引用本文
王威, 李永玉, 彭彦昆, 杨延铭, 闫帅, 马劭瑾. 手持式马铃薯品质多通道离散光谱检测装置设计与试验. 光谱学与光谱分析, 2022,42(12): 3889-3895
WANG Wei, LI Yong-yu, PENG Yan-kun, YANG Yan-ming, YAN Shuai, MA Shao-jin. Design and Experiment of a Handheld Multi-Channel Discrete Spectrum Detection Device for Potato Processing Quality. Spectroscopy and Spectral Analysis, 2022,42(12): 3889-3895.  
Doi: 10.3964/j.issn.1000-0593(2022)12-3889-07
Permissions
Copyright©2022, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
手持式马铃薯品质多通道离散光谱检测装置设计与试验
王威, 李永玉*, 彭彦昆, 杨延铭, 闫帅, 马劭瑾
中国农业大学工学院, 国家农产品加工技术装备研发分中心, 北京 100083
*通讯作者 e-mail: yyli@cau.edu.cn

作者简介: 王 威, 1999年生, 中国农业大学工学院博士研究生 e-mail: wang13033989056@163.com

收稿日期: 2021-11-02 修回日期: 2022-02-23
基金项目: 国家“十四五”重点研发计划项目(2021YFD1600101)资助
摘要

马铃薯是我国第四大主要粮食作物, 随着马铃薯主食化战略的提出, 其市场占比逐年攀升, 但各地甚至同区域内马铃薯品质参差不齐, 严重影响了马铃薯行业的发展。 实现马铃薯品质快速无损检测对马铃薯主食化产业的发展有着重要的现实意义。 该研究以研发低成本马铃薯品质无损快速检测装置为目的, 采用连续投影算法(SPA)分析光谱仪环境下马铃薯加工品质特征波长的分布情况, 根据标准正态变换(SNV)预处理状态下的模型结果选取了一个包含7个波段(700, 750, 800, 850, 900, 950和1 000 nm)的多通道光谱传感器, 并根据马铃薯特殊的表皮特征及内部质地均匀性, 设计了一种手持式马铃薯多品质可见/近红外局部漫透射检测装置。 利用研发装置建立了马铃薯多品质偏最小二乘预测模型, 马铃薯干物质含量、 淀粉含量预测模型验证集均方根误差分别为1.05%和1.02%。 同时, 基于QT的开发工具, 采用C语言编写了实时分析设备控制软件, 实现了对马铃薯内部品质的一键式实时无损检测。 对研发装置检测稳定性和精度进行了试验验证。 结果表明, 研发的手持式马铃薯多品质传感器检测装置可以满足现场实时检测需求, 为马铃薯主食化产业的发展提供技术支撑。

关键词: 马铃薯; 多通道光谱传感器; 无损检测; 品质参数; 手持式装置
中图分类号:S379.9 文献标识码:A
Design and Experiment of a Handheld Multi-Channel Discrete Spectrum Detection Device for Potato Processing Quality
WANG Wei, LI Yong-yu*, PENG Yan-kun, YANG Yan-ming, YAN Shuai, MA Shao-jin
College of Engineering, China Agricultural University, National Research and Development Center for Agro-processing Equipment, Beijing 100083, China
*Corresponding author
Abstract

Potatoes are China’s fourth major food crop. With the government’s continuous emphasis on potato production and sales and the strategy of potato staple foods, its market share has also increased year by year. However, the quality of potatoes varies from place to place and even in the same region, which has a serious impact. The development of the potato industry. Therefore, realizing rapid non-destructive testing of potato quality has important practical significance for developing the potato staple food industry. This paper aims to develop a low-cost non-destructive rapid detection device for the potato quality. The successive projections algorithm (SPA) is used to analyze the distribution of characteristic wavelengths of potato processing quality in a spectrometer environment. According to the model results in the preprocessing state of the standard normal variate transformation (SNV), a selection of 7 bands (700, 750, 800, 850, 900, 950 and 1 000 nm) is selected. Based on the potato’s special epidermal characteristics and internal texture uniformity, a handheld potato multi-quality visible/near infrared local diffuse transmission detection device is designed, including a light source module, a spectrum acquisition module, a control module, and a power supply. Module, display module, the size of the whole device is 140 mm×80 mm×70 mm, and the weight is 340 g. A potato multi-quality partial least squares prediction model was established using the research and development equipment. The root means square error of the potato dry matter and starch content prediction model verification sets were 1.05% and 1.02%, respectively. At the same time, based on the development tools of QT, the real-time analysis equipment control software was written in C language, which realized the one-click real-time non-destructive inspection of the internal quality of potatoes. Finally, the testing stability and accuracy of the R&D device were tested and verified. The results show that the developed handheld potato multi-quality sensor detection device can meet the needs of on-site real-time detection and provide technical support for developing the potato staple food industry.

Key words: Potato; Multi-channel spectral sensor; Non-destructive testing; Quality parameters; Handheld device
引言

马铃薯因其营养价值高, 种植范围广, 是我国仅次于小麦、 水稻和玉米的第四大粮食作物[1], 马铃薯的市场占比逐年攀升, 其加工品质备受关注。 马铃薯的主要品质指标有干物质含量、 淀粉含量等[2], 参差不齐的马铃薯品质严重制约着马铃薯产业主食化进程, 提高马铃薯的质量快速无损检测对马铃薯产业的发展有着重要的现实意义。

目前, 国内外学者对马铃薯内部品质无损检测进行了一些研究[3, 4, 5, 6], 包括基于近红外漫透射光谱的马铃薯的黑心病和淀粉含量在线无损检测、 基于可见-近红外高光谱检测系统的马铃薯干物质含量快速无损检测等, 大部分成果仍属于实验室研究阶段, 而且多数体积大、 移动不便。 随着光谱仪小型化的发展, 国内外学者设计了近红外便携式仪器用来检测果蔬的内部品质[7, 8, 9, 10], 王凡等[11]等曾研制了便携式马铃薯品质无损检测装置, 在一定程度上为马铃薯品质现场实时检测提供了可能性, 但是光谱仪价格昂贵, 在产地广泛推广应用有一定的局限性。

本工作根据马铃薯特殊的表皮特征及内部质地均匀性, 以研发低成本装置为目的, 基于多通道光谱传感器设计一种手持式马铃薯多品质可见/近红外局部漫透射检测装置, 并建立马铃薯内部品质预测模型, 编写实时检测分析的控制软件, 实现对马铃薯内部品质的一键式实时无损检测, 为马铃薯产销链中加工品质现场实时检测提供技术支撑。

1 实验部分
1.1 工作原理

研发装置主要由光谱采集模块、 光源模块、 控制与显示模块、 供电模块及外围电路等组成, 如图1所示。 考虑马铃薯特殊的表皮特征及内部质地均匀性, 本研究采用局部漫透射的采集方式。 将采集探头紧贴在马铃薯赤道部位的光滑表面, 利用多通道光谱传感器采集马铃薯样本的局部漫透射离散光谱, 传感器将接收的离散光谱信号转换为数字信号传送给仪器内置的raspberry 3B+控制器, 根据内部植入的马铃薯各品质参数预测模型计算各品质参数后在屏幕上实时显示结果并保存。

图1 检测装置结构图Fig.1 Structure diagram of detection device

1.2 光谱采集模块

光谱采集模块作为检测装置的核心部件, 对检测结果起着决定性作用。 基于微型光谱仪研制了便携式马铃薯多品质检测装置[11], 但装置成本相对较高, 在产地广泛推广有一定的局限性。 本研究选用多通道光谱传感器采集样本信息, 相比市售光谱仪价格可降低采集模块成本约80%。

根据文献[12, 13]并基于海洋光学光谱仪(STS, 635~1 125 nm)对马铃薯主要品质特征波长的分布情况进行了分析。 采集80个内蒙三号马铃薯光谱信息, 将马铃薯样品分为60个校正集和20个验证集, 同时分别对原始光谱进行标准正态变量变换(standard normal variate transformation, SNV)、 多元散射校正(MSC)与一阶导数等预处理, 其中SNV预处理光谱图与原始光谱图对比如图2(a, b)所示。 预处理后的偏最小二乘(partial least squares regression, PLSR)建模结果如表1所示。

图2 马铃薯光谱图(光谱仪)
(a): 原始光谱图像; (b): 光谱图像(SNV)Fig.2 Potato spectrogram (spectrometer)
(a): Original spectral image; (b): Spectral image (SNV)

表1 建模结果 Table 1 The result of modeling

结果显示, 由于淀粉含量与干物质含量的强相关性, 均在SNV预处理情况下有较好的效果, 根据SNV建立的马铃薯干物质含量和淀粉含量的预测模型, 结果分别如图3(a, b)所示。 综合以上结果使用连续投影算法(successive projections algorithm, SPA)分别提取SNV预处理基础上占比权重较大的马铃薯品质相关特征波长, 每个品质参数选取前20个特征波长, 共40个特征波长。 如图4所示, 其中特征波长普遍聚集在700, 750, 800, 850和900 nm附近, 且700~1 000 nm波段范围内所包含特征波长数共29个, 占比72.5%, 为多通道光谱传感器的使用提供了理论支持。

图3 模型结果散点图
(a): 干物质含量散点图; (b): 淀粉含量散点图Fig.3 Model result scatter plot
(a): Scatter plot of dry matter content; (b): Scatter plot of starch content

图4 特征波长分布直观图Fig.4 Intuitive diagram of characteristic wavelength distribution

根据马铃薯品质相关特征波长, 选择有效波长范围为700~1 000 nm的美国海洋光学公司的PixelSensor多通道光谱传感器。 该传感器使用芯片滤光技术将7个波段(700, 750, 800, 850, 900, 950和1 000 nm)同时感应的光电二极管集成到9 mm× 9 mm的光学器件上并将光学传感器集成到OEM开发板上, 有效减小了采集装置的体积与重量。 开发板可通过USB进行通讯、 数据传输, 为低成本马铃薯多品质无损检测装置的开发提供了技术保证。

为提高信号强度减小仪器体积, 采用自制的大直径耦合透镜作为采集探头, 主要由套筒、 挡圈、 平凸透镜和底座构成, 如图5(a)所示。 耦合透镜外径为12 mm, 平凸透镜被螺纹挡圈固定在套筒中, 如图5(b)所示, 光谱信息经过探头内部的平凸透镜并被聚焦在多通道光谱传感器采光部位。 这样的探头设计显著提升了信号强度, 如图5(c)所示。

图5 耦合透镜示意图
1: 光源; 2: 橡胶挡圈; 3: 平凹透镜; 4: 多通道光谱传感器; 5: 底座; 6: 螺纹挡圈(a): 耦合透镜; (b): 耦合透镜结构图; (c): 光强接收对比图Fig.5 Schematic diagram of coupling lens
1: Light source; 2: Rubber baffle; 3: Flat concave lens; 4: Multi-channel spectral sensor; 5: Base; 6: Threaded retainer(a): Coupling lens; (b): Coupling lens structure diagram; (c): Contrast diagram of light intensity reception

1.3 光源模块

卤素灯波长范围为360~2 500 nm, 包含可见光和近红外光区域, 波长范围满足装置使用需求, 同时性能稳定。 马铃薯块茎表皮灼伤温度在50 ℃附近[14], 为避免马铃薯表面发生灼伤, 光源温度控制在50 ℃以下, 为尽量使透射光强度为最大, 通过不同功率光源的对比实验, 选用2.1 W超高亮卤素灯(美国WelchAllyn公司)作为装置光源, 如图6(a, b)所示。

图6 光源模块功率选择
(a): 不同功率光谱曲线; (b): 不同功率温度Fig.6 Light source module power selection
(a): Spectral curves of different power; (b): Temperatures of different power

1.4 控制与显示模块

为了更好地完成实际生产任务并保证使用功能满足实际需求, 选择raspberry 3B+作为检测装置的微型控制器, raspberry3B+的处理速度与工作环境都与采集需要所适配, 同时其搭载的处理器可以有效缩减程序运行时间, 可高速高效地完成工作。 通过raspberry3B+自身引脚连接3.2寸电阻式触摸显示屏作为显示模块, 显示模块主要实现对控制模块的人机交互和信息显示。 外围电路包括电压转换装置、 散热片等。 其中电压转换装置主要用于光源与raspberry 3B+的合理供电, 散热片可对raspberry 3B+控制器进行散热, 避免高温造成的意外事故。 USB接口主要用于光谱数据的通讯与传输。

1.5 供电模块

为保证装置适应工作环境且便于携带与操作, 特选用可充电式电池为装置供电。 光谱仪、 控制器、 显示器的输入电压为5 V, 光源的输入电压为3 V, 选用输出电压为7.4 V的可充电锂电池, 电池通过并联电路分别经稳压板向控制器部分以及光源部分供电。 经计算选择电量为3 A· h的锂电池, 可保证装置工作时间达到2 h以上。

1.6 整机设计

在保证装置各模块正常运行的条件下, 将装置内部空间合理利用, 有效减小了整机的外观尺寸与重量。 同时将装置外壳接缝处及手握处进行了圆角处理, 便于使用人员手持操作。 检测装置的整体尺寸为140 mm× 80 mm× 70 mm, 质量为340 g, 硬件设计如图7(a, b)所示。

图7 实物图
1: 传感器; 2: 耦合透镜; 3: 光源; 4: 处理器; 5: 电池; 6: 开关; 7: 稳压板; 8: 显示屏 (a): 成品外观图; (b): 内部结构图Fig.7 Physical picture
1: Sensor; 2: Coupling lens; 3: Light source; 4: Processor; 5:Ppower supply; 6: Switch; 7: Voltage stabilizer; 8: Display screen (a): Finished product appearance drawing; (b): Internal structure drawing

1.7 材料

选用100个市售内蒙三号马铃薯, 在4 ℃冷藏保存。 为消除温度对实验的影响, 采集光谱前将马铃薯在室温环境中放置24 h以上。

1.8 方法

光谱采集: 采集前将仪器光源打开预热15 min, 采集黑白参考并保存, 每个马铃薯在赤道部位光滑部分分别采集4次, 平均光谱作为该马铃薯的原始光谱。

理化值测定: 分别采用GB 8858— 88(水分烘干法)、 碘显色法[15]测定马铃薯样品的干物质含量、 淀粉含量。

利用SPXY算法按照3:1比例, 将内蒙三号100个马铃薯样品划分为校正集和预测集, 其干物质、 淀粉的理化值分布情况如表2所示。

表2 马铃薯样本利用SPXY算法划分样本集的数据统计 Table 2 Potato samples use SPXY algorithm to divide the data statistics of the sample set

基于研发装置采集了100个内蒙三号马铃薯样品离散光谱, 如图8所示。 光谱传感器在光谱分析过程中过滤了冗杂信息, 减少了噪声, 建立预测模型没有对采集光谱进行光谱预处理。

图8 离散光谱曲线Fig.8 Discrete spectrum curve

基于采集的100个内蒙三号马铃薯离散光谱, 建立了马铃薯干物质、 淀粉的偏最小二乘预测模型, 模型结果散点图分别如图9(a, b)所示。 马铃薯的干物质、 淀粉含量预测模型验证集的均方根误差分别为1.050 6%和1.029 2%, 基本满足实际现场检测需求。 研发装置成本低, 广泛推广应用有巨大的优势。

图9 模型结果散点图
(a): 干物质含量散点图; (b): 淀粉含量散点图Fig.9 Scatter plot of model results
(a): Scatter plot of dry matter content; (b): Scatter plot of starch content

2 结果与讨论

基于raspberry 3B+控制器内置Qt开发工具, 采用C语言编写了装置实时分析控制软件, 可一键式完成光谱信息采集与存储、 实时预测结果以及显示和保存结果等功能, 软件检测流程如图11所示。 将上述所建PLSR数学模型载入raspberry3B+的计算模块并保存, 采集光谱前点击设备自检对芯片进行校正, 校正完成后将探头对准样本马铃薯赤道部位的光滑表面采集光谱信息, 通过系统调动计算模块的数学模型结合所采光谱信息进行预测, 马铃薯各项指标预测结果及光谱曲线在显示屏上实时显示。 人机交互页面如图10所示。

图10 检测程序软件界面Fig.10 Testing program software interface

图11 检测程序流程图Fig.11 Flow chart of testing procedure

选取20个内蒙3号马铃薯样品, 对手持式马铃薯多品质传感器检测装置的稳定性和精度进行试验验证。 利用手持式马铃薯多品质传感器检测装置对每个样本的干物质含量和淀粉含量分别检测4次, 通过4次预测结果的变异系数来表征装置的稳定性, 计算得干物质含量和淀粉含量的平均变异系数分别为0.020 2和0.027 2。 将马铃薯品质的装置预测结果与标准理化值进行残差分析验证装置的精度。 如图12(a, b)所示, 干物质含量和淀粉含量的最大残差绝对值分别为1.63%和1.73%, 结果表明, 研发的手持式马铃薯多品质传感器检测装置的稳定性与精度均可以满足现场实时检测需求。

图12 干物质和淀粉含量验证残差图
(a): 干物质含量残差图; (b): 淀粉含量残差图Fig.12 Device verification residual plot t
(a): Residual map of dry matter content; (b): Residual diagram of starch content

3 结论

根据马铃薯特殊的表皮特征及内部质地均匀性, 基于多通道光谱传感器设计了一种手持式马铃薯多品质可见/近红外局部漫透射检测装置。 该装置包括光源模块、 光谱采集模块、 控制模块、 供电模块、 显示模块, 整个装置尺寸为140 mm× 80 mm× 70 mm, 重量仅340 g, 实现了对马铃薯内部品质的一键式实时无损检测。

基于该装置建立了马铃薯干物质含量和淀粉含量预测模型, 其校正集和验证集相关系数分别为0.842 2和0.803 0, 均方根误差分别为1.05%和1.02%。 同时, 对手持式马铃薯多品质传感器检测装置的稳定性和精度进行试验验证, 结果表明, 研发的手持式马铃薯多品质传感器检测装置可以满足现场实时检测需求。

参考文献
[1] LI Zi-han, YANG Xiao-jing(李子涵, 杨晓晶). Food and Nutrition in China(中国食物与营养), 2016, 22(5): 5. [本文引用:1]
[2] Subedi P P, Walsh K B. Potato Research, 2009, 52(1): 67. [本文引用:1]
[3] López-Maestresalas Ainara, Keresztes Janos C, Goodarzi Mohammad, et al. Food Control, 2016, 70: 229. [本文引用:1]
[4] López Ainara, Arazuri Silvia, Jarén Carmen, et al. Procedia Technology, 2013, 8: 488. [本文引用:1]
[5] Rady Ahmed M. , Guyer Daniel E. Postharvest Biology and Technology, 2015, 103: 17. [本文引用:1]
[6] DING Ji-gang, HAN Dong-hai, LI Yong-yu, et al(丁继刚, 韩东海, 李永玉, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2020, 40(6): 1909. [本文引用:1]
[7] Tiwari G, Slaughter D C, Cantwell M. Postharvest Biology & Technology, 2013, 86(3): 221. [本文引用:1]
[8] Huang Y, Lu R, Chen K. Journal of Food Engineering, 2018, 236. [本文引用:1]
[9] Borba Karla R, Aykas Didem P, Milani Maria I, et al. Applied Sciences, 2021, 11(7): 3209. [本文引用:1]
[10] LIU Ya-chao, LI Yong-yu, PENG Yan-kun, et al(刘亚超, 李永玉, 彭彦昆, 等). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2019, 50(8): 351. [本文引用:1]
[11] WANG Fan, LI Yong-yu, PENG Yan-kun, et al(王凡, 李永玉, 彭彦昆, 等). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2018, 49(7): 348. [本文引用:2]
[12] XIAO Hui, SUN Ke, TU Kang, et al(肖慧, 孙柯, 屠康, 等). Food Science(食品科学), 2019, 40(8): 300. [本文引用:1]
[13] LIU Ya-chao, LI Yong-yu, PENG Yan-kun, et al(刘亚超, 李永玉, 彭彦昆, 等). Chinese Journal of Analytical Chemistry(分析化学), 2019, 47(5): 785. [本文引用:1]
[14] ZHANG Jian-guang, LIU Yu-fang, SHI Rui-de(张建光, 刘玉芳, 施瑞德). Hebei Fruit(河北果树), 2001, (2): 11. [本文引用:1]
[15] XU Chang-jie, CHEN Wen-jun, CHEN Kun-song, et al(徐昌杰, 陈文峻, 陈昆松, 等). Biotechnology(生物技术), 1998, 8(2): 41. [本文引用:1]