近红外光谱技术在水果无损检测中的最新研究进展

李敏

（乐山师范学院 物理与电子工程学院，四川 乐山 614000）

1 引言

我国虽然是水果生产大国，但自1993年以来水果储藏能力只有10% ，烂果率高达25%，出口总量不到总产量的3%，远低于9%～10%的世界平均水平[1～3]。以上原因造成果农卖果难，增收难。要解决这些问题，必须发展水果深加工，扩大鲜果出口。阻碍我国鲜果出口的一个重要因素是果品分选、检测能力弱，检测速度慢，检测人员的素质低，果品筛选达不到国际上水果进出口市场的要求。国内早期的水果内部品质检测方法主要是化学分析法，该方法不仅可靠性和稳定性较差，而且在测试时还必须破坏水果，测试过程繁琐，只能通过少量样本的测定，来评价整批次水果的品质。鉴于以上原因，无损检测技术应运而生。无损检测技术具有无损、快速、准确性高和实时性强等特征。目前的无损检测技术主要有针对水果光学特性、电学特性、声学特性、力学振动特性等众多性质进行的各种检测，且大多还处于试验研究阶段[2]。

近红外光谱技术（Near Infrared Spectroscopy Technology，NIST）是一种利用物质对光的吸收、散射、反射和透射等特性来确定其成分含量的一种无损检测技术，具有快速、非破坏性、无试剂分析、安全、高效、低成本及同时测定多种组分等特点[4]。随着现代光谱技术的发展，且凭借其快速、方便、准确和无损伤等特点，应用近红外光谱分析技术对水果品质进行无损检测已成为近年来的研究热点。本文主要介绍2000年后，近红外光谱分析在果实成熟期检测和品质检测两方面的研究进展。

2 近红外光谱技术在水果成熟期监测中的应用研究

近红外与可见光结合的无损检测技术具有适应性强、灵敏度高、对人体无害、成本低和容易实现等优点，被广泛用于水果成熟度的无损检测。2002年，McGlone等利用VIS／NIR技术，依据果实成熟过程中叶绿素减少的趋势，深入探测了“Royal Gala”苹果在采摘前和储藏后各品质指标，光谱图如图1所示，在苹果早采收、适中采收、晚采收的典型吸光度光谱对比中，发现在680nm波长处，叶绿素吸光度有明显的变化，早采收果实的吸光度明显高于适中采收和晚采收果实，因此认为该波长可用于区别苹果的成熟度[5]。Lur等人用近红外光谱检测苹果的硬度和含糖量，通过有损与无损相结合的方式建立了预测苹果内部品质的数学模型[6]。

图1 苹果不同时期的近红外吸光度光谱

2005年，Ann Peirs等人在前人研究的基础上研究了苹果自然特性对可见近红外模型预测采摘期成熟度精确性的影响。研究表明，近红外光谱与成熟度有一定相关关系，其Rr＞0.94，RMSEP＜7.7。研究表明苹果成熟度不只与果皮颜色相关，而且还受到内部品质的综合影响[7]。

2007年，Yongni Shao等人用可见光与近红外检测技术结合硬度、糖度和酸度等指标检测番茄的成熟度，得到了各自的相关系数，分别为0.83、0.81和0.83，表明可见光与近红外技术无损检测水果成熟度的方法是可行而且实用的[8]。

3 近红外光谱技术在水果品质检测中的应用研究

利用近红外光谱（NIR）检测水果品质早已成为国际研究热点之一。2003年，Clark等利用700～900nm的透射光检测了褐心贝宾（Braeburn）苹果，探讨了投射测量时苹果的最佳位置[9]。国内的相关研究也如雨后春笋般涌现出来，研究的水果有柑橘、苹果、梨、桃、枇杷等，检测的品质涉及糖度、酸度、可溶性固形物、维生素、坚实度、色泽及单果重量、褐变、模式识别等。

3.1 糖度检测

2006年，应义斌等利用小波变换结合近红外光谱技术检测水果糖度，小波变换滤波技术能有效地消除苹果近红外光谱中的噪声，在采用小波变换尺度为3时WT－SMLR法建立的校正模型精度明显优于采用SMLR法建立的模型[10]。周文超等建立赣南脐橙内部糖度的近红外投射PLS模型，r＝0.9032，RMSEP＝0.2421[11]。刘春生等利用可见／近红外漫反射光谱结合PLS建立南丰蜜桔糖度校正模型，预测集r＝0.9133，RMSEP ＝0.5577，平均预测偏差为－0.0656[12]。

3.2 酸度检测

应义斌等建立苹果有效酸度的近红外漫反射PLS模型，最佳 PC＝3，r＝0.959，SEC＝0.076，SEP＝0.525，Bias＝0.073[13]。刘燕德等应用近红外漫反射光谱结合光线传感技术建立苹果有效酸度模型，预测值和真实值r＝0.906，SEC＝0.0562、SEP＝0.0562，Bias＝0.0115[14]。董一威等采用CCD近红外光谱系统结合偏最小二乘回归（PLSR）建立苹果酸度预测模型，r＝0.8151，SEC＝0.0120，SEP＝0.0204[15]。

3.3 可溶性固形物检测

2006年，李建平等应用近红外漫反射光谱定量分析技术对2个产地3个品种枇杷的可溶性固形物进行无损检测研究，发现在波长1400～1500nm和1900～2000nm两段范围，样品的可溶性固形物与光谱吸光度之间的相关系数较高，最终建立的可溶性固形物含量预测模型的校正集和预测集相关系数分别为0.96和0.95[16]。

2008年，刘燕德等应用近红外光谱（350～1800nm）及偏最小二乘法回归、主成分回归和多元线性回归对梨的可溶性固形物及逆行定量分析；在采用偏最小二乘法回归算法之前先用一阶微分对光谱数据进行预处理，研究表明果实中间部位的预测结果较为理想；近红外漫反射光谱可以作为一种准确、可靠和无损的检测方法用于评价梨果实内部指标可溶性固形物[17]。

2009年，周丽萍等采用可见光与近红外光结合技术对苹果的可溶性固形物含量的检测进行了研究，他们结合主成分分析（PCA）和BP神经网络技术，建立苹果SSC预测模型；采用DPS数据处理系统对苹果样本的漫反射光谱（345～1039nm波段），进行主成分分析，获得累计可信度大于95%的5个新主成分；建立一个3层BP神经网络模型，并将这5个新的主成分作为BP神经网络模型的输入量，其结果是98%以上预测样本的预测相对误差在5%以下[18]。

3.4 坚实度检测

2006年，傅霞萍等采用傅里叶漫反射近红外光谱技术研究了水果坚实度的无损检测方法，他们对不同预处理方法和不同波段建模对模型的预测性能进行分析对比，建立了利用偏最小二乘法进行水果坚实度与漫反射光谱的无损检测数学模型，同时结果表明应用近红外漫反射光谱检测水果坚实度是可行的，为今后快速无损评价水果成熟度提供了理论依据[19]。

2009年，史波林等采用近红外光谱技术结合遗传算法分别对去皮前后苹果坚实度无损检测进行研究，他们采用光谱附加散射校正（MSC）、微分处理（Derivative）、直接正交信号校正（DOSC）等预处理方法和基于遗传算法（GA）的有效波段选择方法来消除果皮对模型精度的影响，结果表明，苹果果皮对近红外光谱分析模型的预测能力有很大影响，但仅通过常规的光谱预处理方法（MSC、Derivative）很难有效消除。他们提出的遗传算法结合直接正交信号校正（GA－DOSC）方法能有效消除果皮的影响，不但使所建模型的波长点和最佳主因子数分别由1480和5降到36和1，相关系数r由0.753提高到0.805，更重要的是模型的预测相对误差RSDp从16.71%显著下降到12.89%，并接近采用苹果果肉建模的预测性能（12.36%），达到对苹果硬度的近红外无损检测要求[20]。

3.5 色泽及单果重量检测

2008年，刘燕德等采用可见／近红外漫反射光谱对梨表面色泽进行无损检测研究，采用多元线性回归（MLR）、主成分回归（PCR）和偏最小二乘法回归（PLSR）三种数学校正算法，在350～1800nm光谱区间，结合梨的原始吸收光谱和标准化光谱进行了定量对比分析。原始吸收光谱应用PLSR建立的定标模型对24个未知样品的预测结果是：L＊、a＊、b＊均方差分别为1.4251、0.4569 和 0.9497，相对预测偏差分别为3.7404%、3.3571%和2.5877%，表明可见／近红外光谱技术对梨表面色泽的无损检测具有可行性[21]。李鑫等采用偏最小二乘法（PLSR）建立单果的数学模型。苹果梨透射光谱如图2所示，光谱经归一化处理后建立的模型稳定性最好，相关参数为：SEP＝18.01，Rc＝0.70，RMSEC＝18.68，PC＝5[22]。

图2 苹果梨投射光谱（产地吉林，奇异样本号100，111）

3.6 水心、褐腐检测

韩东海等采用可见／近红外连续投射光谱研究苹果内部褐变，正确判别率达95.65%[23].王加华等直接采用可见／近红外能量光谱对苹果褐腐病和水心进行鉴别，建立的偏最小二乘判别法（PLSDA）模型总判别率达98.1%，RMSEC＝0.449、RMSEP＝0.392；图3为水心苹果、褐腐苹果和正常苹果的绝对能量平均光谱图[24]。

图3 水心、正常、褐腐苹果绝对能量平均光谱

3.7 维生素检测

夏俊芳等采用偏最小二乘法交叉验证法（PLCCV）建立脐橙VC含量数学模型，预测值与真实值的r＝0.9575、内部交叉验证均方差 RMSECV＝3.9mg／100g，主成分数PC＝8[25]。

刘燕德等建立南丰蜜桔VC含量的可见／近红外漫反射主成分分析（PCA）定标模型，预测r＝0.813，RMSEP＝2.112mg／100g，预测偏差PE＝－0.810mg／100g[26]。

3.8 品种鉴别

赵杰文等采用支持向量机（SVM）建立苹果不同品种、不同产地的分类模型，预测识别率精度比传统的判别分析法提高5%左右，均达到100%；回判识别率分别为100%和87%[27]。何勇等提出了一种用近红外光谱技术快速鉴别苹果品种的新方法，该方法应用主成分分析结合人工神经网络建立了苹果品种鉴别的模型，该模型的预测效果很好，识别率达到100%[28]。

4 存在的问题

近红外光谱技术具有检测速度快速、检测方法简便、检测准确性高及同时可测定多种成分的优点，使它在果品在线分选检测中有较好的应用前景。虽然近红外光谱技术在水果成熟期预测和内部品质检测方面的研究已有10年的时光，有些检测技术已趋于成熟，但目前来看该技术仍存在一些问题，比如怎样找出不同水果光谱的特性波段，怎样实现果品快速在线检测和分选，怎样实现对水果的成熟度、硬度、糖度和内部缺陷等同时检测，具体来说近红外光谱技术在水果品质或成熟期检测研究中主要存在以下几方面问题。

4.1 水果成熟期预测中存在的问题

（1）近红外光谱技术在水果成熟期预测中，光谱波段的选择尤为重要；建立预测模型时有必要对光谱波段进行优选和组合[29]。

（2）利用近红外光谱预测果实成熟期时，既要保证预测模型的精确度，还需考虑模型的通用性，即还需进一步研究水果果实的不同光学特性与果实成熟期的相关性，提高预测的效率和准确性。

4.2 水果品质检测中存在的问题

（1）在水果品质的光谱检测中，光谱仪自身的信噪比等性能会极大地影响预测模型的精确度。可见，在光谱预处理方面，选择合适的消噪方法将成为今后近红外光谱技术在水果内部品质及成熟期预测中的另一个研究重点[30]。

（2）在利用NIST对水果品质进行检测的过程中，建立数学模型是最困难的，因为近红外光谱很容易受到果品样本个体因素如温度、检测部位不同等因素的影响；同时由于检测环境条件、仪器的精度和稳定性等复杂因素的影响，使得数学模型适应性差。在线检测过程中，样品是运动的，近红外光谱受到很大的影响，如何在果品运动的状态下获得较稳定的近红外光谱仍是一个很大的难题。

（3）建立用于水果品质光谱分析的校正模型与开发用于水果品质检测的软件系统是近红外光谱技术能否用于水果品质检测的最关键问题，但当前大部分研究只是进行可行性探索，没有进行深入研究；在实际生产生活中使用的便携式水果品质无损检测仪器非常罕见。

5 发展趋势

目前水果市场，或者水果生产者在田间分析水果品质都需要一种小型便捷的、可移动式的近红外光谱分析仪器。同时这些仪器还需要操作简单，对普通常见的水果都具有适用性。因此，便携式的、能够和电脑随时连接的类USB或PDA的近红外水果分析仪将会成为市场新宠。

当今水果加工过程中非常需要一种能够根据水果品质指标（如可溶性固形物、酸度、硬度等）进行快速在线分级.光纤技术与近红外技术结合必然使近红外在线检测技术广泛应用于水果以及其他各个领域，并在今后的发展中逐步形成成熟的在线检测装备投放于市场。随着近红外光谱分析技术的不断推广和深入应用，未来它将与网络技术结合，更方便快捷地实现分析模型的在线更新与升级。

目前，水果的近红外光谱无损检测中还存在检测指标单一、实时性差、检测效率低等问题。为了解决上述问题，开展高效并行图像处理算法和多指标综合检测技术的研究非常必要，并将成为研究热点。为了更快速、更准确地得到测量结果，结合近红外光谱分析技术、高光谱成像技术，及紫外、红外光技术，从多信息融合技术的不同层次：数据层、特征层和决策层选择最优的融合方法，在水果成熟期和品质检测领域将有广阔的研究前景。近红外光谱技术将会在更多领域更广泛范围为人类带来便利。

[1]苏东林，近红外光谱分析技术在我国大宗水果品质无损检测中的应用研究[J].食品工业科技，2012，6（33）：460～464.

[2]贺艳楠，水果成熟度无损检测技术研究进展[J].北方园艺，2010（3）：208～212.

[3]莫润阳，无损检测技术在水果品质评价中的应用[J].物理学和高新技术，2004，33（11）：848～851.

[4]毛莎莎，曾 明，何绍兰，等，近红外光谱技术在水果成熟期预测中的应用（综述）[J].亚热带植物科学，2010，39（1）：82～89.

[5]McGlone V A，et al.VIS／NIR estimation at harvest of pre－and post－storage quality indices for ‘Royal Gala’apple [J].Postharvest Biology and Technology，2002，25：135～144.

[6]Lu R，et al.A Near－infeared sensing technique for measuring internal quality of apple fruit[J].Trans of the ASAE，2002，18（5）：585～590.

[7]Ann Peirs，et al.Effect of natural variability among apples on the accuracy of VIS－NIR calibration model for optimal harvest date prediction[J].Postharvest Biology and technology，2005，35：1～13.

[8]Yongni Shao，et al.Visible／near infrared spectrometric technique for nondestructive assessment of tomato quality characteristics[J].Journal of Food Engineering，2007，81：672～678.

[9]Clark C J，McGlone V A，Jordan R B，et al.Detection of brown－heart in‘braeburn’apple by transmission NIR spectroscopy[J].Post－harvest Biology and Technology，2003（28）：87～96.

[10]应义斌，基于小波变换的水果糖度近红外光谱检测研究[J].光谱学与光谱分析，2006，26（1）：63～66.

[11]周文超.近红外投射光谱无损检测赣南脐橙糖度的研究[J].农业化研究，2009（5）：161～163.

[12]刘春生.偏最小二乘法——可见／近红外光谱测定南丰蜜桔糖度的研究[J].河北师范大学学报：自然科学版，2008，32（6）：788～790，797.

[13]应义斌.苹果有效酸度的近红外漫反射无损检测[J].农业机械学报，2004，35（6）：124～126，141.

[14]刘燕德.近红外漫反射用于检测苹果糖度及有效酸度的研究[J].光谱学与光谱分析，2005，25（11）：1793～1796.

[15]董一威.苹果中糖酸度的CCD近红外光谱分析[J].食品科学，2007，28（8）：376～380.

[16]李建平，傅霞萍，周 莹.近红外光谱定量分析技术在枇杷可溶性固形物无损检测中的应用[J].光谱学与光谱分析，2006，26（9）：1606～1609.

[17]刘燕德.近红外漫反射光谱检测梨内部指标可溶性固形物的研究[J].光谱学与光谱分析，2008，28（4）：797～800.

[18]周丽萍.苹果可溶性固形物含量的检测方法[J].农业化研究，2009，4（4）：104～106.

[19]傅霞萍.水果坚实度的近红外光谱检测分析实验研究[J].光谱学与光谱分析，2006，26（6）：1038～1041.

[20]史波林.应用GA－DOSC算法消除果皮影响近红外漫反射光谱分析苹果硬度的研究[J].光谱学与光谱分析，2009，29（3）：665～675.

[21]刘燕德.梨子表面色泽的可见／近红外漫反射光谱无损检测研究[J].红外与毫米波学报，2008，27（4）：266～268.

[22]李 鑫.苹果梨单果重的近红外无损检测研究[J].安徽农业科学，2008，36（4）：1297～1298.

[23]韩东海.苹果内部褐变的光学无损伤检测研究[J].农业机械学报，2006，37（6）：86～88，93.

[24]王加华.基于可见／近红外能量光谱的苹果褐腐病和水心鉴别[J].光谱学与光谱分析，2008，28（9）：2098～2102.

[25]夏俊芳.基于小波变换的柑橘维生素C含量近红外光谱无损检测方法[J].农业工程学报，2007，23（6）：170～174.

[26]刘燕德.可见／近红外漫反射光谱无损检测南丰蜜桔维生素C的研究[J].光谱学与光谱分析，2008，28（10）：2310～2320.

[27]赵杰文.支持向量机在苹果分类的近红外光谱模型中的应用[J].农业工程学报，2007，23（4）：149～152.

[28]何 勇.基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究[J].光谱学与光谱分析，2006，26（5）：850～853.

[29]郑丽敏.近红外光谱波段优化选择在驴奶成分分析中的应用[J].光谱学与光谱分析，2007，27（11）：2224～2227.

[30]夏俊芳.基于小波消噪柑橘内部品质近红外光谱的无损检测[J].华中农业大学学报，2007，26（1）：120～123.