一種基于近紅外光譜技術對葡萄果實進行無損檢測的方法
【技術領域】
[0001] 本發(fā)明涉及一種利用近紅外光譜技術對鮮食葡萄不同品種、成熟度及蟲害果實的 快速無損檢測方法。
【背景技術】
[0002] 傳統(tǒng)的果實品質鑒別和分級方法費時費力，易受到人為因素（如嗅覺、味覺、喜 好）的干擾，且對果實內(nèi)部的營養(yǎng)成分缺乏客觀和理性的判別標準。而化學分析法需要對 果品進行破碎后逐一檢測，往往檢測的樣本數(shù)量有限，難以保證抽樣的代表性，從而無法實 現(xiàn)快速無損檢測。現(xiàn)行的一些果品采后流水線檢測和分級設備通常僅僅依據(jù)果實大小或重 量等指標進行粗略分級，且設備的專用性要求較高，使用效率低下。因此，開發(fā)一種快速、高 效、無損的果品檢測技術，以滿足果品大規(guī)模品質分析和分級處理的需要，提高果品采后處 理的標準化水平，是當前果品生產(chǎn)中亟待解決的問題。
[0003] 近年來，近紅外光譜成像技術作為一種無損檢測方法引起了廣泛關注，因其具有 檢測速度快、效率高、成本低等多方面優(yōu)點，越來越多地應用于醫(yī)藥、化工、農(nóng)業(yè)、食品等相 關行業(yè)領域。應用范圍主要包括定量檢測產(chǎn)品中相關化學成分的含量、產(chǎn)品種類的鑒定與 判別、以及產(chǎn)品的定級定價等。目前，由于果品內(nèi)含物分布的不均一性，以及光譜分析數(shù)據(jù) 處理方法造成模型建立的多樣性，要求我們對基于近紅外光譜技術分析的果品快速無損檢 測方法進行進一步優(yōu)化。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明目的在于提供一種利用近紅外光譜技術對鮮食葡萄不同品種、成熟度及 蟲害果實的快速無損檢測方法，以解決現(xiàn)有技術方法只能對諸如藥片、液體等勻質物料進 行分析檢測的問題，擴大該技術應用范圍；解決現(xiàn)有技術方法需要對檢測對象進行預處理 (如茶葉需碾碎、水果要榨汁等）的技術問題，簡化技術分析步驟；解決現(xiàn)有技術方法僅能 對果品單一或少數(shù)品質指標進行分析模型建立的問題，提高品質評價的全面性；解決現(xiàn)有 技術方法中光譜分析數(shù)據(jù)處理方法造成分析模型適用性差的問題，提高分析模型的判別效 率和穩(wěn)定性；解決現(xiàn)有技術方法中只能對差別很大的不同種類水果進行定性分析的問題； 解決現(xiàn)有技術方法中，選取的特征波長位點少、范圍窄，難以涵蓋較多光譜信息的問題。
[0005] 具體的，本發(fā)明涉及一種基于近紅外光譜技術對葡萄果實進行無損檢測的方法， 其特征在于，包括如下步驟：
[0006] (1)物料準備，選取不同品種葡萄果實，每個品種選取至少10個樣品組成樣品集；
[0007] (2)選取建模樣品，按照3:1的比例，將每個樣本集隨機分為建模集和驗證集；
[0008] (3)采集所有建模集和驗證集樣品的原始近紅外光譜；
[0009] (4)利用化學分析法測定樣品中內(nèi)含物指標值；
[0010] (5)對步驟（3)中采集到的近紅外光譜進行預處理；
[0011] (6)在TQ Analyst 9軟件中，使用Suggest向導工具自動選擇合適的波數(shù)范圍；
[0012] (7)建立近紅外光譜定量分析模型，將步驟（6)得到的波數(shù)范圍作為建模波數(shù)范 圍，步驟（4)中的內(nèi)含物指標值作為標準值，利用步驟（5)預處理后的近紅外光譜建立近紅 外定量分析模型；
[0013] (8)近紅外定量分析模型準確度的檢驗，分別將驗證集樣品的近紅外光譜與其 實際內(nèi)含物指標值代入近紅外定量分析模型，進行近紅外定量分析模型準確度的檢驗，根 據(jù)預測值計算預測標準差RMSEP，若其值滿足實驗要求，則代表模型可行，否則，重復步驟 (5)-(7)，直至滿足；
[0014] (9)利用近紅外定量分析模型測定待測樣品的內(nèi)含物指標值。
[0015] 在本發(fā)明一個具體的實施方式中，所述的檢測方法，其中步驟（1)中的葡萄品種 選自金手指、比昂扣、醉金香、藤稔、巨峰、溫克、夏黑、巨玫瑰、京亞、紅富士。
[0016] 在本發(fā)明一個具體的實施方式中，所述的檢測方法，步驟（1)中包括選擇未成熟、 轉色期、成熟期三個時期果實以及有蟲害的葡萄果實組成樣品集。
[0017] 在本發(fā)明一個具體的實施方式中，所述的檢測方法，其中步驟（3)中近紅外光譜 采集的具體方法為：采用Thermo Fisher公司生產(chǎn)的Antaris II近紅外光譜儀，由于葡萄的 體積較小，配備精密定位附件，采用高靈敏度InGaAs檢測器，待樣品放置至室溫后，在每個 樣品赤道線上均勻選取4個采樣區(qū)域上進行光譜采集，每次掃描，光譜自動重復32次，取平 均值。
[0018] 在本發(fā)明一個具體的實施方式中，所述的檢測方法，其中步驟（4)中所述的內(nèi)含 物指標為可溶性固形物指標、糖度指標、總酚指標；其中糖度指標包括總糖、果糖、蔗糖指 標。
[0019] 在本發(fā)明一個具體的實施方式中，所述的檢測方法，其中可溶性固形物指標的測 定方法為在葡萄果實去皮和籽后，挖取果肉中心部位擠汁后，采用折光儀測定可溶性固形 物含量。
[0020] 在本發(fā)明一個具體的實施方式中，所述的檢測方法，其中糖度指標的檢測包括：每 個品種取2~3顆葡萄，去皮和籽，切碎攪拌均勻后加液氮研磨至粉末；取2g粉末加80 %乙 醇定容至20mL，室溫條件下靜置浸提30min ;從中取ImL懸池液，用80%乙醇定容至50mL。 總糖指標采用硫酸蒽酮法測定，果糖和蔗糖指標采用間苯二酚法測定。
[0021] 在本發(fā)明一個具體的實施方式中，所述的檢測方法，其中總酚指標的測定方法為 福林酚法（GB/T8313-2008)。
[0022] 在本發(fā)明一個具體的實施方式中，所述的檢測方法，其中步驟（5)中使用化學計 量學軟件對所有光譜依次進行多元信號修正（MSC)、一階導數(shù)微分處理、以及Norris平滑 處理。
[0023] 在本發(fā)明的一個【具體實施方式】中，在步驟（7)和步驟（8)之間還包括采用化學計 量法對所建立的模型進行校正的步驟；優(yōu)選的，選擇PLS法。
[0024] PLS方法是一種基于因子分析的多元校正方法，用于獲得最佳的主成分因子數(shù)，建 立最優(yōu)預測模型。該方法具有很強的提供信息的能力，所建立的校正模型更穩(wěn)定，有更強的 抗干擾能力。PLS方法現(xiàn)已成為化學計量學中最常用的多元統(tǒng)計方法。
[0025] 在本發(fā)明一個具體的實施方式中，所述的檢測方法，其中步驟(6)中波數(shù)范圍為 9842. 89 ~8018. 56cm 1 和 8014. 71 ~4088. 35cm 1C3
[0026] 在本發(fā)明的一個具體的實施方式中，所述檢測方法，其中步驟（9)包括：
[0027] 步驟A、將近紅外光譜通用模型導入相應的近紅外光譜儀中；
[0028] 步驟B、利用該近紅外光譜儀采集剩余所有待測樣品的原始近紅外光譜，儀器則會 將得到的原始近紅外光譜輸入到模型中，得出樣品的主要內(nèi)含物指標值，直至所有樣品測 定完畢。
[0029] 在本發(fā)明一個具體的實施方式中，所述的檢測方法，其中還包括利用定性分析的 方法對各樣本集的近紅外光譜進行分類鑒定，建立各樣本集的定性分類模型。
[0030] 在本發(fā)明一個具體的實施方式中，包括在每個樣本集中選取9~21個樣品，采集 其原始近紅外光譜，使用化學計量學軟件（如TQ9.0軟件）建立不同葡萄品種、成熟度、蟲 害的DA定性分類模型；采用該軟件對之前選定的標準光譜進行主成分分析，根據(jù)標準光譜 的主成分分析結果，計算出每個樣品光譜到各標準光譜的馬氏距離，對各葡萄樣品進行分 類鑒定。
[0031] 所述的檢測方法，使用化學計量學軟件（如TQ9. 0軟件），建立不同葡萄品種、成 熟度、蟲害的近紅外定性分類模型；在每個樣本集中選取9~21個樣品，采集其原始近紅外 光譜，使用化學計量學軟件如TQ9. 0軟件建立不同葡萄品種、成熟度、蟲害的DA定性分類模 型。該軟件對之前選定的標準光譜進行主成分分析，根據(jù)標準光譜的主成分分析結果，計算 出每個樣品光譜到各標準光譜的馬氏距離，對各葡萄樣品進行分類鑒定。
[0032] 具體地，本發(fā)明中葡萄近紅外定性分類鑒定，包括如下步驟：
[0033] (1)物料準備，選取不同品種葡萄果實，每個品種選取至少10個樣品組成樣品集；
[0034] (2)選取建模樣品，按照3:1的比例，將每個樣本集隨機分為建模集和驗證集；
[0035] (3)采集所有建模集和驗證集樣品的原始近紅外光譜并計算標準光譜；
[0036] (4)使用化學計量學軟件如TQ9. 0軟件建立不同葡萄品種及成熟度和病蟲害的DA 定性分析模型；該軟件對之前選定的標準光譜進行主成分分析，根據(jù)標準光譜的主成分分 析結果，計算出每個樣品光譜到各標準光譜的馬氏距離，對各葡萄樣品進行分類鑒定。
[0037] 優(yōu)選地，步驟（1)中的葡萄品種選自金手指、比昂扣、醉金香、藤稔、巨峰、溫克、夏 黑、巨玫瑰、京亞、紅富士；優(yōu)選地步驟（1)中可以選擇未成熟、轉色期、成熟期三個時期果 實以及有蟲害的果實組成樣品集。
[0038] 本發(fā)明中標準光譜為每個樣品集中所有樣品的平均光譜。本發(fā)明中，采集原始光 譜后計算得到標準光譜。
[0039] 與現(xiàn)有技術相比，本發(fā)明的技術優(yōu)勢在于：
[0040] 1、一次性建模、降低模型建立與維護成本
[0041] 本發(fā)明建立了適用于葡萄主要內(nèi)含物含量檢測的近紅外定性、定量模型，建模過 程中使用一系列預處理方法，一次性建立可鑒定多品種、不同成熟度、蟲害葡萄果實的定性 模型；一次性建立可檢測多品種葡萄主要內(nèi)含物含量的近紅外定量模型，具有極強的可行 性，用一個定性模型即可完成多品種