苹果内部品质近红外光谱无损检测研究进展

何代弟 张 晓 张楠楠 袁新涛 马 瑞 保 昊 孙武军

（1塔里木大学信息工程学院，新疆阿拉尔 843300；2塔里木绿洲农业教育部重点实验室，塔里木大学，新疆阿拉尔 843300）

苹果是常见的水果之一，富含多种维生素、蛋白质和糖类等，营养价值高，深受消费者喜爱。近些年，随着科技水平的发展，我国苹果的种植面积、产量快速增长，苹果的口感、品质安全等也越来越被消费者重视。苹果内部品质与其食用口感有着直接关系，并且影响苹果的销售，因此对苹果品质进行检测评估非常必要。

苹果的品质主要由糖度、酸度、硬度、水分及脆性等参数来表征，内部品质指标直接影响着果实的口感及品质，同时也是苹果成熟度的判断依据。消费者在购买苹果时，不仅在意苹果的形状、大小、颜色等外观品质，并且越来越注重苹果的内部品质，比如酸甜度、脆性、营养物质等。已有的研究证明，光谱检测技术检测苹果内部品质是可行的，但传统的苹果品质检测方法效率低、操作复杂、且具有破坏性，因此苹果内部品质的无损检测仍然是重点研究领域。目前，无损检测技术如机器视觉、高光谱成像技术、介电特性法和核磁共振检测等被应用于水果品质无损检测中，与这些常用的无损检测技术相比，近红外光谱技术是一种新兴检测技术，具有绿色、无损、快速等优点，通过漫反射和漫透射获取苹果的成分和组织信息，对获得的光谱信息进行特征提取和分析，从而检测苹果的内部品质。本文阐述了近红外光谱分析技术的原理，着重介绍了近红外光谱检测技术在苹果内部品质检测中的应用研究，以期为该技术在农产品检测领域的应用提供参考。

1 近红外光谱分析技术的原理及优缺点

1.1 原理

近红外光谱（Near Infrared Spectrum Instrument，NIRS）是介于可见光线和中红外线光谱之间的电磁波辐射，波长范围在780～2 526 nm，利用电磁辐射收集样本的分子结构和化学成分信息，从而提供复杂的结构信息。近红外光主要对含氢基团C-H、NH、O-H等振动的倍频和合频进行吸收，是基于物质对近红外谱区电磁波的吸收。近红外区域内产生的吸收强度和吸收位置在不同基团显示不同，所以近红外光谱曲线能反映出不同的特征。因近红外光谱分析具有快速、无损、安全和便于实现的优点，被广泛应用于农产品和食品检测等领域。

1.2 优缺点

近红外光谱分析技术的优点包括：①操作简单，几乎不用进行预处理，误差小，重现性好；②检测成本低，无损检测、实时检测，近红外检测在分析过程中损耗样本少，不需要大量试剂；③检测效率高，可同时对样本进行多成分分析，并且可靠性较高。但近红外光谱分析技术因其检测灵敏度不高，在检测过程中容易受到外界检测环境影响，限制了其在食品科学等领域的应用。另外，近红外光谱仪器价格偏高，受经济因素限制，难以在生产中大规模应用。

2 近红外光谱分析技术在苹果品质检测中的研究和应用

2.1 在可溶性固形物含量测定中的应用

苹果中的可溶性固形物含量是影响苹果内部品质的因素之一，主要由可溶性糖、酸、纤维素等多种成分组成[1]。现阶段，苹果可溶性固形物含量通过数显糖度计测定，然而该方法破坏了苹果样本，影响商品二次销售。近红外光谱分析技术因对苹果样品不用进行预处理即能实现在线分析，近些年被广泛应用于水果无损检测，在苹果内部品质分析中得到很好的应用。

2.1.1光谱预处理的选择近红外光谱分析通常因仪器、样品背景等的影响出现谱图偏移或漂移等现象，光谱中存在大量的干扰信息，其中含有大量噪声和散射，为了提高模型质量和测试样品结果的准确性，需要对苹果可溶性固形物光谱进行预处理。赵杰文等[2]利用净分析物预处理法（NAP）和正交信号校正法（OSC）处理苹果的近红外光谱原始数据，并通过偏最小二乘法（PLS）建立可溶性固形物定量模型，结果表明，最佳NAP/PLS 糖度模型和最佳OSC/PLS 糖度模型的性能更好，均明显优于原始光谱的最佳偏最小二乘模型。时榕茂和刘静[3]使用5 种预处理方法处理苹果脆片近红外光谱，处理后的光谱利用偏最小二乘法建立模型，结果表明，多元散射校正处理后对校正模型的预测结果准确性明显提高，采用标准正态变量变换预处理方法则极大地提升了近红外光谱模型预测结果的准确性，相关系数由原来的0.758 47提升到0.864 70，均方根误差由原来的0.115 33 降低到0.095 37。Zhu 等[4]用4 种预处理方法对近红外光谱进行处理，采用支持矢量回归（v-SVR）构建了苹果可溶性固形物含量（SSC）与声光可调滤光片近红外（AOTF-NIR）光谱之间的标定模型，将v-SVR的性能与偏最小二乘回归（PLSR）和反向传播人工神经网络（BP-ANN）进行比较。结果表明，预处理方法中，数据缩放、均值中心和SNV可以提高模型的稳健性，苹果SSC方面，v-SVR优于PLSR和BP-ANN。

2.1.2波长和波段的筛选苹果可溶性固形物的特征波长反映其内部品质信息，近红外光谱测量时会受到众多外部因素的干扰，直接获取的数据会降低精度，提取相关特征波长和波段信息可以提高预测的准确性。张金富等[5]通过光谱仪获取800～2 400 nm 的120 个苹果的漫反射光谱数据，采用竞争性自适应加权算法（CARS）和互信息算法（MI）进行特征波长筛选，CARS算法建立的PLS模型决定系数相较于全波长从0.851 1 提高到0.874 6，利用MI算法得到重要变量，建立PLS模型优于全波段模型，决定系数为0.921 8。上述研究结果表明，变量筛选方法相对全波长建模，可提取更多与可溶性固形物相关的特征波长和特征波段信息，更进一步提高定量结果的准确性。Li 等[6]提出基于相对误差的相对误差分析（REA）波长选择法，通过杧果和苹果数据集验证，预测的平方误差（RMSEP）分别提高了48.80%和78.82%，表明REA 波长选择算法不仅可以简化模型，还可以提高预测结果的准确性，同时能保证光谱仪之间标定转移的准确性。Zou 等[7]研制出一种苹果近红外光谱采集装置，在40 个区间中，FiPLS选择10个光谱区间的最优组合以获得满意的结果，BiPLS选择5个光谱区间的最优组合以获得简单的结果，区间选择后得到预测的均方根误差RMSEP为0.732，研究结果验证了FI-NIR光谱是检测苹果内部品质的合适工具，能有效选择波长区域，预测误差较小。

2.1.3可溶性固形物含量测定的其他研究利用近红外光谱技术的检测原理，研究苹果内部品质的检测精度对其感官等的影响。沈懋生和赵娟[8]结合偏最小二乘（PLS）法、最小二乘支持向量机回归（LS-SVR）法建立苹果气调贮藏期可溶性固形物含量预测模型，经过MSC+S-G 预处理和CARS 提取特征波长后，建立PLS模型，相关系数为0.900，均方根误差为0.478；经过MSC+S-G预处理和CARS提取特征波长后，建立LS-SVR 模型，相关系数为0.927，均方根误差为0.507，表明近红外光谱无损预测模型对气调贮藏期苹果SSC 的预测可行。张鹏等[9]首先对苹果果皮脆性、强度及果肉平均硬度光谱进行预处理，然后利用改进偏最小二乘法（MPLS）、偏最小二乘法（PLS）和主成分回归（PCR）建模，结果表明，质地参数较好的校正和预测相关系数为0.857 7～0.893 5，交互验证标准误差和预测标准误差为0.162 9～0.906 0，表明苹果质地参数的近红外漫反射光谱具有快速无损检测的研究价值。王梓萌等[10]为实现苹果霉心病检测，将主成分分析（PCA）与Fisher判别模型结合建模，得到Fisher判别模型的正确率为88.57%，主成分分析（PCA）与马氏距离判别模型结合建模，得到马氏距离判别模型正确识别率为97.14%，经比较得出苹果霉心病的检测中，马氏距离判别模型判别精度更高。

2.2 在苹果酸度测定中的应用

酸度是影响苹果果肉品质和口感的重要因素之一，苹果中含有苹果酸、鞣酸、烟酸等化合物，且酸度随着苹果的成熟不断发生变化，是影响苹果成熟度的重要因素。应义斌等[11]通过MATLAB软件进行相关性分析，得到有效酸度和波长的最大相关系数为0.348，最小相关系数为0.004，用偏最小二乘法（PLS）建立模型得到相关系数R=0.959，标准校正误差为0.076，标准预测误差为0.525，偏差为0.073。张云琪等[12]选择CARS 法选取特征波长建立PLS 定量模型，其决定系数和相对误差分析分别达到0.977 6 和6.681 2，且选取的波长变量数由129 减少到26，在保证模型精度的同时降低了其复杂程度，对苹果的无损检测研究具有参考意义。Pourdarbani等[13]提出一种结合人工神经网络和元启发式算法的混合机器学习方法，对富士苹果在不同成熟阶段的pH和可滴定酸的近红外光谱进行分析，选取3个成熟阶段的120个样本，从每个样本中提取2个近红外波段的光谱数据来预测品质特性，或使用人工神经网络（ANN）和文化算法的结合选择4 个有效波长，结果表明，使用光谱带预测pH的相关系数为0.926，预测酸度的相关系数为0.925，而使用第2种方法获得的pH和酸度的相关系数分别为0.924和0.920，即对于低/高酸度下的分类问题，2 种方法都能实现100%的pH和99.2%的酸度的高准确度。

2.3 在苹果硬度测定中的应用

硬度是决定苹果内部品质的重要属性之一，通常硬度与苹果的成熟度、口感质地等相关，同时苹果的储存与硬度也有一定的联系。屠振华等[14]以傅立叶变换近红外技术（FT-NIRS）为基础，应用间隔偏最小二乘法和遗传算法选取特征波长，结果表明，该技术不仅可以降低模型的复杂度，而且通过去除无关波长的影响，提升了预测模型的精度，验证了近红外技术的检测机理。史波林等[15]采用5 种不同预处理方法结合PLS 方法建立苹果硬度定量模型，结果表明，遗传算法结合直接正交信号得到的结果最佳，相关系数为0.805，RMSECV 为0.919，RMSEP 为0.924 kg/cm2，该模型稳健性较好。为了验证生产中苹果硬度的检测精度，李桂峰等[16]利用偏最小二乘（MSC+PLS）和多元散射校正法对苹果硬度进行快速、无损检测，对苹果的近红外漫反射光谱选取不同的波段范围，进行有效信息筛选，得到预测标准偏差RMSEP=0.014 7 kg/cm2，硬度预测值与真实值决定系数高（R2=0.990 8），表明该模型预测精度满足实际生产需要。

3 结语

近年来，近红外光谱分析技术发展迅速，是目前农产品无损检测常用的技术，该技术克服了传统分析技术耗时长、破坏性检测等缺点，具有操作简单、更快、无损伤、可同时检测多项指标等优点，是苹果内部品质无损检测的常用有效方法之一。从目前近红外光谱分析技术的研究现状来看，该技术应用领域广泛、研究基础坚实，但由于水果品质与物理参数的关系复杂，目前仅大量应用于实验室，市场投入面不广。伴随着近红外光谱仪器的逐步改进与完善，苹果内部品质无损检测的应用越来越多，苹果品质的快速无损检测研究对促进我国苹果产业的发展和提升竞争具有重要意义。