基于蒙特卡洛的柚果多组织层全透射光传输仿真与内部品质无损检测试验
陈鑫1, 徐赛2,*, 陆华忠3, 梁鑫2
1.华南农业大学工程学院, 广东 广州 510642
2.广东省农业科学院设施农业研究所, 广东 广州 510640
3.广东省农业科学院, 广东 广州 510640
*通讯作者 e-mail: xusai@gdaas.cn

作者简介: 陈 鑫, 1999年生,华南农业大学工程学院硕士研究生 e-mail: 979972806@qq.com

摘要

柚果皮厚、 体积大, 造成光谱信号强度低, 导致内部品质无损检测效果差。 该研究提出了基于蒙特卡洛的柚果多组织层全透射光传输仿真与试验内部品质无损检测, 通过测定柚果多组织层光学特性参数对柚果多组织层光子飞行距离和概率进行模拟, 得到光子在柚果多组织层相互作用后光传输结果, 再根据柚果多组织层光学特性参数建模仿真, 改变光源入射角度及探测器旋转角度对柚果多组织层光传输进行仿真, 寻找最优光源入射角度和探测器旋转角度, 最后搭建试验平台进行验证, 可见/近红外光谱数据经过平滑处理(SG), 标准正态变换(SNV)预处理, 竞争自适应重加权采样(CARS)特征提取, 偏最小二乘回归(PLSR)建模。 研究结果表明, 光子在果皮油胞层飞行距离最长, 衰减最严重, 存活概率最低, 在果肉瓣中飞行距离最短, 存活概率最大。 光源入射角度36°, 探测器绕 Z轴旋转10°是最优光传输参数, 最优光传输参数训练建模结果显示, 训练集 R2和RMSEC分别为0.89和0.25, 预测集 R2和RMSEP分别为0.84和0.38, 未经参数优化的光传输训练建模结果显示, 光源入射角度0°, 探测器旋转0°, 训练集 R2和RMSEC分别为0.85和0.27, 预测集 R2和RMSEP分别为0.80和0.34, 光源入射角度18°, 探测器绕Z轴旋转10°, 训练集 R2和RMSEC分别为0.80和0.34, 预测集 R2和RMSEP分别为0.73和0.74, 光源入射角度36°, 探测器绕 Y轴旋转10°, 训练集 R2和RMSEC分别为0.69和0.25, 预测集 R2和RMSEP分别为0.60和0.83。 本研究得到的柚果多组织层全透射光传输参数可柚果内部品质的无损检测效果, 同时为其他多组织层水果全透射光传输仿真与试验内部品质无损检测研究提供了参考。

关键词: 柚果; 蒙特卡洛; 光传输; 无损检测; 建模仿真
中图分类号:TP29 文献标志码:A
Monte Carlo-Based Full Transmission Light Transmission Simulation of Multi-Tissue Layers of Pomelo Fruit and Non-Destructive Testing of Internal Quality
CHEN Xin1, XU Sai2,*, LU Hua-zhong3, LIANG Xin2
1. College of Engineering, South China Agricultural University, Guangzhou 510642, China
2. Institute of Facility Agriculture, Guangdong Academy of Agricultural Sciences, Guangzhou 510640, China
3. Guangdong Academy of Agricultural Sciences, Guangzhou 510640, China
*Corresponding author
Abstract

The thick peel and large volume of pomelos result in low spectral signal intensity, leading to poor performance in nondestructive internal quality detection. This study proposes a Monte Carlo-based simulation and experimental verification for the full-transmission light transport and nondestructive internal quality detection of pomelos with multiple tissue layers. By measuring the optical properties of the multiple tissue layers of pomelos, we simulated the photon travel distance and interaction probabilities within these layers. The light transport results were obtained after simulating the photon interactions with the multilayer tissues. Following this, modeling simulations were conducted based on the optical properties of these layers. We varied the incident angle of the light source and the rotation angle of the detector to find the optimal angles for light transmission. Finally, an experimental platform was constructed to verify the findings. The near-infrared spectral data underwent preprocessing steps such as Savitzky-Golay (SG) smoothing, standard normal variate (SNV) transformation, and competitive adaptive reweighted sampling (CARS) for feature extraction, followed by partial least squares regression (PLSR) modeling. The study results indicated that photons traveled the longest distance and experienced the greatest attenuation with the lowest survival probability in the epicarp oil cell layer, whereas photons traveled the shortest distance and had the highest survival probability in the pulp lobes. The optimal parameters for light transmission were a light source incident angle of 36° and a detector rotation angle of 10° around the Z-axis. The modeling results with these optimal parameters showed R2 and RMSEC values of 0.89 and 0.25 for the training set, and R2 and RMSEP values of 0.84 and 0.38 for the prediction set. In contrast, without parameter optimization, the results showed a light source incident angle of 0° and a detector rotation of 0°, with the training set R2 and RMSEC being 0.85 and 0.27, and the prediction set R2 and RMSEP being 0.80 and 0.34. For a light source incident angle of 18° and a detector rotation of 10° around the Z-axis, the training set R2 and RMSEC were 0.80 and 0.34, while the prediction set R2 and RMSEP were 0.73 and 0.74. For a light source incident angle of 36° and a detector rotation of 10° around the Y-axis, the training set R2 and RMSEC were 0.69 and 0.25, while the prediction set R2 and RMSEP were 0.60 and 0.83. The findings of this study on the light transport parameters for multiple tissue layers of pomelos can improve the effectiveness of nondestructive internal quality detection. Additionally, these results provide a reference for the simulation and experimental nondestructive internal quality detection of other multi-tissue layer fruits using full-transmission light transport.

Keyword: Pomelo fruit; Monte Carlo; Optical transmission; Non-destructive testing; Modeling and simulation
引言

柚果Citrus maxima属于芸香科[1], 是最大的柑橘类水果, 其营养成分丰富、 风味可口, 在中国传统水果中深受消费者喜爱[2], 其组织可以分为三层: 果皮油胞层、 果皮海绵层、 果肉瓣[3]。 虽然可见/近红外光谱技术在水果内部品质无损检测中得到了广泛应用, 但柚果是厚皮水果, 体积大、 皮厚、 光谱透射衰减大[4], 导致内部品质无损检测不准确, 是柚果产业实现品质快速分级面临的难题。 国内外针对柚果多组织层光学特性的测定、 光传输特性的研究较少。 Yang等通过测定甜瓜多组织层吸收系数μα 和散射系数μs, 通过基于体素的蒙特卡洛模拟研究光传输, 进而优化漫反射模式光谱检测设备[5]。 石舒宁等探究柑橘类水果的厚度对光传输特性影响, 采用单积分球测量光学特性, 发现透光率和穿透深度随着果皮增加而降低, 为设计高效的光学探测装置提供了理论依据[6]。 本文参考厚皮类水果光传输研究方式, 采用单积分球技术测定柚果光学特性参数, 通过蒙特卡洛三层组织研究光传输过程。 因此, 通过研究柚果多组织层全透射光传输, 寻找最优光源探测器配置以实现柚果内部品质准确无损检测具有重要意义。

柚果内部组织属于混浊介质, 光子在混浊介质中的吸收和散射会使光能量衰减[7], 光在柚果组织的吸收过程可以量化为吸收系数μα (mm-1), 散射过程可以量化散射系数μs(mm-1)。 吸收系数μα 主要反映柚果组织内部化学成分包括酸度、 水分、 可溶性固形物含量等[8]。 影响散射系数μs主要有组织密度、 厚度、 姿态等物理特征。 各向异性系数(g)代表了组织散射的方向和概率, 约化散射系数μ's由各向异性系数和散射系数求得, 模拟光子在组织传输中发生碰撞方向偏移过程。 水果组织光传输特性研究方法主要有蒙特卡洛(MC)、 有限元模型(finite element model)、 辐射传输模型(radiative transfer model)。 Wu等[9]建立了苹果薄壁细胞三维有限元模型, 观察细胞间应力变化情况进而了解组织损伤情况。 Wang等[10]通过辐射传递模型观察正常洋葱和患病洋葱的区别。 有限元模型是数学模型且只能对水果多组织层的物理特性进行模拟分析, 不能对柚果多组织层组织光传输能量传递变化进行分析, 辐射传递模型虽然能对多组织层光传输形成可视化结果, 但是无法反映柚果这类厚皮水果更深组织光传输情况。 蒙特卡洛方法被认为是水果多组织层复杂光传播的标准方法[11], 蒙特卡洛方法的基本原理是大量光子穿透样本后, 逐层在组织中吸收、 散射、 消亡的过程。 光子重复此过程会在组织内部分布[12]。 Huang等[13]发现光穿透深度与光谱采集模式、 组织结构、 光纤尺寸有关。 Ncama、 Teerachaichayut、 Sun等[14, 15, 16]采用可见/近红外光谱全透射方法对柚的可溶性固形物含量进行无损检测, 检测效果良好, 本文采用可见/近红外光谱透射方法进行研究。 Xu等[17]采用ZEMAX软件测量不同光路参数下光通量大小, 搭建无损检测试验平台进行试验, 为设计柚果多组织层全透射光传输平台提供参考, 通过改变光源-探测器距离寻找最优光路来提升光谱检测信号, 但是未对柚果多组织层光传输过程进行研究, 对光在柚果多组织层传输规律认识不足。 Tian等[18]采用蒙特卡洛方法模拟光在柚果内部组织传输过程, 通过光纤穿刺的方法探究能量的衰减及分布情况, 光纤穿刺是研究水果多组织层内部光分布最常用的试验方式, 但仅研究外果皮和内果皮, 未对果肉瓣部分进行深入研究, 未建立起多组织层全透射光传输与内部品质无损检测的联系。

前期试验发现改变光源入射角度和探测器旋转夹角会对光谱信号强度产生影响, 本文在可见/近红外光谱全透射基础上, 采用蒙特卡洛方法对柚果多组织层光传输过程进行仿真, 搭建试验平台进行验证, 仿真与试验结合分析得到最优光传输参数, 通过探究内部各层组织的光学特性, 定量研究光在组织中传输特性, 采集柚果近光谱数据并理化测定可溶性固形物含量进行定量分析, 可见/近红外光谱数据经过平滑处理(SG), 标准正态变换(SNV), 竞争自适应重加权采样(CARS)特征提取, 偏最小二乘回归(PLSR)建模, 对比最优光传输参数与其他光传输参数柚果可溶性固形物含量建模效果, 验证优化后光源-探测器配置下柚果内部品质无损检测效果。

1 实验部分
1.1 MATLAB实现柚果三层组织的蒙特卡洛光子飞行距离追迹

Askoura[19]等编写了多层组织稳态光MC传输程序, 该程序沿用至今。 该MC程序原理: 水果组织外部与空气发生反射, 式(1)中Rsp为镜面反射率, n1空气折射率, n2水果组织折射率。

Rsp=(n1-n2)2(n1+n2)2(1)

Δs=-lnξμα+μs(2)

式(2)中, 光子运动步长Δ s由吸收系数μα 和散射系数μs决定, ξ 是随机数, 范围[0, 1]。

ωn+1=ωn1-μsμα+μs(3)

式(3)中, 光子每运动一步都会发生权重ω 衰减, 当阈值低于0.000 01, 光子运动终止。

1.2 MCX软件实现柚果三层组织建模仿真

MCX软件是传统MC的优化版本[20, 21], 能大规模并行计算和图像处理。 柚果三层组织仿真模型如图1所示, 由光源、 柚果和探测器组成。 柚果的果肉瓣由球体表示, 果皮油胞层和果皮海绵层分别由不同厚度球壳组成, 输入已测得的各层组织的光学特性参数。 光源设置高斯光源, 权重为5, 半径20 mm的圆形。 光门T0=0, 采集时间Dt=200 ms, 用于时域光子迁移模拟。 初始化参数设置为(0, 0, 1, 1), 光传输模拟随机种子1648335518和光子数108, 探测器半径设置为6 mm, 探测器中心与光源中心保持统一高度。 输出结果为能量密度, 以nii格式输出。 光源从x轴负向射出光子, 经每层组织吸收和散射后, 时域光门对不同厚度组织层的能量密度记录, 探测器接收穿透柚果组织后的光子数。

图1 柚果三层组织光传输模型Fig.1 Light transmission model of three-layer tissue of pomelo fruit

1.3 柚果三层组织光学特性参数测定

2023年10月15日从广东省梅州市果园摘取30个红肉蜜柚, 送至广东省农业科学院创新大楼开展试验, 将30个柚果剥离成三层, 分别为果皮油胞层、 果皮海绵层、 果肉瓣如图2所示。 通过反射率检测仪(JY-F03, 景颐光电、 广东广州)积分球采集方式测出在400~1 100 nm波长每层组织的反射率。 由通用型透光率检测仪(JY-T03, 景颐光电、 广东广州)测量总透过率。 通过游标卡尺各组织层的厚度。 以30个样本的400~1 100 nm波段数据平均值代表柚果三层组织的光学参数。

图2 柚果三层组织示意图Fig.2 Schematic diagram of a pomelo's three-layer tissue structure

1.4 柚果多组织层光传输全透射无损检测试验平台

将柚果多组织层光传输全透射试验平台加工成型如图3所示, 光源由7盏150 W卤素灯和1个铝制反光杯组成, 旋转光源一定角度后锁紧, 在半球形槽中滑动信号接收器改变旋转角度后锁紧。 将探测器光纤更换为光纤探针穿刺柚果组织完成光传输试验。 QEpro光谱仪采集可见/近红外光谱数据, 采集前将设备预热10 min, 校正黑白板后开始试验, 波长范围400~1 100 nm, 积分时间1 000 ms、 平均次数1, 采集30个柚果不同光传输参数下可见/近红外光谱数据, 数字光学折射仪测定果肉可溶性固形物含量。

图3 柚果光传输试验平台示意图Fig.3 Schematic diagram of the pomelo light transmission test platform

2 结果与讨论
2.1 柚果三层组织光传输仿真参数IAD反演

通过单积分球的方式测量波长400~1 100 nm波长下柚果三层组织光学特性参数并取平均值, 果皮油胞层、 果皮海绵层、 果肉瓣的反射率分别为0.51、 0.66、 0.70, 厚度分别为2.00、 24.00、 90.00 mm, 光斑直径2 mm, 总反射率为0.53, 总透过率0.14, 已有研究表明果皮油胞层、 果皮海绵层、 果肉瓣平均折射率分别为1.80、 1.65、 1.40, 各向异性系数分别为0.63、 0.63、 0.60, 柑橘类水果各向异性系数0.6~0.8, 果肉异性系数略低于果皮[22]。 由(IAD)反向倍增算法求出吸收系数、 散射系数、 约化散射系数、 及总反射通量r和总透射通量t, 该方法已广泛应用于蔬果中, Cai[23]等通过逆加倍法(AD)求出苹果的光学特性参数, Ló pez-Maestresalas等[24]通过逆加倍法(AD)得到马铃薯光学特性参数。 柚果三层组织光传输仿真参数结果如表1所示, 由于柑橘类水果的果肉油腺体大[25], 细胞壁小, 导致果皮散射系数远远高于果肉。 色素对不同波长光有一定的吸收能力[26]。 柚果果皮油胞层含有大量类胡萝卜素, 果皮油胞层吸收系数远大于果皮海绵层和果肉瓣, 这要求检测设备光源强度足够穿透且灵敏捕捉透过光。 果皮海绵层密度小、 孔隙大, 散射系数小于果皮油胞层, 检测设备需要优化以减少散射光的影响。 果肉瓣对光的散射和吸收较小, 检测设备应聚焦该区域获得关键内部信息。 果皮油胞层的总反射通量低于海绵层和果肉组织, 是由于果皮油胞层组织粗糙, 反射光线朝着四周发散, 海绵层和果肉组织结构较为平整, 因此总反射通量差异不大。 总透射通量t在三层组织差异不大, 由于相同测量条件如光源、 环境等导致。

表1 柚果三层组织光传输仿真参数 Table 1 Optical properties of pomelo fruit tissue
2.2 柚果三层组织蒙特卡洛光子追迹

光子飞行距离是所有光子在组织内发生吸收和散射的路径距离总和, 设置出射光子数104, 如图4(a)所示, 光子在厚度2 mm果皮油胞层内飞行距离集中在2~6 cm之间, 在飞行距离2~6 cm下, 光子存活概率在0.02~0.2。 入射厚度24 mm果皮海绵层组织后, 如图4(b)所示, 光子飞行距离集中在2~20 cm, 光子概率在0.01~0.55。 在厚度90 mm果肉瓣中, 如图4(c)所示, 光子飞行距离0~30 cm, 光子概率在0.15~0.53。 推算出100 mm组织下, 光子在果皮油胞层飞行距离100~300 cm, 概率约为0~0.004, 果皮海绵层8~83 cm, 概率约为0.002 5~0.14, 果肉瓣0~33 cm, 概率约为0.05~0.48, 光子飞行距离越大, 光子衰减程度越严重, 概率的大小决定了光子在组织中的存活情况, 柚果果皮油胞层大多数是水晶体结构, 光子沿着这一结构反复运动, 果皮油胞层光子飞行距离远大于果皮海绵层和果肉瓣。 果肉瓣中任何飞行距离下的光子存活概率大于果皮。 Jacques等[27]发现组织较小的散射系数μs有更深的传输距离和存活概率。 果皮油胞层吸收和反射系数均大于海绵层, 因此果皮海绵层中光子存活概率大于果皮油胞层符合这一特性。

图4 柚果三层组织光子飞行距离-概率图
(a): 果皮油胞层光子飞行距离-概率; (b): 果皮海绵层光子飞行距离-概率; (c): 果肉瓣光子飞行距离-概率
Fig.4 Grapefruit three layer tissue photon flight range-probability plot
(a): Pericarp oil layer photon travel distance-probability; (b): Percutaneous sponge layer photon travel distance-probability; (c): Pulp flap photon travel distance-probability

2.3 不同光源入射角度下光传输仿真

Qin等[28]发现水果组织对不同的光源仪器参数有不同的响应。 不同光源入射角度三层组织能量密度存在差异, 光子入射柚果组织后的角度和区域不同。 90° 入射角会导致全反射现象, 所能获得的有效数据非常有限, 且这些数据对大多数光学研究和实际应用的价值较低。 所以选择 0° 、 18° 、 36° 、 54° 和 72° 这几个入射角度进行对比, 为了全面覆盖光入射情况, 通过这些角度的系统比较, 可以充分了解光在不同入射角度下的传输特性, 反映多组织层的全方位光学特性, 进而优化无损检测光路参数。 在波长范围400~1 100 nm下, 如图5所示, 果肉瓣中能量密度最低, 呈红色, 海绵层能量密度由青色和黄色组成, 果皮海绵层和果肉瓣临界处能量衰减存在过渡, 而果皮油胞层和果皮海绵层临界处能量密度能量呈梯度衰减。 果皮油胞层硬度大, 光线透过率大大降低, 果皮海绵层和果肉瓣硬度小, 能量虽然进一步衰减, 但是光线透过率衰减不显著。 果肉部分是研究柚果内部品质的重要部分, 如图5(d)和(e)所示, 入射光角度分别为54° 、 72° 时, 中间部分能量较高, 但是未穿透整个柚果果肉瓣, 容易造成光谱信息遗漏。 如图5(a)和(b)所示, 入射光角度为0° 和18° 时虽然穿透完整果肉瓣, 但是在果皮中衰减严重, 如图5(c)所示, 果肉处能量密度入射光角度为36° 果肉处能量密度最高且在穿透果皮油胞层后能量衰减最小。 穿透果皮海绵层时纵向距离短, 意味着能量衰减相对较小, 所以最优光源入射角度36° 。

图5 不同入射角光传输仿真结果
(a): 光源入射角0° ; (b): 光源入射角18° ; (c): 光源入射角36° ; (d): 光源入射角54° ; (e): 光源入射角72°
Fig.5 Simulation results of light transmission with different incident angles
(a): Incidence Angle of light source 0° ; (b): Light source incidence Angle 18° ; (c): Incidence Angle of light source 36° ; (d): Incidence Angle of light source 54° ; (e): The incidence Angle of light source is 72°

2.4 探测器不同旋转角度下光传输仿真

Pozhar等[29]发现探测器位置不同光子携带的有效信息量不同, 探测器分别绕ZY轴方向旋转进行仿真, 输出结果如图6所示, 绕Z轴旋转10° 时, 光子数最多, 光子数越多, 光谱信号越强。 说明探测器位置对光子携带的有效信息量影响的重要性, 揭示了探测器在不同轴方向旋转时所接收到的光子数变化, 帮助优化探测器位置和角度, 提高测量精度和信号质量。 探测器不同旋转角度接收光穿透柚果后不同的传输路径输出结果, Brescia[30]发现光子与水果组织相互作用时在路径上沉积能量。 这一发现对于理解光在柚子多层组织中的传输过程和能量分布具有重要意义, 帮助解释光子传输路径上的能量损耗和信号变化的原因。 在实际无损检测实验中, 结合这两项研究, 可以优化光学系统设计, 确保探测到的光谱信号具有最大的信息量和最小的损耗。 当光源入射角为36° , 探测绕Z旋转角度10° 路径下能量沉积在果皮油胞层、 果皮海绵层、 果肉瓣高于探测器旋转角度0° 、 20° 、 30° 、 40° , 不同旋转方式输出结果表明, 探测器绕Z轴旋转不同角度的光子数均比绕Y轴旋转多, 因为柚果组织向前散射系数高, 向周围组织散射能力较弱。 光子在柚果组织趋前运动, 因此多数路径中光子数随着旋转角度增加而降低。

图6 不同探测器旋转夹角光传输仿真结果Fig.6 Simulation results of optical transmission at different detector rotation angles

2.5 不同光源入射角度下穿刺光试验

光纤探针穿刺柚果三层组织0~60 mm厚度, 能量强度变化如图7所示, 光源入射角度36° 时穿透柚果能力最强。 光穿透果皮油胞层处光能量衰减程度远大于穿透果皮海绵层, 光穿透果皮海绵层能量衰减程度大于穿透果肉瓣, Fraser等[31]研究发现果皮组织具有很强的衰减是因为果皮组织吸收系数和散射系数远大于果肉瓣, 试验研究结果符合柚果各层组织光学特性参数规律。 Hayashi等[32]发现较大的散射系数导致光在果皮组织相互作用引起光能量严重衰减, 试验条件下柚果不同区域的化学成分和物理组织结构存在差异, 导致通过反演的光学特性参数规律在不同部位存在差异, 实际情况下柚果不同组织的相互作用比仿真实验复杂。 试验结果表明, 光源入射角36° 时, 果皮组织和果肉瓣能量密度在不同穿刺深度均大于0° 、 18° 、 54° 、 72° , 试验结果与仿真结果基本一致, 最优光源入射角度为36° 。

图7 柚果三层组织光纤穿刺试验结果Fig.7 Fiber optic puncture test results of three-layer tissue of pomelo fruit

2.6 探测器不同旋转角度下光传输试验

试验结果如图8所示, 能量强度随着旋转角度增加而减少, 绕Z轴旋转能量数值略高于绕Y轴旋转, 绕Z轴旋转角度为10° 时, 柚果检测能量数值最高, 试验结果与仿真结果存在偏差是由于实际情况下柚果三层组织不同区域物理特征比如密度、 厚度、 气孔间隙等有偏差的原因, 不同区域中的化学成分色素含量、 含水量等含量不同, 仿真结果与试验结果基本一致, 最优探测器绕Z轴旋转角度10° 。

图8 不同探测器旋转夹角光传输试验结果Fig.8 Optical transmission test results of different detector rotation angles

2.7 不同光传输参数下柚果可溶性固形物含量检测效果

柚果全透射光传输试验平台在光源入射角0° , 探测器旋转角度0° 、 光源入射角18° , 探测器绕Z旋转角度10° 、 光源入射角36° , 探测器绕Z旋转角度10° 、 光源入射角36° , 探测器绕Y轴旋转10° 下采集30个柚果可见/近红外光谱数据, 理化测定可溶性固形物含量后采用SG平滑和SNV标准正态变换[33]光谱预处理方法, CARS竞争自适应重加权采样特征提取[34], PLSR偏最小二乘[35]进行建模, 训练集和预测集比例按3∶ 1进行训练建模, 效果如图9(a)所示, 光源入射角度0° , 探测器旋转0° , 训练集R2和RMSEC分别为0.85和0.27, 预测集R2和RMSEP分别为0.80和0.34。 光源入射角度18° , 探测器绕Z旋转角度10° 如图9(b)所示, 训练集R2和RMSEC分别为0.80和0.34, 预测集R2和RMSEP分别为0.73和0.74。 光源入射角度36° , 探测器绕Z旋转角度10° , 如图9(c)所示, 训练集R2和RMSEC分别为0.89和0.25, 预测集R2和RMSEP分别为0.84和0.38, 在光源入射角度36° , 探测器绕Y旋转角度10° , 如图9(d)所示, 训练集R2和RMSEC分别为0.69和0.25, 预测集R2和RMSEP分别为0.60和0.83。 在光源入射角度18° , 最优光传输检测效果为光源入射角度36° , 探测绕Z旋转角度10° 。 仿真和试验结果一致。 探测器绕Z旋转检测效果优于探测器绕Y旋转相同角度与仿真和试验结果一致。 光源入射角0° 检测效果优于光源入射角18° , 仿真和试验结果一致。

图9 不同光传输参数下柚果可溶性固形物含量检测效果
(a): 光源入射角0° 探测旋转角度0° ; (b): 光源入射角18° 探测绕Z轴旋转角度10° ; (c): 光源入射角36° 探测绕Z旋转角度10° ; (d): 光源入射角18° 探测绕Y轴旋转角度10°
Fig.9 Detection effects of soluble solid content in pomelo fruit under different optical transmission parameters
(a): Light source incident Angle 0° detection rotation Angle 0° ; (b): Light source incident Angle 18° detection rotation Angle around Z axis 10° ; (c): Light source incident Angle 36° detection rotation Angle around Z 10° ; (d): Light source incident Angle 18° detection rotation Angle around Y axis 10°

3 结论

(1)通过IAD算法对测定的柚果三层组织光学特性参数进行反演, 结果显示, 果皮油胞层、 果皮海绵层和果肉瓣的吸收系数分别为0.49、 0.06和0.01, 散射系数分别为0.51、 0.11和0.02, 约化散射系数分别为0.19、 0.04和0.01, 总反射通量分别为0.07、 0.12和0.10, 总透射通量分别为0.40、 0.40和0.46。

(2)模拟柚果三层组织蒙特卡洛光子追迹过程, 研究表明光子在果皮油胞层飞行距离最长, 光子衰减程度最严重, 果皮油胞层光子存活概率最低。 在果肉瓣中光子飞行距离最短, 光子衰减程度最低。

(3)建立柚果三层组织无损检测光传输模型进行仿真, 并通过搭建试验平台进行测试与验证, 仿真与试验结果显示, 最优光传输参数为光源入射角度为36° , 探测器绕Z轴旋转10° 。

(4)优化与未优化的光传输参数下采集的可见/近红外光谱数据, 经过SG平滑, SNV标准正态变换, CARS特征提取, PLSR建模, 结果显示优化后的光传输参数可显著提高柚果可溶性固形物无损检测精度, 对训练集R2和RMSEC分别为0.89和0.25, 预测集R2和RMSEP分别为0.84和0.38, 与仿真结果吻合。 本研究得出的柚果多组织层全透射光传输参数可较好提升光谱信号强度和内部品质无损检测效果。

参考文献
[1] Xiao L, Ye F Y, Zhou Y, et al. Food Chemistry, 2021, 351: 129247. [本文引用:1]
[2] Tuan N T, Dang L N, Huong B T C, et al. Chemical Engineering and Processing-Process Intensification, 2019, 142: 107550. [本文引用:1]
[3] Wang H X, Wang P, Kasapis S, et al. Journal of Food Engineering, 2024, 370: 111966. [本文引用:1]
[4] Xu S, Lu H Z, Wang X, et al. HortScience, 2021, 56(11): 1325. [本文引用:1]
[5] Yang S H, Tian Q J, Wang Z W, et al. Postharvest Biology and Technology, 2024, 213: 112935. [本文引用:1]
[6] SHI Shu-ning, TAN Zuo-jun, XIE Jing, et al(石舒宁, 谭佐军, 谢静, ). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2015, 35(7): 1817. [本文引用:1]
[7] Fang Z H, Fu X P, He X M. Journal of Zhejiang University-SCIENCE B, 2016, 17(6): 484. [本文引用:1]
[8] Lu R F, Van Beers R, Saeys W, et al. Postharvest Biology and Technology, 2020, 159: 111003. [本文引用:1]
[9] Wu N Q, Pitts M J. Postharvest Biology and Technology, 1999, 16(1): 1. [本文引用:1]
[10] Wang W L, Li C Y, Gitaitis R D. Transactions of the ASABE, 2014, 57: 1771. [本文引用:1]
[11] Watté R, Aernouts B, Van Beers R, et al. Optics Express, 2015, 23(13): 17467. [本文引用:1]
[12] Morris T, White L, Crowther M. Statistics in Medicine, 2019, 38: 2074. [本文引用:1]
[13] Huang Y P, Lu R F, Chen K J. Postharvest Biology and Technology, 2017, 133: 88. [本文引用:1]
[14] Ncama K, Tesfay S Z, Fawole O A, et al. Scientia Horticulturae, 2018, 231: 265. [本文引用:1]
[15] Teerachaichayut S, Ho H T. Postharvest Biology and Technology, 2017, 133: 20. [本文引用:1]
[16] Sun C J, Aernouts B, Van Beers R, et al. Journal of Food Engineering, 2021, 291: 110225. [本文引用:1]
[17] Xu S, Lu H Z, He Z H, et al. Postharvest Biology and Technology, 2024, 214: 112990. [本文引用:1]
[18] Tian H, Xu H R, Ying Y B. Biosystems Engineering, 2022, 214: 152. [本文引用:1]
[19] Askoura M L, Vaudelle F, Huillier J-P. Photonics, 2015, 3: 2. [本文引用:1]
[20] Ren N N, Liang J M, Qu X C, et al. Optics Express, 2010, 18(7): 6811. [本文引用:1]
[21] Fang Q Q, Boas D A. Optics Express, 2009, 17(22): 20178. [本文引用:1]
[22] CHEN Xin, XU Sai, LU Hua-zhong, et al(陈鑫, 徐赛, 陆华忠, ). Journal of South China Agricultural University(华南农业大学学报), 2024, 45(4): 618. [本文引用:1]
[23] Cai S C, Zhang S, Tan Z J, et al. Optik, 2023, 287: 171121. [本文引用:1]
[24] López-Maestresalas A, Aernouts B, Van Beers R, et al. Food and Bioprocess Technology, 2016, 9: 463. [本文引用:1]
[25] Sun C J, Van Beers R, Aernouts B, et al. Postharvest Biology and Technology, 2020, 163: 111127. [本文引用:1]
[26] Janeeshma E, Johnson R, Amritha M, et al. International Journal of Molecular Sciences, 2022, 23: 5599. [本文引用:1]
[27] Jacques S L. Physics in Medicine & Biology, 2013, 58(11): R37. [本文引用:1]
[28] Qin J W, Lu R F. Postharvest Biology and Technology, 2008, 49(3): 355. [本文引用:1]
[29] Pozhar K V, Mikhailov M O, Litinskaia E L, et al. Biomedical Engineering, 2022, 56(1): 64. [本文引用:1]
[30] Brescia G, Moreira R, Braby L, et al. Journal of Food Engineering, 2003, 60(1): 31. [本文引用:1]
[31] Fraser D G, Jordan R B, Künnemeyer R, et al. Postharvest Biology and Technology, 2003, 27(2): 185. [本文引用:1]
[32] Hayashi T, Kashio Y, Okada E. Applied Optics, 2003, 42(16): 2888. [本文引用:1]
[33] Bi Y, Yuan K L, Xiao W Q, et al. Analytica Chimica Acta, 2016, 909: 30. [本文引用:1]
[34] Li H D, Liang Y Z, Xu Q S, et al. Analytica Chimica Acta, 2009, 648(1): 77. [本文引用:1]
[35] Liu Y D, Sun X D, Ouyang A G. LWT-Food Science and Technology, 2010, 43(4): 602. [本文引用:1]