1 华东交通大学机电与车辆工程学院, 江西 南昌 330013 华东交通大学智能机电装备创新研究院, 江西 南昌 330013
2 华东交通大学机电与车辆工程学院, 江西 南昌 330013
柚子果皮厚, 果皮与果肉属于两种不同的介质, 对光的折射、 吸收程度存在差异, 针对建立水果可溶性固形物含量（SSC）检测模型时, 光谱采集量与目标不匹配, 导致模型精度差的问题, 以上饶马家柚为研究对象, 自主搭建可调实验平台, 采集并分析柚子整果的光能量衰减规律, 寻找柚子厚度与透光性的关系, 探索果皮厚度、 光透射深度对柚子SSC检测精度的影响。 首先将透射光源放置在柚子赤道圈的正上方, 统计柚子赤道圈不同区域接收到的光谱强度, 绘制光谱强度分布图, 结果显示, 距离光源发射点越远, 光谱强度越低, 入射点由远及近的位置接收的光强分别占33.40%、 2.90%、 0.50%、 0.40%、 0.20%, 柚子皮对光的吸收较为明显, 散射出的光所占比重较少; 采用切片法, 记录剩余厚度与对应的光谱强度值, 绘制光谱强度的变化规律曲线, 随着剩余厚度逐渐减少, 光谱强度逐渐增加, 在32.90 mm的位置, 光谱强度发生了巨大的变化, 果实厚度高于32.92 mm时, 果实接收的光谱强度普遍较低, 当果实低于32.92 mm时, 光谱强度呈跳跃式增加。 采集果肉、 整果、 果皮光谱, 采用偏最小二乘法（PLS）建立SSC预测模型, 去皮后的果肉模型相关性最高。 采集柚子果肉、 果皮+果肉厚度为40、 30、 20和10 mm时的光谱, 建立不同厚度的SSC预测模型, 果肉厚度为20、 40、 60和80 mm时, 预测集相关系数分别为0.91、 0.89、 0.87和0.86, 果肉在透射深度为20 mm时, 水果SSC预测模型精度最佳。 果皮+果肉的光谱透射深度为20、 40、 60和80 mm, 预测集相关系数分别为0.78、 0.86、 0.93和0.84, 果皮+果肉的透射深度为60 mm时, 有最好的预测效果。 研究结果表明, 果皮和果肉内部组织成分的差异, 会影响SSC预测的结果, 但是调整可见/近红外光在水果内部的传输距离, 可以优化模型精度, 研究揭示了可见/近红外光在水果组织中的漫透射传输特性, 可为厚皮果的品质在线分选装置研发提供实验依据。
光能量衰减 果肉和果皮 透射深度 可溶性固形物含量 传输特性 Light energy decay Pulp and peel Transmittance depth Soluble solids content Transmission characteristics 光谱学与光谱分析
2023, 43(8): 2574
华东交通大学 智能机电装备创新研究院, 南昌 330013
为了获得稳健的近红外光谱模型, 采用变量选择结合模型更新的方法, 以240个红富士苹果为对象, 取得近红外漫透射光谱和糖度数据, 建立偏最小二乘回归模型, 对苹果糖度含量进行预测, 并采用后向区间偏最小二乘法和竞争性自适应重加权算法, 对建模变量进行了选择, 通过将新批次中的一些样品加入到旧批次中重新校准来实现模型更新。结果表明,变量选择可以提高模型性能, 预测决定系数提高到0.7915, 预测均方根误差降低到0.5810, 预测偏差降至0.2627;结合模型更新策略, 可以进一步降低预测均方根误差和预测偏差;仅使用20个样品进行模型更新已经明显改善了模型性能, 预测决定系数提高到0.8506, 预测均方根误差降到0.4358, 预测偏差降到0.1045。这一结果对于多种水果建立稳健的近红外光谱模型是有帮助的。
光谱学 后向区间偏最小二乘 竞争性自适应重加权 苹果 模型更新 spectroscopy backward interval partial least squares competitive adaptive reweighted sampling apple model update
1 华东交通大学智能机电装备创新研究院, 江西 南昌 330013
2 浙江德菲洛智能机械制造有限公司, 浙江 金华 321000
糖度(SSC)是苹果内部品质主要评价指标之一, 近红外光谱技术是预测苹果SSC的首选技术, 优化近红外光谱采集装置的参数, 可以提升模型的性能。 采用本课题组自主研发的动态在线设备采集苹果的近红外光谱(350~1 150 nm), 研究不同参数条件下(运动速度、 积分时间和光照强度)对近红外光谱预测苹果糖度模型的影响, 优化动态在线装置的参数。 210个红富士苹果被分为两批, 第一批90个苹果样品, 经过Kennard-Stone算法(K-S)算法分为建模集和预测集, 用于研究不同运动速度、 不同积分时间对苹果SSC含量在线预测模型的影响。 在0.3和0.5 m·s-1两种运动速度下, 使用多元散射校正(MSC)、 小波变换(WT)、 标准正态变量变换(SNV)对采集到的光谱进行预处理, 对不同移动速度的光谱构建糖度的偏最小二乘回归模型(PLS), 结果表明: 装置的运动速度为0.5 m·s-1所建立的预测模型性能较优, 在四种不同积分时间中, 积分时间为120 ms时, 经SNV预处理所建立的模型性能最优, 其预测集的相关系数和均方根误差分别为0.968和0.331。 第二批苹果120个, 经K-S分为建模集和预测集, 选择运动速度为0.5 m·s-1, 积分时间为120 ms的装置参数进行不同光照强度对苹果SSC预测模型影响的研究, 结果发现: 在光照强度为4.5 A时, 采集到的光谱相对其他光照强度组有较大的变化, 光谱在640和800 nm处的波峰基本消失。 在光照强度为6.5 A时, 经SNV预处理后建立的模型性能最优。 再使用竞争性自适应重加权算法(CARS)、 连续投影算法(SPA)对采集的光谱数据进行波长筛选后, 建立苹果SSC模型, 结果表明: CARS-PLS所建立的模型性能较好, 其预测集的相关系数和均方根误差分别为0.991和0.149, 同时简化了模型, 提高了模型的稳定性。 研究表明: 对动态在线设备进行参数优化, 有助于提高苹果模型的预测精度, 该研究有助于对苹果品质在线分选提供技术支持。
近红外光谱分析技术 动态在线装置 光照强度 波长筛选 参数优化 Near-infrared spectrum Dynamic on-line Light intensity Wavelength screening Parameters optimization
华东交通大学机电与车辆工程学院, 智能机电装备创新研究院, 江西 南昌 330013
贡梨是大众喜爱的水果, 为研究不同检测方向对近红外在线检测贡梨可溶性固形物SSC的影响, 提出全局模型并分析其鲁棒性。 在贡梨六个方向上收集光谱: 茎-花萼轴垂直, 茎向上(A1)和茎向下(A5), 茎-花萼轴和水平之间45°, 茎向上倾斜(A2)和茎向下倾斜(A4), 茎-花萼轴水平, 茎朝向右侧光(A3), 茎花萼轴水平, 茎朝向带移动方向(A6)。 SSC范围为9.53~14.70的150个样品分为115个标准偏差为1.05的校准集和35个标准偏差为0.93的预测集。 采用偏最小二乘回归PLSR分别建立六个局部模型和一个全局模型, 局部模型由各方向的115个校正集数据经过Savitzky-Golay卷积平滑、 多元散射校正MSC、 高斯滤波平滑GFS三种不同的预处理方法处理后使用偏最小二乘回归PLSR建立而来; 用本方向校正集数据建立的局部模型验证本方向的35个预测集数据, 比较这三种预处理方法后所建立的PLSR模型, 结果表明经过GFS处理后建立的模型验证效果最好, 因此六个局部模型和全局模型均采用GFS处理后建立的PLSR模型。 全局模型是由A1, A2, A3, A4, A5和A6六个方向的690个校正集光谱数据经过GFS预处理后采用PLSR建立的贡梨SSC模型。 各方向的预测集分别对七个模型进行验证, 验证结果表明, 局部模型虽然在本方向的预测效果强于全局模型, 但无法验证其他方向, 鲁棒性差, 由此可知检测方向的不同对预测效果的影响很大; 全局模型能够准确预测各个检测方向的贡梨SSC, 全局模型的校正集相关系数Rc为0.828, 校正集均方根误差RMSEC为0.424; A1, A2, A3, A4, A5和A6方向的预测集相关系数Rp分别为0.818, 0.765, 0.799, 0.821, 0.794和0.824, 预测集均方根误差RMSEP分别为0.446, 0.525, 0.478, 0.538, 0.486和0.619; 六个方向的Rp与Rc比较接近且均在0.800左右, RMSEC与RMSEP均在0.500左右, 结果表明全局模型在检测不同方向的贡梨SSC上有着极好的鲁棒性。
近红外 贡梨 可溶性固形物SSC 全局模型 鲁棒性 Near-infrared Gongpear Soluble solid SSC Global model Robustness 光谱学与光谱分析
2022, 42(9): 2781
华东交通大学机电与车辆工程学院, 水果智能光电检测技术与装备国家地方联合工程研究中心, 江西 南昌 330013
毛桃从果树上成熟到最后到达消费者手中, 中间需要经过采摘、 包装、 运输等一系列过程, 在每一个过程中都有可能产生碰伤果。 因此查看哪一个过程产生的碰伤果最多, 从而对加工过程进行针对性地改进就显得尤为重要。 纵观国内外高光谱技术在检测水果碰伤方面的应用, 绝大多数都是忽略图像特征而只使用了光谱特征, 基于图像特征结合光谱特征建模的少之又少。 其次在水果碰伤时间定性判别方面, 多以天数为间隔, 时间间隔较大意味着水果碰伤时间越久, 其变化越明显, 检测准确率也就越高, 目前尚缺乏有效方法对于碰伤时间较短的水果进行碰伤时间分类。 以90个模拟表面碰伤的毛桃为实验样本, 分别采集毛桃碰伤12, 24, 36和48 h后的高光谱图像。 毛桃样品的光谱特征提取是采用感兴趣区域的100个像素点的平均光谱以防止单个像素点的光谱信息与整体光谱信息差距较大; 通过主成分分析(PCA)对毛桃图像进行降维后选取最能体现毛桃碰伤的PC1图像, 在 PC1图像的权重系数曲线中波峰波谷处挑选出4个特征波长点(512, 571, 693和853 nm)作为特征图像, 特征图像灰度化操作后计算得到平均灰度值作为毛桃碰伤图像特征。 最后基于最小二乘支持向量机(LS-SVM)算法分别建立毛桃碰伤时间的光谱特征模型、 图像特征模型以及图像特征结合光谱特征模型共三种判别模型, 并且根据其分类准确率来判断模型的性能。 结果表明: 三种毛桃碰伤模型的分类准确率都随碰伤时间的增加而增加; 基于径向基核函数(RBF_kernel)建立的图像特征结合光谱特征的模型预测效果最好, 对碰伤12, 24, 36和48 h的毛桃样品识别正确率分别为83.33%, 96.67%, 100%和100%, 这可能是由于具有非线性特点的径向基核函数所建立的模型更加适合用于毛桃碰伤时间的分类。 图像特征结合光谱特征的模型能够较好地实现对水果碰伤时间的估计, 可为水果外部品质分选提供一定的参考和依据, 并对水果销售和深加工企业具有一定的借鉴意义。
高光谱成像 图像特征 光谱特征 最小二乘支持向量机 毛桃 碰伤时间 Hyperspectral imaging Image features Spectral features Least squares support vector machine Wild peach Bruising time 光谱学与光谱分析
2021, 41(8): 2598
华东交通大学机电与车辆工程学院, 水果智能光电检测技术与装备国家地方联合工程研究中心, 江西 南昌 330013
利用多模式可调节的光学机构采集了苹果漫透射、 全透射和漫反射三种检测方式的光谱, 研究在不同的检测方式下苹果的光谱特征并采用PLS建立苹果可溶性固形物含量SSC预测的模型。 首先分别采集每个样品赤道上四点的漫透射、 全透射和漫反射光谱, 然后分别使用多元散射校正MSC、 基线偏移校正BOC、 归一化Normalize和高斯滤波平滑GFS等方法对平均后的120个光谱做预处理, 并结合竞争性自适应权重取样CARS法对漫反射光谱进行特征波长筛选, 最后采用偏最小二乘法PLS回归建立预测苹果SSC的模型, 并另购30个苹果验证模型性能。 结果表明, 苹果在三种检测方式下采集的光谱吸收峰和波谷所处的波段大致相同, 但光谱强度有差异。 三种光谱经3点高斯滤波平滑GFS预处理后建立预测苹果SSC含量的模型均取得很好的结果。 漫透射的模型性能为Rcal=0.972, Rpre=0.967和RMSEC=0.436%, RMSEP=0.507%; 全透射的模型性能为Rcal=0.964、 Rpre=0.957和RMSEC=0.5%, RMSEP=0.574%; 漫反射的模型性能为Rcal=0.963, Rpre=0.949和RMSEC=0.522%, RMSEP=0.536%; 三种光谱经归一化预处理后融合建模的模型性能为Rcal=0.894, Rpre=0.857和RMSEC=0.836%, RMSEP=0.966%。 进一步将漫反射光谱结合CARS算法筛选特征波长, 使用119个变量建立模型的性能为Rcal=0.986, Rpre=0.977和RMSEC=0.323%, RMSEP=0.362%。 最后将该模型导入新型多模式可调节的水果检测系统中, 使用30个未参与建模的冰糖心苹果检验该模型预测苹果SSC的性能。 结果显示30个外部验证集的相关系数为0.906, 验证均方根误差为0.707%。 进一步表明使用多模式可调节的水果内部品质检测系统采集的漫反射光谱结合光谱预处理、 波段筛选算法和偏最小二乘回归方法可以建立较好的模型预测苹果可溶性固形物SSC含量。 本研究为苹果的品质检测提供新的技术支持。
光学机构 漫透射 全透射 漫反射 可溶性固形物 苹果 Optical mechanism Diffuse transmittance Total transmittance Diffuse reflection Soluble solids content CARS Apple CARS 光谱学与光谱分析
2021, 41(7): 2064
华东交通大学机电与车辆工程学院, 水果智能光电检测技术与 装备国家地方联合工程研究中心, 江西 南昌 330013
糖度和硬度作为水蜜桃的两个重要指标, 决定其内部品质。 在运输或售卖期间, 水蜜桃果内水分流失, 表面开始松软进而腐烂, 内部品质发生变化。 研究旨在探讨可见/近红外光谱预测水蜜桃不同贮藏期糖度和硬度的可行性, 进一步预测水蜜桃的最佳贮藏期。 采用漫透射和漫反射方式采集4个贮藏阶段的水蜜桃光谱, 并测量糖度和硬度。 分析了4个阶段水蜜桃的平均光谱, 光谱强度随着贮藏天数增加而不断提高, 且在650~680 nm区域内受果皮颜色及色素的变化产生波峰偏移。 同时, 分析了糖度和硬度的变化, 糖度在贮藏期间逐渐提高, 硬度在贮藏期间快速下降, 最终糖度增加了3.31%, 硬度下降了58.8%。 采用多元散射校正、 S-G卷积平滑、 归一化处理及基线校正等预处理方法来减少噪声和误差对光谱的影响, 并使用无信息变量消除(UVE)和连续投影算法(SPA)筛选特征波长, 最后利用偏最小二乘回归(PLS)分别建立糖度和硬度的预测模型。 分析糖度、 硬度的PLS回归系数与平均光谱的波形发现, 糖度的高回归系数分布在光谱多处, 而硬度的该系数均在波峰波谷附近。 SPA和UVE筛选的特征波长建立的糖度模型效果不佳, 而硬度模型效果良好。 结果表明, 漫透射和漫反射检测方式下, 糖度的最佳预测相关系数(Rp)及预测均方根误差(RMSEP)分别为0. 886, 0.727和0.820, 1.003, 预处理方法分别是多元散射校正、 平滑窗口宽度为3的S-G卷积平滑。 此外, 漫透射建立的硬度SPA-PLS模型, 选用15个光谱变量, 得到的Rp和RMSEP为0.798和0.976; 而漫反射建立的UVE-PLS模型, 选用113个光谱变量, 得到的Rp和RMSEP为0.841和0.829。 可以看出, 漫透射方式预测水蜜桃贮藏期间的糖度更佳, 而漫反射预测硬度更佳。 利用可见/近红外光谱所建立的糖度和硬度预测模型, 能够可靠地预测水蜜桃贮藏期内糖度和硬度的变化, 对指导采摘、 售卖时间和减少腐烂具有一定的参考价值。
可见/近红外光谱 水蜜桃贮藏 糖度和硬度 偏最小二乘回归 Visible/Near infrared spectroscopy Storage of peach Soluble solid content and firmness Partial least squares regression
华东交通大学机电与车辆工程学院, 江西 南昌 330013
果品内部化学基础信息与光谱信息较好对应是提高模型的关键。 大量的皮厚、 体积大的水果果肉在可见-近红外区域透光性差、 光折射角度难以确定、 化学基础信息获取不准, 导致品质预测效果差。 以西瓜为研究对象, 对西瓜不同区域的可溶性固形物与品质属性的内在联系进行探讨。 水果市场购买360个西瓜样品, 在线检测装置采集光谱时参数用两种设置: 积分时间100 ms、 电流8.0 A和积分时间为150 ms, 电流8.15 A, 后者的光谱吸收峰值强度更高。 西瓜可溶性固形物含量测定时, 将西瓜分为8份, 分别测量心糖、 中糖、 外围糖、 底边糖(SSC)和混合糖(SSC)的平均值, 西瓜内部不同区域可溶性固形物有较大的差异, 果中心的心糖值最高, 而越靠近瓜皮区域的糖度值越低。 以西瓜不同区域可溶性固形物为因变量, 卷积平滑(S-G)降解光谱噪声后的光谱为自变量建立可溶性固形物偏最小二乘预测模型, 建模集270个, 预测集90个。 对比模型发现, 提高分选装置的积分时间和卤钨灯电流, 可以增加可溶性固形物模型预测精度; 局部区域的可溶性固形物作为模型的因变量预测效果也高于混合糖为因变量建立的模型。 由于可见-近红外入射后在瓜果内部发生一定角度的折射、 光停留在浅层区透射等原因, 靠近瓜皮的底边糖区域表征了较多的西瓜果肉信息, 建模效果最佳, 预测集相关系数为0.89, 均方根误差为0.24, 建模集相关系数为0.96, 均方根误差为0.18。 而中糖、 外围糖等具有一定深度且在光的直线区域表征的西瓜果实内部信息较少, 建模效果较差。 因此西瓜底边糖为最佳的可溶性固形物采集区域。 研究结果揭示了水果光散射规律特征及其与品质属性的内在联系, 可供实现光谱数据库和分析模型的在线更新参数。
西瓜 可见-近红外 装置参数 可溶性固形物 预测模型 Watermelon Visible/near infrared Device parameters Soluble solids Prediction model 光谱学与光谱分析
2020, 40(10): 3265
华东交通大学机电与车辆工程学院, 江西 南昌 330013
糖度是评价脐橙内部品质的重要指标之一, 由于水果自身尺寸差异, 造成糖度预测模型稳健性差, 预测精度不高, 因此消除水果尺寸差异带来的影响, 对提高水果分选模型精度具有重要意义。 对比分析了脐橙漫透射、 多点发射与接收及环形发射与接收漫反射光谱, 其中, 不同检测平台上, 由于光程差的不同, 大果光谱能量均比小果光谱能量要强, 而环形发射与接收漫反射光谱能量要强于其他两种光谱, 漫透射光谱能量最弱, 波峰与波谷位置大致相同。 分别建立不同检测方式下脐橙尺寸预测模型, 其中, 漫透射检测方式下尺寸预测模型的预测集相关系数为0.60, 预测集均方根误差为3.95 mm, 多点发射与接收漫反射检测方式下尺寸预测模型的预测集相关系数为0.97, 预测集均方根误差为1.46 mm, 环形发射与接收漫反射检测方式下小果预测模型的预测集相关系数为0.96, 预测集均方根误差为1.73 mm。 分别建立三种不同检测方式下大果、 小果、 混合果以及多元散射校正预处理的混合果糖度预测模型, 小果的糖度预测模型精度均要高于大果和混合果, 其中漫透射检测方式下小果预测模型的预测集相关系数为0.76, 预测集均方根误差为0.81°Brix, 多点发射与接收漫反射检测方式下小果预测模型的预测集相关系数为0.72, 预测集均方根误差为0.97°Brix, 环形发射与接收漫反射检测方式下小果预测模型的预测集相关系数为0.72, 预测集均方根误差为0.93°Brix。 经过多元散射校正预处理光谱后, 近红外漫透射光谱的混合果模型精度要优于小果的模型, 模型预测集相关系数为0.84, 预测集均方根误差为0.64°Brix, 而在两种漫反射检测方式中, 多混合果模型精度反而降低。 实验结果表明: 在漫透射检测方式中, 使用多元散射校正预处理光谱可以消除尺寸差异影响, 在漫反射检测方式中, 先进行尺寸分选, 再进行糖度分选, 也可以避免尺寸差异带来的影响。 该研究为大宗水果快速在线分选提供了参考和理论支持。
脐橙 近红外 尺寸差异 无损检测 糖度 Navel orange Near infrared Size effect Nondestructive testing Sugar content 光谱学与光谱分析
2020, 40(10): 3241
华东交通大学机电与车辆工程学院, 光机电技术及应用研究所, 江西 南昌 330013
油茶产业具有良好的经济和生态效益, 深受国家重视。 目前, 炭疽病侵害油茶树日益加重, 严重地降低了产量, 导致油茶产业的效益直接受损。 所以找到一种快速、 准确、 方便的油茶炭疽病检测方法是非常必要的。 激光诱导击穿光谱(LIBS)是一种低成本、 微损伤、 无残留的技术, 能够对多种成分快速实时检测。 采用LIBS结合化学计量学方法对油茶炭疽病的定性检测方法进行研究。 实验样品采摘于油茶种植区, 分别采集了100片健康油茶叶片和100片感染炭疽病的油茶叶片。 将采集的叶片进行微处理, 即首先进行反复冲洗去除叶片表面污渍, 然后进行分类、 装袋和标号, 最后进行LIBS光谱采集实验。 实验设备为海洋光学的MX2500+, LIBS实验参数设置为激光能量50 mJ, 最优延迟时间2 μs, 每个叶片采集6条光谱数据, 并求其平均。 在油茶叶片LIBS光谱的波长251.432 nm处观察到Si的特征峰、 分别在252.285, 259.837和385.991 nm处观察到Fe的特征峰、 分别在260.568, 279.482和280.108 nm处观察到Mn的特征峰。 实验结果: 油茶叶片中的微量元素Si, Fe, Mn的LIBS信号与油茶叶片的健康程度有直接关系, 健康油茶叶片中Si, Fe和Mn的特征峰强度明显高于感染炭疽病的油茶叶片中Si, Fe和Mn的特征峰强度; 此外, 利用LIBS技术结合MSC光谱预处理和PCA分类法, 对油茶叶片的健康和感染炭疽病的两个状态进行分类处理。 PC1, PC2和PC3的贡献率分别为80%, 12%和6%, 建立三维模型分类, 可以清晰地将油茶叶片的两种状态区分出来。 同时, 还利用PLS-DA建立模型, 模型的识别率高达90%以上, 可以对油茶叶片两种类别进行较好的分类。 以上两种化学计量方法都可以区分油茶叶片的健康和染病两种状态。 研究表明了利用LIBS技术检测油茶炭疽病是可行的。 可以利用LIBS技术对油茶叶片的微量元素和营养元素进行定量检测, 为定量检测提供了参考。 提出了一种快速检测油茶炭疽病的新方法。
激光诱导击穿光谱技术 油茶炭疽病 微量元素 多元散射校正 主成分分析 Laser-induced breakdown spectroscopy Anthracnose of camellia oleifera Microelements Multiplicative scatter correction Principal component analysis 光谱学与光谱分析
2020, 40(9): 2815
