基于特征LED光源的苹果多品质参数无损检测装置研究

赵 娟 全朋坤 张猛胜 田世杰 张海辉,3 任小林

(1.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100； 2.农业农村部农业物联网重点实验室， 陕西杨凌 712100;3.陕西省农业信息感知与智能服务重点实验室， 陕西杨凌 712100； 4.西北农林科技大学园艺学院， 陕西杨凌 712100)

0 引言

随着人们生活水平的不断提高，消费者对水果的需求已经从“数量型”转向“质量型”，因而对于如何筛选出内部品质更佳的优质果提出了更高的检测要求。

近年来，商品化便携式检测设备在果实品质评价中得到了广泛应用[1-3]。王加华等[4]利用日本Kubota公司生产的K-BA100R型便携式近红外光谱仪检测了洋梨硬度。MARA等[5]使用基于手持式微电子机械系统红外光谱仪检测柑橘大小、颜色等外部品质参数及收获前硬度、可溶性固形物含量、pH值等内部品质参数。杨帆等[6]利用聚光科技有限公司的便携式SupNIR-1000型光谱分析仪建立了苹果酸度和抗坏血酸的定量分析模型。MARCO等[7]采用一种基于声光可调谐滤波器原理的微型手持式近红外分析仪建立了橄榄果实硬度、叶绿素含量、花青素含量等参数的偏最小二乘模型，用来确定用于初榨橄榄油和食用橄榄的最佳采收时间。ROBERT等[8]采用Thermo fisher公司生产的手持式近红外光谱仪，检测了“Fuerte”、“Hass”和“Carmen1-Hass”3个鳄梨品种的成熟度，预测结果与商业方法的判定结果接近。上述结果表明，使用便携式近红外光谱设备不仅可以采前实时检测树上水果成熟期间的内部品质参数变化，也可以用于采后检测。

目前，市场上也已经有一些成熟的水果品质便携式检测仪器[9-11]。如美国的ACCUNIR2100和ACCUNIR2200型检测仪，日本的K-SS300和TD-2000C 型检测仪，意大利的 Quality Station和QS-300型检测仪等。但市场上的设备价格昂贵，主要用于实验室科研分析，对于田间生产及电商销售的个体农户并不适用，相关研究成果无法实际推广生产。因此，本文在可见/近红外光谱检测技术基础上，提出一种基于窄带LED光源与光电二极管结合的苹果内部多品质检测方法，并设计一种便携式、低成本的苹果多品质检测设备，为高品质水果的生产及销售提供技术支撑。

1 材料与方法

1.1 试验材料

从甘肃省静宁县果园里采摘无缺陷、无损伤和无污染的苹果样本240个进行试验。样本采摘后运回实验室，在室温下存放24 h后，进行光谱采集和理化值测定。

1.2 品质因子理化含量测定

苹果样本的可溶性固形物含量测量使用糖度计(PAL-BX/ACID5型, ATAGO, 日本),方法参照文献[12]。可滴定酸含量采用苹果酸度计(GMK-835F型,G-WON, 韩国)测定；果实硬度采用物性测定仪(TA.XT Express型, Stable Micro Systems, 英国)在标记区域从果皮向果肉穿刺,探头直径5 mm,预压速度1.5 mm/s，穿刺速度为1.0 mm/s，压后上行速度为1.0 mm/s，测试距离为10 mm，触发力是2.0 g。理化测定的取样部位分别为光谱采集所测量的样本3个面，每个指标测定3次取平均值作为最终样品测定结果，其中，可溶性固形物含量和可滴定酸含量每测完一次需用纯净水清洗仪器。

1.3 光谱特性试验

1.3.1光谱信息获取

基于实验室搭建的可见/近红外光谱的漫反射检测平台采集的苹果样本漫反射光谱曲线如图1所示，光谱仪(OFS-1100型,Ocean Optics, 美国)的有效响应范围为200～1 100 nm，分辨率为0.43 nm，卤钨灯光源(HL-2000型,Ocean Optics, 美国)波长范围为360～2 400 nm，功率为28.8 W。光谱仪与光源通过二分叉光纤连接实现样本检测。设置积分时间为50 ms，光谱平均次数为5，平滑次数为5，对其进行杂散光校正，去除暗噪声处理。每个样本放置方式为果柄轴向方向与光源照射方向垂直，以果柄为轴线，每120°进行一次光谱采集，对获得的3次光谱信息取平均作为该样本的漫反射光谱。为消除系统的噪声影响，选取波长范围为315～1 045 nm的光谱信息作为有效信息。

图1 苹果样本的漫反射光谱曲线Fig.1 Diffuse reflectance spectrum of apple samples

1.3.2特征光谱波长提取

光谱仪获得的全波段光谱一般包含过多的波长数据变量，通过筛选与待测对象品质相关的特征波长，对于提高检测精度、减小信息采集量，进而构建多光谱系统发挥着重要作用[13]。

图2 随机蛙跳算法提取的各指标特征波长Fig.2 Extracted characteristic wavelengths of each quality index for apple by random frog algorithm

目前波长选择的算法较多，不同算法思路存在差异，选择强度也存在区别[14-17]。本研究对采集的所有样本原始光谱变量经多元散射校正(Multiple scattering correction, MSC)预处理后利用连续投影算法(Successive projections algorithm, SPA)、竞争自适应重加权算法(Competitive adaptive reweighted sampling, CARS)、随机蛙跳算法(Random frog, RF)等多种特征波长选择算法，分析苹果可溶性固形物含量、可滴定酸含量、硬度的特征波长分布范围，其中利用随机蛙跳算法[18-19]进行特征波长提取具体过程如下：

首先，进行初始化操作，最大进化次数N设为500，聚类数目A设为6，采用中心化预处理方法进行数据预处理；其次，通过适应度公式计算其适应度值，并进行排序，实现对蛙群分类；然后，对已分类的各个子蛙群进行深度搜索，随机从族群中选择q个个体，分入子族群并将子族群进行排序，找出子族群中最优解PB和最差解PW,依据公式

S=Ω(PB-PW)

(1)

(2)

式中S——跳动步长Ω——随机数

进行每个子种群的局部深度搜索，并对最差解乘以0～1之间的随机数Ω进行改进；最后，在所有子族群完成深度搜索后，再次进行重新混合与排序，进而进行局部深度搜索，直到输出结果达到精度要求。

2 检测设备基础平台设计

2.1 特征LED光源选取

基于苹果内部品质的光谱特性分析，设计了检测设备的基础平台，实现果实漫反射特征光谱强度的快速检测。通过随机蛙跳算法提取与苹果果实硬度、可溶性固形物含量和可滴定酸含量的特征波长如图2所示。

通过对多种特征波长提取算法结果的分析，依据波长被选择的概率，优选出3个品质参数各自最优的特征波长，兼顾3个指标的特征波长，最终确定了10个共享波长，分别为420、480、550、580、640、680、705、940、980、1 044 nm。这10个独立波长的窄带LED光源将作为检测光源，采用光电二极管作为感应元件，通过特征波长光源与光电二极管相结合的方式测量苹果不同波长漫反射光强度对应的特征电压强度。

2.2 整体结构设计

2.2.1外型设计

基于已知苹果内部品质特征波长和光谱检测方式，设计了检测设备的外型结构，主要包括设备上下外壳与检测探头结构。检测主设备由光源模块、光源稳压模块、光源驱动模块、光电检测模块、处理器模块、处理器供电模块、电源模块、用户交互模块构成。光源模块包括：光源支架、LED灯架、外圈挡光圈、凸台挡光圈。检测设备如图3所示。

图3 检测装置结构Fig.3 Diagrams of detection device structure 1.检测探头 2.显示屏 3.检测开关 4.设备外壳 5.电源开关

检测外壳中间偏左的位置嵌装有显示屏，显示屏下部为检测电源开关，显示屏右侧为检测按钮，检测外壳上部嵌装灯头，灯头最上部为圆形挡光圈，圆形挡光圈下部嵌装着与灯头轴线呈45°环形阵列分布的窄带LED。依次为第1光源至第10光源，位于灯头中央的为凸台挡光圈，凸台挡光圈下部为扩散板，扩散板正下方1 cm处为光电二极管，二维码打印机通过转接线和设备连接。

2.2.2检测探头设计

检测探头结构包括有光源支架、LED支架、挡光圈和凸台挡光圈。检测探头设计10个窄带LED光源环形分布在检测器周围，第1至第10个特征光源的中心波长分别为420、480、550、590、660、690、700、940、980、1 045 nm。一个灯帽下分布着两个波段的窄带LED，共5组。光束与轴线呈一定角度照射向检测样品，并且光束轴心会聚在一点上，以保证光源照射的一致性；光源支架设置有检测凸台，其上装有弹性挡光圈，同时在支架周围布置挡光圈结构，在放置水果时依靠力的作用与挡光圈紧密配合形成一种特殊的结构，避免LED发出的光直接进入检测通道到达传感器表面以及外界光进入检测区域影响检测结果。检测探头结构如图4所示。

图4 检测探头结构Fig.4 Diagram of detection probe structure 1.挡光圈 2.螺钉1 3.LED光源 4.螺钉2 5.凸台挡光圈 6.光源支架

2.3 光路设计

LED光源辐射的光能量须反射后进入光电二极管，光进入苹果内会发生吸收、反射、散射等变化，从而使得反射强度极其微弱，若加大光源功率则会造成苹果烧伤，因此要对检测光路进行设计与优化，最大程度地利用LED组光源的发光强度，图5为漫反射检测光路示意图。

图5 检测装置漫反射检测光路示意图Fig.5 Schematic of diffuse reflection detection optical path of device 1.苹果 2.LED灯珠 3.挡光圈 4.扩散板 5.光电传感器

10个与灯头呈45°方向布置的窄带LED光源、扩散板、45°设计的圆锥形通光孔、光电二极管组成了整个检测探头光路系统。10个波长的窄带LED光源呈环形阵列排布，光源轴心和灯头轴心呈45°，光电二极管位于水平位置灯头轴心下1 cm处，光源发出的光在45°方向进入苹果内部，经过漫反射从苹果下部传出，经过扩散板，将垂直于扩散板的光通过45°圆锥形通光孔均匀照射在光电二极管上，有效地避免了光源直接照射光电二极管。

2.4 硬件电路设计

以树莓派三代作为中央处理器协调各模块工作，首先PWM控制光源实现亮度调节，光电检测模块实现漫反射光谱检测，采样模块将光电检测的模拟量转换成数字量返回到处理器，经中央处理器处理后在显示模块进行相关结果的显示与其他信息的反馈。图6为苹果内部品质一体化检测设备硬件电路结构框图。

图6 检测设备硬件电路结构框图Fig.6 Hardware structure diagram of detection device

光源与驱动模块中，每个LED灯珠(F42型, 深圳市超自然科技公司)中心波长为所选特征波长，半波宽度为20 nm。驱动芯片采用输出电流可调节的BP1360 芯片，单片机通过输出不同占空比的 PWM 信号调节BP1360 的输出电流， PWM 信号额定占空比为0.5，使单个灯珠输出电流为0.4 A，从而实现 LED 光源发光强度的稳定定量调节。光谱检测模块中，采样模块采用硅光电二极管(FDS10*10型, THORLABS, 美国)，感应波长范围为340～1 100 nm。在光电转换电路电压输入端采用电阻和电容组成的RC低通滤波器，消除电源带来的高频噪声；采用运放芯片OP07将采样电阻端的电压进行放大，而在输出电压端接滤波电容，最终获取实际有效电压，其电压输出范围为0～5 V。

3 判别模型建立

3.1 数据采集

从市场购买144个大小均匀，表面无损伤、无污染的静宁富士苹果进行试验，将表皮清洗干净，依次进行编号，随机选取104个样本作为校正集，40个样本作为集。

由于光电检测器响应较敏感，在安装挡光圈，提供暗环境的条件下，为进一步消除外界光的干扰，在开启光源前，盖上探头盖，获取当前暗环境下的光电转换电压后，以不同波长光源下采集的电压与暗环境下的电压差值作为样本在该波长下的反射光强值。

数据采集时，将检测探头对准试验样本沿赤道方向的一个面，依次循环采集10个特征LED光源下的反射强度值，每个样本沿赤道方向旋转120°共采集3个面的反射信息，每个波段3次测量值取平均，作为其特定波长下的反射强度信息。采集完样本的光谱信息，再依次理化测定样本的果肉硬度、可溶性固形物含量和可滴定酸含量。

3.2 模型建立

利用仪器获取校正集104个苹果漫反射光谱强度，采用多元线性回归建立苹果内部多品质预测模型。此模型自变量数目少，不存在共线性问题，建模速度快，稳定性好、易于维护修正和扩展，移植性好。

将样品所获得的10个特征波长下的电压强度与对应的苹果可溶性固形物含量、可滴定酸含量及硬度，利用多元线性回归算法建立预测模型，其预测集相关系数分别为0.812 9、0.807 3和0.773 6，均方根误差为0.603 6°Brix、0.063 6%和1.732 5 N，预测结果散点图如图7所示。

图7 基于检测设备的苹果多品质建模预测结果Fig.7 Prediction results of apple multi-quality modeling based on detection device

4 检测设备软件设计

基于QT 和Python3开发工具，采用Python语言开发了苹果多品质实时检测与分析软件。基于窄带光源要实现特征波长的漫反射光谱强度检测获取，需设置较短的光谱检测时间，该时间要大于光源达到稳定的时间，使得漫反射强度达到稳定状态。软件系统包括设置模块、采集模块、处理模块和显示模块，软件流程如图8所示。

图8 苹果内部多品质检测设备软件流程图Fig.8 Software flow chart of device for detecting multi-quality of apple

仪器开机后初始化LED光源、驱动电路、检测按键、测量装置与光电二极管等I/O接口器件。首先进行白板校正和测量指标的选择。校正时，控制PWM信号占空比达到设定的光强度，使其每次开机检测的光强度相同。当按下检测按键后，首先控制光谱强度检测模块获取暗光谱值，然后输出校正后的PWM信号占空比设定输出电流，调整第1个窄带LED灯输出强度，待光源输出稳定后(150 ms)，控制光谱强度检测模块在此获取漫反射强度，最后处理器将获得的光谱漫反射光谱强度解析成电压，采集3次，求取平均值。接着以此种方法点亮第2个窄带LED灯，以此循环，最后处理器获得10个不同波长的光谱强度，并实时调用移植在设备中的苹果各品质参数预测模型，在界面实时显示出检测样本果肉硬度、可溶性固形物含量和可滴定酸含量的预测值。

5 试验验证

从市场购买46个静宁富士苹果对检测设备的预测性能进行验证。试验开始，先从软件界面选取要预测的苹果品质参数，再将检测探头对准验证样本，按下检测按钮，实时获取苹果品质参数的预测值。每个苹果重复测定5次可溶性固形物含量、可滴定酸含量和果肉硬度，同时与实测值进行相关性分析，预测散点图如图9所示，果肉硬度预测相关系数为0.758 9，均方根误差为1.832 3 N，可溶性固形物含量预测相关系数为0.809 6，均方根误差为0.697 3°Brix，可滴定酸含量预测相关系数为0.796 2，均方根误差为0.070 3%。

同时，对检测装置的稳定性进行了测试，每个样品检测3个不同位置，每个位置重复检测8次，用重复检测最大变异系数衡量仪器的稳定性[20]。结果显示，可溶性固形物含量、可滴定酸含量和果肉硬度检测的最大变异系数分别为0.010 6、0.011 6和0.006 2，各个参数检测结果重复性好。该装置单个苹果单参数检测时间约为1 s，3个品质参数同时检测时间约为3.1 s。通过试验测试，设备在检测状态下可持续工作8 h，稳定性较好。

该检测装置具有低成本、便携式、快速等优点，可为农户及农业合作社销售优质果提供技术支撑，提高农户线上销售信誉，进一步稳固地区品牌价值效益。但与基于近红外光谱仪研发的检测设备相比，检测精度需要进一步优化，后续可在检测波段选取、数据建模分析方面进行优化，同时扩大样本量，在满足实际生产需要的基础上进一步提高仪器的预测性能。

图9 设备预测性能验证结果Fig.9 Verification results of prediction performance for device

6 结论

(1)基于可见/近红外漫反射光谱技术，采用随机蛙跳算法，提取了苹果可溶性固形物含量、可滴定酸含量及果肉硬度的特征波长，最终优选3个内部品质参数的10个共享特征波长，为420、480、550、580、640、680、705、940、980、1 044 nm。

(2)基于苹果内部品质特征波长，采用特征窄带LED光源与光电二极管相结合的检测方式，设计了苹果多品质参数检测装置，其硬件系统包括了光源模块、采集模块、光源驱动模块、信号处理模块、电源模块、散热模块和打印模块。

(3)基于苹果内部多品质检测装置，建立了苹果多品质预测模型。采集了苹果10个特征波长下的漫反射光谱电压强度，分别对苹果可溶性固形物含量、可滴定酸含量和果肉硬度建立了多元线性回归模型，其预测集相关系数分别为0.812 9、0.807 3和0.773 6，均方根误差为0.603 6°Brix、0.063 6%和1.732 5 N。

(4)基于QT和Python3 开发工具，采用Python语言开发了检测装置实时分析控制软件。实现了特征光源的循环点及漫反射电压强度获取，并将建立的苹果可溶性固形物含量、可滴定酸含量和果肉硬度预测模型植入到软件中，实现了苹果品质单参数及多参数的实时无损检测与分析。

(5)验证了苹果多品质参数无损检测装置的性能。苹果样本可溶性固形物含量、可滴定酸含量和果肉硬度装置预测值与理化值的相关系数分别为0.809 6、0.796 2和0.758 9，均方根误差0.697 3°Brix、0.070 3%和1.832 3 N，装置重复采样最大变异系数为0.010 6、0.011 6和0.006 2。结果显示，该低成本、便携装置可以实现苹果内部多品质一体化实时无损检测。