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所示。在每个石榴的4个赤道部位进行标号,可以得到4×100个样品数据。利用100个样品建立糖度的混合模型和各产地的单一模型,基于光谱变量的Kennard-Stone(K-S)选择方法^[11]将样品分成建模集和预测集。此外,使用另一批样品中挑出的8个四川石榴验证单一模型的准确性。测试得到的石榴的糖度如表1所示。

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所示,该装置由光谱仪、光源控制系统、果杯、传送链、可编程逻辑控制器(PLC)等组成。在图1中,1为光源 ,2为样品,3为遮光圈,4为果杯,5为传送链,6为透光孔,7为探头,8为果核,9为弹跳爪。采集光谱时,提前预热装置20~30 min,待装置稳定之后,采用人工上果的方式,按标号依次进行采集。

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

下载图片 查看所有图片

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

Y=t1·pT1+t2·pT2+…+tn·pTn+E=TPT,(1)

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。

图 2. 两种石榴的典型光谱

Fig. 2. Typical spectra of two types of pomegranates

下载图片 查看所有图片

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图2所示,两条光谱有明显的差异,光谱的强度有很大差异,其中四川石榴的光谱强度最高可达2500 s^-1,而云南石榴的光谱强度仅为700 s^-1。这可能是因为两种石榴的内部结构不同,影响了光的透过能力。相对来说,四川石榴的透光性比较强。另外,四川石榴的波峰出现在715 nm和802 nm附近,云南石榴的波峰则在724 nm和809 nm附近,而两者的波谷均在738 nm附近。第一个波峰主要是色素以及C—H的倍频吸收峰,第二个波峰主要是C—H、N—H、O—H等官能团的倍频吸收或组合频吸收引起的。光谱的有效信息主要集中在600~950 nm,故选用600~950 nm的波段范围,共470个波长点进行建模。在此基础上,挑选出具有粗糙和光滑表面的样品的两条光谱,发现两条光谱差别不大,特征信息峰基本相同,如图3所示,说明表面粗糙度对漫透射光基本无影响。

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4所示,可以看出:两个产地的石榴存在聚类现象,并且由主成分分析可以得出第一个主成分(PC1)的得分贡献率为97.6%,第二个主成分(PC2)的贡献率为2%,前两个主成分基本就能够代表所有的光谱信息,且通过主成分分析能够大致将100个石榴样品分为两类。图4中的数值代表的是两个主成分的横纵坐标值,即原始光谱数据在这两个主成分构成的坐标系中的投影。

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

下载图片 查看所有图片

图 4. 主成分得分散点图

Fig. 4. Score scattered plot of principal component analysis

下载图片 查看所有图片

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所示(R_c为建模集相关系数,R_p为预测集相关系数,RMSEP为预测集均方根误差,RMSEC为建模集均方根误差)。人为设定四川石榴样品光谱数据对应的因变量为2,云南石榴光谱数据对应的因变量为-2,阈值为0。使用75个样品建模,其中包含46个四川石榴,29个云南石榴,得到PLS-DA建模集模型,误判数为5个样品点,误判率为1.6%。另外,使用25个样品建模,其中包含14个四川石榴,11个云南石榴,可以得到PLS-DA预测集模型,误判数为3个样品点,误判率为3%,如表2所示。建立判别模型所使用的主成分数为7,此主成分数下具有较好的建模效果,两个判别模型的识别率都为97%以上,能够较好地将两个产地的石榴进行分类。

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

下载图片 查看所有图片

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,建模结果如表3所示,混合模型的相关系数较低,仅为0.49,可见建立两种石榴的混合模型并不可行。因此,对两个产地的石榴分别建立糖度预测模型,两个产地石榴的糖度预测模型如图6所示。利用偏最小二乘建模时,由于有异常值存在,因此建模前使用软件Unscrambler 9.7对样本光谱进行了剔点,分部在四川和云南石榴样品中剔除了8个和2个样本异常点。使用60个四川石榴样品进行建模,由图6(a)可以看出,预测集的相关系数为0.82,建模集的相关系数为0.89;图6(b)是使用40个云南石榴建立的模型,其中预测集的相关系数为0.80,建模集的为0.89。两种模型的相关系数并不是特别高,但文献[ 7]中石榴糖度模型的相关系数也不高,最高仅有0.90,基本在0.85左右。本实验使用的是动态检测装置,即石榴的光谱是在动态情况下采集的,而在实际生产中,石榴的分选检测是在动态情况下进行的,所以本实验更符合实际生产的要求。

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所示。从表3中可以看出,S-G平滑、归一化、MSC等方法并不能对模型有所优化,且平滑窗口宽度的变化对模型效果也影响不大。另外,笔者也曾尝试使用多种预处理方法的组合进行优化,但效果都不明显,只有基线校正能够改善模型,减小模型的均方根误差。

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

下载图片 查看所有图片

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R_p为0.79, RMSEP为0.44,建模集的相关系数R_p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。