糖度(SSC)是苹果内部品质主要评价指标之一, 近红外光谱技术是预测苹果SSC的首选技术, 优化近红外光谱采集装置的参数, 可以提升模型的性能。 采用本课题组自主研发的动态在线设备采集苹果的近红外光谱(350~1 150 nm), 研究不同参数条件下(运动速度、 积分时间和光照强度)对近红外光谱预测苹果糖度模型的影响, 优化动态在线装置的参数。 210个红富士苹果被分为两批, 第一批90个苹果样品, 经过Kennard-Stone算法(K-S)算法分为建模集和预测集, 用于研究不同运动速度、 不同积分时间对苹果SSC含量在线预测模型的影响。 在0.3和0.5 m·s-1两种运动速度下, 使用多元散射校正(MSC)、 小波变换(WT)、 标准正态变量变换(SNV)对采集到的光谱进行预处理, 对不同移动速度的光谱构建糖度的偏最小二乘回归模型(PLS), 结果表明: 装置的运动速度为0.5 m·s-1所建立的预测模型性能较优, 在四种不同积分时间中, 积分时间为120 ms时, 经SNV预处理所建立的模型性能最优, 其预测集的相关系数和均方根误差分别为0.968和0.331。 第二批苹果120个, 经K-S分为建模集和预测集, 选择运动速度为0.5 m·s-1, 积分时间为120 ms的装置参数进行不同光照强度对苹果SSC预测模型影响的研究, 结果发现: 在光照强度为4.5 A时, 采集到的光谱相对其他光照强度组有较大的变化, 光谱在640和800 nm处的波峰基本消失。 在光照强度为6.5 A时, 经SNV预处理后建立的模型性能最优。 再使用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)对采集的光谱数据进行波长筛选后, 建立苹果SSC模型, 结果表明: CARS-PLS所建立的模型性能较好, 其预测集的相关系数和均方根误差分别为0.991和0.149, 同时简化了模型, 提高了模型的稳定性。 研究表明: 对动态在线设备进行参数优化, 有助于提高苹果模型的预测精度, 该研究有助于对苹果品质在线分选提供技术支持。

We applied near-infrared (NIR) spectroscopy with chemometrics for the rapid and reagent-free analysis of serum urea nitrogen (SUN). The modeling is based on the average effect of multiple sample partitions to achieve parameter selection with stability. A multiparameter optimization platform with Norris derivative filter–partial least squares (Norris-PLS) was developed to select the most suitable mode （d = 2, s = 33, g = 15）T. Using equidistant combination PLS (EC-PLS) with four parameters (initial wavelength I, number of wavelengths N, number of wavelength gaps G and latent variables LV), we performed wavelength screening after eliminating highabsorption wavebands. The optimal EC-PLS parameters were I = 1228 nm, N = 26, G = 16 and LV = 12. The root-mean-square error (SEP), correlation coefficient eRP T for prediction and ratio of performance-to-deviation (RPD) for validation were 1.03 mmol·L^-1, 0.992 and 7.6, respectively. We proposed the wavelength step-by-step phase-out PLS (WSP-PLS) to remove redundant wavelengths in the top 100 EC-PLS models with improved prediction performance. The combination of 19 wavelengths was identified as the optimal model for SUN. The SEP, RP and RPD in validation were 1.01 mmol·L^-1, 0.992 and 7.7, respectively. The prediction effect and wavelength complexity were better than those of EC-PLS. Our results showed that NIR spectroscopy combined with the EC-PLS and WSP-PLS methods enabled the high-precision analysis of SUN. WSP-PLS is a secondary optimization method that can further optimize any wavelength model obtained through other continuous or discrete strategies to establish a simple and better model.

挥发性盐基氮(TVB-N)含量是评价猪肉新鲜度的重要理化指标。为了实现快速、无损检测猪肉的新鲜度,优选出与猪肉中TVB-N含量相关的特征波长,将包含特征波长的发光二极管(LED)光源用于多光谱检测系统,测定了猪肉中TVB-N的含量。首先利用可见-近红外(VIS-NIR)高光谱系统对猪肉进行检测,获取高光谱反射率数据,并采用一阶导数(FD)法、标准正态变量变换(SNV)以及其他预处理方法建立猪肉中TVB-N含量的偏最小二乘回归(PLSR)模型;然后分别利用逐步回归算法(SWA)、连续投影算法(SPA)、基因遗传算法(GA)筛选出与TVB-N含量相关的特征波长,利用筛选出的特征波长分别建立PLSR模型与多元线性回归(MLR)模型,比较模型结果后进一步优选特征波长;最后,将含有特征波长的LED光源用于多光谱检测系统,并建立PLSR模型与MLR模型,从而完成对猪肉中TVB-N含量的测定。实验结果表明:利用SWA、SPA、GA这3种算法筛选出的特征波长能够很好地反映全光谱的信息,建立的模型效果较好,变量数大大减少;包含优选特征波长的LED光源在多光谱检测系统中能很好地检测猪肉中的TVB-N含量; MLR模型结果好于PLSR模型结果,MLR模型的校正集相关系数和校正集均方根误差分别为0.9050和3.63×10 ^-5,预测集相关系数和预测集均方根误差分别为0.9040和3.81×10 ^-5。