光谱分析在西甜瓜内部品质无损检测中的应用

 近红外光谱分析的应用

表5列举了近红外光谱分析在西甜瓜内部品质无损检测中的应用。

SSC含量作为西甜瓜内部品质的重要评价指标, 其定量分析一直是研究热点。 介邓飞等以“ 麒麟” 西瓜为样品, 研究了不同变量筛选方法(等间隔平均光谱法、 等间隔抽取光谱法、 SPA)和不同建模方法(PLSR, MLR和PCR)对SSC含量预测模型精度的影响。 结果表明, 采用等间隔抽取光谱法结合SPA建立的PLSR模型精度较高(RP为0.828, RMSEC为0.589, RMSEP为0.611)。 

西甜瓜的SSC含量在不同部位存在明显差异, 检测部位差异是影响西甜瓜SSC含量预测模型精度的重要因素。 为探究西甜瓜SSC含量的最佳检测部位, 介邓飞等分别利用瓜梗、 赤道和瓜脐部位的近红外漫透射光谱信息结合PLSR和LS-SVM建立了西瓜单一检测部位的SSC含量预测模型。 结果表明, 瓜脐为最佳单一检测部位(LS-SVM模型: RP为0.768, RMSEP为0.731、 PLSR模型: RP为0.823, RMSEP为0.652)。 Zhang等以哈密瓜为研究对象, 选用不同变量筛选方法(CARS, UVE, CARS-SPA和UVE-SPA), 对比分析了线性PLS和非线性LS-SVM建模方法对基于单一检测部位的哈密瓜SSC含量预测模型的影响。 结果表明, 无论是线性模型还是非线性模型, 基于赤道部位光谱信息建立的哈密瓜SSC含量预测模型性能最佳(UVE-SPA-PLS 模型: RP为0.914 3, RMSEP为0.835 9、 CARS-SPA-LSSVM模型: RP为0.913 4, RMSEP为0.895 8)。

 由此可见, 不同品种西甜瓜的最佳检测部位不同。 为减小检测部位差异对西甜瓜SSC含量预测模型性能的影响, 钱曼等利用“ 京秀” 西瓜三个检测部位的近红外漫反射光谱信息结合CARS和PLS, 建立了西瓜SSC含量的混合(赤道-瓜脐-瓜梗)预测模型(RP为0.905, RMSEP为0.629), 其性能优于单一(瓜脐)预测模型。 上述研究表明, 对于不同品种的西甜瓜选择适宜的近红外光谱检测部位并结合变量筛选方法, 可以有效提高西甜瓜SSC含量预测模型的性能。

研究开发西甜瓜内部品质快速无损检测设备对西甜瓜的质量管理和市场竞争起着至关重要的作用, 国内外应用近红外光谱分析已构建多种西甜瓜内部品质快速无损在线检测系统。 Jie等采集697~920 nm范围内西瓜瓜脐部位的近红外漫透射光谱信息, 利用基线偏移校正(baseline offset correction, BOC)进行光谱预处理, 建立了MC-UVE-SMLR预测模型(RP为0.70, RMSEP为0.33), 构建了西瓜SSC含量在线检测系统。 

Tamburini]采集900~1 700 nm范围内的完整西瓜的近红外漫反射光谱信息, 利用导数修正和SNV进行光谱预处理, 建立了PLS模型, 构建了西瓜内部品质在线检测系统, 可实现对番茄红素(R2为0.877, RMSECV为15.68), β 胡萝卜素(R2为0.822, RMSECV为0.81)和TSS(R2为0.836, RMSECV为0.8)的检测。 

少数公司研发的西甜瓜内部品质在线检测设备已达到工业化标准, 如日本三井金属矿业株式会社的西瓜糖度无损检测生产线(效率为120 pcs· min-1, 误差为± 0.5 ° Brix), 意大利萨克米公司研发的西甜瓜内部品质(糖度、 酸度、 成熟度和空心度)在线检测系统(效率为300 pcs· min-1)等[27]。 上述系统及设备均为大型装置, 不便于小型商户和消费者使用, 开发基于智能移动终端的快速检测系统是未来发展方向之一。

高光谱成像技术的应用

表6列举了高光谱成像技术在西甜瓜内部品质无损检测中的应用。

近些年来利用高光谱成像技术对西甜瓜SSC、 FM的定量分析较多, 李锋霞等[28]以哈密瓜为对象, 选取500~820 nm波段范围内的高光谱图像信息, 分别研究了不同光谱预处理方法(1stD, 2ndD, MSC和SNV)和不同建模方法(PLS, SMLR和PCR)对哈密瓜SSC和FM预测模型的影响。 结果显示, 1stD和SNV结合PLS建立的哈密瓜FM预测模型的预测效果最佳(RC为0.873, RP为0.646, RMSEC为4.18, RMSEP为6.4)。 高光谱成像所获取的光谱信息冗余度较大, 与被测组分无关的信息会削弱模型的预测精度。 因此, 选择包含相对较多有效信息的变量来建立预测模型是十分必要的。

Sun等分别比较了基于不同变量筛选方法(SPA, CARS和GA)结合PLS建立的哈密瓜SSC, FM和TAC预测模型的精度。 结果表明, CARS-PLS模型实现了对哈密瓜SSC(RP为0.960 6, RMSEP为0.381 6, RDP为3.598)、 FM(RP为0.867 1, RMSEP为20.05, RPD为1.996)和TAC(RP为0.912 5, RMSEP为0.026 3, RPD为2.445)的准确预测。 Sun等[30]利用PLSR, PCA, SVM和人工神经网络(artificial neural network, ANN)分别建立了甜瓜SSC和FM预测模型, 其中PLSR模型的预测性能最佳。 为进一步提高模型精度, 采用加权回归系数法筛选变量后结合PLSR重新建立了甜瓜SSC和FM预测模型。 结果表明, 经变量筛选后建立的甜瓜SSC模型(R2为0.775 5, RMSEP为1.187 1)和FM模型(R2为0.355 5, RMSEP为525.293 2)的预测精度均得到了提高。

上述研究均是对内部品质的单一指标进行检测, 忽略了各指标间的相关性, 因此可能会对西甜瓜内部品质的综合评判造成影响。 SSC和FM作为西甜瓜成熟度的关键表征因子, 孙静涛等[29]分别采用MSC和SNV对光谱信息进行预处理并选择SPA, CARS和SPA-CARS对变量进行筛选后, 对比分析了基于全光谱、 SSC或FM单一特征和基于PCA特征融合的哈密瓜成熟度SVM判别模型的准确率。 结果显示, 基于CARS-PCA-SVM特征融合和全光谱SNV-SVM的哈密瓜成熟度判别模型的准确率较高, 其校正集和预测集的判别准确率分别为95%和94%。

研究表明, 利用变量筛选方法可有效降低高光谱信息冗余度, 简化模型, 提高模型预测精度。 建立特征信息融合的成熟度判别模型为今后利用高光谱“ 图谱合一” 的特性综合评判西甜瓜的内部品质提供了理论依据。

原文《光谱分析在西甜瓜内部品质无损检测中的研究进展》