苹果糖度和硬度检测的研究现状.docx
《苹果糖度和硬度检测的研究现状.docx》由会员分享，可在线阅读，更多相关《苹果糖度和硬度检测的研究现状.docx（11页珍藏版）》请在冰点文库上搜索。
苹果糖度和硬度检测的研究现状
苹果糖度和硬度检测的研究现状
【摘要】本文介绍和分析了目前为止绝大多数对苹果糖度和硬度的检测的研究，这些研究主要是从苹果的无损检测入手，利用高光谱图像技术，采用傅里叶变换，CCD，MATLAB语言，光纤传感，遗传算法，混合线性分析方法对苹果进行糖度和硬度的检测。
关键词苹果红外光谱无损检测糖度硬度
Applesugarcontentandhardnesstestingresearchstatus
【Absatract】Thispaperintroducesandanalyzessofarmostapplesugarcontentandhardnesstestingresearch，thesestudiesmainlyfromapplenondestructivetestingofutilizationofhyperspectralimagingtechnology，usingFouriertransform，CCD，MATLABlanguage，theopticalfibersensing，geneticalgorithm，themixedlinearanalysismethodforappleforsugarcontentandhardnesstesting
Keywords：
Fruits，Infraredspectrum，NondestructiveTesting，Sugarcontent，Hardness
前言
市场上的农产品越来越多样化，生产者除了要保持农产品的新鲜度外，还要确保有好的口感和营养价值，因此，当前迫切需要发展一种快速有效的无损检测方法。
在过去的几十年里，很多学者都在关注近红外光谱技术———一种测定有机物的重要技术，由于其具有快速性、无需样品前期处理、无化学污染等优势，使得近红外光谱技术在短短十几年就成为一项极具竞争力的分析技术，在农业、食品等行业中得到广泛的应用，常常被用于测定蔬菜水果中的有机酸、蛋白质等。
而且检测时间仅需数秒钟，可以同时检测多种成分，实现水果品质的快速分析，对水果生产，特别是水果加工质量的控制，具有十分重要的作用。
我国是世界第一水果生产大国，据保守统计，2003年苹果产量达到2060.96万吨，2004年是苹果丰产年，达到2200万吨以上，2009年全国苹果产量预计达到3300万吨
。
但我国的水果在国际市场上大多数档次较低，在国，高档水果市场也被国外水果垄断，其中一个很重要的原因是品种混杂、质量优劣不齐，苹果采收后，由于大小、成熟度和商品性的不同，应进行分级，其中糖度和酸度是评价苹果成熟度的重要指标，而这些指标难以从外部进行鉴别，传统的检测方法往往采用抽样方式的化学检测，这些方法大多存在分析过程比较复杂、耗时长、检测费用高、技术条件复杂、难于实现即时监控及需要破坏样品等缺点，从1980年开始，近红外光谱技术作为一种无损检测手段被广泛用于测定农产品的部品质，它不仅能够同时检测多种组分，而且因为它是非破坏性的，可以对一个样品进行多次检测
。
水果中的糖分分子属于红外活性分子，当近红外光照射到水果中时，不同的水果部成分对于不同波长的光学吸收程度不同，而随着水果部成分质量分数的不同，其部光谱也将发生变化，利用这一特性，即可根据近红外光谱特征分析水果中的主要成分及其质量分数
。
1苹果糖度和硬度的检测方法
1.1基于MATLAB语言的苹果糖度近红外光谱定量分析
利用MATLAB6.1语言实现水果近红外漫反射光谱法的定量分析数据的处理，着重研究了主成分分析多元校法在水果部品质定量分析中的实现方法.
燕德，应义斌利用MATLAB6.1语言实现水果近红外漫反射光谱法定量分析数据的处理，研究了主成分分析在水果漫反射光谱分析中的实现方法，通过编程和计算机试算，找出苹果部糖度定量分析的两类吸收峰:
一类为1453、1931、2314和2353nm;另一类为978、1198、1732和1790nm，并对吸收峰的光谱吸光度与苹果糖度进行了相关性分析，得出糖度与原始光谱吸光度的最大相关系数为-0.621，最小相关系数为-0.365。
燕德主要以我国主要水果———富士苹果的近红外漫反射吸光度（=log1/R）为考核指标，使用Necolet公司NexusFT-IR光谱仪（800-500nm）获取34个富士苹果近红外漫反射原始光谱，然后利用OMNIC6.0软件将原始光谱保存为CSV文件，以方便MATLAB原始数据读取，同时将富士苹果原始光谱在978、1198、1453、1732、1790、1931、2314、2353nm等8个吸收峰处的漫反射吸光度值用于主成分，分析其指标变量记为x1、x2、x3、x4、x5、x6、x7、x8，样本数m=34，指标变量个数p=8，原始数据矩阵为X。
水果糖度测定用WYT4型手持糖量计测量（如表1所示），用Y来表示成因变量.调用MATLAB统计工具箱提供的多元统计分析函数主成分分析princomp（X）和regress（Y，X）来实现
。
1.2基于光纤传感的富士苹果糖度检测研究
燕德，应义斌，焕煜利用傅立叶光谱仪的智能光纤传感器，探讨了近红外光无损检测水果糖度的方法。
通过主成分回归、偏最小二乘法和逐步回归法三种多元校正算法对水果光谱数据的分析，得出PLS模式水果糖度预测值和真实值的相关系数为0.86，标准校正误差为0.14，标准预测误差为0.97，PCA模式水果糖度预测值和真实值相关系数为0.85，标准校正误差为0.47，标准预测误差为1.27，而SMLR模式的水果糖度预测值和真实值相关系数为0.72，标准校正误差为0.72，标准预测误差为2.10，研究结果表明，在12500-3800cm
光谱围应用光纤传感器技术进行苹果糖度无损检测具有可行性。
1.3用遗传区间偏最小二乘法建立苹果糖度和硬度近红外光谱模型
用近红外光谱来预测苹果的糖度和硬度已在许多论文中进行了报道
，目的是获得精度更高、更稳定的预测模型。
由于近红外区的谱带复杂、重叠多，通过苹果近红外光谱的分析可以看出，光谱的总体走势比较平缓，波峰和波谷没有剧烈的起伏。
在利用近红外漫反射光谱技术检测苹果糖度的前期研究中也发现，对原始光谱进行中心化处理后，再采用偏最小二乘法（PLS）进行多变量校正所建立的模型，出现用信噪比（SNR）高的波段比用信噪比低的波段建立PLS校正模型的预测能力明显增强，即如何选择合适的光谱谱区的问题。
为此采用近几年来发展起来的一种新的建模方法———区间偏最小二乘（iPLS）法
进行光谱建模，并在此基础上进行改进和发展成一种光谱谱区选择和建模的方法———遗传区间偏最小二乘法（GA-iPLS）。
艳肖，邹小波，董英选用水晶红富士85个，购回后从中随机地选
取63个作为校正集，余下的22个作为预测集，试验时，由近红外光谱仪（Nexus670FTIR，美国Nicolet公司生产，配有近红外光纤附件和Zn-Gas检测器）在每个苹果的最大横径上进行光谱扫描，扫描波数围为4279-9843cm
，扫描次数为32次，波数间隔为1.924cm
（共2886个波数点），分辨率为4cm
，动镜速度为0.9494cm·s
，光圈为50，以BaSO4作为参比材料。
扫描时光纤探头与苹果表面之间间隔保持1-3mm的距离。
将光谱数据（光谱围:
4279-9843cm）等40个区间（其中第1-6号区间每个区间波数点为73余下的区间每个区间波数点为72），用Nrgaard
的区最小二乘法进行处理。
用遗传区间偏最小二乘法建立糖度的预测模型。
结果发现，遗传区间偏最小二乘筛选法不仅能有效地减少建模所用的变量数，而且能有效地提高糖度模型的测量精度。
通过遗传区间偏最小二乘法选取合适的光谱区间进行建模，可以减小建模运算时间，剔除噪声过大的谱区，使最终建立的农产品品质检测近红外光谱模型的预测能力和精度更高。
1.4苹果中糖度的CCD近红外光谱分析
基于CCD检测器的近红外光谱仪性能稳定、分辨率高、扫描速度快，相对于傅立叶光谱仪成本较低。
董一威，籍保平等人在对光谱议的硬件、软件充分调研的基础上选择75W的进口石英卤钨灯作为光源，采用型号为SonyILX554B的CCD芯片作为检测器，分光系统的焦距为100mm，利用Y型漫反射光纤（芯径400um）采集光谱，数据处理和控制系统与PC之间采用USB2.0接口连接，自行开发了基于CCD近红外光谱仪的苹果部品质检测系统。
在自行搭建的基于CCD近红外光谱仪的苹果部品质检测系统上，对红富士苹果的糖度和酸度进行检测。
通过对比S—G平滑、一阶导数、二阶导数等三种光谱预处理后的建模效果，发现用S—G平滑处理后所建苹果糖度模型的效果最好，而一阶导数、二阶导数处理后光谱噪声变大，建立的模型效果变差。
结果表明，应用近红外光谱漫反射技术在630-1030nm波长围对苹果糖度进行快速无损检测具有可行性。
1.5苹果硬度的傅里叶变换近红外光谱无损检测
目前，苹果硬度检测普遍采用压力硬度计或质构仪等破坏性检测，检测速度慢，检验后果实失去商品价值，近红外光谱无损检测技术具有简单、快速、无损的特点，且可降低测试费用，便于实现在线实时检测。
桂峰，国建等人采用精密度高的质构分析仪测定苹果的硬度，用傅里叶变换近红外光谱仪采集苹果的近红外光谱；通过解析谱图和进行不同的预处理，将比较复杂的弱光谱信息有效提取出来，找出苹果最好的预处理方法和有效光谱围；用偏最小二乘法对苹果的近红外光谱数据进行定量分析，并对样本进行预测。
多元散射校正能有效地消除样品间散射影响所导致的基线平移和偏移现象，提高原吸光度光谱的信噪比，消除由于样品颗粒度、分布均匀性等差异所造成的影响。
并将多元散射校正法用于苹果硬度光谱预处理，并对所建模型进行验证。
结果表明，多元散射校正能够有效消除光谱基线平移和偏移现象，提高原光谱的信噪比，选取有效信息波长围为1408～2235nm。
偏最小二乘法结合多元散射校正所建模型的预测效果最好，模型的决定系数
为0.9852，部交叉验证均方根差
和预测标准偏差
分别为0.0398
和0.0166
。
进一步通过剔除异常值优化模型，并验证检验组的25个样品，模型的
为0.9908，
为0.0147
。
结果表明：
建立的模型可靠，预测效果好，能满足苹果硬度快速检测的要求。
1.6基于混合线性分析的苹果糖度近红外光谱检测
混合线性分析法是化学计量分析中一种较新的算法，主要用于混合物体系中纯组分的光谱定量分析。
将该算法的一个变形（HLA/XS法）移植用于苹果糖度和硬度的近红外光谱检测中，结果表明，混合线性分析法可得到与偏最小二乘法相同的结果。
，杰文，木华用西省白水水晶富士苹果做了实验将主要用于纯组分定量分析的混合线性分析法的一种变形算法（HLA/XS法）移植到苹果糖度这一非纯组分含量指标的近红外光谱检测中，并与偏最小二乘法（PLS）进行比较。
应用结果表明，虽然最佳的HLA/XS校正模型（18个主因子）比最佳PLS校正模型（11个主因子）复杂，但其精度却明显优于PLS模型:
利用校正集的28个苹果样本建立的糖度HLA/XS校正模型，其相关系数r2和校正标准偏差SEC分别为0.92509和0.40618;该校正模型经预测集的11个样本验证，r2和预测标准偏差SEP分别达到0.87611和0.48480。
HLA/XS糖度模型对苹果光谱的SEC和SEP分别比PLS法的SEC（0.41473）和SEP（0.50473）减小了2%和3.9%。
结果表明，在诸如苹果糖度这一类农产品品质综合指标（非纯组分含量指标）的光谱检测中，应用混合线性分析法（HLA/XS）进行定量分析是可行的。
并且其结果可与偏最小二乘法（PLS）的结果相同。
2基于高光谱成像技术的水果糖度和硬度的检测研究
由于水果品质具有空间差异性，光谱测量法相比图像检测方法来说有检测信息不全面的缺点。
最近出现了高光谱和多光谱成像技术检测农产品品质的新方法。
高光谱图像和多光谱成像技术是在特定波长围由一系列波长处的光学图像组成的三维图像块，集图像信息与光谱信息于一身。
由于光谱信息能充分反映水果部的物理结构、化学成分，部结构的差异可以通过光谱特定波长下的光谱值表现，在每个特定波长下，每个像素点的灰度值又与其在该波长下的光谱值之间一一对应。
因而相对于单纯的影像或光谱检测技术而言，高光谱图像和多光谱成像技术拥有了独特的优势。
最新研究表明
，高光谱和多光谱成像技术对检测水果品质有很好的效果。
进一步的研究说明，荧光高光谱成像对检测农业食品的缺陷和安全性有很好的作用。
喻晓强等人采用激光诱导荧光高光谱成像技术测量激光诱导荧光散射，预测桔类水果的糖度值。
在省南丰县的果园里采摘65个新鲜南丰蜜桔，在省信丰县采摘65个新鲜脐橙。
实验开始前，先把样本在5～12℃环境中存放4d。
在进行荧光和标准品质测量前，把样本在室温（22℃）的暗室里放置至少24h。
由激光诱导荧光高光谱成像系统。
该系统由光谱成像装置、632nm激光器、水果架、成像室和移动平台组成。
光谱成像装置由高灵敏度CCD摄像头、成像光谱仪和用来控制的CCD摄像头及储存和分析图像的计算机组成。
由于激光束照射水果，部分单色光被水果组织吸收并释放荧光，这造成荧光散射分布在水果表面激光照射点的周围。
线扫描成像光谱仪收集水果表面的荧光散射图像。
当光通过成像光谱仪，它分散成不同的波长，因而其空间信息被保存。
分散成不同的波长，因而其空间信息被保存。
随后，色散后的光信号投射到CCD探测器，形成了二维图像:
一维代表空间信息，另一维代表光谱。
成像光谱仪的线扫描位置应隔离。
通过主成分分析等优化方法来选取不同波长区域进行实验，以回归分析建立的模型相关系数为评判标准，结果表明，建立糖度预测模型的南丰蜜桔最佳光谱区域是920～992nm，脐橙的最佳光谱区域是949～1000nm。
通过多元回归分析得到南丰蜜桔和脐橙的糖度预测模型，南丰蜜桔糖度预测模型的相关系数R与标准差SEP值分别是0.970和0.294，脐橙糖度预测模型的相关系数R与标准差SEP值分别是0.960和0.334。
因此，利用激光诱导荧光方法来预测柑桔糖度值有很高的准确性。
3基于其他技术的水果糖度和硬度的检测研究
目前用于水果硬度的检测方法主要有变形法和声学法。
但由于变形法只能测量水果的局部硬度，声学法易受噪音和机械振动的影响等而限制了其应用。
核磁共振法可用于水果糖度、硬度的检测，研究还发现，核磁共振技术在测定苹果、香蕉的糖度和含油成分方面有潜在价值，核磁共振能产生果实部组织的高清晰图像，它已被应用于农产品品质因素的无损检测，如压伤、虫害、成熟度等。
核磁共振技术作为一项新的检测技术在水果部品质检测方面也有着较大的发展潜力。
Kim等设计了1台NMR在线分级设备并进行了测试，发现鳄梨在带速50mm／s的状态下，所得油水的共振峰值比值与成熟度的相关系数高达0.970。
Chaughule等使用自由感应衰减（FID）谱的方法对人参果中的可溶性碳水化合物进行了测定。
Zion等提出一种基于MRI进行计算机检测的快速方法，并对不同品种的苹果进行损伤检测，取得了较好的试验结果。
另外，用超声波检测西瓜的部空心已比较成熟。
其它缺陷的检测目前有：
x射线分析法、计算机视觉检测方法、介电特性检测方法、电子鼻技术等。
利用计算机视觉技术对农产品部品质进行无损检测也是近几年研究的一个热门课题，到目前该技术已比较成熟，应用也日趋广泛。
随着嗅觉传感技术的不断发展，电子鼻技术也得到了广泛的研究与应用。
Lakshmi等通过对变化的电子鼻传感器数据进行了多元分析，把苹果按成熟度分成未成熟、成熟和过成熟3种等级。
通过判别式分析法，电子鼻技术的正确分级率达83%。
4苹果糖度和硬度的检测技术发展的特点与不足
国外，苹果等农产品的无损检测技术研究起步早，无论在设备还是技术都处于领先。
国，苹果等农产品的无损检测技术研究起步比较晚，技术比较落后，与美日等发达的距离很大。
无论是国还是国外，都存在一些问题，亟待解决和进一步研究。
经过近20年的研究，计算机视觉技术在苹果尺寸、形状和颜色检测方面取得了令人瞩目的成就，但是还存在精度不高、速度不快、一次只能检测几个指标等问题。
近红外技术在苹果外部和部品质的无损检测方面同样取得了令人瞩目的成就。
在苹果糖度等单个部品质检测方面已趋于成熟，但是仍存在一些问题，比如近红外线能量低、谱区重叠无法达到我们期望的分离效果等。
以后的研究重点是如何找出不同水果的特性光谱波长段，可溶性固形物含量和酸度等综合指标等。
国外如美国、日本等已经将无损检测技术应用到生产线上，且研制出一些精确度较高的分级装置和生产线。
5展望
综合国外的研究成果，我国在以后的苹果等水果的无损检测中的研究重点：
1、随着近红外光谱技术在水果糖度和酸度检测中的应用和推广，模型传递已成为水果近红外光无损检测新的研究热点。
本研究工作是基于傅立叶变换光谱仪完成，由于时间关系，所建立的数学模型没有及时在其他不同类型光谱仪使用并进行修正，对模型的适应性研究不多。
由于建立满足实际应用要求的无损检测数学模型往往花费大量人力和物力，因此本研究今后应在数学模型传递算法方面做进一步研究；
2、我们进行了水果光谱响应特性分析，并采集了不同代表性早熟梨和红富士苹果的近红外光谱图。
但同一品种不同产地及不同生长期和不同品种的水果近红外光谱标准图库还没有补充和完善，因此，不同产地、不同品种和不同生长环境下的水果光谱图采集、水果近红外光谱标准图库构建和实现共享是今后水果部品质近红外光检测应深入研究的主要方面；
3、积极将光纤技术、化学计量分析技术等技术应用到苹果的品质分析中来，提高检测的准确性和精确性；
4、水果品质的在线实时检测与分级是水果产后处理和加工领域中的一项重要研究容，基于近红外光的动态水果光谱信息采集和有效提取、动态水果部品质建模算法和动态在线检测的硬件软件系统的实现是今后水果部品质近红外光检测应深入研究的关键技术；
5、目前研究人员、贸易商以及水果的生产者在田间分析产品品质、仓储或运输过程中都需要一种小型的、可移动式的近红外光谱分析设备，而且这些设备需要操作简单，对普通的产品和品种都有广泛的适应性。
因此，便携式的分析工具，特别是能够和电脑随时连接的类USB或PDA的设备将会成为市场的新宠；
6、逐步建立我国不同品种苹果的信息数据库，并参照WTO的标准建立我国苹果的行业分级标准，尽可能的与国际接轨。
参考文献：
[1]中国苹果网，（.pgxx./Article/ShowArticle.asp?
ArticleID=18040）
[2]AnnPeirs，NicoScheerlinck，KathleenTouchant，etal.NicolamK.ComparisonofFourierTransformandDispersiveNear-InfraredRelctanceSpectroscopyforAppleQualityMeasurements[J].BiosystemsEngineering，2002，81（3）：
305-311.
[3]燕德，应义斌，傅霞萍，等.一种近红外光谱水果部品质自动检测系统[J].大学学报：
工学版，2006（01）：
53-56.
[4]燕德，应义斌.光纤传感技术及其在水果部品质检测中的应用研究[J].传感技术学报，2003，20
（2）:
15.
[5]应义斌，燕德.水果部品质光特性无损检测研究及应用[J].大学学报（农业与生命科学版），2003，29
（2）:
125-129.
[6]YINGYi-bin，LIUYan-de，FUXia-ping（应义斌，燕德，傅霞萍）.TransactionsoftheChineseSocietyforAgriculturalMachinery（CSAM）（农业机械学报），2004，35（6）:
124.
[7]ZHAOJie-wen，ZHANGHai-dong，LIUMu-hua（杰文，，木华）.TransactionsoftheChineseScoeityofAgriculturalEngi-neering（CSAE）（农业工程学报），2005，21（3）:
163.
[8]AnnPeirs，JeroenTirry，BertVerlinden，etal.PostharvestBiologyandTechnology，2003，28:
269.
[9]KleynenO，LeemansV，DestainMF.PostharvestBiologyandTechnology，2003，30:
221.
[10]IWayanBudiastra，YoshioIkeda，TakahisaNishizu.JournalofJapaneseSocietyofAgriculturalMachinery，1998，60
（2）:
117.
[11]SteinmetzV，RogerJM，MoltoE，etal.J.Agric.Engin.Res.，1999，73:
207.
[12]PeirisAnn，PeirisKHS，DullGG，etal.Hort.Sci.，1999，34:
114.
[13]PeirsAnn，LammertynJ，OomsK，etal.PostharvestBiologyandTechnology，2000，21:
189.
[14]LammertynJ，PeirsAnn，DeBaerdemaekerJosse，etal.PostharvestBiologyandTechnology，2000，18:
121.
[15]LuRenfu，GuyerDanielE，BeaudryRandolphM.JournalofTextureStudies，2000，31:
615.
[16]ParkB，AbbottJA，LeeKJ，etal.TransactionsoftheAmericanSocietyofAgriculturalEngineers，2003，46（6）:
1721.
[17]NrgaardL，SaudlandA，WagnerJ，etal.AppliedSpectroscopy，2000，54:
413.
[18]PENGY，LUR.Modelingmultispectralscatteringprofilesforpredictionofapplefruitfirmness[J].TransASAE，2005，48:
235-242.
升级会员 