一种便携式苹果糖度无损检测仪的研制

郭亚 程亮 秦斌

摘要糖度是判断苹果质量好坏的一个重要参考标准，针对苹果糖度的检测问题，设计了一种以Cortex-A9为内核、以自研发的可见-近红外光谱仪（波长范围400～1 000 nm）作为光谱检测装置、以Linux为操作系统的便携式苹果糖度无损检测仪。以山东烟台的100个红富士苹果为材料，采集了漫透射检测方式下基于自收发光机构的苹果漫透射光谱曲线，结合化学计量学方法，对样本的全光谱曲线使用了平均法和Savitzky-Golay卷积平滑光谱预处理方法，将预处理后的光谱数据按波峰位置划分区间，并分别按照全光谱范围和所划分区间的波段范围建立PLS模型来预测苹果的糖度含量。结果表明，经预处理后的全光谱数据所建立的PLS模型预测效果最好，优于按波峰划分区间所建立的PLS模型，其校正相关系数为0.96、预测相关系数为0.87，校正均方根误差为0.31、预测均方根误差为0.34。同时对仪器工作时的预测稳定性进行了测试，测试结果得出检测精度可控制在±0.2 Brix以内，模型预测精度满足现场快速检测应用要求。

关键词糖度；苹果；近红外光谱；便携式；无损检测；嵌入式系统

中图分类号TP23文献标识码A文章编号0517-6611（2017）14-0191-08

AbstractSugar content is an important reference standard to judge the quality of apple，a portable apple soluble solids content spectrometer was designed with CortexA9 as controller，selfdeveloped nearinfrared spectrometer（the wavelength range of 400 to 1 000 nm） as spectrum detector，Linux as embedded operating system.The total number of 100 apple samples from Yantai，Shandong Province were used as the test objects.Collecting optical transceiver diffuse transmission spectral curves，combined with the method of chemometrics，the full spectrum of the sample was processed by averaging method and SavitzkyGolay convolution smoothing spectral pretreatment method，and the spectral data of pretreatment were divided according to the wave peak position，then PLS model was established to predict the sugar content of apple.Experimental results showed that the full spectrum of PLS models set up in average and smooth pretreatment way were better than that of divided by wave peak position.The correlation coefficient of Rc=0.96，the Rp=0.87，root mean square error RMSEC=0.31，RMSEP=0.34.Meanwhile，work to predict the stability of the instrument were tested，the test results obtained detection accuracy could be controlled within ± 0.2Brix，the prediction accuracy of the model met the requirements of onsite inspection applications.

Key wordsSugar content；Apple；Near infrared spectrum；Portable；Nondestructive inspection；Embedded system

隨着人们生活水平的提高，消费者对苹果的品质有了更高的要求。从过去单一的追求外观形状、色泽、有无虫眼等发展到酸度、甜度、有无农药残留等内部品质的要求。但传统的苹果分选只能依赖于人眼通过经验辨别它的外部特征进行分级，苹果的外观质量并不能反映其内在的品质，且人工分选容易受到外界光线、个人工作状态等影响，准确性和效率较低。近红外光谱技术的发展，为苹果糖度的快速、无损检测提供了技术支持。近年来，大量的研究将可见-近红外光谱技术应用于水果内部品质的检测分析[1-3]：常冬等[4]以苹果作为试验样本，对3种不同的近红外光谱分析儀从检测方式、处理方法和仪器参数等方面进行比较，并对实际的使用效果做分析对比，为使用者挑选购买相关产品提供了有力的参考；王加华等[5]采集了几种不同温度下的苹果漫透射光谱数据，使用二阶导数和卷积平滑方法进行光谱预处理并结合PLS建模，同时使用斜率-偏差法对温度进行了校正，使得在不同温度下的预测精确度得以提高，增大了仪器对温度的适应性；代芬等[6]利用人工神经网络算法进行特征波段的挑选，提高了苹果糖度模型的预测精度和模型性能。Antonucci等[7]利用便携式近红外光谱仪，结合PLS 建模，检测了小蜜橘和柑橘的可溶性固形物含量；Chauchard F等[8]应用便携式光谱仪检测葡萄的酸度。Jha等[9]采用多元散射校正（MSC）的预处理方式和多元线性回归（MLR）建模对苹果的总固形物、酸度和糖度进行了预测效果的研究。Greensill等[10]、McGlone等[11]、Schaare等[12]对水果检测时的光谱采集方式进行了研究和比较，得出漫透射式检测效果最好的结论。以上研究建立的苹果糖度模型稳定可靠，但局限于实验室，不适用于现场实时快速检测，并且成熟使用的产品较少；而国外公司的成熟产品不断进入我国水果市场，给实际的生产销售带来便利的同时也存在着价格高昂、操作复杂、售后服务困难等问题。为此，笔者设计了基于可见-近红外光谱技术的苹果糖度无损检测仪，并以红富士苹果为试验对象，建立苹果糖度的近红外光谱PLS 模型，并对模型可靠性、稳定性和预测精度进行验证，得到适用于该仪器的检测苹果糖度的近红外光谱模型。

1便携式苹果糖度无损检测仪的设计

1.1便携式苹果糖度无损检测仪的硬件设计苹果糖度无损检测仪的硬件系统主要包括光谱仪、收发光机构、ARM核心开发板（包括核心处理板、WiFi模块、触摸显示屏）及外围配套电路等几大部分，其结构框图见图1。收发光机构让光源发出的光有效透射和被光谱仪接收，光谱仪用来采集苹果采样点的漫透射光谱，ARM核心处理板完成数据的处理，WiFi模块实现数据的远程传输，触摸显示屏完成人机交互。

1.1.1光源的选择。光源是水果无损检测仪的重要组成部分，光源选择的正确与否直接关系到仪器的稳定性和检测的精度，甚至于开发的成败。在能够反映水果特征峰的波段内

光源必须要能保证足够的强度和稳定性，二者直接关系到检测仪的信噪比高低[13]。同时，光源所能涵盖的波长范围也决定着仪器对波长的检测范围。

目前，近红外光谱技术采用的光源有很多种，常用的有卤素灯、发光二极管（LED）和激光等作为光源，表1为3种类型光源的对比。因为该研究以苹果为主，采用的是漫透射的检测方式，通过试验和调研，为了能够获得稳定的近红外光谱，又综合考虑其发热、价格、使用寿命等多方面因素，最终采用了稳定性较好又能提供足够发光强度的卤素灯，型号为“EYE JCR 12 V 100 W”。

卤素灯是白炽灯的一种，灯丝和外壳分别由钨丝和石英玻璃制成，玻璃外壳内填充有卤素气体。设计中使用的光谱仪响应波段为400～1 000 nm，水果样品在其中的连续光谱区域500～1 000 nm 内具有明显的特征峰。其光谱曲线如图2所示，该光源在400～1 000 nm的光谱区域内能够达到较高的发光强度和稳定性。

1.1.2光路的布置。光路布置方式是根据检测方式而决定的，设计采用的是漫透射型检测方式，从装置的操作便利和机构的简易考虑，最终采用光纤导出，同时与收光口保持对称的结构形式。收发光机构的结构和实际效果分别如图3、4所示。

光源的收发件安装于光谱仪之上，与光源之间在空间上存在一定的距离，使用一条光纤将光源的光传导至收发光机构的发光口处。不同介质所制成的光纤所能传递的波长范围和效率均有差异，而石英光纤具有传导波长范围大（0.38～2.10 μm）、机械强度和弯曲性能均较好等优势。但普通商品化石英光纤一般光通量低、受光面积小，不能满足苹果透射光谱检测的实际需要，故经与光纤厂家沟通，定制了受光口径8 mm的石英光纤。为进一步增强发光口的光照强度，在光纤前端加装了聚焦透镜，透镜安装在卤素灯的灯杯焦点所在的位置，如图5所示。

1.1.3光谱仪。在便携式水果糖度无损检测仪器中光谱仪的作用是将光纤传导回来的光通过CCD传感器转换成电信号，再进行放大、滤波、整形和A/D转换一系列的处理后，将转换后的数字信号传送至核心处理板进行数学运算。该研究中采用经典的切尼-特纳（Czerny-Turner）对称式光学结构[14]基于平面光栅自行开发的微型光谱仪，其实物如图6所示。

为满足可见-近红外段光谱检测的要求，该研究选用了日本索尼公司的ILX511CCD传感器，用于将成像系统焦平面上的光谱能量接收，表2中列出了该CCD传感器的具体参数，图7为其光谱响应曲线。

1.1.4附件模块。为提高操作效率，保证一定的用户体验，该设计采用微动开关触发的方法实现控制水果的检测。具体实现方式为将微动开关置于收发光口两个闭光橡皮圈之间，每次水果检测时触动微动开关，给到核心控制板IO口一个低电平实现触发检测。结合收发光机构的结构形式和体积两方面考虑，微动开关最终选择型号为“欧姆龙V-156-1C25”，其实物如图8所示。

1.1.5苹果糖度检测仪样机及硬件平台。由于该研究中采用的光源是发热量较大的卤素灯，且糖度检测仪壳体密闭性较好，光谱仪CCD对温度有一定的要求。为保证仪器的稳定性能，在壳体两侧分别安装一个风扇，用于降低仪器壳体内部的温度。如图9和图10分别为便携式糖度检测仪的样机和硬件平台。

1.2便携式苹果糖度无损检测仪的软件设计设计所采用的核心处理板选用Linux嵌入式操作系统，在该操作系统下，编写相应的程序，其主要作用是将光谱仪采集到的光谱信息转换成方便数据处理的文档格式，结合糖度预测模型，同時在触摸显示屏上进行预测糖度值的显示，采集的光谱数据也可以TXT文本格式进行保存。可根据不同实验的需要，在软件上对光谱仪进行相关参数设置，包括背景光谱的采集、光源光谱的采集、积分时间设置、平滑度設置和平均次数设置等。此外，软件系统还具有水果类型选择、偏移值校正（对于检测仪使用过程中出现的检测值误差，根据实测值和检测值的偏移值进行手动设置补偿）、数据存储及拷贝等基本功能。触摸显示屏的作用是对装置的软件进行操作，以及对被测样品的检测结果进行显示。软件的操作界面如图11所示，界面直观易操作，在正常情况下，直接点击开始按钮就可以进入工作状态。

2便携式苹果糖度无损检测仪的试验

2.1试验材料及样品处理测试所使用的样本是产地为山东烟台的红富士苹果，采购自深圳市南山区水果批发市场。购回后的样本，经人工挑选确认大小合适、形状规则及表面无损伤后作为供试样本。使用湿毛巾将水果表面的灰尘擦洗干净，以排除表面杂物对光谱采集的影响。样本苹果在室温下放置1 d后，每个苹果在赤道部位分隔120°，取1个光谱和糖度的测试点，并按顺序依次对其编号，如图12所示。

2.2光谱数据的采集在该设计中采用水果静止放置采集漫透射光谱的检测方式。上电使光源预热10～15 min，待光谱仪采集到的光谱曲线稳定后方可进行样本光谱的采集工作。在采集的过程中将积分时间调整为80 ms，平均采集3次，平滑窗口大小设置为6，以CCD的原始响应，先后采集暗场光谱和参比（光源）光谱，如图13所示，以光谱仪收光口被堵住时采集到的光谱信号作为暗场光谱，以空气作为背景白板反光时测得的光谱信号作为参考光谱， 最后将采集到的样本漫透射光谱进行透射率（T%）的转换。

透射率即透过样品的透射光强与入射光强的比值，在透射模式下可以测量样品的透射率。透射率的测量遵循以下公式：

式中，Sλ为在波长处的样品光谱；Dλ为在波长处的暗背景光谱；Rλ为在波长处的参考光谱。

图14所示为采集的100个样本的漫透射光谱曲线。由图14可见，采集的苹果漫透射光谱曲线两端区域均存在噪声，在设计过程中选取波长520～940 nm的波段作为苹果糖度定量分析的光谱数据。

2.3苹果糖度的理化分析糖度是评判水果质量的一个重要指标，果蔬中的可溶性固形物的含量（SSC）通常可以大致表示其糖度值。国家标准GB/T 12295—1990《水果、蔬菜制品可溶性固形物含量的测定折射仪法》规定了水果可溶性固形物的检测原理及方法[15-16]。

可溶性固形物是指液体或流体食品中所有溶解于水的化合物的总称，包括糖、酸、维生素、矿物质等。果蔬在榨汁后形成的汁液中可溶性固形物的含量与它的折光率成正比例关系[17]，所以通过汁液的折光率可以求出它的可溶性固形物含量，即可近似为糖度的含量。

在苹果上标记采集光谱的位置，取直径约为2.5 cm的半球状果肉（用专业的挖果工具进行），削去果肉上的果皮，用家用蒜泥器将其榨汁并保存在小烧杯中，采集到的果汁经3层纱布过滤后通过漏斗滴到数字折光仪的检测棱镜面上（每次均保证果汁面与折光仪检测口平齐），按下“开始”键进行多次重复测量，待糖度值显示稳定后则记录下数值做为其糖度参考值。此次设计从100个苹果共300个采样点中得到可溶性固形物含量分布，其含量分布服从正态分布，如图15所示，具体糖度含量分布在9～15 Brix。总样本数86%的苹果在10～14 Brix的糖度范围内。为了提高模型检测的精确度，所建立的糖度预测模型主要针对糖度值在10～14 Brix范围的苹果。

2.4糖度预测模型的建立与检测

2.4.1果皮对检测的影响。为研究苹果的表皮颜色对光谱测量是否存在影响，从样本中选取20个表皮颜色差异较大的苹果进行测试。对选取的20个样本的阳面、阴面各标记一个测试部位，对选取的部位分別在苹果完好和削去果皮的情况下测试其光谱曲线，如图16为苹果的一个采样点在完整和去皮情况下的光谱曲线对比图，同时对测试点的果肉进行糖度值的测试，如表3为20个样本果阳面和阴面糖度值差距的统计结果。

对上述统计结果进行分析，可知在有无果皮的情况下，光谱曲线的走势基本一致，波峰、波谷位置也相同，只是光谱的透过率幅值存在差异，在有果皮的情况下，光谱透过率的幅值要高于无果皮的情况。由以上试验数据分析可得，果皮不会改变苹果的漫透射光谱曲线的走势，但对其透过率曲线的幅值有一定影响。

2.4.2糖度预测模型的建立。在建立苹果糖度预测模型之前，要对苹果采样点的光谱数据进行采集，为减小单次采样误差，对每个采样点在采样条件不变的情况下连续采集3次求平均的方法进行光谱数据的采集。随后，对采集到的光谱数据选取最佳的窗口长度进行Savitzky-Golay卷积平滑滤波，将采集到的100个样本苹果共300个采样点的光谱数据按照13∶2 的比例分成校正样本集和预测样本集，运用PLS模型算法进行不同光谱波段数据的建模，找到效果最好的建模波段并用预测集样本进行验证。最后，将模型导入到糖度检测仪，对其检测准确度进行校正后做稳定性的测试。

2.4.2.1光谱数据的预处理。使用平均法消除单次采样的误差。 由于受到苹果上机检测时自身晃动漏光、仪器振动、电路噪声等随机误差的影響，在保持采样条件不变的情况下对一个样本的同一个采样点进行光谱数据的连续多次采集时光谱曲线会存在着轻微的波动。为减小这种光谱曲线的波动给后续建模带来的影响，遂采用连续采集3次光谱数据对其求平均的方法来降低光谱曲线的波动性，如图17为同一采样点连续采集3次的光谱曲线。

使用平滑的预处理方法消除光谱噪声。在使用Savitzky-Golay卷积平滑滤波时，窗口长度的选择尤为关键。如果在平滑去噪滤波的过程中，窗口长度选择过大则会导致过度平滑，使一些细节信息丢失； 反之，滤波效果不佳，噪声依然存在，影响建模质量。如图18所示，从上至下是平均光谱和窗口宽度分别为5、7、9时的光谱曲线图，对比可知，在窗口长度为9时光谱曲线能够得到较好的平滑效果。

2.4.3模型的建立。根据苹果的光谱曲线，找到曲线中的3个特征波峰，以这3个波峰为分界点将全光谱段分为504.34～926.89、654.25～810.31、705.17～926.89、810.31～926.89 nm 4个不同的建模波段范围，如图19所示为4个波段的分区图。

根据以上4个分区分别建立PLS糖度预测模型，将之前

分好的校正和预测集样本数据分别进行模型的验证，通过模型计算后得到模型的性能评价指标，其结果如表4所示，建立的模型其函数表达式为

式中，y为预测的糖度值；x1，x2，x3，…，xn为参与建模的各个不同频率波长点所对应的光谱透过率数值。

从表4中可以看出，经3次采样后平均以及窗口长度为9的平滑处理后基于全光谱（504.34～926.89 nm）建立的PLS数学模型检测效果最好，其校正集评价性能指标校正相关系灵敏为0.96，校正均方根误差为0.31，预测集评价性能指标预测相关系数为0.93，预测均方根误差为0.34。

在完成建模后需进行进一步的验证，以检验实际预测效果，将之前分好的校正集样本和预测集样本数据分别用得到的模型进行糖度值的预测，并与实测值进行比较，通过模型计算后与实际糖度值对比的效果如图20所示。

由图20可得，苹果中的糖度与其在504.34～926.89 nm漫透射光谱波段有较大的线性相关性，该研究中所选取的波段范围和建模方法是可行的；预测值和实测值的差值控制在±0.4 Brix以内，可以看出该模型的预测效果较为理想。但作为实际的产品使用时需采用校正差值的方法减小检测误差，同时需要保证糖度检测仪的稳定性。

2.5稳定性测试在系统精度要求得到满足之后，有必要就整个糖度检测仪做一些重复性的测试，以保证其稳定性。导入模型至糖度仪后，在使用之前选取6个苹果进行糖度仪检测值与实测值的比较，求取平均误差后，使用检测软件进行校正补偿，随后对其进行稳定性的测试。对使用校正过后的糖度检测仪选取2个糖度相差比较大的苹果，在2个苹果上各取一个测试点，并对该测试点连续进行10次测量。 表5

图21为含糖量14.8和11.6 Brix的苹果使用校正过后的苹果糖度检测仪重复测量的结果与实测值之间的相关图。

从2次试验的结果可以看出，经糖度检测仪误差偏移值校正后，其预测值与实测值的最大差值在±0.2 Brix以内，说明该设计中所采用的算法是稳定可靠的。

3结论

为了更加便携、快速地检测苹果糖度，设计出基于嵌入式Linux操作系统的便携式苹果糖度无损检测仪，并结合真实采集的山东烟台的苹果糖度数据对光谱数据进行求平均和Savitzky-Golay卷积平滑滤波进行预处理并采用不同的波段分区对PLS的实际建模效果进行了比较，结果表明，采用全光谱参与建模效果最佳，其校正相关系数为0.96、预测相关系数为0.87，校正均方根誤差为0.31、预测均方根误差为0.34。同时，对整机工作时的预测稳定性进行了测试，检测精度可控制在±0.2 Brix以内。该检测仪价格低廉、携带方便、操作简单、能快速便捷地检测苹果糖度。在后续的工作中将会考察更多的建模预测算法，并结合大数据、物联网和云计算，构建“云+网+端”的检测平台，一方面可以监测产区的生产质量和状况；同时也可以为糖度检测仪的模型修改与维护提供远程服务，通过建立近红外光谱的标准数据库，挖掘潜在的有价值信息，拓展其应用范围。

参考文献

[1] CDRIC C，CHRISTEN D.Nondestructive assessment of apricot fruit quality by portable visiblenear infrared spectroscopy[J].LWTFood Science and Technology，2009，42（6）：1125-1131.

[2] BELLONMAUREL V，MCBRATNEY A.Nearinfrared（NIR）and midinfrared（MIR）spectroscopic techniques for assessing the amount of carbon stock in soilsCritical review and research perspectives[J].Soil biology and biochemstry，2011，43（7）：1398-1410.

[3] PAZ P，SNCHEZ M T，PREZMARN D，et al.Instantaneous quantitative and qualitative assessment of pear quality using near infrared spectroscopy[J].Computers and electronics in agriculture，2009，69（1）：24-32.

[4] 常冬，王加华，蒋圣楠，等.三种不同便携式可见/近红外分析仪对比研究[J].食品安全质量检测学报，2011，2（5）：231-234.

[5] 王加华，戚淑叶，汤智辉，等.便携式近红外光谱仪的苹果糖度模型温度修正[J].光谱学与光谱分析，2012，32（5）：1431-1434.

[6] 代芬，洪添胜，尹令，等.基于人工神经网络的苹果可溶性固形物无损检测[J].农机化研究，2011（10）：134-137.

[7] ANTONUCCI F，PALLOTTINO F，PAGLIA G，et al.Nondestructive estimation of mandarin maturity status through portable VISNIR spectrophotometer[J].Food and bioprocess technology，2011，4（5）：809-813.

[8] CHAUCHARD F，COGDILL R，ROUSSEL S，et al.Application of LSSVM to nonlinear phenomena in NIR spectroscopy：Development of a robust and portable sensor for acidity prediction in grapes[J].Chemonetrics and intelligent laboratory systems，2004，71（2）：141-150.

[9] JHA S N，GARG R.Nondestructive prediction of quality of intact apple using near infrared spectroscopy[J].Journal of food science and technology，2010，47（2）：207-213.

[10] GREENSILL C V，WALSH K B.Optimization of instrumentation precision and wavelength resolution for the performance of NIR calibrations of sucrose in a watercellulose matrix[J].Applied spectroscopy，2000，54（3）：426-430.

[11] MCGLONE V A，JORDAN R B，MARTINSEN P J.Vis/NIR estimation at harvest of preand poststorage quality indices for ‘Royal Galaapple[J].Postharvest biology and technology，2002，25（2）：135-144.

[12] SCHAARE P N，FREASER D G.Comparison of reflectance，interactance and transmission modes of visiblenear infrared spectroscopy for measuring internal properties of kiwifruit（Actinidia chinensis）[J].Postharvest biology and technology，2000，20（2）：175-184.

[13] 范國强.基于近红外光谱技术的苹果内部品质在线检测的机理研究[D].淄博：山东理工大学，2007.

[14] 张国栋.便携式光纤光谱仪光学系统设计与分析[D].西安：西安电子科技大学，2013.

[15] 中国农业科学院蔬菜花卉研究所.水果、蔬菜制品 可溶性固形物含量的测定 折射仪法： GB/T 12295—1990[S].北京：中国标准出版社，1990.

[16] 黄丽娟.罗汉果果实发育、加工、贮藏过程中活性成份的研究[D].南宁：广西大学，2009.

[17] 刘佩.高失水性新鲜果蔬包装内环境湿度调节技术的研究[D].西安：西安理工大学，2014.