光学参数测量系统和原理及其在果蔬品质检测方面的研究进展

潘磊庆,方莉,周彬静,张斌,彭菁,屠康

(南京农业大学食品科学技术学院,江苏 南京 210095)

果蔬组织是复杂基质,光与果蔬组织相互作用较为复杂,包括全反射、漫反射、吸收、透射、散射和发射,不同过程光的能量所占比例与组织的化学组成和物理结构密切相关[1]。近红外光谱技术(near infrared reflectance spectroscopy technology,NIRS)是基于光与果蔬组织样品相互作用时,根据光子与组织组分的特定光能团的能量交换形成的特征光谱,运用线性和非线性化学计量法建立样品光谱和待测量指标的关系模型,实现对未知样品指标的定性和定量预测[2]。但近红外光谱技术所测的光谱信息是光吸收和散射的综合信息,光与组织之间相互作用的机制不明确,且光谱信息的分析流程复杂,导致所建立的模型稳定性和适应性差、精度无法进一步提高。故准确获取果蔬组织的吸收和散射特性具有重要意义。

吸收和多重散射是光在果蔬组织中传播时衰减的原因,吸收取决于果蔬组织的化学组成成分(水分、可溶性固形物、色素等),由原子和分子(主要是与光子振动频率一致的O—H,C—H,N—H等含氢基团)不同能级间的电子跃迁产生;而散射主要受果蔬组织微观结构和宏观折射率改变的影响[2]。光在组织内部的传输、分布情况可通过组织的光学参数变化表征。因此,对果蔬组织的光学参数进行测量分析有助于了解光与组织的相互作用机制,并为单独研究果蔬组织化学成分和物理结构与光学特性的关联提供契机。

20世纪70年代末,Birth[3]首次采用Monte Carlo模型探讨马铃薯、猪肉和谷物的光学吸收和散射特性。在20世纪80年代至21世纪初,由于计算机技术的局限性,关于农产品光学特性的研究一直处于停滞不前的状态。21世纪,对于生物组织内部光传输规律的研究在生物医学光子学领域已经十分普遍,研究者将其测量方法应用于果蔬品质分析领域,使果蔬品质检测水平得到提高。目前新兴的光学特性参数测量技术有积分球(integrating sphere,IS)、空间分辨(spatial resolved,SR)、时间分辨(time resolved,TR)和频域分辨(frequency domain,FD),并已在苹果[4]、芒果[5]、梨[6]、香蕉[7]、猕猴桃[8]、马铃薯[9]、番茄[10]等果蔬组织吸收和散射特性研究上取得了较多进展。

1 果蔬组织光学描述

1.1 光传输过程

果蔬组织是由细胞和细胞外基质组成的复杂系统,不同的成分和结构具有特定的光学特性。光与果蔬组织相互作用过程较复杂,在研究光在组织中的传输过程时,组织可视为由吸收粒子和散射粒子组成。光吸收可以理想化为:将组织定义为特定的几何尺寸球体,该球体会阻挡入射光并投射阴影,从而构成吸收;散射是将组织定义为具有特定几何尺寸的球形散射粒子,该球体将入射光子重新定向到新的方向,阻挡了光子的正向传输。光传输过程中,吸收和散射同时存在,且散射效应远强于吸收效应,果蔬组织的形状、大小和空间分布及化学组成也会影响光与其互作过程。

1.2 光学特性参数

表征光学特性的参数分别为吸收系数(absorption coefficient,μa)、散射系数(scattering coefficient,μs)及各向异性因子(anisotropy factor,g)[2]。μa和μs分别指在样品内单位长度上,单位光子被吸收和折射定向到新方向而导致辐射能量损失的比率。此外,散射到特定方向的光子的概率由g确定,g值在-1和1之间[3]。当散射占主导地位(即μs>μa)时,常用约化散射系数(reduced scattering coefficient,μ′s)来代替μs。μ′s可减少光传输模型中的变量,简化光传输问题。二者之间的关系公式如下:

μ′s=μs(1-g)

(1)

1.3 光传输模型

1.3.1 朗伯比尔定律朗伯比尔定律(Beer-Lambert law)只考虑光吸收,而忽视散射的影响。对于纯吸收或组织厚度(d)小于散射平均自由程(d<1/μs)的薄平板组织可根据朗伯比尔定律解析出μa。假设光穿过厚度为d的平板组织,且在组织表面不发生散射和反射,朗伯比尔定律的表达形式如下[11]:

I=I0e-μtd

(2)

式中:I为出射光强度;I0为入射光强度;μt为总衰减系数。

在忽略散射的条件下,准直透射率Tc=I/I0,μt即为吸收系数μa,此时朗伯比尔定律可表达如下:

(3)

果蔬组织是复杂的基质,光与果蔬组织的互作过程需要借助更加复杂的模型来加以解释,可用麦克斯韦理论方程[12]进行描述,但考虑到实际样品的复杂性,方程涉及的变量多,该方程无法直接求解,最终近似简化为辐射传输方程。

1.3.2 漫射近似理论果蔬组织具有高散射特点,可应用辐射传输理论(radiative transfer theory,RTT)描述光与组织的互作过程,用辐射传输方程(radiative transfer equation,RTE)求解,但RTE只能在某些特殊条件下得到精确解,于是提出了许多近似简化解法。目前,常用且精度较高的方法为漫射近似法(diffusion approximation,DA)。DA方程中只含有μa、μs与μ′s,是RTE的简化形式。其适用条件为[12-13]:1)只适用于光子在散射占主导地位的介质中的传输,一般认为μ′s是μa的10倍以上。2)辐射源各向同性,且光源和检测器的距离(r)与传输平均自由程(mfp′)之间的关系为r>10mfp′。3)多重散射不适用。在采用连续波或稳态点光源[14]、脉冲点光源[5]、调频点光源[15]和空间调制区域光源[11]4种光源照射的情况下DA已得到解析[16]。

由于大多数生物组织(包括果蔬组织)微观结构和组成复杂,不能满足DA所需的解析条件。为了克服该局限性,提出Monte Carlo仿真和反向倍加数值解析法。

1.3.3 Monte Carlo仿真Monte Carlo(MC)仿真只考虑光子的粒子性,忽略相位和偏振特性,是一种模拟光子在浑浊介质中传播的统计方法,可获得RTE的精确数值解。该方法通过追踪统计大量(≥100 000)光子,进行光子传播局部规则的描述,可表述为:描述光子和组织相互作用时步进大小、发生散射时光子偏转角度大小以及在边界处发生透射或反射概率的概率密度函数[16]。经过多次运行模拟,获得组织任何位置的辐射能流率,进而可以计算出反射、透射率等参数。经典MC仿真模型包括光子的发射、移动步长的确定、迁移、碰撞边界、吸收与散射、消亡判断等过程[17]。适用于多层、复杂的组织结构,常被视为验证所获光学参数的标准,但需要追踪大量光子的传输轨迹,耗时较长,精度依赖于时间,运行时间越长精度越高,不适用于快速检测。

1.3.4 倍加法倍加法(adding doubling,AD)与MC类似,适用于平板介质对RTE的数值解。利用如下公式迭代可得到较厚组织的漫透射率(Td)、漫反射率(Rd)和准直透射率(Tc)[12]。

式中:v与ν′分别为光透射角和入射角的余弦值。

旅游业往往以盈利为主要目的，对资源及环境以不计后果的开发方式来谋取最大利润，而在可持续发展观念中，资源、环境、经济和环境保护协调发展与人类学的理念是一致的。人类学向来坚持“以人为本”“整体性”的理念，在旅游开发及活动中更应注重环境、生态的承载力，注重作为旅游目的地的社区人民的感受和生活质量。因此，从人类学角度出发，景区发展应有整体性的发展规划，构建一个良性的循环系统。

为了解决逆向问题,进一步获得组织的光学特性参数,Prahl等[12]基于倍加法提出逆向倍加法(inverse adding doubling,IAD)。IAD通常结合积分球技术,根据试验测得的Rd、Td与Tc计算样品的μa与μ′s。基本步骤:1)预先给出初始光学参数(μa、μs、g);2)利用IAD算法计算组织的Rd和Td;3)将计算得到的Rd和Td和积分球系统测量得到的Rd、Td进行比较,观察其是否在误差范围内;4)若不在误差范围内,则重复步骤2和3,直至匹配。

2 光学参数测量技术

2.1 积分球技术

2.1.1 测量原理积分球(IS)技术是一种精度高、易于实现的光学参数测量方法。积分球内壁涂有高度反射涂层,反射率高于98%。光经过积分球多次漫反射形成理想的漫反射源,消除了被测组织以及探测器件受光面不均匀性带来的影响[18]。基于该特性,积分球技术可在准确测量出薄片组织的Rd和Td的情况下,结合IAD反演算出其μa与μ′s。但检测过程中光源的稳定性、周围环境的杂散光对测量的精确度存在影响。积分球技术的样品需预处理制成一定厚度的薄片样品,故无法作为一种无损检测技术,但其系统设置简单,精度较高,通常作为一种测量组织光学特性参数的参考方法。

2.1.2 仪器搭建IS系统分为单积分球(SIS)和双积分球系统(DIS)。SIS系统(图1)包括光源、积分球、样品夹、光纤、准直器、适配器、光谱仪、光具座和计算机等[19]。而DIS系统包括2个积分球,检测时样品位于2个积分球之间,可同时测得Rd和Td。SIS系统分别获取Rd、Td和Tc,结合IAD算法,计算得到μa与μ′s。测量样品的Td时,样品和光源在积分球的同一侧,样品紧贴进光口,出光口用积分球盖遮住(图1-A)。测量样品的Rd时,样品和光源在积分球的两侧,样品紧贴出光口,进光口打开(图1-B)。Tc测量的是通过样品而不被散射的光强,测量方式如图1-C所示。

图1 基于单积分球的农产品光学特性检测系统示意图[19]Fig.1 Schematic of optical properties measurement system for agricultural products using integrating sphere[19]A. 漫透射率测量装置 Setup for measurement on the total transmittance;B. 漫反射率测量装置 Setup for measurement on the total reflectance;C. 准直透射率测量装置 Setup for measurement on the collimated transmittance.

2.1.3 数学算法分析IAD算法是结合组织Rd和Td计算组织μa与μ′s最常用的方法之一,用积分球法测量Rd和Td是利用IAD算法的前提。积分球技术结合IAD算法对光学特性参数的测量精度较高,DIS可同时测得Rd和Td,但存在“串音”问题,使Rd和Td测量值比实际值偏大[20],利用SIS可解决该问题[21]。

2.2 空间分辨技术

2.2.1 测量原理为了更好地理解复杂介质中的光传播问题,Reynolds等[14]首先提出空间分辨技术(SR)。SR采用稳态连续的点光源垂直入射到组织表面,光子经过吸收和散射从上表面射出,漫反射率随着入射光源距离的增加而下降,通过在组织表面不同距离(r)放置传感器,采集漫反射光谱Rd(r),再将采集到的数据结合数值解析解进行拟合,反演得到μa与μ′s。

2.2.2 仪器搭建2种典型的SR传感装置为光纤阵列和非接触反射成像,包括光纤探针(fiber optic probe,FOP)[22,10]、单色成像(monochromatic imaging,MCI)[23]、高光谱成像(hyperspectral imaging,HSI)[24]。其中,FOP包括刚性光纤探针(图2-A)和柔性光纤探针(图2-B)2种,其常与多通道高光谱成像系统耦合,可同时采集多个空间分辨光谱,且使用不同尺寸的探针也可有效地扩大探测范围[25]。MCI(图2-C)利用CCD相机采集空间分辨漫反射光谱,系统配置简单,但像素信号很大一部分来自周围区域,影响检测精度[23]。与FOP和MCI相比,HIS(图2-D)能够实现对样品表面空间分辨漫反射光谱的无接触、多波长快速同时采集,且空间分辨率最低可达0.05 mm[26]。

图2 4种空间分辨系统Fig.2 Schematic illustrations of spatial resolvedA. 带刚性板的光纤探针[22] Fiber-optic probe with a rigid plate[22];B. 带柔性板的光纤探针[10] Fiber-optic probe with a flexible plate mounted with 30 optical fibers[10];C. 单色成像[23] Monochromatic imaging[23];D. 基于高光谱成像的空间分辨[24] Hyperspectral imaging-based spatially resolved systems[24].

SR系统可实现多波长同时测量。使用光纤作为检测器时,由于光纤探头的位置固定,导致检测点有限;使用CCD成像可实现远距离、非接触性测量,保证了样品的安全卫生,且可以获得更多的空间和光谱信息,适用于果蔬品质检测。但由于仪器的复杂性,在设置SR系统时需考虑光源特性、探测器的动态范围以及光源-探测器的布置等。此外,样品的不规则形状、不均匀介质以及数学模型求解的复杂性等因素,都是在果蔬检测中应用SR系统需要进一步研究解决的问题。

2.3 时间分辨技术

2.3.1 测量原理组织表面的时间分辨漫射光中含有组织的光学特征信息,时间分辨(TR)技术通过测量组织表面某点光信号随时间变化情况,在距离光源照射固定距离(r)的某点采集不同时间(t)漫反射光谱Rd(t),通过不同时间点t的漫反射光谱和光传输模型拟合可反演出μa与μ′s。

2.3.2 仪器搭建TR系统关键部位包括脉冲激光器和时间相关单光子计数模块TCSPC(图3)。其工作流程如下:外触发源触发脉冲激光器,光脉冲通过光纤入射到组织,出射的光子由探测光纤收集,在光电倍增管PMT作用下形成光电脉冲,经过宽带放大器放大,作为起始信号进入TCSPC的两路常数因子鉴别器CFD通道。同时,触发脉冲经过延迟成为参考脉冲,作为停止信号进入另外一路CFD。光电脉冲和触发脉冲之间的时间差由TCSPC分析并记录下来[29]。TR测量精度高,系统需要皮秒级别的激光脉冲,精度取决于高功率的脉冲激光器和高定时精度的探测元件,适用于单个波长的光学特性参数的测量。但系统使用光子计数技术检测信号,设置复杂,仪器昂贵,导致其无法普遍适用于果蔬品质检测领域。

图3 时间分辨系统结构[5]Fig.3 Schematic diagram of time resolved system[5]

2.3.3 数学算法分析在距离入射光源r处可直接测得出射光子经过时间t所对应的Td和Rd,后通过时间t内的TR光谱波形和RTE解析解或MC模拟理论曲线进行数据拟合求解光学参数[30-31]。由于存在系统响应函数,系统所测得的是真实信号和系统响应函数卷积后得到的波形,直接和理论曲线拟合,会存在较大的误差。研究表明:将理论曲线和系统响应函数卷积后再与系统测得的TR波形拟合,此算法可行且误差较小[29]。具体的算法过程如下:逐步改变RTE解析解或MC算法中的初始μa与μ′s,模拟计算出理论曲线,将实测波形与理论曲线和系统响应函数卷积后所得的波形进行比较,当二者的均方误差最小时,则可认为此时的理论曲线是真实信号,该理论曲线对应的μa与μ′s,即为组织的μa与μ′s。

2.4 频域分辨技术

2.4.1 测量原理在频域系统中,光源经高频调制后获得不同空间相位(α)和不同空间频率(f)的稳态光源,光源入射到组织上,在一定距离处测量出射信号。由于介质对光的吸收和散射,出射信号会产生振幅变化和相位延迟,将径向位置r处的振幅变化量M和延迟角θ的信号和光传输模型逆向拟合可估算μa与μ′s[16]。

2.4.2 仪器搭建不同于SR、TR和FD,空间频域成像(SFDI)可对复杂基质的光学特性进行广域映射,具有对组织进行三维成像的能力[32]。SFDI使用特殊的正弦二维照明模式,系统包括照明源、探测器和滤光片等,如图4所示。SFDI可通过改变调制频率获得样品组织成分和结构的深度分辨信息。此外,类似于SR技术,结构光反射成像(SIRI)以更高的空间分辨率和图像对比度来显示特定深度的组织光学图像特征,才可用于检测果蔬内部病害及早期真菌侵染。不同于TR的脉冲激光光源,FD需要经过高频调制的连续激光光源,才可实现深度范围的层析检测。在测量时要求探头和组织表面保持良好的接触,但大部分果蔬外形结构不规则,这将影响检测精度;另外由于需要获取不同模式的正弦图案,导致检测速度慢。

图4 空间频域成像系统[11]Fig.4 Spatial-frequency domain imaging system[11]

2.4.3 数学算法分析利用SFDI估算μa与μ′s,需要获取3个模式图像,对应于3个相隔120°的正弦照明模式[11]。步骤如下:1)在每个波长处为每个空间频率获取2个或3个相移图像;2)对获得的模式图像进行解调,从中获得直接分量(DC)和交替分量(AC)图像;3)进行图像解调,获取反射率值;4)通过模型拟合所提取的反射率分布与空间频率的关系,利用逆算法估算每个波长的μa与μ′s。

3 光学参数测量技术的应用

IS、SR、TR和FD技术可分离果蔬的吸收和散射,获得组织的组成成分和物理结构信息,用于果蔬的参数测量和品质检测。表1为4种技术在预测果蔬可溶性固形物、硬度、成熟度及内外部缺陷等方面的应用。

表1 光学测量技术检测果蔬品质的应用Table 1 Application in assessment quality of fruits and vegetables by using optical measurement techniques

续表1 Table 1 continued

3.1 果蔬组织光学参数测量

不同的果蔬组织具有其特定的光学特性,且果蔬是高度散射组织,其μ′s通常高于μa。μa取决于化学组成,果蔬组织的吸收光谱主要是色素位于可见光区以及水分子位于近红外区的吸收峰,如花色素苷的吸收峰约在525 nm处,叶绿素b的吸收峰在620～630 nm处,叶绿素a的吸收峰在670～675 nm,水的吸收峰在750～780 nm和970 nm[48],在1 765～1 800 nm处可观察到1个与淀粉含量有关的小峰[9]。此外,无论是损伤还是无损伤的果肉,都可观察到叶绿素a(678 nm)及水(970、1 200和1 450 nm)的特征吸收峰。不同的是,损伤的果肉由于褐变产生黑色素,在550～600 nm内产生一个较大的吸收峰[19]。其他种类的水果及蔬菜,如苹果[48]、梨[49]、桃[50]、马铃薯[9]、番茄[10]等的吸收光谱也以水分子与叶绿素、类胡萝卜素和花青素等生色团为主。与吸收光谱相比,散射光谱相对平坦,μ′s随波长的增加而逐渐减小,变化趋势符合Mie散射理论,大多数果蔬组织的散射光谱都具有该规律。根据经验公式μ′s=aλ-b,其中a与散射粒子的密度成正比,b与颗粒大小相关,λ为波长,可知μ′s与组织微观结构差异相关,因此,μ′s随波长的变化规律可以提供组织的结构和物理特性信息。

相对于果肉组织,果蔬表皮色素含量较高,吸收更强,且表皮的细胞结构比果肉更紧密,散射更强。Wang等[40]测量了550～1 650 nm波长范围内洋葱新鲜组织和洋葱皮的μa与μ′s,洋葱皮组织干燥,细胞结构更加紧致,散射更强,其μ′s约为洋葱新鲜组织μ′s的18倍。这表明果皮对整果的光学特性参数检测有较大的影响。对于不同成熟阶段、不同品种的果蔬,其光学特性也不同。随着番茄果实由绿色变为红色,叶绿素含量下降,花青素开始增加,678 nm处吸收减少,525 nm处吸收增加[10]。桃在不同成熟期的颜色和硬度有很大的变化,其吸收和散射光谱也对应呈现较明显变化[50]。van Beers等[48]采用双积分球采集了3个品种苹果果皮及果肉的吸收和散射特性,结果显示,苹果的μa与μ′s不仅在果皮和果肉间体现出差异,且不同品种间也具有差异。但同一品种苹果组织的μ′s同样存在差异,可能由于所运用技术的差异、果蔬成熟度差异、测量部位不同等因素,无法比较这些结果的相对准确度[38,51-52]。今后可探究这些因素对光学特性参数测量结果的影响,后续运用光学参数测量技术时,应考虑到上述影响因素,也有必要采用一个统一的标准来验证不同技术之间的差异。

3.2 果蔬品质检测及分级

3.2.1 果蔬品质预测及分类1)果实硬度。果实硬度是评价成熟度的重要指标之一。He等[37]用IS结合IAD测得在400～1 150 nm处‘元黄’梨的μa与μ′s,进一步利用偏最小二乘回归(partial least squares regression,PLSR)、980 nm处的μ′s建立硬度预测模型,建模集和预测集的决定系数R2分别为0.67和0.48,校正均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为1.66和2.21 N。Vanoli等[33]利用TR基于670 nm和740～1 100 nm的光谱范围内的μa与μ′s,建立了‘粉红女士’苹果硬度和细胞间隙率的预测模型,μa与μ′s分开建立的模型相关系数较低,但是将二者结合后,模型的性能得到改善。Rowe等[39]基于IS测得‘皇家嘎啦’苹果在550～900 nm的μ′s,随着苹果的软化呈现减小的趋势。Seifert等[52]研究发现成熟过程中李和苹果的散射强度变化很大,在670 nm处李的μ′s减小了41.7%,苹果的μ′s减小了 14.7%。值得注意的是,随着果实的软化,μ′s可能不再满足μ′s>μa,导致漫射近似方程失效,无法反演出光学吸收系数。故在运用光学参数测量技术预测果实硬度时,应考虑到该影响因素。

2)可溶固形物含量(total soluble solids content,SSC)。SSC是果实成熟采收的决定性因素之一,由可溶性糖、可溶性酸和其他可溶物质组成,其中可溶性酸和可溶性糖的比率是果实口感的重要指标。由于果实中酸含量较低,可溶性酸的预测存在精度较低的问题。Cen等[4]运用HISR测得500～1 000 nm‘金冠’和‘美味’苹果的μa与μ′s,结合PLSR可以很好预测SSC,R2分别为0.778和0.825,RMSEP分别为0.82和0.85 °Brix。Trong等[45]利用SR并基于μa与μ′s建立‘Braeburn’苹果SSC的PLSR预测模型,结果表明用μa建立的模型性能较好,R2为0.81,RMSEP为0.69 °Brix。Nicolaï等[6]选择对可溶性固形物含量更敏感的875～1 030 nm波长获取TRS光谱图像,并基于PLSR获得合理的梨SSC预测模型,R2为0.60,RMSEP为0.44 °Brix。

3)颜色。光学测量技术可对多种果蔬的多种指标进行预测,同时从波长范围也可以看出,有些研究已经将可见光波段与近红外光波段一同对果蔬品质进行预测,所以果蔬的颜色也是影响检测结果的重要因素,如成熟度(一般与叶绿素含量有关)的检测等。Zerbini等[5]利用TR在类胡萝卜素和叶绿素区域的吸收光谱,建立了芒果成熟软化的数学模型。Adebayo等[7]将香蕉分为6个成熟期,可见光波段的分类准确率高达97.53%,而近红外波段830和1 060 nm的分类准确率为95.06%～96.30%,且可见光波段的μa与μ′s可以较好地预测叶绿素含量和硬度。由于叶绿素及其他色素含量和成熟度相关,利用可见波段色素的吸收光谱测量可指示成熟度,便于分级和货架期评估。特别注意的是,通过测量色素的吸收光谱来表征果蔬成熟度应关注果蔬的品种差异带来的影响。

5)组织微观形态结构与光学特性参数关联机制。目前已有一些学者对果蔬贮藏期间微观结构变化进行研究,以期理解果蔬生理特性演变的机制,开发有效的光学技术用于果实发育过程中的品质监测和控制。Liu等[8]在950～1 650 nm采用IS结合IAD技术,研究了猕猴桃成熟过程中的μa与μ′s与微观结构参数(细胞面积和直径)的关系,猕猴桃组织细胞的面积和直径在这个波长范围内与μ′s高度相关,r分别为0.65和0.91。Wang等[55]首次提出影响贮藏中果蔬气体交换的微观结构与果蔬光学特性间存在联系,将4个品种苹果的μ′s和组织微观结构参数(细胞等效球径、球形度、孔隙率和孔表面密度)建立联系,结果表明μ′s和孔隙率及孔表面密度存在正相关关系,R2均为0.89。未来可利用光学技术来预测果蔬组织的孔隙率,为果蔬贮藏策略调节提供依据。Ma等[56]的研究中定量分析了桃果实的μa与μ′s与硬度、等效直径、圆度、细胞壁厚度和细胞空隙率的关系,发现硬度与细胞壁厚度和细胞空隙率较相关(r≥0.750),而且与μ′s也具有良好的相关性,基于μ′s建立的预测模型结果也较优。这些结果进一步验证组织微观结构参数和散射特性之间具有高度相关性,为光学特性预测果实硬度提供了理论依据。上述研究结果均从果蔬自身角度阐明了光学特性检测果蔬品质的机制,完善了光谱技术无损检测果蔬品质的理论,促进光学技术改进、仪器开发和应用拓展。

3.2.2 果蔬缺陷品质检测果蔬成熟后,在采摘、运输、贮藏过程中可能发生挤压、碰撞等机械损伤;在果蔬生长或者采后贮藏过程中由于水分、营养、微生物或害虫的作用会产生不同的病虫害,严重影响果蔬品质,损耗经济效益。而利用光学参数测量技术,可实现果蔬内、外部品质缺陷的快速无损检测。

2)内部病虫害。果蔬在生长、贮藏过程中,常发生各种类别的病害,这些内部病害往往通过破坏性的视觉、图像分析等进行检测。粉质化苹果由于其疏松干燥的口感而遭到消费者的拒绝,苹果粉质化是一种内部病害,无任何明显的外部特征。Mollazade等[43]基于SR技术采集‘富士’苹果在650和980 nm处的散射图像,当苹果粉质化时,在650 nm处的μa由于内部褐变损伤的出现而增加,而碳水化合物的分解导致980 nm处的μa减小;且粉质化苹果的果肉更疏松,在650 nm处的μ′s显著减小,由于更多的细胞间隙充满空气,在980 nm处的μ′s增大;利用人工神经网络分类模型(ANN)进行分类,基于650和980 nm处的μ′s模型分类准确率分别为76%和82%。Vanoli等[35]利用TR技术发现内部褐变的苹果在750 nm处的μa较大;而μ′s较小,而Hu等[47]利用SRFD技术发现内部褐变的苹果在460、527、630 nm处的μa远大于新鲜苹果。Wang等[40]研究发现,新鲜洋葱与感染洋葱布克氏菌及葱腐葡萄孢霉菌的洋葱在500～1 000 nm的μa及550～1 650 nm的μ′s具有显著差异,证明利用光学特性参数检测病害洋葱是可行的。

4 总结

光吸收和散射特性参数取决于果蔬的化学组分和物理结构特性,应用光学参数测量技术评价果蔬品质可基于光学特性参数获得化学和物理信息,从而通过线性/非线性算法建立果蔬品质预测和分级模型,对评价果蔬品质具有重要意义。

IS、SR、TR和FD作为光学参数测量技术已被广泛应用于果蔬品质评估及光学性质与品质指标变化关联研究中,且为无损检测(除IS外)。IS技术操作简单,检测精度相对较高,但对样品准备要求高,耗时长。其中DIS相较于SIS,测量速度更快,但存在的“串音”问题。TR系统包括光子计数器等精密仪器,价格昂贵,但检测速度快,精度高。SR利用稳态连续光源照射组织,测量组织表面多点的漫反射信号,可得到不同位置点的信息。基于空间调制光照的FD技术可在一定深度范围内对组织的光学特性进行表征。这4种技术在数据采集、仪器定标和数学解析算法等方面易出现误差,准确率有待提高。此外,果蔬结构多样性和不均匀性给光学测量带来了极大的挑战,因此,需要进一步探究果蔬化学组分和物理结构对光学性质的影响,从果蔬自身的角度阐明光学特性检测果蔬品质的机制,进一步改进仪器,简化光传输模型和数学解析算法。虽然目前的果蔬光学特性检测方法仍存在着一些缺陷和局限性,但该领域的研究存在广阔的应用前景。