?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部品質無損檢測中的應用。

?

SSC含量作為西甜瓜內部品質的重要評價指標, 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。 結果表明, 采用等間隔抽取光譜法結合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。

?

研究開發西甜瓜內部品質快速無損檢測設備對西甜瓜的質量管理和市場競爭起著至關重要的作用, 國內外應用近紅外光譜分析已構建多種西甜瓜內部品質快速無損在線檢測系統。 Jie等采集697~920 nm范圍內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), 構建了西瓜SSC含量在線檢測系統。?

Tamburini]采集900~1 700 nm范圍內的完整西瓜的近紅外漫反射光譜信息, 利用導數修正和SNV進行光譜預處理, 建立了PLS模型, 構建了西瓜內部品質在線檢測系統, 可實現對番茄紅素(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。?

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

?

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部品質無損檢測中的應用。

?

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。 結果顯示, 1stD和SNV結合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)結合PLS建立的哈密瓜SSC, FM和TAC預測模型的精度。 結果表明, CARS-PLS模型實現了對哈密瓜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和人工神經網絡(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, 采用加權回歸系數法篩選變量后結合PLSR重新建立了甜瓜SSC和FM預測模型。 結果表明, 經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。

上述研究均是對內部品質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部品質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部品質提供了理論依據。

?

原文《光譜分析在西甜瓜內部品質無損檢測中的研究進展》