引用本文
王冬, 冯海智, 李龙, 韩平. 两种近红外光谱仪的番茄可溶性固形物含量定量模型比较研究[J]. 光谱学与光谱分析, 2023,43(5): 1351-1357.
WANG Dong, FENG Hai-zhi, LI Long, HAN Ping. Compare of the Quantitative Models of SSC in Tomato by Two Types of NIR Spectrometers[J]. Spectroscopy and Spectral Analysis, 2023,43(5): 1351-1357.
Doi:10.3964/j.issn.1000-0593(2023)05-1351-07  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
两种近红外光谱仪的番茄可溶性固形物含量定量模型比较研究
王冬1,2, 冯海智3, 李龙3, 韩平1,2,*
1.北京市农林科学院质量标准与检测技术研究所, 北京 100097
2.农业农村部农产品质量安全风险评估实验室(北京), 北京 100097
3.延安市农产品质量安全检验检测中心, 陕西 延安 716099
*通讯作者 e-mail: hanp@iqstt.cn

作者简介: 王 冬, 1982年生, 北京市农林科学院质量标准与检测技术研究所副研究员 e-mail: wangd@iqstt.cn

收稿日期: 2022-03-31 修回日期: 2022-06-07
基金: 北京市农林科学院财政追加专项(CZZJ202102), 陕西省技术创新引导专项(基金)(2020QFY09-04), 北京市农林科学院科技创新能力建设专项-农业科研基础性数据平台建设(KJCX20200302), 科技部国家重点研发计划项目(2017YFD0201607)资助
摘要

以番茄可溶性固形物含量(SSC)的无损速测为例, 分别采用线性渐变分光(LVF)、 数字光处理(DLP)近红外光谱仪对大、 小番茄采集近红外光谱数据; 分别基于两种近红外光谱仪数据计算大、 小番茄平均光谱及差谱, 并比较两种近红外光谱仪所采集大、 小番茄近红外光谱数据的特征; 对两种近红外光谱仪的数据分别进行主成分分析(PCA), 并比较了大、 小番茄前3主成分的得分分布; 按SSC梯度对数据进行分级, 采用偏最小二乘(PLS)回归结合全交互验证算法分别基于两种近红外光谱仪数据建立番茄SSC定量校正模型。 结果表明: (1)大、 小番茄LVF近红外光谱的平均光谱及其差谱的光谱特征分别与DLP近红外光谱的平均光谱及其差谱的光谱特征相似。 (2)大、 小番茄LVF近红外光谱数据PCA前3主成分得分散点分离趋势不明显, 而DLP近红外光谱数据PCA前3主成分得分散点基本上不具有分离趋势。 (3)基于LVF近红外光谱数据所建各模型的相对预测性能(RPD)皆不低于2.11, 其中标准化预处理所建模型具有最佳性能, 模型维数(Nf)、 校正测定系数($R_{C}^{2}$)、 校正均方根误差(RMSEC)、 交互验证测定系数($R_{CV}^{2}$)、 交互验证均方根误差(RMSECV)、 RPD、 预测相关系数(RP)、 预测均方根误差(RMSEP)分别为8、 0.949 1、 0.27、 0.899 9、 0.38、 3.16、 0.882 6、 0.63; 基于DLP近红外光谱数据所建各模型的RPD皆不低于1.60, 其中标准化预处理所建模型具有最佳性能, Nf、$R_{C}^{2}$、 RMSEC、$R_{CV}^{2}$、 RMSECV、 RPD、 RP、 RMSEP分别为5、 0.823 5、 0.49、 0.728 6、 0.62、 1.94、 0.788 4、 0.80。 该研究可为番茄SSC的无损快速测定以及果蔬品质无损快速检测的仪器选择与评价提供一定的参考。

关键词: 番茄; 可溶性固形物含量; 近红外光谱仪; 定量模型
中图分类号:O157.33 文献标志码:A
Compare of the Quantitative Models of SSC in Tomato by Two Types of NIR Spectrometers
WANG Dong1,2, FENG Hai-zhi3, LI Long3, HAN Ping1,2,*
1. Institute of Quality Standard and Testing Technology, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China
2. Risk Assessment Laboratory for Agro-Products (Beijing), Ministry of Agriculture and Rural Affairs, Beijing 100097, China
3. Yan’an Agricultural Product Quality and Safety Inspection and Testing Center, Yan’an 716099, China
*Corresponding author
Abstract

In this thesis, it took the non-destructive rapid testing of solid soluble content (SSC) in tomatoes as example. The near-infrared (NIR) spectra data of big and small tomatoes were collected by linear variable filter (LVF) NIR spectrometer and digital light processing (DLP) NIR spectrometer respectively. The average NIR spectra of big and small tomatoes and the difference spectra were calculated for LVF and DLP spectra respectively. The characteristics of the NIR spectra data of the two types of tomatoes collected by LVF and DLP spectrometer were compared respectively. Principal component analysis (PCA) was done on the LVF and DLP spectra respectively, and the distribution of the scores of the first 3 principal components were compared. The data were divided into calibration and external validation sets according to the SSC gradient. Partial least squares regression combined with a full cross-validation algorithm was applied to develop the quantitative calibration models of SSC in tomato for the spectra data collected by LVF and DLP spectrometer respectively. It is demonstrated by the result that: (1) The spectral characteristics of the average spectra and difference spectra of LVF-NIR spectra of big and small tomatoes are similar to those of DLP-NIR spectra, which indicates that it is feasible to carry out non-destructive and rapid testing of SSC in tomato by the LVF and DLP NIR spectrometers. (2) The separation trend of the score scatters of the first 3 principal components of LVF-NIR spectral data of big and small tomatoes was not obvious, while there is little separation trend for that of DLP-NIR spectral data. (3) The ratio performance deviation (RPD) values of the models developed by the LVF-NIR spectral data were no less than 2.11. Among them, the preprocessing of normalization acquired the optimized model, of which the number of factors (Nf), determination of calibration ($R_{C}^{2}$), root mean square error of calibration (RMSEC), determination of cross validation ($R_{CV}^{2}$), root mean square error of cross validation (RMSECV), RPD, correlation coefficient of prediction (rP) and root mean square error of prediction (RMSEP) were 8, 0.949 1, 0.27, 0.899 9, 0.38, 3.16, 0.882 6 and 0.63 respectively. The RPD values of the models developed by the DLP-NIR spectral data were no less than 1.60. Among them, the preprocessing of normalization acquired the optimized model, of which the Nf, $R_{C}^{2}$, RMSEC, $R_{CV}^{2}$, RMSECV, RPD, RP and RMSEP were 5, 0.823 5, 0.49, 0.728 6, 0.62, 1.94, 0.788 4 and 0.80 respectively. This thesis will, to some extent, provide reference to the non-destructive and rapid testing of SSC in tomatoes and the selection and evaluation of the non-destructive and rapid instrument for testing the quality of fruits and vegetables.

Keyword: Tomato; Soluble solid content; Near-infrared spectrometer; Quantitative models
引言

番茄由于适应性广、 产量高、 营养丰富等优点, 在我国各地广泛种植, 产量和消费量十分可观。 番茄的可溶性固形物含量(soluble solid content, SSC)是决定番茄品质以及口感的重要指标。 近年来, 消费者对番茄品质的要求日益增长以及精品番茄的上市, 对番茄SSC等品质的无损速测成为亟待解决的问题。 近红外光谱技术[1]具有快速、 高效、 无损伤、 环境友好等特点。 近年来随着化学计量学的发展和计算机技术的进步, 近红外光谱技术在农业生产以及农产品品质检测等方面得以广泛的应用。

目前有学者在近红外光谱用于番茄的SSC[2, 3, 4]、 味觉有关物质[5]、 番茄红素[6]、 抗氧化活性组分[7]、 色值[8]、 pH值[9]、 果实硬度[10, 11]等品质的无损快速检测[12]方面开展了研究, 并取得了一定的成果。 Li等[13]研究了在线近红外平台结合高效算法用于樱桃番茄品质无损快速检测; 结果表明, 采用变量组合总体分析(variable combination population analysis, VCPA)算法从900~1 700 nm范围内512个光谱变量中筛选了9个关键变量, 基于所选关键变量建立樱桃番茄总可溶性固形物模型的预测相关系数(RP)、 预测均方根误差(RMSEP)分别为0.905 3、 0.382。 Huang等[14]采用可见-近红外全透射光谱在线检测番茄可溶性固形物含量(SSC)和成熟度; 结果表明, 所建番茄SSC的PLS模型, 预测相关系数(RP)、 预测均方根误差(RMSEP)、 相对预测性能(RPD)分别为0.75、 0.27、 1.49; 采用极限学习机(extreme learning machine, ELM)建立定性判别模型, 未成熟、 半成熟、 成熟番茄的正确识别率分别为95.38%、 89.23%、 91.35%, 总体正确率为91.31%。 孙阳等[15]采用便携式近红外光谱仪建立樱桃番茄糖分快速分析模型, 通过筛选关键变量对所建模型进行简化; 结果表明, 基于无信息变量消除结合连续投影算法(uninformative variable elimination-successive projection algorithm, UVE-SPA)所选12个关键波长所建偏最小二乘(partial least squares, PLS)模型的建模集、 预测集决定系数(R2)分别为0.938 5、 0.9347, 均方根误差分别为0.130 5、 0.174 4, 相对分析误差(relative percent deviation, RPD)为2.81。 马艳等[16]采用可见-近红外高光谱成像技术对番茄虫眼及霉变进行检测, 光谱范围408~1 013 nm, 根据主成分分析各波段权重系数选取了550、 750和900 nm三个特征波长; 结果表明, 图像处理方法对番茄虫眼、 霉变、 正常的识别率分别为93.3%、 90%、 100%, 而同时采用上述3个特征波长进行波段比图像运算, 波段比550~750 nm图像对番茄虫眼、 霉变、 正常的识别率分别为93.3%、 96.7%、 100%。 有研究建立了碰伤番茄的在线近红外漫反射偏最小二乘判别模型, 误判率为0%; 采用未经算法筛选过的606~850 nm波段光谱建立番茄SSC定量模型效果最好, 预测均方根误差为0.43; 外部验证结果表明, 碰伤番茄分选准确率达到96%, SSC分选准确率达到91%。 有些学者在番茄品质近红外光谱无损快速检测装备的研发方面进行了尝试, 并取得了一定的成果。 郭志明等[17]研发了基于近红外光谱技术的小型化果蔬品质检测系统, 获取番茄900~1 700 nm范围的近红外光谱数据并建立番茄红素和可溶性固形物含量的定量模型; 结果表明, 可溶性固形物含量模型的预测相关系数、 预测均方根误差分别为0.899、 0.133, 番茄红素模型的预测相关系数、 预测均方根误差分别为0.886、 2.508。 王凡等[18]基于可见/近红外全透射光谱, 研发了便携式番茄内外品质快速无损检测装置, 选取650~1 100 nm范围光谱, 建立了番茄颜色、 硬度、 总酸、 总糖含量的偏最小二乘模型; 结果表明, 番茄颜色、 硬度、 总酸含量、 总糖含量模型相关系数分别为0.952 8、 0.940 5、 0.953 7、 0.961 0, 均方根误差分别为2.703 8、 0.448 6、 0.326 3、 0.197 4, 重复检测最大相对误差分别为2.9%、 1.9%、 2.0%、 1.6%。

实际工作中更多采用便携式近红外光谱仪, 或在便携式仪器的基础上加以集成与再开发形成新装备从而开展番茄SSC等品质的无损速测工作。 目前国内常见的近红外仪器存在种类多且原理各不相同的现状, 采用何种仪器、 不同仪器的检测结果是否存在差异等问题目前尚无定论。 针对上述现状, 采用线性渐变分光(linear variable filter, LVF)、 数字光处理(digital light processing, DLP)两种近红外光谱仪对市售大、 小番茄样品分别采集近红外光谱数据; 分别计算两种近红外光谱仪所采集番茄近红外光谱数据的平均光谱及各变量标准差, 并分别研究两种近红外光谱仪所采集的大、 小番茄近红外光谱数据的差异; 对两种近红外光谱仪所采集的番茄近红外光谱数据分别进行主成分分析, 分别对LVF、 DLP光谱仪所采集数据分析大、 小番茄的得分分布特征; 按SSC梯度对数据进行分级, 使用不同的数据预处理, 采用偏最小二乘(partial least squares, PLS)回归结合全交互验证算法, 分别基于两种近红外光谱仪所采集数据建立番茄可溶性固形物含量定量模型。 本工作可为番茄SSC的无损快速测定以及果蔬品质无损快速检测的仪器选择与评价提供一定的参考。

1 实验部分
1.1 样品

市售大、 小番茄各40个, 购买于超市发超市。

1.2 仪器及参数

(1)LVF近红外光谱仪(型号: NIR1700, 美国VIAVI公司): 外置聚四氟乙烯白块参比, 光谱范围908~1 676 nm, 中心分辨率10 nm, 单次积分时间10 800 μ s, 光谱累加50次; 在番茄“ 赤道” 部位采集光谱数据。

(2)果蔬品质无损快速分析仪(型号: TDR-1700, 北京市农林科学院质量标准与检测技术研究所自主集成研制, 以DLP近红外光谱仪为内核): 仪器内置光谱参比, 光谱范围900~1 700 nm, 中心分辨率10 nm, 单次积分时间50 μ s, 光谱累加50次; 在番茄“ 赤道” 部位采集光谱数据。

(3)数字折光仪(型号: PAL-1, 日本ATAGO公司): 以纯水调节数字折光仪0点。

1.3 数据处理

对大、 小番茄SSC实测值进行统计, 计算样本容量(n)、 最小值(Min)、 最大值(Max)、 平均值(Ave)、 样本标准差(Std)、 极差(Rx)和变异系数(CV)。 对于LVF近红外(LVF-NIR)和DLP近红外(DLP-NIR)数据分别计算大、 小番茄平均光谱及其差谱, 对主要吸收峰归属进行解析。 采用The Unscrambler v10.4对光谱数据进行主成分分析(principal component analysis, PCA)分解、 光谱数据预处理、 建立校正模型及预测; 记录番茄SSC定量校正模型的维数(number of factor, Nf)、 校正测定系数(determination coefficient of calibration, RC2)、 校正均方根误差(root mean square error of calibration, RMSEC)、 交互验证测定系数(determination coefficient of cross validation, RCV2)、 交互验证均方根误差(root mean square error of cross validation, RMSECV), 并计算各模型相对预测性能(ratio performance deviation, RPD); 采用外部验证集对所建模型进行外部验证, 计算外部验证数据预测值-实测值相关系数(correlation coefficient of prediction, rP)、 预测均方根误差(root mean square error of prediction, RMSEP), 计算外部验证数据回归F统计量并与F统计量临界值进行比较, 从而检验外部验证数据回归显著性。

2 结果与讨论
2.1 番茄近红外光谱分析

番茄LVF-NIR和DLP-NIR谱图如图1所示。 从图1(a, b)可见, 番茄LVF-NIR和DLP-NIR主要吸收峰位置基本相同, 且大、 小番茄LVF-NIR、 DLP-NIR分别具有相似的轮廓。

图1 番茄近红外光谱
(a): LVF-NIR; (b): DLP-NIRFig.1 NIR spectra of tomatoes
(a): LVF-NIR; (b): DLP-NIR

为对大、 小番茄的近红外光谱做进一步深入研究, 对番茄LVF-NIR、 DLP-NIR分别计算大、 小番茄平均光谱及其差谱(差谱=小番茄数据-大番茄数据), 如图2(a— d)所示。 对LVF-NIR数据, 从图2(a)可见, 小番茄平均光谱的主要吸收峰位置相同, 即982 、 1 205和1 459 nm, 分别主要对应O— H键的三级、 二级、 一级倍频吸收, 其中位于1 459 nm处的O— H键一级倍频吸收最强; 从图2(b)可见, 二者差谱的差异主要体现在1 125 nm(正峰)、 1 286 nm(正峰)、 1 459 nm(倒峰), 分别主要对应差谱中C— H键的三级、 二级倍频吸收和O— H键的一级倍频吸收。 对DLP-NIR数据, 从图2(c)可见, 小番茄平均光谱的主要吸收峰位置相同, 即987、 1 210和1 456 nm, 分别主要对应O— H键的三级、 二级、 一级倍频吸收, 其中位于1 456 nm处的O— H键一级倍频吸收最强; 从图2(d)可见, 二者差谱的差异主要体现在1 104 nm(正峰)、 1 289 nm(正峰)、 1 456 nm(倒峰), 分别主要对应差谱中C— H键的三级、 二级倍频吸收和O— H键的一级倍频吸收。 由于番茄中含有大量水分, 导致平均光谱中C— H键的吸收被O— H键的强吸收掩盖, 因此在平均光谱中主要体现O— H键的吸收特征; 由于小番茄的SSC相对较高而含水量较大番茄低, 因此计算二者差谱后, LVF-NIR体现在1 459 nm处O— H键一级倍频呈现负吸收峰, 1 125和1 286 nm处C— H键三级、 二级倍频呈现正吸收峰; 而DLP-NIR体现在1 456 nm处O— H键一级倍频呈现负吸收峰, 1 104和1 289 nm处C— H键三级、 二级倍频呈现正吸收峰。 由于LVF和DLP两种仪器存在差异且光谱变量数不同, 因此导致吸收峰位置不完全相同, 但两种仪器的大、 小番茄近红外光谱存在相似的规律, 说明采用不同的近红外光谱仪对番茄SSC分别进行无损速测具有可行性, 不会得到相悖的结果。

图2 番茄LVF-NIR平均光谱(a)及其差谱(b)、 DLP-NIR评价光谱(c)及其差谱(d)Fig.2 The average spectra (a) and the difference (b) of the LVF-NIR spectra and the average spectra (c) and the difference (d) of the DLP-NIR spectra of tomatoes

2.2 番茄近红外光谱主成分分析

分别对番茄LVF-NIR和DLP-NIR数据做PCA分解。 LVF-NIR数据PCA的前3主成分的主成分贡献率分别为93.05%、 6.52%、 0.34%, 前3主成分的累积贡献率为99.90%; DLP-NIR数据PCA的前3主成分主成分贡献率分别为94.34%、 5.10%、 0.36%, 前3主成分的累积贡献率为99.80%。 番茄近红外光谱数据PCA的前3主成分得分散点图如图3所示。 从图3(a, b)可见, LVF-NIR数据PCA前3主成分大、 小番茄得分散点分离趋势不明显, 而DLP-NIR数据PCA前3主成分大小番茄得分散点基本不具有分离趋势, 说明LVF、 DLP两种近红外光谱数据分别可将大、 小番茄一起建立定量校正模型。

图3 番茄近红外光谱数据PCA前3主成分得分散点图
(a): LVF-NIR; (b): DLP-NIR
○: 小番茄; △ : 大番茄Fig.3 Scatter plots of the scores of first 3 principal components of the NIR spectra data of tomatoes
(a): LVF-NIR; (b): DLP-NIR
○: Small tomato; △ : Big tomato

2.3 番茄SSC定量校正模型

对大、 小番茄SSC实测值进行统计, 结果如表1所示。 从表1数据可见, 和大番茄相比, 小番茄SSC实测值的平均值较高且具有较小的样本标准差。

表1 番茄SSC实测值统计结果 Table 1 The statistics of SSC in tomatoes

根据番茄SSC梯度, 分别对大、 小番茄数据划分校正集(calibration set, Calib.)和外部验证集(external validation set, ExVal.), 其中校正集包含大、 小番茄样品各30个, 外部验证集包含大、 小番茄样品各10个。 对分集数据SSC实测值进行统计分析, 结果如表2所示。 从表2可见, 按照SSC梯度对样品分集后, 所得校正集、 外部验证集数据具有相似的统计分布, 且皆与总体SSC的统计分布相似, 说明分集所得校正集、 外部验证集具有较好的代表性。

表2 番茄校正集、 外部验证集及总体的SSC统计结果 Table 2 The statistics of the calibration set, external validation set and total of SSC in tomatoes

分别对LVF-NIR、 DLP-NIR全谱数据, 采用中心化(Centralization)、 一阶导数(1st Derivative)、 Savitzky-Golay平滑、 标准化(Normalize)、 基线校正(Baseline)、 标准正态变量变换(standardized normal variate, SNV)、 标准正态变量变换-去趋势(SNV-detrending, SNV-Detr)和多元散射校正(multivariate scatter correction, MSC)对校正集数据进行预处理, 采用PLS回归结合全交互验证算法建立番茄SSC定量校正模型, 结合样本残差(Residual)和杠杆值(Leverage)剔除异常值[19], 被剔除样本量不超过校正集样本容量的5%。 记录模型维数(Nf)、 校正测定系数( RC2)、 校正均方根误差(RMSEC)、 交互验证测定系数( RCV2)、 交互验证均方根误差(RMSECV)并计算各模型RPD值。 基于LVF-NIR、 DLP-NIR数据所建番茄SSC模型结果分别如表3、 表4所示。

表3 基于LVF-NIR数据的番茄SSC模型结果 Table 3 The results of the models of SSC in tomato based on the LVF-NIR spectra data
表4 基于DLP-NIR数据的番茄SSC模型结果 Table 4 The results of the models of SSC in tomato based on the DLP-NIR spectra data

从表3数据可见, 基于LVF-NIR数据所建番茄SSC各模型的 RC2皆不小于0.894 8, RMSEC皆不大于0.39, RCV2皆不小于0.783 4, RMSECV皆不大于0.57, RPD皆不小于2.11, 其中, 标准化预处理所得模型的RPD值最大, 在所建模型中具有最佳预测性能, 其Nf、 RC2、 RMSEC、 RCV2、 RMSECV、 RPD分别为8、 0.949 1、 0.27、 0.899 9、 0.38、 3.16, 可满足番茄SSC无损快速定量分析的需求。

从表4数据可见, 基于DLP-NIR数据所建番茄SSC各模型的 RC2皆不小于0.671 8, RMSEC皆不大于0.68, RCV2皆不小于0.586 7, RMSECV皆不大于0.78, RPD皆不小于1.54, 其中, 标准化预处理所得模型的RPD值最大, 在所建模型中具有最佳预测性能, 其Nf、 RC2、 RMSEC、 RCV2、 RMSECV、 RPD分别为5、 0.823 5、 0.49、 0.728 6、 0.62、 1.94, 该结果可为番茄SSC无损定量分析提供一定的参考, 可满足番茄SSC无损快速分级的需求。

进一步, 采用各自的外部验证集分别对LVF-NIR、 DLP-NIR各模型进行验证, 记录外部验证数据预测值-实测值回归相关系数(correlation coefficient, RP)、 预测均方根误差(root mean square error of prediction, RMSEP)并计算统计量F用于描述外部验证预测值-实测值的回归显著性, 结果分别如表5、 表6所示。 其中统计量F的计算如式(1)所示

F=(n-2)R21-R2(1)

表5 基于LVF-NIR模型的番茄SSC外部验证预测结果 Table 5 The prediction result of the external validation of SSC in tomato based on the LVF-NIR models
表6 基于DLP-NIR模型的番茄SSC外部验证预测结果 Table 6 The prediction result of the external validation of SSC in tomato based on the DLP-NIR models

式(1)中, n为外部验证集样本容量, R2为外部验证集预测值-实测值线性回归测定系数, 其在数值上等于外部验证集回归相关系数RP的平方。 根据外部验证集样本容量查表得F统计量临界值为3.23(显著性水平α =0.05)。

从表5可见, 各预测结果中, RP皆不小于0.881 7, RMSEP皆不大于0.63, 各预测结果F值皆大于临界值3.23, 说明外部验证集各预测结果的预测值-实测值回归皆具有显著性; 其中, 基线校正预处理所建模型的预测RMSEP值最小。

从表6可见, 各预测结果中, RP皆不小于0.542 7, RMSEP皆不大于1.09, 各预测结果F值皆大于临界值3.23, 说明外部验证集各预测结果的预测值-实测值回归皆具有显著性; 其中, 标准化预处理所建模型的预测RMSEP值最小。

3 结论

分别采用LVF、 DLP近红外光谱仪对大、 小番茄采集近红外光谱数据; 分别基于两种近红外光谱仪数据计算大、 小番茄平均光谱及差谱, 并比较两种近红外光谱仪所采集大、 小番茄近红外光谱数据的特征; 对两种近红外光谱仪的数据分别进行PCA, 并比较了大、 小番茄前3主成分的得分分布; 按SSC梯度对数据进行分级, 采用PLS回归结合全交互验证算法分别基于两种近红外光谱仪数据建立番茄SSC定量校正模型。 结果表明, (1)大、 小番茄LVF近红外光谱的平均光谱及其差谱的光谱特征分别和DLP近红外光谱的平均光谱及其差谱的光谱特征相似, 说明采用不同的近红外光谱仪对番茄SSC分别进行无损速测具有可行性, 不会得到相悖的结果。 (2)大、 小番茄LVF近红外光谱数据PCA前3主成分得分散点分离趋势不明显, 而DLP近红外光谱数据PCA前3主成分得分散点基本上不具有分离趋势, 说明LVF、 DLP两种近红外光谱数据分别可将大、 小番茄一起建立定量校正模型。 (3)基于LVF近红外光谱数据所建各模型的RPD皆不低于2.11, 其中标准化预处理所建模型具有最佳性能, Nf、 RC2、 RMSEC、 RCV2、 RMSECV、 RPD、 RP、 RMSEP分别为8、 0.949 1、 0.27、 0.899 9、 0.38、 3.16、 0.882 6、 0.63, 可满足番茄SSC无损快速定量分析的需求; 基于DLP近红外光谱数据所建各模型的RPD皆不低于1.60, 其中标准化预处理所建模型具有最佳性能, Nf、 RC2、 RMSEC、 RCV2、 RMSECV、 RPD、 RP、 RMSEP分别为5、 0.823 5、 0.49、 0.728 6、 0.62、 1.94、 0.788 4、 0.80, 可为番茄SSC无损定量分析提供一定参考, 可满足番茄SSC无损快速分级的需求。

本研究可为番茄SSC的无损快速测定提供一定的参考, 并对果蔬品质无损快速检测的仪器选择与评价具有一定的参考价值。 更多番茄品种的SSC定量模型的建立与优化以及对所建模型的性能做出进一步科学严谨的评价等工作仍在研究中。

参考文献
[1] WANG Song-lei, WU Long-guo, WANG Cai-xia, et al(王松磊, 吴龙国, 王彩霞, 等). Journal of Optoelectronics·Laser(光电子·激光), 2019, 30(9): 941. [本文引用:1]
[2] Zhang D, Yang Y, Chen G, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 248: 119139. [本文引用:1]
[3] Yang Y, Zhao C, Huang W, et al. Infrared Physics & Technology, 2022, 1: 104050. [本文引用:1]
[4] WANG Fan, PENG Yan-kun, TANG Xiu-ying, et al(王凡, 彭彦昆, 汤修映, 等). Journal of Chinese Institute of Food Science and Technology(中国食品学报), 2018, 18(10): 235. [本文引用:1]
[5] Ibáñez G, Cebolla-Cornejo J, Martí R, et al. Journal of Food Engineering, 2019, 263: 237. [本文引用:1]
[6] Tilahun S, Park D S, Seo M H, et al. Postharvest Biology and Technology, 2018, 136: 50. [本文引用:1]
[7] Ding X, Guo Y, Ni Y, et al. Vibrational Spectroscopy, 2016, 82: 1. [本文引用:1]
[8] Brito A A, Campos F, Nascimento A R, et al. Journal of Food Composition and Analysis, 2022, 107: 104288. [本文引用:1]
[9] Huang Y, Lu R, Chen K. Journal of Food Engineering, 2018, 236: 19. [本文引用:1]
[10] WANG Shi-fang, SONG Hai-yan, ZHANG Zhi-yong, et al(王世芳, 宋海燕, 张志勇, 等). Farm Products Processing(农产品加工), 2017, (2): 16. [本文引用:1]
[11] WANG Shi-fang, SONG Hai-yan, ZHANG Zhi-yong, et al(王世芳, 宋海燕, 张志勇, 等). Food and Fermentation Industries(食品与发酵工业), 2017, 43(9): 83. [本文引用:1]
[12] Saad A G, Jha S N, Jaiswal P, et al. Engineering in Agriculture, Environment and Food, 2016, 9: 158. [本文引用:1]
[13] Li H, Zhu J, Jiao T, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2020, 243: 118765. [本文引用:1]
[14] Huang Y, Dong W, Chen Y, et al. Chemometrics and Intelligent Laboratory Systems, 2021, 210: 104243. [本文引用:1]
[15] SUN Yang, LIU Cui-ling, SUN Xiao-rong, et al(孙阳, 刘翠玲, 孙晓荣, 等). Food and Fermentation Industries(食品与发酵工业), 2021, 47(23): 214. [本文引用:1]
[16] MA Yan, ZHANG Ruo-yu, QI Yan-jie(马艳, 张若宇, 齐妍杰). Food & Machinery(食品与机械), 2017, 33(6): 135. [本文引用:1]
[17] GUO Zhi-ming, CHEN Quan-sheng, ZHANG Bin, et al(郭志明, 陈全胜, 张彬, 等). Transactions of the Chinese Sosiety of Agricultural Engineering(农业工程学报), 2017, 33(8): 245. [本文引用:1]
[18] WANG Fan, LI Yong-yu, PENG Yan-kun, et al(王凡, 李永玉, 彭彦昆, 等). Transactions of the Chinese Sosiety of Agricultural Engineering(农业工程学报), 2017, 33(19): 295. [本文引用:1]
[19] WANG Kun, WU Jing-zhu, WANG Dong, et al(王坤, 吴静珠, 王冬, 等). Journal of Food Safety and Quality(食品安全质量检测学报), 2020, 11(16): 5569. [本文引用:1]