近红外光谱在线检测板栗内腐病技术的研究

冯芳侠 张树航

摘 要：为了建立快速、无损、精确的在线近红外光谱检测迁西板栗内腐病的技术模型及分检设备，通过光源设置（强度、入射角、光程等）等手段，设计了板栗内腐病在线近红外光谱检测设备；以正常品和内腐品为分类，采用偏最小二乘-支持向量机判别法建立定性检测模型；通过光谱采集实验和验证集实验确定设备与模型的准确度和稳定性。结果表明：在1E？50E韓m和1E？00E韓m处的C-H键和O-H键组合频吸收峰分离度较好；随后通过验证集测试了模型在1E？50E韓m的迁西板栗内腐识别率达到98.3%，检测速度最高可达300E韙/月，确定的近红外光谱检测模型稳定、精确度高。因此，板栗内腐病在线近红外光谱检测设备能够实现迁西板栗内腐的快速、无损的定性检测和分拣。

关键词：在线检测；近红外光谱；板栗内腐病

中图分类号：S664.2文献标识码：ADOI编码：10.19440/j.cnki.1006-9402.2023.04.008

迁西板栗沙藏和冷库储藏条件下，板栗内腐病发生率最高可超过20%，如不及时清理还会造成交叉传染，严重影响产地板栗外销和深加工。

板栗收获后如何及时判别板栗是否发生內腐病成为现阶段需要解决的关键问题。刘洁等[1]通过对带壳板栗和栗仁进行正常和霉变分类样本集的近红外光谱特征分析，建立了采用偏最小二乘-支持向量机判别法的定性检测模型。结果表明，静态采集方法下应用近红外光谱无损预测板栗霉变个体是可行的。建立快速、在线近红外光谱检测模型和设备是大量处理储存期板栗内腐个体的应用基础。本研究以迁西板栗为样品，建立在线检测模型，通过光源设置（强度、入射角、光程等），筛选较明确的特征波长光谱，得到精确、稳定、快速、简化的定性检测模型，最终实现迁西板栗内腐无损检测产业化应用的目的。

1 材料与方法

1.1 试验材料 样品：迁西板栗，来源于迁西县金地甘栗食品有限公司储藏库，采购于2021年9月迁西境内主产区，130～150粒/kg[2]，无虫蛀、无外损。将板栗个体置于温度25～27 ℃、相对湿度60%～70%条件下2 h；然后，去除板栗表面水分与杂质，备用。

样品集：板栗样品600个，以2∶1划分训练集和验证集[3]，板栗内腐病个体占验证集50%，见表1。

供试仪器：在线近红外光谱分析仪IAS-PAT L1（定制款），无锡迅杰光远科技有限公司；波长范围：950～2 150 nm；IAS一体化建模平台。主要组成：光学原件、电脑、控制器、轨道、分拣器等。

光源：8盏100 W卤素灯采用双列平行设置（单列各4盏），置于样品上方；光程：检测位置的样品核心与光源距离4～8 cm；入射角：检测位置的样品到光源的连线与垂直方向呈45骸９斓溃核俣？0～150 cm/s，轨道宽3～5 cm；轨道每节设置2个检测杯，单杯单样，杯底可透过板栗内部漫反射后的近红外光线进入下方的探头；检测杯按照检测信息的定性结果进行90°，直立设置，将样品分拣至不同处理区。

1.2 试验方法

1.2.1 试验条件 将设备预热20 min，传送带速度为40 cm/s（10颗/s）；训练集与测试集按顺序置于检测杯进行数据采集、测试；试验时确保检测杯干净无污染。

1.2.2 光谱采集 以板栗种仁是否发生内腐病为判定依据的板栗分类模式进行训练 ，在分辨率8 cm-1，扫描范围900～2 150 nm，积分时间为100 ms，采用偏最小二乘-支持向量机判别法的定性检测采集数据[4]。训练集采集光谱数据后，进行切开验证，正常样本光谱即为“合格品”，内腐（软）或内腐（硬）的样本光谱记为“内腐品”（参照图2），“合格品”和“内腐品”达到表1设置，停止采集。分析处理光谱数据后，依据迁西板栗内腐病的特征吸收峰建立光谱识别模型，对测试集进行识别，验证并记录结果。

2 结果与分析

2.1 训练集与响应特征 按照“1.2.2”中建立迁西板栗内腐病在线近红外光谱技术检测识别模型；对异常样本进行重复检测，再次确认“异常”后剔除异常样本；单次“异常”的样本，经核实后按照“识别错误”处理。

在900～2 150 nm波长范围内，不同样品集训练获得近红外光谱吸收图谱，如图3所示。1种正常迁西板栗合格样品集和2种内腐（硬内腐和软内腐）组成的内腐样品集在波长范围内有明显的吸收峰，其中分离度较好的2处波峰分别在1 450 nm和1 900 nm处，分别属于C-H键和O-H键组合频特征峰；相比而言，1 450 nm处的正常样品集和内腐样品集分离度更好，特征明显，无“异常”剔除数据。可见，光谱预处理条件（平滑、微分、校正等）适合建立识别模型。

2.2 模型验证 根据“2.1”的结论，以近红外光谱波长1 450 nm的识别峰，对验证集采集光谱，轨道速度为15颗/s，并开启分拣弹射功能，记录预测结果。

如表2，200颗迁西板栗验证集检测结果中，正常样本集识别个数80颗，识别率100%；内腐样本识别118颗，识别率达到98.3%，错误个体为内腐（软）初期，肉眼识别表征不足10%；检测模型稳定，“0”报错。

如图4所示，在1 450 nm处正常板栗的吸光度约为0.8，内腐（软）板栗的吸光度约为1.0，内腐（硬）板栗的吸光度约为1.1，特征谱分离度高。

3 结论

本研究采用近红外光谱在线检测技术，通过加强光源、缩小光程等手段，实现了15颗/s的板栗内腐识别，处理能力最高可达10 t/d（300 t/月）。验证实验显示，以1 450 nm光谱的吸收峰为特征谱，建立的模型识别率达到98.3%以上，主要误差为内腐（软）板栗初期，特征波长处吸收峰不明显，在吸光度小于0.9时，容易造成误差。该模型建立对迁西板栗原料预处理的应用具有重大意义。

参考文献

[1] 刘 洁．基于近红外光谱技术的板栗品质无损检测方法研究[D]．武汉：华中农业大学，2011．

[2] T/QXXLXH 001-2021，迁西板栗综合标准[S]． 迁西：迁西县林学会，2021.

[3] GB/T 37969-2019，近红外光谱定性分析通则[S]．北京：中国质检出版社，2019.

[4] 刘燕德，徐 海，孫旭东，等 ．不同产地苹果糖度可见近红外光谱在线检测[J]．中国光学，2020，13（3）：482-489．