選后, 對比分析了基于全光譜、 SSC或FM單一特征和基于PCA特征融合的哈密瓜成熟度SVM判別模型的準確率。 結(jié)果顯示, 基于CARS-PCA-SVM特征融合和全光譜SNV-SVM的哈密瓜成熟度判別模型的準確率較高, 其校正集和預測集的判別準確率分別為95%和94%。

研究表明, 利用變量篩選方法可有效降低高光譜信息冗余度, 簡化模型, 提高模型預測精度。 建立特征信息融合的成熟度判別模型為今后利用高光譜“ 圖譜合一” 的特性綜合評判西甜瓜的內(nèi)部品質(zhì)提供了理論依據(jù)。

?

原文《光譜分析在西甜瓜內(nèi)部品質(zhì)無損檢測中的研究進展》