引用本文
韩亚芬, 吕程序, 苑严伟, 杨炳南, 赵庆亮, 曹有福, 尹学清. PLS-DA优化模型的马铃薯黑心病可见近红外透射光谱检测[J]. 光谱学与光谱分析, 2021,41(4): 1213-1219.
HAN Ya-fen, LÜ Cheng-xu, YUAN Yan-wei, YANG Bing-nan, ZHAO Qing-liang, CAO You-fu, YIN Xue-qing. PLS-Discriminant Analysis on Potato Blackheart Disease Based on VIS-NIR Transmission Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2021,41(4): 1213-1219.
Doi:10.3964/j.issn.1000-0593(2021)04-1213-07  
Permissions
Copyright©2021, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
PLS-DA优化模型的马铃薯黑心病可见近红外透射光谱检测
韩亚芬, 吕程序, 苑严伟*, 杨炳南, 赵庆亮, 曹有福, 尹学清
中国农业机械化科学研究院, 北京 100083
*通讯作者 e-mail: yyw215@163.com

作者简介: 韩亚芬, 1991年生, 中国农业机械化科学研究院博士研究生 e-mail: hyf0825@126.com

收稿日期: 2020-02-27 修订日期: 2020-06-18
基金: 国家“十三五”重点研发计划项目(2016YFD0401300); 国家马铃薯产业技术体系(CARS-09-P28)资助
摘要

马铃薯黑心病是一种马铃薯主要内部缺陷, 严重损害薯条、 薯片、 全粉等加工制品的质量和产率。 目前对马铃薯的分级主要侧重于外部品质检测, 针对内部缺陷检测的研究很少。 旨在开发一种马铃薯黑心病的快速无损检测技术, 为此搭建了马铃薯可见近红外透射光谱分析平台, 分析健康与黑心病马铃薯的透射光谱特性并优化光谱判别模型参数。 基于现有马铃薯分级线和复享PG2000高速光谱仪, 采用左右透射方式(光源与光纤探头位于分级线果盘左右两侧), 采集470个马铃薯(其中健康薯234个、 黑心薯236个)的透射光谱图, 建立偏最小二乘判别模型(PLS-DA), 并利用主成分分析(PCA)与光谱形态特征相结合的方法选择特征波长, 优化模型。 分析发现, 健康薯与黑心薯的可见近红外透射光谱在吸光度值和光谱形态特征方面均存在明显区别。 黑心薯的平均光谱吸光度值高于健康薯(650~900 nm范围内), 但黑心薯的平均光谱曲线较为平缓, 无明显吸收峰, 而健康薯平均光谱曲线在665, 732和839 nm附近有明显吸收峰, 并且健康薯与黑心薯的平均光谱差值在705 nm处达到最大值。 基于PLS-DA法建立了马铃薯黑心病判别模型, 对黑心病的判别效果显著, 分类器特性曲线(ROC)下面积(AUC)值为0.994 2, 黑心薯识别总正确率能够达到97.16%, RMSECV和RMSEP分别为0.28和0.26。 此外, 成功利用PCA与光谱形态特征相结合的方法对模型进行简化, 最终得到由6个波长(658, 705, 716, 800, 816和839 nm)组成的特征波长组合, 简化后的模型总正确率能够达到96.73%, 接近全波段模型判别水平。 研究表明, 左右透射的方式能够准确识别黑心马铃薯, 实现对马铃薯内部缺陷的快速无损检测。 对我国马铃薯产业的发展起到一定的促进作用, 为马铃薯内部缺陷在线检测技术的提高提供了重要的理论基础和实践依据。

关键词: 可见-近红外透射光谱; 黑心病; 马铃薯; 主成分分析法; 偏最小二乘判别法
中图分类号:S435.32 文献标志码:A
PLS-Discriminant Analysis on Potato Blackheart Disease Based on VIS-NIR Transmission Spectroscopy
HAN Ya-fen, LÜ Cheng-xu, YUAN Yan-wei*, YANG Bing-nan, ZHAO Qing-liang, CAO You-fu, YIN Xue-qing
Chinese Academy of Agricultural Mechanization Sciences, Beijing 100083, China
*Corresponding author
Abstract

Potato blackheart disease is an internal defect, which decreases the quality and yield of potato processed products such as fries, chips and whole powder. At present, the classification of potatoes mainly focuses on their external quality, rather than internal defects. The purpose of this research was to develop a fast non-destructive detection technology that could be used to detect potato blackheart disease. A visible and near infrared (VIS-NIR) transmission spectroscopy platform was built for potato detection. The spectral transmission characteristics of healthy and blackheart potatoes were analyzed, and the spectral discrimination model parameters were further optimized. Based on the potato grading line and the PG2000 high-speed spectrometer, the transmission spectra of 470 potatoes, including 234 healthy potatoes and 236 blackheart potatoes, were collected using left-to-right transmission method, of which the light source and the optical fiber probe were located on the left and right sides of the fruit plate of grading line respectively. A partial least squares discriminant analysis (PLS-DA) model was established. Furthermore, the principal component analysis (PCA) and spectral morphological features were combined to select essential wavelengths for model optimization. According to the VIS-NIR transmission spectra, there were significant differences between healthy and blackheart potatoes in absorbance values and spectral morphological characteristics. The average spectral absorbance values of blackheart potatoes in the range of 650~900 nm were higher than that of healthy potatoes. The average spectrum curve of blackheart potatoes was relatively smooth without obvious absorption peaks. However, obvious absorption peaks around 665, 732 and 839 nm appeared in that of healthy potatoes. The average spectral difference of blackheart and healthy potatoes reached the maximum at 705 nm. Based on the PLS-DA method, a potato blackheart disease discrimination model was established, which had a significant effect on detecting blackheart disease. The area under the receiver operating characteristic curve (AUC), total discrimination accuracy, RMSECV and RMSEP of the model were 0.994 2, 97.16%, 0.28 and 0.26, respectively. Moreover, a useful wavelength combination consisting of 6 wavelengths (658, 705, 716, 800, 816 and 839 nm) was obtained. The total accuracy of the simplified model could reach 96.73%, which was similar to that of the full-band model. It is shown that the left-to-right transmission method can accurately and rapidly identify blackheart potatoes. The study provides an important theoretical, and practical basis for improving the online detection technology of internal potato defects.

Keyword: Vis-NIR transmission spectrum; Blackheart disease; Potato; PCA; PLS-DA
引言

马铃薯是一种营养丰富、 产量高、 适应性强的经济作物, 富含维生素C、 蛋白质、 钙、 钾以及膳食纤维[1]。 它的用途广泛, 产业链条长, 是农业生产中加工产品最丰富的原料作物。 对原料薯的分级决定了其商品价值, 目前马铃薯的分级检测技术主要侧重大小、 薯形、 发芽、 绿变、 机械损伤等外部品质, 而对其内部品质检测较少。 马铃薯生长、 储藏、 运输过程中极易产生内部缺陷, 如黑心病、 空心病、 心腐病等。 其中, 黑心病是一种常见的马铃薯生理失调疾病, 常与储藏环境中CO2含量过高或环境温度急剧变化有关, 且严重损害加工用薯的经济价值[2]。 《GB/T 31784— 2015马铃薯商品薯分级与检验规程》中规定薯条、 薯片、 全粉等马铃薯加工品要求一级原料薯不得检出黑心薯, 二级检出率≤ 3%, 三级检出率≤ 5%。 然而, 黑心病难以直接通过外观进行判断, 目前采用的主要方法是分批次抽样破坏性检测, 耗时较长、 成本较高、 存在偶然性, 不能适用于大批量检测。 这导致我国高品质的商品薯产量低, 缺乏市场竞争力。 因此, 开发可用于检测马铃薯黑心病的快速无损检测技术具有重要意义。

可见近红外光谱检测技术主要利用380~2 526 nm波段内物质结构分子中含氢基团基频振动的合频和倍频对光量子的吸收, 反映分子振动能级的变化。 其穿透能力强, 可以有效反映果蔬内部结构, 常用于检测果蔬的内部缺陷, 如苹果果肉褐变[3]、 霉心病[4]、 鸭梨黑心病[5]、 洋葱内部腐烂[6]。 目前, 这一方法主要应用于马铃薯中淀粉、 干物质等营养成分含量的检测[7]。 针对黑心病等马铃薯内部缺陷的无损检测研究相对较少, 多采用高光谱技术[8, 9]。 然而, 高光谱技术成本高、 数据量庞大, 运算时间长, 很难直接用于在线检测。 透射式在线近红外检测技术主要分为上下透射[4, 5]和左右透射[3, 6]两种方式。 上下透射, 光源和检测器分布在输送装置上下两侧, 受杂散光影响小, 精度高, 目前市场已有相对成熟的设备, 但专用程度高, 现有装备实现困难。 左右透射, 光源和检测器分布在输送装置左右两侧, 可以方便安装在各种形式的输送装置上, 应用性强, 但受表面反射光、 果径变化影响较大[10]。

本工作开发了马铃薯黑心病的可见近红外透射光谱检测方案, 采用左右透射的光谱采集方式(光源与光纤探头位于分级线果盘左右两侧)建立检测平台, 依靠马铃薯自身遮挡, 减少反射光、 杂散光的影响。 建立了马铃薯黑心病的偏最小二乘判别模型, 并利用黑心病与健康马铃薯光谱特征的差异与主成分分析法相结合优化了模型。

1 实验部分
1.1 样本制备

根据马铃薯黑心病发病原理制备黑心病薯。 马铃薯块茎在高温缺氧的环境下容易产生黑心病, 且经高温储存后急速降温会加重黑心病发病程度。 将马铃薯清洗干净后晾干, 经表面消毒处理后真空包装, 放入38 ℃培养箱培养48 h, 取出后立即放入4 ℃冰箱冷藏3 d[11]。 采用图像识别法[12]计算纵切面黑心面积占整个截面积的比例, 并将黑心病分成四个等级[(a)健康薯; (b)轻度黑心: 黑心面积0~20%; (c)中度黑心: 黑心面积20%~50%; (d)重度黑心: 黑心面积> 50%], 典型各等级马铃薯纵切剖面图见图1。

图1 典型各等级马铃薯纵切剖面图Fig.1 Cross sections of typical potatoes with different blackheart grades
(a): Grade 1; (b): Grade 2; (c): Grade 3; (d): Grade 4

共计470个马铃薯用于光谱采集, 其中健康薯234个、 黑心薯236个(采用大西洋、 中薯26号等9个品种, 由湖北恩施中国南方马铃薯研究中心提供)。 光谱采集前, 将马铃薯于室温平衡4 h, 每个马铃薯采集1条光谱, 光谱采集后沿长轴方向切开马铃薯, 记录是否发生黑心病及发病程度。

1.2 光谱采集装置研制

实验室自行搭建了可用于马铃薯内部缺陷检测的光谱检测模块, 由光源、 光谱仪、 光纤、 准直镜、 散热风扇等组成, 如图2。 由于马铃薯密度较大, 透光性差, 为了获得较好的透射光谱图, 需要选择穿透性强的可见-近红外波段检测器, 适当增大狭缝宽度以增加通光量, 同时选择大功率光源。 本文光谱仪选用复享PG2000高速光谱仪(Ideaoptics, China), 波长范围368~1 038 nm, 狭缝宽度100 μ m, Si检测器。 光源采用50 W卤素灯杯, 由直流稳压电源供电, 配置散热风扇。

图2 可见/近红外透射光谱检测系统示意图
1: 光源; 2: 马铃薯; 3: 托盘; 4: 准直镜; 5: 光纤; 6: 光谱仪; 7: 电脑Fig.2 Schematic of the measurement setup
1: Light source; 2: Potato; 3: Sample tray; 4: Collimating lens; 5: Fiber optic; 6: Spectrometer; 7: Computer

实验平台搭建在马铃薯分级线上, 输送过程中, 马铃薯长轴与分级线行进方向垂直。 为了便于与现有马铃薯分级线设备配套集成, 尽量减少分级线的机械构造调整, 光谱采集采用左右透射法, 光源照射方向与马铃薯长轴平行, 光纤、 灯杯中心与马铃薯中轴线在一条直线上。

1.3 偏最小二乘判别法(PLS-DA)建模

采用随机法按照3∶ 1的比例, 将样品集划分为校正集和预测集。 校正集包含健康马铃薯光谱176条, 黑心马铃薯光谱177条, 预测集包含健康马铃薯光谱58条, 黑心马铃薯光谱59条。 去掉原始光谱两端噪声较大的波段, 选择500~950 nm范围建立模型。 将黑心马铃薯样本设置为类别1, 健康马铃薯样本设置为类别0, 将原始光谱经标准化(Autoscale)预处理后建立马铃薯黑心病PLS-DA判别模型。 采用留一交互验证法, 按照校正集和交互验证集判别错误率均最小的原则, 确定模型最佳潜变量数。

1.4 模型评价方法

采用分类正确率(classification accuracy, ACC, %)、 灵敏度(sensitivity, TPR)、 特异性(specificity, TNR)、 均方差(root mean square error, RMSE)、 分类器特性曲线(receiver operating characteristic, ROC)作为模型性能评价指标[13]。

其中, ACCC代表校正集分类正确率, ACCP代表预测集分类正确率, 总正确率ACC为ACCC和ACCP的算术平均值。 TPRC和TNRC分别代表校正集灵敏度和特异性, TPRP和TNRP分别代表预测集灵敏度和特异性。 RMSECV代表交互验证均方差, 用于评价校正集判别误差, RMSEP代表预测均方差, 用于评价验证集判别误差。

ROC曲线是以真阳性率(灵敏度)为纵坐标, 假阳性率(1-特异性)为横坐标绘制的曲线。 曲线下面积(area under curve, AUC)取值在1.0和0.5之间。 AUC越接近于1, 说明模型的判别能力越好; AUC在0.9以上时, 说明模型有较高准确性。 选取不同阈值, 模型的灵敏度和特异性将得到不同结果, 理想的分类方法将在ROC空间的左上角产生一个点, 该点处模型灵敏度和特异性均达到最大值, 即为最佳阈值点[13]。

1.5 特征波长选取

PLS-DA(partial least squares discriminant analysis)采用了主成分分析法(principal component analysis, PCA)的基本原理, 将光谱向量分解为载荷向量(Loading)和得分向量(Score)。 得分向量是光谱向量在其对应载荷向量方向上的投影, 得分向量三维图反映数据降维后样本在新投影空间的坐标位置, 本文采用得分向量图直观分析两类别马铃薯样本的相互关系。 载荷向量代表其对应的得分向量中各变量的回归系数, 载荷向量图中的波峰波谷处代表该得分向量中权重较大的波长变量对应的回归系数, 对应的波长可用于波长选择[12, 14]。

定性分析中, 不同类别样本光谱形态存在较大差别。 分别绘制四个不同等级马铃薯平均光谱曲线, 比较特征峰的差异。 将二三四级马铃薯的平均光谱曲线作为黑心薯的平均光谱曲线, 与健康薯平均光谱曲线相减得到黑心、 健康薯差值光谱曲线。 差值光谱曲线中的波峰处代表两类别样本差别达到最大值。

将载荷向量曲线、 不同等级马铃薯平均光谱曲线、 黑心健康薯差值光谱曲线中的特征波长进行组合分析, 选取黑心病判别的最优特征波长组合。

所有数据处理与分析在Matlab R2016(Mathworks, 美国)平台中实现, 其中PLS-DA算法使用PLS toolbox(Eigenvector, 美国)实现。

2 结果与讨论
2.1 光谱形态分析

分别对不同黑心等级马铃薯的光谱值求平均光谱, 见图3(a)。 将黑心薯平均光谱值与健康薯平均光谱值相减得到的差值图见图3(b)。

图3 健康、 黑心马铃薯平均光谱曲线
(a): 不同黑心等级马铃薯平均光谱曲线; (b): 黑心、 健康薯差值光谱曲线Fig.3 Average spectral curves of normal potatoes and blackheart potatoes
(a): Average spectral curves of potatoes in different blackheart grades; (b): Difference spectral curve of blackheart potatoes and normal potatoes

由图3(a)可知, 黑心薯与健康薯的平均光谱曲线有着相当明显的区别。 健康薯在665, 732和839 nm附近有明显波峰, 716和816 nm附近有明显波谷, 黑心薯的平均光谱曲线较为平缓, 仅在732 nm附近有一波谷, 与健康薯图谱形态相反。 660~670, 720~740和820~840 nm等波段与马铃薯干物质的含量相关性较高[15], 说明黑心病薯不仅仅是色素含量变化, 其营养成分也发生了一定改变。

650~900 nm范围内不同黑心等级马铃薯平均光谱的吸光度值均明显高于健康马铃薯, 但中度和重度黑心薯的平均光谱曲线基本重合, 位于健康薯和轻度黑心薯平均光谱曲线之间。 500-600nm范围内中度和重度黑心薯的平均光谱值低于健康薯平均光谱值, 而轻度黑心薯平均光谱值高于健康薯。 与健康薯相比, 黑心薯薯肉变黑、 细胞组织失水, 中度、 重度黑心薯可能出现面粉状皮质组织。 透射过程中, 薯肉变色会使组织内部光吸收增加, 组织失水可能导致组织内部光散射增加[5, 12], 从而使吸光度升高, 透射率降低。 而不同等级黑心薯光谱形态规律性差, 说明左右透射的方式光谱形态受马铃薯薯形影响较大, 不同尺寸马铃薯透射过程中光程有所不同, 导致不同等级黑心薯之间的判别有一定困难。

由图3(b)可知, 在658, 705和800 nm附近, 黑心马铃薯与健康马铃薯的平均光谱差值达到局部极大值, 其中705 nm附近差值达到最大值, 说明在705 nm附近, 黑心薯与健康薯光谱值差异最大。

2.2 PLS-DA模型建立

在500~950 nm范围内, 原始光谱经标准化预处理后, 建立黑心病PLS-DA判别模型。 为了使模型效果最佳, 尽可能多地去除测量噪声且不损失过多重要信息, 以校正集和交互验证集判别错误率均最小为原则, 选取最佳潜变量数(LVs), 见图4。 当LVs为1到4时, 随LVs增加, 判别错误率大幅下降, LVs等于4时, 判别错误率小于0.05%。 当LVs大于4时, 随LVs增加, 判别错误率下降不明显, 选取最佳潜变量数为4。

图4 校正集、 交互验证集判别错误率变化曲线Fig.4 Classification error rates in cross validation and calibration sets

模型ROC曲线如图5(a)和(c), 黑心薯和健康薯的AUC值均大于0.99, 说明模型判别效果非常好。 ROC左上角拐点处代表灵敏度、 特异性均达到最大值, 与图5(b)和(d)中灵敏度特异性曲线交点相对应, 该点处对应阈值即为模型最佳阈值点。 黑心薯与健康薯判别的最佳阈值点存在偏差, 考虑到具体分级过程中, 希望黑心薯误判率最低, 因而选择黑心薯ROC曲线阈值作为PLS-DA模型判别阈值, 即当判别模型的预测值≥ 0.564 1时, 样本被识别为黑心薯, 当判别模型的预测值< 0.564 1时, 样本被识别为健康薯。

图5 500~950 nm范围内PLS-DA模型ROC曲线及 灵敏度、 特异性曲线
(a): 黑心薯ROC曲线; (b): 黑心薯灵敏度、 特异性曲线; (c): 健康薯ROC曲线; (d): 健康薯灵敏度、 特异性曲线Fig.5 ROC curves of PLS-DA model in the range of 500~950 nm and sensitivity and specificity values vs threshold value
(a): ROC curve of blackheart potatoes; (b): Sensitivity and specificity curves of blackheart potatoes; (c): ROC curve of normal potatoes; (d): Sensitivity and specificity curves of normal potatoes

模型判别结果见图6和表1处理1, 校正集判别正确率为96.88%, 验证集正确率为97.44%, 总正确率ACC达到97.16%, 模型的误差较小, RMSECV和RMSEP分别为0.28和0.26, 并且灵敏度TPR和特异性TNR均接近1, 基本不存在“ 假阳性” 、 “ 假阴性” 的情形。 说明黑心薯和健康薯的透射光谱图区分明显, 左右透射的方式能够满足健康薯和黑心薯的判别任务。

图6 500~950 nm范围内PLS-DA模型判别结果散点图Fig.6 Scatter plot of PLS-DA model in the range of 500~950 nm

表1 不同波长组合PLS-DA建模结果 Table 1 Classification results based on PLS-DA with different wavelength combinations
2.3 主成分分析法结合光谱特征优化模型

为简化模型, 提高模型的稳定性, 采用主成分分析法结合光谱特征选取黑心病判别的特征波长, 进一步优化模型。

通过主成分分析, 原始光谱向量(标准化预处理后)经正交转换得到若干个潜变量。 以500~950 nm光谱作为输入变量时, LV1, LV2和LV3对光谱变量的信息描述分别达到86.67%, 8.48%和4.20%, 前三个潜变量累计贡献率达到99.35%, 即前三个潜变量基本可以代表全波段光谱变量中99.35%的变量, 用于黑心薯判别分析。

潜变量得分空间分布图(仅绘制主要的前三个LVs), 见图7, 描述了样本在新投影空间的坐标位置, 同一类别样本在得分空间的坐标位置较接近。 由图7可以看出健康薯和黑心薯两类样品可以得到较好的区分, 只有少数样品没有被区分开。

图7 两类别马铃薯PLS-DA模型潜变量得分空间分布Fig.7 3D scores of PLS-DA discriminant model for two types of potatoes

载荷向量代表其对应得分向量中各变量的回归系数, 载荷向量图中的波峰波谷处代表该得分向量中权重较大的波长变量对应的回归系数。 由于前三个LVs可基本代表全波段变量, 因此分别选择前三个LVs对应的载荷图中波峰、 波谷处对应的波长值, 去掉重复波长, 得到11个特征波长的组合(658, 665, 668, 675, 688, 695, 705, 712, 740, 810和839 nm), 见图8。

图8 主成分分析法前三个潜变量载荷图
(a): 载荷向量1; (b): 载荷向量2; (c): 载荷向量3Fig.8 Wavelengths selection from loadings of the first three LVs derived from PCA
(a): Loading 1; (b): Loading 2; (c): Loading 3

通过比较全变量模型(500~950 nm波段, 1 381个波长点)与简化后模型(11个特征波长组合)的建模效果, 见表1中处理1和处理2, 结果表明简化后模型正确率由97.16%下降至93.04%, 说明在模型简化的同时损失了部分重要变量。

为此, 将健康薯光谱特征曲线[图3(a)]中的5个特征波长(665, 716, 732, 816和839 nm)、 两类别样本差值曲线[图3(b)]中的3个特征波长(658, 705和800 nm)与载荷图中优选的11个特征波长进行组合, 去掉重复波长, 得到15个特征波长(658, 665, 668, 675, 688, 695, 705, 712, 732, 740, 800, 810, 816和839 nm)进行建模(处理3), 结果表明, 经过变量补充后, 处理3模型正确率达到96.88%, 与全变量模型正确率基本一致。

为了进一步简化模型, 将15个特征波长中的每个波长逐一删除后验证模型正确率, 最终得到对黑心薯判别最敏感的6个波长(658, 705, 716, 800, 816和839 nm)组成的特征波长组合(处理4), 其模型总正确率为96.73%, 与全变量(1 381个波长)模型正确率接近, 且变量数达到最简。 与Zhou等[12]采用上下透射方式检测马铃薯黑心病, 得到的特征波长(678, 698, 711, 817, 741和839 nm)和模型正确率96.68%基本一致, 说明上下和左右透射方式对马铃薯黑心病的定性判别影响较小, 左右透射方式可以满足马铃薯黑心病的无损检测需求。

3 结论

通过可见近红外光谱透射测量与分析, 验证了左右透射法用于马铃薯黑心病的判别是可行的, 建立了马铃薯黑心病的偏最小二乘判别模型, 模型总正确率达到97.16%。 此外, 利用黑心病与健康马铃薯光谱特征的差异与主成分分析法相结合简化了模型, 用于建模的变量数由1 381个减少为6个, 简化后的模型总正确率达到96.73%, 经比较, 简化模型与全波段模型判别水平相近, 但大大加快了运算速度, 提高了模型的稳定性。 为马铃薯内部缺陷在线检测设备的研发以及在线检测技术的提高提供了重要的理论基础和实践依据。

参考文献
[1] López A, Arazuri S, Jarén C, et al. Procedia Technology, 2013, 8: 488. [本文引用:1]
[2] Wang H L, Peng J Y, Xie C Q, et al. Sensors, 2015, 15(5): 11889. [本文引用:1]
[3] Tsuta M, Yoshimura M, Kasai S, et al. Japan Society for Food Engineering, 2019, 20(1): 7. [本文引用:2]
[4] ZHANG Hai-hui, TIAN Shi-jie, MA Min-juan, et al(张海辉, 田世杰, 马敏娟, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2019, 50(1): 313. [本文引用:2]
[5] Sun X D, Liu Y D, Li Y F, et al. Postharvest Biology and Technology, 2016, 116(2016): 80. [本文引用:3]
[6] Nishino M, Kuroki H, Deguchi Y, et al. Postharvest Biology and Technology, 2019, 156: 110935. [本文引用:2]
[7] Helgerud T, Wold J P, Pedersen M B, et al. Talanta, 2015, 143: 138. [本文引用:1]
[8] JIN Rui, LI Xiao-yu, YAN Yi-yun, et al(金瑞, 李小昱, 颜伊芸, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2015, 31(16): 258. [本文引用:1]
[9] GAO Hai-long, LI Xiao-yu, XU Sen-miao, et al(高海龙, 李小昱, 徐森淼, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2013, 29(15): 279. [本文引用:1]
[10] HE Dong-jian, Maekawa T, Morishima H(何东健, 前川孝昭, 森岛博). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2001, (1): 146. [本文引用:1]
[11] TIAN Fang, PENG Yan-kun, WEI Wen-song, et al(田芳, 彭彦昆, 魏文松, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(5): 287. [本文引用:1]
[12] Zhou Z, Zeng S W, Li X Y. Journal of Spectroscopy, 2015, 2015: 1. [本文引用:4]
[13] BallabioD, Consonni V. Analytical Methods, 2013, 5: 3790. [本文引用:2]
[14] Feng Y Z, Downey G, Sun D W, et al. Journal of Food Engineering, 2015, 149: 87. [本文引用:1]
[15] CHEN Zheng-guang, FENG Hui-yan, YIN Shu-xin, et al(陈争光, 冯惠妍, 尹淑欣, 等). Journal of Heilongjiang Bayi Agricultural University(黑龙江八一农垦大学学报), 2018, 30(2): 47. [本文引用:1]