近红外光谱分析技术检测李果实坚实度指标的方法

　　0 引言。

　　李果实俗称“李子”,以其脆嫩多汁、酸甜爽口而受到广大消费者的喜爱。坚实度又称硬度，表示水果果肉抵抗硬物压入其表面的能力。李果实坚实度是评价其品质和成熟度的重要指标之一，对李果实的采收、运输和保鲜具有重要的参考价值。水果坚实度的传统测量方法为 M - T 戳穿试验方法（Magness Taylorpuncture test） ,该方法是采用一定直径的金属探头刺入果实内一定深度（由表向果心），读取刺入最大力，将最大力值除以探头断面面积即为坚实度[1].尽管这一方法具有操作简单、方便的优点，但在检测过程中需要刺破水果表皮，属有损检测。同时，由于该方法全程需人工操作，效率较低，不适合进行大批量水果坚实度的检测。

　　近年来迅速发展的近红外光谱分析技术作为一种快速、无损、无公害的多组分同时分析的现代技术，成为农产品和食品质量分析中的一种首选技术[2].

　　目前，已有多篇文献报道使用近红外光谱分析技术对苹果、桃、梨等水果的坚实度指标进行检测研究[3 -12].其中，Pérez - Marín 等[10]使用二维阵列可见 - 近红外光谱仪对李果实的坚实度进行检测，模型预测决定系数为 0. 61 ,预测均方根误差为 2. 30N.Louw 等[11]使用傅立叶变换近红外光谱仪检测李果实的坚实度，得到的模型决定系数为 0. 623 ~0. 791,预测均方根误差为 12. 459 ~ 22. 760N.赵志磊等[12]使用傅立叶变换近红外光谱仪检测李果实坚实度，得到的模型预测决定系数为 0. 704,预测均方根误差为 2. 76kg/cm2.以上对李果实坚实度指标的近红外检测研究所使用的建模算法均为偏最小二乘法（Partial Least Squares,PLS），这一算法对光谱和浓度数据的非线性情况较难处理。同时，已有文献中模型的预测性能和稳定性也需要进一步的改善。

　　本文研究了使用近红外光谱分析技术检测李果实坚实度指标的方法，对比分析了经过多种光谱预处理后李果实坚实度近红外检测模型性能的改善情况，并比较了最小二乘支持向量机（Least Squares - Sup-port Vector Machine,LS - SVM） 和偏最小二乘法两种建模算法对李果实坚实度指标的建模结果。

　　1 实验材料和方法。

　　1. 1 实验材料。

　　本实验使用的李果实为“大石早生”李，样品数量为 150 个。为使样品尽可能多样化，增强所建立模型的适应范围，选择了不同成熟度的李果实样品。其中，绿熟样品 50 个，半红熟样品 50 个，红熟样品 50个。样品从河北省保定市易县独乐村李子园中采摘后进行简单清洗，自然风干后即进行光谱采集，当天未采集完光谱的样品置于聚乙烯薄膜封口的果篮中保存，留待第 2 天的光谱采集。

　　1. 2 光谱采集仪和建模软件本文使用德国布鲁克公司的 MPA 近红外光谱仪及漫反射附件（Bruker,德国）进行。仪器光源为 20W钨卤灯，光谱范围为 4 000 ~ 12 492cm- 1,检测器为PbS.使用的光谱采集软件为布鲁克公司的 OPUS 6. 0,扫描次数 32,分辨率设为 8 cm- 1,以仪器的内置金背景作为参比。本文使用 TQ Analyst 6. 0（Thermo Nico-let,美国） 建立和优化了李果实坚实度 PLS 模型，并提取了坚实度指标的潜在变量（Latent Variables,LVs）作为 LS - SVM 模型的输入变量。LS - SVM 算法的实现及参数寻优是在 MatLab7. 0 软件中使用 LS - SVM 1. 5工具箱（Suykens Leuven,比利时）进行的。

　　1. 3 坚实度测量。

　　本实验采用了 M - T 戳穿实验法作为参考方法，在李果实样品的赤道部位选择相邻约 180°的两点测量了样品的坚实度。坚实度测量采用的仪器为日本FHM - 5 型 果 实 硬 度 计 （ TAKEMURA ELECTRICWORKS. LTD ） ,测定压力为 5kg,刺入探头直径为5mm,方向由表面指向果心，并保证刺入点位置与光谱采集位置相一致。

　　2 结果与讨论。

　　2. 1 李果实光谱及坚实度测量结果图 1 为绿熟、半红熟和红熟李果实样品的近红外漫反射平均光谱。从图 1 中可以看出，光谱在 8 692、7 131、5 211cm- 1附近有较为明显的吸收峰，分别与 C- H 基团伸缩振动的二级倍频、O - H 键伸缩振动的一级倍频及水分子中 O - H 键的伸缩和变形振动的吸收有关[2].同时还观察到，不同成熟度的李果实样品平均光谱的吸光度有所不同。例如，在 7 500 ~ 12492cm- 1按吸光度从大到小排列为红熟、半红熟、绿熟样品。这样的现象可能与李果实成熟过程中包括坚实度在内的各项品质指标含量都在发生变化有关。

　　对 150 个样品光谱的马氏距离进行排序，根据Chauvenet 检验的规则，未出现光谱异常样品。结合坚实度数据计算了 150 个样品的杠杆值和学生残差，有6 个样品因杠杆值和学生残差较大而被剔除。继而根据坚实度数据大小对剩下的 144 个样品进行排序，坚实度最大和最小的样品放入校正集，其余样品随机分配为校正集和预测集，比率大约为 2:1.表 1 为李果实坚实度指标校正集和预测集样品统计数据情况。

　　从表 1 可以看出，由于选取的样品成熟度跨度较大，样品坚实度指标的数值范围和标准偏差也相应较大。

　　本文使用的模型评价参数有：校正/预测均方根误差（Root Mean Square Error of Calibration/ Prediction,RMSEC / RMSEP） 、校正相关系数（ correlation coefficientof calibration,rc） 和剩余预测偏差（Residual PredictiveDeviation,RPD）。相关系数和 RPD 值较高而 RMSEC和 RMSEP 较小的模型相关性较高，预测性能和稳定性能较优。

　　2. 2 PLS 模型的建立和优化。

　　使用全波段光谱建立了李果实样品的坚实度 PLS定量模型。对原始光谱分别进行了平滑、一阶和二阶微分、多元散射校正（Multiplictive Scatter Correction,MSC）和标准归一化（Standard Normal Variate,SNV）的预处理，模型结果如表 2 所示。从表 2 中可以发现：

　　除 MSC 和 SNV 校正外，其他预处理方法均使原始光谱模型的预测性能变差；而 MSC 和 SNV 校正模型的校正性能比原始光谱模型差。因此，认为全波段原始光谱建立的李果实坚实度 PLS 模型较优，其校正集相关系数、校正标准差和预测标准差分别为 0. 72、6.22kg / cm2及 6. 78 kg/cm2;但 PLS 模型的预测精度不太理想，RPD 值最高仅为 1. 30.这说明，模型的预测性能和稳定性均需进一步改善。

　　根据 PLS 建模的结果，对李果实样品近红外光谱的全波段数据提取潜在变量。图 2 为前 10 个潜在变量得分累积解释光谱差异的百分比。从图 2 中可以看出，随着潜在变量个数的增加，对光谱差异的解释百分比也越来越高，前10 个潜在变量能解释高达 97.5%的光谱差异。这说明，以提取的潜在变量得分代替原始光谱作为 LS - SVM 模型的输入变量是可靠的。

　　2. 3 LS - SVM 模型。

　　径向基核函数（Radial Basis Function,RBF）对非线性问题有较好的处理能力，本文使用了 RBF 核函数实现 LS - SVM 的建模。其两个重要参数为回归误差权重γ和 RBF 核函数的核参数 σ2,该两参数对于控制模型的复杂度、逼近误差及模型的测量精度有重要影响[13].本文使用二次网格搜索法（Two Step GridSearching）结合十等分交叉验证（Robust 10 - fold CrossValidation）对γ和σ2进行全局寻优[14 -15].其中，γ的寻优范围设为 10- 1~ 106,初始值设为 100;σ2的寻优范围设为 10- 4~ 108,初始值设为 1.

　　表 3 为李果实坚实度 LS - SVM 模型的结果。比较前 1 ~10 潜在变量得分输入的 LS - SVM 模型性能可以发现：潜在变量得分输入个数越多，模型的校正性能和预测性能越好。当与最优的 PLS 模型使用相同个数的潜在变量（3 个）得分作为输入时，LS - SVM模型的校正性能和预测性能均较优。从表 3 中可以发现，使用前 10 潜在变量得分作为输入的李果实坚实度 LS - SVM 模型性能较优，模型的 RPD 值接近 5,达到了较为理想的预测精度，并且具有比较好的稳定性[16 - 18].

　　3 结论。

　　本文选用了 3 个不同成熟度的李果实样品对其坚实度指标进行了近红外检测模型的建立和优化。分析不同成熟度李果实样品的近红外平均光谱，发现吸光度有差异，这可能与不同成熟度样品的化学成分含量不同有关。采用 PLS 方法提取了 LVs 得分，并以其作为李果实坚实度 LS - SVM 模型的输入建立了 LS- SVM 模型。比较发现，LS - SVM 模型的稳定性和预测精度均优于 PLS 模型。使用前 10 个 LVs 得分作为输入建立李果实坚实度 LS - SVM 模型，得到的各项性能最佳，其校正相关系数、校正和预测均方根误差分别为 0. 989、1. 31kg/cm2和 1. 84kg/cm2,剩余预测偏差 RPD 为 4. 79.与以往研究文献中的李果实坚实度近红外定量模型相比，本文得到的最佳模型预测性能和稳定性均有所提高（本文 RPD 为 4. 79,高于文献[10]中的 1.51、文献[11]中的 1. 69 ~3. 00 及文献[12]中的1.84）。研究结果表明：最小二乘支持向量机算法结合偏最小二乘法提取的潜在变量作为输入变量，可以使李果实坚实度近红外定量模型的各项性能得到有效的改善。

　　参考文献：

　　[1] 陆秋君，王俊，王剑平，等。 黄花梨果实坚实度和糖度差[J]. 浙江大学学报：农业与生命科学版，2002,28（6）：679- 684.
　　[2] 严衍禄。 近红外光谱分析基础与应用[M]. 北京：中国轻工业出版社，2005.
　　[3] Schmilovitch Z,Mizrach A,Hofman A,et a1. Determination ofmango physiological indices bynear - infrared spectrometry[J].Postharvest Biology and Technology,2000,19（3）：245 - 252.
　　[4] Lu R. Predicting firmness and sugar content of sweet cherriesusing near - infrared difuse reflectance spectroscopy [J].Transactions of the ASAE,2001,44（5）：1265 - 1271.
　　[5] Lu Ariana D. A near - infrared sensing technique for measur-ing internal quality of apple fruit [J]. Applied Engineeringin Agriculture,2002,18（5）：585 - 590.
　　[6] Park B,Abbott J A,Lee K J,et a1. Near - infrared difusereflectance for quantitative and qualitative measurement ofsoluble solids and firmness of delicious and Gala apples[J].Transactions of the ASAE,2003,46（6）：1721 -1731.
　　[7] Gomez A H,He Y,Pereira A G. Non - destructive measure-ment of acidity,soluble solids and firmness of Satsuma man-darin using Vis / NIR - spectroscopy techniques [J]. Journalof Food Engineering,2006,77（2）：313 -319.
　　[8] 傅霞萍，应义斌，刘燕德，等。 水果坚实度的近红外光谱检测分析试验研究[J]. 光谱学与光谱分析，2006,26（6）：1038 - 1041.
　　[9] 曾一凡，刘春生，孙旭东，等。 可见 / 近红外光谱技术无损检测果实坚实度的研究[J]. 农业工程学报，2008,24（5）：250 -252.
　　[10]Pérez - Marín D,Paz P,Guerrero José - Emilio et al. Min-iature handheld NIR sensor for the on - site non - destruc-tive assessment of post - harvest quality and refrigeratedstorage behavior in plums [J]. Journal of Food Engineer-ing,2010,99（3）：294 - 302.
　　[11] Louw D. E,Theron I. K. Robust prediction models forquality parameters in Japanese plums（Prunus salicina L.）using NIR spectroscopy [J]. Postharvest Biology and Tech-nology,2010,58（3）：176 - 184.
　　[12] 赵志磊，代旭静，郝清，等。 近红外光谱无损检测李果实硬度的研究[J]. 安徽农业科学，2011,39（24）：14552 -14554.
　　[13] 李晓丽，程术希，何勇。 基于漫反射光谱的初制绿茶含水率无损检测方法[J]. 农业工程学报，2010,26（5）：195 -201.
　　[14] 牛晓颖，赵志磊，张晓瑜。 LS - SVM 和 BP - ANN 在草莓糖度 NIR 检测中的应用[J]. 农机化研究，2013,35（5）：204 - 207.
　　[15] 牛晓颖，周玉宏，邵利敏。 基于 LS - SVM 的草莓固酸比和可滴定酸近红外光谱定量模型[J]. 农业工程学报，2013,29（ S1） :270 - 274.
　　[16] Williams P. C,Norris K. H. Near Infrared Technology inthe Agricultural and Food Industries（2nd）[M]. St. Paul,Minnesota,USA: American Association of Cereal Chemist,2001.
　　[17] Fearn,T. Assessing calibrations: SEP,RPD,RER and R2[J]. NIR News,2002,13:12 -14.
　　[18] Cozzolino,D. ,Cynkar W. U. ,Shah N. ,et al. Multivariatedata analysis applied to spectroscopy: Potential applicationto juice and fruit quality[J]. Food Research International,2011,44: 1888 - 1896.