基于Trace Pro仿真的橙果品质光谱检测托盘参数设计与试验

张倩倩 徐 赛 陆华忠

(1. 华南农业大学工程学院，广东 广州 516042；2. 广东省农业科学院农产品公共监测中心，广东 广州 516042；3. 广东省农业科学院，广东 广州 516042)

近年来，随着人工智能技术的进步和发展，水果外部品质智能识别已得到了较好解决，但内部品质检测精度仍不够理想。可见/近红外光谱无损检测技术是目前应用较广泛的水果内部品质无损检测技术，已在苹果[1-4]、西瓜[5-7]、梨[8]、桃[9]等水果上得到应用。已有的可见/近红外光谱无损检测装备主要由可见/近红外光谱无损检测以及配套传送装置共同组成，采用透射光[10]的检测结构获取水果内部信息，采用托盘承载进行传送，智能运算无损得出检测结果。但课题组前期研究发现，传送托盘在承载、固定和传输水果的同时，对光谱信号的采集会造成一定遮蔽影响，这是阻碍检测精度提高的重要原因之一，需要进行多因素考虑与优化。

目前已有的无损检测研究较多集中在检测模型与光路参数上，对实际应用中存在的干扰因素研究较少。传统的无损检测传送托盘参数通常只通过粗略的水果尺寸进行设计，较难接近托盘参数的最优化[11]。课题组[12]前期研究对柚果托盘进行参数设计与光学仿真，但不同水果的果形、大小、内部结构有所差异，需要有针对性的设计。但目前并未见对橙果的托盘进行参数设计、仿真分析等深入研究的报道。

研究拟从橙果的形态特征入手，通过光学仿真和光谱采集试验相结合的方法，选择仿真结果最佳的托盘进行加工并采集橙果的透射光谱，运用遗传GA算法[13]、稳定性竞争自适应重加权采样(SCARS)算法[14]进行光谱特征选取，建立橙果可溶性固形物(SSC)的偏最小二乘法回归(PLSR)[15]预测模型，进行橙果无损检测，以期为厚皮类水果的品质流水线无损检测提供参考。

1 材料与方法

1.1 材料与仪器

1.1.1 试验材料

橙果：美国新奇士橙，市售。随机取果，去除有外表损伤、伤疤或不规则的样品后保留120个，用湿毛巾将橙果擦净，于室温(24～26 ℃)下放 1 h自然晾干。120个橙果的外形参数如表1所示。

表1 120个橙果的形态特征

1.1.2 主要仪器

光谱仪：QE-Pro型，测量波长范围400～1 100 nm，美国海洋光学公司；

光谱仪：NIR-QUEST型，测量波长范围900～1 700 nm，美国海洋光学公司；

糖度仪：PAL-Grape Must(Brix)型，ATAGO(爱拓)中国分公司；

天平：HTP312型，上海花潮电器有限公司。

1.2 橙果传送托盘初步设计

参考橙果的外形尺寸对托盘厚度、内横径、内纵径参数进行确定与梯度试验，初步确定，托盘外径D为80 mm，橙果横径平均值为80.45 mm；厚度不低于橙子横径纵径平均值的1/4，即20 mm，因此设计试验梯度为20，25，30，35 mm；孔径以横径平均值的1/2取值，一次增加5 mm(见图1)，进行如上的梯度设计，最大孔径取值为纵径最大值的0.6倍，这是为了保证橙果放置在托盘上不会掉在传送带上，导致托盘功能失效，设定托盘内径(D1，D2)(其中D1为内横径，D2为内纵径)的试验梯度设置为(40，40)，(45，40)，(50，50)，(55，50)，(55，55)；此外，根据实际生产应用托盘分别选择亚克力、ABS树脂、PC塑料、橡胶4种材料。

图1 托盘三视图

1.3 橙果托盘光学仿真平台的建立

1.3.1 建立光源模型 SolidWorks软件采用参数化设计，在相似零件的结构设计和零件尺寸修改方面具有很大的技术优势。工具栏中的命令具有设计相关性，使得零件的设计修改更加可靠、准确和快速[16]。因此，采用Solidworks软件设计光源的外部结构。

在Solidworks软件中画出自主搭建光谱实验平台顶灯的三维模型，顶灯照明机构(见图2)使用100 W石英卤素灯(共13组)的光源，其中包括环形光源12盏石英卤素灯，入射角均为45°；中间光源1盏石英卤素灯，垂直照射。

图2 顶灯照明机构示意图

1.3.2 设置模型参数 Trace Pro是一款具有强大光学分析功能及数据转换能力的实体模型光学分析软件，广泛应用于照明系统、辐射分析、光学分析和光度分析[17]。

模型中，设定灯泡表面光源发射形式为光源特性，总光线数为200，光源在软件中的名称C460TR2432。

经试验初步探索发现，橙果果皮较薄，如果打开全部光源，容易造成光谱数据过饱和。本着尽可能保证仿真设定与实际试验一致原则，正式仿真前先对比探究灯泡数量/光能对仿真结果的影响，对比梯度设置为：1盏灯(100 W，图2中的1号灯泡)，7盏灯(700 W，图2中的2、4、6、8、10、12号灯泡)，13盏灯(1 300 W)，并设定所有灯泡的发光表面参数一致。图3是光学仿真模型及效果图。

图3 光学仿真模型及效果

1.4 托盘的光谱验证

1.4.1 获取光谱数据 启动光谱仪器并预热15 min，使设备达到稳定的工作状态，积分时间、平均次数等参数可采用Spectra Suite(Ocean Optics Ins.,USA)软件设置。将优选出的托盘置于光谱平台上，分别采用标准黑板和标准白板紧贴积分球以校正光谱仪，光谱仪校正后将橙果放置在托盘上，进行橙果样本的光谱数据采集。检测橙果的内部品质是基于透射光谱，因此选择光谱的透射率作为光谱信息的研究参数。在光谱平台内，使用试验结果最优的传送托盘，进行120个橙果样本在400～1 700 nm 波长下的透射光谱数据的采集。

1.4.2 可溶性固形物含量测定 采用糖度仪对橙果的可溶性固形物含量(SSC)进行测量。取每个样本全部果肉，用手动压榨机挤出果汁，并用3层纱布过滤将果汁滴于糖度仪镜面，记录数据，每个橙果样本测量3次并取平均值，其中可溶性固形物测量结果如表2所示。

表2 橙果可溶性固形物含量统计

1.5 建模方法

偏最小二乘法(PLSR)是集主成分分析，普通多元线性回归和典型相关分析于一体的回归分析方法。在光谱分析中应用广泛。利用Matlab软件建立可溶性固形物含量Y与光谱矩阵X之间的相关模型，PLSR将Y引入X矩阵分解过程，并对X和Y同时进行分解，使X、Y两者最大程度相关，为提取有效信息，并考虑两者间的相关性，其中自变量矩阵方差尽可能大，从而获得最佳校正模型。其中随机选择80个样本作为校正集用于建立模型，剩余40个样本则作为预测集进行模型验证。

PLSR模型以校正均方根误差(RMSEC)、决定系数(R2)及预测均方根误差(RMSEP)作为评价指标。R2值越接近1，表明模型的回归或预测结果越好；RMSEP越小，表明模型的预测能力越强。

2 结果与分析

2.1 托盘参数的仿真结果

2.1.1 托盘尺寸参数的优化 从表3可以看出，只打开1号灯泡辐照度平均值较小，13盏灯泡全部打开辐照度值较大，但前期摸索试验中打开全部灯会造成橙果被照射部位表皮烫伤(如图4)，因此仿真试验选择打开1、2、4、6、8、10、12号灯泡。

图4 试验损伤橙果

表3 顶灯数量与辉度/照度的关系

从表4可以看出，辐照度最小值虽然小有差异，由于数量级太小，不足以判别托盘优劣，最大辐照度以内横径55 mm，内纵径50 mm最高。从表5可以看出，4种厚度辐照度最大值均相同，辐照度平均值以厚度20 mm为最高。因此托盘的尺寸参数确定为：内横径55 mm，内纵径50 mm，厚度为20 mm。

表4 托盘内径与辉度/照度的关系

表5 托盘厚度与辉度/照度的关系

2.1.2 托盘的材质优化 从表6可以看出，亚克力材料的托盘，辐照度最大值、平均值均为最大，表明亚克力材料优于其他3种材料。因此选择加工厚度为20 mm、内横径为55 mm，内纵径为50 mm的亚克力托盘进行后续试验。

表6 托盘材料与辉度/照度的关系

同种材料下，尺寸上的变化对光强影响可以通过Trace Pro仿真较好的表达。但材料的变化在实际应用中会因为加工工艺、材料纯度等影响与仿真结果存在一定差异。为了验证此仿真结果，将4种材料托盘进行加工，分别进行光谱试验。对比光谱数据(见图5)，托盘波形没有太大差别。因此对ABS树脂、橡胶、PC塑料、亚克力4种托盘分别进行橙果的光谱数据采集试验。

图5 4种不同材料托盘的光谱图

2.2 建模结果及分析

2.2.1 光谱预处理及建模 受环境、仪器稳定性等因素影响，橙果可见/近红外光谱不可避免地含有一定噪声。样品的可见/近红外透射光谱在低于560 nm和高于940 nm 的波段信号微弱且含有大量噪声，因此选取560～940 nm波长范围的光谱数据进行预处理。图6为120个橙果在该波长范围内的原始光谱。

图6 120 颗橙果的可见/近红外透射原始光谱

多元散射校正法(MSC)可消除因样品表面的不均匀性产生散射引起的光谱差异。采用多元散射校正(MSC)方法对光谱进行预处理。光谱预处理后，建立偏最小二乘回归模型，建模结果如表7所示。

表7 基于不同托盘的PLSR建模及预测结果

2.2.2 优化预测模型 由于原始光谱特征中既包含分类识别的有效信息(SSC差异特征)，又包含分类识别的干扰信息(非SSC差异特征)，这些干扰信息可以通过特征提取去除。在遗传(GA)算法中，将光谱分成102个区域，前101个区域包含5个波段，最后一个包含4个波段，算法中群体数目、交叉概率、变异概率、迭代次数分别为：50、0.5、0.1、100；优选预处理后的560～940 nm光谱数据。GA遗传算法最终优选出共计140个波长变量：560.342～562.639，571.818～574.112，587.094～600.816，606.146～612.233，617.556～619.835，632.742～635.017，640.324～642.597，647.898～650.169，655.465～657.734，666.801～669.067，681.890～691.682，708.223～710.476，730.721～732.967，738.205～747.923，749.417～751.657，753.151～759.120，771.790～777.744，790.381～792.609，820.028～822.247，834.806～837.020，864.269～870.146，886.285～888.483，919.178～930.108，930.836～932.292 nm。

稳定性竞争自适应加权采样(SCARS)算法可以有效去除非信息变量，有效压缩共线变量，达到提高模型稳健性的目的。由图7(a)可知，随着抽样次数的增加，波长变量数由高到低呈递减趋势。由图7(b)可知，随着抽样次数的增加，交叉验证均方根误差(RMSECV)值减少，这是由于受仪器影响且较敏感的波长变量被剔除；RMSECV最小时，此时为最佳抽样次数。图7(c)为波长变量稳定度轨迹图，即随采样次数的增加，每个波长的回归系数变化趋势，可以得到RMSECV的最优变量子集，最优变量子集为第54个变量子集，最优变量子集中包括20个波长变量，即：562.639，577.932，606.908，625.152，632.742，696.949，704.467，731.470，732.967，734.464，735.961，747.176，748.670，753.151，753.897，754.643，755.390，760.612，837.020，846.606 nm。

图7 SCARS 算法选择特征变量

图8 基于GA算法特征提取方法的橙果SSC检测结果

3 结论

采用Trace Pro仿真，结合实际可见/近红外光谱平台实验验证的手段，确定了橙果内部品质光谱无损在线检测托盘的最优参数为：外径80 mm、内横径55 mm、内纵径50 mm、厚度20 mm、材料采用亚克力。实际检测算法对光谱进行MSC预处理，选用SCARS-PLSR进行建模。其中检测结果的决定系数为0.920 9；预测均方根误差为0.468 3，预测精度最佳。但研究只是以美国新奇士甜橙为研究对象，为了提高托盘与模型的适用性还需要对不同品种的橙果进行进一步研究，通过微调参数，研发可适应多品种橙果光谱无损检测的托盘。

图9 基于SCARS算法特征提取方法的橙果