基于Vis/NIR光谱传感的鲜食葡萄糖度检测系统

引用本文

罗东杰, 王勐, 张小栓, 肖新清. 基于Vis/NIR光谱传感的鲜食葡萄糖度检测系统[J]. 光谱学与光谱分析, 2023,43(7): 2146-2152.
LUO Dong-jie, WANG Meng, ZHANG Xiao-shuan, XIAO Xin-qing. Vis/NIR Based Spectral Sensing for SSC of Table Grapes[J]. Spectroscopy and Spectral Analysis, 2023,43(7): 2146-2152.
Doi:10.3964/j.issn.1000-0593(2023)07-2146-07 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

基于Vis/NIR光谱传感的鲜食葡萄糖度检测系统

罗东杰, 王勐, 张小栓, 肖新清^*

中国农业大学工学院, 北京 100083

*通讯作者 e-mail: xxqjd@cau.edu.cn

作者简介: 罗东杰, 1995年生,中国农业大学工学院本科生 e-mail: dongjieluo@163.com

收稿日期: 2022-04-04 修回日期: 2022-07-06

基金: 科技部国家重点研发计划项目(2017YFE0111200),中国农业大学人才培育发展支持计划项目(2020)资助

摘要

糖度是影响鲜食葡萄品质与风味的关键因素, 对其可溶性固形物SSC的检测具有切实需求。近年来, 随着芯片级光谱传感器的生产技术趋于成熟, 具有高精确性与稳定性的片上光谱传感器为可见/近红外检测技术开辟了新的途径。设计、搭建、测试了一套体积小、易操作、低成本的用于鲜食葡萄糖度无损检测的光学系统。系统以两块搭载芯片级光谱分析技术的新一代可见/近红外光谱传感器AS7263(美国AMS半导体公司)为核心元件。每个AS7263传感器具有6个集成了纳米光干涉滤波器的数字光谱通道和一个可通过单芯片准确控制电流(1~100 mA)的LED光源。传感器光谱通道的中心波长范围610~860 nm; 两个LED光源的中心波长分别为730和850 nm, 半峰全宽(FWHM)为50 nm。首先, 运用此原型在避光环境下采集276颗巨峰葡萄浆果的光谱信息; 用手持式PAL-1糖度仪检测样本SSC(°Brix)并计算基于 t分布的样本糖度真值SSC _t: SSC _t₀ _.₉与SSC _t_0.95。其次, 针对样本原始光谱数据, 采用PCA提取主成分, 根据得分因子分布, 剔除了16个位于置信区间外的异常样本; 进一步采用一阶导数First Derivative(FD)、归一化Normalization(0, 1)与标准化Standardization(0, 1)3种方式做数据预处理, 求取样本在12个通道下的吸光度 A或Kubelka-Munk函数值 F( R)。针对可见/近红外光谱自变量之间具有多重相关性、光谱信息与糖度信息之间非线性相关的特点, 建立PLS-BP神经网络糖度预测模型(自变量为吸光度 A或 F( R)值, 因变量为SSC _t)。结果显示, 当 t分布的置信概率为0.95、光谱预处理方式为Standardization(0, 1)、光谱信息指标为吸光度 A时所建立的预测模型精度最高: 决定系数rp2为0.93、均方根误差RMSE_P为0.181、预测集偏差Bias为-0.01、残留预测偏差RPD为3.78, 可认为模型具有较高精度与较好适应性对葡萄SSC做出预测。最后, 结合实验结果, 作了葡萄浆果SSC光谱检测原理的分子尺度分析: 在各分子振动类型中, O—H键伸缩振动的3倍频、 4倍频, O—H键剪式振动与伸缩振动3倍频、 4倍频的合频, C=O键伸缩振动的8倍频、 9倍频为可见/近红外光谱检测的有效振动频率。该研究为未来工业与消费领域在线质量检测设备的高精度化、便携化、低成本化提拱了技术参考。

关键词: 可见/近红外技术; 鲜食葡萄; 可溶性固形物; 智能光谱传感器; BP神经网络; 偏最小二乘法

中图分类号:O657.33 文献标志码:A

Vis/NIR Based Spectral Sensing for SSC of Table Grapes

LUO Dong-jie, WANG Meng, ZHANG Xiao-shuan, XIAO Xin-qing^*

College of Engineering, China Agricultural University, Beijing　100083, China

*Corresponding author

Abstract

Detecting table grapes’s soluble solids content(SSC) is a crucial issue since berry quality and flavor are directly related to it. In recent years, as the technology of chip-level spectral sensors is becoming more and more advanced, on-chip spectral sensors with high accuracy and stability have blazed a new trail for spectral detection. In this work, a small, user-friendly, and cost-effective optical device that can detect the SSC of table grapes nondestructively has been designed, built, and tested. New generation Vis/NIR spectral sensor AS7263(sensor 1, 2) with the capacity of chip level spectral analysis, does the key work for the system. Each sensor has six digital spectral channels with an integrated Gaussian filter and anLED with the programmable current (1~100 mA). The central wavelength of the spectral channel increases uniformly from 610 to 860 nm. Moreover, LEDs can emit light at 730 or 850 nm with fullwidth half max (FWHM) of 50nm. Firstly, this optical prototype collected a spectrum from 276 grape berries in a dark room. PAL-1 was used to detect SSC, and then we calculated the SSC_t based on t-distribution: SSC_t_0.9 and SSC_t_0.95. Secondly, for the original spectral data, PCA was used to extract the principal components, and 16 abnormal samples located outside the confidence interval were excluded according to the distribution of the score factors. Besides, First Derivative (FD), Normalization (0, 1) and Standardization (0, 1) were used to preprocess the data. After that, we calculated the absorbance or KubelkaMunk function value F(R) for the samples at 12 channels. According to the multiple correlations between the independent variables of the Vis/NIR spectrum and the nonlinear correlations between the spectrum and SSC_t, a PLS-BP neural network prediction model was developed for the grape SSC detection. The results showed that when βwas 0.95, the preprocessing method was Standardization (0, 1), the Parameter of the spectrum was absorbance(A), and the prediction model worked best:Rp2=0.93, RMSE_P=0.181, Bias=-0.01, and RPD=3.78, which can be considered that the model has high accuracy and better adaptability to predict the SSC of table grapes. Finally, on the one hand, referring to the experimental results, a very interesting molecular scale principle analysis is obtained for the grape absorption spectrum: among numerous molecular vibration types, the 3x, 4x frequency of O—H bond (3x means stretching vibration at a triple fundamental frequency), the 3x+C, 4x+C frequency of O—H bond (3x+C means the combination of scissoring vibration at a fundamental frequency and stretching vibration at a triple fundamental frequency), the 8x, 9x of C=O bond are the effective vibration frequencies for Vis/NIR spectral detection. On the other hand, the prototype provides a technical reference for future online quality inspection equipment that is high-precision, portable and low-cost.

Keyword: Vis/NIR; Table grapes; SSC; Smart spectral sensor; BP neural network; PLS

文章图片

引言

葡萄含有丰富的糖类、有机酸、维生素等成分^[1]。巨峰葡萄以酸甜可口、香气浓郁的特点为消费者所喜爱, 而糖度直接影响着葡萄的口感与风味。糖度的常规检测方法是破坏性检测, 而鲜食葡萄的糖度则需要无损检测。可见/近红外无损检测技术, 利用待测样品对光的特定吸收、反射而进行定量、定性分析, 具有简便快速、无破坏性等优点^[2]。运用此技术, 国内学者已对葡萄^[3]、苹果^[4]、梨^[5]、脐橙^[6]等多种水果进行了糖度无损检测的研究。

近年来, 利用可见/近红外光谱技术在获取果蔬糖度的研究中, 国内学者用到的光谱仪有AntarisII^[7]、 NIRSDS2500^[8]、 ZolixHyperSIS-VNIR-CL^[9]等, 这些研究型设备价格昂贵、体积大, 难以实现现场检测的需求。目前, 也有学者使用USB2000+^[10]、 FX2000^[11]等便携仪器, 但同样成本较高。

多通道片上光谱传感器作为一种全新光谱指纹获取解决方案, 凭借其小尺寸、超低功耗的优势, 为新一代光谱分析开辟了道路。与现有实验室级光谱分析仪相比, 以光谱传感器为核心元件开发的新光谱设备具有显著价格优势(成本总计300元人民币), 并且能轻松连接到移动设备或外部微控制器, 在实验室外就能完成葡萄浆果的糖度检测。本工作针对葡萄浆果糖度检测的需求, 应用芯片级可见近红外光谱传感器AS7263, 设计了一种小尺寸、低成本的葡萄浆果糖度检测设备, 建立结合偏最小二乘法(partial least squares, PLS)的BP(back propagation)神经网络糖度预测模型, 实现了葡萄浆果糖度SSC的无损检测。

1 光谱传感检测系统原型

AS7263可见/近红外光学原型组成的微机电系统(Micro Electro-Mechanical Systems, MEMS)分为光谱采集单元与系统控制单元(图1)。光谱采集单元由两个并置的AS7263 传感器组成, 系统控制单元由ESP8266控制器构成。

	Figure Option View Download New Window
	图1 系统基本结构Fig.1 Basic structure of the system

AS7263传感器由光电二极管阵列、干涉滤波器、可编程电流LED等元件组成。传感器具有6个经过校准的光谱通道, 用于可见光(Vis)与短波近红外(SW-NIR)的光谱测量, 其光谱响应范围为590~890 nm, 各通道中心波长分别为610、 680、 730、 760、 810、 860 nm; 传感器尺寸为4.5 mm×4.7 mm×2.2 mm, LGA栅格阵列封装为传感器提供了直径0.75mm的光圈, 滤波器允许的入射光角度为0°± 20°, 纳米光干涉滤波器使传感器具有极高的精确性和稳定性且不受使用时间和温度的影响; 传感器所配备的LED工作电流为1~100 mA, 可通过单芯片准确控制, 属于超低功耗传感器。

系统控制单元为光谱采集单元提供工作电压, 并控制其采集光谱数据, 两单元之间采用I²C通信。 ESP8266控制器由上位机供电, 与上位机之间采用串口通信。光谱传感检测系统原理如图2所示。

	Figure Option View Download New Window
	图2 光谱传感检测系统原型及其工作原理Fig.2 The prototype and working principle of the spectral sensing detection system

2 光谱传感检测原理

2.1 漫反射原理

漫反射光是从光源发出的光进入样品内部经多次反射、折射、衍射及吸收后返回样品表面的光。因此漫反射光是分析光与样品内部分子发生作用后的光, 负载了样品的结构和组成信息^[12]。

漫反射率R定义为式(2)

$R = \frac{I}{I_{0}} \times 100 %$ (1)

式(1)中, I为样本漫反射光强, I₀为空光路光强。

漫反射的吸光度A定义为

$A = \lg \frac{1}{R}$ (2)

为减少或消除任何与波长有关的镜面反射效应, 将漫反射率转换为K-M函数

$F (R) = \frac{{(1 - R)}^{2}}{2 R} = \frac{K}{S}$ (3)

式(3)中, K为吸收系数, S为散射系数, 吸收系数与样品浓度的关系为

$K = Ac$ (4)

式(4)中, A为摩尔吸光系数, 函数关系见式(5)

$F (R) = \frac{Ac}{S} = Bc$ (5)

K-M函数F(R)与样本组分浓度c的关系符合Lambert-Beer定律^[13]。

2.2 分子特征振动

物质均有运动, 按照量子力学Born Oppenheimer近似, 振动能是分子运动能量形式之一, 是量子化的^[14]。分子振动分为伸缩振动与弯曲振动, 若分子振动时偶极矩发生变化, 则该振动具有红外活性。分子能级跃迁所吸收的能量遵循关系式

$\begin{array}{l} Δ E = E_{i} - E_{j} = nhν \\ i, j = 0, 1, 2, \dots, i > j, n = 1, 2, \dots \end{array}$ (6)

式(6)中, h为普朗克常数, ν 是光的频率; 分子振动能级是间隔为hν 的一系列值。当振动能态在相邻能级之间跃迁, 即i-j=1、 n=1时, 是基频吸收, 跃迁概率大; 当振动能态跨能级跃迁, 即i-j>1、 n>1时, 是倍频吸收, 跃迁概率小。分子振动方式包含基频、倍频、合频振动, 三种振动的频率分别为分子振动的固有频率、与基频成整数倍的倍频、伸缩振动与弯曲振动的复合频率。

糖类分子中醇羟基R—OH键比较多, 故特征峰为C—O键的伸缩振动(ν _C—O)和O—H键的伸缩振动(ν _O—H)^[15], 两种基团基频振动的实际吸收带^[16]分别为σ _C—O: 1 260~1 000 cm^-1, σ _O—H: 3 650~3 550 cm^-1。

糖分子中包含了羟基与羰基的不同倍频与合频振动, 以及合频的倍频、倍频的合频等多种振动方式。这些振动包含了糖分子的主要结构与组成信息^[15], 该信息能加载于近红外光谱, 使该谱区能够分析待加载样本所含羟基与羰基的多少进而得到待测样本糖度信息。以葡萄糖分子为例, 分子的伸缩振动、剪式振动模型如图2“Molecular vibration model”所示。

3 实验部分

3.1 仪器与材料

AS7263光谱传感器(美国AMS 半导体公司), ESP8266 开发板(上海DFRobot机器人公司); Blue pard恒温箱(上海一恒科学仪器有限公司), 手持式PAL-1糖度仪(日本Atago公司)。糖度测量具体操作参考NY/T 2637—2014《水果、蔬菜制品可溶性固形物含量的测定—折射仪法》进行。本实验所用巨峰葡萄来自北京市丰台区, 共276个样本, 取于18串长势均匀、果皮颜色均匀、果实饱满的葡萄穗。

3.2 光谱采集

将葡萄样本在0 ℃恒温箱中恒温24 h后在无光环境下进行光谱采集。采集光谱时, 选择葡萄浆果的腰部, 等间隔测3个位点, 以最大程度减小因葡萄表皮颜色、质地不均匀造成的的背景信息干扰。将传感器的LED频率设定为1.5 Hz, 等待监视器输出的数据稳定后再做数据采集, 通常传感器扫描2~3次便达达到稳定, 即可采集数据。

3.3 SSC测定

测量即存在误差。光谱采集完成后, 迅速测定样本的SSC_i。测量值SSC_t与真值Sec_t之间存在误差且不可忽略, 它们之间的关系表示为式(7)

$SS C_{t} = \lim_{n \to \infty} \frac{1}{n} \overset{n}{\sum_{i = 1}} SS C_{i} = \bar{SSC}$ (7)

当对SSC进行无数次测量后, 测量值的算术平均值等于其真值, 但因实际因素限制, 一般只做有限次测量。基于t分布样本SSC_i的真值可表示为: SSC_t= $\bar{SSC}$ ± t_β ${\hat{σ}}_{\bar{SSC}}$ , 式中, $\bar{SSC}$ 表示2次测量均值, t_β表示置信概率为β, 自由度为ν (ν =n-1)的t分布(本实验ν =1); $\hat{σ} \bar{SSC}$ 表示 $\bar{SSC}$ 标准偏差的估计值, 见式(8)

$\hat{σ} \bar{SSC} = \sqrt[]{\frac{\overset{n}{\sum_{i = 1}} (SS C_{i} - \bar{SSC})}{n (n - 1)}}$ (8)

分别选取置信概率β为0.9、 0.95, 表示出样本SSC_i的真值SSC_t, 分别记为: SSC_t_0.9、 SSC_t_0.95, 如图4(d)所示。

3.4 数据预处理

采用PCA方法检测异常样本, 对光谱的12个波段提取主成分, 原始光谱信息被主成分替代, 若某光谱样本得分因子与其他光谱差异大时, 则认定该光谱样本为异常样本而剔除。根据276个样本的第一、第二主成分得分因子分布, 共有16个样本差异较大位于置信区间之外, 判定为异常样本, 将其剔除。为消除基线漂移、减弱背景信息、减少系统误差, 分别对将吸光度A和F(R)值进行一阶导数、归一化到(0, 1)区间、标准化为N(0, 1)处理。

3.5 样本集的划分

将260个样本按照3∶1的比例划分为校正集和预测集, 统计结果如表1所示。所划分的SSC校正集数据相较于预测集范围更广、差异更大、更具代表性, 在此基础上建立的预测模型适应性更好、精度更高。

表1 划分样本集的数据统计 Table 1 Statistics for sample set classification(°Brix)

表2 特征波数向量 Table 2 Vectors of characteristic wavenumber

3.6 偏最小二乘法PLS

因同一基团存在合频、倍频、合频的倍频、倍频的合频以及费米共振等多种振动方式, 导致有机分子官能团中某一基团在检测设备的多个光谱通道均有表达, 因此近红外光谱分析中自变量之间具有多重相关性。

偏最小二乘法(partial least squares, PLS)是由Herman Wold等^[17]1977年提出的一种用于多变量回归建模的方法, 可在高维自变量空间中找到一个低维自变量子空间, 使其对因变量有更强的解释性。多元线性回归MLR与主成分回归PCR是PLS原理的两大基石。多元线性回归MLR可以表示为

$y = Xb + e$ (9)

式(9)中, X、 y分别为自变量与因变量矩阵, b为回归系数矩阵, e为残差矩阵。应用最小二乘法可获得, 见式(10)

$b = {(X}^{T} {X)}^{- 1} X^{T} y$ (10)

当(X^TX)^-1不存在时, 就会出现变量的多重相关问题。主成分分析(principal component analysis, PCA)通过对原始数据空间进行变量转换得到一个映射空间, 此空间中各统计向量是相互正交的, 消除了变量之间的关联性, 解决了变量的多重相关问题。主成分回归(PCR)可以表示为: Y=TB+E, 其中T就是通过PCA获得的得分矩阵。偏最小二乘法(PLS)建模就是对自变量矩阵X、因变量矩阵Y进行如式(11)分解^[18]

$\begin{array}{l} X = T P^{T} + E \\ Y = U Q^{T} + F \end{array}$ (11)

式(11)中, T和U为得分矩阵, P和Q分别为X和Y的负载矩阵, E和F为残差矩阵。通过迭代算法, 最终的回归模型可以表示为: $\hat{Y}$ =Xβ。

3.7 BP神经网络

近红外光谱信息中承载着不止糖类的浓度信息; 另一方面, 光谱中还叠加着各种较强的背景信息。因此, 糖度与光谱数据之间呈非线性相关。

BP(back propagation)神经网络是由Rumelhart、 McClelland等1986年提出的由反向误差传播算法训练得到的一种多层前馈人工神经网络。 BP神经网络运用“有监督式”学习机制, 通过最小化均方误差(mean square error, MSE)和梯度下降法(gradient gescent method)来修改各层神经元的权值和阈值^[19], 迭代训练出具有高精度的输入与输出间的非线性映射网络。

3.8 预测模型评价指标

预测模型的准确性和稳定性评估指标为决定系数R²(coefficient of determination)、均方根误差(root mean square error, RMSE)、预测集偏差(Bias)和残余预测偏差(residual prediction deviation, RPD)。 $R_{c}^{2}$ , $R_{p}^{2}$ 分别为校正集与预测集决定系数; n_c, n_p分别为校正集、预测集样本数量; y_i为化学检测值, $\bar{y}$ 为均值, $\hat{y}$ 为预测值; RMSE_C, RMSE_P分别为校正集、预测集均方根误差; Chang^[20]等定义了3个质量类别以考虑模型的可靠性, 分别是: RPD<1.4, 不可靠模型; 1.4<RPD<2, 可靠模型; RPD>2, 优秀模型; SD_prediction为预测集样本标准差; 统计指标计算公式如式(12)—式(15)。

$\begin{array}{l} R_{c}^{2} = 1 - \frac{\overset{n_{c}}{\sum_{i = 1}} ({\hat{y}}_{i} - y_{i})^{2}}{\overset{n_{c}}{\sum_{i = 1}} (y_{i} {- \bar{y})}^{2}} \\ RMS E_{C} = \sqrt[]{\frac{\overset{n_{c}}{\sum_{i = 1}} ({\hat{y}}_{i} - y_{i})^{2}}{n_{c}}} \end{array}$ (12)

$\begin{array}{l} R_{p}^{2} = 1 - \frac{\overset{n_{p}}{\sum_{i = 1}} ({\hat{y}}_{i} - y_{i})^{2}}{\overset{n_{p}}{\sum_{i = 1}} (y_{i} {- \bar{y})}^{2}} \\ RMS E_{P} = \sqrt[]{\frac{\overset{n_{p}}{\sum_{i = 1}} ({\hat{y}}_{i} - y_{i})^{2}}{n_{p}}} \end{array}$ (13)

$RPD = \frac{S D_{prediction}}{RMS E_{P}} = \frac{\sqrt[]{\frac{1}{n_{p} - 1} \overset{n_{p}}{\sum_{i = 1}} (y_{i} {- \bar{y})}^{2}}}{\sqrt[]{\frac{1}{n_{p}} \overset{n_{p}}{\sum_{i = 1}} ({\hat{y}}_{i} - y_{i})^{2}}}$ (14)

$Bia s_{prediction} = \frac{\overset{n_{p}}{\sum_{i = 1}} ({\hat{y}}_{i} - y_{i})}{n_{p}}$ (15)

最终, 一个具有较高 $R_{c}^{2}$ , $R_{p}^{2}$ , RPD以及较低Bias, RMSE_C, RMSE_P且RMSE_C与RMSE_P值差别细微的预测模型可实现高鲁棒性^[24]、高精确度与较好稳定性的葡萄浆果SSC预测。

4 结果与讨论

4.1 原始光谱图

传感器1、 2的LED光源波数分别为13 700和11 628 cm^-1[图4(f)中]; 因传感器2波数为11 628 cm^-1的光源在16 400 cm^-1的光谱通道上的空光路反射强度极弱, 视为冗余信息, 故舍去该通道数据。用于建立预测模型的校正集的样本SSC最小值与最大值分别为12.45与18.2, 极差为5.75(°Brix), 将校正集中的样本按照样糖度SSC的大小进行排列, 分别选取具有代表性的三个SSC区间段(low: 13, medium: 15.5, high: 17.5°Brix, 每段均为连续10个样本的平均值), 各段的原始光谱信息(漫反射率R)如图3所示。

	Figure Option View Download New Window
	图3 样本原始光谱Fig.3 Original spectrum of samples

	Figure Option View Download New Window
	图4 预测模型的精度比较与可见/近红外光谱的分子尺度分析Fig.4 Comparison of the accuracy of predictive models and molecular scale analysis of Vis/NIR spectrum

4.2 建立预测模型

首先, 经PLS处理得到不同波数下光谱数据与糖度SSC的相关系数 $ω_{ν_{i}}$ 。每个样本包含了11个波数上的光谱信息, 形成一个11维的特征波数向量(表2)

$\begin{array}{l} b_{i} = (ω_{ν_{1 6400}}, ω_{ν_{1 4700}}, ω_{ν_{13 700}}, ω_{ν_{13 160}}, ω_{ν_{12 350}}, \\ ω_{ν_{11 628}}, ω_{ν_{14 700}}, ω_{ν_{13 700}}, ω_{ν_{13 160}}, ω_{ν_{12 350}}, ω_{ν_{11 628}}) \end{array}$

将光谱信息自变量矩阵x_i与特征波数向量b_i相对应的值相乘得到新的自变量矩阵X_i, 作为BP神经网络的输入层, SSC作为输出层, 建立11输入1输出的PLS-BP神经网络糖度预测模型。通过BP神经网络训练得到6个不同的预测网络, 将预测集的自变量矩阵X_i作为预测网络的输入对预测集SSC值进行预测。

4.3 模型评价与结果比较

由2种光谱指标[吸光度A与Kubelka-Munk函数值F(R)]、 3种与预理方式(FD, Nor与Std)、 2种不同置信概率的t分布(SSC_t₀_.₉与SSC_t₀_.₉₅)图4(d)所形成的预测结果矩阵中, 预测精度与稳定性最好的前三项分别为: $R_{c}^{2}$ =0.94, $R_{p}^{2}$ =0.93, RPD=3.78[图4(a)]; $R_{c}^{2}$ =0.91, $R_{p}^{2}$ =0.90, RPD=3.24[图4(b)]; $R_{c}^{2}$ =0.90, $R_{p}^{2}$ =0.90, RPD=3.20[图4(c)]。

相较于置信概率β为0.9, 当置信概率为0.95时预测模型的决定系数 $R_{p}^{2}$ 更高、预测均方根误差RMSE_P更低、残余预测偏差RPD值更大, 预测模型精度更高[图4(e)]。如表3所示, 在0.95置信概率下: 以吸光度A为指标, 将数据作“标准化到N(0, 1)区间”预处理的模型最优; 以K-M函数的F(R)值为指标, 将数据作“一阶导数FD”预处理的模型相对较好; 以吸光度A为指标, 将数据作“归一化到(0, 1)区间”预处理的模型仅次于上述两者。

表3 预测模型比较 Table 3 Comparison of the prediction models

5 结论

运用全新设计的可见/近红外光谱检测设备, 对276个巨峰葡萄样本进行光谱信息采集, 运用PLS-BP神经网络预测模型, 对葡萄SSC进行预测, 主要结论如下:

(1)糖类分子官能团可产生具有红外活性的特征振动。如图4(f)所示, O—H键伸缩振动的3倍频、 4倍频、 5倍频, 伸缩振动的3倍频、 4倍频与剪式振动的合频, 剪式振动的3倍频在传感器的6个光谱通道所形成的波长范围内为有效振动; C=O键伸缩振动的8倍频、 9倍频在传感器的2个通道为有效振动。上述频率在光源的有效频率范围之内, 且与传感器的6个光谱通道的中心频率相同或基本相同, 则在该波段: 由分子特征振动引起的不同样本所含糖类分子对入射光的差异性吸收, 使得漫反射光的强度产生不同程度的减弱, 该信息可作为葡萄浆果的光谱指纹, 经光谱传感器的采集、预测模型的计算, 可得到葡萄浆果的糖度信息。

(2)以新一代光谱传感器为核心元件的光谱检测预原型, 实现了对鲜食葡萄SSC的快速无损检测。最优预测模型的决定系数 $R_{p}^{2}$ 为0.93、均方根误差RMSE_P为0.181、残留预测偏差RPD为3.78, 属于优秀模型。该设备可为有糖度检测品质分级需求的葡萄种植户、经销商等提供便携、易操作、价格优势明显的葡萄SSC快速无损检测解决方案。在具有较高预测精度的前提下, 此原型凭借其高精度、小尺寸、低成本的特点, 为未来工业与消费领域的智能光谱设备发展提供了技术参考。

参考文献

文献列表

[1]	ZHANG Peng, SHAO Dan, LI Jiang-kuo, et al(张鹏, 邵丹, 李江阔, 等). Journal of Chinese Institute of FoodScience and Technology(中国食品学报), 2018, 18(4): 219. [本文引用:1]
[2]	CHEN Chen, LU Xiao-xiang, ZHANG Peng, et al(陈辰, 鲁晓翔, 张鹏, 等). Food and Fermentation Industries(食品与发酵工业), 2015, 41(6): 175. [本文引用:1]
[3]	GAO Sheng, WANG Qiao-hua(高升, 王巧华). Chinese Optics(中国光学), 2021, 14(3): 566. [本文引用:1]
[4]	LIU Yan-de, XU Hai, SUN Xu-dong, et al(刘燕德, 徐海, 孙旭东, 等). Chinese Optics(中国光学), 2020, 13(3): 482. [本文引用:1]
[5]	Li Jiangbo, Huang Wenqian, Zhao Chunjiang, et al. Journal of Food Engineering, 2013, 116(2): 324. [本文引用:1]
[6]	Hao Yong, Wang Qiming, Zhang Shumin. Infrared Physics and Technology, 2021, 118: 103871. [本文引用:1]
[7]	GAO Sheng, WANG Qiao-hua, LI Qing-xu, et al(高升, 王巧华, 李庆旭, 等). Chinese Journal of Analytical Chemistry(分析化学), 2019, 47(6): 941. [本文引用:1]
[8]	CHEN Chen, LU Xiao-xiang, ZHANG Peng, et al(陈辰, 鲁晓翔, 张鹏, 等). Food Science(食品科学), 2015, 36(20): 109. [本文引用:1]
[9]	GAO Sheng, WANG Qiao-hua, FU Dan-dan, et al(高升, 王巧华, 付丹丹, 等). Acta Optica Sinica(光学学报), 2019, 39(10): 1030004. [本文引用:1]
[10]	ZHANG Xu, ZHANG Tian-gang, MU Wei-song, et al(张旭, 张天罡, 穆维松, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2021, 41(1): 229. [本文引用:1]
[11]	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]
[12]	LU Wan-zhen, YUAN Hong-fu(陆婉珍, 袁洪福). Modern Near Infrared Spectral Analysis Technology(现代近红外光谱分析技术). Beijing: China Petrochemical Press(北京: 中国石化出版社), 2000. 74. [本文引用:1]
[13]	WENG Shi-fu(翁诗甫). Fourier Transform Infrared Spectroscopy(傅里叶变换红外光谱分析). Beijing: Chemical Industry Press(北京: 化学工业出版社), 2010. 3, 169. [本文引用:1]
[14]	YAN Yan-lu, CHEN Bin, ZHU Da-zhou, et al(严衍禄, 陈斌, 朱大洲, 等). The Principle, Technique And Application Of NIR Spectroscopy(近红外光谱分析的原理、技术与应用). Beijing: China Light Industry Press(北京: 轻工业出版社), 2013. 2, 21. [本文引用:1]
[15]	XIE Jing-xi, CHANG Jun-biao, WANG Xu-ming(谢晶曦, 常俊标, 王绪明). Application Of Infrared Spectroscopy In Organic And Medicinal Chemistry(红外光谱在有机化学和药物化学中的应用). Beijing: Science Press(北京: 科学出版社), 2001. 77. [本文引用:2]
[16]	The Ministry of Agriculture of the People’s Republic of China(中华人民共和国农业部). NY/T 2637—2014 Refractometric Method for Determination of SSC in Fruits and Vegetables(NY/T2637—2014水果和蔬菜可溶性固形物含量的测定-折射仪法). Beijing: China Agriculture Press(北京: 中国农业出版社), 2015. [本文引用:1]
[17]	Pual Geladi. Journal of Chemometrics, 1988, 2: 231. [本文引用:1]
[18]	GAO Xue-jin, QI Yong-sheng, WANG Pu(高学金, 齐咏生, 王普). PLS And Its Application To Industrial Process Data(偏最小二乘法及其在工业过程数据中的应用). Beijing: Chemical Industry Press(北京: 化学工业出版社), 2019. 19. [本文引用:1]
[19]	Li Jing, Cheng Jihang, Shi Jingyuan, et al. Advances in Intelligent and Soft Computing. Springer Berlin Heidelberg, 2012. 553. [本文引用:1]
[20]	Chang Chengwen, David A Laird, Maurice J Mausbach, et al. Soil Science Society of America Journal, 2001, 65(2): 480. [本文引用:1]
[21]	Li Jiangbo, Huang Wenqian, Chen Liping, et al. Food Analytical Methods, 2014, 7(9): 1891. [本文引用:1]

2018

0.0

... 0 引言葡萄含有丰富的糖类、有机酸、维生素等成分^[1] ...

2015

0.0

... 可见/近红外无损检测技术, 利用待测样品对光的特定吸收、反射而进行定量、定性分析, 具有简便快速、无破坏性等优点^[2] ...

2021

0.0

... 运用此技术, 国内学者已对葡萄^[3]、苹果^[4]、梨^[5]、脐橙^[6]等多种水果进行了糖度无损检测的研究 ...

2020

0.0

... 运用此技术, 国内学者已对葡萄^[3]、苹果^[4]、梨^[5]、脐橙^[6]等多种水果进行了糖度无损检测的研究 ...

2013

0.0

... 运用此技术, 国内学者已对葡萄^[3]、苹果^[4]、梨^[5]、脐橙^[6]等多种水果进行了糖度无损检测的研究 ...

2021

0.0

... 运用此技术, 国内学者已对葡萄^[3]、苹果^[4]、梨^[5]、脐橙^[6]等多种水果进行了糖度无损检测的研究 ...

2019

0.0

... 近年来, 利用可见/近红外光谱技术在获取果蔬糖度的研究中, 国内学者用到的光谱仪有AntarisII^[7]、 NIRSDS2500^[8]、 ZolixHyperSIS-VNIR-CL^[9]等, 这些研究型设备价格昂贵、体积大, 难以实现现场检测的需求 ...

2015

0.0

2019

0.0

2021

0.0

... 目前, 也有学者使用USB2000+^[10]、 FX2000^[11]等便携仪器, 但同样成本较高 ...

2019

0.0

... 目前, 也有学者使用USB2000+^[10]、 FX2000^[11]等便携仪器, 但同样成本较高 ...

2000

0.0

... 因此漫反射光是分析光与样品内部分子发生作用后的光, 负载了样品的结构和组成信息^[12] ...

2010

0.0

... K-M函数F(R)与样本组分浓度c的关系符合Lambert-Beer定律^[13] ...

2013

0.0

... 2 分子特征振动物质均有运动, 按照量子力学Born Oppenheimer近似, 振动能是分子运动能量形式之一, 是量子化的^[14] ...

2001

0.0

... H)^[15], 两种基团基频振动的实际吸收带^[16]分别为#cod#x003c3 ...

... 这些振动包含了糖分子的主要结构与组成信息^[15], 该信息能加载于近红外光谱, 使该谱区能够分析待加载样本所含羟基与羰基的多少进而得到待测样本糖度信息 ...

0.0

... H)^[15], 两种基团基频振动的实际吸收带^[16]分别为#cod#x003c3 ...

1988

0.0

... 偏最小二乘法(partial least squares, PLS)是由Herman Wold等^[17]1977年提出的一种用于多变量回归建模的方法, 可在高维自变量空间中找到一个低维自变量子空间, 使其对因变量有更强的解释性 ...

2019

0.0

... 偏最小二乘法(PLS)建模就是对自变量矩阵X、因变量矩阵Y进行如式(11)分解^[18] ...

2012

0.0

... 学习机制, 通过最小化均方误差(mean square error, MSE)和梯度下降法(gradient gescent method)来修改各层神经元的权值和阈值^[19], 迭代训练出具有高精度的输入与输出间的非线性映射网络 ...

2001

0.0

... Chang^[20]等定义了3个质量类别以考虑模型的可靠性, 分别是: RPD#cod#x0003C ...

2014

0.0