基于近红外光谱检测不同产地石榴的糖度 下载: 1215次
1 引言
石榴是营养最丰富的水果之一,能够补充人体所需要的多种微量元素及维生素[1]。石榴的主要种植区分布在云南、四川、安徽、陕西、山东等地。各地石榴的品质不尽相同,单凭肉眼难以判断,并且目前对各地石榴品质进行判别的研究还较少,导致石榴的在线分选成为一大难点。对石榴品质进行判别的传统方法大多是观察石榴的色泽、大小等,存在不准确等问题。此外,有人利用有损的方法对石榴进行了内部指标的检测,但过程繁琐且复杂。可见/近红外光谱技术能够快速、无损地检测水果的内部品质[2-3],具有分析成本低、速度快和样品无需预处理等优点[4-6]。利用可见/近红外光谱技术对石榴产地进行判别并对其内部糖度进行研究具有实际意义。
目前,应用近红外光谱技术测量水果品质的报道有很多,如:王琼[7]利用近红外漫反射技术对不同品种的石榴进行了判别,并且对石榴的糖度进行了检测;吴习宇等[8]采用近红外光谱技术对掺假花椒进行了定性鉴别;刘燕德等[9]采用近红外漫透射和漫反射技术同时检测了苹果的可溶性固形物和糖酸比,通过比较得到了漫透射优于漫反射的结论,这主要是因为漫透射能够消除杂散光的影响。在已有的漫透射研究报道中,对不同产地石榴的品质进行研究的文献还比较少。本文实验所使用的装置配备有弹性垫圈和透光孔,依靠自重即可实现密封,可以有效地抑制杂散光的影响[10]。本文采用近红外漫透射光谱结合偏最小二乘法(PLS)对不同产地的石榴建立定性及定量分析模型,该模型能同时对不同产地的石榴进行判别,并能检测其糖度,与以往使用单一模型研究水果糖度相比,所建模型的准确性更高。
2 材料与方法
2.1 实验材料
实验所使用的石榴样本来自四川、云南,依据表面光滑且无畸形的原则挑选出100个实验样品(60个四川石榴,40个云南石榴),将样品表面擦拭干净,以降低样品表面粗糙度对漫透射光的影响。然后,将样品放于常温下保存,存放12 h之后,依次称量石榴的质量、横纵径等物理指标,结果如
表 1. 石榴的相关参数
Table 1. Related parameters of pomegranate
|
2.2 石榴样品的光谱采集及糖度测量
实验选用的光谱仪型号为QE65000(Ocean Optics, USA),该光谱仪采集的光谱为近红外光谱,波长范围为350~1150 nm。通过搭载着光谱仪的动态检测装置触发光谱仪,自动采集样品的光谱数据;光源为6个12 V、100 W的卤钨灯,积分时间为100 ms。本实验采用漫透射方式,在每个样品的赤道位置采集4个光谱数据。采集装备具体如
图 1. 近红外漫透射动态检测装置。(a)光路图; (b)光源分布图
Fig. 1. Dynamic detection device for near-infrared diffuse transmission. (a) Schematic of light path; (b) arrangement of light source
测量石榴糖度的仪器为PAL-1型折射式数字糖度计。测量前,需要先用清水将糖度计校正为0 Brix,然后擦拭干净。测量时,依据GB/T 12295—1990,剥去石榴的表皮,取光谱采样点处的适量石榴籽粒,挤汁于糖度计测试窗口中,连续测量3次,取3次测量的平均值作为最终的测量值。每次测量之后,须将糖度计测试窗口清洗干净并擦干,以免影响下次测量的准确性。
2.3 数据处理及建模方法
石榴样品的光谱采用SpectraSuite软件采集,采用主成分分析(PCA)对采集的光谱数据进行聚类分析,主成分分析能够有效压缩光谱数据和提取光谱特征信息[12-14],公式为
式中:Y为样品的光谱矩阵;n为主成分个数;T为得分矩阵;P为载荷矩阵;p为载荷向量,或称为主成分或主因子,反映光谱能量之间的差距;t为得分向量,既可反映矩阵Y在对应p方向上的覆盖程度,又可反映样本之间的相互关系;E为残差矩阵[15]。
使用软件Unscrambler 9.7对数据进行进一步分析处理。基于光谱数据,采用偏最小二乘判别分析(PLS-DA)法建立定性判别模型,将四川石榴光谱数据对应的因变量设为2,云南石榴光谱数据对应的因变量设为-2,根据模型识别的正确率评价偏最小二乘判别模型的效果。然后,采用偏最小二乘法[16-17]建立糖度的定量模型,同时对光谱矩阵和浓度矩阵进行分解,用以消除噪声,加强了浓度信息在光谱分解时的作用,以提取出与样本类别最相关的光谱信息。与主成分分析相比,偏最小二乘法具有更好的识别效果。利用相关系数与均方根误差来评价偏最小二乘法模型的建模效果。
3 结果与讨论
3.1 石榴近红外光谱特性分析
两种石榴样品的典型光谱的如
3.2 主成分分析
使用全谱进行主成分分析,将实验中采集的光谱信息压缩成若干个主成分的线性组合,用几个主成分代表所有的光谱信息,可以减少工作量[12-13]。
本实验使用的样品为60个四川石榴和40个云南石榴样品,前两个主成分因子的得分散点图如
图 3. 表面粗糙及正常的样品的外观和光谱。(a)外观;(b)光谱
Fig. 3. Spectra and appearances of samples with rough and normal surfaces. (a) Appearances; (b) spectra
3.3 基于偏最小二乘的石榴产地判别模型
本文建立判别模型所使用的方法是PLS-DA,这种方法是在偏最小二乘法的基础上建立样本的分类模型,需要按照样本的类别特性,赋予样本分类的变量值[18-20]。选用600~950 nm范围内的光谱数据建立模型,结果如
图 5. 偏最小二乘判别分析模型。(a)偏最小二乘判别建模集模型;(b)偏最小二乘判别预测集模型
Fig. 5. PLS-DA models. (a) PLS-DA model for calibration set; (b) PLS-DA model for prediction set
表 2. PLS-DA模型的建模结果
Table 2. Reconstructed results of PLS-DA model
|
3.4 石榴糖度预测模型的构建及优化
本文采用偏最小二乘法建立石榴的糖度模型[21-24]。首先对两种石榴进行混合建模,使用100个石榴样品进行建模,建模结果如
为了提高模型的相关系数及减小均方根误差,使用多种预处理方法[S-G平滑、归一化、多元散射校正(MSC)、基线校正等]对模型进行优化,得到的结果如
表 3. 不同处理方法对模型进行优化后的结果
Table 3. Results of models optimized by different pretreatment methods
|
图 6. 两个产地石榴糖度的偏最小二乘模型。(a)四川石榴;(b)云南石榴
Fig. 6. PLS-DA models of sugar content of pomegranates from two different producing areas. (a) Sichuan pomegranate; (b) Yunnan pomegranate
3.5 模型验证及评价
利用K-S样本选择方法选出在相同条件下采集的另一批样品中的8个四川石榴(共32个样本点),对四川石榴糖度模型进行预测,验证的效果较好,其中预测集的相关系数Rp为0.79, RMSEP为0.44,建模集的相关系数Rp为0.84,RMSEC为0.38。另外,利用未应用到建模中的20个样品(12个四川石榴和8个云南石榴)对建立的模型进行进一步预测。首先将建立的PLS-DA模型及糖度的偏最小二乘模型导入到在线检测软件中,结合定性和定量分析的方法,先将不同产地的石榴分开,再进行糖度的分选。在定性判别中,采用动态在线检测装置触发光谱仪采集样品的光谱信息,通过建立的PLS-DA模型进行判别,将样品推入分选前所规定的分级口。之后再把20个样品进行糖度分选,因为石榴之间的糖度差异约为4 Brix,因而将糖度分级口设定为13 Brix以下、13~14 Brix、14~16 Brix、16 Brix以上。将20个样品进行标号,标记在赤道附近的两个表面上,并按次序将样品放置到分选装置上,放置方式与实验时的方式相同,每个面测量4次,共计160次。在定性判别时,模型能够较好地分开两种石榴,只有1个石榴出现错误,准确率可以达到95%;在糖度分选中,石榴误分入相邻的分级口中12次,在线分选准确率达到92.5%。
4 结论
本文采用近红外光谱中的漫透射技术,建立了四川和云南石榴的偏最小二乘判别分析模型和石榴糖度的偏最小二乘回归模型,建立的模型能够同时对石榴的产地和糖度进行检测。利用主成分分析对两个产地的石榴进行分析时,能够较好地将同一产地的石榴进行聚类,并与另一产地的石榴分开。同时,采用建立的PLS-DA模型能够很好地判别两个产地的石榴,判别精度可达到97%,对未参与建模的样品进行验证时,也能够很好地将样品推入相应的分级口,准确率可以达到95%。采用多种预处理方法对基于偏最小二乘法建立的糖度模型进行优化后发现,基线校正能够提高模型的相关系数,使得在之后的模型验证中,在线分选的准确率高达91.3%。由于本实验采用的是动态在线检测装置,因此建模的相关系数不是很高,但动态检测符合实际生产的要求,对石榴的分选具有一定的实际意义。
为使模型的效果更佳,还需要在后续的研究中不断地对模型进行优化,提高模型的精度。
[1] 布日古德, 娜布其. 简述石榴的药用及保健功效[J]. 中国民族医药杂志, 2014, 20(5): 66-68.
Bu R G D, Na B Q. Briefly describe the medicinal and health benefits of pomegranate[J]. Journal of Medicine & Pharmacy of Chinese Minorities, 2014, 20(5): 66-68.
[2] Wang A C, Xie L J. Technology using near infrared spectroscopic and multivariate analysis to determine the soluble solids content of citrus fruit[J]. Journal of Food Engineering, 2014, 143: 17-24.
[4] Lee C, Polari J J, Kramer K E, et al. Near-infrared (NIR) spectrometry as a fast and reliable tool for fat and moisture analyses in olives[J]. ACS Omega, 2018, 3(11): 16081-16088.
[5] Khurnpoon L, Sirisomboon P. Rapid evaluation of the texture properties of melon (Cucumis melo L. Var. reticulata cv. Green net) using near infrared spectroscopy[J]. Journal of Texture Studies, 2018, 49(4): 387-394.
[6] Pasquini C. Near infrared spectroscopy: a mature analytical technique with new perspectives—a review[J]. Analytica Chimica Acta, 2018, 1026: 8-36.
[7] 王琼. 近红外光谱对石榴品种的判别及品质的无损检测[D]. 咸阳: 西北农林科技大学, 2017.
WangQ. Variety discrimination and non-destructive detection of quality of pomegranate by near-infrared spectroscopy[D]. Xianyang: Northwest A & F University, 2017.
[8] 吴习宇, 祝诗平, 王谦, 等. DPLS和SVM的掺假花椒粉近红外光谱定性鉴别[J]. 光谱学与光谱分析, 2018, 38(8): 2369-2373.
[9] 刘燕德, 吴明明, 李轶凡, 等. 苹果可溶性固形物和糖酸比可见/近红外漫反射与漫透射在线检测对比研究[J]. 光谱学与光谱分析, 2017, 37(8): 2424-2429.
[10] 刘燕德, 吴明明, 孙旭东, 等. 黄桃表面缺陷和可溶性固形物光谱同时在线检测[J]. 农业工程学报, 2016, 32(6): 289-295.
Liu Y D, Wu M M, Sun X D, et al. Simultaneous detection of surface deficiency and soluble solids content for Amygdalus persica by online visible-near infrared transmittance spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(6): 289-295.
[11] 褚小立. 近红外光谱分析技术实用手册[M]. 北京: 机械工业出版社, 2016: 114- 133.
Chu XL. Near-infrared spectroscopy technology practical manual[M]. Beijing: China Machine Press, 2016: 114- 133.
[13] Nejadgholi I, Bolic M. A comparative study of PCA, SIMCA and Cole model for classification of bioimpedance spectroscopy measurements[J]. Computers in Biology and Medicine, 2015, 63: 42-51.
[14] 王丽杰, 杨羽翼. 利用主成分权重重置实现牛奶成分浓度快速检测中近红外光谱的净化去噪[J]. 光学学报, 2017, 37(10): 1030003.
[15] 褚小立. 化学计量学方法与分子光谱分析技术[M]. 北京: 化学工业出版社, 2011: 55- 57.
Chu XL. Molecular spectroscopy analytical technology combined with chemometrics and its applications[M]. Beijing: Chemical Industry Press, 2011: 55- 57.
[16] Hulland J. Use of partial least squares (PLS) in strategic management research: a review of four recent studies[J]. Strategic Management Journal, 1999, 20(2): 195-204.
[17] de Fusco D O, Costa R C, et al. PLS, iPLS, GA-PLS models for soluble solids content, pH and acidity determination in intact Dovyalis fruit using near-infrared spectroscopy[J]. Journal of the Science of Food and Agriculture, 2018, 98(15): 5750-5755.
[18] 郝勇, 孙旭东, 高荣杰, 等. 基于可见/近红外光谱与SIMCA和PLS-DA的脐橙品种识别[J]. 农业工程学报, 2010, 26(12): 373-377.
Hao Y, Sun X D, Gao R J, et al. Application of visible and near infrared spectroscopy to identification of navel orange varieties using SIMCA and PLS-DA methods[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(12): 373-377.
[19] Ignat T, Schmilovitch Z, Fefoldi J, et al. Non-destructive measurement of ascorbic acid content in bell peppers by VIS-NIR and SWIR spectrometry[J]. Postharvest Biology and Technology, 2012, 74: 91-99.
[20] 王亚军, 袁心强, 石斌, 等. 基于激光诱导击穿光谱结合偏最小二乘判别分的软玉产地识别研究[J]. 中国激光, 2016, 43(12): 1211001.
[22] Zhu G Z, Tian C N. Determining sugar content and firmness of ‘Fuji’ apples by using portable near-infrared spectrometer and diffuse transmittance spectroscopy[J]. Journal of Food Process Engineering, 2018, 41(6): e12810.
[23] 傅博, 胡永翔, 刘蓉, 等. 基于中等浓度样品参考测量的近红外光谱检测方法[J]. 光学学报, 2016, 36(2): 0230003.
[24] Rizvi T S, Mabood F, Ali L, et al. Application of NIR spectroscopy coupled with PLS regression for quantification of total polyphenol contents from the fruit and aerial parts of Citrullus colocynthis[J]. Phytochemical Analysis, 2018, 29(1): 16-22.
Article Outline
刘燕德, 张雨, 徐海, 姜小刚, 王军政. 基于近红外光谱检测不同产地石榴的糖度[J]. 激光与光电子学进展, 2020, 57(1): 013002. Yande Liu, Yu Zhang, Hai Xu, Xiaogang Jiang, Junzheng Wang. Detection of Sugar Content of Pomegranates from Different Producing Areas Based on Near-Infrared Spectroscopy[J]. Laser & Optoelectronics Progress, 2020, 57(1): 013002.