便携式红提葡萄多品质可见/近红外检测仪设计与试验

高 升 王巧华 施 行 李庆旭

(1.华中农业大学工学院， 武汉 430070； 2.农业农村部长江中下游农业装备重点实验室， 武汉 430070)

0 引言

葡萄是常见的水果之一，据2017年国家统计局的数据，我国当年葡萄总产量达1.308×1010t[1]。红提为葡萄常见品种，其颗粒饱满、果肉坚实，红提香甜可口、富含较多的营养物质。

红提内部品质评价指标主要包括维生素C含量、可溶性固形物含量(Solube solids content, SSC)、总酸(Total acid，TA)含量、糖酸比、芳香物质种类和含量等[2]。可溶性固形物和总酸含量是水果的重要品质之一，决定了果实的风味，也是反映水果成熟度的重要指标[3]。采后红提果实质地不断发生变化，内部组织变软，风味变差[4]，损伤的果粒更加容易腐烂，因此水果的硬度(Firmness index，FI)也是判断果蔬成熟度和贮运品质的一个重要指标，硬度决定了水果的耐贮性和成熟度[5]。含水率(Moisture content，MC)作为果蔬重要的衡量指标，对果蔬的品质、质构及风味产生较大的影响，含水率也是葡萄腐败变质的重要原因，及时检测葡萄果粒的含水率，根据含水率挑选出将要腐烂的果实，对保护周边好的果粒、延长贮藏时间至关重要[6]。水果内部品质常规检测方法主要是破坏性抽样检测，繁琐、费时，且检测后的样品因组织遭到严重破坏而不能销售和食用，存在诸多弊端。红提可溶性固形物含量、总酸含量、pH值、硬度和含水率的常规测定方法各不相同，同时获取这5种品质指标参数需要做不同的试验，无法同时进行多指标检测。因此迫切需要一种高效、无损的红提品质检测技术及仪器。

近几年，光谱技术已广泛应用于水果和蔬菜内部品质的无损检测[7-11]，文献[12]对采后鲜食葡萄糖度进行了可见-近红外光谱的检测，建立PLSR(偏最小二乘回归)模型的决定系数为0.82、预测标准差0.83%Brix。文献[13]采用高光谱成像技术测定7个品种鲜食葡萄的内部指标(包括pH值、TA含量、SSC)和感官属性，认为该技术能较好地预测葡萄的内部品质指标。文献[2]利用USB2000+型光谱仪采集红提400～1 000 nm透过率光谱，并建立随机森林预测模型，糖度、酸度的验证集相关系数分别为0.956 8、0.940 5，结果表明，模型具有较高的准确性。上述研究均属于试验研究，检测仪器尺寸较大，不利于实际应用和推广。随着近红外光谱在农产品品质检测中的应用和普及，国内外学者设计了针对特定作物的便携式光谱检测仪器[14-19]。目前，针对生长期多参数同时检测的研究尚未见报道，且缺少针对红提果粒的便携式内部品质检测仪器研究。

水果果实发育过程分为生长、成熟和衰老3个阶段，生长阶段和成熟阶段又称为生长期[20]。本文基于可见/近红外光谱分析技术，设计便携式红提果粒多品质参数无损检测仪，编写实时检测软件，通过光谱预处理和特征波长提取分别建立可溶性固形物含量、总酸含量、pH值、硬度和含水率最优预测模型，并将其植入便携式检测仪，通过试验对检测仪器的稳定性和精准性进行验证，以期实现红提品质的实时无损检测。

1 检测仪硬件设计

1.1 工作原理

针对红提果粒尺寸不一、果实较小等问题，专门设计了用于红提果粒的光谱采集探头。便携式红提果粒多品质参数无损检测仪采集生长期红提果粒样品的可见/近红外漫反射光谱信息，检测红提果粒的可溶性固形物含量、总酸含量、pH值、硬度和含水率等主要指标，检测仪工作原理如图1所示。将塑料吸盘放置到红提果粒上，光谱采集端分为环形光源和光谱采集内圈光纤两部分。Y型光纤的一个端口连接卤素灯光源，利用光纤将光传输到样品采集端，在样品采集端以环形光的形式照射到红提果粒样品上，经红提样品反射的光被样品采集端中间的光谱采集内圈光纤接收，通过Y型光纤把光谱信息传入光谱仪。光谱仪将光谱信号转换为数字信号传送给ARM处理器，处理器根据内部建立的红提果粒各品质参数预测模型分析采集的数字信号，计算后在屏幕上实时显示红提果粒各品质参数的具体数值，得出相应的预测结果并保存。

1.2 硬件设计

便携式红提果粒多品质参数检测仪通过采集红提果粒的光谱信息，利用仪器内部嵌入的内部品质预测模型，实现红提果粒可溶性固形物含量、总酸含量、pH值、硬度和含水率多品质参数的无损检测。该仪器主要包括光谱采集探头、光谱仪、卤素灯光源、锂电池和控制器及外围电路等部分。检测仪的整体尺寸为200 mm×160 mm×150 mm，质量为1 000 g，在脱离电源的情况下，该仪器可独立工作2.5 h。硬件设计如图2所示。

光谱采集探头主要由Y型光纤、塑料吸盘、亚克力管、洗耳球4部分组成。Y型光纤由两根独立的光纤组成，Y型光纤探头由环形光源和内圈光纤两部分组成，一根光纤将光源发出的光传输到光纤探头的环形光源，环形光纤发出的环形光均匀地照射在红提果粒上；内圈光纤将检测器采集到经红提果粒漫反射作用产生的光返回传送给光谱仪，采集获得红提果粒的内部品质信息。中间Y型光纤探头封装在亚克力的密封管内，孔内中空，在其装有探头的端头安装塑料吸盘，亚克力密封管的中部开有小孔，洗耳球安装在小孔上，亚克力密封管的另外一端进行密封。当洗耳球吸气时，Y型光谱的探头与果粒在吸力的作用下紧密接触，进行光谱采集。塑料吸盘吸附在果粒表面，可有效去除大部分的外界光照干扰信息。光谱采集探头及采集方式如图3所示。

卤素灯光源选择美国海洋光学公司的HL-2000-FHSA型可调卤钨灯光源，其尺寸为62 mm×60 mm×150 mm，质量为500 g，该光源的波段为360～2 000 nm，功率为20 W，该光源可以通过SMA905型连接头直接与光纤进行连接，且光源安装有可调节光照强度的调节旋钮，内部装有冷风扇保持散热。

选择美国海洋光学公司的USB2000+微型光纤光谱仪，其探测器的类型为高信噪比的线阵CCD，有效的波长范围为480～1 100 nm。可通过USB进行参数设置、数据传输和提供供电。光谱仪的放置位置及便携式仪器内部结构如图4所示。

选择以S3C6410为核心的ARM11处理器作为检测装置的微型控制器。外围电路主要包括USB接口电路、触摸显示屏、电压转换装置、扬声器和风扇。其中，USB接口主要用于光谱仪的通讯、参数设置、数据传输等。触摸显示屏主要实现对仪器的控制和信息显示，扬声器可在完成一次完整检测后播报提示检测完成，风扇可对整个装置进行散热。红提果粒内部品质检测仪实物如图5所示。

2 模型构建

2.1 试验材料

在湖北省武汉市小宛葡萄园选取10棵处于生长期的红提植株并编号，采集试验样品时，将每次采集的葡萄串按照植株的号码进行编号，样品于试验当天采摘。试验周期从红提开花后生长发育的第61天(2019年6月30日)持续到第116天(2019年8月24日)。因红提生长成熟的周期大约为60 d，参考当地果农的经验，确定每隔5 d进行1次采样，每次采集试验样品为10串葡萄，共采样12次。分别从前10棵采集的红提串试验样品中，在每串的上部、中部、下部，各挑选3粒(每串共9粒红提)大小相近、完好无损的红提果粒，作为红提果粒SSC、总酸含量、pH值指标检测的试验样品，每个试验样品包含3颗红提果粒，分别测定3颗红提果粒的光谱信息，并将3颗红提果粒的光谱信息进行平均后作为本样品的光谱信息，同样在进行标准理化值的测定时，将相应的3颗红提果粒挤汁、搅匀后的汁液作为一个样品进行测定。在每串葡萄的上部、中部、下部，各挑选1粒，作为红提果粒硬度指标检测的试验样品，红提果粒含水率的指标检测与硬度检测相同。每串葡萄可分别获得3个样本数据(每个样本数据包括红提果粒可溶性固形物含量、总酸含量、pH值、硬度和含水率指标)。将编号后的样品放入恒温恒湿箱中保存12 h，恒温恒湿箱温度设置为(22±1)℃，相对湿度为65%。

2.2 试验方法

2.2.1光谱采集

直接在室内自然状态下进行光谱采集。设置红提果粒检测仪器参数：积分时间100 ms，平均次数4次，平滑宽度3 nm。将红提串平放在桌子上，当洗耳球吸气时，Y型光谱的探头与果粒紧密接触，进行光谱采集，保存采集光谱数据。为消除光谱仪及外界光照的影响，去除光谱首尾两端的部分波段，选择波长范围400～1 000 nm共1 806个波长点，进行分析处理。每串挑选15颗果粒进行光谱采集，整个试验共采集12次，总计120串葡萄，经过处理，总共得到1 080个样品的光谱数据，每个内部品质参数各有360个样品。

2.2.2标准理化值测定

对红提果粒样品进行光谱采集后立即进行红提果粒标准理化值的测定，在进行红提果粒SSC、总酸含量、pH值测定时，将采集完光谱的样品(3颗红提果粒)分别放入到红提果粒挤压装置(压蒜器)挤汁，再用纱布进行果汁的过滤，然后进行果汁的搅拌，最后将挤压搅拌后的果汁进行SSC、总酸含量、pH值的测定。

SSC测定参照文献[21]。总酸含量测定参照文献[22]。pH计测定前先进行开机稳定(0.5 h)和校准。将测定完SSC和总酸含量后剩余的果汁，进行pH值的测定。硬度测定则是将进行光谱检测后的红提样品横向放置在质构仪的试验台上，采用P100/R型探头，设置测前速度为2.0 mm/s，测试速度为1.0 mm/s，测后速度为2.0 mm/s，起始力设置为0.05 N，压缩距离为8.0 mm，对红提果粒进行横向压缩，压缩部位为红提的中部位置。在进行压缩时，随着位移的增大，果粒受到的压力显著增大，当压缩到一定的位置时，果实在较大的压力下会出现脆断，压力迅速减小，试验取在整个压缩过程中果粒所能承受的最大压力作为评判果实硬度的指标。将采集完光谱的红提样品立即进行含水率的测定，测定参照文献[23]。

2.3 模型建立及评价方法

PLSR预测模型通过最小化偏差平方和对曲线进行线性拟合，结合了多元线性回归、相关分析和主成分的优点。模型的准确性和稳定性由校正集相关系数Rc及均方根误差(RMSEC)、预测集相关系数Rp及均方根误差(RMSEP)、残差预测偏差(RPD)进行模型性能的评价。相关系数越接近1，均方根误差越接近0，模型的预测性能及稳定性越好。RPD的评价指标：RPD小于1.5表示预测性能较差；1.5～2.0之间表示模型可以预测低值和高值；2.0～2.5之间表示可以进行粗略的定量预测；2.5～3.0或更高的值表示具有良好的预测精度。

2.4 光谱模型建立

2.4.1光谱预处理及样品集划分

通常为了保证模型的准确性，需要对原始光谱(RAW)进行光谱预处理。本研究中采用的光谱预处理方法包括标准正态变量变换(Standard normal variable transformation，SNV)、Savitzky-Golay 卷积平滑处理法(Savizky-Golay smooth，S_G)、移动平均法(Moving-average method，MA)和归一化(Normalization，Nor)等。以红提的SSC为例阐述光谱预处理的过程。

从图6中可以得出，在原始光谱中所有红提样品的光谱都呈现出相同的变化趋势，光谱曲线中存在明显的吸收峰，分别为678 nm和970 nm，其中，678 nm的吸收峰对应叶绿素的吸收，与生长期果皮颜色特征相关联[24]，而970 nm吸收峰对应水和—OH键的二倍频吸收峰[25]。546、612 nm处出现尖峰，是因为外界光线较强且红提果粒皮薄，还存在一定的外界光照等干扰信息。红提样品的光谱强度存在差异，但无法直接识别品质的好坏，需要通过对光谱数据建立相应的模型来预测品质指标。

KS(Kennard-Stone)算法作为常用的样本划分算法，利用变量空间之间的相对欧氏距离找出样品集中差异较大的样品选入校正集，其余相近的样品选入预测集。试验中每个指标共采集了360份红提样本，按照3∶1比例利用KS算法划分为270个校正集样本，90个预测集样本。从表1中可以看出，SSC的分布范围为4.5～19.0°Brix，校正集和预测集的平均值分别为11.9、11.7°Brix；总酸质量分数分布范围为2.254%～37.663%，校正集和预测集的平均值分别为10.185%、9.868%；pH值分布范围为2.68～4.62，校正集和预测集的平均值分别为3.64、3.55；硬度分布范围为9.414～121.305 N，校正集和预测集的平均值分别为33.620、31.975 N；含水率分布范围为83.15%～96.52%，校正集和预测集的平均值分别为89.54%、89.68%。表明数据的分布范围较广，通过KS划分的数据集分布较为合理，可提高预测模型的稳定性。

表1 生长期红提样品利用KS算法划分样本集的数据统计Tab.1 Data statistics of red globe grape samples in growing period by KS algorithm

由表2可得，在红提SSC预测模型中，原始光谱经过MA预处理后所建的PLSR模型效果最好，Rp和RMSEP分别为0.924 6和1.306 0°Brix。在红提TA质量分数预测模型中，原始光谱所建的PLSR模型效果最好，Rp和RMSEP分别为0.976 4和2.165 7%。在红提pH值预测模型中，原始光谱经过MA预处理后所建的PLSR模型效果最好，Rp和RMSEP分别为0.982 7和0.093 9。在红提硬度预测模型中，原始光谱经过Nor预处理后所建的PLSR模型效果最好，Rp和RMSEP分别为0.908 1和9.378 0 N。在红提含水率预测模型中，原始光谱经过S_G预处理后所建的PLSR模型效果最好，Rp和RMSEP分别为0.842 7、1.231 0%。对于红提的SSC和pH值，原始光谱经过MA预处理后模型的预测精度明显提高，选取原始光谱经过MA预处理进行特征波长提取和建模。对于红提的TA质量分数，经过预处理所建模型的预测精度反而降低，后续利用原始光谱进行特征波长提取和建模分析。

表2 采用不同预处理方法的全波长PLSR预测模型Tab.2 Full-wavelength PLSR prediction model using different preprocessing methods

2.4.2特征波长提取

(1)CARS

经过预处理的原始光谱通过KS算法划分后采用竞争性自适应加权算法(Competitive adaptive reweighted sampling，CARS)[26]分别提取红提的SSC、总酸质量分数、pH值、硬度和含水率的特征波长，以SSC特征波长的选取为例，因CARS算法运行方法相似，下文只阐述CARS算法对特征波长的选取过程，如图7所示。本研究设定蒙特卡罗采样为50次，采用5折交叉验证法计算。由图7b可知，交互验证均方根误差(RMSECV)随着取样运行次数增加先减小后增大：当RMSECV逐渐减小时，表明光谱数据中部分无用的信息被剔除；当RMSECV逐渐增大时，表明光谱数据中有用的重要信息被剔除。因此，取采样50次所建立的PLSR模型中所对应的最小RMSECV作为最优结果，由图7b可知，当RMSECV达到最小值时，各变量的回归系数位于图7c中竖直线位置，采样运行28次。

(2)SPA

连续投影算法(Successive projection algorithm，SPA)[27]是一种可有效消除变量共线性的算法。KS算法划分后的经过预处理原始光谱通过SPA优选出波长序列分别建立红提SSC、总酸质量分数、pH值、硬度和含水率的PLSR模型。

以红提的总酸质量分数为例简要阐述SPA选取特征波长的过程。根据SPA的原理，利用均方根误差(RMSE)来决定所建模型的优劣，均方根误差越小模型的稳定性越好、精度越高。RMSE随着波长个数的变化，会不断的波动，如图8a所示，选择RMSE最小值对应的波长个数为17，作为最优的波长个数，选取的波长在原始光谱中的索引如图8b所示，所选波段占原始光谱信息的0.941%。

(3)UVE

以利用无信息变量消除算法(Uninformative variable elimination，UVE)[28]提取红提果粒SSC特征波长建立PLSR模型为例，应用UVE对经过预处理光谱数据进行有效信息提取，UVE的原理是将一定数目的随机噪声矩阵加入光谱矩阵，通过PLSR交叉验证建立模型，得到一组回归系数矩阵，波长变量的稳定性指数是利用该系数矩阵的平均值除以该系数矩阵的标准差，波长变量的稳定性指数小于某一阈值时则被剔除。设定噪声矩阵稳定性指数最大值的99%作为剔除阈值，图像黄色曲线代表光谱变量的稳定性指数，红色曲线代表噪声变量的稳定性指数，两水平虚线为变量的选择阈值(±11.05)，虚线内部为无用信息被消除，外部为有用信息，选取结果如图9所示，所对应的波长为选择的特征波长。通过UVE共选择1 360个特征波长。

2.4.3基于特征波长提取方法的PLSR模型效果

由表3可知，在原始光谱经过预测处理后建立的红提SSC、总酸质量分数、pH值的PLSR模型中，所建模型的校正集的相关系数与预测集的相关系数相差不大，在原始光谱经过预测处理后建立的硬度和含水率的PLSR模型中，所建模型的校正集的相关系数与预测集的相关系数相差较大。在原始光谱经过预测处理后建立的红提SSC、总酸质量分数、pH值、硬度和含水率的PLSR模型中，建模所用的特征波长数量较多，需要进行特征波长的提取进一步提高模型的稳定性和预测性能。对于红提果粒SSC指标，经过MA-UVE-SPA所建PLSR模型的Rc、Rp和RPD都明显大于其他特征波长提取方法建立的PLSR模型，模型效果较好；对于红提果粒总酸质量分数指标，经过RAW-UVE-SPA所建PLSR模型的RPD为5.051 2，明显大于其他特征波长提取方法建立的PLSR模型，模型效果较好；对于红提果粒pH值指标，经过MA-CARS-SPA所建PLSR模型的Rp和RPD明显大于其他特征波长提取方法建立的PLSR模型，模型效果较好；对于红提果粒硬度指标，经过Nor-SPA所建PLSR模型的Rp和RPD明显大于其他特征波长提取方法建立的PLSR模型，模型效果较好；对于红提果粒含水率指标，经过S_G-CARS-SPA所建PLSR模型的RPD为2.125 9，明显大于其他特征波长提取方法建立的PLSR模型，模型效果较好；红提果粒SSC、总酸质量分数、pH值和含水率的最佳模型都是通过二次波长提取的方法，红提果粒SSC、总酸质量分数的最佳模型的特征波长提取方法为UVE-SPA。红提果粒pH值和含水率的最佳模型的特征波长提取方法为CARS-SPA，硬度的最佳模型的特征波长提取方法为SPA。SSC、总酸质量分数、pH值所建最佳模型的校正集和预测集的相关系数均大于0.950，而硬度和含水率所建最佳模型的校正集和预测集的相关系数都低于0.950，SSC、总酸质量分数和pH值所建最佳模型预测性能明显好于硬度和含水率所建模型，红提SSC、总酸质量分数、pH值、硬度和含水率最优预测模型的RPD分别为3.150 1、5.051 2、6.572 5、2.922 2和2.125 9，通过近红外光谱技术，可以准确地预测红提果粒SSC、总酸质量分数、pH值、硬度和含水率内部指标。

表3 基于不同特征波长提取方法建立的PLSR模型效果Tab.3 Effects of PLSR models based on different feature band extraction methods

进行特征波长提取后，所建红提果粒SSC、总酸质量分数、pH值、硬度和含水率指标的最优模型最优特征波长如表4所示。

表4 红提不同指标PLSR预测模型的最优特征波长Tab.4 Optimal feature wave points for different red globe grape index PLSR prediction models

3 检测仪软件开发

软件系统的设计主要根据系统的硬件平台选择方便开发的嵌入式操作系统(如Linux、WinCE、Android等)，编写相应的应用程序，完成对整个系统的搭建。因美国海洋光学公司提供了WinCE嵌入式操作平台的驱动程序，方便后续程序的开发，因此该ARM处理器选择WinCE嵌入式操作系统。首先在计算机上搭建Visual Studio 2005开发环境，安装相应的SDK(Software development kit)开发包，进行WinCE嵌入式操作系统下应用程序的开发。编写WinCE系统下的应用程序，主要完成光谱仪采集参数的设置、光谱数据采集和存储，根据采集到的光谱数据建立红提内部指标的检测模型，计算并得到测试样品的内部指标，在液晶显示屏上显示结果。整个检测程序的流程如图10所示。

在WinCE系统下的程序运行结果显示界面如图11所示。图11a为主界面，主要完成光谱仪的连接、光谱曲线显示、光谱采集、数据处理和结果显示等；图11b为参数设置界面，主要包括光谱采集积分时间、平均次数、平滑度的设置。为简化光谱采集操作步骤，系统默认自动导入储存的参考光谱和暗光谱，或根据实际情况重新采集暗光谱或参考光谱。参数设置完成后返回主界面。设定完相应的采集参数后，每次对样品进行光谱采集试验时，按照上文的红提果粒采集步骤进行光谱采集，当按下样品检测按键，光谱仪采集样品的光谱信息并将光谱反射率曲线实时显示到触摸屏幕上，系统根据建立好的内部品质检测模型，计算样品的相应指标含量，并将测量结果实时显示到触摸屏幕的界面上。并在SD存储卡上保存测量结果及光谱信息。在样品检测完成后，扬声器实时播报“测试完成”的语音，提示本次操作顺利完成，该检测仪可同时获取红提果粒SSC、总酸质量分数、pH值、硬度和含水率5个参数的值，其检测时间小于2 s，实现了快速无损检测。

4 试验验证

试验材料为生长期的红提果粒，挑选方法同红提果粒试验材料的选择方法。并利用搭建的便携式红提果粒内部品质检测仪进行试验，将得到的结果与理化测量值进行分析，红提果粒的各指标采集80个试验样品。每个样品重复采集3次，以3次红提果粒的SSC、总酸质量分数、pH值、硬度和含水率预测结果的变异系数衡量仪器的稳定性。

由图12可知，红提果粒SSC、总酸质量分数、pH值、硬度和含水率预测集的相关系数Rp分别为0.941 4、0.968 7、0.976 8、0.934 8、0.900 6；预测集的RMSEP分别为1.156 7°Brix、2.364 5%、0.098 6、8.357 1 N、1.105 1%，表明模型有较好的检测精度。每个样品重复预测3次，红提果粒SSC、总酸质量分数、pH值、硬度和含水率预测结果的最大变异系数分别为0.085、0.079、0.064、0.098和0.092，表明模型有较好的稳定性和重复性。虽然预测结果的相关系数稍低于植入模型的结果，但两者差距较小，可能与采集时外界环境的影响有关。利用便携式红提果粒内部品质检测仪测定的结果与真实结果相差不大，达到了设计仪器的要求。

5 结论

(1)基于可见/近红外漫反射光谱，根据生长期红提果粒的大小及形状特征，设计了便携式红提果粒多品质参数检测仪，该仪器主要由光谱采集探头、光谱仪、卤素灯光源、锂电池和控制器及外围电路等部分组成。仪器尺寸为200 mm×160 mm×150 mm，在脱离电源的情况下，该仪器可独立工作2.5 h，满足野外工作要求。

(2)采集生长期红提400～1 000 nm的可见/近红外漫反射光谱信息，对原始光谱进行预处理和特征波长提取，分别建立了红提SSC、总酸质量分数、pH值、硬度和含水率的最优PLSR预测模型，所建红提果粒的SSC、总酸质量分数、pH值、硬度和含水率的最优PLSR预测模型的预测集相关系数分别为0.954 5、0.977 8、0.987 8、0.945 6、0.902 8，均方根误差分别为1.012 2°Brix、2.022 5%、0.074 7、7.281 3 N、0.979 9%。

(3)应用MFC开发工具，基于C++语言编写了仪器实时分析处理软件。将所建红提SSC、总酸质量分数、pH值、硬度和含水率的最优PLSR预测模型植入硬件装置中，实现了生长期红提果粒多品质参数的一键式无损检测，检测仪可同时获取红提果粒5个参数的值，检测时间不超过2 s，实现了快速无损检测。

(4)验证了红提果粒多品质参数检测仪的检测精度和稳定性。红提果粒SSC、总酸质量分数、pH值、硬度和含水率的预测集相关系数分别为0.941 4、0.968 7、0.976 8、0.934 8、0.900 6，预测集均方根误差分别为1.156 7°Brix、2.364 5%、0.098 6、8.357 1 N、1.105 1%，预测结果的最大变异系数分别为0.085、0.079、0.064、0.098和0.092。结果表明，该仪器可完成生长期红提果粒的SSC、总酸质量分数、pH值、硬度和含水率的实时无损检测。