华东交通大学机电与车辆工程学院, 江西 南昌 330013
水果货架期是影响水果品质的重要因素之一, 快速无损检测货架期是消费者、 食品加工企业日益关心的问题, 为了探讨水果不同货架期的预测判别方法的可行性, 以不同货架期脐橙为实验样品, 运用高光谱成像技术并结合化学计量学方法对不同货架期脐橙进行了预测判别。 分别采集脐橙货架期第0天、 第7天、 14天后的脐橙样本高光谱图像, 并进行高光谱图像校正。 从光谱角度, 提取脐橙样本的平均光谱, 每条光谱有176个波长点; 从图像角度, 先提取脐橙样本的RGB和HSI颜色空间中R, G, B, H, S和I特征值, 得到6个分量的均值, 然后提取灰度共生矩阵的能量、 熵、 对比度、 逆差矩、 相关性的5个图像纹理信息, 一共11个图像特征值, 并将图像特征进行归一化处理; 结合光谱和图像信息, 即176个原始光谱和11个图像信息一共187个特征值。 利用光谱信息、 图像信息、 光谱和图像融合信息进行建模, 分别建立偏最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型。 当原始176个光谱变量作为输入变量, 核函数为LIN-Kernel时, LS-SVM模型预测效果最佳, 预测集误判率为5.33%。 当11个图像特征变量作为输入变量, 核函数为LIN-Kernel时, LS-SVM模型预测效果最佳, 预测集误判率较高为20%。 当原始176个光谱变量和11个图像特征变量的融合特征作为输入变量, 核函数为LIN-Kernel时, LS-SVM模型预测效果最佳, 预测集误判率为1.33%。 实验结果表明, 以光谱和图像融合信息建立LS-SVM模型效果最优, 提高了对不同货架期脐橙识别的正确率, 可实现对不同货架期的脐橙准确有效分类识别, 误判率为1.33%。 利用高光谱成像技术对不同货架期脐橙进行快速判别, 对消费者购买新鲜水果和水果深加工企业具有一定程度的理论指导, 也为后期相关仪器研发奠定了基础。
高光谱 无损检测 脐橙 货架期 Hyperspectral Non-destructive testing Navel orange Shelf life 光谱学与光谱分析
2022, 42(6): 1792
华东交通大学智能机电装备创新研究院, 江西 南昌 330013
脐橙粒化影响消费者食用口感, 降低品质, 受到广大果农和消费者的关注。 脐橙粒化的检测是一项具有挑战性的任务, 对品质分级具有重大意义。 以不同粒化程度的赣南脐橙为研究对象, 探究利用高光谱检测实现对赣南脐橙粒化程度定性判别的可行性。 肉眼是无法判断脐橙粒化程度的, 因此对脐橙样本做好序号标记后先测光谱再切开判断粒化程度, 按照粒化程度分为无粒化(粒化面积为0%)、 轻度粒化(粒化面积小于25%)、 中度粒化(粒化面积25%~50%), 每类各58个脐橙样品。 在这三类脐橙底部均匀取3个点, 每类174个样本, 共计522个样本数据用作构建原始光谱矩阵。 利用近红外高光谱成像系统采集样本397.5~1 014 nm波段内的高光谱图像信息, 再利用ENVI4.5软件通过选择感兴趣区域(ROI)提取样本的平均光谱信息。 采用主成分分析(PCA)、 连续投影算法(SPA)、 无信息变量消除(UVE)三种降维方法对光谱数据进行降维处理, 消除无关变量, 提取有用信息。 原始光谱176个波长, PCA挑选出6个主成分因子, SPA挑选17个特征波长, UVE挑选54个特征波长。 以全谱数据和三种降维方法挑选出来的变量作为输入分别建立偏最小二乘判别分析(PLS-DA)和最小二乘支持向量机(LS-SVM)模型。 建立的PLS-DA建模方法, PCA-PLS-DA误判率最高为25.58%, UVE-PLS-DA误判率最低为5.38%。 基于RBF-Kernel和LIN-Kernel两种核函数下的LS-SVM建模方法, 整体上RBF-Kernel建模效果优于LIN-Kernel, UVE波长筛选后建立的模型效果优于其他降维方法且降低了模型的误判率。 基于RBF-Kernel的UVE-LS-SVM模型效果最佳, 检测精度最高, 分类总误判率为0.78%, 达到最佳效果。 该研究结果表明建立的模型能很好地对不同粒化程度的脐橙进行判别, 该模型仅采用30.68%的数据, 在降低光谱空间维度的同时还降低了误判率, 对促进脐橙产业的品质分级发展具有一定的现实意义。
高光谱 赣南脐橙 粒化程度 无信息变量消除 Hyperspectral Gannan navel orange Granulation degree Uninformative Variable Elimination 光谱学与光谱分析
2022, 42(5): 1366
华东交通大学机电与车辆工程学院, 江西 南昌 330013
糖度是评价脐橙内部品质的重要指标之一, 由于水果自身尺寸差异, 造成糖度预测模型稳健性差, 预测精度不高, 因此消除水果尺寸差异带来的影响, 对提高水果分选模型精度具有重要意义。 对比分析了脐橙漫透射、 多点发射与接收及环形发射与接收漫反射光谱, 其中, 不同检测平台上, 由于光程差的不同, 大果光谱能量均比小果光谱能量要强, 而环形发射与接收漫反射光谱能量要强于其他两种光谱, 漫透射光谱能量最弱, 波峰与波谷位置大致相同。 分别建立不同检测方式下脐橙尺寸预测模型, 其中, 漫透射检测方式下尺寸预测模型的预测集相关系数为0.60, 预测集均方根误差为3.95 mm, 多点发射与接收漫反射检测方式下尺寸预测模型的预测集相关系数为0.97, 预测集均方根误差为1.46 mm, 环形发射与接收漫反射检测方式下小果预测模型的预测集相关系数为0.96, 预测集均方根误差为1.73 mm。 分别建立三种不同检测方式下大果、 小果、 混合果以及多元散射校正预处理的混合果糖度预测模型, 小果的糖度预测模型精度均要高于大果和混合果, 其中漫透射检测方式下小果预测模型的预测集相关系数为0.76, 预测集均方根误差为0.81°Brix, 多点发射与接收漫反射检测方式下小果预测模型的预测集相关系数为0.72, 预测集均方根误差为0.97°Brix, 环形发射与接收漫反射检测方式下小果预测模型的预测集相关系数为0.72, 预测集均方根误差为0.93°Brix。 经过多元散射校正预处理光谱后, 近红外漫透射光谱的混合果模型精度要优于小果的模型, 模型预测集相关系数为0.84, 预测集均方根误差为0.64°Brix, 而在两种漫反射检测方式中, 多混合果模型精度反而降低。 实验结果表明: 在漫透射检测方式中, 使用多元散射校正预处理光谱可以消除尺寸差异影响, 在漫反射检测方式中, 先进行尺寸分选, 再进行糖度分选, 也可以避免尺寸差异带来的影响。 该研究为大宗水果快速在线分选提供了参考和理论支持。
脐橙 近红外 尺寸差异 无损检测 糖度 Navel orange Near infrared Size effect Nondestructive testing Sugar content 光谱学与光谱分析
2020, 40(10): 3241
1 赣南师范大学生命科学学院, 江西 赣州 341000
2 赣州海关, 江西 赣州 341000
3 国家脐橙工程技术研究中心, 江西 赣州 341000
基于树叶样本的柑橘黄龙病近红外快速诊断技术已经被证明可行, 但目前的研究尚局限于以树叶为光谱采集部位。 树皮韧皮部作为病菌及特异性营养组分运送的主干道, 在黄龙病的病理机制、 病程发展中占据重要地位, 能够在疾病的早期阶段提供特异信息, 有助于疾病的早期诊断。 为了探索以树皮为样本建立黄龙病近红外检测技术的可行性, 分析不同采样部位对黄龙病近红外预测模型的影响, 设计了树叶、 树皮和综合（树叶+树皮）三种采样方案。 通过与标准正态分布法（standard normal distribution, SNV）、 多元散射校正法（multiple scattering correction method, MSC）、 一阶导数法（first derivative）和二阶导数法（second derivative）对比, 发现归一化法（normalization）对树皮光谱数据的处理效果最好。 分别采用偏最小二乘回归法（partial least squares regression, PLSR）和主成分回归法（principal component regression method, PCR）建立柑橘黄龙病预测模型, 发现预测集均方根误差（root mean square error of prediction, RMSEP）都在10-5量级, 并且树叶预测集均方根误差最小（RMSEP of leaves, 1.690 9×10-5）, 树皮均方根误差其次（RMSEP of barks, 1.889 0×10-5）, 综合均方根误差（RMSEP of composite samples, 2.567 6×10-5）最大; 预测集决定系数（the determination coefficient, r2）都在0.9以上, 并且树叶样本所建模型的决定系数最小（the determination coefficient of leaves, r2L, 0.939 6）, 树皮其次（the determination coefficient of barks; r2B, 0.941 5）, 综合样本所建模型的决定系数最大（the determination coefficient of composite samples; r2C, 0.960 3）, 说明三种采样方案所建立的模型都有很好的精度和预测能力, 以树叶为样本所得模型精度虽然最高, 但预测能力最弱, 而综合采样方案所得模型预测能力虽然最强, 但模型精度最低, 只有以树皮为样本所得模型的精度（RMSEPB=1.889 0×10-5）、 预测能力（r2B=0.941 5）都能保持在良好水平。 通过对比分析树叶、 树皮的原始光谱、 模型效果, 探讨了以树皮为样本建立柑橘黄龙病近红外快速检测技术的可行性, 为近红外光谱技术在黄龙病诊断方面的应用提供新的思路。
采样部位 脐橙 黄龙病 近红外光谱模型 无损检测 Sampling position Navel orange Huanglongbing Near infrared models Nondestructive examination 光谱学与光谱分析
2020, 40(8): 2605
1 江西农业大学工学院, 江西 南昌330045
2 江西省现代农业装备重点实验室, 江西 南昌 330045
3 江西省果蔬采后处理关键技术及质量安全协同创新中心, 江西 南昌 330045
运用激光诱导击穿光谱(LIBS)技术对赣南脐橙橙汁进行了快速绿色鉴别。实验分别测定了健康和黄龙病脐橙果汁的糖度及Ca、K、Zn元素含量,并分析了糖度及元素含量差异。采集了脐橙果汁的LIBS光谱数据,运用九点平滑(9SM)法并结合多元散射校正(MSC)对数据进行了预处理,最后运用主成分分析(PCA)法并结合多层感知器(MLP)神经网络和径向基函数(RBF)神经网络模型对健康和黄龙病脐橙进行了快速判别。结果表明,PCA-MLP模型对健康和黄龙病脐橙的判别效果优于PCA-RBF模型,其训练集对健康脐橙和黄龙病脐橙的判别准确率分别为93.8%和93.4%,预测集对健康脐橙和黄龙病脐橙的判别准确率分别为93.9%和94.8%。LIBS检测结果证明了黄龙病导致脐橙果肉品质发生了变化;进一步利用光谱预处理方法和分类模型,从品质上区分了黄龙病脐橙果汁和健康脐橙果汁,提高了出厂橙汁的产品合格率。
光谱学 激光诱导击穿光谱 黄龙病脐橙 快速判别 主成分分析 激光与光电子学进展
2020, 57(23): 233002
1 江西省果蔬采后处理关键技术及质量安全协同创新中心, 江西 南昌 330045
2 2江西省现代农业装备重点实验室, 江西 南昌 330045
为了对脐橙产地进行快速鉴别, 提出了激光诱导击穿光谱(LIBS)全光学诊断方法。选取江西赣州4区县及湖北、四川等6省市共10产地的纽荷尔脐橙, 清洗表皮后直接采集等离子体羽时间演变形貌图及LIBS光谱, 定性分析脐橙产地鉴别的可行性; 采用15点平滑结合多元散射处理(15SM+MSC)预处理脐橙的LIBS光谱, 分别运用主成分分析(PCA)、主成分分析结合多层感知器神经网络(PCA-MLP)鉴别脐橙产地。实验结果显示：采用一定的数据预处理方法结合PCA-MLP对全国7省市大地域范围脐橙产地鉴别的训练集总准确率为97.8%, 预测集总准确率为95.3%; 对赣州4区县小地域范围脐橙产地鉴别的训练集总准确率为100%, 预测集总准确率为96.2%。这说明, 采用合适的数据预处理及分类模型对脐橙产地进行快速鉴别具有一定的可行性。
光谱学 脐橙 产地鉴别 等离子体羽 激光与光电子学进展
2018, 55(9): 093003
1 江西农业大学工学院， 江西省高校生物光电技术及应用重点实验室
2 江西省果蔬采后处理关键技术及质量安全协同创新中心， 江西 南昌 330045
利用可见/近红外半透射光谱技术对未剥皮(完整)和剥皮脐橙的可溶性固形物(SSC)进行检测， 探索果皮对脐橙SSC检测精度的影响。 采用QualitySpec型光谱仪获取未剥皮和剥皮脐橙在350~1 000 nm波段的可见/近红外光谱， 并从光谱和模型性能两方面分析果皮的影响。 对未剥皮和剥皮脐橙平均光谱进行比较， 并提取前20个主成分进行多元方差分析； 应用偏最小二乘(PLS)回归结合不同预处理方法分别建立未剥皮和剥皮脐橙SSC的预测模型， 对预测模型性能进行比较， 并对预测集样本的预测残差平方进行方差分析。 结果表明， 在5%置信水平下， 果皮对脐橙SSC检测精度的影响是显著的。 未剥皮和剥皮脐橙SSC的最优PLS模型的预测集相关系数和预测均方根误差分别为0888， 0456%和0944， 0324%。
可见/近红外 果皮影响 检测精度 可溶性固形物 方差分析 脐橙 Vis/NIR Pericarp effect Prediction accuracy Soluble solid content Analysis of variance Navel orange 光谱学与光谱分析
2018, 38(5): 1406
1 华中农业大学 工学院, 湖北 武汉 430070
2 福建农林大学 机电工程学院, 福建 福州 350002
厚皮类瓜果内部品质的无损检测是目前水果产业的检测技术瓶颈。本文采用高光谱漫透射技术对脐橙可溶性固形物(SSC)含量进行可视化分析研究。通过基线校正(Baseline)预处理结合连续投影算法(SPA)优选9个特征波长, 建立SSC偏最小二乘回归(PLSR)模型, 校正集相关系数rcal为0.891, 校正集均方根误差RSMEC为0.612 °Brix, 预测集相关系数rpre为0.889, 预测集均方根误差RMSEP为0.630 °Brix。最后, 计算各个像素点的SSC值结合图像处理技术得出SSC的可视化分布图, 直观判断脐橙SSC含量高低。
脐橙 可溶性固形物 高光谱成像 可视化 无损检测 navel orange soluble solids content hyperspectral imaging visualization nondestructive detection
1 江西农业大学工学院, 江西 南昌 330045
2 江西省高校生物光电及应用重点实验室, 江西 南昌 330045
3 江西省果蔬采后处理关键技术及质量安全协同创新中心, 江西 南昌 330045
将移动窗口偏最小二乘(MWPLS)应用于脐橙中重金属Cd含量的激光诱导击穿光谱(LIBS)定量分析模型中, 通过改变MWPLS窗口宽度并结合标准归一化处理、一阶导数、二阶导数、中心化处理和多元散射校正等5种数据前处理方法, 优选与脐橙中Cd元素相关性高的光谱区间, 并与传统偏最小二乘法进行对比分析。模型评价及验证结果显示, 当优选移动窗口为61个波长宽度、优选区域为218.61~222.55 nm时, 结合一阶导数数据前处理方法所构建的模型效果最佳, 验证集决定系数、预测均方根误差、主因子数、平均预测相对误差分别为0.9953, 15.10×10-6, 12, 7.43%。MWPLS结合合适的数据前处理方法可以筛选出脐橙中Cd元素的LIBS光谱区域, 提高定量分析模型的预测能力。
光谱学 激光诱导击穿光谱 脐橙 镉 移动窗口偏最小二乘 激光与光电子学进展
2017, 54(8): 083002
1 江西农业大学生物光电及应用重点实验室, 江西 南昌 330045
2 江西出入境检验检疫局技术中心, 江西 南昌 330002
3 江西农业大学农学院, 江西 南昌 330045
采用表面增强拉曼光谱技术结合快速溶剂前处理方法检测脐橙果肉中三唑磷农药残留, 应用化学计量学方法建立脐橙果肉中三唑磷农药残留的快速检测模型。 以脐橙果肉提取液为基质, 采用N-丙基乙二胺、 C18和石墨化碳去除果肉中有机酸、 色素等荧光物质, 配制不同浓度的三唑磷农药溶液, 应用不同预处理方法对光谱信号进行预处理, 建立偏最小二乘模型。 结果表明, 以脐橙果肉提取液为基质的三唑磷溶液最低检测浓度低于0.5mg·L-1; 归一化预处理后建立的模型预测性能最好, 模型对预测集样本的均方根误差为1.38 mg·L-1, 相关系数为0.976 6, 相对分析误差为（RPD）4.66。 预测回收率为95.97%～103.18%, 相对误差绝对值在5%以下, 表明模型具有较好的预测效果。 对4个未知浓度样本进行配对t检验, 预测值与真实值无显著差异, 说明所建立的方法准确可靠。
表面增强拉曼光谱 脐橙果肉 三唑磷 快速检测 Surface-enhanced Raman spectroscopy Flesh of navel orange Triazophos Detection
